Explain Torch forecast inputs in dashboard

crypto_spot_bot/dashboard.py

@@ -511,6 +511,62 @@ HTML = r"""
       background: #ffffff;
     }
     .forecast-chip b { display: block; color: var(--muted); font-size: 10px; margin-bottom: 2px; }
+    .feature-panel {
+      margin: 0 0 9px;
+      border: 1px solid var(--border);
+      border-radius: 7px;
+      background: #fff;
+    }
+    .feature-panel summary {
+      cursor: pointer;
+      padding: 8px 9px;
+      font-size: 12px;
+      font-weight: 850;
+      color: var(--accent);
+      list-style-position: inside;
+    }
+    .feature-note {
+      padding: 0 9px 8px;
+      color: var(--muted);
+      font-size: 11px;
+      line-height: 1.35;
+    }
+    .feature-table-wrap {
+      max-height: 360px;
+      overflow: auto;
+      border-top: 1px solid var(--border);
+    }
+    .feature-table {
+      font-size: 12px;
+      min-width: 720px;
+    }
+    .feature-table th,
+    .feature-table td {
+      white-space: normal;
+      vertical-align: top;
+      padding: 7px 8px;
+    }
+    .feature-table .param-name {
+      font-weight: 850;
+      color: var(--text);
+    }
+    .feature-table .technical-name {
+      margin-top: 2px;
+      color: var(--muted);
+      font-size: 10px;
+      word-break: break-word;
+    }
+    .feature-group {
+      display: inline-flex;
+      align-items: center;
+      min-height: 20px;
+      padding: 2px 6px;
+      border-radius: 5px;
+      background: var(--panel-2);
+      color: var(--muted);
+      font-size: 10px;
+      font-weight: 800;
+    }
     .layout { grid-template-columns: 1.2fr 0.8fr; align-items: start; }
     .panel { padding: 14px; min-width: 0; }
     .table-wrap { overflow: auto; max-height: 330px; border: 1px solid var(--border); border-radius: 7px; }
@@ -767,6 +823,7 @@ HTML = r"""
             <span>${num(pattern.score, 2)}</span>
           </div>
           ${forecastHtml(market.forecast || {})}
+          ${featureSnapshotHtml(market.forecast || {})}
           <canvas width="520" height="220"></canvas>
           <div class="indicators">
             <div class="indicator"><b>RSI14</b>${num(last.rsi_14, 2)}</div>
@@ -847,6 +904,43 @@ HTML = r"""
       </div>`;
     }
 
+    function featureSnapshotHtml(forecast) {
+      const rows = Array.isArray(forecast?.feature_snapshot) ? forecast.feature_snapshot : [];
+      if (!rows.length) return '';
+      const body = rows.map(feature => `
+        <tr>
+          <td>
+            <div class="param-name">${escapeHtml(feature.label || feature.name || '-')}</div>
+            <div class="technical-name">${escapeHtml(feature.name || '')}</div>
+          </td>
+          <td><span class="feature-group">${escapeHtml(feature.group || '-')}</span></td>
+          <td>${escapeHtml(feature.raw_display ?? valueText(feature.raw_value))}</td>
+          <td>${escapeHtml(feature.model_display ?? valueText(feature.model_value))}</td>
+          <td>${escapeHtml(feature.meaning || '')}</td>
+          <td>${escapeHtml(feature.interpretation || '')}</td>
+        </tr>
+      `).join('');
+      return `<details class="feature-panel">
+        <summary>Входы нейросети (${rows.length})</summary>
+        <div class="feature-note">Текущее значение берется с последней закрытой свечи. Значение в модели - это нормализованный вход после обучающих mean/scale; именно его получает LSTM/GRU.</div>
+        <div class="feature-table-wrap">
+          <table class="feature-table">
+            <thead>
+              <tr>
+                <th>Параметр</th>
+                <th>Группа</th>
+                <th>Сейчас</th>
+                <th>В модели</th>
+                <th>Что это</th>
+                <th>Что значит</th>
+              </tr>
+            </thead>
+            <tbody>${body}</tbody>
+          </table>
+        </div>
+      </details>`;
+    }
+
     function drawCandles(canvas, candles) {
       const ctx = canvas.getContext('2d');
       const w = canvas.width, h = canvas.height;
@@ -1117,6 +1211,10 @@ HTML = r"""
       const sign = parsed > 0 ? '+' : '';
       return `${sign}${parsed.toFixed(digits)}`;
     }
+    function valueText(value, digits = 4) {
+      const parsed = Number(value);
+      return Number.isFinite(parsed) ? parsed.toFixed(digits) : '-';
+    }
     function escapeHtml(value) {
       return String(value).replace(/[&<>"']/g, ch => ({'&':'&amp;','<':'&lt;','>':'&gt;','"':'&quot;',"'":'&#039;'}[ch]));
     }

crypto_spot_bot/time_series.py

@@ -69,6 +69,65 @@ DEFAULT_TORCH_FEATURES = (
 )
 
