Update app.py

app.py

@@ -1,9 +1,9 @@
-# HUGING_FACE_V3.1.2.py (整合 Bert_predict 版本)
+# HUGING_FACE_V4.2(輕量AI版).py - 已整合 XGBoost 模型
 
 # 系統套件
 import os
 from datetime import datetime, timedelta
-import google.generativeai as genai 
+import google.generativeai as genai
 import pandas as pd
 import numpy as np
 import yfinance as yf
@@ -21,153 +21,74 @@ import time # 引用 time 模組以處理時間戳
 # 引用您組員的預測器程式
 from Bert_predict import BertPredictor
 
-# 引用新的模型預測器
-from model_predictor import advanced_lstm_predict
+# 【【【修改 1】】】: 匯入 XGBoostModel 類別，而不是舊的函式
+from model_predictor import XGBoostModel
 # ========================== 引用外部模組 END ==========================
 
 # ========================= 全域設定 START =========================
-# 【【【模型切換開關】】】
-# False: 使用簡易統計模型 (預設)
-# True:  使用 model_predictor.py 中的進階 LSTM 模型 (未來啟用)
+# 【【【修改 2】】】: 將開關設為 True 來啟用您的 XGBoost 模型
 USE_ADVANCED_MODEL = True
 
-
 # ========================= CACHE 設定 START =========================
 # 分析結果的快取字典
 ANALYSIS_CACHE = {}
-# 快取有效時間（秒），例如：4 小時 = 4 * 60 * 60 = 14400 秒
+# 快取有效時間（秒），例如：8 小時 = 8 * 60 * 60 = 28800 秒
 CACHE_DURATION_SECONDS = 8 * 60 * 60
 # ========================== CACHE 設定 END ==========================
+
+# 【【【修改 3】】】: 在應用程式啟動時，預先載入 XGBoost 模型
+try:
+    print("正在初始化 XGBoost 預測模型...")
+    xgb_model = XGBoostModel(default_model='xgboost_model')
+    print("XGBoost 預測模型初始化成功。")
+except Exception as e:
+    print(f"錯誤：XGBoost 預測模型初始化失敗 - {e}")
+    # 如果模型載入失敗，則強制關閉進階模型開關，退回簡易模式
+    USE_ADVANCED_MODEL = False
+    xgb_model = None
+    print("警告：已自動切換回簡易統計模型模式。")
+
 # ========================== 全域設定 END ==========================
 
-# 台股代號對應表 (移除台指期，因為它現在是獨立區塊)
+# 台股代號對應表 (此處省略，與您原檔案相同)
 TAIWAN_STOCKS = {
-    '元大台灣50': '0050.TW',
-    '台積電': '2330.TW',
-    '聯發科': '2454.TW',
-    '鴻海': '2317.TW',
-    '台達電': '2308.TW',
-    '廣達': '2382.TW',
-    '富邦金': '2881.TW',
-    '中信金': '2891.TW',
-    '國泰金': '2882.TW',
-    '聯電': '2303.TW',
-    '中華電': '2412.TW',
-    '玉山金': '2884.TW',
-    '兆豐金': '2886.TW',
-    '日月光投控': '3711.TW',
-    '華碩': '2357.TW',
-    '統一': '1216.TW',
-    '元大金': '2885.TW',
-    '智邦': '2345.TW',
-    '緯創': '3231.TW',
-    '聯詠': '3034.TW',
-    '第一金': '2892.TW',
-    '瑞昱': '2379.TW',
-    '緯穎': '6669.TWO',
-    '永豐金': '2890.TW',
-    '合庫金': '5880.TW',
-    '華南金': '2880.TW',
-    '台光電': '2383.TW',
-    '世芯-KY': '3661.TWO',
-    '奇鋐': '3017.TW',
-    '凱基金': '2883.TW',
-    '大立光': '3008.TW',
-    '長榮': '2603.TW',
-    '光寶科': '2301.TW',
-    '中鋼': '2002.TW',
-    '中租-KY': '5871.TW',
-    '國巨': '2327.TW',
-    '台新金': '2887.TW',
-    '上海商銀': '5876.TW',
-    '台泥': '1101.TW',
-    '台灣大': '3045.TW',
-    '和碩': '4938.TW',
-    '遠傳': '4904.TW',
-    '和泰車': '2207.TW',
-    '研華': '2395.TW',
-    '台塑': '1301.TW',
-    '統一超': '2912.TW',
-    '藥華藥': '6446.TWO',
-    '南亞': '1303.TW',
-    '陽明': '2609.TW',
-    '萬海': '2615.TW',
-    '台塑化': '6505.TW',
-    '慧洋-KY': '2637.TW',
-    '上銀': '2049.TW',
-    '台泥': '1101.TW',
-    '南亞科': '2408.TW',
-    '旺宏': '2337.TW',
-    '譜瑞-KY': '4966.TWO',
-    '貿聯-KY': '3665.TW',
-    '騰雲': '6870.TWO',
-    '穩懋': '3105.TWO'
+    '元大台灣50': '0050.TW', '台積電': '2330.TW', '聯發科': '2454.TW',
+    '鴻海': '2317.TW', '台達電': '2308.TW', '廣達': '2382.TW', '富邦金': '2881.TW',
+    '中信金': '2891.TW', '國泰金': '2882.TW', '聯電': '2303.TW', '中華電': '2412.TW',
+    '玉山金': '2884.TW', '兆豐金': '2886.TW', '日月光投控': '3711.TW', '華碩': '2357.TW',
+    '統一': '1216.TW', '元大金': '2885.TW', '智邦': '2345.TW', '緯創': '3231.TW',
+    '聯詠': '3034.TW', '第一金': '2892.TW', '瑞昱': '2379.TW', '緯穎': '6669.TWO',
+    '永豐金': '2890.TW', '合庫金': '5880.TW', '華南金': '2880.TW', '台光電': '2383.TW',
+    '世芯-KY': '3661.TWO', '奇鋐': '3017.TW', '凱基金': '2883.TW', '大立光': '3008.TW',
+    '長榮': '2603.TW', '光寶科': '2301.TW', '中鋼': '2002.TW', '中租-KY': '5871.TW',
+    '國巨': '2327.TW', '台新金': '2887.TW', '上海商銀': '5876.TW', '台泥': '1101.TW',
+    '台灣大': '3045.TW', '和碩': '4938.TW', '遠傳': '4904.TW', '和泰車': '2207.TW',
+    '研華': '2395.TW', '台塑': '1301.TW', '統一超': '2912.TW', '藥華藥': '6446.TWO',
+    '南亞': '1303.TW', '陽明': '2609.TW', '萬海': '2615.TW', '台塑化': '6505.TW',
+    '慧洋-KY': '2637.TW', '上銀': '2049.TW', '南亞科': '2408.TW', '旺宏': '2337.TW',
+    '譜瑞-KY': '4966.TWO', '貿聯-KY': '3665.TW', '騰雲': '6870.TWO', '穩懋': '3105.TWO'
 }
 
