"""
기술적 지표 최적화 관련 함수
"""

import numpy as np
import pandas as pd
import yfinance as yf

from ..evaluation.backtest import get_risk_free_rate
from .technical_indicators import calculate_ema_series, calculate_macd, calculate_cmf, calculate_rsi

def calculate_risk_free_rate(data, risk_free_rates=None):
    """무위험 수익률 계산을 위한 공통 함수"""
    annual_rf_rate = 0.01  # 기본값
    
    if risk_free_rates is not None:
        try:
            # 단일 값(float)인 경우
            if isinstance(risk_free_rates, (float, int)):
                annual_rf_rate = float(risk_free_rates)
            # Series/DataFrame인 경우
            elif hasattr(risk_free_rates, 'index'):
                start_date = data.index[0]
                end_date = data.index[-1]
                try:
                    rf_subset = risk_free_rates.loc[start_date:end_date]
                    if not rf_subset.empty:
                        annual_rf_rate = rf_subset.mean()
                    else:
                        annual_rf_rate = risk_free_rates.mean()
                except:
                    annual_rf_rate = risk_free_rates.mean()
        except Exception as e:
            print(f"무위험 수익률 처리 오류: {e}")
            annual_rf_rate = 0.01
    
    return annual_rf_rate

def minmax_scale(value, min_val, max_val, inverse=False):
    """정규화를 위한 공통 함수"""
    if max_val == min_val:
        return 0
    normalized = (value - min_val) / (max_val - min_val)
    return 1 - normalized if inverse else normalized

def calculate_performance_metrics(total_return, returns, portfolio_values, mdd, data_length, risk_free_rate):
    """성능 지표 계산을 위한 공통 함수"""
    # 연간수익률 계산
    annual_return = ((1 + total_return) ** (252/data_length)) - 1
    annual_std = np.std(returns) * np.sqrt(252) if returns else 0
    
    # 샤프지수 계산
    sharpe_ratio = (annual_return - risk_free_rate) / annual_std if annual_std != 0 else 0
    
    return {
        'annual_return': annual_return,
        'sharpe_ratio': sharpe_ratio,
        'mdd': mdd,
        'total_return': total_return
    }

def find_optimal_parameters(all_results, params_keys, metric_weights={'sharpe_ratio': 0.9, 'mdd': 0.1}):
    """최적 파라미터 찾기를 위한 공통 함수"""
    if not all_results:
        return None
    
    # 정규화를 위한 최소/최대값 찾기
    sharpe_ratios = [r['metrics']['sharpe_ratio'] for r in all_results]
    mdds = [r['metrics']['mdd'] for r in all_results]
    
    min_sharpe, max_sharpe = min(sharpe_ratios), max(sharpe_ratios)
    min_mdd, max_mdd = min(mdds), max(mdds)
    
    # 최적 파라미터 찾기
    best_score = float('-inf')
    best_params = None
    
    for result in all_results:
        normalized_sharpe = minmax_scale(result['metrics']['sharpe_ratio'], min_sharpe, max_sharpe)
        normalized_mdd = minmax_scale(result['metrics']['mdd'], min_mdd, max_mdd, inverse=True)

        score = (metric_weights['sharpe_ratio'] * normalized_sharpe +
                metric_weights['mdd'] * normalized_mdd)
        
        if score > best_score:
            best_score = score
            best_params = {key: result[key] for key in params_keys}
            best_params['metrics'] = result['metrics']
    
    return best_params

def backtest_ema(data, short_ema, long_ema):
    """EMA 크로스오버 백테스팅"""
    positions = []
    returns = []
    close_values = data['Close'].values
    short_values = short_ema.values
    long_values = long_ema.values
    
    for i in range(1, len(short_values)):
        if (short_values[i-1] <= long_values[i-1]) and (short_values[i] > long_values[i]):
            positions.append((i, 'buy'))
        elif (short_values[i-1] >= long_values[i-1]) and (short_values[i] < long_values[i]):
            positions.append((i, 'sell'))
    
    # 거래 수익률 계산
    for i, (idx, action) in enumerate(positions[:-1]):
        if action == 'buy':
            buy_price = close_values[idx]
            sell_idx = positions[i + 1][0]
            sell_price = close_values[sell_idx]
            returns.append((sell_price - buy_price) / buy_price)
    
