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
from typing import Dict, Any, Optional, Tuple
from functools import lru_cache
import time

import openai
from openai import OpenAI
from config_openai import OPENAI_CONFIG, RATE_LIMITS

# 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"""
        return """你是一位經驗豐富的專業投資顧問，擁有超過15年的投資經驗和深厚的金融知識。
請基於提供的投資組合數據，提供專業、客觀且實用的投資建議。

請從以下幾個面向進行分析：
1. 整體表現評估（年化報酬、風險指標）
2. 風險收益特性分析（夏普比率、最大回落）
3. 市場環境適配性評估
4. 具體的改進建議和操作建議
5. 風險管理和再平衡建議

請確保你的回答：
- 專業且易懂，避免過度技術術語
- 基於數據事實，客觀分析
- 提供可操作的具體建議
- 考慮台灣市場的特殊性（如果適用）"""

    def build_strategy_context(self, strategy_data: Dict[str, Any]) -> str:
        """將策略資料轉換為結構化context"""
        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')}

績效指標：
- 年化報酬率：{strategy_data.get('annual_ret', 0):.2%}
- 年化波動率：{strategy_data.get('vol', 0):.2%}
- 年化夏普比率：{strategy_data.get('annual_sr', 0):.2f}
- 最大回落（MDD）：{strategy_data.get('mdd', 0):.2%}
- Alpha值：{strategy_data.get('alpha', 0):.4f}
- Beta值：{strategy_data.get('beta', 0):.4f}
- VaR (10%)：{strategy_data.get('var10', 0):.2%}
- R-squared：{strategy_data.get('r2', 0):.4f}
- Gamma值：{strategy_data.get('gamma', 0):.4f}

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:
        """生成投資建議的完整Prompt"""
        context = self.build_strategy_context(strategy_data)

        return f"""{self.system_prompt}

{context}

請提供詳細的投資建議分析，包含：
1. 整體表現評估：該策略的強項和弱點
2. 風險評估：當前風險水平的評價和建議
3. 市場適配性：該策略在當前市場環境下的適配程度
4. 改進建議：具體的可操作改進建議
5. 未來展望：未來3-6個月的投資建議

請用繁體中文回答，結構清晰，建議具體可行。"""


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

    def __init__(self, api_key: Optional[str] = None):
        """初始化LLM服務"""
        self.api_key = api_key or OPENAI_CONFIG['api_key']
        if not self.api_key or self.api_key == 'your-api-key-here':
            raise ValueError("OpenAI API key is required. Please set OPENAI_API_KEY environment variable.")

        self.client = OpenAI(
            api_key=self.api_key,
            timeout=OPENAI_CONFIG.get('timeout', 30)
        )
        self.prompt_manager = PromptManager()
        self.model = OPENAI_CONFIG.get('model', 'gpt-4')
        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

    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

    @lru_cache(maxsize=100)
    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
        """
        cache_key = f"advice_{strategy_id}_{hash(str(strategy_data))}"

        # 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)

            # 調用OpenAI 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 _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 openai.RateLimitError as e:
                if attempt < max_retries - 1:
                    # 指數退避：1s, 2s, 4s
                    wait_time = retry_delay ** attempt
                    logger.warning(f"Rate limit exceeded, retrying in {wait_time}s... (attempt {attempt + 1}/{max_retries})")
                    time.sleep(wait_time)
                    continue
                else:
                    logger.error(f"Rate limit exceeded after {max_retries} attempts")
                    raise e

            except openai.APIError as e:
                if attempt < max_retries - 1:
                    wait_time = retry_delay ** attempt
                    logger.warning(f"API error, retrying in {wait_time}s... (attempt {attempt + 1}/{max_retries}): {str(e)}")
                    time.sleep(wait_time)
                    continue
                else:
                    logger.error(f"API error after {max_retries} attempts: {str(e)}")
                    raise e

            except Exception as e:
                logger.error(f"Unexpected error calling OpenAI: {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。*
"""

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


# 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