Update app.py

app.py

@@ -1,7 +1,9 @@
+# HUGING_FACE_V3.1.2.py (整合 Bert_predict 版本)
+
 # 系統套件
 import os
 from datetime import datetime, timedelta
-import google.generativeai as genai # <--- 【新增】引用 Gemini
+import google.generativeai as genai 
 import pandas as pd
 import numpy as np
 import yfinance as yf
@@ -13,24 +15,84 @@ from plotly.subplots import make_subplots
 import re
 from bs4 import BeautifulSoup
 import requests
+import time # 引用 time 模組以處理時間戳
 
+# ========================= 引用外部模組 START =========================
 # 引用您組員的預測器程式
 from Bert_predict import BertPredictor
 
+# 引用新的模型預測器
+from model_predictor import advanced_lstm_predict
+# ========================== 引用外部模組 END ==========================
+
+# ========================= 全域設定 START =========================
+# 【【【模型切換開關】】】
+# False: 使用簡易統計模型 (預設)
+# True:  使用 model_predictor.py 中的進階 LSTM 模型 (未來啟用)
+USE_ADVANCED_MODEL = False
+
+
+# ========================= CACHE 設定 START =========================
+# 分析結果的快取字典
+ANALYSIS_CACHE = {}
+# 快取有效時間（秒），例如：4 小時 = 4 * 60 * 60 = 14400 秒
+CACHE_DURATION_SECONDS = 8 * 60 * 60
+# ========================== CACHE 設定 END ==========================
+# ========================== 全域設定 END ==========================
+
 # 台股代號對應表 (移除台指期，因為它現在是獨立區塊)
 TAIWAN_STOCKS = {
-    '元大台灣50': '0050.TW', # 新增
+    '元大台灣50': '0050.TW',
     '台積電': '2330.TW',
     '聯發科': '2454.TW',
     '鴻海': '2317.TW',
-    '台塑': '1301.TW',
-    '中華電': '2412.TW',
+    '台達電': '2308.TW',
+    '廣達': '2382.TW',
     '富邦金': '2881.TW',
+    '中信金': '2891.TW',
     '國泰金': '2882.TW',
-    '台達電': '2308.TW',
+    '聯電': '2303.TW',
+    '中華電': '2412.TW',
+    '玉山金': '2884.TW',
+    '兆豐金': '2886.TW',
+    '日月光投控': '3711.TW',
+    '華碩': '2357.TW',
     '統一': '1216.TW',
-    '日月光': '3711.TW',
+    '元大金': '2885.TW',
+    '智邦': '2345.TW',
+    '緯創': '3231.TW',
+    '聯詠': '3034.TW',
+    '第一金': '2892.TW',
+    '瑞昱': '2379.TW',
+    '緯穎': '6669.TWO',
+    '永豐金': '2890.TW',
+    '合庫金': '5880.TW',
+    '華南金': '2880.TW',
+    '台光電': '2383.TW',
+    '世芯-KY': '3661.TWO',
+    '奇鋐': '3017.TW',
+    '凱基金': '2883.TW',
+    '大立光': '3008.TW',
     '長榮': '2603.TW',
+    '光寶科': '2301.TW',
+    '中鋼': '2002.TW',
+    '中租-KY': '5871.TW',
+    '國巨': '2327.TW',
+    '台新金': '2887.TW',
+    '上海商銀': '5876.TW',
+    '台泥': '1101.TW',
+    '台灣大': '3045.TW',
+    '和碩': '4938.TW',
+    '遠傳': '4904.TW',
+    '和泰車': '2207.TW',
+    '研華': '2395.TW',
+    '台塑': '1301.TW',
+    '統一超': '2912.TW',
+    '藥華藥': '6446.TWO',
+    '南亞': '1303.TW',
+    '陽明': '2609.TW',
+    '萬海': '2615.TW',
+    '台塑化': '6505.TW',
     '慧洋-KY': '2637.TW',
     '上銀': '2049.TW',
     '台泥': '1101.TW',
@@ -44,24 +106,62 @@ TAIWAN_STOCKS = {
 