    # 포트폴리오 가치 시뮬레이션
    portfolio_values = [1.0]
    position = False
    buy_idx = 0
    
    for i in range(1, len(short_values)):
        portfolio_values.append(portfolio_values[-1])
        
        # 매수 신호
        if (short_values[i-1] <= long_values[i-1]) and (short_values[i] > long_values[i]) and not position:
            position = True
            buy_idx = i
        
        # 매도 신호
        elif (short_values[i-1] >= long_values[i-1]) and (short_values[i] < long_values[i]) and position:
            position = False
            buy_price = close_values[buy_idx]
            sell_price = close_values[i]
            trade_return = (sell_price - buy_price) / buy_price
            portfolio_values[-1] *= (1 + trade_return)
    
    # MDD 계산
    cummax = np.maximum.accumulate(portfolio_values)
    drawdowns = (cummax - portfolio_values) / cummax
    mdd = np.max(drawdowns) if len(drawdowns) > 0 else 0
    
    total_return = np.prod([1 + r for r in returns]) - 1 if returns else 0
    return total_return, returns, portfolio_values, mdd

def evaluate_ema_strategy(data, short_period, long_period, risk_free_rates=None):
    """EMA 전략 평가"""
    short_ema = calculate_ema_series(data['Close'], short_period)
    long_ema = calculate_ema_series(data['Close'], long_period)
    total_return, returns, portfolio_values, mdd = backtest_ema(data, short_ema, long_ema)
    
    if not returns:
        return {'annual_return': 0, 'sharpe_ratio': 0, 'mdd': 1, 'total_return': 0}
    
    # 무위험 수익률 가져오기
    risk_free_rate = calculate_risk_free_rate(data, risk_free_rates)
    
    # 성능 지표 계산
    metrics = calculate_performance_metrics(total_return, returns, portfolio_values, mdd, len(data), risk_free_rate)
    
    # EMA 특화 정보 추가
    metrics.update({
        'short_period': short_period,
        'long_period': long_period
    })
    
    return metrics

def optimize_ema_parameters(data, risk_free_rates=None):
    """최적의 EMA 파라미터 찾기"""
    short_periods = range(5, 50, 5)
    long_periods = range(50, 200, 10)
    
    all_results = []
    
    for short in short_periods:
        for long in long_periods:
            if short >= long:
                continue
            try:
                result = evaluate_ema_strategy(data, short, long, risk_free_rates)
                all_results.append({
                    'short': short,
                    'long': long,
                    'metrics': result
                })
            except Exception as e:
                print(f"Error with EMA params {short}-{long}: {e}")
                continue
    
    if not all_results:
        return {'short': 10, 'long': 50}  # 기본값
        
    # 최적 파라미터 찾기
    best_params = find_optimal_parameters(all_results, ['short', 'long'])
    
    return best_params

def backtest_macd(data, macd, signal):
    """MACD 백테스팅 함수"""
    positions = []
    returns = []
    macd_values = macd.values
    signal_values = signal.values
    close_values = data['Close'].values
    
    for i in range(1, len(macd_values)):
        if (macd_values[i - 1] <= signal_values[i - 1]) and (macd_values[i] > signal_values[i]):
            positions.append((i, 'buy'))
        elif (macd_values[i - 1] >= signal_values[i - 1]) and (macd_values[i] < signal_values[i]):
            positions.append((i, 'sell'))
    
    # 거래 수익률 계산
    for i, (idx, action) in enumerate(positions[:-1]):
        if action == 'buy':
            buy_price = close_values[idx]
            sell_idx = positions[i + 1][0]
            sell_price = close_values[sell_idx]
            returns.append((sell_price - buy_price) / buy_price)
    
    # 포트폴리오 가치 시뮬레이션
    portfolio_values = [1.0]
    position = False
    buy_idx = 0
    
    for i, (idx, action) in enumerate(positions):
        # 이전 포지션 가치 확장
        while len(portfolio_values) <= idx:
            portfolio_values.append(portfolio_values[-1])
            