-# 產業分類
+# 產業分類 (此處省略，與您原檔案相同)
 INDUSTRY_MAPPING = {
-    '0050.TW': 'ETF',
-    '2330.TW': '半導體',
-    '2454.TW': '半導體',
-    '2317.TW': '電子組件',
-    '2308.TW': '電子',
-    '2382.TW': '電子',
-    '2881.TW': '金融',
-    '2891.TW': '金融',
-    '2882.TW': '金融',
-    '2303.TW': '半導體',
-    '2412.TW': '電信',
-    '2884.TW': '金融',
-    '2886.TW': '金融',
-    '3711.TW': '半導體',
-    '2357.TW': '電子',
-    '1216.TW': '食品',
-    '2885.TW': '金融',
-    '2345.TW': '網通設備',
-    '3231.TW': '電子',
-    '3034.TW': '半導體',
-    '2892.TW': '金融',
-    '2379.TW': '半導體',
-    '6669.TWO': '電子',
-    '2890.TW': '金融',
-    '5880.TW': '金融',
-    '2880.TW': '金融',
-    '2383.TW': '電子',
-    '3661.TWO': '半導體',
-    '3017.TW': '電子',
-    '2883.TW': '金融',
-    '3008.TW': '光學',
-    '2603.TW': '航運',
-    '2301.TW': '電子',
-    '2002.TW': '鋼鐵',
-    '5871.TW': '金融',
-    '2327.TW': '電子被動元件',
-    '2887.TW': '金融',
-    '5876.TW': '金融',
-    '1101.TW': '營建',
-    '3045.TW': '電信',
-    '4938.TW': '電子',
-    '4904.TW': '電信',
-    '2207.TW': '汽車',
-    '2395.TW': '電腦周邊',
-    '1301.TW': '塑膠',
-    '2912.TW': '百貨',
-    '6446.TWO': '生技',
-    '1303.TW': '塑膠',
-    '2609.TW': '航運',
-    '2615.TW': '航運',
-    '6505.TW': '塑膠',
-    '2637.TW': '散裝航運',
-    '2049.TW': '工具機',
-    '1101.TW': '營建',
-    '2408.TW': 'DRAM',
-    '2337.TW': 'NFLSH',
-    '4966.TWO': '高速傳輸',
-    '3665.TW': '連接器',
-    '6870.TWO': '軟體整合',
-    '3105.TWO': 'PA功率'
+    '0050.TW': 'ETF', '2330.TW': '半導體', '2454.TW': '半導體', '2317.TW': '電子組件',
+    '2308.TW': '電子', '2382.TW': '電子', '2881.TW': '金融', '2891.TW': '金融',
+    '2882.TW': '金融', '2303.TW': '半導體', '2412.TW': '電信', '2884.TW': '金融',
+    '2886.TW': '金融', '3711.TW': '半導體', '2357.TW': '電子', '1216.TW': '食品',
+    '2885.TW': '金融', '2345.TW': '網通設備', '3231.TW': '電子', '3034.TW': '半導體',
+    '2892.TW': '金融', '2379.TW': '半導體', '6669.TWO': '電子', '2890.TW': '金融',
+    '5880.TW': '金融', '2880.TW': '金融', '2383.TW': '電子', '3661.TWO': '半導體',
+    '3017.TW': '電子', '2883.TW': '金融', '3008.TW': '光學', '2603.TW': '航運',
+    '2301.TW': '電子', '2002.TW': '鋼鐵', '5871.TW': '金融', '2327.TW': '電子被動元件',
+    '2887.TW': '金融', '5876.TW': '金融', '1101.TW': '營建', '3045.TW': '電信',
+    '4938.TW': '電子', '4904.TW': '電信', '2207.TW': '汽車', '2395.TW': '電腦周邊',
+    '1301.TW': '塑膠', '2912.TW': '百貨', '6446.TWO': '生技', '1303.TW': '塑膠',
+    '2609.TW': '航運', '2615.TW': '航運', '6505.TW': '塑膠', '2637.TW': '散裝航運',
+    '2049.TW': '工具機', '2408.TW': 'DRAM', '2337.TW': 'NFLSH', '4966.TWO': '高速傳輸',
+    '3665.TW': '連接器', '6870.TWO': '軟體整合', '3105.TWO': 'PA功率'
 }
 
