Update app.py

app.py

@@ -126,69 +126,35 @@ def advanced_xgboost_predict(data, predict_days):
     - 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:
+    if xgb_model is None or data.empty or len(data) < 1:
         return None
 
     try:
-        # 1. 準備模型所需的特徵 (Features)
-        print("正在準備 XGBoost 模型輸入特徵...")
-        
-        # 獲取外部市場數據
-        external_symbols = {'DJI': '^DJI', 'NAS': '^IXIC', 'SOX': '^SOX', 'S&P_500': '^GSPC', 'TSM_ADR': 'TSM'}
-        df_external = pd.DataFrame(index=data.index)
-        for name, ticker in external_symbols.items():
-            ext_data = yf.download(ticker, start=data.index.min(), end=data.index.max(), progress=False)
-            df_external[name] = ext_data['Close']
-        
-        # 合併所有數據並向前填充缺失值
-        input_df = pd.concat([data, df_external], axis=1)
-        input_df.ffill(inplace=True)
-
-        # 載入並合併景氣燈號和 PMI
-        df_climate = get_business_climate_data()
-        df_pmi = get_pmi_data()
-        input_df = pd.merge(input_df.reset_index(), df_climate, on='Date', how='left', suffixes=('', '_climate')).set_index('Date')
-        input_df = pd.merge(input_df.reset_index(), df_pmi, on='Date', how='left', suffixes=('', '_pmi')).set_index('Date')
-        input_df.rename(columns={'Index': 'business_climate', 'Index_pmi': 'PMI'}, inplace=True)
-        input_df[['business_climate', 'PMI']] = input_df[['business_climate', 'PMI']].ffill()
-
-        # 計算技術指標
-        input_df = calculate_technical_indicators(input_df) # 確保計算指標
+        # 1. 準備模型實際需要的特徵
+        # 根據錯誤訊息，模型只需要 'Open', 'High', 'Low', 'Volume'
+        model_features = ['Open', 'High', 'Low', 'Volume']
         
-        # 新增新聞情緒分數 (此處為範例，假設從 predictor 取得)
-        # 注意: predictor.get_news_index() 僅返回一個值，需要對齊到時間序列
-        news_score = predictor.get_news_index() if predictor else 0
-        input_df['NEWS'] = news_score if news_score is not None else 0
-        
-        # 新增 'rate' 欄位 (注意：此處為佔位符，您需要提供真實數據源)
-        input_df['rate'] = 1.75 # 範例：假設為固定利率，請替換為真實數據
-
-        # 欄位重新命名以符合模型訓練時的名稱
-        input_df.rename(columns={
-            'Close': 'close', 'Volume': 'volume', 'MACD_Signal': 'MACDsign',
-            'MACD_Histogram': 'MACDvol'
-        }, inplace=True)
-
-        # 確保所有模型需要的欄位都存在
-        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'
-        ]
-        
-        final_input = input_df[columns_to_keep].tail(1)
-
-        if final_input.isnull().values.any():
-            print("警告: 準備好的輸入數據中存在缺失值，無法進行預測。")
+        # 檢查 yfinance 回傳的資料中是否存在這些欄位
+        if not all(feature in data.columns for feature in model_features):
+            print(f"錯誤: 輸入資料缺少必要欄位。需要 {model_features}，但只找到 {list(data.columns)}")
             return None
 
+        # 選取最新一筆資料，並只保留模型需要的欄位
+        # yfinance 預設的欄位名稱 ('Open', 'High', etc.) 已符合模型需求
+        input_df = data[model_features].tail(1)
+
+        print(f"準備好的特徵欄位: {list(input_df.columns)}")
+        print(f"輸入模型的資料:\n{input_df}")
+
         # 2. 呼叫模型預測
-        print("呼叫 XGBoost 模型進行預測...")
-        predictions = xgb_model.predict('xgboost_model', final_input)
+        predictions = xgb_model.predict('xgboost_model', input_df)
 
         # 3. 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'
+            1: 'Close_t0_pred',
+            5: 'Close_t5_pred',
+            10: 'Close_t10_pred',
+            20: 'Close_t20_pred'
         }
         
         prediction_key = day_to_key_map.get(predict_days)
@@ -205,7 +171,7 @@ def advanced_xgboost_predict(data, predict_days):
         return {
             'predicted_price': predicted_price,
             'change_pct': change_pct,
-            'confidence': 0.95 # XGBoost模型通常不直接提供信心度，可給定一個較高的固定值
+            'confidence': 0.90 # 給定一個固定信心度
         }
     except Exception as e:
         print(f"執行 XGBoost 預測時發生錯誤: {e}")