 # 產業分類
 INDUSTRY_MAPPING = {
-    '0050.TW': 'ETF', # 新增
+    '0050.TW': 'ETF',
     '2330.TW': '半導體',
     '2454.TW': '半導體',
     '2317.TW': '電子組件',
-    '1301.TW': '塑膠',
-    '2412.TW': '電信',
+    '2308.TW': '電子',
+    '2382.TW': '電子',
     '2881.TW': '金融',
+    '2891.TW': '金融',
     '2882.TW': '金融',
-    '2308.TW': '電子',
-    '1216.TW': '食品',
+    '2303.TW': '半導體',
+    '2412.TW': '電信',
+    '2884.TW': '金融',
+    '2886.TW': '金融',
     '3711.TW': '半導體',
+    '2357.TW': '電子',
+    '1216.TW': '食品',
+    '2885.TW': '金融',
+    '2345.TW': '網通設備',
+    '3231.TW': '電子',
+    '3034.TW': '半導體',
+    '2892.TW': '金融',
+    '2379.TW': '半導體',
+    '6669.TWO': '電子',
+    '2890.TW': '金融',
+    '5880.TW': '金融',
+    '2880.TW': '金融',
+    '2383.TW': '電子',
+    '3661.TWO': '半導體',
+    '3017.TW': '電子',
+    '2883.TW': '金融',
+    '3008.TW': '光學',
     '2603.TW': '航運',
+    '2301.TW': '電子',
+    '2002.TW': '鋼鐵',
+    '5871.TW': '金融',
+    '2327.TW': '電子被動元件',
+    '2887.TW': '金融',
+    '5876.TW': '金融',
+    '1101.TW': '營建',
+    '3045.TW': '電信',
+    '4938.TW': '電子',
+    '4904.TW': '電信',
+    '2207.TW': '汽車',
+    '2395.TW': '電腦周邊',
+    '1301.TW': '塑膠',
+    '2912.TW': '百貨',
+    '6446.TWO': '生技',
+    '1303.TW': '塑膠',
+    '2609.TW': '航運',
+    '2615.TW': '航運',
+    '6505.TW': '塑膠',
     '2637.TW': '散裝航運',
     '2049.TW': '工具機',
     '1101.TW': '營建',
     '2408.TW': 'DRAM',
     '2337.TW': 'NFLSH',
-    '1101.TW': '營建',
     '4966.TWO': '高速傳輸',
     '3665.TW': '連接器',
     '6870.TWO': '軟體整合',
@@ -83,10 +183,9 @@ def get_stock_data(symbol, period='1y'):
     except:
         return pd.DataFrame()
 
-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_statistical_predict(data, predict_days=5):
+    """【備用模型】簡化的統計預測模型。"""
+    if len(data) < 60: return None
     prices = data['Close'].values
     ma_short = np.mean(prices[-5:])
     ma_medium = np.mean(prices[-20:])
@@ -94,21 +193,29 @@ def simple_lstm_predict(data, predict_days=5):
     recent_trend = np.polyfit(range(20), prices[-20:], 1)[0]
     volatility = np.std(prices[-20:]) / np.mean(prices[-20:])
     base_change = recent_trend * predict_days
-    trend_factor = 1.0
-    if ma_short > ma_medium > ma_long:
-        trend_factor = 1.02
-    elif ma_short < ma_medium < ma_long:
-        trend_factor = 0.98
-    else:
-        trend_factor = 1.0
+    trend_factor = 1.0 + (0.02 if ma_short > ma_medium > ma_long else -0.02 if ma_short < ma_medium < ma_long else 0)
     noise_factor = np.random.normal(1, volatility * 0.1)
     predicted_price = prices[-1] * trend_factor + base_change + (prices[-1] * noise_factor * 0.01)
     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)
-    }
+    return {'predicted_price': predicted_price, 'change_pct': change_pct, 'confidence': max(0.6, 1 - volatility * 2)}
+
+def get_prediction(data, predict_days=5):
+    """
+    【【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LSTM模型 | 預測天期: {predict_days}天")
+        prediction = advanced_lstm_predict(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，自動降級為簡易統計模型。")
+    
+    # 預設或降級時執行簡易模型
+    print(f"模式: 簡易統計模型 | 預測天期: {predict_days}天")
+    return simple_statistical_predict(data, predict_days)
 
