TPM/llm_service.py

"""
LLM Investment Advisor Service

提供投資策略的AI分析服務，包含：
- 投資建議生成
- 風險評估
- 市場洞察
- Prompt工程管理
"""

import os
import json
import time
import logging
import hashlib
from typing import Dict, Any, Optional, Tuple

from openai import OpenAI
try:
    from config_openai import OPENAI_CONFIG, RATE_LIMITS
except Exception:
    OPENAI_CONFIG = {
        'api_key': os.environ.get('OPENAI_API_KEY') or os.environ.get('OPENROUTER_API_KEY', ''),
        'model': os.environ.get('OPENAI_MODEL', os.environ.get('OPENROUTER_MODEL', 'gpt-4')),
        'timeout': int(os.environ.get('LLM_TIMEOUT', '60')),
        'max_tokens': int(os.environ.get('LLM_MAX_TOKENS', '2000')),
        'temperature': float(os.environ.get('LLM_TEMPERATURE', '0.7'))
    }
    RATE_LIMITS = {
        'max_retries': int(os.environ.get('LLM_MAX_RETRIES', '3')),
        'retry_delay': int(os.environ.get('LLM_RETRY_DELAY', '2'))
    }

# 設定日誌
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)


class PromptManager:
    """管理不同的Prompt模板"""

    def __init__(self):
        self.system_prompt = self._get_system_prompt()

    def _get_system_prompt(self) -> str:
        """系統提示詞 - 定義基金經理人專家角色"""
        return """你是一位頂尖的基金經理人與投資策略師，擁有超過20年橫跨牛熊市的實戰經驗。你的專長是將複雜的金融數據轉化為清晰、易於理解的語言，為大眾投資者提供專業見解。

你的溝通風格：
- **權威且親切**：你的語氣充滿自信與專業，但同時讓非專業人士感到安心與信賴。
- **教育家精神**：你會用生動的比喻來解釋關鍵指標，例如將「夏普比率」比喻為投資的「性價比」，或將「最大回落」形容為「最顛簸的一段路」。
- **客觀中立**：你總是基於數據進行分析，同時點出潛在的盲點與風險。

你的任務是根據接下來提供的策略回測數據，撰寫一份專業的投資策略分析報告。"""

    def build_strategy_context(self, strategy_data: Dict[str, Any]) -> str:
        """將策略資料轉換為結構化context，並附帶指標提示"""
        return f"""
策略基本資訊：
- 策略編號：{strategy_data.get('id', 'N/A')}
- 策略名稱：{strategy_data.get('name', 'N/A')}
- 投資目標：{strategy_data.get('role', 'N/A')}
- 建立時間：{strategy_data.get('date', 'N/A')}
- 建立者：{strategy_data.get('username', 'N/A')}

核心績效指標：
- 年化報酬率：{strategy_data.get('annual_ret', 0):.2%} (衡量平均每年賺取多少利潤)
- 年化波動率：{strategy_data.get('vol', 0):.2%} (衡量資產價值的波動風險，越高代表起伏越大)
- 年化夏普比率：{strategy_data.get('annual_sr', 0):.2f} (衡量每一單位風險能換來多少報酬，可視為「投資CP值」)
- 最大回落（MDD）：{strategy_data.get('mdd', 0):.2%} (衡量策略從最高點到最低點可能出現的最大虧損幅度)

進階參考指標：
- Alpha值：{strategy_data.get('alpha', 0):.4f} (相對於市場基準的超額報酬能力)
- Beta值：{strategy_data.get('beta', 0):.4f} (與市場波動的關聯性，大於1代表比市場更敏感)
- VaR (10天, 95%信心)：{strategy_data.get('var10', 0):.2%} (預估在未來10天內，有95%的機率虧損不會超過此比例)
- R-squared：{strategy_data.get('r2', 0):.4f} (策略表現有多大比例可由市場表現來解釋)

