Update app.py

app.py

@@ -1,4 +1,4 @@
-# HUGING_FACE_V4.2(輕量AI版).py - 已整合 XGBoost 模型
+# HUGING_FACE_V4.2(輕量AI版).py - 已整合 XGBoost 模型 (錯誤修正版)
 
 # 系統套件
 import os
@@ -21,12 +21,12 @@ import time # 引用 time 模組以處理時間戳
 # 引用您組員的預測器程式
 from Bert_predict import BertPredictor
 
-# 【修改 1】: 匯入 XGBoostModel 類別
+# 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
+# 將開關設為 True 來啟用您的 XGBoost 模型
 USE_ADVANCED_MODEL = True
 
 # ========================= CACHE 設定 START =========================
@@ -36,7 +36,7 @@ ANALYSIS_CACHE = {}
 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
+# 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')
@@ -118,7 +118,7 @@ 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 1】: 修正 XGBoost 模型的輸入資料
 def advanced_xgboost_predict(data, predict_days):
     """
     【進階模型橋接函式】
@@ -130,41 +130,48 @@ def advanced_xgboost_predict(data, predict_days):
         return None
 
     # 1. 準備輸入資料
-    # 重要假設：模型是使用與 `get_stock_data` 回傳的 DataFrame 相同的欄位進行訓練的。
-    # 我們使用最新的資料點來進行未來預測。
+    # 根據錯誤日誌，模型需要的特徵是 ['Open', 'High', 'Low', 'Volume']
+    feature_columns = ['Open', 'High', 'Low', 'Volume']
+    
+    # 我們使用最新的資料點來進行未來預測
     input_df = data.tail(1)
 
+    # 確保輸入的 DataFrame 只包含模型需要的欄位
+    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}")
+        return None
+    
+    # 篩選出模型需要的特徵欄位
+    input_df_filtered = input_df[feature_columns]
+
     try:
         # 2. 呼叫模型預測
-        predictions = xgb_model.predict('xgboost_model', input_df)
+        predictions = xgb_model.predict('xgboost_model', input_df_filtered)
 
         # 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',   # 假設 t0 代表 1 天後
+            1: 'Close_t0_pred',
             5: 'Close_t5_pred',
             10: 'Close_t10_pred',
             20: 'Close_t20_pred',
-            60: None # 您的模型沒有提供60天的預測，這裡設為None
+            60: None
         }
         
-        # 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 # 如果找不到對應的預測天期，則返回 None
+            return None
 
         predicted_price = predictions[prediction_key]
         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
-        # XGBoost 模型通常不直接提供信心度，這裡我們先給一個固定值
         return {
             'predicted_price': predicted_price,
             'change_pct': change_pct,
-            'confidence': 0.95 # 給定一個較高的固定信心度
+            'confidence': 0.95
         }
     except Exception as e:
         print(f"執行 XGBoost 預測時發生錯誤: {e}")
@@ -172,20 +179,17 @@ def advanced_xgboost_predict(data, predict_days):
 
 def get_prediction(data, predict_days=5):
     """
-    【【模型預測控制器】】
+    【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���
     print(f"模式: 簡易統計模型 | 預測天期: {predict_days}天")
     return simple_statistical_predict(data, predict_days)
 
@@ -227,14 +231,32 @@ def calculate_technical_indicators(df):
     df['ADX'] = df['DX'].ewm(com=13, adjust=False).mean()
     return df
 
+# 【修正 2】: 修正 Volume Profile 計算中的 NaN 錯誤
 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
+    
+    # 結合高低價並移除可能存在的 NaN 值
     all_prices = np.concatenate([df['High'].values, df['Low'].values])
+    all_prices = all_prices[~np.isnan(all_prices)]
+    
+    # 如果移除 NaN 後沒有數據，則直接返回
+    if all_prices.size == 0:
+        return None, None, None
+        
     min_price, max_price = all_prices.min(), all_prices.max()
+    
+    # 如果價格範圍無效，也返回
+    if min_price >= max_price:
+        return None, None, None
+        
     price_for_volume = (df['High'] + df['Low'] + df['Close']) / 3
     df_vol_profile = df.copy()
     df_vol_profile['Price_Indicator'] = price_for_volume
-    hist, bin_edges = np.histogram(df_vol_profile['Price_Indicator'], bins=num_bins, range=(min_price, max_price), weights=df_vol_profile['Volume'])
+    
+    # 確保用於計算權重的 Volume 也沒有 NaN
+    weights = df_vol_profile['Volume'].fillna(0).values
+    
+    hist, bin_edges = np.histogram(df_vol_profile['Price_Indicator'].dropna(), 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
 
@@ -268,9 +290,6 @@ 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"
@@ -278,7 +297,6 @@ def generate_gemini_analysis(stock_name, stock_symbol, period, data):
     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]
@@ -288,7 +306,6 @@ def generate_gemini_analysis(stock_name, stock_symbol, period, data):
         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」。
-
         **股票資訊:**
         - **公司名稱:** {stock_name} ({stock_symbol})
         - **分析期間:** 最近 {period}
@@ -296,23 +313,19 @@ 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。
-
         **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]
         """
-
         response = model.generate_content(prompt)
         parts = response.text.split('$$')
         if len(parts) == 2:
@@ -320,9 +333,7 @@ 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)
@@ -330,6 +341,7 @@ 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分析模型...")
@@ -384,7 +396,7 @@ app.layout = html.Div([
     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='0050.TW', style={'margin-bottom': '10px'})
+            dcc.Dropdown(id='stock-dropdown', options=[{'label': name, 'value': symbol} for name, symbol in TAIWAN_STOCKS.items()], value='2330.TW', style={'margin-bottom': '10px'})
         ], style={'width': '30%', 'display': 'inline-block', 'vertical-align': 'top'}),
         html.Div([
             html.Label("時間範圍:"),
@@ -459,25 +471,22 @@ 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，無法進行預測"), {}
+    if final_prediction is None: return html.Div("資料不足或模型無法預測此天期"), {}
     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], 60: [1, 10, 20, 60]}
+    prediction_paths = {1: [1], 5: [1, 5], 10: [1, 5, 10], 20: [1, 10, 20]}
     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'}),
@@ -694,7 +703,7 @@ def update_analysis_text(selected_stock, period):
             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}")
+    print(f"重新生成分析: {selected_stock}-{period}")
     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:
@@ -742,9 +751,6 @@ 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。"
@@ -752,22 +758,17 @@ def summarize_news_with_gemini(news_list: list) -> str:
     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。
-
         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}"
@@ -792,7 +793,8 @@ 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().std() * np.sqrt(252) * 100
+            # 【修正 3】: 修正 FutureWarning 警告
+            volatility = data['Close'].pct_change(fill_method=None).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: