Update app.py

app.py

@@ -242,7 +242,7 @@ def simple_statistical_predict(data, predict_days=5):
 
 def advanced_xgboost_predict(predict_days=5):
     """
-    【進階模型】使用 XGBoost 模型進行預測 - 簡化版 (11個特徵)
+    【進階模型】使用 XGBoost 模型進行預測
     """
     try:
         print(f"開始使用 XGBoost 模型進行 {predict_days} 天預測...")
@@ -259,6 +259,12 @@ def advanced_xgboost_predict(predict_days=5):
         # 計算技術指標
         taiex_data = calculate_technical_indicators(taiex_data)
         
+        # 獲取美股市場數據
+        us_market = get_us_market_data()
+        
+        # 獲取匯率數據
+        exchange_rate = get_exchange_rate()
+        
         # 獲取新聞情緒分數
         try:
             if predictor is not None:
@@ -273,100 +279,160 @@ def advanced_xgboost_predict(predict_days=5):
         # 準備特徵數據 (使用最新的數據點)
         latest_data = taiex_data.iloc[-1]
         
-        # 技術指標檢查和狀態記錄
+        # 建立特徵向量 (按照訓練數據記錄的順序)
+        # 先檢查每個技術指標是否存在並記錄狀態
         tech_indicators_status = {}
         
-        # 檢查各技術指標並記錄狀態
-        indicators_map = {
-            'RSI': (latest_data['RSI'], 50),
-            'MACD': (latest_data['MACD'], 0),
-            'MACDsign': (latest_data['MACD_Signal'], 0),
-            'MACDvol': (latest_data['MACD_Histogram'], 0),
-            'K': (latest_data['K'], 50),
-            'D': (latest_data['D'], 50),
-            '+DI': (latest_data['+DI'], 25),
-            '-DI': (latest_data['-DI'], 25),
-            'ADX': (latest_data['ADX'], 25),
+        # RSI 檢查
+        rsi_value = latest_data['RSI'] if not pd.isna(latest_data['RSI']) else 50
+        tech_indicators_status['RSI'] = {
+            'value': rsi_value,
+            'is_real': not pd.isna(latest_data['RSI']),
+            'source': 'calculated' if not pd.isna(latest_data['RSI']) else 'default'
         }
         
-        processed_values = {}
-        for indicator, (value, default) in indicators_map.items():
-            if pd.isna(value):
-                processed_values[indicator] = default
-                tech_indicators_status[indicator] = {
-                    'value': default,
-                    'is_real': False,
-                    'source': 'default'
-                }
-            else:
-                processed_values[indicator] = value
-                tech_indicators_status[indicator] = {
-                    'value': value,
-                    'is_real': True,
-                    'source': 'calculated'
-                }
+        # MACD 相關檢查
+        macd_value = latest_data['MACD'] if not pd.isna(latest_data['MACD']) else 0
+        macd_signal_value = latest_data['MACD_Signal'] if not pd.isna(latest_data['MACD_Signal']) else 0
+        macd_hist_value = latest_data['MACD_Histogram'] if not pd.isna(latest_data['MACD_Histogram']) else 0
         