+
 def get_stock_data(symbol, period='1y'):
     """獲取股票資料"""
     try:
@@ -199,24 +120,80 @@ def simple_statistical_predict(data, predict_days=5):
     change_pct = ((predicted_price - prices[-1]) / prices[-1]) * 100
     return {'predicted_price': predicted_price, 'change_pct': change_pct, 'confidence': max(0.6, 1 - volatility * 2)}
 
+# 【【【修改 4】】】: 建立一個新的函式來處理 XGBoost 模型的輸入和輸出
+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。
+    - 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:
+        return None
+
+    # 1. 準備輸入資料
+    # 重要假設：模型是使用與 `get_stock_data` 回傳的 DataFrame 相同的欄位進行訓練的。
+    # 我們使用最新的資料點來進行未來預測。
+    input_df = data.tail(1)
+
+    try:
+        # 2. 呼叫模型預測
+        predictions = xgb_model.predict('xgboost_model', input_df)
+
+        # 3. 根據 predict_days 解析輸出
+        # 建立預測天數到模型輸出鍵的映射
+        day_to_key_map = {
+            1: 'Close_t0_pred',   # 假設 t0 代表 1 天後
+            5: 'Close_t5_pred',
+            10: 'Close_t10_pred',
+            20: 'Close_t20_pred',
+            60: None # 您的模型沒有提供60天的預測，這裡設為None
+        }
+        
+        # 找到對應的預測鍵
+        prediction_key = day_to_key_map.get(predict_days)
+        
+        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。")
+            return None # 如果找不到對應的預測天期，則返回 None
+
+        predicted_price = predictions[prediction_key]
+        current_price = data['Close'].iloc[-1]
+        change_pct = ((predicted_price - current_price) / current_price) * 100
+
+        # 4. 包裝成主程式所需的格式
+        # XGBoost 模型通常不直接提供信心度，這裡我們先給一個固定值
+        return {
+            'predicted_price': predicted_price,
+            'change_pct': change_pct,
+            'confidence': 0.95 # 給定一個較高的固定信心度
+        }
+    except Exception as e:
+        print(f"執行 XGBoost 預測時發生錯誤: {e}")
+        return None
+
 def get_prediction(data, predict_days=5):
     """
     【【模型預測控制器】】
     根據 USE_ADVANCED_MODEL 的設定，呼叫對應的預測模型。
     """
     if USE_ADVANCED_MODEL:
-        print(f"模式: 進階LSTM模型 | 預測天期: {predict_days}天")
-        prediction = advanced_lstm_predict(predict_days)
+        print(f"模式: 進階XGBoost模型 | 預測天期: {predict_days}天")
+        # 【【【修改 5】】】: 呼叫新的 XGBoost 橋接函式
+        prediction = advanced_xgboost_predict(data, predict_days)
         # 如果進階模型預測失敗，則自動降級使用簡易模型
         if prediction is not None:
             return prediction
         else:
-            print("進階模型預測失敗，自動降級為簡易統計模型。")
+            print("進階模型預測失敗或無對應天期，自動降級為簡易統計模型。")
     
