Update app.py

app.py

@@ -1,7 +1,7 @@
 # 系統套件
 import os
 from datetime import datetime, timedelta
-import google.generativeai as genai 
+import google.generativeai as genai # <--- 【新增】引用 Gemini
 import pandas as pd
 import numpy as np
 import yfinance as yf
@@ -19,7 +19,7 @@ from Bert_predict import BertPredictor
 
 # 台股代號對應表 (移除台指期，因為它現在是獨立區塊)
 TAIWAN_STOCKS = {
-    '元大台灣50': '0050.TW', 
+    '元大台灣50': '0050.TW', # 新增
     '台積電': '2330.TW',
     '聯發科': '2454.TW',
     '鴻海': '2317.TW',
@@ -44,7 +44,7 @@ TAIWAN_STOCKS = {
 
 # 產業分類
 INDUSTRY_MAPPING = {
-    '0050.TW': 'ETF', 
+    '0050.TW': 'ETF', # 新增
     '2330.TW': '半導體',
     '2454.TW': '半導體',
     '2317.TW': '電子組件',
@@ -61,6 +61,7 @@ INDUSTRY_MAPPING = {
     '1101.TW': '營建',
     '2408.TW': 'DRAM',
     '2337.TW': 'NFLSH',
+    '1101.TW': '營建',
     '4966.TWO': '高速傳輸',
     '3665.TW': '連接器',
     '6870.TWO': '軟體整合',
@@ -187,72 +188,10 @@ def get_pmi_data():
         print(f"無法獲取 PMI 資料: {str(e)}")
         return pd.DataFrame()
 
-# ========================= GEMINI 整合 START =========================
-def generate_gemini_analysis(stock_name, stock_symbol, period, data):
-    """
-    使用 Gemini API 生成基本面和市場展望分析。
-    """
-    api_key = os.getenv("GEMINI_API_KEY")
-    if not api_key:
-        return "無法讀取 GEMINI API 金鑰", "請在系統環境變數中設定您的金鑰"
-
-    try:
-        genai.configure(api_key=api_key)
-        model = genai.GenerativeModel('gemini-1.5-flash')
-
-        # 準備傳送給模型的數據
-        price_change = ((data['Close'].iloc[-1] - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
-        rsi_current = data['RSI'].iloc[-1]
-        macd_current = data['MACD'].iloc[-1]
-        macd_signal_current = data['MACD_Signal'].iloc[-1]
-        industry = INDUSTRY_MAPPING.get(stock_symbol, '綜合')
-
-        prompt = f"""
-        請扮演一位專業、資深的台灣股市金融分析師。
-        我將提供一檔台股的即時技術指標數據，請你基於這些數據，結合你對這家公司、其所在產業以及當前市場趨勢的理解，為我生成一段專業的「基本面分析」和一段「市場展望與投資建議」。
-
-        **股票資訊:**
-        - **公司名稱:** {stock_name} ({stock_symbol})
-        - **分析期間:** 最近 {period}
-        - **所屬產業:** {industry}
-        - **期間價格變動:** {price_change:+.2f}%
-        - **目前 RSI 指標:** {rsi_current:.2f}
-        - **目前 MACD 指標:** MACD線為 {macd_current:.3f}, 信號線為 {macd_signal_current:.3f}
-
-        **你的任務:**
-        1.  **基本面分析 (約 150 字):**
-            -   評論這家公司的產業地位、近期營運亮點或挑戰。
-            -   提及任何可能影響其基本面的關鍵因素 (例如：財報、法說會、政策、供應鏈變化等)。
-            -   請用專業、客觀的語氣撰寫。
-
-        2.  **市場展望與投資建議 (約 150 字):**
-            -   基於上述所有資訊，提供對該股票的短期和中期市場展望。
-            -   提出具體的投資建議，例如：適合何種類型的投資人、潛在的風險點。
-            -   請直接提供分析內容，不要包含任何問候語。
-
-        **輸出格式:**
-        請嚴格按照以下格式回傳，使用"$$"作為兩個段落之間的分隔符：
-        [基本面分析內容]$$[市場展望與投資建議內容]
-        """
-
-        response = model.generate_content(prompt)
-        parts = response.text.split('$$')
-        if len(parts) == 2:
-            fundamental_analysis = parts[0].strip()
-            market_outlook = parts[1].strip()
-            return dcc.Markdown(fundamental_analysis), dcc.Markdown(market_outlook)
-        else:
-            return "無法解析 Gemini 回應", response.text
-
-    except Exception as e:
-        error_message = f"呼叫 Gemini API 時發生錯誤: {str(e)}"
-        print(error_message)
-        return error_message, "請檢查後台日誌或 API 金鑰設定"
-# ========================== GEMINI 整合 END ==========================
-
 # 建立 Dash 應用程式
 app = dash.Dash(__name__, suppress_callback_exceptions=True)
 
+# --- 【新增】在程式啟動時，初始化 BERT 新聞預測器 ---
 try:
     print("正在初始化新聞情緒分析模型...")
     predictor = BertPredictor(max_news_per_keyword=5)
@@ -281,6 +220,7 @@ app.layout = html.Div([
         html.Div([dcc.Graph(id='taiex-prediction-chart')], style={'margin-top': '20px'})
     ], style={'background': 'linear-gradient(135deg, #667eea 0%, #764ba2 100%)','padding': '25px','border-radius': '15px','box-shadow': '0 8px 25px rgba(0,0,0,0.15)','color': 'white','margin-bottom': '40px'}),
     
+    # 新聞情感分析區域
     html.Div([
         html.H3("📰 市場情緒與新聞分析", style={'color': '#E74C3C', 'margin-bottom': '20px'}),
         html.Div([
@@ -312,7 +252,7 @@ app.layout = html.Div([
             html.Label("時間範圍:"),
             dcc.Dropdown(id='period-dropdown',
                 options=[{'label': '1個月', 'value': '1mo'},{'label': '3個月', 'value': '3mo'},{'label': '6個月', 'value': '6mo'},{'label': '1年', 'value': '1y'},{'label': '2年', 'value': '2y'}],
-                value='1mo', style={'margin-bottom': '10px'}) # 預設改為 1mo
+                value='6mo', style={'margin-bottom': '10px'})
         ], style={'width': '30%', 'display': 'inline-block', 'margin-left': '5%', 'vertical-align': 'top'}),
         html.Div([
             html.Label("圖表類型:"),
@@ -343,12 +283,12 @@ app.layout = html.Div([
                 html.Div(id='technical-analysis-text', style={'background': '#f8f9fa','padding': '15px','border-radius': '8px','border-left': '4px solid #A23B72','min-height': '150px','font-size': '14px','line-height': '1.6'})
             ], style={'width': '48%', 'display': 'inline-block', 'vertical-align': 'top'}),
             html.Div([
-                html.H4("📈 基本面分析 (AI 生成)", style={'color': '#F18F01', 'margin-bottom': '15px'}),
+                html.H4("📈 基本面分析", style={'color': '#F18F01', 'margin-bottom': '15px'}),
                 html.Div(id='fundamental-analysis-text', style={'background': '#f8f9fa','padding': '15px','border-radius': '8px','border-left': '4px solid #F18F01','min-height': '150px','font-size': '14px','line-height': '1.6'})
             ], style={'width': '48%', 'display': 'inline-block', 'margin-left': '4%', 'vertical-align': 'top'})
         ]),
         html.Div([
-            html.H4("🎯 市場展望與投資建議 (AI 生成)", style={'color': '#C73E1D', 'margin-bottom': '15px', 'margin-top': '25px'}),
+            html.H4("🎯 市場展望與投資建議", style={'color': '#C73E1D', 'margin-bottom': '15px', 'margin-top': '25px'}),
             html.Div(id='market-outlook-text', style={'background': 'linear-gradient(135deg, #667eea 0%, #764ba2 100%)','color': 'white','padding': '20px','border-radius': '10px','min-height': '100px','font-size': '15px','line-height': '1.7','box-shadow': '0 4px 15px rgba(0,0,0,0.1)'})
         ])
     ], style={'margin-top': '30px','padding': '25px','background': 'white','border-radius': '12px','box-shadow': '0 4px 20px rgba(0,0,0,0.08)','border': '1px solid #e9ecef'}),
@@ -372,6 +312,7 @@ app.layout = html.Div([
     ], style={'margin-top': '30px','padding': '20px','background': 'white','border-radius': '10px','box-shadow': '0 2px 10px rgba(0,0,0,0.1)'}),
 ])
 