-        # 建立簡化的特徵向量 (按您指定的順序)
+        tech_indicators_status['MACD'] = {
+            'value': macd_value,
+            'is_real': not pd.isna(latest_data['MACD']),
+            'source': 'calculated' if not pd.isna(latest_data['MACD']) else 'default'
+        }
+        tech_indicators_status['MACD_Signal'] = {
+            'value': macd_signal_value,
+            'is_real': not pd.isna(latest_data['MACD_Signal']),
+            'source': 'calculated' if not pd.isna(latest_data['MACD_Signal']) else 'default'
+        }
+        tech_indicators_status['MACD_Histogram'] = {
+            'value': macd_hist_value,
+            'is_real': not pd.isna(latest_data['MACD_Histogram']),
+            'source': 'calculated' if not pd.isna(latest_data['MACD_Histogram']) else 'default'
+        }
+        
+        # KD 指標檢查
+        k_value = latest_data['K'] if not pd.isna(latest_data['K']) else 50
+        d_value = latest_data['D'] if not pd.isna(latest_data['D']) else 50
+        
+        tech_indicators_status['K'] = {
+            'value': k_value,
+            'is_real': not pd.isna(latest_data['K']),
+            'source': 'calculated' if not pd.isna(latest_data['K']) else 'default'
+        }
+        tech_indicators_status['D'] = {
+            'value': d_value,
+            'is_real': not pd.isna(latest_data['D']),
+            'source': 'calculated' if not pd.isna(latest_data['D']) else 'default'
+        }
+        
+        # DMI 指標檢查
+        plus_di_value = latest_data['+DI'] if not pd.isna(latest_data['+DI']) else 25
+        minus_di_value = latest_data['-DI'] if not pd.isna(latest_data['-DI']) else 25
+        adx_value = latest_data['ADX'] if not pd.isna(latest_data['ADX']) else 25
+        
+        tech_indicators_status['+DI'] = {
+            'value': plus_di_value,
+            'is_real': not pd.isna(latest_data['+DI']),
+            'source': 'calculated' if not pd.isna(latest_data['+DI']) else 'default'
+        }
+        tech_indicators_status['-DI'] = {
+            'value': minus_di_value,
+            'is_real': not pd.isna(latest_data['-DI']),
+            'source': 'calculated' if not pd.isna(latest_data['-DI']) else 'default'
+        }
+        tech_indicators_status['ADX'] = {
+            'value': adx_value,
+            'is_real': not pd.isna(latest_data['ADX']),
+            'source': 'calculated' if not pd.isna(latest_data['ADX']) else 'default'
+        }
+        
+        # 建立特徵向量
         features_list = [
-            latest_data['Close'],           # close
-            sentiment_score_raw,            # NEWS
-            processed_values['MACD'],       # MACD
-            processed_values['MACDsign'],   # MACDsign
-            processed_values['MACDvol'],    # MACDvol
-            processed_values['K'],          # K
-            processed_values['D'],          # D
-            processed_values['+DI'],        # +DI
-            processed_values['-DI'],        # -DI
-            processed_values['ADX'],        # ADX
-            processed_values['RSI'],        # RSI
+            latest_data['Close'],  # close
+            latest_data['Volume'],  # volume
+            exchange_rate,  # rate
+            us_market['DJI'],  # DJI
+            us_market['NAS'],  # NAS
+            us_market['SOX'],  # SOX
+            us_market['S&P_500'],  # S&P_500
+            us_market['TSM_ADR'],  # TSM_ADR
+            sentiment_score_raw,  # NEWS (使用原始 sentiment_score_raw)
+            rsi_value,  # RSI
+            macd_value,  # MACD
+            macd_signal_value,  # MACDsign
+            macd_hist_value,  # MACDvol
+            k_value,  # K
+            d_value,  # D
+            plus_di_value,  # +DI
+            minus_di_value,  # -DI
+            adx_value,  # ADX
+            15,    # business_climate (手動填入值)
+            46.7   # PMI (手動填入值)
         ]
         
-        # 對應的欄位名稱 
-        column_names = ['MACD', 'MACDsign', 'MACDvol', 
-            'close', 'NEWS', 
-            'K', 'D', '+DI', '-DI', 'ADX', 'RSI'
+        # 轉換為 DataFrame (XGBoost 模型期望的格式)
+        column_names = [
+            'close', 'volume', 'rate', 'DJI', 'NAS', 'SOX', 'S&P_500', 'TSM_ADR',
+            'NEWS', 'RSI', 'MACD', 'MACDsign', 'MACDvol', 'K', 'D', 
+            '+DI', '-DI', 'ADX', 'business_climate', 'PMI'
         ]
         
-        # 轉換為 DataFrame (XGBoost 模型期望的格式)
         input_df = pd.DataFrame([features_list], columns=column_names)
         
         # 詳細的資料驗證日誌
         print("=" * 50)
-        print("XGBoost 簡化模型輸入特徵檢查報告")
+        print("XGBoost 模型輸入特徵詳細檢查報告")
         print("=" * 50)
         