     # 預設或降級時執行簡易模型
     print(f"模式: 簡易統計模型 | 預測天期: {predict_days}天")
     return simple_statistical_predict(data, predict_days)
 
+# (後續所有函式，如 calculate_technical_indicators, generate_gemini_analysis 等，都保持不變)
+# ... (此處省略所有未修改的函式，以節省篇幅) ...
+# ... (您的 calculate_technical_indicators, calculate_volume_profile, get_business_climate_data, get_pmi_data, generate_gemini_analysis 等函式放在這裡) ...
 def calculate_technical_indicators(df):
     """計算技術指標"""
     if df.empty: return df
@@ -296,27 +273,20 @@ def get_pmi_data():
         return pd.DataFrame()
 
 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')
-
         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}
@@ -324,23 +294,19 @@ def generate_gemini_analysis(stock_name, stock_symbol, period, data):
         - **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:
@@ -348,9 +314,7 @@ def generate_gemini_analysis(stock_name, stock_symbol, period, data):
             market_outlook = parts[1].strip()
             return dcc.Markdown(fundamental_analysis), dcc.Markdown(market_outlook)
         else:
-            # Fallback for unexpected response format
             return dcc.Markdown("無法解析 Gemini 回應，請稍後再試。"), dcc.Markdown(response.text)
-
     except Exception as e:
         error_message = f"呼叫 Gemini API 時發生錯誤: {str(e)}"
         print(error_message)
@@ -367,7 +331,8 @@ except Exception as e:
     print(f"錯誤：新聞情緒分析模型初始化失敗 - {e}")
     predictor = None
 
-# 應用程式佈局
+# (應用程式佈局 app.layout 保持不變)
+# ... (此處省略整個 app.layout 區塊，與您原檔案相同) ...
 app.layout = html.Div([
     html.H1("台股分析儀表板", style={'text-align': 'center', 'margin-bottom': '30px'}),
     html.Div([
@@ -379,7 +344,8 @@ app.layout = html.Div([
                     options=[
                         {'label': '1日後預測', 'value': 1},{'label': '5日後預測', 'value': 5},
                         {'label': '10日後預測', 'value': 10},{'label': '20日後預測', 'value': 20},
-                        {'label': '60日後預測', 'value': 60}], value=5,
+                        # {'label': '60日後預測', 'value': 60} # 您的模型不支援60天，暫時註解
+                        ], value=5,
                     style={'margin-bottom': '10px', 'color': '#272727'})
             ], style={'width': '30%', 'display': 'inline-block'}),
             html.Div(id='taiex-prediction-results', style={'width': '65%', 'display': 'inline-block', 'margin-left': '5%'})
@@ -387,6 +353,7 @@ 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'}),
     
+    # ... (後續 layout 省略，與您原檔案相同)
     html.Div([
         html.H3("📰 市場情緒與新聞分析", style={'color': '#E74C3C', 'margin-bottom': '20px'}),
         html.Div([
@@ -412,7 +379,7 @@ app.layout = html.Div([
     html.Div([
         html.Div([
             html.Label("選擇股票:"),
-            dcc.Dropdown(id='stock-dropdown', options=[{'label': name, 'value': symbol} for name, symbol in TAIWAN_STOCKS.items()], value='0050.TW', style={'margin-bottom': '10px'})
+            dcc.Dropdown(id='stock-dropdown', options=[{'label': name, 'value': symbol} for name, symbol in TAIWAN_STOCKS.items()], value='2330.TW', style={'margin-bottom': '10px'})
         ], style={'width': '30%', 'display': 'inline-block', 'vertical-align': 'top'}),
         html.Div([
             html.Label("時間範圍:"),
@@ -478,6 +445,9 @@ 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)'}),
 ])
 
+
+# (所有 Callback 函式保持不變，除了 update_taiex_prediction 內部的邏輯已透過 get_prediction 更新)
+# ... (此處省略所有未修改的 Callback 函式) ...
 @app.callback(
     [dash.dependencies.Output('taiex-prediction-results', 'children'),
      dash.dependencies.Output('taiex-prediction-chart', 'figure')],
@@ -487,10 +457,10 @@ def update_taiex_prediction(predict_days):
     data = get_stock_data('^TWII', '2y')
     if data.empty: return html.Div("無法獲取台指期資料"), {}
     
-    # === 修改點：統一呼叫 get_prediction 控制器 ===
+    # === 呼叫 get_prediction 控制器，它會自動選擇模型 ===
     final_prediction = get_prediction(data, predict_days)
     
-    if final_prediction is None: return html.Div("資料不足，無法進行預測"), {}
+    if final_prediction is None: return html.Div("資料不足或模型無法預測此天期"), {}
     current_price, last_date = data['Close'].iloc[-1], data.index[-1]
     predicted_price, change_pct, confidence = final_prediction['predicted_price'], final_prediction['change_pct'], final_prediction['confidence']
     
