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', '3000')),
        '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 - 使用原本的詳細 prompt 結構"""
        try:
            # 嘗試使用 prompts/investment_advice.py 的模板
            from prompts.investment_advice import get_comprehensive_analysis_prompt
            # 直接返回 prompt 作為 fallback（模擬 LLM 回覆的結構）
            prompt = get_comprehensive_analysis_prompt(strategy_data)
            # 提取 prompt 中的策略數據部分，生成基本回覆
            return self._generate_basic_analysis(strategy_data)
        except ImportError:
            return self._generate_basic_analysis(strategy_data)
    
    def _generate_basic_analysis(self, strategy_data: Dict[str, Any]) -> str:
        """生成基本分析（當無法調用 LLM 時）"""
        annual_ret = strategy_data.get('annual_ret', 0)
        vol = strategy_data.get('vol', 0)
        sharpe = strategy_data.get('annual_sr', 0)
        mdd = strategy_data.get('mdd', 0)
        alpha = strategy_data.get('alpha', 0)
        beta = strategy_data.get('beta', 0)
        var = strategy_data.get('var10', 0)
        r2 = strategy_data.get('r2', 0)
        assets = strategy_data.get('assets', [])
        
        # 評估表現等級
        ret_level = "優秀" if annual_ret > 0.15 else "良好" if annual_ret > 0.08 else "一般" if annual_ret > 0 else "需改善"
        risk_level = "低風險" if vol < 0.15 else "中風險" if vol < 0.25 else "高風險"
        sharpe_level = "優良" if sharpe > 1.5 else "良好" if sharpe > 1.0 else "一般" if sharpe > 0.5 else "需改善"
        
        return f"""
## 📊 策略總評
這是一個{ret_level}的投資策略，年化報酬率達到{annual_ret:.1%}，屬於{risk_level}等級。策略的風險調整後報酬表現{sharpe_level}，夏普比率為{sharpe:.2f}，顯示出{"良好" if sharpe > 1.0 else "一般"}的風險管理能力。

## 📈 關鍵指標深度解析

### 💰 報酬表現
- **年化報酬率**：{annual_ret:.2%} - 這個報酬率在當前市場環境下表現{'優異' if annual_ret > 0.12 else '良好' if annual_ret > 0.08 else '一般'}，{'超越' if annual_ret > 0.1 else '接近' if annual_ret > 0.05 else '低於'}市場平均水準
- **風險調整報酬**：{sharpe:.2f} - 夏普比率{'超過1.0' if sharpe > 1.0 else '接近1.0' if sharpe > 0.8 else '低於1.0'}，表示每承擔一單位風險能獲得{'良好' if sharpe > 1.0 else '一般'}的超額報酬

### ⚠️ 風險評估
- **波動率**：{vol:.2%} - 年化波動率{'較低' if vol < 0.15 else '適中' if vol < 0.25 else '較高'}，顯示策略的穩定性{'良好' if vol < 0.2 else '一般'}
- **最大回落**：{mdd:.2%} - 最大虧損幅度{'控制在合理範圍' if abs(mdd) < 0.1 else '需要關注'}，風險控制{'得當' if abs(mdd) < 0.15 else '有待改善'}
- **VaR (95%)**：{var:.2%} - 在95%的信心水準下，單日最大可能虧損為{abs(var):.2%}

### 📊 市場關聯性
- **Alpha值**：{alpha:.4f} - {'正向' if alpha > 0 else '負向'}超額收益，顯示策略{'優於' if alpha > 0 else '弱於'}市場基準表現
- **Beta值**：{beta:.2f} - 策略與市場的關聯性{'較高' if beta > 1.1 else '適中' if beta > 0.9 else '較低'}，市場波動1%時，策略預期波動{beta:.2f}%
- **R-squared**：{r2:.2%} - 策略表現有{r2:.1%}可由市場變動解釋

