app.py

import gradio as gr
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import io
import base64

# --- Helper Functions ---
def plot_to_base64(fig):
    """Converts a matplotlib figure to a base64 encoded PNG image."""
    buf = io.BytesIO()
    fig.savefig(buf, format='png')
    plt.close(fig)
    return base64.b64encode(buf.getvalue()).decode('utf-8')

# 1. Data Ingestion
def ingest_financial_data(file):
    """
    Simulated ingestion of financial data.
    In a real application, this would parse various financial data formats,
    handle APIs (e.g., Yahoo Finance, Alpha Vantage), cleaning, etc.
    """
    if file is None:
        return gr.Markdown("<p style='color:red;'>Por favor, sube un archivo CSV o Excel.</p>")

    df = None
    try:
        if file.name.lower().endswith('.csv'):
            df = pd.read_csv(file.name)
        elif file.name.lower().endswith(('.xls', '.xlsx')):
            df = pd.read_excel(file.name)
        else:
            return gr.Markdown("<p style='color:red;'>Formato de archivo no soportado. Sube un CSV o Excel.</p>")
    except Exception as e:
        return gr.Markdown(f"<p style='color:red;'>Error al leer el archivo: {e}</p>")

    if df is not None:
        # Convert DataFrame info to string to display in markdown
        info_buffer = io.StringIO()
        df.info(buf=info_buffer)
        return gr.Markdown(f"""### Datos Cargados ({file.orig_name if hasattr(file, 'orig_name') else 'archivo'})

**Primeras 5 filas:**
{df.head().to_markdown(index=False)}

**Información básica:**
```
{info_buffer.getvalue()}
```""")
    else:
        return gr.Markdown("<p style='color:red;'>No se pudieron cargar los datos.</p>")

# 2. Time Series Forecasting
def perform_forecasting(ticker_symbol: str, forecast_days: int):
    """
    Placeholder for time series forecasting.
    A real implementation would use models like Prophet, ARIMA, LSTM, etc.,
    and fetch historical data (e.g., via yfinance).
    """
    if not ticker_symbol:
        return gr.Markdown("<p style='color:red;'>Por favor, ingresa un símbolo de ticker.</p>")
    if forecast_days <= 0:
        return gr.Markdown("<p style='color:red;'>Los días de pronóstico deben ser un número positivo.</p>")

    # Simulate some data
    dates = pd.date_range(end=pd.Timestamp.today(), periods=100, freq='D')
    values = np.random.randn(100).cumsum() + 100

    # Add future dates for forecast
    future_dates = pd.date_range(start=dates[-1] + pd.Timedelta(days=1), periods=forecast_days, freq='D')
    forecast_values = np.random.randn(forecast_days).cumsum() * 0.5 + values[-1] # Simple random walk forecast

    fig, ax = plt.subplots(figsize=(10, 6))
    ax.plot(dates, values, label='Histórico')
    ax.plot(future_dates, forecast_values, label='Pronóstico (Simulado)', linestyle='--')
    ax.set_title(f'Pronóstico de {ticker_symbol} para {forecast_days} días (Simulado)')
    ax.set_xlabel('Fecha')
    ax.set_ylabel('Valor')
    ax.legend()
    plt.tight_layout()

    img_base64 = plot_to_base64(fig)

    return gr.Markdown(f"### Pronóstico para {ticker_symbol}\n\n"\
                      f"Se ha generado un pronóstico simulado para los próximos {forecast_days} días.\n\n"\
                      f"![Pronóstico](data:image/png;base64,{img_base64})\n\n"\
                      "<p style='color:#888;'><b>Nota:</b> Esta es una simulación. Una implementación real requeriría la obtención de datos financieros y un modelo de pronóstico robusto.</p>")

# 3. Sentiment Analysis
def analyze_sentiment(text: str):
    """
    Placeholder for sentiment analysis.
    A real implementation would use a pre-trained NLP model (e.g., from Hugging Face Transformers).
    """
    if not text:
        return gr.Textbox(value="Por favor, ingresa texto para analizar el sentimiento.", interactive=False)

    # Simple keyword-based sentiment for demonstration
    text_lower = text.lower()
    sentiment = "Neutral"
    if "good" in text_lower or "buy" in text_lower or "strong" in text_lower or "profit" in text_lower or "crecimiento" in text_lower or "alza" in text_lower:
        sentiment = "Positivo"
    elif "bad" in text_lower or "sell" in text_lower or "weak" in text_lower or "loss" in text_lower or "caída" in text_lower or "baja" in text_lower:
        sentiment = "Negativo"

    return gr.Textbox(value=f"**Análisis de Sentimiento:** {sentiment}\n\n**Texto Analizado:**\n{text}\n\n<p style='color:#888;'><b>Nota:</b> Este es un análisis de sentimiento simulado. Una implementación real usaría un modelo NLP.</p>", interactive=False)