        # 매수 신호
        if action == 'buy' and not position:
            position = True
            buy_idx = idx
            
        # 매도 신호
        elif action == 'sell' and position:
            position = False
            buy_price = close_values[buy_idx]
            sell_price = close_values[idx]
            trade_return = (sell_price - buy_price) / buy_price
            portfolio_values[-1] *= (1 + trade_return)
    
    while len(portfolio_values) < len(close_values):
        portfolio_values.append(portfolio_values[-1])
    
    # MDD 계산
    cummax = np.maximum.accumulate(portfolio_values)
    drawdowns = (cummax - portfolio_values) / cummax
    mdd = np.max(drawdowns) if len(drawdowns) > 0 else 0
    
    total_return = np.prod([1 + r for r in returns]) - 1 if returns else 0
    return total_return, returns, portfolio_values, mdd

def evaluate_macd_strategy(data, fast_period, slow_period, signal_period, risk_free_rates=None):
    """MACD 전략 평가"""
    macd, signal = calculate_macd(data, fast_period, slow_period, signal_period)
    total_return, returns, portfolio_values, mdd = backtest_macd(data, macd, signal)
    
    if not returns:
        return {'annual_return': 0, 'sharpe_ratio': 0, 'mdd': 1, 'total_return': 0}

    # 무위험 수익률 가져오기
    risk_free_rate = calculate_risk_free_rate(data, risk_free_rates)
    
    # 성능 지표 계산
    metrics = calculate_performance_metrics(total_return, returns, portfolio_values, mdd, len(data), risk_free_rate)
    
    # MACD 특화 정보 추가
    metrics.update({
        'fast_period': fast_period,
        'slow_period': slow_period,
        'signal_period': signal_period
    })
    
    return metrics

def optimize_macd_parameters(data, risk_free_rates=None):
    """MACD 파라미터 최적화"""
    fast_periods = range(5, 20, 2)
    slow_periods = range(20, 60, 5)
    signal_periods = range(5, 20, 2)
    
    all_results = []
    
    for fast in fast_periods:
        for slow in slow_periods:
            if fast >= slow:
                continue
            for signal in signal_periods:
                try:
                    result = evaluate_macd_strategy(data, fast, slow, signal, risk_free_rates)
                    all_results.append({
                        'fast': fast,
                        'slow': slow,
                        'signal': signal,
                        'metrics': result
                    })
                except Exception as e:
                    print(f"Error with MACD params {fast}-{slow}-{signal}: {e}")
                    continue
    
    if not all_results:
        return {'fast': 12, 'slow': 26, 'signal': 9}  # 기본값
    
    # 최적 파라미터 찾기
    best_params = find_optimal_parameters(all_results, ['fast', 'slow', 'signal'])
    
    return best_params

def backtest_cmf(data, cmf, threshold=0.05):
    """CMF 백테스팅"""
    positions = []
    returns = []
    close_values = data['Close'].values
    cmf_values = cmf.values
    
    # 매매 신호 생성
    for i in range(1, len(cmf_values)):
        if np.isnan(cmf_values[i-1]) or np.isnan(cmf_values[i]):
            continue
        
        if (cmf_values[i-1] <= threshold) and (cmf_values[i] > threshold):
            positions.append((i, 'buy'))
        elif (cmf_values[i-1] >= -threshold) and (cmf_values[i] < -threshold):
            positions.append((i, 'sell'))
    
    # 거래 수익률 계산
    for i, (idx, action) in enumerate(positions[:-1]):
        if action == 'buy':
            buy_price = close_values[idx]
            sell_idx = positions[i + 1][0]
            sell_price = close_values[sell_idx]
            returns.append((sell_price - buy_price) / buy_price)
    
    # 포트폴리오 가치 시뮬레이션
    portfolio_values = [1.0]
    position = False
    buy_idx = 0
    
    for i, (idx, action) in enumerate(positions):
        # 이전 포지션 가치 확장
        while len(portfolio_values) <= idx:
            portfolio_values.append(portfolio_values[-1])
            
        # 매수 신호
        if action == 'buy' and not position:
            position = True
            buy_idx = idx
            
        # 매도 신호
        elif action == 'sell' and position:
            position = False
            buy_price = close_values[buy_idx]
            sell_price = close_values[idx]
            trade_return = (sell_price - buy_price) / buy_price
            portfolio_values[-1] *= (1 + trade_return)
    
    while len(portfolio_values) < len(close_values):
        portfolio_values.append(portfolio_values[-1])
    
