Update app.py

app.py

@@ -131,42 +131,31 @@ def advanced_xgboost_predict(data, predict_days):
         print("XGBoost 模型未載入或數據為空")
         return None
 
-    # 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}")
+    # 確保數據有足夠的歷史記錄來計算技術指標
+    if len(data) < 30:
+        print("歷史數據不足，無法計算技術指標")
         return None
 
     try:
-        # 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
+        # 呼叫修正後的預測方法
+        predictions = xgb_model.predict('xgboost_model', data)
+        
+        # 根據 predict_days 解析輸出
         day_to_key_map = {
-            1: 'Close_t0_pred',   # 假設 t0 代表 1 天後
+            1: 'Close_t0_pred',
             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。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
+            print(f"警告: XGBoost 模型沒有提供 {predict_days} 天的預測結果。")
+            print(f"可用的預測鍵: {list(predictions.keys())}")
+            # 使用最接近的預測天期
             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]
@@ -176,11 +165,10 @@ def advanced_xgboost_predict(data, predict_days):
         current_price = data['Close'].iloc[-1]
         change_pct = ((predicted_price - current_price) / current_price) * 100
 
-        # 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
+            'confidence': 0.85
         }
         
         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}%")
@@ -249,7 +237,6 @@ def calculate_technical_indicators(df):
     df['ADX'] = df['DX'].ewm(com=13, adjust=False).mean()
     return df
 
-# 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
@@ -262,23 +249,18 @@ def calculate_volume_profile(df, num_bins=50):
     all_prices = np.concatenate([df_clean['High'].values, df_clean['Low'].values])
     min_price, max_price = all_prices.min(), all_prices.max()
     
-    # 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:
+    if min_price == max_price:
         return None, None, None
     
+    # 使用典型價格作為價格指標
+    price_for_volume = (df_clean['High'] + df_clean['Low'] + df_clean['Close']) / 3
+    
     try:
         hist, bin_edges = np.histogram(
-            price_indicator.values, 
+            price_for_volume.values, 
             bins=num_bins, 
             range=(min_price, max_price), 
-            weights=corresponding_volume.values
+            weights=df_clean['Volume'].values
         )
         price_centers = (bin_edges[:-1] + bin_edges[1:]) / 2
         return bin_edges, hist, price_centers