Refactor repository docstring, add DGT dependencies, and implement tests for DGT forecasting

- Updated the docstring in repository.py for clarity.
- Added new dependencies for DGT in pyproject.toml.
- Created a new test file for DGT forecasting with comprehensive tests covering market graph alignment, graph prior normalization, model predictions, and end-to-end run validation.

README.md

@@ -412,6 +412,30 @@ and skill versus a last-price baseline. A positive-looking headline metric does
 not prove useful predictive skill; compare the forecast with the reported naive
 baseline before relying on it.
 
+### Differential Graph Transformer forecasting
+
+The DGT command uses the same authenticated DSE candle service and the same
+prediction dashboard. Unlike TimesFM, it trains a small model for each run and
+can learn from a target stock plus related DSE securities. It saves a real vs.
+predicted holdout CSV, a future CSV, a chart, and a reusable PyTorch checkpoint.
+
+```bash
+pip install -e '.[dgt]'
+
+dohasecuritiesstockai-dgt-predict GP \
+  --resolution 1d \
+  --lookback 2y \
+  --peers DSEX,BRACBANK,SQURPHARMA \
+  --future-steps 12 \
+  --open-ui
+```
+
+The evaluation graph, scaler, and model use only data before the validation and
+holdout periods. The holdout forecast is recursive, so its real-price comparison
+has no future-price leakage. After scoring, a separate deployment model is refit
+on all available real bars for the future forecast; use `--no-refit` to disable
+that final step.
+
 ## Important limitations
 
