NexusRegimeAlpha

# pragma pylint: disable=missing-docstring, invalid-name, pointless-string-statement
import numpy as np
import pandas as pd
import talib.abstract as ta
from freqtrade.strategy import IStrategy, IntParameter, DecimalParameter
from pandas import DataFrame

class NexusRegimeAlpha(IStrategy):
    """
    NexusRegimeAlpha - Adaptive Crypto Breakout Strategy
    Architecture:
    1. Regime Detection (ADX + SMA)
    2. Alpha Generation (Keltner Channel Breakout)
    3. Dynamic Risk (ATR-based trailing stop)
    """
    INTERFACE_VERSION = 3

    # تعریف تایم‌فریم بهینه برای کریپتو (معمولا ۱ ساعته یا ۴ ساعته برای روندهای اصلی)
    timeframe = '1h'
    startup_candle_count: int = 200

    # پارامترهای قابل بهینه‌سازی (Hyperoptable)
    buy_adx = IntParameter(20, 50, default=25, space="buy")
    kc_window = IntParameter(10, 40, default=20, space="buy")
    kc_mult = DecimalParameter(1.0, 3.0, default=1.5, space="buy")
    atr_sl_mult = DecimalParameter(1.5, 4.0, default=2.5, space="sell")

    # خاموش کردن حد ضرر و سود ثابت برای استفاده از مکانیزم پویای استراتژی
    stoploss = -0.99 
    roi = {"0": 100}

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 1. Volatility (ATR)
        dataframe['atr'] = ta.ATR(dataframe, timeperiod=14)

        # 2. Market Regime Filters (Trend Direction & Strength)
        dataframe['sma_200'] = ta.SMA(dataframe, timeperiod=200)
        dataframe['adx'] = ta.ADX(dataframe, timeperiod=14)

        # 3. Keltner Channels (Alpha Generator)
        dataframe['kc_middle'] = ta.EMA(dataframe, timeperiod=self.kc_window.value)
        dataframe['kc_upper'] = dataframe['kc_middle'] + (dataframe['atr'] * self.kc_mult.value)
        dataframe['kc_lower'] = dataframe['kc_middle'] - (dataframe['atr'] * self.kc_mult.value)

        # 4. Trailing Stop Baseline (Chandelier Exit Logic)
        dataframe['highest_high'] = dataframe['high'].rolling(window=22).max()
        dataframe['chandelier_sl'] = dataframe['highest_high'] - (dataframe['atr'] * self.atr_sl_mult.value)

        return dataframe

    def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        conditions = []

        # شرط رژیم: قیمت بالای میانگین بلندمدت و وجود قدرت روند
        regime_bullish = (
            (dataframe['close'] > dataframe['sma_200']) &
            (dataframe['adx'] > self.buy_adx.value)
        )

        # شرط تریگر: بسته شدن قیمت بالاتر از باند فوقانی کلتنر
        trigger_breakout = (
            (dataframe['close'] > dataframe['kc_upper']) &
            (dataframe['volume'] > 0)
        )

        conditions.append(regime_bullish)
        conditions.append(trigger_breakout)

        if conditions:
            dataframe.loc[
                reduce(lambda x, y: x & y, conditions),
                'enter_long'
            ] = 1

        return dataframe

    def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # خروج‌های پایه (معمولا مدیریت خروج پویا را در متد custom_stoploss می‌نویسند، 
        # اما برای سیگنال خروج صریح می‌توان بازگشت به میانگین را لحاظ کرد)
        conditions = []
        
        trigger_mean_reversion = (
            (dataframe['close'] < dataframe['kc_middle'])
        )
        
        conditions.append(trigger_mean_reversion)
        
        if conditions:
            dataframe.loc[
                reduce(lambda x, y: x & y, conditions),
                'exit_long'
            ] = 1

        return dataframe

    def custom_stoploss(self, pair: str, trade: 'Trade', current_time: 'datetime',
                        current_rate: float, current_profit: float, **kwargs) -> float:
        """
        مدیریت ریسک پویا: 
        محاسبه فاصله قیمت فعلی تا خط Chandelier به عنوان حد ضرر شناور.
        """
        dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe)
        last_candle = dataframe.iloc[-1].squeeze()

        # محاسبه درصد افت مجاز از قیمت فعلی تا خط حد ضرر
        if last_candle['chandelier_sl'] > 0 and current_rate > last_candle['chandelier_sl']:
            sl_rate = last_candle['chandelier_sl']
            return (current_rate - sl_rate) / current_rate
            
        return 0.15 # حد ضرر پیش‌فرض سخت‌گیرانه (Hard Fallback)