    # MDD 계산
    cummax = np.maximum.accumulate(portfolio_values)
    drawdowns = (cummax - portfolio_values) / cummax
    mdd = np.max(drawdowns) if len(drawdowns) > 0 else 0
    
    total_return = np.prod([1 + r for r in returns]) - 1 if returns else 0
    return total_return, returns, portfolio_values, mdd

def evaluate_cmf_strategy(data, period, threshold=0.05, risk_free_rates=None):
    """CMF 전략 평가"""
    # CMF 계산
    df_temp = data.copy()
    df_temp = calculate_cmf(df_temp, period)
    cmf = df_temp[f'CMF_{period}']
    
    total_return, returns, portfolio_values, mdd = backtest_cmf(data, cmf, threshold)
    
    if not returns:
        return {'annual_return': 0, 'sharpe_ratio': 0, 'mdd': 1, 'total_return': 0}
    
    # 무위험 수익률 가져오기
    risk_free_rate = calculate_risk_free_rate(data, risk_free_rates)
    
    # 성능 지표 계산
    metrics = calculate_performance_metrics(total_return, returns, portfolio_values, mdd, len(data), risk_free_rate)
    
    # CMF 특화 정보 추가
    metrics.update({
        'period': period
    })
    
    return metrics

def optimize_cmf_period(data, risk_free_rates=None):
    """최적의 CMF 기간 찾기"""
    periods = range(10, 50, 5)  # 10에서 45까지 5씩 증가
    
    all_results = []
    
    for period in periods:
        try:
            result = evaluate_cmf_strategy(data, period, risk_free_rates=risk_free_rates)
            all_results.append({
                'period': period,
                'metrics': result
            })
        except Exception as e:
            print(f"CMF period {period} optimization error: {e}")
            continue
    
    if not all_results:
        return 20
    
    # 최적 파라미터 찾기
    best_result = find_optimal_parameters(all_results, ['period'])
    return best_result['period'] if best_result else 20

def backtest_rsi(data, rsi, upper_threshold, lower_threshold):
    """RSI 백테스팅"""
    positions = []
    returns = []
    close_values = data['Close'].values
    rsi_values = rsi.values
    
    # RSI 임계값 기반 매매 신호
    for i in range(1, len(rsi_values)):
        if np.isnan(rsi_values[i-1]) or np.isnan(rsi_values[i]):
            continue
            
        # 과매도 상태에서 반등 시 매수
        if (rsi_values[i-1] <= lower_threshold) and (rsi_values[i] > lower_threshold):
            positions.append((i, 'buy'))
            
        # 과매수 상태에서 반락 시 매도
        elif (rsi_values[i-1] >= upper_threshold) and (rsi_values[i] < upper_threshold):
            positions.append((i, 'sell'))
    
    # 거래 수익률 계산
    for i, (idx, action) in enumerate(positions[:-1]):
        if action == 'buy':
            buy_price = close_values[idx]
            sell_idx = positions[i + 1][0]
            sell_price = close_values[sell_idx]
            returns.append((sell_price - buy_price) / buy_price)
    
    # 포트폴리오 가치 시뮬레이션
    portfolio_values = [1.0]
    position = False
    buy_idx = 0
    
    for i, (idx, action) in enumerate(positions):
        # 이전 포지션 가치 확장
        while len(portfolio_values) <= idx:
            portfolio_values.append(portfolio_values[-1])
            
        # 매수 신호
        if action == 'buy' and not position:
            position = True
            buy_idx = idx
            
        # 매도 신호
        elif action == 'sell' and position:
            position = False
            buy_price = close_values[buy_idx]
            sell_price = close_values[idx]
            trade_return = (sell_price - buy_price) / buy_price
            portfolio_values[-1] *= (1 + trade_return)
    
    while len(portfolio_values) < len(close_values):
        portfolio_values.append(portfolio_values[-1])
    