 - LLM output is non-deterministic and can differ between otherwise identical

Y/2_research/manager.md

+**Recommendation**: Buy
+
+**Rationale**: প্রিয় ট্রেডার, এই বিতর্কটা সত্যিই দুটি শিবিরের মধ্যে তীক্ষ্ণ এবং উভয় পক্ষই শক্ত যুক্তি দিয়েছে — তাই আমি সতর্কভাবে দুই পক্ষের দিকে তাকিয়ে সিদ্ধান্তে পৌঁছেছি।
+
+বুলিশ শিবিরের যুক্তি সংখ্যার দিক থেকে খুবই শক্তিশালী এবং আমার কাছে সেটা বেশি গুরুত্বপূর্ণ: SQURPHARMA-র P/E মাত্র 7.73 — যা কোম্পানির ইতিহাসের সর্বনিম্ন অঞ্চলের কাছাকাছি, যেখানে 2019 সালে ছিল 14.68। EPS টানা ৭ বছর ধরে 16.03 থেকে 27.04-এ বেড়েছে (প্রায় 69% বৃদ্ধি), কিন্তু দাম সেই সময়ের চেয়েও নিচে। NAV/share 169.79, P/B 1.30, ROE 17%+, নগদ ৫২ বিলিয়ন টাকা এবং ঋণ মাত্র 0.82 বিলিয়ন — অর্থাৎ নিট নগদ প্রায় ৫১ বিলিয়ন। লভ্যাংশ 42% থেকে ক্রমাগত বেড়ে 120% হয়েছে, মানে 5.46% নগদ ফলন। আর সবচেয়ে গুরুত্বপূর্ণ — স্পনসর/পরিচালক হোল্ডিং 34.67% থেকে বেড়ে 44.15% হয়েছে। যারা কোম্পানির ভেতরের খবর সবচেয়ে ভালো জানেন, তারা ক্রমাগত নিজেদের অংশ বাড়াচ্ছেন — এটা একটি প্রকৃত আস্থার সংকেত।
+
+বেয়িশ শিবিরের যুক্তিও অবহেলা করার মতো নয় — বিশেষ করে Q3-এ YoY ভিত্তিতে EPS প্রায় -5.2% কমেছে, এবং প্রবৃদ্ধির গতি 14.5% থেকে 10%-এ নেমে এসেছে। MACD নেতিবাচক, RSI 50-এর নিচে (48.73), দাম বোলিঞ্জার মধ্যমার নিচে, এবং 7 বছর ধরে দাম 198-236-এর রেঞ্জে বন্দি — বেয়িশের "ভ্যালু ট্র্যাপ" উদ্বেগটির একটা বাস্তব ভিত্তি আছে। লিকুইডিটিও কম (ফ্রি ফ্লোট মাত্র ~27%)।
+
+কিন্তু আমি যখন সামগ্রিক ছবিটা দেখি, বুলিশ শিবিরের পক্ষে ভারের পার্থক্যটা বেশি। বেয়িশ যে "ক্যাটালিস্ট নেই" বলেছে — সেটা পুরোপুরি ঠিক নয়; Q4 ফলাফল, লভ্যাংশ ঘোষণা, এবং রপ্তানি সম্প্রসারণ — এগুলো বাস্তব সম্ভাব্য ট্রিগার। আর সবচেয়ে বড় কথা, 7.73 P/E-তে ঝুঁকি-রিটার্ন উপরের দিকে অনুকূল: নিচে 200-SMA 213.44 (প্রায় 3%) এবং 52-সপ্তাহের লো 198 (প্রায় 10%), যেখানে উপরে বোলিঞ্জার আপার 224.88, রেঞ্জ-হাই 236, এবং P/E 9-10-এ রিটার্ন হলে 240-280 পর্যন্ত সম্ভাবনা। Q3-এর দুর্বলতা ঋতুভিত্তিক প্যাটার্নের (প্রতি বছর Q3-Q4 দুর্বল) সঙ্গেও সামঞ্জস্যপূর্ণ।
+
+সুতরাং বেয়িশের টেকনিক্যাল সতর্কতাকে আমি সম্মান করি এবং দামের গতিবিধির প্রতি সতর্ক থাকব, কিন্তু ফান্ডামেন্টাল ও মূল্যায়নের দিক থেকে বুলিশ শিবির জয়ী। এটি "ভ্যালু ট্র্যাপ" নয় — এটি বাংলাদেশের সেরা ফার্মাসিউটিক্যাল ফ্র্যাঞ্চাইজকে গভীর ছাড়ে কেনার সুযোগ। আমার সিদ্ধান্ত: Buy — কিন্তু কিস্তিতে (staged), যাতে টেকনিক্যাল দুর্বলতা থাকা সত্ত্বেও এন্ট্রি পয়েন্টগুলো সামঞ্জস্যপূর্ণ হয়।
+
+**Strategic Actions**: SQURPHARMA-তে Buy রেটিং অনুযায়ী নিচের ধাপগুলো বাস্তবায়ন করুন:
+
+১. পজিশন সাইজিং: দীর্ঘমেয়াদি মূল পোর্টফোলিওর কোর-হোল্ডিং হিসেবে মাঝারি-বড় সাইজের পজিশন (যেমন সম্পূর্ণ প্ল্যানড পজিশনের ১০০%-এর লক্ষ্য) নিন, কিন্তু মাসিক-মেয়াদি জুড়ে তা ৩টি কিস্তিতে ভাগ করুন। "Buy" রেটিং অনুযায়ী ৭০-১০০%-এর মধ্যে সম্পূর্ণ পজিশন নেওয়ার ইচ্ছা রাখুন, তবে টেকনিক্যাল অস্থিরতা মাথায় রেখে প্রথম কিস্তি ৪০-৫০% দিয়ে শুরু করুন।
+
+২. কিস্তিভিত্তিক এন্ট্রি (Staged entry):
+   - প্রথম কিস্তি (৪০-৫০%): বর্তমান জোন 216-220 BDT-তে (200-SMA 213.44-এর উপরে থাকা অবস্থায়) নিন।
+   - দ্বিতীয় কিস্তি (৩০%): 213-216 BDT (200-SMA-এর কাছাকাছি) বা 221+ ভলিউমসহ ব্রেকআউট নিশ্চিত হলে যোগ করুন — যেটা আগে ঘটে।
+   - তৃতীয় কিস্তি (বাকি): দামে 224.88 (বোলিঞ্জার UB) ভাঙলে বা কনফার্মড ব্রেকআউটের পর সম্পূর্ণ করুন।
+
+৩. স্টপ-লস ও ঝুঁকি ব্যবস্থাপনা: যারা নতুন পজিশন নিচ্ছেন তাদের জন্য কঠোর স্টপ-লস 205 BDT-এর নিচে ক্লোজে রাখুন (P/E 6.8-এর কাছাকাছি — ঝুঁকি-রিটার্ন সুরক্ষিত)। যাদের আগে থেকে পজিশন আছে, তারা 213.44 (200-SMA) নিচে ক্লোজে স্টপ রাখুন। ঝুঁকিও ৩-১০% এর মধ্যে সীমাবদ্ধ রাখতে প্রতি বিনিয়োগে বরাদ্দ এমনভাবে করুন।
+
+৪. টার্গেট: স্বল্প-মেয়াদি টার্গেট 224-232 (বোলিঞ্জার UB ও রেঞ্জ-হাই); মাঝারি-মেয়াদি (৬-১২ মাস) 250-280 (P/E 9-10-এ); দীর্ঘমেয়াদি (২-৩ বছর) 300+ ধারাবাহিক EPS ও লভ্যাংশ প্রবৃদ্ধির ওপর ভিত্তি করে।
+
+৫. মনিটরিং ট্রিগার: Q4 FY26 ফলাফলে EPS >7.5 এলে ও MACD পজিটিভ ক্রস দিলে বুলিশ থিসিস শক্তিশালী হবে — পজিশন সম্পূর্ণ করার সুযোগও। বিপরীতে Q4-এ EPS <6.0 বা দাম 213.44-এর নিচে ক্লোজ করলে থিসিস দুর্বল হবে — তখন সম্পূর্ণ পজিশন গ্রহণ বন্ধ করুন ও স্টপ সম্মান করুন।
+
+৬. ভারসাম্য: এটি একটি ডিফেন্সিভ ব্লু-চিপ — তাই পোর্টফোলিওর ঝুঁকিপূর্ণ/গ্রোথ অংশের বিপরীতে এটিকে স্থিতিশীল অ্যাংকর পজিশন হিসেবে রাখুন।
\ No newline at end of file