 def calculate_technical_indicators(df):
     """計算技術指標"""
@@ -188,10 +295,70 @@ def get_pmi_data():
         print(f"無法獲取 PMI 資料: {str(e)}")
         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"
+
+    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]
+        macd_signal_current = data['MACD_Signal'].iloc[-1]
+        industry = INDUSTRY_MAPPING.get(stock_symbol, '綜合')
+
+        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}
+        - **所屬產業:** {industry}
+        - **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:
+            fundamental_analysis = parts[0].strip()
+            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)
+        return dcc.Markdown(error_message), dcc.Markdown("請檢查後台日誌或 API 金鑰設定")
+
 # 建立 Dash 應用程式
 app = dash.Dash(__name__, suppress_callback_exceptions=True)
 
-# --- 【新增】在程式啟動時，初始化 BERT 新聞預測器 ---
 try:
     print("正在初始化新聞情緒分析模型...")
     predictor = BertPredictor(max_news_per_keyword=5)
@@ -220,7 +387,6 @@ app.layout = html.Div([
         html.Div([dcc.Graph(id='taiex-prediction-chart')], style={'margin-top': '20px'})
     ], style={'background': 'linear-gradient(135deg, #667eea 0%, #764ba2 100%)','padding': '25px','border-radius': '15px','box-shadow': '0 8px 25px rgba(0,0,0,0.15)','color': 'white','margin-bottom': '40px'}),
     
-    # 新聞情感分析區域
     html.Div([
         html.H3("📰 市場情緒與新聞分析", style={'color': '#E74C3C', 'margin-bottom': '20px'}),
         html.Div([
@@ -252,7 +418,7 @@ app.layout = html.Div([
             html.Label("時間範圍:"),
             dcc.Dropdown(id='period-dropdown',
                 options=[{'label': '1個月', 'value': '1mo'},{'label': '3個月', 'value': '3mo'},{'label': '6個月', 'value': '6mo'},{'label': '1年', 'value': '1y'},{'label': '2年', 'value': '2y'}],
-                value='6mo', style={'margin-bottom': '10px'})
+                value='1mo', style={'margin-bottom': '10px'})
         ], style={'width': '30%', 'display': 'inline-block', 'margin-left': '5%', 'vertical-align': 'top'}),
         html.Div([
             html.Label("圖表類型:"),
@@ -283,12 +449,12 @@ app.layout = html.Div([
                 html.Div(id='technical-analysis-text', style={'background': '#f8f9fa','padding': '15px','border-radius': '8px','border-left': '4px solid #A23B72','min-height': '150px','font-size': '14px','line-height': '1.6'})
             ], style={'width': '48%', 'display': 'inline-block', 'vertical-align': 'top'}),
             html.Div([
-                html.H4("📈 基本面分析", style={'color': '#F18F01', 'margin-bottom': '15px'}),
+                html.H4("📈 基本面分析 (AI 生成)", style={'color': '#F18F01', 'margin-bottom': '15px'}),
                 html.Div(id='fundamental-analysis-text', style={'background': '#f8f9fa','padding': '15px','border-radius': '8px','border-left': '4px solid #F18F01','min-height': '150px','font-size': '14px','line-height': '1.6'})
             ], style={'width': '48%', 'display': 'inline-block', 'margin-left': '4%', 'vertical-align': 'top'})
         ]),
         html.Div([
-            html.H4("🎯 市場展望與投資建議", style={'color': '#C73E1D', 'margin-bottom': '15px', 'margin-top': '25px'}),
+            html.H4("🎯 市場展望與投資建議 (AI 生成)", style={'color': '#C73E1D', 'margin-bottom': '15px', 'margin-top': '25px'}),
             html.Div(id='market-outlook-text', style={'background': 'linear-gradient(135deg, #667eea 0%, #764ba2 100%)','color': 'white','padding': '20px','border-radius': '10px','min-height': '100px','font-size': '15px','line-height': '1.7','box-shadow': '0 4px 15px rgba(0,0,0,0.1)'})
         ])
     ], style={'margin-top': '30px','padding': '25px','background': 'white','border-radius': '12px','box-shadow': '0 4px 20px rgba(0,0,0,0.08)','border': '1px solid #e9ecef'}),
@@ -312,7 +478,6 @@ app.layout = html.Div([
     ], style={'margin-top': '30px','padding': '20px','background': 'white','border-radius': '10px','box-shadow': '0 2px 10px rgba(0,0,0,0.1)'}),
 ])
 