 
+FEATURE_DESCRIPTIONS: dict[str, tuple[str, str, str]] = {
+    "return_1": ("Цена", "Доходность 1ч", "Изменение цены закрытия за последнюю 1h свечу."),
+    "return_3": ("Цена", "Доходность 3ч", "Изменение цены закрытия за последние 3 часовые свечи."),
+    "return_6": ("Цена", "Доходность 6ч", "Изменение цены закрытия за последние 6 часовых свечей."),
+    "return_12": ("Цена", "Доходность 12ч", "Изменение цены закрытия за последние 12 часовых свечей."),
+    "return_24": ("Цена", "Доходность 24ч", "Изменение цены закрытия за последние 24 часовые свечи."),
+    "range_percent": ("Свеча", "Диапазон свечи", "Размер high-low последней свечи относительно цены закрытия."),
+    "body_percent": ("Свеча", "Тело свечи", "Разница close-open относительно цены закрытия; знак показывает цвет свечи."),
+    "upper_wick_percent": ("Свеча", "Верхняя тень", "Насколько далеко цена уходила выше тела свечи."),
+    "lower_wick_percent": ("Свеча", "Нижняя тень", "Насколько далеко цена уходила ниже тела свечи."),
+    "volume_change": ("Объем", "Изменение объема", "Изменение объема последней свечи относительно предыдущей."),
+    "volume_ratio": ("Объем", "Объем к MA20", "Отклонение текущего объема от средней за 20 свечей."),
+    "volume_percentile_20": ("Объем", "Процентиль объема", "Позиция текущего объема среди последних 20 свечей."),
+    "atr_percent": ("Волатильность", "ATR14 %", "Средний торговый диапазон ATR14 относительно цены."),
+    "atr_ratio_20": ("Волатильность", "ATR к среднему", "Отклонение текущего ATR от среднего ATR за 20 свечей."),
+    "realized_volatility_12": ("Волатильность", "Реализованная вола 12ч", "Фактическая волатильность доходностей за 12 свечей."),
+    "realized_volatility_24": ("Волатильность", "Реализованная вола 24ч", "Фактическая волатильность доходностей за 24 свечи."),
+    "rsi_centered": ("Индикаторы", "RSI14 от 50", "RSI14, приведенный к центру 50: выше нуля сильнее покупатели."),
+    "rsi_slope_6": ("Индикаторы", "Наклон RSI 6ч", "Изменение RSI14 за последние 6 свечей."),
+    "macd_hist_percent": ("Индикаторы", "MACD histogram", "MACD histogram относительно цены; знак показывает импульс."),
+    "macd_hist_slope_3": ("Индикаторы", "Наклон MACD hist", "Изменение MACD histogram за последние 3 свечи."),
+    "ema50_gap_percent": ("EMA/тренд", "Цена к EMA50", "Расстояние цены закрытия до EMA50."),
+    "ema200_gap_percent": ("EMA/тренд", "Цена к EMA200", "Расстояние цены закрытия до EMA200."),
+    "ema20_slope_6": ("EMA/тренд", "Наклон EMA20", "Изменение EMA20 за последние 6 свечей."),
+    "ema50_slope_12": ("EMA/тренд", "Наклон EMA50", "Изменение EMA50 за последние 12 свечей."),
+    "ema200_slope_24": ("EMA/тренд", "Наклон EMA200", "Изменение EMA200 за последние 24 свечи."),
+    "ema50_ema200_gap_percent": ("EMA/тренд", "EMA50 к EMA200", "Расстояние EMA50 относительно EMA200."),
+    "range_position_50": ("Цена", "Позиция в диапазоне 50ч", "Где текущая цена внутри high-low диапазона последних 50 свечей."),
+    "trend_return_4h": ("Цена", "Тренд 4ч", "Изменение цены за последние 4 свечи."),
+    "trend_return_24h": ("Цена", "Тренд 24ч", "Изменение цены за последние 24 свечи."),