Y/3_trading/trader.md

+**Action**: Buy
+
+**Reasoning**: SQURPHARMA-র ফান্ডামেন্টাল ও মূল্যায়ন উভয়ই বুলিশ শিবিরের পক্ষে ভারসাম্য ঝুঁকেছে। মাত্র 7.73 P/E (ইতিহাসের সর্বনিম্ন অঞ্চলের কাছাকাছি), ধারাবাহিক EPS বৃদ্ধি (৭ বছরে 16.03 থেকে 27.04), NAV/share 169.79, P/B 1.30, ROE 17%+, নিট নগদ ~৫১ বিলিয়ন টাকা এবং লভ্যাংশ 120% (5.46% নগদ ফলন) — এই সবই শক্তিশালী ফান্ডামেন্টাল। সর্বোপরি স্পনসর/পরিচালক হোল্ডিং 34.67% থেকে 44.15%-এ বৃদ্ধি ভেতরের আস্থার শক্তিশালী সংকেত। Q3-এর সাময়িক দুর্বলতা ঋতুভিত্তিক প্যাটার্নের সঙ্গে সামঞ্জস্যপূর্ণ এবং 'ভ্যালু ট্র্যাপ' নয়, বরং গভীর ছাড়ে কেনার সুযোগ। টেকনিক্যাল সতর্কতা থাকা সত্ত্বেও কিস্তিভিত্তিক (staged) এন্ট্রিতে ঝুঁকি-রিটার্ন উপরের দিকে অনুকূল।
+
+**Entry Price**: 216.0
+
+**Stop Loss**: 205.0
+
+**Position Sizing**: মাঝারি-বড় কোর-হোল্ডিং; ৩টি কিস্তিতে বিভক্ত, প্রথম কিস্তি ৪০-৫০%
+
+FINAL TRANSACTION PROPOSAL: **BUY**
\ No newline at end of file