+# 台指期獨立預測回調函數
 @app.callback(
     [dash.dependencies.Output('taiex-prediction-results', 'children'),
      dash.dependencies.Output('taiex-prediction-chart', 'figure')],
@@ -406,6 +347,7 @@ def update_taiex_prediction(predict_days):
     fig.update_layout(title=f'台指期 {predict_days}日預測走勢', xaxis_title='日期', yaxis_title='指數點位', height=350, plot_bgcolor='rgba(0,0,0,0)', paper_bgcolor='rgba(0,0,0,0)', font=dict(color='white'))
     return result_card, fig
 
+# 更新股價資訊卡片
 @app.callback(
     dash.dependencies.Output('stock-info-cards', 'children'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -433,6 +375,7 @@ def update_stock_info(selected_stock):
         ], style={'background': 'white','padding': '20px','border-radius': '10px','box-shadow': '0 2px 10px rgba(0,0,0,0.1)','display': 'inline-block'})
     ])
 
+# 更新主要圖表 (股價與成交量分佈)
 @app.callback(
     dash.dependencies.Output('price-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value'),
@@ -457,6 +400,7 @@ def update_price_chart(selected_stock, period, chart_type):
     fig.update_layout(title_text=f'{stock_name} 股價走勢與成交量分佈', height=500, showlegend=True, xaxis1=dict(title='日期', type='date', rangeslider_visible=False), yaxis1=dict(title='價格 (TWD)'), xaxis2=dict(title='成交量', showticklabels=True), yaxis2=dict(showticklabels=False), bargap=0.05)
     return fig
 
+# 更新進階技術指標圖表
 @app.callback(
     dash.dependencies.Output('advanced-technical-chart', 'figure'),
     [dash.dependencies.Input('technical-indicator-selector', 'value'),
@@ -468,7 +412,7 @@ def update_advanced_technical_chart(indicator, selected_stock, period):
     if data.empty: return {}
     data = calculate_technical_indicators(data)
     stock_name = [name for name, symbol in TAIWAN_STOCKS.items() if symbol == selected_stock][0]
-    fig = go.Figure()
+    fig = go.Figure() # Fallback
     if indicator == 'RSI':
         fig = go.Figure()
         fig.add_trace(go.Scatter(x=data.index, y=data['RSI'], mode='lines', name='RSI', line=dict(color='purple', width=2)))
@@ -516,6 +460,7 @@ def update_advanced_technical_chart(indicator, selected_stock, period):
         fig.update_layout(title=f'{stock_name} - DMI 動向指標 (14日)', height=500, showlegend=True, yaxis2_range=[0, 100])
     return fig
 
+# 更新成交量圖表
 @app.callback(
     dash.dependencies.Output('volume-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value'),
@@ -530,43 +475,26 @@ def update_volume_chart(selected_stock, period):
     fig.update_layout(title=f'{stock_name} 成交量', xaxis_title='日期', yaxis_title='成交量', height=300)
     return fig
 