@@ -499,13 +469,12 @@ def update_taiex_prediction(predict_days):
     prediction_dates, prediction_prices = [last_date], [current_price]
     
     for days in intervals_to_predict:
-        # === 修改點：迴圈內也使用統一的預測控制器 ===
+        # === 迴圈內也使用統一的預測控制器 ===
         interim_prediction = get_prediction(data, days)
         if interim_prediction:
             prediction_dates.append(last_date + timedelta(days=days))
             prediction_prices.append(interim_prediction['predicted_price'])
             
-    # (後續繪圖邏輯不變)
     color, arrow = ('red', '📈') if change_pct >= 0 else ('green', '📉')
     result_card = html.Div([
         html.H4(f"{predict_days}日後預測結果", style={'margin': '0 0 15px 0', 'color': 'white'}),
@@ -520,6 +489,7 @@ 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
 
+# ... (其他所有 callback 函式都無需修改)
 @app.callback(
     dash.dependencies.Output('stock-info-cards', 'children'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -546,239 +516,7 @@ def update_stock_info(selected_stock):
             html.P(f"成交量: {data['Volume'].iloc[-1]:,.0f}", style={'margin': '5px 0'})
         ], style={'background': 'white','padding': '20px','border-radius': '10px','box-shadow': '0 2px 10px rgba(0,0,0,0.1)','display': 'inline-block'})
     ])
-
-@app.callback(
-    dash.dependencies.Output('price-chart', 'figure'),
-    [dash.dependencies.Input('stock-dropdown', 'value'),
-     dash.dependencies.Input('period-dropdown', 'value'),
-     dash.dependencies.Input('chart-type', 'value')]
-)
-def update_price_chart(selected_stock, period, chart_type):
-    data = get_stock_data(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 = make_subplots(rows=1, cols=2, shared_yaxes=True, column_widths=[0.8, 0.2], horizontal_spacing=0.01)
-    if chart_type == 'candlestick':
-        fig.add_trace(go.Candlestick(x=data.index, open=data['Open'], high=data['High'], low=data['Low'], close=data['Close'], name=stock_name, increasing_line_color='red', decreasing_line_color='green'), row=1, col=1)
-    else:
-        fig.add_trace(px.line(data, y='Close').data[0], row=1, col=1)
-    fig.add_trace(go.Scatter(x=data.index, y=data['MA5'], mode='lines', name='MA5', line=dict(color='orange')), row=1, col=1)
-    fig.add_trace(go.Scatter(x=data.index, y=data['MA20'], mode='lines', name='MA20', line=dict(color='blue')), row=1, col=1)
-    bin_edges, volume_per_bin, price_centers = calculate_volume_profile(data, num_bins=50)
-    if volume_per_bin is not None:
-        fig.add_trace(go.Bar(orientation='h', y=price_centers, x=volume_per_bin, name='Volume Profile', text=[f'{vol/1000:.0f}k' for vol in volume_per_bin], textposition='auto', marker=dict(color='rgba(173, 216, 230, 0.6)', line=dict(color='rgba(30, 144, 255, 0.8)', width=1))), row=1, col=2)
-    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
-
-@app.callback(
-    dash.dependencies.Output('advanced-technical-chart', 'figure'),
-    [dash.dependencies.Input('technical-indicator-selector', 'value'),
-     dash.dependencies.Input('stock-dropdown', 'value'),
-     dash.dependencies.Input('period-dropdown', 'value')]
-)
-def update_advanced_technical_chart(indicator, selected_stock, period):
-    data = get_stock_data(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()
-    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)))
-        fig.add_hline(y=70, line_dash="dash", line_color="green", annotation_text="超買線(70)")
-        fig.add_hline(y=30, line_dash="dash", line_color="red", annotation_text="超賣線(30)")
-        fig.add_hline(y=50, line_dash="dot", line_color="gray", annotation_text="中線(50)")
-        fig.update_layout(title=f'{stock_name} - RSI 相對強弱指標', xaxis_title='日期', yaxis_title='RSI', height=450, yaxis=dict(range=[0, 100]))
-    elif indicator == 'MACD':
-        fig = make_subplots(rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.1, row_heights=[0.7, 0.3], subplot_titles=('價格走勢', 'MACD 指標'))
-        fig.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='收盤價', line=dict(color='black', width=1.5)), row=1, col=1)
-        fig.add_trace(go.Scatter(x=data.index, y=data['MACD'], mode='lines', name='MACD (快線)', line=dict(color='blue', width=2)), row=2, col=1)
-        fig.add_trace(go.Scatter(x=data.index, y=data['MACD_Signal'], mode='lines', name='Signal (慢線)', line=dict(color='red', width=2)), row=2, col=1)