# 4. LLM Financial Copilot
def llm_copilot_chat(message, history):
    """
    Placeholder for an LLM-powered financial copilot.
    A real implementation would integrate with an actual LLM (e.g., OpenAI GPT, Google Gemini, local Hugging Face model).
    """
    # Simulate LLM response
    message_lower = message.lower()
    if "precio de la acción" in message_lower or "cotización" in message_lower:
        response = "Como copiloto simulado, no puedo dar consejos financieros en tiempo real ni cotizaciones precisas. Pero puedo buscar información general sobre el mercado. ¿Qué acción te interesa?"
    elif "invertir" in message_lower or "inversión" in message_lower:
        response = "La inversión implica riesgos. Siempre es recomendable consultar a un asesor financiero certificado. ¿Hay algún sector que te interese explorar (de forma simulada)?"
    elif "hola" in message_lower or "hi" in message_lower:
        response = "¡Hola! Soy tu copiloto financiero simulado. ¿En qué puedo ayudarte hoy (recuerda que soy una simulación)?"
    else:
        response = f"Como copiloto financiero simulado, no puedo procesar consultas complejas de IA o dar consejos financieros reales. Mi respuesta a '{message}' sería muy general. Para un LLM real, se requeriría una API o un modelo dedicado.\n\n<p style='color:#888;'><b>Nota:</b> Esta es una respuesta simulada de un LLM.</p>"

    return response

# --- Gradio Interface ---

with gr.Blocks(title="Plataforma de Inteligencia de Inversiones (Simulada)") as demo:
    gr.HTML("<h1 style='text-align: center; color: #333;'>📈 Plataforma de Inteligencia de Inversiones (Simulada) 💰</h1>")
    gr.Markdown(
        "<p style='text-align: center; font-size: 1.1em; color: #555;'>"+
        "Este es un prototipo para una plataforma de inteligencia de inversiones, combinando "+
        "ingestión de datos, pronóstico temporal, análisis de sentimiento y un copiloto financiero con LLM. "+
        "<b>Las funcionalidades de pronóstico, sentimiento y LLM son simuladas en este ejemplo</b> para demostrar la estructura."+
        "</p>"
    )

    # Define individual interfaces for each tab
    ingestion_interface = gr.Interface(
        fn=ingest_financial_data,
        inputs=gr.File(label="Sube tu archivo CSV o Excel de datos financieros", file_types=[".csv", ".xls", ".xlsx"]),
        outputs=gr.Markdown(label="Vista Previa de Datos"),
        title="Ingestión de Datos Financieros", # This title will appear on the tab
        live=False # Only run on button click
    )

    forecasting_interface = gr.Interface(
        fn=perform_forecasting,
        inputs=[
            gr.Textbox(label="Símbolo de Ticker (e.g., AAPL, MSFT)", placeholder="Ingresa un símbolo de ticker"),
            gr.Number(label="Días a Pronosticar", value=30, minimum=1, maximum=365)
        ],
        outputs=gr.Markdown(label="Resultado del Pronóstico"),
        title="Pronóstico Temporal (Simulado)", # This title will appear on the tab
        live=False # Only run on button click
    )

    sentiment_interface = gr.Interface(
        fn=analyze_sentiment,
        inputs=gr.Textbox(label="Texto para Análisis de Sentimiento", placeholder="Pega una noticia financiera o un comentario aquí..."),
        outputs=gr.Textbox(label="Resultado del Sentimiento", interactive=False),
        title="Análisis de Sentimiento (Simulado)", # This title will appear on the tab
        live=False # Only run on button click
    )

    # ChatInterface is already a type of Interface
    llm_copilot_interface = gr.ChatInterface(
        llm_copilot_chat,
        chatbot=gr.Chatbot(height=300, allow_tags=False),
        title="Copiloto Financiero con LLM (Simulado)", # This title will appear on the tab
        # fill_height=True # fill_height is not a recognized parameter for ChatInterface in all versions
    )

    gr.TabbedInterface(
        [
            ingestion_interface,
            forecasting_interface,
            sentiment_interface,
            llm_copilot_interface
        ]
    )

# To run in Colab, uncomment the following line
if __name__ == "__main__":
    demo.launch(share=True) # share=True is often needed for Colab