+# 更新產業分析圖表
 @app.callback(
     dash.dependencies.Output('industry-analysis', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
 )
 def update_industry_analysis(selected_stock):
-    performance_data = []
-    for name, symbol in TAIWAN_STOCKS.items():
+    industry_data = []
+    for symbol in list(TAIWAN_STOCKS.values())[:10]:
         data = get_stock_data(symbol, '1mo')
-        if not data.empty and len(data) > 1:
+        if not data.empty:
+            stock_name = [name for name, symbol_code in TAIWAN_STOCKS.items() if symbol_code == symbol][0]
             return_pct = ((data['Close'].iloc[-1] - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
-            performance_data.append({
-                '股票': name,
-                '代碼': symbol,
-                '月報酬率(%)': return_pct,
-                '絕對波動': abs(return_pct)
-            })
-    if not performance_data:
-        fig = go.Figure().add_annotation(text="無法計算產業資料", showarrow=False)
-        fig.update_layout(title="近一月市場波動最大標的", height=400)
-        return fig
-    df_performance = pd.DataFrame(performance_data)
-    df_top_movers = df_performance.sort_values(by='絕對波動', ascending=False).head(10)
-    fig = px.pie(
-        df_top_movers,
-        values='絕對波動',
-        names='股票',
-        title='近一月市場波動最大 Top 10 標的',
-        hover_data={'月報酬率(%)': ':.2f'}
-    )
-    fig.update_traces(
-        textposition='inside',
-        textinfo='percent+label',
-        hovertemplate="<b>%{label}</b><br>月報酬率: %{customdata[0]:.2f}%<extra></extra>"
-    )
-    fig.update_layout(height=400, showlegend=False)
+            industry_data.append({'股票': stock_name, '代碼': symbol, '月報酬率(%)': return_pct, '產業': INDUSTRY_MAPPING.get(symbol, '其他')})
+    if not industry_data: return {}
+    df_industry = pd.DataFrame(industry_data)
+    fig = px.pie(df_industry, values='月報酬率(%)', names='股票', title='各股票月報酬率比較', color_discrete_sequence=px.colors.qualitative.Set3)
+    fig.update_layout(height=400)
     return fig
 
+# 更新景氣燈號圖表
 @app.callback(
     dash.dependencies.Output('business-climate-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -591,7 +519,7 @@ def update_business_climate_chart(selected_stock):
     fig.update_layout(title="台灣景氣燈號走勢", xaxis_title='日期', yaxis_title='燈號分數', height=300, yaxis=dict(range=[0, 40]))
     return fig
 