+    "daily_close_ema200_gap_percent": ("Дневной тренд", "D цена к EMA200", "Расстояние дневного close до дневной EMA200."),
+    "daily_ema50_ema200_gap_percent": ("Дневной тренд", "D EMA50 к EMA200", "Расстояние дневной EMA50 относительно дневной EMA200."),
+    "daily_ema50_slope": ("Дневной тренд", "D наклон EMA50", "Изменение дневной EMA50 за последние несколько дневных свечей."),
+    "btc_return_1": ("BTC/ETH контекст", "BTC 1ч", "Изменение BTCUSDT за последнюю 1h свечу."),
+    "btc_return_3": ("BTC/ETH контекст", "BTC 3ч", "Изменение BTCUSDT за последние 3 часа."),
+    "btc_return_6": ("BTC/ETH контекст", "BTC 6ч", "Изменение BTCUSDT за последние 6 часов."),
+    "btc_return_24": ("BTC/ETH контекст", "BTC 24ч", "Изменение BTCUSDT за последние 24 часа."),
+    "eth_return_1": ("BTC/ETH контекст", "ETH 1ч", "Изменение ETHUSDT за последнюю 1h свечу."),
+    "eth_return_3": ("BTC/ETH контекст", "ETH 3ч", "Изменение ETHUSDT за последние 3 часа."),
+    "eth_return_6": ("BTC/ETH контекст", "ETH 6ч", "Изменение ETHUSDT за последние 6 часов."),
+    "eth_return_24": ("BTC/ETH контекст", "ETH 24ч", "Изменение ETHUSDT за последние 24 часа."),
+    "relative_btc_return_3": ("BTC/ETH контекст", "Сила к BTC 3ч", "Доходность пары за 3 часа минус доходность BTC за 3 часа."),
+    "relative_eth_return_3": ("BTC/ETH контекст", "Сила к ETH 3ч", "Доходность пары за 3 часа минус доходность ETH за 3 часа."),
+    "btc_eth_return_spread_3": ("BTC/ETH контекст", "BTC-ETH 3ч", "Разница 3-часовой доходности BTC и ETH."),
+    "pattern_score": ("Шаблон", "Оценка шаблона", "Числовая оценка текущего рыночного шаблона от 0 до 1."),
+    "pattern_bullish": ("Шаблон", "Бычий шаблон", "Флаг, что текущий шаблон похож на бычий."),
+    "pattern_bearish": ("Шаблон", "Медвежий шаблон", "Флаг, что текущий шаблон похож на медвежий."),
+    "pattern_range": ("Шаблон", "Флэтовый шаблон", "Флаг, что рынок похож на диапазон/флэт."),
+    "pattern_pullback": ("Шаблон", "Откат", "Флаг отката внутри восходящего движения."),
+    "pattern_oversold_reversal": ("Шаблон", "Перепроданный разворот", "Флаг возможного разворота после перепроданности."),
+    "pattern_stabilized_drop": ("Шаблон", "Падение стабилизировалось", "Флаг замедления падения и попытки стабилизации."),
+    "pattern_breakout": ("Шаблон", "Пробой вверх", "Флаг пробоя верхней части диапазона с объемом."),
+    "pattern_breakdown": ("Шаблон", "Пробой вниз", "Флаг пробоя нижней части диапазона с объемом."),
+    "pattern_fast_drop": ("Шаблон", "Быстрое падение", "Флаг резкого снижения или сильной перепроданности."),
+    "pattern_volume_spike": ("Шаблон", "Всплеск объема", "Флаг объема заметно выше обычного."),
+    "pattern_range_position_20": ("Шаблон", "Позиция в диапазоне 20ч", "Где цена внутри high-low диапазона последних 20 свечей."),
+}
+
+
 @dataclass(slots=True)
 class TimeSeriesForecast:
     enabled: bool
@@ -92,6 +151,7 @@ class TimeSeriesForecast:
     quantile_90_percent: float
     conservative_return_percent: float
     target_transform: str
+    feature_snapshot: list[dict[str, Any]] = field(default_factory=list)
     horizon_forecasts: dict[str, Any] = field(default_factory=dict)
     candidates: list[dict[str, Any]] = field(default_factory=list)
 
