Update app.py

app.py

@@ -6,6 +6,8 @@ from datetime import datetime, timedelta
 import pandas as pd
 import numpy as np
 import yfinance as yf
+import tensorflow as tf
+from sklearn.preprocessing import MinMaxScaler
 
 # Dash & Plotly
 from dash import Dash, dcc, html, callback
@@ -82,45 +84,49 @@ def create_lstm_dataset(data, time_step=60):
         y.append(data[i, 0])
     return np.array(X), np.array(y)
 
-def simple_lstm_predict(data, predict_days=5):
-    """簡化的LSTM預測模型 (使用統計方法模擬)"""
-    if len(data) < 60:
-        return None
+def simple_lstm_predict(df_futures):
+    
+    # 這裡的 df_futures 應為台指期歷史資料
+    # 請確保資料集的特徵（例如：'Close'）與您模型訓練時的特徵一致。
+    data_to_predict = df_futures['Close'].values.reshape(-1, 1)
+
+    # 模型訓練時通常會進行資料正規化，預測時也需要做同樣的處理
+    # 請使用與訓練時相同的scaler，如果沒有，這裡用MinMaxScaler作為範例
+    scaler = MinMaxScaler(feature_range=(0, 1))
+    scaled_data = scaler.fit_transform(data_to_predict)
+
+    # 假設您的模型需要 60 天的數據來預測下一個點
+    # 這裡可以根據您的模型需求進行調整
+    sequence_length = 60
+    if len(scaled_data) < sequence_length:
+        return None, "數據長度不足以進行預測。"
+
+    # 取得最新的 60 天資料作為輸入
+    last_60_days = scaled_data[-sequence_length:]
+    X_test = np.array([last_60_days])
+    
+    # 將資料重塑為模型期望的形狀：[樣本數, 序列長度, 特徵數]
+    X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
 
-    # 使用移動平均和趨勢分析來模擬深度學習預測
-    prices = data['Close'].values
-
-    # 計算短期和長期移動平均
-    ma_short = np.mean(prices[-5:])
-    ma_medium = np.mean(prices[-20:])
-    ma_long = np.mean(prices[-60:])
-
-    # 計算價格變化趨勢
-    recent_trend = np.polyfit(range(20), prices[-20:], 1)[0]
-    volatility = np.std(prices[-20:]) / np.mean(prices[-20:])
-
-    # 模擬預測邏輯
-    base_change = recent_trend * predict_days
-    trend_factor = 1.0
-
-    if ma_short > ma_medium > ma_long:
-        trend_factor = 1.02  # 上升趨勢
-    elif ma_short < ma_medium < ma_long:
-        trend_factor = 0.98  # 下降趨勢
-    else:
-        trend_factor = 1.0   # 盤整
+    try:
+        # 載入已訓練好的 LSTM 模型
+        model = tf.keras.models.load_model('stock_lstm_model_v2.keras')
 
-    # 加入隨機性模擬市場不確定性
-    noise_factor = np.random.normal(1, volatility * 0.1)
+        # 進行預測
+        predicted_value_scaled = model.predict(X_test)
+        
+        # 反正規化，將預測結果轉換回原始價格範圍
+        # 由於scaler是用整個資料集fit的，所以需要用一個假的array來反轉
+        # 這是處理單一預測值反正規化的常用方法
+        temp_array = np.zeros(shape=(1, 1))
+        temp_array[0, 0] = predicted_value_scaled[0, 0]
+        prediction = scaler.inverse_transform(temp_array)[0, 0]
 
-    predicted_price = prices[-1] * trend_factor + base_change + (prices[-1] * noise_factor * 0.01)
-    change_pct = ((predicted_price - prices[-1]) / prices[-1]) * 100
+        return prediction, f"預測台指期下一個交易日收盤價為：{prediction:.2f}點。"
 
-    return {
-        'predicted_price': predicted_price,
-        'change_pct': change_pct,
-        'confidence': max(0.6, 1 - volatility * 2)  # 基於波動率的信心度
-    }
+    except Exception as e:
+        print(f"載入或預測模型時發生錯誤: {e}")
+        return None, "模型載入或預測失敗，請檢查模型檔案或輸入資料。"
 
 def calculate_technical_indicators(df):
     """計算技術指標"""