-# ========================= MODIFIED SECTION START =========================
+# 更新分析師觀點
 @app.callback(
     [dash.dependencies.Output('technical-analysis-text', 'children'),
      dash.dependencies.Output('fundamental-analysis-text', 'children'),
@@ -602,38 +530,31 @@ def update_business_climate_chart(selected_stock):
 def update_analysis_text(selected_stock, period):
     data = get_stock_data(selected_stock, period)
     stock_name = [name for name, symbol in TAIWAN_STOCKS.items() if symbol == selected_stock][0]
-    if data.empty or len(data) < 20: # 確保有足夠資料計算指標
-        return "資料不足，無法分析", "資料不足，無法分析", "資料不足，無法分析"
-    
+    if data.empty: return "無法獲取資料", "無法獲取資料", "無法獲取資料"
     data = calculate_technical_indicators(data)
-    
-    # 1. 技術面分析 (保留客觀數據呈現)
-    price_change = ((data['Close'].iloc[-1] - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
+    current_price = data['Close'].iloc[-1]
+    price_change = ((current_price - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
     rsi_current = data['RSI'].iloc[-1] if not pd.isna(data['RSI'].iloc[-1]) else 50
     macd_current = data['MACD'].iloc[-1] if not pd.isna(data['MACD'].iloc[-1]) else 0
     macd_signal_current = data['MACD_Signal'].iloc[-1] if not pd.isna(data['MACD_Signal'].iloc[-1]) else 0
-    
     technical_text = html.Div([
-        html.P([html.Strong("價格趨勢："), f"在最近 {period} 期間內，{stock_name} 股價呈現", html.Span(f"{'上漲' if price_change > 5 else '下跌' if price_change < -5 else '盤整'}", style={'color': 'red' if price_change > 5 else 'green' if price_change < -5 else 'orange', 'font-weight': 'bold'}), f"走勢，累計變動 {price_change:+.1f}%。"]),
-        html.P([html.Strong("RSI 指標："), f"目前的 RSI 值為 {rsi_current:.1f}，", html.Span("處於超買區(>70)" if rsi_current > 70 else "處於超賣區(<30)" if rsi_current < 30 else "在正常範圍內", style={'color': 'green' if rsi_current > 70 else 'red' if rsi_current < 30 else 'blue', 'font-weight': 'bold'}), "。"]),
-        html.P([html.Strong("MACD 指標："), f"MACD 快線 ({macd_current:.3f}) 目前", html.Span("高於" if macd_current > macd_signal_current else "低於", style={'color': 'red' if macd_current > macd_signal_current else 'green', 'font-weight': 'bold'}), f" Signal 慢線 ({macd_signal_current:.3f})，", f"顯示市場動能偏向{'多頭' if macd_current > macd_signal_current else '空頭'}。"]),
+        html.P([html.Strong("價格趨勢："), f"近期{period}期間內，{stock_name}呈現", html.Span(f"{'上漲' if price_change > 5 else '下跌' if price_change < -5 else '盤整'}", style={'color': 'red' if price_change > 5 else 'green' if price_change < -5 else 'orange', 'font-weight': 'bold'}), f"走勢，累計變動{price_change:+.1f}%。"]),
+        html.P([html.Strong("RSI指標："), f"目前為{rsi_current:.1f}，", html.Span("處於超買區間" if rsi_current > 70 else "處於超賣區間" if rsi_current < 30 else "在正常範圍內", style={'color': 'green' if rsi_current > 70 else 'red' if rsi_current < 30 else 'blue', 'font-weight': 'bold'}), "。"]),
+        html.P([html.Strong("MACD指標："), f"MACD線({macd_current:.3f})", html.Span("高於" if macd_current > macd_signal_current else "低於", style={'color': 'red' if macd_current > macd_signal_current else 'green', 'font-weight': 'bold'}), f"信號線({macd_signal_current:.3f})，", f"顯示{'多頭' if macd_current > macd_signal_current else '空頭'}格局。"]),
     ])
-    
-    # 2. 基本面與展望分析 (呼叫 Gemini)
-    # 顯示“正在生成…”提示，改善使用者體驗
-    loading_text = html.Div([
-        dcc.Loading(id="loading-analysis", type="dots", children=[html.Div(id="loading-output")])
+    industry = INDUSTRY_MAPPING.get(selected_stock, '綜合')
+    fundamental_text = html.Div([
+        html.P([html.Strong("產業地位："), f"{stock_name}屬於{industry}產業，在產業鏈中具有", html.Span("重要地位" if selected_stock in ['2330.TW', '2454.TW', '2317.TW'] else "一定影響力", style={'font-weight': 'bold'}), "。"]),
+        html.P([html.Strong("營運展望："), f"建議持續關注季報表現及未來指引。"]),
     ])
-    
-    try:
-        fundamental_text, market_outlook_text = generate_gemini_analysis(stock_name, selected_stock, period, data)
-    except Exception as e:
-        fundamental_text = f"生成分析時發生錯誤: {e}"
-        market_outlook_text = "請檢查 API 金鑰或網路連線。"
-
-    return technical_text, fundamental_text, market_outlook_text
-# ========================== MODIFIED SECTION END ==========================
+    outlook_tone = "謹慎樂觀" if price_change > 10 else "保守觀望" if price_change < -10 else "中性持平"
+    market_outlook = html.Div([
+        html.P([html.Strong("整體評估："), f"基於技術面及基本面分析，對{stock_name}採取", html.Span(f"{outlook_tone}", style={'font-weight': 'bold'}), "態度。"]),
+        html.P([html.Strong("投資建議："), "短線操作注意技術指標，長線投資關注基本面變化。"]),
+    ])
+    return technical_text, fundamental_text, market_outlook
 
+# 更新PMI圖表
 @app.callback(
     dash.dependencies.Output('pmi-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -654,17 +575,26 @@ def update_pmi_chart(selected_stock):
 def summarize_news_with_gemini(news_list: list) -> str:
     """
     使用 Gemini API 將英文新聞標題列表摘要成一段繁體中文。
+
+    Args:
+        news_list (list): 包含英文新聞標題字串的列表。
+
+    Returns:
+        str: Gemini 生成的繁體中文摘要，或在發生錯誤時回傳錯誤訊息。
     """
+    # 從 Hugging Face Secrets 安全地讀取 API 金鑰
     api_key = os.getenv("GEMINI_API_KEY")
     if not api_key:
         return "錯誤：找不到 GEMINI_API_KEY。請在 Hugging Face Secrets 中設定。"
 
     try:
         genai.configure(api_key=api_key)
-        model = genai.GenerativeModel('gemini-1.5-flash')
+        model = genai.GenerativeModel('gemini-1.5-flash') # 使用速度較快的 Flash 模型
 
