diff --git a/hemmah_pro_ivs_2025.py b/hemmah_pro_ivs_2025.py
new file mode 100644
index 00000000000..2f14fc0dc60
--- /dev/null
+++ b/hemmah_pro_ivs_2025.py
@@ -0,0 +1,869 @@
+"""
+🏗️ HEMMAH PRO - IVS 2025 COMPLIANT VALUATION SYSTEM
+نظام همة الاحترافي للتقييم العقاري - متوافق مع المعايير الدولية
+"""
+
+import os
+import sys
+import warnings
+from datetime import datetime, date
+from typing import Dict, List, Tuple, Optional
+
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
+from sklearn.model_selection import train_test_split, cross_val_score
+from sklearn.metrics import mean_absolute_error, r2_score, mean_absolute_percentage_error
+import shap
+import xgboost as xgb
+import ipywidgets as widgets
+from IPython.display import display, clear_output
+from fpdf import FPDF
+import arabic_reshaper
+from bidi.algorithm import get_display
+
+warnings.filterwarnings("ignore")
+
+# التثبيت الصامت للمكتبات
+if "google.colab" in sys.modules:
+    print("🔧 جاري تثبيت المكتبات المطلوبة...")
+    os.system("pip install -q fpdf arabic-reshaper python-bidi shap xgboost")
+
+    # تحميل الخطوط العربية
+    if not os.path.exists("Amiri-Regular.ttf"):
+        os.system(
+            "wget -q https://github.com/google/fonts/raw/main/ofl/amiri/Amiri-Regular.ttf"
+        )
+        os.system(
+            "wget -q https://github.com/google/fonts/raw/main/ofl/amiri/Amiri-Bold.ttf"
+        )
+    print("✅ تم التثبيت")
+
+
+# إعدادات العرض
+plt.rcParams["figure.figsize"] = (12, 6)
+plt.rcParams["font.size"] = 10
+
+
+IVS_2025_FRAMEWORK = {
+    "ivs_101_scope": {
+        "valuation_purpose": "Mortgage Financing / تقييم للرهن العقاري",
+        "client_type": "Banking Sector",
+        "property_type": "Residential & Commercial Land",
+        "basis_of_value": "Market Value (IVS Definition)",
+        "valuation_date": str(date.today()),
+        "report_date": str(date.today()),
+        "valuer_name": "مشبب القحطاني",
+        "valuer_license": "[رقم الترخيص]",
+        "inspection_date": "[تاريخ المعاينة]",
+    },
+    "ivs_102_bases": {
+        "market_value_def": "The estimated amount for which an asset should exchange...",
+        "assumptions": [
+            "البيع في السوق المفتوحة",
+            "الطرفان على دراية تامة",
+            "لا إكراه أو تسرع في البيع",
+        ],
+    },
+    "ivs_103_approaches": {
+        "primary": "Market Approach (Comparable Sales)",
+        "secondary": "Income Approach (for rental properties)",
+        "tertiary": "Cost Approach (for special properties)",
+    },
+    "compliance_statement": "This valuation is prepared in accordance with IVS 2025",
+}
+
+
+class HemmahDataEngine:
+    """
+    محرك بيانات احترافي يعالج بيانات وزارة العدل وأقار
+    """
+
+    def __init__(self) -> None:
+        self.raw_data: Optional[pd.DataFrame] = None
+        self.processed_data: Optional[pd.DataFrame] = None
+        self.quality_metrics: Dict = {}
+        self.feature_columns: List[str] = []
+
+    def load_data(self, file_path: str) -> "HemmahDataEngine":
+        """تحميل البيانات من CSV/Excel"""
+        print(f"📂 جاري تحميل: {file_path}")
+
+        try:
+            if file_path.endswith(".csv"):
+                # محاولة عدة ترميزات
+                for encoding in ["utf-8", "utf-8-sig", "cp1256", "iso-8859-1"]:
+                    try:
+                        self.raw_data = pd.read_csv(file_path, encoding=encoding)
+                        break
+                    except Exception:
+                        continue
+            else:
+                self.raw_data = pd.read_excel(file_path)
+
+            if self.raw_data is None:
+                raise ValueError("لا يمكن قراءة الملف بالترميزات المتاحة.")
+
+            print(f"✅ تم التحميل: {len(self.raw_data):,} سجل")
+            return self
+
+        except Exception as exc:
+            print(f"❌ خطأ في التحميل: {exc}")
+            raise
+
+    def ivs_quality_check(self) -> Dict:
+        """
+        فحص جودة البيانات حسب IVS 104
+        """
+        if self.raw_data is None:
+            raise ValueError("لا توجد بيانات محملة")
+
+        df = self.raw_data.copy()
+        metrics = {
+            "total_records": len(df),
+            "timestamp": datetime.now().isoformat(),
+            "checks": {},
+        }
+
+        # 1. اكتمال البيانات
+        completeness = {}
+        for col in df.columns:
+            null_pct = (df[col].isnull().sum() / len(df)) * 100
+            completeness[col] = round(100 - null_pct, 2)
+        metrics["checks"]["completeness"] = completeness
+
+        # 2. التفرد (إزالة التكرارات)
+        duplicates = df.duplicated().sum()
+        metrics["checks"]["uniqueness"] = {
+            "duplicate_count": int(duplicates),
+            "unique_percentage": round(((len(df) - duplicates) / len(df)) * 100, 2),
+        }
+
+        # 3. القيم الشاذة (Outliers)
+        numeric_cols = df.select_dtypes(include=[np.number]).columns
+        outlier_report = {}
+
+        for col in numeric_cols:
+            if any(keyword in col.lower() for keyword in ["price", "سعر", "value", "قيمة"]):
+                q1 = df[col].quantile(0.25)
+                q3 = df[col].quantile(0.75)
+                iqr = q3 - q1
+                lower = q1 - 1.5 * iqr
+                upper = q3 + 1.5 * iqr
+                outliers = df[(df[col] < lower) | (df[col] > upper)]
+                outlier_report[col] = {
+                    "count": len(outliers),
+                    "percentage": round(len(outliers) / len(df) * 100, 2),
+                    "bounds": {"lower": lower, "upper": upper},
+                }
+
+        metrics["checks"]["outliers"] = outlier_report
+
+        # 4. حداثة البيانات
+        date_cols = [
+            c
+            for c in df.columns
+            if any(x in c.lower() for x in ["date", "تاريخ", "sale", "بيع"])
+        ]
+        if date_cols:
+            try:
+                latest = pd.to_datetime(df[date_cols[0]], errors="coerce").max()
+                metrics["checks"]["timeliness"] = {
+                    "latest_record": str(latest.date()) if pd.notna(latest) else "Unknown",
+                    "data_age_days": (datetime.now() - latest).days
+                    if pd.notna(latest)
+                    else None,
+                }
+            except Exception:
+                metrics["checks"]["timeliness"] = "Unable to parse dates"
+
+        self.quality_metrics = metrics
+        return metrics
+
+    def clean_and_engineer(self) -> "HemmahDataEngine":
+        """
+        تنظيف البيانات وهندسة المتغيرات
+        """
+        if self.raw_data is None:
+            raise ValueError("لا توجد بيانات محملة")
+
+        df = self.raw_data.copy()
+        initial_count = len(df)
+
+        # تنظيف الأسعار
+        price_cols = [
+            c
+            for c in df.columns
+            if any(x in c.lower() for x in ["price", "سعر", "value", "قيمة"])
+        ]
+        for col in price_cols:
+            df[col] = df[col].astype(str).str.replace(",", "").str.replace('"', "").str.strip()
+            df[col] = pd.to_numeric(df[col], errors="coerce")
+
+        # تنظيف المساحات
+        area_cols = [
+            c
+            for c in df.columns
+            if any(x in c.lower() for x in ["area", "مساحة", "size", "المساحة"])
+        ]
+        for col in area_cols:
+            df[col] = df[col].astype(str).str.replace(",", "").str.replace('"', "").str.strip()
+            df[col] = pd.to_numeric(df[col], errors="coerce")
+
+        # إزالة القيم غير المنطقية
+        for col in price_cols + area_cols:
+            if col in df.columns:
+                df = df[df[col] > 0]
+
+        # حساب سعر المتر