Y/5_portfolio/decision.md

+**Rating**: Buy
+
+**Executive Summary**: SQURPHARMA-তে কিস্তিভিত্তিক (staged) BUY নেওয়ার সুপারিশ। ফান্ডামেন্টাল ও মূল্যায়ন অত্যন্ত আকর্ষণীয় (P/E 7.73, নিট নগদ ~৫১ বিলিয়ন, স্পনসর হোল্ডিং 44.15%), কিন্তু স্বল্পমেয়াদি টেকনিক্যাল দুর্বলতা (নেতিবাচক MACD, কম ভলিউম, প্রাইস কনফ্লুয়েন্স পয়েন্টে) থাকায় প্রথম কিস্তি সীমিত ২৫-৩০%-এ রাখা হবে। ধাপে ধাপে কনফার্মেশন সিগন্যালে পজিশন বাড়িয়ে মোট ৫০% পর্যন্ত যাওয়া। স্টপ-লস ২০৫ BDT, প্রাথমিক টার্গেট ২৩২-২৩৬, সময়-দিগন্ত ৬-১২ মাস।
+
+**Investment Thesis**: বুলিশ শিবিরের সংখ্যাগত যুক্তি জোরালো: P/E মাত্র 7.73 (ইতিহাসের নিম্ন অঞ্চল), EPS সাত বছরে 16.03 থেকে 27.04-তে ৬৯% বৃদ্ধি, NAV/share 169.79, P/B 1.30, ROE 17%+, নিট নগদ ~৫১ বিলিয়ন টাকা, এবং লভ্যাংশ 42% থেকে 120%-তে উত্থান। সবচেয়ে গুরুত্বপূর্ণ সংকেত হলো স্পনসর/পরিচালক হোল্ডিং এক বছরে 34.67% থেকে 44.15%-এ বেড়ে যাওয়া — যা ভেতরের খেলোয়াড়দের আস্থার শক্তিশালী প্রমাণ। বেয়ারিশ শিবিরের সতর্কতাও বৈধ: Q3-এ EPS YoY -5.2%, MACD নেতিবাচক, RSI 48.73, ভলিউম 140,479 (দুর্বল), এবং 7 বছর ধরে প্রাইস 198-236 রেঞ্জে বন্দি। তবে Q3-এর দুর্বলতা ঋতুভিত্তিক প্যাটার্নের সাথে সামঞ্জস্যপূর্ণ, ৯ মাসের EPS (23.29) আগের বছরের (21.15) চেয়ে বেশি। 2019-2024-এ lud প্রাইস 200-220-এ থাকলেও সেই সময় EPS 16-23 আর NAV 86-142-তে ছিল — এখন ফান্ডামেন্টাল দ্বিগুণ হলেও দাম একই আছে, এটি বাজারের গুরুতর অদক্ষতা যা বিনিয়োগ সুযোগ তৈরি করে। ভ্যালু-ট্র্যাপ উদ্বেগ সত্ত্বেও, 52 বিলিয়ন নগদ আর নগণ্য ঋণের (0.82 বিলিয়ন) কারণে downside সীমিত। ঝুঁকি-রিটার্ন অসমমিত: নিচে 205-এ স্টপ (জন­রিস্ক ~5-6%), উপরে 232-236 পর্যন্ত প্রথম টার্গেট অবিবেচনা থেকে ~14% আপসাইড, এবং P/E 9-10-এ রিরেট হলে 250-280 সম্ভাবনা। তবে টেকনিক্যাল মোমেন্টাম দুর্বল ও কনফ্লুয়েন্স পয়েন্ট (50-SMA 219.69, 10-EMA 219.86) না ভাঙা পর্যন্ত পুরো পজিশন নেওয়া ঝুঁকিপূর্ণ — তাই প্রথম কিস্তি ২৫-৩০%-এ সীমিত রেখে কনফার্মেশন সিগন্যালে ধাপে ধাপে পজিশন বাড়ানোই সর্বোত্তম ভারসাম্য।
+
+**Price Target**: 236.0
+
+**Time Horizon**: ৬-১২ মাস
\ No newline at end of file

