Update app.py

app.py

@@ -84,49 +84,45 @@ def create_lstm_dataset(data, time_step=60):
         y.append(data[i, 0])
     return np.array(X), np.array(y)
 
-def simple_lstm_predict(df_futures):
-    
-    # 這裡的 df_futures 應為台指期歷史資料
-    # 請確保資料集的特徵（例如：'Close'）與您模型訓練時的特徵一致。
-    data_to_predict = df_futures['Close'].values.reshape(-1, 1)
-
-    # 模型訓練時通常會進行資料正規化，預測時也需要做同樣的處理
-    # 請使用與訓練時相同的scaler，如果沒有，這裡用MinMaxScaler作為範例
-    scaler = MinMaxScaler(feature_range=(0, 1))
-    scaled_data = scaler.fit_transform(data_to_predict)
-
-    # 假設您的模型需要 60 天的數據來預測下一個點
-    # 這裡可以根據您的模型需求進行調整
-    sequence_length = 60
-    if len(scaled_data) < sequence_length:
-        return None, "數據長度不足以進行預測。"
-
-    # 取得最新的 60 天資料作為輸入
-    last_60_days = scaled_data[-sequence_length:]
-    X_test = np.array([last_60_days])
-    
-    # 將資料重塑為模型期望的形狀：[樣本數, 序列長度, 特徵數]
-    X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
-
-    try:
-        # 載入已訓練好的 LSTM 模型
-        model = tf.keras.models.load_model('stock_lstm_model_v2.keras')
+def simple_lstm_predict(data, predict_days=5):
+    """簡化的LSTM預測模型 (使用統計方法模擬)"""
+    if len(data) < 60:
+        return None
+
+    # 使用移動平均和趨勢分析來模擬深度學習預測
+    prices = data['Close'].values
+
+    # 計算短期和長期移動平均
+    ma_short = np.mean(prices[-5:])
+    ma_medium = np.mean(prices[-20:])
+    ma_long = np.mean(prices[-60:])
+
+    # 計算價格變化趨勢
+    recent_trend = np.polyfit(range(20), prices[-20:], 1)[0]
+    volatility = np.std(prices[-20:]) / np.mean(prices[-20:])
+
+    # 模擬預測邏輯
+    base_change = recent_trend * predict_days
+    trend_factor = 1.0
+
+    if ma_short > ma_medium > ma_long:
+        trend_factor = 1.02  # 上升趨勢
+    elif ma_short < ma_medium < ma_long:
+        trend_factor = 0.98  # 下降趨勢
+    else:
+        trend_factor = 1.0   # 盤整
 
-        # 進行預測
-        predicted_value_scaled = model.predict(X_test)
-        
-        # 反正規化，將預測結果轉換回原始價格範圍
-        # 由於scaler是用整個資料集fit的，所以需要用一個假的array來反轉
-        # 這是處理單一預測值反正規化的常用方法
-        temp_array = np.zeros(shape=(1, 1))
-        temp_array[0, 0] = predicted_value_scaled[0, 0]
-        prediction = scaler.inverse_transform(temp_array)[0, 0]
+    # 加入隨機性模擬市場不確定性
+    noise_factor = np.random.normal(1, volatility * 0.1)
 
-        return prediction, f"預測台指期下一個交易日收盤價為：{prediction:.2f}點。"
+    predicted_price = prices[-1] * trend_factor + base_change + (prices[-1] * noise_factor * 0.01)
+    change_pct = ((predicted_price - prices[-1]) / prices[-1]) * 100
 
-    except Exception as e:
-        print(f"載入或預測模型時發生錯誤: {e}")
-        return None, "模型載入或預測失敗，請檢查模型檔案或輸入資料。"
+    return {
+        'predicted_price': predicted_price,
+        'change_pct': change_pct,
+        'confidence': max(0.6, 1 - volatility * 2)  # 基於波動率的信心度
+    }
 
 def calculate_technical_indicators(df):
     """計算技術指標"""