+        if price_cols and area_cols:
+            df["price_per_sqm"] = df[price_cols[0]] / df[area_cols[0]]
+            # إزالة الشواذ الشديدة
+            df = df[df["price_per_sqm"] < df["price_per_sqm"].quantile(0.995)]
+            df = df[df["price_per_sqm"] > df["price_per_sqm"].quantile(0.005)]
+
+        # هندسة المتغيرات الجغرافية
+        location_cols = [
+            c
+            for c in df.columns
+            if any(x in c.lower() for x in ["district", "حي", "city", "مدينة", "region", "منطقة"])
+        ]
+        if "price_per_sqm" in df.columns:
+            for col in location_cols[:2]:
+                # حساب متوسط السعر للحي (Target Encoding)
+                district_avg = df.groupby(col)["price_per_sqm"].transform("mean")
+                df[f"{col}_avg_price"] = district_avg
+
+                # ترتيب الحي (percentile)
+                df[f"{col}_tier"] = pd.qcut(
+                    df[col].map(df.groupby(col)["price_per_sqm"].mean()),
+                    q=5,
+                    labels=["E", "D", "C", "B", "A"],
+                )
+
+        # متغيرات إضافية
+        if area_cols:
+            main_area = area_cols[0]
+            df["area_category"] = pd.cut(
+                df[main_area],
+                bins=[0, 300, 600, 1000, 2000, float("inf")],
+                labels=["Small", "Medium", "Large", "XLarge", "Estate"],
+            )
+
+        self.processed_data = df
+        final_count = len(df)
+
+        print(f"✅ تم التنظيف: {initial_count:,} → {final_count:,} سجل صالح")
+        print(f"📊 المتغيرات الم engineered: {len(df.columns)}")
+
+        return self
+
+    def get_modeling_data(self) -> Tuple[pd.DataFrame, List[str], str]:
+        """
+        إعداد البيانات للنمذجة
+        """
+        if self.processed_data is None:
+            raise ValueError("لا توجد بيانات معالجة")
+
+        df = self.processed_data.copy()
+
+        # تحديد الهدف
+        target = "price_per_sqm" if "price_per_sqm" in df.columns else None
+        if target is None:
+            raise ValueError("لا يوجد عمود للسعر")
+
+        # تحديد المتغيرات المستقلة
+        exclude = ["price", "سعر", "value", "قيمة", "price_per_sqm", "date", "تاريخ"]
+        features = [c for c in df.columns if not any(x in c.lower() for x in exclude)]
+        features = [
+            c for c in features if df[c].dtype in ["int64", "float64", "int32", "float32"]
+        ]
+
+        # إزالة القيم الناقصة
+        model_df = df[features + [target]].dropna()
+
+        return model_df, features, target
+
+
+class HemmahMLEngine:
+    """
+    محرك تعلم آلة متقدم للتقييم العقاري
+    """
+
+    def __init__(self) -> None:
+        self.models: Dict[str, object] = {}
+        self.best_model_name: Optional[str] = None
+        self.best_model: Optional[object] = None
+        self.feature_importance: Optional[pd.DataFrame] = None
+        self.shap_explainer: Optional[object] = None
+        self.metrics: Dict = {}
+        self.training_data: Optional[pd.DataFrame] = None
+
+    def train_multiple_models(
+        self, df: pd.DataFrame, features: List[str], target: str
+    ) -> Dict:
+        """
+        تدريب عدة نماذج واختيار الأفضل
+        """
+        print("🤖 جاري تدريب النماذج...")
+
+        x_train, x_test, y_train, y_test = train_test_split(
+            df[features], df[target], test_size=0.2, random_state=42
+        )
+        self.training_data = x_train
+
+        models_config = {
+            "Random Forest": RandomForestRegressor(
+                n_estimators=200, max_depth=20, random_state=42, n_jobs=-1
+            ),
+            "XGBoost": xgb.XGBRegressor(
+                n_estimators=200, max_depth=6, learning_rate=0.1, random_state=42
+            ),
+            "Gradient Boosting": GradientBoostingRegressor(
+                n_estimators=200, max_depth=5, random_state=42
+            ),
+        }
+
+        results = {}
+
+        for name, model in models_config.items():
+            print(f"  ⚙️ تدريب {name}...")