-        colors = ['red' if x >= 0 else 'green' for x in data['MACD_Histogram']]
-        fig.add_trace(go.Bar(x=data.index, y=data['MACD_Histogram'], name='MACD柱狀圖', marker_color=colors), row=2, col=1)
-        fig.update_layout(title_text=f'{stock_name} - MACD 指數平滑異同移動平均線', height=550)
-    elif indicator == 'BB':
-        fig = go.Figure()
-        fig.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='收盤價', line=dict(color='black', width=2)))
-        fig.add_trace(go.Scatter(x=data.index, y=data['BB_Upper'], mode='lines', name='上軌', line=dict(color='red', width=1, dash='dash')))
-        fig.add_trace(go.Scatter(x=data.index, y=data['BB_Middle'], mode='lines', name='中軌(MA20)', line=dict(color='blue', width=1)))
-        fig.add_trace(go.Scatter(x=data.index, y=data['BB_Lower'], mode='lines', name='下軌', line=dict(color='green', width=1, dash='dash')))
-        fig.update_layout(title=f'{stock_name} - 布林通道 (20日, 2σ)', xaxis_title='日期', yaxis_title='價格 (TWD)', height=450)
-    elif indicator == 'KD':
-        fig = make_subplots(rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.1, row_heights=[0.6, 0.4], subplot_titles=('價格走勢', 'KD指標'))
-        fig.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='收盤價', line=dict(color='black', width=1)), row=1, col=1)
-        fig.add_trace(go.Scatter(x=data.index, y=data['K'], mode='lines', name='K線', line=dict(color='blue', width=2)), row=2, col=1)
-        fig.add_trace(go.Scatter(x=data.index, y=data['D'], mode='lines', name='D線', line=dict(color='red', width=2)), row=2, col=1)
-        fig.add_hline(y=80, line_dash="dash", line_color="green", annotation_text="超買線(80)", row=2, col=1)
-        fig.add_hline(y=20, line_dash="dash", line_color="red", annotation_text="超賣線(20)", row=2, col=1)
-        fig.update_layout(title=f'{stock_name} - KD 隨機指標 (9,3,3)', height=500, yaxis2_range=[0, 100])
-    elif indicator == 'WR':
-        fig = make_subplots(rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.1, row_heights=[0.6, 0.4], subplot_titles=('價格走勢', '威廉指標 %R'))
-        fig.add_trace(go.Scatter(x=data.index, y=data['Close'], mode='lines', name='收盤價', line=dict(color='black', width=1)), row=1, col=1)
-        fig.add_trace(go.Scatter(x=data.index, y=data['Williams_R'], mode='lines', name='威廉%R', line=dict(color='purple', width=2)), row=2, col=1)
-        fig.add_hline(y=-20, line_dash="dash", line_color="green", annotation_text="超買線(-20)", row=2, col=1)
-        fig.add_hline(y=-80, line_dash="dash", line_color="red", annotation_text="超賣線(-80)", row=2, col=1)
-        fig.update_layout(title=f'{stock_name} - 威廉指標 %R (14日)', height=500, yaxis2_range=[-100, 0])
-    elif indicator == 'DMI':
-        fig = make_subplots(rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.1, row_heights=[0.6, 0.4], subplot_titles=('價格走勢', 'DMI 指標'))
-        data_filtered = data.iloc[14:]
-        fig.add_trace(go.Scatter(x=data_filtered.index, y=data_filtered['Close'], mode='lines', name='收盤價', line=dict(color='black', width=1)), row=1, col=1)
-        fig.add_trace(go.Scatter(x=data_filtered.index, y=data_filtered['+DI'], mode='lines', name='+DI', line=dict(color='red', width=2)), row=2, col=1)
-        fig.add_trace(go.Scatter(x=data_filtered.index, y=data_filtered['-DI'], mode='lines', name='-DI', line=dict(color='green', width=2)), row=2, col=1)
-        fig.add_trace(go.Scatter(x=data_filtered.index, y=data_filtered['ADX'], mode='lines', name='ADX', line=dict(color='blue', width=2, dash='dot')), row=2, col=1)
-        fig.update_layout(title=f'{stock_name} - DMI 動向指標 (14日)', height=500, showlegend=True, yaxis2_range=[0, 100])
-    return fig
-
-@app.callback(
-    dash.dependencies.Output('volume-chart', 'figure'),
-    [dash.dependencies.Input('stock-dropdown', 'value'),
-     dash.dependencies.Input('period-dropdown', 'value')]
-)
-def update_volume_chart(selected_stock, period):
-    data = get_stock_data(selected_stock, period)
-    if data.empty: return {}
-    stock_name = [name for name, symbol in TAIWAN_STOCKS.items() if symbol == selected_stock][0]
-    colors = ['red' if data['Close'].iloc[i] > data['Open'].iloc[i] else 'green' for i in range(len(data))]
-    fig = go.Figure(go.Bar(x=data.index, y=data['Volume'], marker_color=colors, name='成交量'))
-    fig.update_layout(title=f'{stock_name} 成交量', xaxis_title='日期', yaxis_title='成交量', height=300)
