Update app.py

app.py

@@ -530,10 +530,12 @@ USE_ADVANCED_MODEL = True
 # ========================= CACHE 設定 START =========================
 # 分析結果的快取字典
 ANALYSIS_CACHE = {}
+ANALYSIS_CACHE_DURATION = 60  # 分析結果緩存60秒
 STOCK_DATA_CACHE = {}
 CACHE_EXPIRE_SECONDS = 60  # 改為1分鐘，確保數據更及時
 # 快取有效時間（秒），例如：8 小時 = 8 * 60 * 60 = 28800 秒
 CACHE_DURATION_SECONDS = 60  # 60秒緩存
+
 # ========================== CACHE 設定 END ==========================
 # ========================== 全域設定 END ==========================
 
@@ -725,27 +727,19 @@ class RiskAnalyzer:
         market_variance = np.var(combined['market'])
         return covariance / market_variance if market_variance != 0 else 0
 # ========================== 風險管理模組 END ==========================
-def initialize_app():
-    """應用初始化 - 清理緩存但保持數據真實性"""
-    global STOCK_DATA_CACHE, ANALYSIS_CACHE, BACKTEST_CACHE
-    
-    # 清理所有緩存
-    STOCK_DATA_CACHE.clear()
+def clear_all_cache():
+    """清理所有緩存"""
+    global ANALYSIS_CACHE, BACKTEST_CACHE
     ANALYSIS_CACHE.clear()
     if 'BACKTEST_CACHE' in globals():
         BACKTEST_CACHE.clear()
-    
-    print("應用初始化完成 - 緩存已清空")
-    print(f"股票數據緩存時間: {CACHE_EXPIRE_SECONDS}秒")
-    print(f"分析結果緩存時間: {ANALYSIS_CACHE_DURATION}秒")
+    print("所有緩存已清空")
     
 def get_stock_data(symbol, period='1y'):
-    """獲取股票資料 - 改進版，縮短緩存時間"""
+    """獲取股票資料 - 添加調試信息"""
     try:
-        current_time = time.time()
-        cache_key = f"{symbol}_{period}_{int(current_time/60)}"  # 每分鐘一個新的cache key
-        
-        print(f"正在獲取股票數據: {symbol}, 時間: {datetime.now().strftime('%H:%M:%S')}")
+        current_time = datetime.now()
+        print(f"[{current_time.strftime('%H:%M:%S')}] 正在獲取 {symbol} 數據...")
         
         stock = yf.Ticker(symbol)
         data = stock.history(period=period)
@@ -758,11 +752,15 @@ def get_stock_data(symbol, period='1y'):
                 data = stock.history(period=period)
         
         if not data.empty:
-            print(f"數據獲取成功: {symbol}, 最新日期: {data.index[-1].strftime('%Y-%m-%d')}, 最新收盤: {data['Close'].iloc[-1]:.2f}")
+            latest_close = data['Close'].iloc[-1]
+            latest_date = data.index[-1].strftime('%Y-%m-%d')
+            print(f"[{current_time.strftime('%H:%M:%S')}] {symbol} 數據獲取成功: {latest_date}, 收盤價: {latest_close:.2f}")
+        else:
+            print(f"[{current_time.strftime('%H:%M:%S')}] 警告: {symbol} 數據為空")
         
         return data
     except Exception as e:
-        print(f"獲取股票數據錯誤: {e}")
+        print(f"獲取 {symbol} 數據時發生錯誤: {e}")
         return pd.DataFrame()
 
 def get_us_market_data():
@@ -804,7 +802,7 @@ def get_exchange_rate():
         return 31.5
 
 def simple_statistical_predict(data, predict_days=5):
-    """簡化的統計預測模型 - 加入時間變化因子"""
+    """簡化的統計預測模型 - 基於真實市場時間變化"""
     if len(data) < 60: 
         return None
         
@@ -817,21 +815,28 @@ def simple_statistical_predict(data, predict_days=5):
     recent_trend = np.polyfit(range(20), prices[-20:], 1)[0]
     volatility = np.std(prices[-20:]) / np.mean(prices[-20:])
     
-    # 使用當前時間作為變化因子
-    current_hour = datetime.now().hour
-    current_minute = datetime.now().minute
+    # 使用系統時間作為市場變化因子
+    now = datetime.now()
     