@@ -126,6 +186,7 @@ class TimeSeriesForecaster:
         artifact = self._load_lstm_artifact()
         entry = _torch_recurrent_entry(symbol, artifact)
         model = _torch_recurrent_model_name(symbol, artifact)
+        clip = _clamp(_float_entry(entry or {}, "clip", 8.0), 1.0, 50.0)
         feature_rows = (
             _feature_matrix(
                 candles,
@@ -137,6 +198,7 @@ class TimeSeriesForecaster:
             if entry
             else []
         )
+        feature_snapshot = _feature_snapshot(feature_rows, entry, clip)
         if not model or not _can_use_torch_recurrent(returns, symbol, artifact, feature_rows):
             return _empty_forecast(True, "no valid PyTorch LSTM/GRU model for symbol")
 
@@ -215,6 +277,7 @@ class TimeSeriesForecaster:
                 quantile_90_percent=round(q90_percent, 4),
                 conservative_return_percent=round(conservative_return_percent, 4),
                 target_transform=str(entry.get("target_transform", "net_return_over_volatility")),
+                feature_snapshot=feature_snapshot,
                 horizon_forecasts=_public_horizon_forecasts(prediction),
                 candidates=[{"model": model, "mae_percent": round(model_mae * 100, 4)}],
             )
@@ -274,6 +337,7 @@ class TimeSeriesForecaster:
             quantile_90_percent=round(expected_return_percent + volatility_percent, 4),
             conservative_return_percent=round(expected_return_percent, 4),
             target_transform=str(entry.get("target_transform", "direct_log_return")),
+            feature_snapshot=feature_snapshot,
             horizon_forecasts={},
             candidates=[{"model": model, "mae_percent": round(model_mae * 100, 4)}],
         )
@@ -322,6 +386,7 @@ def _empty_forecast(enabled: bool, reason: str) -> TimeSeriesForecast:
         quantile_90_percent=0.0,
         conservative_return_percent=0.0,
         target_transform="none",
+        feature_snapshot=[],
         horizon_forecasts={},
     )
 
@@ -1033,6 +1098,156 @@ def _normalize_feature_rows(rows: list[list[float]], entry: dict[str, Any], clip
     return normalized
 