-    return fig
-
-@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():
-        data = get_stock_data(symbol, '1mo')
-        if not data.empty and len(data) > 1:
-            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)
-    return fig
-
-@app.callback(
-    dash.dependencies.Output('business-climate-chart', 'figure'),
-    [dash.dependencies.Input('stock-dropdown', 'value')]
-)
-def update_business_climate_chart(selected_stock):
-    df = get_business_climate_data()
-    if df.empty:
-        fig = go.Figure().add_annotation(text="無法載入景氣燈號資料", showarrow=False)
-        fig.update_layout(title="台灣景氣燈號", height=300)
-        return fig
-    def get_light_color(score):
-        if score >= 32: return 'red'
-        elif score >= 24: return 'orange'
-        elif score >= 17: return 'yellow'
-        elif score >= 10: return 'lightgreen'
-        else: return 'blue'
-    colors = [get_light_color(score) for score in df['Index']]
-    fig = go.Figure()
-    fig.add_trace(go.Scatter(x=df['Date'], y=df['Index'], mode='lines+markers', name='景氣燈號', line=dict(color='darkblue', width=2), marker=dict(size=8, color=colors, line=dict(width=2, color='darkblue'))))
-    fig.add_hline(y=32, line_dash="dash", line_color="red", annotation_text="紅燈(32)")
-    fig.add_hline(y=17, line_dash="dash", line_color="yellow", annotation_text="黃燈(17)")
-    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 (CACHE INTEGRATED) =========================
-@app.callback(
-    [dash.dependencies.Output('technical-analysis-text', 'children'),
-     dash.dependencies.Output('fundamental-analysis-text', 'children'),
-     dash.dependencies.Output('market-outlook-text', 'children')],
-    [dash.dependencies.Input('stock-dropdown', 'value'),
-     dash.dependencies.Input('period-dropdown', 'value')]
-)
-def update_analysis_text(selected_stock, period):
-    # 建立快取的唯一鍵值
-    cache_key = f"{selected_stock}-{period}"
-    current_time = time.time()
-
-    # 1. 檢查快取
-    if cache_key in ANALYSIS_CACHE:
-        cached_data = ANALYSIS_CACHE[cache_key]
-        if current_time - cached_data['timestamp'] < CACHE_DURATION_SECONDS:
-            print(f"從快取載入分析: {cache_key}")
-            # 直接回傳快取的內容
-            return cached_data['technical'], cached_data['fundamental'], cached_data['outlook']
-
-    print(f"重新生成分析: {cache_key}")
-    # --- 如果快取沒有，才繼續執行以下程式 ---
-
-    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:
-        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"
-    
-    data = calculate_technical_indicators(data)
-    
-    # 2. 技術面分析
-    price_change = ((data['Close'].iloc[-1] - 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'}。"]),
-    ])
-    
-    # 3. 基本面與展望分析 (呼叫 Gemini)
-    fundamental_text, market_outlook_text = generate_gemini_analysis(stock_name, selected_stock, period, data)
-    
-    # 4. 將新產生的結果存入快取
-    ANALYSIS_CACHE[cache_key] = {
-        'technical': technical_text,
-        'fundamental': fundamental_text,
-        'outlook': market_outlook_text,
-        'timestamp': current_time
-    }
-
-    return technical_text, fundamental_text, market_outlook_text
-# ========================== MODIFIED SECTION END ==========================
-
-@app.callback(
-    dash.dependencies.Output('pmi-chart', 'figure'),
-    [dash.dependencies.Input('stock-dropdown', 'value')]
-)
-def update_pmi_chart(selected_stock):
-    df = get_pmi_data()
-    if df.empty:
-        fig = go.Figure().add_annotation(text="無法載入PMI資料", showarrow=False)
-        fig.update_layout(title="台灣PMI指數", height=300)
-        return fig
-    colors = ['red' if value >= 50 else 'green' for value in df['Index']]
-    fig = go.Figure()
-    fig.add_trace(go.Scatter(x=df['Date'], y=df['Index'], mode='lines+markers', name='PMI指數', line=dict(color='darkblue', width=2), marker=dict(size=8, color=colors, line=dict(width=2, color='darkblue'))))
-    fig.add_hline(y=50, line_dash="dash", line_color="black", annotation_text="榮枯線(50)")
-    fig.update_layout(title="台灣PMI指數走勢", xaxis_title='日期', yaxis_title='PMI指數', height=300, yaxis=dict(range=[35, 60]))
-    return fig
-
+# ... 繼續貼上您剩餘的所有 callback functions ...
 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。
@@ -808,94 +546,4 @@ def summarize_news_with_gemini(news_list: list) -> str:
 
