TPM/prompts/investment_advice_v2.py

"""
投資建議 Prompt V2 - Context Engineering + Prompt Engineering

核心改進：
1. Context Engineering: 加入用戶背景、市場環境、評分標準
2. Prompt Engineering: 強制一致性邏輯、嚴格輸出格式
3. 前端整合: 支援 Markdown 渲染
"""

from typing import Dict, Any
from datetime import datetime


# ===== Context Engineering =====

def get_market_context(tw: bool = True) -> Dict[str, Any]:
    """
    獲取市場環境背景（從資料庫計算實際數據）

    整合：
    - 資料庫：從 stock_price_tw (0050.TW) 和 stock_price (SPY) 計算
    - 快取：1小時 TTL 避免重複計算
    - Fallback：資料庫查詢失敗時使用靜態資料
    """
    try:
        # 嘗試使用資料庫計算的實際市場數據
        from market_benchmark import get_market_benchmark
        benchmark = get_market_benchmark()
        context = benchmark.get_market_context(tw)

        # 如果是 fallback，記錄警告
        if context.get('is_fallback'):
            import logging
            logging.warning(f"Using fallback market data for {'TW' if tw else 'US'}")

        return context

    except ImportError:
        # market_benchmark 模組不存在，使用靜態資料
        import logging
        logging.warning("market_benchmark module not found, using static data")
        return _get_static_market_context(tw)
    except Exception as e:
        # 其他錯誤，使用靜態資料
        import logging
        logging.error(f"Error loading market context: {e}, using static data")
        return _get_static_market_context(tw)


def _get_static_market_context(tw: bool) -> Dict[str, Any]:
    """靜態市場資料（Fallback）"""
    if tw:
        return {
            "market_name": "台灣加權指數（0050.TW）",
            "ytd_return": 0.18,
            "avg_5y_return": 0.09,
            "volatility": 0.15,
            "sentiment": "neutral",
            "is_fallback": True
        }
    else:
        return {
            "market_name": "S&P 500（SPY）",
            "ytd_return": 0.22,
            "avg_5y_return": 0.12,
            "volatility": 0.14,
            "sentiment": "bull",
            "is_fallback": True
        }


def get_investor_profile(risk_tolerance: str = "moderate") -> Dict[str, Any]:
    """
    投資人背景設定 (未來可從用戶資料庫讀取)

    Args:
        risk_tolerance: conservative/moderate/aggressive
    """
    profiles = {
        "conservative": {
            "label": "保守型",
            "max_acceptable_mdd": -0.15,  # 最大可接受回落
            "target_sharpe": 1.5,  # 目標夏普比率
            "description": "重視資本保全，追求穩定收益"
        },
        "moderate": {
            "label": "穩健型",
            "max_acceptable_mdd": -0.25,
            "target_sharpe": 1.0,
            "description": "平衡風險與報酬"
        },
        "aggressive": {
            "label": "積極型",
            "max_acceptable_mdd": -0.40,
            "target_sharpe": 0.8,
            "description": "追求高報酬，願意承擔較高風險"
        }
    }
    return profiles.get(risk_tolerance, profiles["moderate"])


def get_evaluation_criteria() -> Dict[str, Any]:
    """
    明確的評分標準 (解決評價不一致問題)
    """
    return {
        "sharpe_ratio": {
            "excellent": 2.0,      # >= 2.0
            "good": 1.5,           # >= 1.5
            "acceptable": 1.0,     # >= 1.0
            "poor": 0.5,           # >= 0.5
            "very_poor": 0.0       # < 0.5
        },
        "annual_return": {
            "tw": {"excellent": 0.15, "good": 0.10, "acceptable": 0.08, "poor": 0.05},
            "us": {"excellent": 0.18, "good": 0.12, "acceptable": 0.10, "poor": 0.06}
        },
        "mdd": {
            "low_risk": -0.15,     # < -15% 算低風險
            "medium_risk": -0.25,  # -15% ~ -25%
            "high_risk": -0.40,    # -25% ~ -40%
            "extreme_risk": -0.40  # > -40%
        },
        "beta": {
            "defensive": 0.8,      # < 0.8
            "balanced": 1.2,       # 0.8 ~ 1.2
            "aggressive": 1.2      # > 1.2
        }
    }


# ===== Prompt Engineering =====

def get_context_aware_prompt(strategy_data: Dict[str, Any],
                              risk_tolerance: str = "moderate",
                              use_cot: bool = True) -> str:
    """
    Context-Aware Prompt with Strict Evaluation Logic