投資組合配置：
- 包含資產：{', '.join(strategy_data.get('assets', []))}
- 市場類型：{'台灣市場' if strategy_data.get('tw', True) else '美國市場'}
"""

    def get_investment_advice_prompt(self, strategy_data: Dict[str, Any]) -> str:
        """生成結構化投資建議報告的完整Prompt - 使用外部模板"""
        try:
            # 導入 prompts 模組
            from prompts.investment_advice import get_comprehensive_analysis_prompt
            return get_comprehensive_analysis_prompt(strategy_data)
        except ImportError:
            # 回退到內建模板
            logger.warning("Could not import prompts.investment_advice, using built-in template")
            return self._get_builtin_prompt(strategy_data)

    def _get_builtin_prompt(self, strategy_data: Dict[str, Any]) -> str:
        """內建模板作為回退方案"""
        context = self.build_strategy_context(strategy_data)
        return f"""{self.system_prompt}

{context}

請嚴格遵循以下結構，為這份投資策略撰寫一份專業分析報告：

---

### **【投資策略總評：給您的執行摘要】**
*在這部分，請用2-3句話總結這個策略的核心特點與績效等級。直接點出它適合哪一種類型的投資者。*

### **【績效深度解析：白話解讀關鍵指標】**
*在這部分，請選擇2-3個最重要的指標（例如：夏普比率、最大回落），並用生動的比喻解釋它們在此策略中的意義。*
- **指標1**：[指標名稱] - [用比喻解釋其表現]
- **指標2**：[指標名稱] - [用比喻解釋其表現]

### **【策略的亮點與潛在風險】**
*客觀分析此策略的優缺點。*
- **👍 亮點 (Strengths)**：[至少列出2點，例如：在特定市場環境下表現優異、風險控制得當等]
- **🤔 潛在風險 (Weaknesses/Risks)**：[至少列出2點，例如：資產過於集中、對利率變化敏感等]

### **【給您的具體投資建議】**
*提供清晰、可執行的建議。*
1.  **核心觀點**：[明確指出「繼續持有」、「考慮調整」或「尋找替代方案」]
2.  **優化建議**：[提出1-2項具體優化方向，例如：「可考慮納入 OOO 類型的資產以分散風險」或「建議將再平衡頻率調整為 X 個月一次」]
3.  **風險管理**：[提醒投資者應該注意的市場訊號或事件]

### **【未來展望與提醒】**
*提供一個前瞻性的總結，並附上免責聲明。*

---

請用繁體中文回答，確保報告結構完整、語氣專業且易於理解。"""


class LLMInvestmentAdvisor:
    """LLM投資顧問主類"""

    def __init__(self, api_key: Optional[str] = None):
        """初始化LLM服務"""
        provider = os.environ.get('LLM_PROVIDER', 'openai').lower()
        base_url = None
        default_headers = None

        if provider == 'openrouter':
            self.api_key = api_key or os.environ.get('OPENROUTER_API_KEY') or OPENAI_CONFIG.get('api_key')
            base_url = os.environ.get('OPENROUTER_BASE_URL', 'https://openrouter.ai/api/v1')
            self.model = os.environ.get('OPENROUTER_MODEL', OPENAI_CONFIG.get('model', 'openrouter/auto'))
            default_headers = {
                'HTTP-Referer': os.environ.get('OPENROUTER_REFERER', ''),
                'X-Title': os.environ.get('OPENROUTER_TITLE', 'TPM')
            }
        else:
            self.api_key = api_key or os.environ.get('OPENAI_API_KEY') or OPENAI_CONFIG.get('api_key')
            self.model = os.environ.get('OPENAI_MODEL', OPENAI_CONFIG.get('model', 'gpt-4'))

        if not self.api_key or self.api_key == 'your-api-key-here':
            raise ValueError("LLM API key is required. Please set OPENAI_API_KEY or OPENROUTER_API_KEY.")

        self.client = OpenAI(
            api_key=self.api_key,
            base_url=base_url,
            timeout=OPENAI_CONFIG.get('timeout', 30),
            default_headers=default_headers
        )
        self.prompt_manager = PromptManager()
        self.max_tokens = OPENAI_CONFIG.get('max_tokens', 2000)
        self.temperature = OPENAI_CONFIG.get('temperature', 0.7)

        # 快取設定
        self.cache: Dict[str, Tuple[str, float]] = {}
        self.cache_timeout = 3600  # 1小時快取
        self.mock_mode = os.environ.get('MOCK_LLM', 'false').lower() in ('1', 'true', 'yes')

    def _is_cache_valid(self, cache_time: float) -> bool:
        """檢查快取是否有效"""
        return time.time() - cache_time < self.cache_timeout

    def generate_advice(self, strategy_id: str, strategy_data: Dict[str, Any]) -> str:
        """生成投資建議