analysis-ui/src/app/timesfm-prediction.component.html

 <main class="prediction-page">
   <header class="prediction-toolbar">
-    <a class="brand" href="/?view=timesfm" aria-label="TimesFM forecast home">
+    <a class="brand" href="/?view=timesfm" aria-label="Forecast home">
       <span class="brand-mark">T</span>
       <span>TRADINGAGENTS <strong>FORECAST LAB</strong></span>
     </a>
@@ -13,7 +13,7 @@
   @if (loading()) {
     <section class="loading-state" aria-live="polite">
       <span class="loader"></span>
-      <h1>Loading TimesFM prediction</h1>
+      <h1>Loading market prediction</h1>
       <p>Reading the saved backtest and chart series…</p>
     </section>
   }
@@ -23,14 +23,14 @@
       <span class="eyebrow">NO PREDICTION RUN</span>
       <h1>Generate the forecast first.</h1>
       <p>{{ errorMessage() }}</p>
-      <code>tradingagents-predict "BXPHARMA'PB" --resolution 1d --open-ui</code>
+      <code>dohasecuritiesstockai-dgt-predict GP --resolution 1d --open-ui</code>
     </section>
   }
 
   @if (result(); as report) {
     <section class="hero">
       <div>
-        <p class="eyebrow">TIMESFM {{ report.model.version }} · ZERO-SHOT PRICE FORECAST</p>
+        <p class="eyebrow">{{ report.model.name | uppercase }} {{ report.model.version }} · PRICE FORECAST</p>
         <div class="symbol-line">
           <h1>{{ report.symbol }}</h1>
           <span>{{ report.data.resolution_label }}</span>
@@ -44,7 +44,7 @@
       <article class="accuracy-card">
         <span>Holdout accuracy</span>
         <strong>{{ report.metrics.accuracy_score | number: '1.1-2' }}<small>%</small></strong>
-        <p>100 − sMAPE across the full hidden half</p>
+        <p>100 − sMAPE across the full hidden holdout</p>
       </article>
     </section>
 
@@ -80,7 +80,7 @@
       <header>
         <div>
           <p class="eyebrow">HISTORICAL BACKTEST + FORWARD PATH</p>
-          <h2>Actual candles against TimesFM</h2>
+          <h2>Actual candles against {{ report.model.name }}</h2>
         </div>
         <div class="legend" aria-label="Chart legend">
           <span><i class="candle"></i>Actual OHLC</span>
@@ -89,7 +89,7 @@
           <span><i class="live"></i>Live actual</span>
         </div>
       </header>
-      <div #predictionChart class="prediction-chart" role="img" aria-label="DSE actual and TimesFM forecast chart"></div>
+      <div #predictionChart class="prediction-chart" role="img" [attr.aria-label]="'DSE actual and ' + report.model.name + ' forecast chart'"></div>
       <footer>
         <span>Context</span>
         <strong>{{ report.data.first_timestamp | date: 'mediumDate' }} → {{ report.history[report.data.context_points - 1].time | date: 'mediumDate' }}</strong>

analysis-ui/src/app/timesfm-prediction.component.ts

@@ -70,7 +70,7 @@ export class TimesFmPredictionComponent
   ) {}
 
   ngOnInit(): void {
-    this.titleService.setTitle('TimesFM Stock Forecast');
+    this.titleService.setTitle('DSE Stock Forecast');
     const query = new URLSearchParams(window.location.search);
     const runId = query.get('run')?.trim();
     const symbol = query.get('symbol')?.trim().toUpperCase();
@@ -82,6 +82,7 @@ export class TimesFmPredictionComponent
       request.subscribe({
         next: (result) => {
           this.result.set(result);
+          this.titleService.setTitle(`${result.model.name} · ${result.symbol}`);
           this.loading.set(false);
           this.errorMessage.set('');
           setTimeout(() => this.renderChart());
@@ -90,7 +91,7 @@ export class TimesFmPredictionComponent
         error: () => {
           this.loading.set(false);
           this.errorMessage.set(
-            'Prediction data is not available. Run tradingagents-predict first.',
+            'Prediction data is not available. Run a forecasting command first.',
           );
           this.liveStatus.set('offline');
         },

dohasecuritiesstockai/api/app.py

@@ -114,7 +114,7 @@ def create_app() -> FastAPI:
         if result is None:
             raise HTTPException(
                 status_code=404,
-                detail="No TimesFM prediction run matches this request.",
+                detail="No prediction run matches this request.",
             )
         return result
 

dohasecuritiesstockai/dashboard.py

@@ -116,7 +116,7 @@ def dashboard_url(host: str, port: int, symbol: str, analysis_date: date | str)
 
 
 def prediction_dashboard_url(host: str, port: int, run_id: str) -> str:
-    """Return the standalone Angular URL for one TimesFM prediction run."""
+    """Return the standalone Angular URL for one prediction run."""
 