+
+            # Cross-validation
+            cv_scores = cross_val_score(model, x_train, y_train, cv=5, scoring="r2", n_jobs=-1)
+
+            # Training
+            model.fit(x_train, y_train)
+            y_pred = model.predict(x_test)
+
+            # Metrics
+            results[name] = {
+                "cv_r2_mean": cv_scores.mean(),
+                "cv_r2_std": cv_scores.std(),
+                "test_r2": r2_score(y_test, y_pred),
+                "test_mae": mean_absolute_error(y_test, y_pred),
+                "test_mape": mean_absolute_percentage_error(y_test, y_pred) * 100,
+                "model": model,
+            }
+
+        # اختيار الأفضل
+        self.best_model_name = max(results, key=lambda x: results[x]["test_r2"])
+        self.best_model = results[self.best_model_name]["model"]
+        self.metrics = results[self.best_model_name]
+
+        # Feature Importance
+        if hasattr(self.best_model, "feature_importances_"):
+            self.feature_importance = pd.DataFrame(
+                {"feature": features, "importance": self.best_model.feature_importances_}
+            ).sort_values("importance", ascending=False)
+
+        # SHAP Setup
+        try:
+            self.shap_explainer = shap.TreeExplainer(self.best_model)
+            print("✅ تم إعداد SHAP للتفسير")
+        except Exception as exc:
+            print(f"⚠️ لا يمكن إعداد SHAP: {exc}")
+
+        # طباعة النتائج
+        print("\n" + "=" * 60)
+        print("📊 نتائج مقارنة النماذج (IVS 105)")
+        print("=" * 60)
+        for name, res in results.items():
+            marker = "★" if name == self.best_model_name else " "
+            print(f"{marker} {name:20} | R²: {res['test_r2']:.3f} | MAPE: {res['test_mape']:.1f}%")
+        print("=" * 60)
+
+        return results
+
+    def predict(self, input_data: pd.DataFrame) -> Dict:
+        """
+        التنبؤ مع تفسير كامل
+        """
+        if self.best_model is None:
+            raise ValueError("لا يوجد نموذج مدرب")
+
+        prediction = self.best_model.predict(input_data)[0]
+
+        result = {
+            "predicted_price_per_sqm": prediction,
+            "confidence_interval": {"lower": prediction * 0.85, "upper": prediction * 1.15},
+            "model_used": self.best_model_name,
+            "r2_score": self.metrics.get("test_r2", 0),
+        }
+
+        # SHAP Explanation
+        if self.shap_explainer is not None:
+            shap_values = self.shap_explainer.shap_values(input_data)
+            result["shap_values"] = shap_values
+            result["feature_contributions"] = self._explain_features(input_data, shap_values)
+
+        return result
+
+    def _explain_features(self, x_data: pd.DataFrame, shap_values: np.ndarray) -> List[Dict]:
+        """
+        تفسير مساهمة كل متغير
+        """
+        contributions = []
+        for i, col in enumerate(x_data.columns):
+            value = x_data[col].iloc[0]
+            if isinstance(shap_values, list):
+                impact = shap_values[0][0][i]
+            else:
+                impact = shap_values[0][i] if len(shap_values.shape) > 1 else shap_values[i]
+            contributions.append(
+                {"feature": col, "value": value, "impact": impact, "direction": "↑" if impact > 0 else "↓"}
+            )
+
+        return sorted(contributions, key=lambda x: abs(x["impact"]), reverse=True)
+
+    def sensitivity_analysis(
+        self,
+        base_input: pd.DataFrame,
+        feature: str,
+        variations: List[float] = None,
+    ) -> pd.DataFrame:
+        """
+        تحليل الحساسية (IVS 105)
+        """
+        if variations is None:
+            variations = [-0.2, -0.1, 0, 0.1, 0.2]
+
+        base_pred = self.best_model.predict(base_input)[0]
+        results = []
+
+        for var in variations:
+            modified = base_input.copy()
+            modified[feature] = modified[feature] * (1 + var)
+            new_pred = self.best_model.predict(modified)[0]
+
+            results.append(