        Args:
            strategy_id: 策略ID
            strategy_data: 策略資料字典

        Returns:
            str: 投資建議文本
        """
        stable_payload = json.dumps(strategy_data, sort_keys=True).encode('utf-8')
        cache_digest = hashlib.sha256(stable_payload).hexdigest()
        cache_key = f"advice_{strategy_id}_{cache_digest}"

        # 檢查快取
        if cache_key in self.cache:
            advice, cache_time = self.cache[cache_key]
            if self._is_cache_valid(cache_time):
                logger.info(f"Returning cached advice for strategy {strategy_id}")
                return advice

        try:
            # 構建prompt
            prompt = self.prompt_manager.get_investment_advice_prompt(strategy_data)

            # Mock 模式：不呼叫外部API
            if self.mock_mode:
                logger.info("MOCK_LLM enabled, returning fallback advice without external API call")
                response = self._get_fallback_advice(strategy_data)
            else:
                # 調用LLM API
                response = self._call_openai_with_retry(prompt)

            # 快取結果
            self.cache[cache_key] = (response, time.time())
            logger.info(f"Generated new advice for strategy {strategy_id}")
            return response

        except Exception as e:
            logger.error(f"Error generating advice for strategy {strategy_id}: {str(e)}")
            return self._get_fallback_advice(strategy_data)

    def clear_cache(self):
        """清除快取"""
        self.cache.clear()
        logger.info("LLM advice cache cleared")

    def _call_openai_with_retry(self, prompt: str) -> str:
        """調用OpenAI API，包含重試機制

        Args:
            prompt: 完整的prompt

        Returns:
            str: API回應內容
        """
        max_retries = RATE_LIMITS.get('max_retries', 3)
        retry_delay = RATE_LIMITS.get('retry_delay', 2)

        for attempt in range(max_retries):
            try:
                response = self.client.chat.completions.create(
                    model=self.model,
                    messages=[
                        {"role": "system", "content": "你是一位專業的投資顧問。"},
                        {"role": "user", "content": prompt}
                    ],
                    max_tokens=self.max_tokens,
                    temperature=self.temperature,
                    top_p=0.9
                )

                return response.choices[0].message.content.strip()

            except Exception as e:
                status_code = getattr(e, 'status_code', None)
                is_rate_limited = status_code == 429 or 'rate limit' in str(e).lower()
                if attempt < max_retries - 1 and (is_rate_limited or True):
                    wait_time = retry_delay ** attempt
                    logger.warning(f"LLM API error, retrying in {wait_time}s... (attempt {attempt + 1}/{max_retries}): {str(e)}")
                    time.sleep(wait_time)
                    continue
                logger.error(f"LLM API error after {max_retries} attempts: {str(e)}")
                raise e

    def _get_fallback_advice(self, strategy_data: Dict[str, Any]) -> str:
        """獲取fallback投資建議"""
        annual_ret = strategy_data.get('annual_ret', 0)
        vol = strategy_data.get('vol', 0)
        sharpe = strategy_data.get('annual_sr', 0)

        return f"""
基於您的投資策略數據，我提供以下初步分析：

📊 **表現評估**：
- 年化報酬率：{annual_ret:.2%} - {'表現良好' if annual_ret > 0.1 else '有改進空間'}
- 年化波動率：{vol:.2%} - {'風險適中' if vol < 0.2 else '風險較高'}
- 夏普比率：{sharpe:.2f} - {'風險調整後報酬優良' if sharpe > 1 else '有改進空間'}

💡 **初步建議**：
1. 持續監控市場變化
2. 定期檢視投資組合配置
3. 考慮分散投資降低風險

*注意：此為預設建議，如需詳細分析請稍後再試。*
"""

    # Duplicate clear_cache removed


# 創建全域實例
llm_advisor = None

def get_llm_advisor() -> LLMInvestmentAdvisor:
    """獲取LLM顧問實例"""
    global llm_advisor
    if llm_advisor is None:
        llm_advisor = LLMInvestmentAdvisor()
    return llm_advisor