    Args:
        strategy_data: 策略數據
        risk_tolerance: 風險承受度 (conservative/moderate/aggressive)
        use_cot: 是否使用 Chain-of-Thought
    """
    # 提取數據
    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)
    var10 = strategy_data.get('var10', 0)
    r2 = strategy_data.get('r2', 0)
    assets = strategy_data.get('assets', [])
    name = strategy_data.get('name', 'N/A')
    role = strategy_data.get('role', 'N/A')
    tw = strategy_data.get('tw', True)

    # Context Engineering
    market_ctx = get_market_context(tw)
    investor_profile = get_investor_profile(risk_tolerance)
    criteria = get_evaluation_criteria()

    # 構建評分邏輯
    evaluation_logic = f"""
## 評分標準與邏輯 (CRITICAL: 必須嚴格遵守)

### 1. 夏普比率評級
```python
if sharpe >= {criteria['sharpe_ratio']['excellent']}:
    rating = "優秀"
    description = "風險調整後報酬表現卓越"
elif sharpe >= {criteria['sharpe_ratio']['good']}:
    rating = "良好"
    description = "風險調整後報酬表現良好"
elif sharpe >= {criteria['sharpe_ratio']['acceptable']}:
    rating = "可接受"
    description = "風險調整後報酬尚可"
elif sharpe >= {criteria['sharpe_ratio']['poor']}:
    rating = "待改善"
    description = "風險調整後報酬偏低"
else:
    rating = "不佳"
    description = "風險調整後報酬表現不佳"
```

**本策略夏普比率: {sharpe:.2f}** → 請依上述邏輯給予評級，並保持一致性。

### 2. 報酬率評級 (相對於市場基準)
- 市場基準: {market_ctx['market_name']} 近5年平均 {market_ctx['avg_5y_return']:.1%}
- 本策略: {annual_ret:.2%}
- 相對表現: {((annual_ret / market_ctx['avg_5y_return']) - 1) * 100:+.1f}%

### 3. 風險評級
- 最大回落: {mdd:.2%}
- 投資人可接受範圍: {investor_profile['max_acceptable_mdd']:.1%}
- 超出程度: {((abs(mdd) / abs(investor_profile['max_acceptable_mdd'])) - 1) * 100:+.1f}%

### 4. 市場相關性
- Beta: {beta:.2f}
- 類型: {"防禦型 (< 0.8)" if beta < criteria['beta']['defensive'] else "均衡型 (0.8-1.2)" if beta < criteria['beta']['balanced'] else "進攻型 (> 1.2)"}
- 預期波動: 市場變動 1%，策略預期變動 {beta:.2f}%

### 5. 超額收益能力
- Alpha: {alpha:.4f}
- 解釋: {"創造超額收益 ✓" if alpha > 0.01 else "與市場同步 ≈" if alpha >= -0.01 else "落後市場 ✗"}
"""

    # 一致性邏輯檢查
    consistency_check = f"""
## 一致性邏輯檢查 (MUST FOLLOW)

⚠️ **禁止自相矛盾**：
1. 如果夏普比率評級為「優秀」，整體評價不能說「表現一般」
2. 如果報酬率遠超市場，風險評價不能忽略這個亮點
3. 如果 MDD 超出可接受範圍，必須在風險警示中明確指出

✅ **評價優先順序**：
1. 首先看風險調整後報酬 (夏普比率) → 這是最重要的指標
2. 其次看絕對報酬 vs 市場基準
3. 最後看風險承受度匹配性

📊 **本策略快速判讀**：
- 夏普 {sharpe:.2f}: {"優秀 ✓" if sharpe >= 2.0 else "良好 ✓" if sharpe >= 1.5 else "可接受 ○" if sharpe >= 1.0 else "待改善 ✗"}
- 報酬 {annual_ret:.2%} vs 市場 {market_ctx['avg_5y_return']:.1%}: {"超越 ✓" if annual_ret > market_ctx['avg_5y_return'] * 1.2 else "接近 ○" if annual_ret > market_ctx['avg_5y_return'] * 0.8 else "落後 ✗"}
- 風險 {mdd:.2%}: {"可接受 ✓" if abs(mdd) <= abs(investor_profile['max_acceptable_mdd']) else "偏高 ⚠️"}
"""