-        # 基本資料
-        print(f"收盤價 (close): {latest_data['Close']:.2f}")
-        print(f"新聞情緒 (NEWS): {sentiment_score_raw:.6f}")
+        # 基本市場數據
+        print("📊 基本市場數據:")
+        print(f"  收盤價 (close): {latest_data['Close']:.2f}")
+        print(f"  成交量 (volume): {latest_data['Volume']:,.0f}")
+        print(f"  匯率 (rate): {exchange_rate:.4f}")
+        
+        # 美股指數
+        print("\n🇺🇸 美股指數數據:")
+        for key, value in us_market.items():
+            status = "✅ 正常" if value > 0 else "⚠️ 可能異常(=0)"
+            print(f"  {key}: {value:.2f} {status}")
+        
+        # 新聞情緒
+        print(f"\n📰 新聞情緒 (NEWS): {sentiment_score_raw:.6f}")
         if sentiment_score_raw == 0:
             print("  ⚠️ 新聞情緒分數為0，可能無新聞數據")
         else:
             print("  ✅ 新聞情緒分數正常")
         
-        # 技術指標詳細狀態 
+        # 技術指標詳細狀態
         print("\n📈 技術指標狀態:")
-        for indicator in ['MACD', 'MACDsign', 'MACDvol', 'K', 'D', '+DI', '-DI', 'ADX', 'RSI']:
-            status = tech_indicators_status[indicator]
+        for indicator, status in tech_indicators_status.items():
             status_symbol = "✅" if status['is_real'] else "⚠️"
-            source_info = "實際計算" if status['is_real'] else "預設值"
-            print(f"  {indicator:10s}: {status['value']:8.4f} {status_symbol} ({source_info})")
+            source_info = "實際計算值" if status['is_real'] else "預設替代值"
+            print(f"  {indicator}: {status['value']:.4f} {status_symbol} ({source_info})")
+        
+        # 手動填入數據
+        print("\n🔧 手動填入數據:")
+        print(f"  business_climate: 15 ✅")
+        print(f"  PMI: 46.7 ✅")
         
-        # 統計完整性
+        # 統計資料完整性
         real_indicators = sum(1 for status in tech_indicators_status.values() if status['is_real'])
         total_indicators = len(tech_indicators_status)
         completeness = (real_indicators / total_indicators) * 100
         
-        print(f"\n📋 技術指標完整性:")
+        print(f"\n📋 技術指標完整性統計:")
         print(f"  實際計算指標: {real_indicators}/{total_indicators} ({completeness:.1f}%)")
-        if completeness < 70:
-            print("  ⚠️ 警告：超過30%的指標使用預設值，可能影響預測準確性")
+        if completeness < 80:
+            print("  ⚠️ 警告：超過20%的技術指標使用預設值，可能影響預測準確性")
         else:
-            print("  ✅ 指標完整性良好")
+            print("  ✅ 技術指標完整性良好")
         
-        # 顯示完整特徵向量
+        # 顯示完整輸入向量
         print(f"\n🔢 完整特徵向量 (共{len(features_list)}個特徵):")
         for i, (name, value) in enumerate(zip(column_names, features_list)):
-            print(f"  [{i:2d}] {name:10s}: {value:12.6f}")
+            print(f"  [{i:2d}] {name:15s}: {value:10.4f}")
         
         print("=" * 50)
         
@@ -387,7 +453,7 @@ def advanced_xgboost_predict(predict_days=5):
         pred_key = pred_mapping[closest_day]
         
         predicted_price = predictions[pred_key]
-        current_price = latest_data['Close']
+        current_price = features_list[0]  # close price
         change_pct = ((predicted_price - current_price) / current_price) * 100
         
         print(f"XGBoost 預測完成:")
@@ -395,7 +461,6 @@ def advanced_xgboost_predict(predict_days=5):
         print(f"- 當前價格: {current_price:.2f}")
         print(f"- 預測價格: {predicted_price:.2f}")
         print(f"- 預測變化: {change_pct:+.2f}%")
-        print(f"- 使用特徵數: {len(features_list)} 個")
         