+                {
+                    "variation": f"{var:+.0%}",
+                    "predicted_value": new_pred,
+                    "change_from_base": ((new_pred - base_pred) / base_pred) * 100,
+                    "absolute_change": new_pred - base_pred,
+                }
+            )
+
+        return pd.DataFrame(results)
+
+
+class HemmahDashboard:
+    """
+    لوحة تحكم تفاعلية احترافية
+    """
+
+    def __init__(self, data_engine: HemmahDataEngine, ml_engine: HemmahMLEngine) -> None:
+        self.data_engine = data_engine
+        self.ml_engine = ml_engine
+        self.current_prediction: Optional[Dict] = None
+
+    def create_interface(self) -> None:
+        """
+        إنشاء الواجهة الكاملة
+        """
+        # العنوان
+        header = widgets.HTML(
+            """
+        <div style="background: linear-gradient(90deg, #1e3c72, #2a5298); padding: 20px; border-radius: 10px; color: white; text-align: center;">
+            <h1>🏗️ نظام همة للتقييم العقاري</h1>
+            <h3>Hemmah Pro Valuation System - IVS 2025 Compliant</h3>
+            <p>متوافق مع المعايير الدولية للتقييم | يستخدم بيانات وزارة العدل</p>
+        </div>
+        """
+        )
+
+        # تبويبات
+        tab_data = widgets.Output()
+        tab_model = widgets.Output()
+        tab_valuation = widgets.Output()
+        tab_report = widgets.Output()
+
+        tabs = widgets.Tab(children=[tab_data, tab_model, tab_valuation, tab_report])
+        tabs.set_title(0, "📊 البيانات")
+        tabs.set_title(1, "🤖 النموذج")
+        tabs.set_title(2, "💰 التقييم")
+        tabs.set_title(3, "📄 التقرير")
+
+        # محتوى التبويبات
+        with tab_data:
+            self._render_data_tab()
+
+        with tab_model:
+            self._render_model_tab()
+
+        with tab_valuation:
+            self._render_valuation_tab()
+
+        with tab_report:
+            self._render_report_tab()
+
+        display(widgets.VBox([header, tabs]))
+
+    def _render_data_tab(self) -> None:
+        """تبويب البيانات"""
+        if self.data_engine.processed_data is not None:
+            df = self.data_engine.processed_data
+
+            print("📈 إحصائيات السوق")
+            print("-" * 50)
+
+            if "price_per_sqm" in df.columns:
+                stats = df["price_per_sqm"].describe()
+                print(f"متوسط السعر للمتر: {stats['mean']:,.0f} ريال")
+                print(f"الوسيط: {stats['50%']:,.0f} ريال")
+                print(f"عدد الصفقات: {len(df):,}")
+
+            # رسم بياني
+            fig, ax = plt.subplots(1, 2, figsize=(14, 5))
+
+            if "price_per_sqm" in df.columns:
+                ax[0].hist(
+                    df["price_per_sqm"], bins=50, color="skyblue", edgecolor="black", alpha=0.7
+                )
+                ax[0].set_title("توزيع أسعار المتر المربع")
+                ax[0].set_xlabel("سعر المتر (ريال)")
+                ax[0].set_ylabel("التكرار")
+
+            if self.ml_engine.feature_importance is not None and len(
+                self.ml_engine.feature_importance
+            ):
+                top_features = self.ml_engine.feature_importance.head(10)
+                ax[1].barh(top_features["feature"], top_features["importance"], color="coral")
+                ax[1].set_title("أهم المتغيرات المؤثرة")
+                ax[1].set_xlabel("الأهمية")
+
+            plt.tight_layout()
+            plt.show()
+
+            # جودة البيانات
+            if self.data_engine.quality_metrics:
+                print("\n✅ تقرير جودة البيانات (IVS 104)")
+                print(
+                    "نسبة التفرد: "
+                    f"{self.data_engine.quality_metrics['checks']['uniqueness']['unique_percentage']}%"
+                )
+        else:
+            print("⚠️ لم يتم تحميل البيانات بعد")
+
+    def _render_model_tab(self) -> None:
+        """تبويب النموذج"""
+        if self.ml_engine.best_model is not None:
+            print("🤖 أداء النموذج")
+            print("-" * 50)