    # CoT 推理步驟
    cot_steps = """
## 推理步驟 (Chain-of-Thought)

請按以下順序思考並輸出：

**步驟 1: 指標解讀**
- 先單獨解讀每個指標的絕對值
- 再與市場基準比較
- 最後與投資人預期比較

**步驟 2: 綜合評分**
- 根據評分標準，給出各維度評級
- 注意保持一致性（不要有矛盾）
- 找出最突出的優勢和劣勢

**步驟 3: 情境分析**
- 假設投入 100 萬資金
- 最好情況能賺多少？(基於年化報酬)
- 最壞情況會虧多少？(基於 MDD)
- 承受 1 單位風險能換多少報酬？(基於夏普)

**步驟 4: 投資建議**
- 這個策略適合哪種投資人？
- 在什麼市場環境下表現最好？
- 需要做哪些調整才能更好？
""" if use_cot else ""

    # 嚴格禁止事項
    strict_prohibitions = f"""
## ⛔ 嚴格禁止事項 (CRITICAL - MUST FOLLOW)

1. **禁止自己假設或生成市場數據**
   - ❌ 禁止說「假設台灣加權指數同期間年化報酬率為 12%...」
   - ❌ 禁止說「為了更精確的比較，我們需要...」
   - ✅ **必須使用已提供的市場基準數據**: {market_ctx['market_name']} 近5年平均 {market_ctx['avg_5y_return']:.1%}

2. **禁止模糊或矛盾的評價**
   - ❌ 禁止說「優秀的投資策略...風險調整後報酬表現一般」
   - ❌ 禁止說「良好但待改善」
   - ✅ 必須根據夏普比率給出**明確且一致**的評級

3. **禁止使用模板化語言**
   - ❌ 禁止說「策略基本資訊回顧」「歷史表現趨勢分析」等空泛標題
   - ✅ 必須根據**實際數據**給出具體分析

4. **市場基準說明**
   - 台灣市場: 使用 **0050.TW (元大台灣50)** 作為市場代理指標
     - 理由: 追蹤台灣市值前50大公司，涵蓋約70%市值，流動性高
   - 美國市場: 使用 **SPY (SPDR S&P 500 ETF)** 作為市場代理指標
   - **直接使用提供的數據，不要質疑或假設其他數據**
"""

    # 輸出格式要求（專業深度版）
    output_format = """
## 輸出格式要求 (STRICT)

**目標對象**：專業投資人、進階使用者
**字數控制**：1500-2000 字
**特色**：顯示完整推理過程、技術性分析、數學計算

請用以下 Markdown 格式輸出：

```markdown
## 📊 策略總評

[一句話總結：綜合評級 + 核心特性] (不超過 30 字)

---

## 🎯 核心指標分析

### 風險調整後報酬
**夏普比率 {sharpe:.2f}** → [優秀/良好/可接受/待改善]

```
推理過程：
- 業界標準: ≥2.0 優秀, ≥1.5 良好, ≥1.0 可接受
- 本策略: {sharpe:.2f}
- 意義: 每承受 1% 風險，獲得 {sharpe:.2f}% 超額報酬
→ 結論: [具體評價]
```

### 報酬表現
**年化報酬 {annual_ret:.2%}** vs **市場基準 {market_ctx['avg_5y_return']:.1%}**

```
推理過程:
- 絕對報酬: {annual_ret:.2%}
- 相對市場: {((annual_ret / market_ctx['avg_5y_return']) - 1) * 100:+.1f}%
- 情境假設: 投入 100 萬，一年後預期變為 {100 * (1 + annual_ret):.1f} 萬
→ 結論: [超越/接近/落後]市場表現
```

### 風險評估
**最大回落 {mdd:.2%}** | **波動率 {vol:.2%}**

```
推理過程:
- 歷史最大虧損: {mdd:.2%}
- 投資人可接受範圍: {investor_profile['max_acceptable_mdd']:.1%}
- 情境假設: 投入 100 萬，最壞情況虧損 {abs(100 * mdd):.1f} 萬
→ 結論: 風險水平 [低/中/高]，[適合/不適合] {investor_profile['label']}投資人
```

---

## 💡 投資建議

### ✅ 策略亮點
1. [最突出的優勢，用數據支持]
2. [第二個優勢]

### ⚠️ 風險提示
1. [最主要的風險，量化說明]
2. [次要風險]

### 🎯 適合對象
- **投資人類型**: [保守/穩健/積極]
- **投資期限**: [短期/中期/長期]
- **市場環境**: [牛市/震盪/熊市]

### 🔧 優化建議
[1-2 個具體的改進方向]

---

## 📈 未來展望

[基於當前市場環境 {market_ctx['sentiment']}，給出 3-6 個月展望]

---

*本分析基於歷史數據回測，過往績效不代表未來表現。建議搭配即時市場分析與專業投資顧問。*
```