         return {
             'predicted_price': predicted_price,
@@ -554,12 +619,12 @@ def generate_gemini_analysis(stock_name, stock_symbol, period, data):
         **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)。
+            -   提及任何可能影響其基本面的關鍵因素 (例如：最近公告財報日期、法說會日期、最近一次的EPS、最近一個月的MOM是否增長、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。
+            -   提出具體的投資建議，例如：適合何種類型的投資人(價值投資、波段投資、動能投資)、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:**
@@ -888,89 +953,25 @@ def update_industry_analysis(selected_stock):
                 '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="近一月市場表現分析", height=400)
+        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)
-    
-    # 分離漲跌幅數據
-    gainers = df_performance[df_performance['月報酬率(%)'] > 0].copy()
-    losers = df_performance[df_performance['月報酬率(%)'] < 0].copy()
-    
-    # 按報酬率排序並取前5名
-    top_gainers = gainers.sort_values(by='月報酬率(%)', ascending=False).head(5)
-    top_losers = losers.sort_values(by='月報酬率(%)', ascending=True).head(5)
-    
-    # 創建子圖布局 - 1行2列
-    fig = make_subplots(
-        rows=1, cols=2,
-        specs=[[{"type": "pie"}, {"type": "pie"}]],
-        subplot_titles=('📈 近一月漲幅排行 Top 5', '📉 近一月跌幅排行 Top 5'),
-        horizontal_spacing=0.1
+    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'}
     )
-    
-    # 如果有上漲的股票，添加漲幅圓餅圖
-    if not top_gainers.empty:
-        fig.add_trace(go.Pie(
-            labels=top_gainers['股票'],
-            values=top_gainers['月報酬率(%)'],
-            name="漲幅",
-            textinfo='label+percent',
-            textposition='inside',
-            marker=dict(colors=['#FF6B6B', '#FF8E53', '#FF6B9D', '#C44569', '#F8B500']),
-            hovertemplate="<b>%{label}</b><br>漲幅: +%{value:.1f}%<extra></extra>",
-            textfont=dict(size=12)
-        ), row=1, col=1)
-    else:
-        # 如果沒有上漲股票，顯示提示
-        fig.add_annotation(
-            text="本月無上漲股票",
-            x=0.25, y=0.5,
-            showarrow=False,
-            font=dict(size=16, color="gray")
-        )
-    
-    # 如果有下跌的股票，添加跌幅圓餅圖（使用絕對值）
-    if not top_losers.empty:
-        fig.add_trace(go.Pie(
-            labels=top_losers['股票'],
-            values=abs(top_losers['月報酬率(%)']),  # 使用絕對值讓圓餅圖正常顯示
-            name="跌幅",
-            textinfo='label+percent',
-            textposition='inside',
-            marker=dict(colors=['#20BF6B', '#26DE81', '#2BCBBA', '#45AAF2', '#4834D4']),
-            hovertemplate="<b>%{label}</b><br>跌幅: %{customdata:.1f}%<extra></extra>",
-            customdata=top_losers['月報酬率(%)'],  # 顯示實際的負值
-            textfont=dict(size=12)
-        ), row=1, col=2)
-    else:
-        # 如果沒有下跌股票，顯示提示
-        fig.add_annotation(
-            text="本月無下跌股票",
-            x=0.75, y=0.5,
-            showarrow=False,
-            font=dict(size=16, color="gray")
-        )
-    
-    # 更新布局
-    fig.update_layout(
-        title_text="近一月市場表現分析 - 漲跌分佈",
-        height=500,
-        showlegend=False,
-        font=dict(size=11),
-        title_font_size=16,
-        annotations=[
-            dict(text=f"統計範圍：{len(performance_data)}檔股票", 
-                 x=0.5, y=-0.1, 
-                 showarrow=False, 
-                 xanchor="center",
-                 font=dict(size=12, color="gray"))
-        ]
+    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)
     return fig
 
 @app.callback(