१️⃣ नीति (HONEST-MODIFICATION) के खिलाफ नई composite scoring

- समस्या: फाइल की शुरुआत में साफ लिखा है कि UI में कोई नया composite-score / confidence-score invent नहीं होगा, सिर्फ backend-se-आए facts दिखेंगे।

लेकिन नीचे S/R matrix में “Nearest Confluence” पर आप खुद UI में एक नया `Weighted-Score` बना रहे हैं:

```python

_method_weight = lambda m: 1.0 if m.split()[0].upper() == "SWING" else 0.3

_weighted_score = sum(_method_weight(lv["label"]) for lv in _nearest_conf)

_max_possible = 9

```

यह पूरी तरह UI-side पर नया score है (backend से raw facts → Swing/OI/Fib आदि तो मिल रहे हैं, पर यह weight+9-scale UI में invent हुआ)।

- सुधार:

- अगर “कोई नया composite-score नहीं” वाली policy strict रखनी है, तो:

- `Weighted-Score` वाला हिस्सा हटा दें,

- सिर्फ “N methods agree: Swing, Fib, EMA…” जैसी सरल count + methods-list दिखाएँ।

- अगर weighted-score रखना ही है, तो:

- इसे backend (research scripts) में ले जाकर formal validate करें,

- और फिर उसी तरह से label करें जैसे Mean-Reversion / Breakout system को किया है (“validated” या “reference only”) – अभी यह “invented heuristic” की category में है।

---

२️⃣ `Weighted-Score` के scale की गणितीय कमी

- समस्या: ऊपर वाले `Weighted-Score` में `_max_possible = 9` रखा है, लेकिन कुल वज़न (1 + 0.3×बाकी) कभी 9 तक जा ही नहीं सकता।

- 9 groups हों और सिर्फ एक Swing (1.0) + 8 others (0.3) मान लें, तो max = 1 + 8×0.3 = 3.4

- इसके बावजूद आप इसे `/9` scale पर दिखा रहे हैं → number पढ़ने वाला user naturally उसे 0–9 full-scale मानेगा, जबकि असल usable-range 0–3.4 के आसपास ही रहेगा।

- सुधार (दो में से एक):

- या तो weights integer रखें (जैसे Swing = 3, बाकी = 1) और `max_possible = 3 + 8*1 = 11` या जो भी actual हो, ताकि scale meaningful हो।

- या `_max_possible` को dynamic बनाएं:

```python

_max_possible = sum(_method_weight(lv["label"]) for lv in ALL_POSSIBLE_METHODS)

```

- और अगर policy-पॉइंट १ follow करेंगे, तो best यह है कि पूरा weighted-score हटा दें और सिर्फ “methods-की-list + raw-count” दिखाएँ।

---

३️⃣ Demand–Supply zone वाले ब्लॉक में `_ds_df` का संभावित `NameError`

- समस्या:

```python

try:

_ds_df, _, _ = cached_fetch_data(...)

_ds_result = detect_demand_supply_zones(_ds_df, ...)

except Exception:

_ds_result = {"available": False}

...

_breakout_level_for_vol = breakout.get("breakout_level")

if _breakout_level_for_vol and _ds_df is not None and not _ds_df.empty:

...

```

अगर `cached_fetch_data` या `detect_demand_supply_zones` में exception आया तो `except` में `_ds_df` set ही नहीं होता, लेकिन बाद में `if _breakout_level_for_vol and _ds_df is not None ...` में `_ds_df` को dereference करते ही `NameError` आएगा।

- सुधार:

- try-block से पहले `_ds_df = None` initialise करें:

```python

_ds_df = None

try:

_ds_df, _, _ = cached_fetch_data(...)

...

except Exception:

_ds_result = {"available": False}

```

- और breakout-volume-context के `if` में सिर्फ `_ds_df is not None` पर ही rely न करें, बल्कि `_ds_result.get("available")` भी check करें, या पूरे block को उसी try के अंदर wrap कर दें।

---

४️⃣ Demand–Supply zones को दो बार महँगा compute करना

- समस्या:

- एक बार ऊपर S/R matrix वाले loop के अंदर: `detect_demand_supply_zones(_ds_df2, ...)`

- फिर नीचे dedicated Demand/Supply section में: `detect_demand_supply_zones(_ds_df, ...)`

दोनों बार वही symbol, वही `lookback_months=6`. यह heavy calculation है, और UI-level पर double काम हो रहा है।

- सुधार:

- शुरुआत में ही एक बार `detect_demand_supply_zones` चलाकर result को, मान लें, `ds_result_global` में रखें।

- S/R matrix और नीचे वाला D/S section, दोनों वही dict reuse करें।

- इससे performance भी सुधरेगा, और “दो जगह बिल्कुल अलग result आ गया” जैसा गलती वाला risk भी घटेगा।

---

५️⃣ ADX Layer-0 “NO-TRADE-ZONE” में stale ADX vs user-selected SAR

- समस्या:

- Layer-0 banner `_l0_adx_state` को `tech["sar_adx_signal"]` से ले रहा है (backend का default Wilder 0.02 setup)।

- लेकिन user ऊपर selectbox से SAR को Fast/Slow mode में बदल सकता है, जहाँ आप `get_sar_adx_signal` दोबारा चला रहे हैं (`_sar_adx_fresh`).