    # MDD 계산
    cummax = np.maximum.accumulate(portfolio_values)
    drawdowns = (cummax - portfolio_values) / cummax
    mdd = np.max(drawdowns) if len(drawdowns) > 0 else 0
    
    total_return = np.prod([1 + r for r in returns]) - 1 if returns else 0
    return total_return, returns, portfolio_values, mdd

def evaluate_rsi_strategy(data, period, upper_threshold, lower_threshold, risk_free_rates=None):
    """RSI 전략 평가"""
    # RSI 계산
    df_temp = data.copy()
    df_temp = calculate_rsi(df_temp, period)
    rsi = df_temp[f'RSI_{period}']
    
    total_return, returns, portfolio_values, mdd = backtest_rsi(data, rsi, upper_threshold, lower_threshold)
    
    if not returns:
        return {'annual_return': 0, 'sharpe_ratio': 0, 'mdd': 1, 'total_return': 0}
    
    # 무위험 수익률 가져오기
    risk_free_rate = calculate_risk_free_rate(data, risk_free_rates)
    
    # 성능 지표 계산
    metrics = calculate_performance_metrics(total_return, returns, portfolio_values, mdd, len(data), risk_free_rate)
    
    # RSI 특화 정보 추가
    metrics.update({
        'period': period,
        'upper_threshold': upper_threshold,
        'lower_threshold': lower_threshold
    })
    
    return metrics

def optimize_rsi_parameters(data, risk_free_rates=None):
    """최적의 RSI 파라미터 찾기"""
    periods = range(5, 30, 2)  # 5에서 28까지 2씩 증가
    upper_thresholds = range(65, 85, 5)  # 65에서 80까지 5씩 증가
    lower_thresholds = range(15, 35, 5)  # 15에서 30까지 5씩 증가
    
    all_results = []
    
    for period in periods:
        for upper in upper_thresholds:
            for lower in lower_thresholds:
                try:
                    result = evaluate_rsi_strategy(data, period, upper, lower, risk_free_rates)
                    all_results.append({
                        'period': period,
                        'upper_threshold': upper,
                        'lower_threshold': lower,
                        'metrics': result
                    })
                except Exception as e:
                    print(f"Error with RSI params {period}-{upper}-{lower}: {e}")
                    continue
    
    if not all_results:
        return {'period': 14, 'upper_threshold': 70, 'lower_threshold': 30}  # 기본값
    
    # 최적 파라미터 찾기
    best_params = find_optimal_parameters(all_results, ['period', 'upper_threshold', 'lower_threshold'])
    
    return best_params

# -----------------------------
# 전체 최적화 실행 함수
# -----------------------------
def run_technical_optimization(tickers, start_date, end_date):
    """여러 주식 종목에 대해 기술적 지표 최적화를 실행하는 함수"""
    print("주식 데이터 다운로드 및 기술적 지표 최적화 중...")
    
    # 무위험 수익률 데이터 가져오기
    try:
        # 이미 임포트된 함수 직접 사용
        risk_free_rate = get_risk_free_rate(start_date=start_date, end_date=end_date)
        print(f"무위험 수익률 로드 성공: {risk_free_rate:.4f}")
    except Exception as e:
        print(f"무위험 수익률 로드 오류: {e}")
        risk_free_rate = 0.01
        print(f"기본 무위험 수익률 사용: {risk_free_rate:.4f}")
    
    # 결과 저장 리스트
    ema_params_list = []
    macd_params_list = []
    cmf_period_list = []
    rsi_params_list = []
    
    # 종목별 데이터 처리 및 최적화
    for ticker in tickers:
        print(f"\n{ticker} 데이터 처리 중...")
        
        try:
            # 주가 데이터 다운로드
            df = yf.download(ticker, start=start_date, end=end_date)
            if len(df) < 100:
                print(f"{ticker}: 충분한 데이터가 없습니다.")
                continue
                
            # 멀티인덱스 처리
            if isinstance(df.columns, pd.MultiIndex):
                df.columns = df.columns.droplevel(1)
            
            # 1. EMA 최적화 - 무위험 수익률 전달
            try:
                print(f"  {ticker} EMA 최적화 중...")
                ema_opt = optimize_ema_parameters(df.copy(), risk_free_rates=risk_free_rate)
                ema_params_list.append(ema_opt)
                print(f"  EMA 최적화 완료: 단기={ema_opt['short']}, 장기={ema_opt['long']}")
            except Exception as e:
                print(f"  EMA 최적화 오류: {e}")
                ema_params_list.append({'short': 10, 'long': 50})
            