-# 台指期獨立預測回調函數
 @app.callback(
     [dash.dependencies.Output('taiex-prediction-results', 'children'),
      dash.dependencies.Output('taiex-prediction-chart', 'figure')],
@@ -321,18 +486,26 @@ app.layout = html.Div([
 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"), {}
-    final_prediction = simple_lstm_predict(data, predict_days)
+    
+    # === 修改點：統一呼叫 get_prediction 控制器 ===
+    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"), {}
     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]}
     intervals_to_predict = prediction_paths.get(predict_days, [predict_days])
     prediction_dates, prediction_prices = [last_date], [current_price]
+    
     for days in intervals_to_predict:
-        interim_prediction = simple_lstm_predict(data, days)
+        # === 修改點：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'}),
@@ -347,7 +520,6 @@ def update_taiex_prediction(predict_days):
     fig.update_layout(title=f'台指期 {predict_days}日預測走勢', xaxis_title='日期', yaxis_title='指數點位', height=350, plot_bgcolor='rgba(0,0,0,0)', paper_bgcolor='rgba(0,0,0,0)', font=dict(color='white'))
     return result_card, fig
 
-# 更新股價資訊卡片
 @app.callback(
     dash.dependencies.Output('stock-info-cards', 'children'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -375,7 +547,6 @@ def update_stock_info(selected_stock):
         ], style={'background': 'white','padding': '20px','border-radius': '10px','box-shadow': '0 2px 10px rgba(0,0,0,0.1)','display': 'inline-block'})
     ])
 
-# 更新主要圖表 (股價與成交量分佈)
 @app.callback(
     dash.dependencies.Output('price-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value'),
@@ -400,7 +571,6 @@ def update_price_chart(selected_stock, period, chart_type):
     fig.update_layout(title_text=f'{stock_name} 股價走勢與成交量分佈', height=500, showlegend=True, xaxis1=dict(title='日期', type='date', rangeslider_visible=False), yaxis1=dict(title='價格 (TWD)'), xaxis2=dict(title='成交量', showticklabels=True), yaxis2=dict(showticklabels=False), bargap=0.05)
     return fig
 
-# 更新進階技術指標圖表
 @app.callback(
     dash.dependencies.Output('advanced-technical-chart', 'figure'),
     [dash.dependencies.Input('technical-indicator-selector', 'value'),
@@ -412,7 +582,7 @@ def update_advanced_technical_chart(indicator, selected_stock, period):
     if data.empty: return {}
     data = calculate_technical_indicators(data)
     stock_name = [name for name, symbol in TAIWAN_STOCKS.items() if symbol == selected_stock][0]
-    fig = go.Figure() # Fallback
+    fig = go.Figure()
     if indicator == 'RSI':
         fig = go.Figure()
         fig.add_trace(go.Scatter(x=data.index, y=data['RSI'], mode='lines', name='RSI', line=dict(color='purple', width=2)))
@@ -460,7 +630,6 @@ def update_advanced_technical_chart(indicator, selected_stock, period):
         fig.update_layout(title=f'{stock_name} - DMI 動向指標 (14日)', height=500, showlegend=True, yaxis2_range=[0, 100])
     return fig
 
-# 更新成交量圖表
 @app.callback(
     dash.dependencies.Output('volume-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value'),
@@ -475,26 +644,43 @@ def update_volume_chart(selected_stock, period):
     fig.update_layout(title=f'{stock_name} 成交量', xaxis_title='日期', yaxis_title='成交量', height=300)
     return fig
 