 
+def _feature_snapshot(
+    feature_rows: list[list[float]],
+    entry: dict[str, Any] | None,
+    clip: float,
+) -> list[dict[str, Any]]:
+    if not entry or not feature_rows:
+        return []
+    names = _feature_names(entry)
+    latest = feature_rows[-1]
+    normalized_rows = _normalize_feature_rows([latest], entry, clip)
+    normalized = normalized_rows[-1] if normalized_rows else []
+    means = _float_vector(entry.get("feature_means"))
+    scales = _float_vector(entry.get("feature_scales"))
+    snapshot: list[dict[str, Any]] = []
+    for index, name in enumerate(names):
+        raw_value = float(latest[index]) if index < len(latest) else 0.0
+        model_value = float(normalized[index]) if index < len(normalized) else 0.0
+        group, label, meaning = FEATURE_DESCRIPTIONS.get(
+            name,
+            ("Прочее", name, "Технический входной признак модели."),
+        )
+        snapshot.append(
+            {
+                "name": name,
+                "label": label,
+                "group": group,
+                "raw_value": round(raw_value, 10),
+                "raw_display": _feature_raw_display(name, raw_value),
+                "model_value": round(model_value, 4),
+                "model_display": f"{model_value:+.2f}",
+                "mean": round(float(means[index]), 10) if index < len(means) else 0.0,
+                "scale": round(float(scales[index]), 10) if index < len(scales) else 1.0,
+                "meaning": meaning,
+                "interpretation": _feature_interpretation(name, raw_value, model_value),
+            }
+        )
+    return snapshot
+
+
+def _feature_raw_display(name: str, value: float) -> str:
+    if _feature_is_log_percent(name):
+        return f"{(math.exp(value) - 1) * 100:+.3f}%"
+    if _feature_is_linear_percent(name):
+        return f"{value * 100:+.3f}%"
+    if name in {"rsi_centered"}:
+        return f"RSI {value * 50 + 50:.1f}"
+    if name in {"rsi_slope_6"}:
+        return f"{value * 50:+.2f} RSI"
+    if name in {"volume_percentile_20", "range_position_50", "pattern_range_position_20"}:
+        return f"{value * 100:.1f}%"
+    if name.startswith("pattern_") and name != "pattern_score":
+        return "да" if value >= 0.5 else "нет"
+    if name == "pattern_score":
+        return f"{value:.2f}"
+    return f"{value:+.4f}"
+
+
+def _feature_interpretation(name: str, value: float, model_value: float) -> str:
+    norm = _model_value_text(model_value)
+    if name.startswith("pattern_") and name != "pattern_score" and name != "pattern_range_position_20":
+        state = "шаблон активен" if value >= 0.5 else "шаблон не активен"
+        return f"{state}; {norm}."
+    if name in {"volume_percentile_20", "range_position_50", "pattern_range_position_20"}:
+        if value >= 0.8:
+            state = "значение находится в верхней части диапазона"
+        elif value <= 0.2:
+            state = "значение находится в нижней части диапазона"
+        else:
+            state = "значение около середины диапазона"
+        return f"{state}; {norm}."
+    if name in {"volume_ratio", "atr_ratio_20"}:
+        state = "выше среднего" if value > 0 else "ниже среднего" if value < 0 else "около среднего"
+        return f"{state}; {norm}."
+    if name == "rsi_centered":
+        rsi = value * 50 + 50
+        if rsi >= 65:
+            state = "RSI высокий"
+        elif rsi <= 35:
+            state = "RSI низкий"
+        else:
+            state = "RSI в средней зоне"
+        return f"{state}; {norm}."
+    if _feature_is_log_percent(name) or _feature_is_linear_percent(name) or name.endswith("_slope"):
+        if value > 0:
+            state = "положительное значение"
+        elif value < 0:
+            state = "отрицательное значение"
+        else:
+            state = "нейтральное значение"
+        return f"{state}; {norm}."
+    if name == "pattern_score":
+        if value >= 0.65:
+            state = "шаблон скорее поддерживает long"
+        elif value <= 0.35:
+            state = "шаблон скорее против long"
+        else:
+            state = "шаблон нейтральный"
+        return f"{state}; {norm}."
+    return norm + "."
+
+
+def _model_value_text(value: float) -> str:
+    magnitude = abs(value)
+    if magnitude >= 2.0:
+        return "для модели это сильное отклонение от обучающей нормы"
+    if magnitude >= 1.0:
+        return "для модели это заметное отклонение от обучающей нормы"
+    return "для модели это близко к обычному диапазону"
+
+
+def _feature_is_log_percent(name: str) -> bool:
+    return (
+        name.startswith("return_")
+        or name.startswith("btc_return_")
+        or name.startswith("eth_return_")
+        or name.startswith("relative_")
+        or name in {
+            "volume_change",
+            "trend_return_4h",
+            "trend_return_24h",
+            "ema20_slope_6",
+            "ema50_slope_12",
+            "ema200_slope_24",
+            "daily_ema50_slope",
+            "btc_eth_return_spread_3",
+        }
+    )
+
+
+def _feature_is_linear_percent(name: str) -> bool:
+    return name in {
+        "range_percent",
+        "body_percent",
+        "upper_wick_percent",
+        "lower_wick_percent",
+        "volume_ratio",
+        "atr_percent",
+        "atr_ratio_20",
+        "realized_volatility_12",
+        "realized_volatility_24",
+        "macd_hist_percent",
+        "macd_hist_slope_3",
+        "ema50_gap_percent",
+        "ema200_gap_percent",
+        "ema50_ema200_gap_percent",
+        "daily_close_ema200_gap_percent",
+        "daily_ema50_ema200_gap_percent",
+    }
+
+
 def _torch_recurrent_hidden(
     sequence: list[list[float]],
     *,

tests/test_time_series.py

@@ -322,3 +322,7 @@ def test_time_series_forecaster_reads_probabilistic_multi_horizon_artifact(make_
     assert forecast.probability_up > 0.85
     assert forecast.quantile_10_percent <= forecast.quantile_50_percent <= forecast.quantile_90_percent
     assert sorted(forecast.horizon_forecasts) == ["1", "3"]
+    assert [item["name"] for item in forecast.feature_snapshot] == ["return_1", "range_percent"]
+    assert forecast.feature_snapshot[0]["label"] == "Доходность 1ч"
+    assert forecast.feature_snapshot[0]["raw_display"].endswith("%")
+    assert "диапазон" in forecast.feature_snapshot[0]["interpretation"]