            # 2. MACD 최적화 - 무위험 수익률 전달
            try:
                print(f"  {ticker} MACD 최적화 중...")
                macd_opt = optimize_macd_parameters(df.copy(), risk_free_rates=risk_free_rate)
                macd_params_list.append(macd_opt)
                print(f"  MACD 최적화 완료: 빠름={macd_opt['fast']}, 느림={macd_opt['slow']}, 신호={macd_opt['signal']}")
            except Exception as e:
                print(f"  MACD 최적화 오류: {e}")
                macd_params_list.append({'fast': 12, 'slow': 26, 'signal': 9})
            
            # 3. CMF 최적화 - 무위험 수익률 전달
            try:
                print(f"  {ticker} CMF 최적화 중...")
                cmf_period = optimize_cmf_period(df.copy(), risk_free_rates=risk_free_rate)
                cmf_period_list.append(cmf_period)
                print(f"  CMF 최적화 완료: 기간={cmf_period}")
            except Exception as e:
                print(f"  CMF 최적화 오류: {e}")
                cmf_period_list.append(20)
            
            # 4. RSI 최적화 - 무위험 수익률 전달
            try:
                print(f"  {ticker} RSI 최적화 중...")
                rsi_opt = optimize_rsi_parameters(df.copy(), risk_free_rates=risk_free_rate)
                rsi_params_list.append(rsi_opt)
                print(f"  RSI 최적화 완료: 기간={rsi_opt['period']}, 상한={rsi_opt['upper_threshold']}, 하한={rsi_opt['lower_threshold']}")
            except Exception as e:
                print(f"  RSI 최적화 오류: {e}")
                rsi_params_list.append({'period': 14, 'upper_threshold': 70, 'lower_threshold': 30})
                
        except Exception as e:
            print(f"{ticker} 데이터 처리 오류: {e}")
            continue
    
    # 평균 파라미터 계산 - 공통 로직으로 추출 가능
    if ema_params_list:
        avg_ema_short = int(np.mean([p['short'] for p in ema_params_list]))
        avg_ema_long = int(np.mean([p['long'] for p in ema_params_list]))
    else:
        avg_ema_short, avg_ema_long = 10, 50
        
    if macd_params_list:
        avg_macd_fast = int(np.mean([p['fast'] for p in macd_params_list]))
        avg_macd_slow = int(np.mean([p['slow'] for p in macd_params_list]))
        avg_macd_signal = int(np.mean([p['signal'] for p in macd_params_list]))
    else:
        avg_macd_fast, avg_macd_slow, avg_macd_signal = 12, 26, 9
        
    avg_cmf_period = int(np.mean(cmf_period_list)) if cmf_period_list else 20
    
    if rsi_params_list:
        avg_rsi_period = int(np.mean([p['period'] for p in rsi_params_list]))
        avg_rsi_upper = int(np.mean([p['upper_threshold'] for p in rsi_params_list]))
        avg_rsi_lower = int(np.mean([p['lower_threshold'] for p in rsi_params_list]))
    else:
        avg_rsi_period, avg_rsi_upper, avg_rsi_lower = 14, 70, 30
    
    # 최종 파라미터 구성
    optimal_params = {
        'ema': {'short': avg_ema_short, 'long': avg_ema_long},
        'macd': {'fast': avg_macd_fast, 'slow': avg_macd_slow, 'signal': avg_macd_signal},
        'cmf': avg_cmf_period,
        'rsi': {'period': avg_rsi_period, 'upper_threshold': avg_rsi_upper, 'lower_threshold': avg_rsi_lower}
    }
    
    print("\n===== 최적화된 (평균) 파라미터 =====")
    print(f"EMA: 단기={optimal_params['ema']['short']}, 장기={optimal_params['ema']['long']}")
    print(f"MACD: 빠름={optimal_params['macd']['fast']}, 느림={optimal_params['macd']['slow']}, 신호={optimal_params['macd']['signal']}")
    print(f"CMF 기간: {optimal_params['cmf']}")
    print(f"RSI: 기간={optimal_params['rsi']['period']}, 상한={optimal_params['rsi']['upper_threshold']}, 하한={optimal_params['rsi']['lower_threshold']}")
    
    return optimal_params