-# 更新產業分析圖表
 @app.callback(
     dash.dependencies.Output('industry-analysis', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
 )
 def update_industry_analysis(selected_stock):
-    industry_data = []
-    for symbol in list(TAIWAN_STOCKS.values())[:10]:
+    performance_data = []
+    for name, symbol in TAIWAN_STOCKS.items():
         data = get_stock_data(symbol, '1mo')
-        if not data.empty:
-            stock_name = [name for name, symbol_code in TAIWAN_STOCKS.items() if symbol_code == symbol][0]
+        if not data.empty and len(data) > 1:
             return_pct = ((data['Close'].iloc[-1] - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
-            industry_data.append({'股票': stock_name, '代碼': symbol, '月報酬率(%)': return_pct, '產業': INDUSTRY_MAPPING.get(symbol, '其他')})
-    if not industry_data: return {}
-    df_industry = pd.DataFrame(industry_data)
-    fig = px.pie(df_industry, values='月報酬率(%)', names='股票', title='各股票月報酬率比較', color_discrete_sequence=px.colors.qualitative.Set3)
-    fig.update_layout(height=400)
+            performance_data.append({
+                '股票': name,
+                '代碼': symbol,
+                '月報酬率(%)': return_pct,
+                '絕對波動': abs(return_pct)
+            })
+    if not performance_data:
+        fig = go.Figure().add_annotation(text="無法計算產業資料", showarrow=False)
+        fig.update_layout(title="近一月市場波動最大標的", height=400)
+        return fig
+    df_performance = pd.DataFrame(performance_data)
+    df_top_movers = df_performance.sort_values(by='絕對波動', ascending=False).head(10)
+    fig = px.pie(
+        df_top_movers,
+        values='絕對波動',
+        names='股票',
+        title='近一月市場波動最大 Top 10 標的',
+        hover_data={'月報酬率(%)': ':.2f'}
+    )
+    fig.update_traces(
+        textposition='inside',
+        textinfo='percent+label',
+        hovertemplate="<b>%{label}</b><br>月報酬率: %{customdata[0]:.2f}%<extra></extra>"
+    )
+    fig.update_layout(height=400, showlegend=False)
     return fig
 
-# 更新景氣燈號圖表
 @app.callback(
     dash.dependencies.Output('business-climate-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -519,7 +705,7 @@ def update_business_climate_chart(selected_stock):
     fig.update_layout(title="台灣景氣燈號走勢", xaxis_title='日期', yaxis_title='燈號分數', height=300, yaxis=dict(range=[0, 40]))
     return fig
 