## 🎯 策略優劣分析

### 👍 亮點優勢
- **風險調整報酬{'優異' if sharpe > 1.5 else '良好' if sharpe > 1.0 else '一般'}**：夏普比率{sharpe:.2f}顯示策略在控制風險的同時能創造{'優質' if sharpe > 1.5 else '良好' if sharpe > 1.0 else '基本'}的報酬
- **資產配置{'合理' if len(assets) > 3 else '需強化'}**：包含{len(assets)}個標的，{'有效' if len(assets) > 5 else '適度' if len(assets) > 3 else '需增加'}分散投資風險
- **市場適應性**：Alpha值{alpha:.4f}顯示策略{'具有' if alpha > 0 else '缺乏'}超額收益能力

### 🤔 潛在風險
- **市場敏感度**：Beta值{beta:.2f}表示策略{'高度' if beta > 1.2 else '適度' if beta > 0.8 else '低度'}受市場波動影響
- **回檔風險**：最大回落{mdd:.2%}顯示在極端市場情況下可能面臨{'較大' if abs(mdd) > 0.2 else '中等' if abs(mdd) > 0.1 else '有限'}的虧損
- **集中度風險**：需要{'特別' if len(assets) < 5 else '持續'}關注資產配置是否過於集中在特定行業或地區

## 💡 具體投資建議

### 1. 核心觀點
**建議**：{'✅ 繼續持有並定期調整' if annual_ret > 0.1 and sharpe > 1.0 else '⚠️ 考慮優化配置' if annual_ret > 0.05 else '❌ 需要重新評估策略'}

**理由**：
- 報酬表現{'符合' if annual_ret > 0.08 else '未達'}預期目標
- 風險控制{'良好' if sharpe > 1.0 else '需要改善'}
- 市場適應性{'優異' if alpha > 0.02 else '適中' if alpha > 0 else '不佳'}

### 2. 優化方向
- **資產配置調整**：可考慮納入更多{'防禦性資產（如公債、公用事業）' if vol > 0.2 else '成長性資產（如科技股、新興市場）'}以{'降低整體風險' if vol > 0.2 else '提升報酬潛力'}
- **再平衡頻率**：建議將再平衡頻率調整為{'每月' if vol > 0.25 else '每季度' if vol > 0.15 else '每半年'}一次，以適應市場變化
- **風險暴露管理**：{'考慮降低' if beta > 1.2 else '可適度提高' if beta < 0.8 else '維持當前'}市場Beta暴露

### 3. 風險管理
- **止損設定**：建議設定止損點在{abs(mdd)*1.3:.1%}（當前最大回落的1.3倍），避免過大虧損
- **倉位控制**：在市場波動加劇時，{'建議降低倉位至70-80%' if vol > 0.25 else '可維持滿倉' if vol < 0.15 else '維持80-90%倉位'}
- **監控指標**：
  - 持續關注VaR指標，當VaR超過{abs(var)*1.5:.2%}時應考慮降低風險
  - 密切追蹤市場波動性變化（VIX指數等）
  - 定期檢視Alpha表現，確保策略持續創造超額收益

## 🔮 未來展望

基於當前市場環境和策略表現，預期未來3-6個月內：

- **報酬預期**：策略將維持{'穩定增長' if sharpe > 1.2 else '波動' if sharpe > 0.8 else '震盪'}表現，年化報酬率預計在{annual_ret*0.8:.1%}至{annual_ret*1.2:.1%}之間
- **風險展望**：市場波動性{'可能上升' if vol > 0.2 else '預期維持穩定'}，建議投資者{'提高警覺' if vol > 0.2 else '保持耐心'}
- **調整建議**：定期檢視（建議每{'月' if vol > 0.25 else '季度'}一次）並適時調整，以應對市場變化

### 關鍵提醒
⚠️ **免責聲明**：此為基於歷史數據的模擬分析結果，過去績效不代表未來表現。實際投資請謹慎評估個人風險承受能力，並建議諮詢專業投資顧問。

📝 **行動建議**：
1. 定期監控策略表現（建議每週檢視一次）
2. 設定明確的投資目標和停損點
3. 保持投資組合的靈活性，適時調整
4. 持續學習市場動態，提升投資判斷力

*本分析報告生成於{strategy_data.get('name', 'N/A')}策略，僅供參考。*
"""

    # 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