Update app.py

app.py

@@ -217,59 +217,94 @@ def advanced_xgboost_predict(data, predict_days):
 def advanced_xgboost_predict(data, predict_days):
     """
     【進階模型橋接函式】
-    - 準備 XGBoost 模型所需的輸入 DataFrame。
-    - 呼叫模型進行預測。
+    - 準備 XGBoost 模型所需的20個特徵。
+    - 呼叫模型进行预测。
     - 將模型的輸出格式轉換為主程式所需的格式。
     """
     if xgb_model is None or data.empty:
-        print("XGBoost 模型未載入或數據為空")
-        return None
-
-    # 確保數據有足夠的歷史記錄來計算技術指標
-    if len(data) < 30:
-        print("歷史數據不足，無法計算技術指標")
         return None
 
     try:
-        print(f"呼叫 XGBoost 模型進行 {predict_days} 天預測...")
+        print("正在準備 XGBoost 模型所需的20個輸入特徵...")
         
-        # 呼叫修正後的預測方法
-        predictions = xgb_model.predict('xgboost_model', data)
+        # 1. 獲取外部市場數據
+        # 建立一個與主股票數據相同索引的 DataFrame 以便對齊
+        start_date = data.index.min() - pd.Timedelta(days=5) # 提前幾天以確保數據填充
+        end_date = data.index.max()
         
-        # 根據 predict_days 解析輸出
-        day_to_key_map = {
-            1: 'Close_t0_pred',
-            5: 'Close_t5_pred',
-            10: 'Close_t10_pred',
-            20: 'Close_t20_pred'
-        }
+        df_aligned = pd.DataFrame(index=pd.date_range(start=start_date, end=end_date, freq='D'))
+
+        external_symbols = {'DJI': '^DJI', 'NAS': '^IXIC', 'SOX': '^SOX', 'S&P_500': '^GSPC', 'TSM_ADR': 'TSM'}
         
-        prediction_key = day_to_key_map.get(predict_days)
+        # 使用 yf.download 一次性獲取所有外部數據
+        ext_data = yf.download(list(external_symbols.values()), start=start_date, end=end_date, progress=False)['Close']
+        ext_data.rename(columns={v: k for k, v in external_symbols.items()}, inplace=True)
         
-        if prediction_key is None or prediction_key not in predictions:
-            print(f"警告: XGBoost 模型沒有提供 {predict_days} 天的預測結果。")
-            print(f"可用的預測鍵: {list(predictions.keys())}")
-            # 使用最接近的預測天期
-            available_days = [1, 5, 10, 20]
-            closest_day = min(available_days, key=lambda x: abs(x - predict_days))
-            prediction_key = day_to_key_map[closest_day]
-            print(f"使用最接近的預測期間: {closest_day} 天")
+        # 2. 合併所有數據源
+        # 將主數據與外部數據合併
+        input_df = data.join(ext_data, how='left')
+        
+        # 載入並合併景氣燈號和 PMI
+        df_climate = get_business_climate_data() #
+        df_pmi = get_pmi_data() #
+        
+        # 將 'Date' 轉為 datetime 物件以進行合併
+        input_df.index = pd.to_datetime(input_df.index)
+        df_climate['Date'] = pd.to_datetime(df_climate['Date']) #
+        df_pmi['Date'] = pd.to_datetime(df_pmi['Date']) #
 
-        predicted_price = predictions[prediction_key]
+        input_df = pd.merge(input_df, df_climate.rename(columns={'Index': 'business_climate'}), on='Date', how='left')
+        input_df = pd.merge(input_df, df_pmi.rename(columns={'Index': 'PMI'}), on='Date', how='left')
+        
+        # 向前填充所有缺失值 (例如假日)
+        input_df.ffill(inplace=True)
+        input_df.bfill(inplace=True) # 向後填充開頭可能存在的缺失值
+
+        # 3. 計算技術指標與新增其他特徵
+        input_df = calculate_technical_indicators(input_df) #
+        news_score = predictor.get_news_index() if predictor else 0
+        input_df['NEWS'] = news_score if news_score is not None else 0
+        input_df['rate'] = 1.75 # 注意：此為利率佔位符，請替換為真實數據源
+
+        # 4. 格式化最終輸入
+        input_df.rename(columns={
+            'Close': 'close', 'Volume': 'volume', 'MACD_Signal': 'MACDsign',
+            'MACD_Histogram': 'MACDvol'
+        }, inplace=True)
+
+        columns_to_keep = [
+            'close', 'volume', 'rate', 'DJI', 'NAS', 'SOX', 'S&P_500', 'TSM_ADR', 'NEWS',
+            'RSI', 'MACD', 'MACDsign', 'MACDvol', 'K', 'D', '+DI', '-DI', 'ADX',
+            'business_climate', 'PMI'
+        ]
+        
+        # 確保所有欄位都存在
+        for col in columns_to_keep:
+            if col not in input_df.columns:
+                print(f"錯誤：準備好的資料中缺少欄位 '{col}'")
+                return None
+        
+        final_input = input_df[columns_to_keep].tail(1)
+
+        if final_input.isnull().values.any():
+            print(f"警告: 最終輸入數據中存在缺失值，無法預測。\n{final_input.isnull().sum()}")
+            return None
+
+        # 5. 呼叫模型預測
+        print("特徵準備完成，呼叫 XGBoost 模型...")
+        predictions = xgb_model.predict('xgboost_model', final_input)
+
+        predicted_price = predictions['Close_t5_pred'] # 預設獲取5日預測
         current_price = data['Close'].iloc[-1]
         change_pct = ((predicted_price - current_price) / current_price) * 100
 
-        result = {
-            'predicted_price': float(predicted_price),
-            'change_pct': float(change_pct),
-            'confidence': 0.85
+        return {
+            'predicted_price': predicted_price,
+            'change_pct': change_pct,
+            'confidence': 0.95 
         }
-        
-        print(f"XGBoost 預測成功: 當前價格={current_price:.2f}, 預測價格={predicted_price:.2f}, 變化={change_pct:.2f}%")
-        return result
-        
     except Exception as e:
-        print(f"執行 XGBoost 預測時發生錯誤: {e}")
+        print(f"執行 XGBoost 預測時發生嚴重錯誤: {e}")
         import traceback
         traceback.print_exc()
         return None