-# 更新分析師觀點
+# ========================= MODIFIED SECTION START (CACHE INTEGRATED) =========================
 @app.callback(
     [dash.dependencies.Output('technical-analysis-text', 'children'),
      dash.dependencies.Output('fundamental-analysis-text', 'children'),
@@ -528,33 +714,54 @@ def update_business_climate_chart(selected_stock):
      dash.dependencies.Input('period-dropdown', 'value')]
 )
 def update_analysis_text(selected_stock, period):
+    # 建立快取的唯一鍵值
+    cache_key = f"{selected_stock}-{period}"
+    current_time = time.time()
+
+    # 1. 檢查快取
+    if cache_key in ANALYSIS_CACHE:
+        cached_data = ANALYSIS_CACHE[cache_key]
+        if current_time - cached_data['timestamp'] < CACHE_DURATION_SECONDS:
+            print(f"從快取載入分析: {cache_key}")
+            # 直接回傳快取的內容
+            return cached_data['technical'], cached_data['fundamental'], cached_data['outlook']
+
+    print(f"重新生成分析: {cache_key}")
+    # --- 如果快取沒有，才繼續執行以下程式 ---
+
     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: return "無法獲取資料", "無法獲取資料", "無法獲取資料"
+    if data.empty or len(data) < 20:
+        return "資料不足，無法分析", "資料不足，無法分析", "資料不足，無法分析"
+    
     data = calculate_technical_indicators(data)
-    current_price = data['Close'].iloc[-1]
-    price_change = ((current_price - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
+    
+    # 2. 技術面分析
+    price_change = ((data['Close'].iloc[-1] - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100
     rsi_current = data['RSI'].iloc[-1] if not pd.isna(data['RSI'].iloc[-1]) else 50
     macd_current = data['MACD'].iloc[-1] if not pd.isna(data['MACD'].iloc[-1]) else 0
     macd_signal_current = data['MACD_Signal'].iloc[-1] if not pd.isna(data['MACD_Signal'].iloc[-1]) else 0
+    
     technical_text = html.Div([
-        html.P([html.Strong("價格趨勢："), f"近期{period}期間內，{stock_name}呈現", html.Span(f"{'上漲' if price_change > 5 else '下跌' if price_change < -5 else '盤整'}", style={'color': 'red' if price_change > 5 else 'green' if price_change < -5 else 'orange', 'font-weight': 'bold'}), f"走勢，累計變動{price_change:+.1f}%。"]),
-        html.P([html.Strong("RSI指標："), f"目前為{rsi_current:.1f}，", html.Span("處於超買區間" if rsi_current > 70 else "處於超賣區間" if rsi_current < 30 else "在正常範圍內", style={'color': 'green' if rsi_current > 70 else 'red' if rsi_current < 30 else 'blue', 'font-weight': 'bold'}), "。"]),
-        html.P([html.Strong("MACD指標："), f"MACD線({macd_current:.3f})", html.Span("高於" if macd_current > macd_signal_current else "低於", style={'color': 'red' if macd_current > macd_signal_current else 'green', 'font-weight': 'bold'}), f"信號線({macd_signal_current:.3f})，", f"顯示{'多頭' if macd_current > macd_signal_current else '空頭'}格局。"]),
+        html.P([html.Strong("價格趨勢："), f"在最近 {period} 期間內，{stock_name} 股價呈現", html.Span(f"{'上漲' if price_change > 5 else '下跌' if price_change < -5 else '盤整'}", style={'color': 'red' if price_change > 5 else 'green' if price_change < -5 else 'orange', 'font-weight': 'bold'}), f"走勢，累計變動 {price_change:+.1f}%。"]),
+        html.P([html.Strong("RSI 指標："), f"目前的 RSI 值為 {rsi_current:.1f}，", html.Span("處於超買區(>70)" if rsi_current > 70 else "處於超賣區(<30)" if rsi_current < 30 else "在正常範圍內", style={'color': 'green' if rsi_current > 70 else 'red' if rsi_current < 30 else 'blue', 'font-weight': 'bold'}), "。"]),
+        html.P([html.Strong("MACD 指標："), f"MACD 快線 ({macd_current:.3f}) 目前", html.Span("高於" if macd_current > macd_signal_current else "低於", style={'color': 'red' if macd_current > macd_signal_current else 'green', 'font-weight': 'bold'}), f" Signal 慢線 ({macd_signal_current:.3f})，", f"顯示市場動能偏向{'多頭' if macd_current > macd_signal_current else '空頭'}。"]),
     ])
-    industry = INDUSTRY_MAPPING.get(selected_stock, '綜合')
-    fundamental_text = html.Div([
-        html.P([html.Strong("產業地位："), f"{stock_name}屬於{industry}產業，在產業鏈中具有", html.Span("重要地位" if selected_stock in ['2330.TW', '2454.TW', '2317.TW'] else "一定影響力", style={'font-weight': 'bold'}), "。"]),
-        html.P([html.Strong("營運展望："), f"建議持續關注季報表現及未來指引。"]),
-    ])
-    outlook_tone = "謹慎樂觀" if price_change > 10 else "保守觀望" if price_change < -10 else "中性持平"
-    market_outlook = html.Div([
-        html.P([html.Strong("整體評估："), f"基於技術面及基本面分析，對{stock_name}採取", html.Span(f"{outlook_tone}", style={'font-weight': 'bold'}), "態度。"]),
-        html.P([html.Strong("投資建議："), "短線操作注意技術指標，長線投資關注基本面變化。"]),
-    ])
-    return technical_text, fundamental_text, market_outlook
+    
+    # 3. 基本面與展望分析 (呼叫 Gemini)
+    fundamental_text, market_outlook_text = generate_gemini_analysis(stock_name, selected_stock, period, data)
+    
+    # 4. 將新產生的結果存入快取
+    ANALYSIS_CACHE[cache_key] = {
+        'technical': technical_text,
+        'fundamental': fundamental_text,
+        'outlook': market_outlook_text,
+        'timestamp': current_time
+    }
+
+    return technical_text, fundamental_text, market_outlook_text
+# ========================== MODIFIED SECTION END ==========================
 
