import pandas as pd
import pandas_ta as ta
import xgboost as xgb
import joblib
import os

TIME_MODEL_FILE = "time_model.pkl"

def prepare_time_features(df):
    """
    Génère les 'Lags' et l'intelligence temporelle pour XGBoost.
    C'est ici qu'on capture la dynamique du prix sans faire pleurer ton CPU.
    """
    df = df.copy()
    
    # 1. Momentum & Retours (La dynamique de la tendance)
    df['return_1h'] = df['close'].pct_change(1)
    df['return_3h'] = df['close'].pct_change(3)
    df['return_12h'] = df['close'].pct_change(12)
    
    # 2. Lags (Mémoire du marché : Que faisait le RSI il y a 1h et 2h ?)
    df['RSI_lag1'] = df.ta.rsi(length=14).shift(1)
    df['RSI_lag2'] = df.ta.rsi(length=14).shift(2)
    
    # 3. Ratio de Volume (LE SIGNAL DES PROS)
    # Est-ce que le volume actuel est anormalement élevé par rapport aux 20 dernières heures ?
    df['vol_mean_20'] = df['vol'].rolling(20).mean()
    df['VOL_RATIO'] = df['vol'] / df['vol_mean_20']
    df['vol_lag1'] = df['vol'].shift(1)

    # 4. Target (Ce qu'on veut prédire : la prochaine bougie sera-t-elle verte ?)
    # 1 = Hausse, 0 = Baisse
    df['target'] = (df['close'].shift(-1) > df['close']).astype(int)
    
    # Nettoyage des cases vides (NaN) créées par les calculs du passé
    df = df.dropna()
    
    # Les colonnes que XGBoost va regarder
    features = [
        'return_1h', 'return_3h', 'return_12h', 
        'RSI_lag1', 'RSI_lag2', 'vol_lag1', 'VOL_RATIO'
    ]
    
    return df[features], df['target']

def train_time_model(df):
    """
    Entraîne le modèle XGBoost. 
    Ultra-rapide, optimisé pour les 4 threads de ton i7-6500U !
    """
    print("⏳ [V9] Entraînement du Time Engine (XGBoost) en cours...")
    
    X, y = prepare_time_features(df)
    
    # Paramétrage Quant : 
    # max_depth=4 (pour ne pas overfitter le bruit de la crypto)
    # n_jobs=-1 (utilise 100% de ton CPU pendant quelques secondes)
    model = xgb.XGBClassifier(
        n_estimators=100,
        max_depth=4,
        learning_rate=0.05,
        objective='binary:logistic',
        eval_metric='logloss',
        n_jobs=-1, 
        random_state=42
    )
    
    model.fit(X, y)
    joblib.dump(model, TIME_MODEL_FILE)
    
    print("✅ [V9] Time Engine sauvegardé avec succès ! Ton CPU te remercie.")
    return model

def load_time_model():
    """Charge le modèle depuis le SSD."""
    if os.path.exists(TIME_MODEL_FILE):
        return joblib.load(TIME_MODEL_FILE)
    return None

def predict_time(model, df):
    """
    Prédit la probabilité de hausse pour la bougie actuelle.
    Remplace officiellement predict_lstm.
    """
    X, _ = prepare_time_features(df)
    if len(X) == 0:
        return 0.5
        
    last_row = X.iloc[[-1]]
    
    # predict_proba renvoie [prob_baisse, prob_hausse]. On veut la hausse (indice 1)
    prob_hausse = model.predict_proba(last_row)[0][1]
    return prob_hausse