Update app.py

app.py

@@ -1,4 +1,4 @@
-# HUGING_FACE_V4.2(輕量AI版).py - 已整合 XGBoost 模型 (最終修正版)
+# HUGING_FACE_V4.2(輕量AI版).py - 已整合 XGBoost 模型
 
 # 系統套件
 import os
@@ -18,28 +18,38 @@ import requests
 import time # 引用 time 模組以處理時間戳
 
 # ========================= 引用外部模組 START =========================
+# 引用您組員的預測器程式
 from Bert_predict import BertPredictor
+
+# 【修改 1】: 匯入 XGBoostModel 類別
 from model_predictor import XGBoostModel
 # ========================== 引用外部模組 END ==========================
 
 # ========================= 全域設定 START =========================
+# 【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：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 (省略)
+# 台股代號對應表
 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',
@@ -58,7 +68,7 @@ TAIWAN_STOCKS = {
     '譜瑞-KY': '4966.TWO', '貿聯-KY': '3665.TW', '騰雲': '6870.TWO', '穩懋': '3105.TWO'
 }
 
-# 產業分類 (省略)
+# 產業分類
 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',
@@ -78,6 +88,7 @@ INDUSTRY_MAPPING = {
 }
 
 def get_stock_data(symbol, period='1y'):
+    """獲取股票資料"""
     try:
         stock = yf.Ticker(symbol)
         data = stock.history(period=period)
@@ -92,6 +103,7 @@ def get_stock_data(symbol, period='1y'):
         return pd.DataFrame()
 
 def simple_statistical_predict(data, predict_days=5):
+    """【備用模型】簡化的統計預測模型。"""
     if len(data) < 60: return None
     prices = data['Close'].values
     ma_short = np.mean(prices[-5:])
@@ -106,42 +118,101 @@ 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
+# 修正後的 advanced_xgboost_predict 函數
 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:
+        print("XGBoost 模型未載入或數據為空")
         return None
-    feature_columns = ['Open', 'High', 'Low', 'Volume']
-    input_df = data.tail(1)
-    if not all(col in input_df.columns for col in feature_columns):
-        print(f"錯誤: 輸入資料缺少必要欄位。需要 {feature_columns}")
+
+    # 1. 準備輸入資料
+    # 確保數據有足夠的歷史記錄
+    if len(data) < 20:
+        print("歷史數據不足，無法使用 XGBoost 模型")
+        return None
+    
+    # 使用最新的資料點來進行未來預測
+    input_df = data.tail(1).copy()
+    
+    # 檢查必要欄位是否存在
+    required_columns = ['Open', 'High', 'Low', 'Close', 'Volume']
+    missing_columns = [col for col in required_columns if col not in input_df.columns]
+    if missing_columns:
+        print(f"缺少必要欄位: {missing_columns}")
         return None
-    input_df_filtered = input_df[feature_columns]
+
     try:
-        predictions = xgb_model.predict('xgboost_model', input_df_filtered)
-        day_to_key_map = {1: 'Close_t0_pred', 5: 'Close_t5_pred', 10: 'Close_t10_pred', 20: 'Close_t20_pred', 60: None}
+        # 2. 呼叫模型預測
+        print(f"呼叫 XGBoost 模型進行 {predict_days} 天預測...")
+        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��� t0 代表 1 天後
+            5: 'Close_t5_pred',
+            10: 'Close_t10_pred',
+            20: 'Close_t20_pred'
+        }
+        
+        # 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
+            print(f"警告: XGBoost 模型沒有提供 {predict_days} 天的預測結果。可用鍵值: {list(predictions.keys())}")
+            # 如果沒有對應的預測期間，嘗試使用最接近的
+            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")
+
         predicted_price = predictions[prediction_key]
         current_price = data['Close'].iloc[-1]
         change_pct = ((predicted_price - current_price) / current_price) * 100
-        return {'predicted_price': predicted_price, 'change_pct': change_pct, 'confidence': 0.95}
+
+        # 4. 包裝成主程式所需的格式
+        result = {
+            'predicted_price': float(predicted_price),
+            'change_pct': float(change_pct),
+            'confidence': 0.85  # XGBoost 模型通常有較高的信心度
+        }
+        
+        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}")
+        import traceback
+        traceback.print_exc()
         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)
 
 def calculate_technical_indicators(df):
+    """計算技術指標"""
     if df.empty: return df
     df['MA5'] = df['Close'].rolling(window=5).mean()
     df['MA20'] = df['Close'].rolling(window=20).mean()
@@ -178,43 +249,42 @@ def calculate_technical_indicators(df):
     df['ADX'] = df['DX'].ewm(com=13, adjust=False).mean()
     return df
 