+            print(f"النموذج المختار: {self.ml_engine.best_model_name}")
+            print(f"دقة التنبؤ (R²): {self.ml_engine.metrics['test_r2']:.3f}")
+            print(f"متوسط الخطأ (MAPE): {self.ml_engine.metrics['test_mape']:.1f}%")
+            print(f"الخطأ المطلق (MAE): {self.ml_engine.metrics['test_mae']:,.0f} ريال/م²")
+
+            if self.ml_engine.feature_importance is not None:
+                print("\n📊 أهم 10 متغيرات:")
+                print(self.ml_engine.feature_importance.head(10).to_string(index=False))
+        else:
+            print("⚠️ لم يتم تدريب النموذج بعد")
+
+    def _render_valuation_tab(self) -> None:
+        """تبويب التقييم"""
+        if self.ml_engine.best_model is None:
+            print("⚠️ يجب تدريب النموذج أولاً")
+            return
+
+        if self.data_engine.processed_data is None:
+            print("⚠️ يجب تحميل البيانات ومعالجتها أولاً")
+            return
+
+        # حقول الإدخال
+        self.input_widgets = {}
+
+        # استخراج الأعمدة الرقمية
+        numeric_cols = self.data_engine.processed_data.select_dtypes(include=[np.number]).columns
+        feature_cols = [c for c in numeric_cols if c != "price_per_sqm"]
+
+        widgets_list = []
+
+        for col in feature_cols[:8]:  # أول 8 متغيرات
+            min_val = float(self.data_engine.processed_data[col].min())
+            max_val = float(self.data_engine.processed_data[col].max())
+            mean_val = float(self.data_engine.processed_data[col].mean())
+
+            if "area" in col.lower() or "مساحة" in col:
+                widget = widgets.FloatSlider(
+                    value=mean_val,
+                    min=min_val,
+                    max=max_val,
+                    step=50,
+                    description=f"{col}:",
+                    layout=widgets.Layout(width="100%"),
+                )
+            else:
+                widget = widgets.FloatSlider(
+                    value=mean_val,
+                    min=min_val,
+                    max=max_val,
+                    step=0.1,
+                    description=f"{col}:",
+                    layout=widgets.Layout(width="100%"),
+                )
+
+            self.input_widgets[col] = widget
+            widgets_list.append(widget)
+
+        # زر التقييم
+        btn_evaluate = widgets.Button(
+            description="🚀 إجراء التقييم IVS",
+            button_style="success",
+            layout=widgets.Layout(width="100%", height="50px"),
+        )
+
+        self.output_valuation = widgets.Output()
+
+        def on_evaluate(_event) -> None:
+            with self.output_valuation:
+                clear_output()
+
+                # إعداد المدخلات
+                input_data = pd.DataFrame(
+                    {key: [value.value] for key, value in self.input_widgets.items()}
+                )
+
+                # التنبؤ
+                result = self.ml_engine.predict(input_data)
+                self.current_prediction = result
+
+                # العرض
+                print("╔══════════════════════════════════════════════════════════╗")
+                print("║           نتيجة التقييم (IVS 105)                        ║")
+                print("╠══════════════════════════════════════════════════════════╣")
+                print(
+                    f"║ السعر المتوقع للمتر: {result['predicted_price_per_sqm']:>12,.0f} ريال ║"
+                )
+
+                if "المساحة" in input_data.columns:
+                    total = result["predicted_price_per_sqm"] * input_data["المساحة"].iloc[0]
+                    print(f"║ القيمة الإجمالية: {total:>16,.0f} ريال ║")
+
+                print(
+                    "║ نطاق الثقة (±15%): "
+                    f"{result['confidence_interval']['lower']:>12,.0f} - "
+                    f"{result['confidence_interval']['upper']:,.0f} ║"
+                )
+                print(f"║ دقة النموذج (R²): {result['r2_score']:>17.3f} ║")
+                print("╚══════════════════════════════════════════════════════════╝")