     browser_host = "127.0.0.1" if host in {"0.0.0.0", "::"} else host
     query = urlencode({"view": "timesfm", "run": run_id})
@@ -188,7 +188,7 @@ def launch_prediction_dashboard(
     host: str | None = None,
     port: int | None = None,
 ) -> str:
-    """Build, serve, and open the standalone TimesFM Angular result screen."""
+    """Build, serve, and open the standalone forecast result screen."""
 
     resolved_host = host or os.environ.get("TRADINGAGENTS_API_HOST", "127.0.0.1")
     resolved_port = port or int(os.environ.get("TRADINGAGENTS_API_PORT", "8000"))

dohasecuritiesstockai/dgt_forecasting/__init__.py

+"""Differential Graph Transformer forecasting for Doha Securities DSE data."""
+
+from .core import (
+    DGTConfig,
+    DifferentialGraphTransformer,
+    ForecastRun,
+    MarketGraphData,
+    TrainingSummary,
+    build_graph_prior,
+    load_dse_market_graph,
+    run_dgt_prediction,
+    save_forecast_run,
+)
+
+__all__ = [
+    "DGTConfig",
+    "DifferentialGraphTransformer",
+    "ForecastRun",
+    "MarketGraphData",
+    "TrainingSummary",
+    "build_graph_prior",
+    "load_dse_market_graph",
+    "run_dgt_prediction",
+    "save_forecast_run",
+]

dohasecuritiesstockai/dgt_forecasting/__main__.py

+"""Run DGT forecasting with ``python -m dohasecuritiesstockai.dgt_forecasting``."""
+
+from .cli import main
+
+if __name__ == "__main__":
+    raise SystemExit(main())

dohasecuritiesstockai/dgt_forecasting/cli.py

+"""Dedicated command-line entry point for DGT forecasts."""
+
+from .core import main
+
+__all__ = ["main"]
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

dohasecuritiesstockai/timesfm_forecasting/repository.py

-"""Filesystem persistence for chart-ready TimesFM prediction runs."""
+"""Filesystem persistence for chart-ready prediction runs."""
 
 from __future__ import annotations
 

pyproject.toml

@@ -51,6 +51,10 @@ timesfm = [
     "einshape>=1.0.0",
     "utilsforecast>=0.1.10",
 ]
+dgt = [
+    "torch>=2.2.0",
+    "matplotlib>=3.8.0",
+]
 
 [project.scripts]
 # Product commands plus legacy executable aliases for existing scripts.
@@ -61,6 +65,7 @@ dohasecuritiesstockai-api = "dohasecuritiesstockai.api.__main__:main"
 tradingagents-api = "dohasecuritiesstockai.api.__main__:main"
 dohasecuritiesstockai-predict = "dohasecuritiesstockai.timesfm_forecasting.cli:main"
 tradingagents-predict = "dohasecuritiesstockai.timesfm_forecasting.cli:main"
+dohasecuritiesstockai-dgt-predict = "dohasecuritiesstockai.dgt_forecasting.cli:main"
 
 [tool.setuptools.packages.find]
 include = ["dohasecuritiesstockai*", "cli*"]