-# 更新PMI圖表
 @app.callback(
     dash.dependencies.Output('pmi-chart', 'figure'),
     [dash.dependencies.Input('stock-dropdown', 'value')]
@@ -575,26 +782,17 @@ def update_pmi_chart(selected_stock):
 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。
-
-    Args:
-        news_list (list): 包含英文新聞標題字串的列表。
-
-    Returns:
-        str: Gemini 生成的繁體中文摘要，或在發生錯誤時回傳錯誤訊息。
     """
-    # 從 Hugging Face Secrets 安全地讀取 API 金鑰
     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。"
 
     try:
         genai.configure(api_key=api_key)
-        model = genai.GenerativeModel('gemini-1.5-flash') # 使用速度較快的 Flash 模型
+        model = genai.GenerativeModel('gemini-1.5-flash')
 
-        # 將新聞列表格式化，方便 AI 閱讀
         formatted_news = "\n".join([f"- {news}" for news in news_list])
 
-        # 這就是您對 AI 下的指令 (Prompt)
         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。
@@ -612,9 +810,6 @@ def summarize_news_with_gemini(news_list: list) -> str:
         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}"
 
-
-
-# 更新多檔股票比較
 @app.callback(
     [dash.dependencies.Output('comparison-chart', 'figure'),
      dash.dependencies.Output('comparison-table', 'children')],
@@ -647,26 +842,19 @@ def update_comparison_analysis(selected_stocks, period):
         return fig, table
     return fig, html.Div("無可比較資料")
 
-
-# ==============================================================================
-# ===== 【修改】市場情緒與新聞分析 (使用真實 BERT 模型) =====
-# ==============================================================================
 @app.callback(
     [dash.dependencies.Output('sentiment-gauge', 'children'),
      dash.dependencies.Output('news-summary', 'children')],
     [dash.dependencies.Input('stock-dropdown', 'value')]
 )
 def update_sentiment_analysis(selected_stock):
-    # 檢查 predictor 是否成功初始化 (這部分邏輯不變)
     if predictor is None:
         error_fig = go.Figure().add_annotation(text="情緒指標模型載入失敗", showarrow=False)
         error_fig.update_layout(height=200)
         return dcc.Graph(figure=error_fig), html.P("新聞分析模型載入失敗，請檢查後台日誌。")
 
-    # --- 1. 從 predictor 獲取新聞情緒平均分數 (不變) ---
     sentiment_score_raw = predictor.get_news_index()
 
-    # --- 2. 建立情緒指標儀表板 (不變) ---
     if sentiment_score_raw is not None:
         sentiment_score_normalized = (sentiment_score_raw + 1) * 50
         sentiment_score_normalized = max(0, min(100, sentiment_score_normalized))
@@ -692,27 +880,22 @@ def update_sentiment_analysis(selected_stock):
         error_fig.update_layout(height=200)
         gauge_content = dcc.Graph(figure=error_fig)
 
-
-    # --- 3. 【核心修改】獲取新聞並使用 Gemini 進行摘要 ---
     top_news_list = predictor.get_news()
-    news_content = None # 先初始化
+    news_content = None
 
-    if top_news_list and isinstance(top_news_list, list): # ���保列表不為空且格式正確
-        # *** 呼叫我們的新函式來生成中文摘要 ***
+    if top_news_list and isinstance(top_news_list, list):
         summary_text = summarize_news_with_gemini(top_news_list)
-        # 使用 dcc.Markdown 來顯示，這樣如果摘要包含換行等格式會更好看
         news_content = dcc.Markdown(summary_text, style={
             'margin': '8px 0', 'padding-left': '5px',
             'font-size': '15px', 'line-height': '1.7'
         })
-    elif top_news_list == []: # 如果是空列表
+    elif top_news_list == []:
          news_content = html.P("昨日無重大相關新聞。", style={'text-align': 'center', 'padding-top': '50px'})
-    else: # 如果是 None 或其他錯誤
+    else:
         news_content = html.P("讀取新聞時發生錯誤。", style={'text-align': 'center', 'padding-top': '50px'})
 
     return gauge_content, news_content
 
 # 主程式執行
 if __name__ == '__main__':
-    # 在 Hugging Face Spaces 中執行
     app.run(host="0.0.0.0", port=7860, debug=False)