- अब situation यह है कि:

- On-screen SAR+ADX strip नीचे `_sar_adx_fresh` (user-selected sensitivity) दिखा रहा है,

- लेकिन सबसे ऊपर “NO-TRADE-ZONE — ADX < 20” वाला banner पुरानी ADX-state (default setting) पर टिक गया है।

- सुधार:

- या तो Layer-0 banner भी `_sar_adx_fresh["adx_state"]` से निकाले (ताकि पूरा view same-सensitivity पर हो),

- या UI-text में साफ लिखें कि “ये banner fixed-default ADX पर है, ऊपर वाला SAR-strip आपके चुने हुए mode पर है” (अभी confusion से लगेगा कि दोनों same हैं पर values अलग दिख सकती हैं)।

---

६️⃣ `Status at-a-glance` चिप्स वाला सेक्शन practically dead-code

- समस्या: नीचे वाला ब्लॉक:

```python

if "retest" in dir() and retest.get("available"):

...

if "classification" in dir() and classification:

...

if "regime_info" in dir() and regime_info.get("available"):

...

if "vix_ctx" in dir() and vix_ctx.get("available"):

...

_res_conf_safe = res_conf if "res_conf" in dir() else None

_sup_conf_safe = sup_conf if "sup_conf" in dir() else None

```

- इस पूरे function में कहीं `retest`, `classification`, `regime_info` (इस exact नाम से), `vix_ctx`, `res_conf`, `sup_conf` define ही नहीं हैं।

- `if "name" in dir()` होने की वजह से run-time error तो नहीं आएगा, पर `_chips` हमेशा खाली रहेगा ⇒ पूरा `Status at-a-glance` section कभी दिखेगा ही नहीं।

- Comment में लिखा है कि ये variables pehle breakout-block के अंदर define होते थे; अब वो block restructure हो चुका है।

- सुधार:

- या तो breakout वाली नई-स्ट्रक्चर से `retest`, `classification`, `regime_info`, `vix_ctx`, `res_conf`, `sup_conf` को वापस बहाल करिए और सही नामों से pass करिए,

- या अगर ये “पुराने डिज़ाइन की feature” है, तो पूरा status-chips-block हटाकर code साफ कर दीजिए (अभी ये सिर्फ dead/commented feature जैसा है)।

---

७️⃣ Mean-Reversion score को Daily vs Weekly table में confusing तरह से दो बार दिखाना

- समस्या:

```python

("Mean Reversion Score",

f"{_mr_score}/100" if _mr_score is not None else "N/A",

f"{_mr_score}/100" if _mr_score is not None else "N/A",

"16-Aug: sirf-BEARISH OOS-validated ...", "momentum", False),

```

- एक ही `_mr_score` को Daily और Weekly दोनों column में copy कर दिया; जबकि actual computation backend में timeframe-agnostic है (ये “20-DMA touch probability / MR-signal” है, daily vs weekly का अलग version नहीं)।

- Table heading “Daily vs Weekly — ek jagah” user को ये impression दे सकता है कि MR-score daily+weekly दोनों se independently निकला है, जबकि सच में सिर्फ ek global score है।

- सुधार:

- Either Daily में “N/A” दिखाएँ और note में साफ लिखें “Mean-Reversion backend global है, time-frame-specific नहीं”,

- या दोनों columns में same value रखते हुए note explicitly बदलें:

- “Same score दोनों column में दिखाया गया है — ये separate daily/weekly model नहीं, ek hi BEARISH Mean-Reversion engine है।”

---

८️⃣ Exception हैंडलिंग बहुत wide, debugging में deficiency

- समस्या: लगभग हर heavy-block के आसपास bare `except Exception:` है, और कई जगह सिर्फ silently fallback हो जाता है (`{"available": False}` या `pass`).

- अगर किसी जगह coding-bug (जैसे ऊपर `_ds_df` वाला) हुआ, वो भी इन्हीं wide-except में swallowed रह सकता है और UI बस “available नहीं” दिखा देगा।

- सुधार:

- कम-से-कम internal logging जोड़ें (file/log-stream में), ताकि developer को असली traceback मिले।

- जहाँ genuinely data-related failure expected है (network/API), वहीं broad-except रखें; pure internal-calculation वाले हिस्सों में exception को दिखने दें या कम-से-कम Streamlit `st.error` से surface करें।

---

९️⃣ एक ही symbol के लिए बार–बार `cached_fetch_data` और resample — structural duplication

- समस्या (performance/structural):

- SAR/ADX, Risk-Sizing (ATR), Range-Forecast, S/R-matrix के लिए OI+DS, Volume-context, Demand/Supply sections – सब बार–बार `cached_fetch_data(result["resolved_symbol"])` बुला रहे हैं।

- cache होने के बावजूद हर बार अलग try/except, duplicate logic, और future-maintenance में drift का risk।

- सुधार:

- function की शुरुआत में एक centralized fetch-layer रखें:

```python

try:

_hist_df, _weekly_df, _meta = cached_fetch_data(symbol)

except Exception:

_hist_df = _weekly_df = None

```

- फिर हर section `_hist_df` reuse करे; जहाँ अलग resampling चाहिए, वहीँ helper functions use हों।

- Detect-demand/supply, volume-context, ATR, SAR, breakout-volume-context – सब को यही shared df मिले।

---