-# 【【【主要修正點】】】: 修正 calculate_volume_profile 函式以處理 NaN 和 shape 不匹配問題
+# 修正後的 calculate_volume_profile 函數
 def calculate_volume_profile(df, num_bins=50):
-    if df.empty or 'High' not in df.columns or 'Low' not in df.columns or 'Volume' not in df.columns:
-        return None, None, None
-
-    # 建立一個包含所需欄位的臨時 DataFrame
-    df_temp = pd.DataFrame({
-        'High': df['High'],
-        'Low': df['Low'],
-        'Close': df['Close'],
-        'Volume': df['Volume']
-    })
-
-    # 一次性移除任何欄位包含 NaN 的整行資料
-    df_temp.dropna(inplace=True)
-
-    if df_temp.empty:
+    if df.empty or 'High' not in df.columns or 'Low' not in df.columns or 'Volume' not in df.columns: 
         return None, None, None
-
-    # 從清理過的 DataFrame 中獲取資料
-    all_prices = np.concatenate([df_temp['High'].values, df_temp['Low'].values])
     
-    if all_prices.size == 0:
+    # 確保沒有 NaN 值
+    df_clean = df.dropna(subset=['High', 'Low', 'Close', 'Volume'])
+    if df_clean.empty:
         return None, None, None
-        
+    
+    all_prices = np.concatenate([df_clean['High'].values, df_clean['Low'].values])
     min_price, max_price = all_prices.min(), all_prices.max()
     
-    if min_price >= max_price:
+    # 使用典型價格 (High + Low + Close) / 3 作為價格指標
+    price_for_volume = (df_clean['High'] + df_clean['Low'] + df_clean['Close']) / 3
+    
+    # 移除 NaN 值並確保對應的權重也被移除
+    price_indicator = price_for_volume.dropna()
+    corresponding_volume = df_clean['Volume'].loc[price_indicator.index]
+    
+    # 再次檢查是否有空數據
+    if len(price_indicator) == 0 or len(corresponding_volume) == 0:
         return None, None, None
-        
-    price_for_volume = (df_temp['High'] + df_temp['Low'] + df_temp['Close']) / 3
-    weights = df_temp['Volume'].values
     
-    # 現在 price_for_volume 和 weights 的長度保證一致
-    hist, bin_edges = np.histogram(price_for_volume, bins=num_bins, range=(min_price, max_price), weights=weights)
-    price_centers = (bin_edges[:-1] + bin_edges[1:]) / 2
-    return bin_edges, hist, price_centers
+    try:
+        hist, bin_edges = np.histogram(
+            price_indicator.values, 
+            bins=num_bins, 
+            range=(min_price, max_price), 
+            weights=corresponding_volume.values
+        )
+        price_centers = (bin_edges[:-1] + bin_edges[1:]) / 2
+        return bin_edges, hist, price_centers
+    except Exception as e:
+        print(f"Volume profile 計算錯誤: {e}")
+        return None, None, None
 
 def get_business_climate_data():
     try:
@@ -246,19 +316,27 @@ 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」。
+        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}
@@ -266,12 +344,23 @@ 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。
+        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]
+        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:
@@ -279,7 +368,9 @@ 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)
@@ -287,7 +378,6 @@ def generate_gemini_analysis(stock_name, stock_symbol, period, data):
 