+
+                # تفسير المتغيرات
+                if "feature_contributions" in result:
+                    print("\n📊 تفسير النتيجة (SHAP):")
+                    for contrib in result["feature_contributions"][:5]:
+                        print(f"  {contrib['direction']} {contrib['feature']}: {contrib['impact']:+,.0f}")
+
+        btn_evaluate.on_click(on_evaluate)
+
+        display(widgets.VBox(widgets_list + [btn_evaluate, self.output_valuation]))
+
+    def _render_report_tab(self) -> None:
+        """تبويب التقرير"""
+        btn_generate = widgets.Button(
+            description="📄 توليد تقرير PDF رسمي",
+            button_style="primary",
+            layout=widgets.Layout(width="100%", height="50px"),
+        )
+
+        output_report = widgets.Output()
+
+        def on_generate(_event) -> None:
+            with output_report:
+                clear_output()
+
+                if self.current_prediction is None:
+                    print("❌ يجب إجراء التقييم أولاً في تبويب 'التقييم'")
+                    return
+
+                # توليد التقرير
+                report_gen = HemmahReportGenerator(
+                    self.data_engine, self.ml_engine, self.current_prediction
+                )
+                filename = report_gen.generate_pdf()
+
+                print(f"✅ تم إنشاء التقرير: {filename}")
+                print("📥 يمكنك تحميله من قائمة الملفات على اليسار")
+
+        btn_generate.on_click(on_generate)
+        display(widgets.VBox([btn_generate, output_report]))
+
+
+class HemmahReportGenerator:
+    """
+    مولد تقارير IVS 2025 متكامل
+    """
+
+    def __init__(self, data_engine: HemmahDataEngine, ml_engine: HemmahMLEngine, prediction: Dict):
+        self.data_engine = data_engine
+        self.ml_engine = ml_engine
+        self.prediction = prediction
+        self.metadata = IVS_2025_FRAMEWORK
+
+    def _arabic(self, text: str) -> str:
+        reshaped = arabic_reshaper.reshape(text)
+        return get_display(reshaped)
+
+    def generate_pdf(self, filename: str = None) -> str:
+        """
+        توليد تقرير PDF كامل
+        """
+        if filename is None:
+            filename = f"Hemmah_IVS_Report_{datetime.now().strftime('%Y%m%d_%H%M')}.pdf"
+
+        pdf = FPDF()
+        pdf.add_page()
+
+        # إضافة الخطوط العربية
+        try:
+            pdf.add_font("Amiri", "", "Amiri-Regular.ttf", uni=True)
+            pdf.add_font("Amiri", "B", "Amiri-Bold.ttf", uni=True)
+            has_arabic = True
+        except Exception:
+            has_arabic = False
+
+        # العنوان
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 16)
+        title = self._arabic("تقرير تقييم عقاري رسمي - IVS 2025")
+        pdf.cell(0, 10, title, 0, 1, "C")
+
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 12)
+        pdf.cell(0, 10, self._arabic(f"تاريخ التقرير: {date.today()}"), 0, 1, "C")
+        pdf.ln(10)
+
+        # 1. Scope of Work
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(0, 10, self._arabic("1. نطاق العمل (Scope of Work) - IVS 101"), 0, 1, "R")
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+
+        scope_items = [
+            f"الغرض: {self.metadata['ivs_101_scope']['valuation_purpose']}",
+            f"العميل: {self.metadata['ivs_101_scope']['client_type']}",
+            f"نوع العقار: {self.metadata['ivs_101_scope']['property_type']}",
+            f"تاريخ التقييم: {self.metadata['ivs_101_scope']['valuation_date']}",
+            f"المقيم: {self.metadata['ivs_101_scope']['valuer_name']}",
+        ]
+
+        for item in scope_items:
+            pdf.cell(0, 8, self._arabic(item), 0, 1, "R")
+
+        pdf.ln(5)
+
+        # 2. Basis of Value
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(0, 10, self._arabic("2. أساس القيمة (Basis of Value) - IVS 102"), 0, 1, "R")
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+        pdf.multi_cell(
+            0, 8, self._arabic(f"Market Value: {self.metadata['ivs_102_bases']['market_value_def'][:200]}...")