     except Exception as e:
         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}"
-
-@app.callback(
-    [dash.dependencies.Output('comparison-chart', 'figure'),
-     dash.dependencies.Output('comparison-table', 'children')],
-    [dash.dependencies.Input('comparison-stocks', 'value'),
-     dash.dependencies.Input('comparison-period', 'value')]
-)
-def update_comparison_analysis(selected_stocks, period):
-    fixed_stock = '0050.TW'
-    if not selected_stocks: selected_stocks = [fixed_stock]
-    elif fixed_stock not in selected_stocks: selected_stocks.insert(0, fixed_stock)
-    selected_stocks = selected_stocks[:5]
-    fig = go.Figure()
-    comparison_data = []
-    for stock in selected_stocks:
-        data = get_stock_data(stock, period)
-        if not data.empty:
-            stock_name = next((name for name, symbol in TAIWAN_STOCKS.items() if symbol == stock), stock)
-            normalized_prices = (data['Close'] / data['Close'].iloc[0]) * 100
-            fig.add_trace(go.Scatter(x=data.index, y=normalized_prices, mode='lines', name=stock_name, line=dict(width=2)))
-            total_return = ((data['Close'].iloc[-1] / data['Close'].iloc[0]) - 1) * 100
-            volatility = data['Close'].pct_change().std() * np.sqrt(252) * 100
-            comparison_data.append({'name': stock_name, 'return': total_return, 'volatility': volatility, 'current_price': data['Close'].iloc[-1]})
-    fig.update_layout(title=f'股票績效比較 - {period}', xaxis_title='日期', yaxis_title='相對績效 (基期=100)', height=400, hovermode='x unified')
-    if comparison_data:
-        table_rows = []
-        for item in sorted(comparison_data, key=lambda x: x['return'], reverse=True):
-            color = 'red' if item['return'] > 0 else 'green'
-            table_rows.append(html.Tr([html.Td(item['name'], style={'font-weight': 'bold'}), html.Td(f"{item['return']:+.1f}%", style={'color': color, 'font-weight': 'bold'}), html.Td(f"{item['volatility']:.1f}%"), html.Td(f"${item['current_price']:.2f}")]))
-        table = html.Table([html.Thead(html.Tr([html.Th("股票"), html.Th("報酬率"), html.Th("波動率"), html.Th("現價")])), html.Tbody(table_rows)], style={'width': '100%'})
-        return fig, table
-    return fig, html.Div("無可比較資料")
-
-@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):
-    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。")
-
-    sentiment_score_raw = predictor.get_news_index()
-
-    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))
-        if sentiment_score_normalized >= 65:
-            bar_color, level_text = "#5cb85c", "樂觀"
-        elif sentiment_score_normalized >= 35:
-            bar_color, level_text = "#f0ad4e", "中性"
-        else:
-            bar_color, level_text = "#d9534f", "悲觀"
-        gauge_fig = go.Figure(go.Indicator(
-            mode = "gauge+number", value = sentiment_score_normalized,
-            domain = {'x': [0, 1], 'y': [0, 1]},
-            title = {'text': f"昨日市場情緒: {level_text}", 'font': {'size': 18}},
-            gauge = {'axis': {'range': [0, 100]}, 'bar': {'color': bar_color},
-                     'steps': [{'range': [0, 35], 'color': "rgba(217, 83, 79, 0.2)"},
-                               {'range': [35, 65], 'color': "rgba(240, 173, 78, 0.2)"},
-                               {'range': [65, 100], 'color': "rgba(92, 184, 92, 0.2)"}]}
-        ))
-        gauge_fig.update_layout(height=200, margin=dict(l=30, r=30, t=50, b=20))
-        gauge_content = dcc.Graph(figure=gauge_fig)
-    else:
-        error_fig = go.Figure().add_annotation(text="今日尚無情緒分數", showarrow=False)
-        error_fig.update_layout(height=200)
-        gauge_content = dcc.Graph(figure=error_fig)
-
-    top_news_list = predictor.get_news()
-    news_content = None
-
-    if top_news_list and isinstance(top_news_list, list):
-        summary_text = summarize_news_with_gemini(top_news_list)
-        news_content = dcc.Markdown(summary_text, style={
-            'margin': '8px 0', 'padding-left': '5px',
-            'font-size': '15px', 'line-height': '1.7'
-        })
-    elif top_news_list == []:
-         news_content = html.P("昨日無重大相關新聞。", style={'text-align': 'center', 'padding-top': '50px'})
-    else:
-        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__':
-    app.run(host="0.0.0.0", port=7860, debug=False)
+        return f"無法