 # 建立 Dash 應用程式
 app = dash.Dash(__name__, suppress_callback_exceptions=True)
-server = app.server
 
 try:
     print("正在初始化新聞情緒��析模型...")
@@ -297,7 +387,7 @@ 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 (省略)
+# 應用程式佈局
 app.layout = html.Div([
     html.H1("台股分析儀表板", style={'text-align': 'center', 'margin-bottom': '30px'}),
     html.Div([
@@ -316,6 +406,7 @@ 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'}),
+    
     html.Div([
         html.H3("📰 市場情緒與新聞分析", style={'color': '#E74C3C', 'margin-bottom': '20px'}),
         html.Div([
@@ -329,6 +420,7 @@ app.layout = html.Div([
             ], style={'width': '48%', 'display': 'inline-block', 'margin-left': '4%'})
         ])
     ], style={'margin-top': '30px','padding': '20px','background': 'white','border-radius': '10px','box-shadow': '0 2px 10px rgba(0,0,0,0.1)'}),
+
     html.Div([
         html.H3("景氣燈號與 PMI 分析"),
         html.Div([
@@ -336,10 +428,11 @@ app.layout = html.Div([
             html.Div([dcc.Graph(id='pmi-chart')], style={'width': '48%', 'display': 'inline-block', 'margin-left': '2%'})
         ])
     ], style={'margin-top': '30px'}),
+    
     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='2330.TW', style={'margin-bottom': '10px'})
+            dcc.Dropdown(id='stock-dropdown', options=[{'label': name, 'value': symbol} for name, symbol in TAIWAN_STOCKS.items()], value='0050.TW', style={'margin-bottom': '10px'})
         ], style={'width': '30%', 'display': 'inline-block', 'vertical-align': 'top'}),
         html.Div([
             html.Label("時間範圍:"),
@@ -352,6 +445,7 @@ app.layout = html.Div([
             dcc.Dropdown(id='chart-type', options=[{'label': '線圖', 'value': 'line'},{'label': '蠟燭圖', 'value': 'candlestick'}], value='candlestick', style={'margin-bottom': '10px'})
         ], style={'width': '30%', 'display': 'inline-block', 'margin-left': '5%', 'vertical-align': 'top'})
     ], style={'margin-bottom': '30px'}),
+
     html.Div(id='stock-info-cards', style={'margin-bottom': '30px'}),
     html.Div([html.Div([dcc.Graph(id='price-chart')], style={'width': '100%', 'display': 'inline-block', 'vertical-align': 'top'})]),
     html.Div([
@@ -404,7 +498,6 @@ 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 (省略)
 @app.callback(
     [dash.dependencies.Output('taiex-prediction-results', 'children'),
      dash.dependencies.Output('taiex-prediction-chart', 'figure')],
@@ -413,18 +506,26 @@ app.layout = html.Div([
 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"), {}
+    
+    # === 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("資料不足或模型無法預測此天期"), {}
+    
+    if final_prediction is None: return html.Div("資料不足，無法進行預測"), {}
     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']
-    prediction_paths = {1: [1], 5: [1, 5], 10: [1, 5, 10], 20: [1, 10, 20]}
+    
+    prediction_paths = {1: [1], 5: [1, 5], 10: [1, 5, 10], 20: [1, 10, 20], 60: [1, 10, 20, 60]}
     intervals_to_predict = prediction_paths.get(predict_days, [predict_days])
     prediction_dates, prediction_prices = [last_date], [current_price]
+    
     for days in intervals_to_predict:
+        # === 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'}),
@@ -472,22 +573,82 @@ def update_stock_info(selected_stock):
      dash.dependencies.Input('period-dropdown', 'value'),
      dash.dependencies.Input('chart-type', 'value')]
 )
-def update_price_chart(selected_stock, period, chart_type):
+# 修正後的 update_price_chart callback 函數的相關部分
+def update_price_chart_fixed(selected_stock, period, chart_type):
     data = get_stock_data(selected_stock, period)
-    if data.empty: return {}
+    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)
+    
+    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)
+        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)
+        fig.add_trace(go.Scatter(
+            x=data.index, 
+            y=data['Close'], 
+            mode='lines', 
+            name=stock_name
+        ), row=1, col=1)
+    
+    # 添加移動平均線
+    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)
+    
+    # 修正後的 Volume Profile 計算
     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)
+    
+    if volume_per_bin is not None and price_centers 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(
@@ -573,15 +734,30 @@ def update_industry_analysis(selected_stock):
         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)})
+            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 = 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
 
@@ -619,28 +795,41 @@ def update_business_climate_chart(selected_stock):
 def update_analysis_text(selected_stock, period):
     cache_key = f"{selected_stock}-{period}"
     current_time = time.time()
+
     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}")
             return cached_data['technical'], cached_data['fundamental'], cached_data['outlook']
-    print(f"重新生成分析: {selected_stock}-{period}")
+
+    print(f"重新生成分析: {cache_key}")
     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)
+    
     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'}。"]),
     ])
+    
     fundamental_text, market_outlook_text = generate_gemini_analysis(stock_name, selected_stock, period, data)
-    ANALYSIS_CACHE[cache_key] = {'technical': technical_text, 'fundamental': fundamental_text, 'outlook': market_outlook_text, 'timestamp': current_time}
+    
+    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
 
 @app.callback(
@@ -661,20 +850,32 @@ def update_pmi_chart(selected_stock):
     return fig
 
 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。
+    """
     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')
+
         formatted_news = "\n".join([f"- {news}" for news in news_list])
+
         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。提供3段重點，請專注於可能影響市場情緒和股價的關鍵資訊，並直接提供摘要內容，不要包含任何額外的問候語或說明。
+        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。
+        提供3段重點，
+        請專注於可能影響市場情緒和股價的關鍵資訊，並直接提供摘要內容，不要包含任何額外的問候語或說明。
+
         英文新聞標題如下：
         {formatted_news}
         """
+
         response = model.generate_content(prompt)
         return response.text
+
     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}"
@@ -699,7 +900,7 @@ def update_comparison_analysis(selected_stocks, period):
             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(fill_method=None).std() * np.sqrt(252) * 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:
@@ -721,7 +922,9 @@ def update_sentiment_analysis(selected_stock):
         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))
@@ -746,15 +949,21 @@ def update_sentiment_analysis(selected_stock):
         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'})
+        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