tests/test_dgt_forecasting.py

+from __future__ import annotations
+
+from datetime import datetime, timedelta, timezone
+
+import numpy as np
+import torch
+
+import dohasecuritiesstockai.dgt_forecasting as dgt
+from dohasecuritiesstockai.timesfm_forecasting.market_data import (
+    MarketCandle,
+    normalize_resolution,
+)
+
+
+def _candles(values: list[float], *, start_day: int = 0) -> list[MarketCandle]:
+    start = datetime(2025, 1, 1, tzinfo=timezone.utc)
+    return [
+        MarketCandle(
+            time=start + timedelta(days=start_day + index),
+            open=value - 0.5,
+            high=value + 1,
+            low=value - 1,
+            close=value,
+            volume=1000 + index,
+        )
+        for index, value in enumerate(values)
+    ]
+
+
+def test_market_graph_alignment_forward_fills_without_back_filling():
+    payloads = {
+        "GP": _candles([10, 11, 12, 13, 14]),
+        "DSEX": _candles([100, 102, 104], start_day=2),
+    }
+
+    def fake_fetcher(symbol, resolution, **kwargs):
+        del kwargs
+        return normalize_resolution(resolution), payloads[symbol]
+
+    graph = dgt.load_dse_market_graph(
+        "GP",
+        ("DSEX",),
+        "1d",
+        fetcher=fake_fetcher,
+    )
+
+    # The first two target dates are dropped, not back-filled from DSEX day 3.
+    assert [candle.close for candle in graph.target_candles] == [12, 13, 14]
+    np.testing.assert_array_equal(graph.closes[:, 1], [100, 102, 104])
+
+
+def test_graph_prior_uses_top_correlations_and_is_row_normalized():
+    prices = np.array(
+        [
+            [10, 20, 30],
+            [11, 22, 29],
+            [12, 24, 31],
+            [13, 26, 28],
+            [14, 28, 32],
+        ],
+        dtype=np.float32,
+    )
+
+    prior = dgt.build_graph_prior(prices, top_k=2)
+
+    assert prior.shape == (3, 3)
+    assert np.all(prior >= 0)
+    np.testing.assert_allclose(prior.sum(axis=1), 1.0, atol=1e-6)
+    assert np.all(np.diag(prior) > 0)
+
+
+def test_dgt_forward_returns_one_prediction_per_graph_node():
+    model = dgt.DifferentialGraphTransformer(
+        node_count=3,
+        window=8,
+        hidden_size=8,
+        num_heads=1,
+        num_layers=1,
+        dropout=0,
+    )
+    features = torch.randn(4, 3, 8, 1)
+    prior = torch.eye(3)
+
+    prediction = model(features, prior)
+
+    assert prediction.shape == (4, 3)
+    assert torch.isfinite(prediction).all()
+
+
+def test_end_to_end_run_builds_real_comparison_and_future_forecast(tmp_path):
+    point_count = 55
+    step = np.arange(point_count, dtype=np.float32)
+    target = 100 + 0.2 * step + np.sin(step / 5)
+    benchmark = 6000 + 2 * step + 10 * np.sin(step / 6)
+    market = dgt.MarketGraphData(
+        symbol="GP",
+        symbols=("GP", "DSEX"),
+        resolution=normalize_resolution("1d"),
+        target_candles=tuple(_candles(target.tolist())),
+        closes=np.column_stack((target, benchmark)).astype(np.float32),
+    )
+    config = dgt.DGTConfig(
+        window=6,
+        split_ratio=0.8,
+        validation_ratio=0.2,
+        future_steps=3,
+        epochs=1,
+        patience=1,
+        batch_size=16,
+        hidden_size=8,
+        num_heads=1,
+        num_layers=1,
+        dropout=0,
+    )
+
+    run = dgt.run_dgt_prediction(
+        "GP", config=config, device="cpu", market_data=market, progress=None
+    )
+
+    assert len(run.result.history) == point_count
+    assert len(run.result.backtest) == 11
+    assert len(run.result.future) == 3
+    assert run.result.backtest[0].actual == market.target_candles[44].close
+    assert run.result.model.name == "Differential Graph Transformer"
+    assert run.summary.graph_symbols == ("GP", "DSEX")
+    assert run.summary.future_refit_epochs == 1
+
+    paths = dgt.save_forecast_run(run, tmp_path, make_plot=False)
+    assert set(paths) == {"json", "checkpoint", "comparison", "future"}
+    assert all(path.is_file() for path in paths.values())
+    checkpoint = torch.load(paths["checkpoint"], map_location="cpu", weights_only=True)
+    assert checkpoint["run_id"] == run.result.run_id
+    assert checkpoint["model_config"]["symbols"] == ["GP", "DSEX"]