+        )
+
+        pdf.ln(5)
+
+        # 3. Data & Inputs
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(0, 10, self._arabic("3. البيانات والمدخلات (Data & Inputs) - IVS 104"), 0, 1, "R")
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+
+        if self.data_engine.quality_metrics:
+            qm = self.data_engine.quality_metrics
+            pdf.cell(0, 8, self._arabic(f"إجمالي السجلات: {qm['total_records']:,}"), 0, 1, "R")
+            pdf.cell(
+                0,
+                8,
+                self._arabic(f"نسبة التفرد: {qm['checks']['uniqueness']['unique_percentage']}%"),
+                0,
+                1,
+                "R",
+            )
+
+        pdf.ln(5)
+
+        # 4. Valuation Methodology
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(
+            0, 10, self._arabic("4. منهجية التقييم (Valuation Approach) - IVS 103"), 0, 1, "R"
+        )
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+        pdf.cell(0, 8, self._arabic(f"الطريقة: {self.metadata['ivs_103_approaches']['primary']}"), 0, 1, "R")
+
+        if self.ml_engine.best_model_name:
+            pdf.cell(0, 8, self._arabic(f"النموذج: {self.ml_engine.best_model_name}"), 0, 1, "R")
+            pdf.cell(
+                0,
+                8,
+                self._arabic(f"دقة النموذج (R²): {self.ml_engine.metrics['test_r2']:.3f}"),
+                0,
+                1,
+                "R",
+            )
+
+        pdf.ln(5)
+
+        # 5. Valuation Result
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 16)
+        pdf.set_fill_color(230, 230, 250)
+        pdf.cell(0, 12, self._arabic("5. نتيجة التقييم (Valuation Opinion)"), 0, 1, "R", fill=True)
+
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        price_per_sqm = self.prediction["predicted_price_per_sqm"]
+        pdf.cell(0, 10, self._arabic(f"السعر المتوقع للمتر: {price_per_sqm:,.2f} ريال"), 0, 1, "C")
+
+        # القيمة الإجمالية (إذا كانت المساحة متوفرة)
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 16)
+        pdf.set_text_color(0, 100, 0)
+        pdf.cell(0, 12, self._arabic("القيمة السوقية الإجمالية"), 0, 1, "C")
+
+        # نفترض مساحة 600م كمثال (يمكن تعديله)
+        total_value = price_per_sqm * 600
+        pdf.cell(0, 12, self._arabic(f"{total_value:,.2f} ريال سعودي"), 0, 1, "C")
+        pdf.set_text_color(0, 0, 0)
+
+        pdf.ln(5)
+
+        # 6. Sensitivity Analysis
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(
+            0, 10, self._arabic("6. تحليل الحساسية (Sensitivity Analysis) - IVS 105"), 0, 1, "R"
+        )
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+        pdf.cell(0, 8, self._arabic("تم اختبار تأثير تغيرات ±10% و±20% في المتغيرات الرئيسية"), 0, 1, "R")
+
+        pdf.ln(5)
+
+        # 7. Limitations & Assumptions
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(0, 10, self._arabic("7. القيود والافتراضات"), 0, 1, "R")
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+
+        limitations = [
+            "هذا التقييم يعتمد على البيانات المتاحة ولا يغني عن المعاينة الميدانية",
+            "القيمة صالحة لتاريخ التقييم المحدد فقط",
+            "يُفترض أن العقار خالٍ من أي قيود قانونية أو منازعات",
+            "تم استخدام نماذج إحصائية مع التحقق من دقتها",
+        ]
+
+        for lim in limitations:
+            pdf.cell(0, 8, self._arabic(f"• {lim}"), 0, 1, "R")
+
+        pdf.ln(8)
+
+        # 8. Compliance Statement
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 14)
+        pdf.cell(0, 10, self._arabic("8. بيان الالتزام بالمعايير"), 0, 1, "R")
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+        pdf.multi_cell(0, 8, self._arabic(self.metadata["compliance_statement"]))
+
+        pdf.ln(10)
+
+        # التوقيع
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "B", 12)
+        pdf.cell(0, 8, self._arabic("المقيم المعتمد:"), 0, 1, "R")
+        pdf.set_font("Arial" if not has_arabic else "Amiri", "", 11)
+        pdf.cell(0, 8, self._arabic(f"{self.metadata['ivs_101_scope']['valuer_name']}"), 0, 1, "R")
+        pdf.cell(0, 8, self._arabic(f"رقم الترخيص: {self.metadata['ivs_101_scope']['valuer_license']}"), 0, 1, "R")
+
+        pdf.output(filename)
+        return filename