-    # 市場時間調整因子（台股9:00-13:30）
-    if 9 <= current_hour <= 13:
-        time_factor = (current_hour - 9) * 0.001 + current_minute * 0.00001
+    # 時間相關因子（基於當前時間）
+    hour_factor = (now.hour % 24) * 0.0001  # 小時因子
+    minute_factor = now.minute * 0.000001   # 分鐘因子
+    second_factor = now.second * 0.0000001  # 秒因子
+    
+    time_factor = hour_factor + minute_factor + second_factor
+    
+    # 市場開盤時間調整
+    if 9 <= now.hour <= 13:  # 台股交易時間
+        market_active_factor = 0.001
     else:
-        time_factor = current_minute * 0.00001
+        market_active_factor = -0.0005
     
     base_change = recent_trend * predict_days
     trend_factor = 1.0 + (0.02 if ma_short > ma_medium > ma_long else -0.02 if ma_short < ma_medium < ma_long else 0)
     
-    # 加入時間變化
-    predicted_price = current_price * trend_factor + base_change + (current_price * time_factor)
+    # 結合時間因子
+    total_time_factor = time_factor + market_active_factor
+    predicted_price = current_price * trend_factor + base_change + (current_price * total_time_factor)
     
     # 計算漲幅百分比
     change_pct = ((predicted_price - current_price) / current_price) * 100
@@ -839,7 +844,7 @@ def simple_statistical_predict(data, predict_days=5):
     
     confidence = max(0.6, 1 - volatility * 2)
     
-    print(f"統計預測 - 時間因子: {time_factor:.6f}, 漲幅: {change_pct:+.2f}%")
+    print(f"[{now.strftime('%H:%M:%S')}] 統計預測 - 時間因子: {total_time_factor:.8f}, 預測漲幅: {change_pct:+.2f}%")
     
     return {
         'predicted_price': predicted_price, 
@@ -1774,23 +1779,25 @@ def update_business_climate_chart(selected_stock):
      Input('period-dropdown', 'value')]
 )
 def update_analysis_text(selected_stock, period):
-    """修改版分析文本更新"""
-    # 縮短緩存時間為1分鐘
-    cache_duration = 60  
+    """修改版分析文本更新 - 使用正確的變數名稱"""
+    # 建立快取的唯一鍵值
     cache_key = f"{selected_stock}-{period}"
     current_time = time.time()
 
-    # 檢查緩存
+    # 檢查快取 - 使用正確定義的變數
     if cache_key in ANALYSIS_CACHE:
         cached_data = ANALYSIS_CACHE[cache_key]
-        if current_time - cached_data['timestamp'] < cache_duration:
-            print(f"使用分析緩存: {cache_key}")
+        # 使用全域變數 ANALYSIS_CACHE_DURATION
+        if current_time - cached_data['timestamp'] < ANALYSIS_CACHE_DURATION:
+            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: {cache_key} - {datetime.now().strftime('%H:%M:%S')}")
+    print(f"重新生成分析: {cache_key}")
     
+    # 獲取股票數據
     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"
     
@@ -1802,20 +1809,32 @@ def update_analysis_text(selected_stock, period):
     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
     
+    # 添加時間戳顯示數據更新時間
+    update_time = datetime.now().strftime('%H:%M:%S')
     latest_date = data.index[-1].strftime('%Y-%m-%d')
-    current_time_str = datetime.now().strftime('%H:%M:%S')
     
     technical_text = html.Div([
-        html.P([html.Strong("更新時間："), f"{latest_date} {current_time_str}"]),
-        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})。"]),
+        html.P([html.Strong("數據更新時間："), f"{latest_date} {update_time}"]),
+        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})。"]),
     ])
     
-    # AI 分析
+    # 基本面與展望分析 (調用 Gemini)
     fundamental_text, market_outlook_text = generate_gemini_analysis(stock_name, selected_stock, period, data)
     
-    # 存入緩存
+    # 將新產生的結果��入快取
     ANALYSIS_CACHE[cache_key] = {
         'technical': technical_text,
         'fundamental': fundamental_text,
@@ -2284,6 +2303,11 @@ def create_trading_details_table(trades_df):
 
 # 主程式執行
 if __name__ == '__main__':
-    # 初始化應用
-    initialize_app()
+    print("=== 應用啟動 ===")
+    print(f"分析緩存時間: {ANALYSIS_CACHE_DURATION}秒")
+    print(f"股票數據緩存時間: {CACHE_DURATION_SECONDS}秒")
+    
+    # 清理緩存確保乾淨啟動
+    clear_all_cache()
+    
     app.run(host="0.0.0.0", port=7860, debug=False)