+        # 將新聞列表格式化，方便 AI 閱讀
         formatted_news = "\n".join([f"- {news}" for news in news_list])
 
+        # 這就是您對 AI 下的指令 (Prompt)
         prompt = f"""
         請扮演一位專業的金融市場分析師。
         以下是幾則最新的英文財經新聞標題，請將它們整合成一段簡潔、流暢、約 200 字的繁體中文市場動態摘要，與利多哪些產業，利空哪些產業。
@@ -682,6 +612,9 @@ def summarize_news_with_gemini(news_list: list) -> str:
         print(f"呼叫 Gemini API 時發生錯誤: {e}")
         return f"無法生成新聞摘要，請稍後再試。錯誤訊息：{e}"
 
+
+
+# 更新多檔股票比較
 @app.callback(
     [dash.dependencies.Output('comparison-chart', 'figure'),
      dash.dependencies.Output('comparison-table', 'children')],
@@ -714,19 +647,26 @@ def update_comparison_analysis(selected_stocks, period):
         return fig, table
     return fig, html.Div("無可比較資料")
 
+
+# ==============================================================================
+# ===== 【修改】市場情緒與新聞分析 (使用真實 BERT 模型) =====
+# ==============================================================================
 @app.callback(
     [dash.dependencies.Output('sentiment-gauge', 'children'),
      dash.dependencies.Output('news-summary', 'children')],
     [dash.dependencies.Input('stock-dropdown', 'value')]
 )
 def update_sentiment_analysis(selected_stock):
+    # 檢查 predictor 是否成功初始化 (這部分邏輯不變)
     if predictor is None:
         error_fig = go.Figure().add_annotation(text="情緒指標模型載入失敗", showarrow=False)
         error_fig.update_layout(height=200)
         return dcc.Graph(figure=error_fig), html.P("新聞分析模型載入失敗，請檢查後台日誌。")
 
+    # --- 1. 從 predictor 獲取新聞情緒平均分數 (不變) ---
     sentiment_score_raw = predictor.get_news_index()
 
+    # --- 2. 建立情緒指標儀表板 (不變) ---
     if sentiment_score_raw is not None:
         sentiment_score_normalized = (sentiment_score_raw + 1) * 50
         sentiment_score_normalized = max(0, min(100, sentiment_score_normalized))
@@ -752,22 +692,27 @@ def update_sentiment_analysis(selected_stock):
         error_fig.update_layout(height=200)
         gauge_content = dcc.Graph(figure=error_fig)
 
+
+    # --- 3. 【核心修改】獲取新聞並使用 Gemini 進行摘要 ---
     top_news_list = predictor.get_news()
-    news_content = None
+    news_content = None # 先初始化
 
-    if top_news_list and isinstance(top_news_list, list):
+    if top_news_list and isinstance(top_news_list, list): # 確保列表不為空且格式正確
+        # *** 呼叫我們的新函式來生成中文摘要 ***
         summary_text = summarize_news_with_gemini(top_news_list)
+        # 使用 dcc.Markdown 來顯示，這樣如果摘要包含換行等格式會更好看
         news_content = dcc.Markdown(summary_text, style={
             'margin': '8px 0', 'padding-left': '5px',
             'font-size': '15px', 'line-height': '1.7'
         })
-    elif top_news_list == []:
+    elif top_news_list == []: # 如果是空列表
          news_content = html.P("昨日無重大相關新聞。", style={'text-align': 'center', 'padding-top': '50px'})
-    else:
+    else: # 如果是 None 或其他錯誤
         news_content = html.P("讀取新聞時發生錯誤。", style={'text-align': 'center', 'padding-top': '50px'})
 
     return gauge_content, news_content
 
 # 主程式執行
 if __name__ == '__main__':
+    # 在 Hugging Face Spaces 中執行
     app.run(host="0.0.0.0", port=7860, debug=False)