Update app.py

app.py

@@ -532,7 +532,8 @@ app.layout = html.Div([
         'box-shadow': '0 2px 10px rgba(0,0,0,0.1)'
     })
 ])
-
+# 創建一個列表來儲存所有的預測點數據
+all_predictions_data = []
 # 台指期獨立預測回調函數
 @app.callback(
     [dash.dependencies.Output('taiex-prediction-results', 'children'),
@@ -545,15 +546,90 @@ def update_taiex_prediction(predict_days):
     if data.empty:
         return html.Div("無法獲取台指期資料"), {}
 
-    # 執行預測
-    prediction = simple_lstm_predict(data, predict_days)
-    if prediction is None:
-        return html.Div("資料不足，無法進行預測"), {}
-
+# 獲取最後的歷史數據點
+    last_historical_date = data.index[-1]
     current_price = data['Close'].iloc[-1]
-    predicted_price = prediction['predicted_price']
-    change_pct = prediction['change_pct']
-    confidence = prediction['confidence']
+
+    # --- 關鍵修改開始 ---
+
+    # 1. 收集所有需要的預測點
+    all_predict_options = [1, 5, 10, 20, 60]
+    
+    # 篩選出使用者選擇天數或更短的所有預測選項
+    points_to_calculate = [d for d in all_predict_options if d <= predict_days]
+
+    # 清空舊的預測數據，重新計算
+    all_predictions_data.clear()
+
+    # 添加歷史的最後一個點作為起始點
+    all_predictions_data.append({
+        'date': last_historical_date,
+        'price': current_price,
+        'days': 0, # 0天代表歷史數據
+        'is_historical': True
+    })
+
+    # 計算並儲存每個預測點
+    for d in points_to_calculate:
+        prediction = simple_lstm_predict(data, d)
+        if prediction:
+            future_date = last_historical_date + timedelta(days=d)
+            all_predictions_data.append({
+                'date': future_date,
+                'price': prediction['predicted_price'],
+                'days': d,
+                'is_historical': False,
+                'change_pct': prediction['change_pct'] # 為了顏色判斷
+            })
+
+    # 將預測點數據轉換為 DataFrame，方便繪圖
+    predictions_df = pd.DataFrame(all_predictions_data)
+    predictions_df = predictions_df.sort_values(by='date') # 確保日期排序正確
+
+    # 找到最後一個預測點的顏色
+    final_prediction_info = predictions_df[predictions_df['days'] == predict_days].iloc[0] if predict_days in predictions_df['days'].values else None
+    final_color = '#00C851' if final_prediction_info and final_prediction_info['change_pct'] >= 0 else '#FF4444'
+    arrow = '📈' if final_color == '#00C851' else '📉'
+
+    # 建立預測趨勢圖
+    fig = go.Figure()
+
+    # 添加歷史價格線 (最近30天)
+    recent_data = data.tail(30)
+    fig.add_trace(go.Scatter(
+        x=recent_data.index,
+        y=recent_data['Close'],
+        mode='lines',
+        name='歷史價格',
+        line=dict(color='#FFA726', width=2)
+    ))
+
+    # 添加連接所有預測點的趨勢線
+    fig.add_trace(go.Scatter(
+        x=predictions_df['date'],
+        y=predictions_df['price'],
+        mode='lines+markers', # 同時顯示線和點
+        name='預測趨勢',
+        line=dict(color=final_color, width=3, dash='dash'), # 使用最終預測的顏色
+        marker=dict(size=8)
+    ))
+
+    # 為了區分不同天數的點，我們可以再添加一次點，但這次只添加 marker
+    # 這樣可以為每個點設置不同的顏色和大小（如果需要）
+    for index, row in predictions_df.iterrows():
+        if not row['is_historical']:
+            point_color = '#00C851' if row['change_pct'] >= 0 else '#FF4444'
+            fig.add_trace(go.Scatter(
+                x=[row['date']],
+                y=[row['price']],
+                mode='markers',
+                name=f'{row["days"]}日預測點',
+                marker=dict(size=10, color=point_color, line=dict(width=2, color='DarkSlateGrey')), # 稍微加點邊框
+                legendgroup=f'points', # 將所有點分到同一個圖例組
+                showlegend=True if row['days'] in [1, 5, 10, 20, 60] else False # 只顯示主要天數的點在圖例
+            ))
+
+    # --- 關鍵修改結束 ---
 
     # 預測結果卡片
     color = '#00C851' if change_pct >= 0 else '#FF4444'