⚠️ **重要**：
1. 禁止使用模糊詞彙（「優秀但一般」「良好卻待改善」）
2. 每個評價必須有數據支持
3. 推理過程要顯示計算邏輯
4. 結論必須與推理過程一致
"""

    # 組合完整 Prompt
    full_prompt = f"""
你是一位資深投資顧問（CFA, 20+ 年經驗）。請基於以下背景與數據，提供專業投資分析。

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
## 投資人背景
- 風險承受度：**{investor_profile['label']}** ({investor_profile['description']})
- 目標夏普比率：≥ {investor_profile['target_sharpe']:.1f}
- 可接受最大回落：{investor_profile['max_acceptable_mdd']:.1%}

## 市場環境
- 市場：{market_ctx['market_name']}
- 今年表現：{market_ctx['ytd_return']:.1%}
- 近5年平均：{market_ctx['avg_5y_return']:.1%}
- 市場情緒：{market_ctx['sentiment']}

## 策略資訊
- 名稱：{name}
- 目標：{role}
- 持股：{', '.join(assets[:5])}{"..." if len(assets) > 5 else ""} (共 {len(assets)} 檔)

## 績效數據
| 指標 | 數值 |
|------|------|
| 年化報酬率 | {annual_ret:.1%} |
| 年化波動率 | {vol:.1%} |
| 夏普比率 | {sharpe:.1f} |
| 最大回落 (MDD) | {mdd:.2%} |
| Alpha | {alpha:.1f} |
| Beta | {beta:.2f} |
| VaR (95%) | {var10:.2%} |
| R² | {r2:.2%} |

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

{strict_prohibitions}

{evaluation_logic}

{consistency_check}

{cot_steps}

{output_format}

現在請開始分析，記住：**數據驅動，邏輯一致，評價明確，禁止假設市場數據**。
"""

    return full_prompt


def get_simplified_context_prompt(strategy_data: Dict[str, Any]) -> str:
    """
    教育性詳細版 Context-Aware Prompt（為普羅大眾設計，預設模式）

    目標對象：投資新手、一般散戶

    特色：
    - 白話文解釋每個指標的意義
    - 舉例說明（投入100萬的情境）
    - 說明為什麼這個數字重要
    - 提供具體優化建議
    - 字數控制在 1000-1500 字

    適用於：use_cot=False（預設模式，不顯示推理步驟，但內容詳盡）
    """
    annual_ret = strategy_data.get('annual_ret', 0)
    sharpe = strategy_data.get('annual_sr', 0)
    vol = strategy_data.get('vol', 0)
    mdd = strategy_data.get('mdd', 0)
    beta = strategy_data.get('beta', 0)
    alpha = strategy_data.get('alpha', 0)
    var10 = strategy_data.get('var10', 0)
    r2 = strategy_data.get('r2', 0)
    tw = strategy_data.get('tw', True)
    assets = strategy_data.get('assets', [])
    name = strategy_data.get('name', 'N/A')

    market_ctx = get_market_context(tw)
    criteria = get_evaluation_criteria()

    # 評分邏輯
    sharpe_rating = "優秀" if sharpe >= 2.0 else "良好" if sharpe >= 1.5 else "可接受" if sharpe >= 1.0 else "待改善"
    return_vs_market = ((annual_ret / market_ctx['avg_5y_return']) - 1) * 100

    return f"""
你是一位資深投資教育講師，專門為**投資新手和普羅大眾**解釋投資策略。

你的任務是：
1. **用白話文**解釋每個績效指標的意義
2. **說明為什麼**這個指標重要
3. **給予具體的優化建議**
4. **避免使用過多專業術語**，如果必須使用，請解釋清楚

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
## 策略基本資訊
- **策略名稱**: {name}
- **投資市場**: {'🇹🇼 台灣股市' if tw else '🇺🇸 美國股市'}
- **持股標的**: {', '.join(assets[:10])}{"..." if len(assets) > 10 else ""} (共 {len(assets)} 檔)
- **對比基準**: {market_ctx['market_name']} (近5年平均 {market_ctx['avg_5y_return']:.1%})

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

## 📊 核心績效對比表（你的策略 vs 市場）

| 指標 | 你的策略 | 市場基準 | 差異 | 評價 |
|------|---------|---------|------|------|
| 📈 年化報酬率 | {annual_ret:.2%} | {market_ctx['avg_5y_return']:.1%} | {return_vs_market:+.1f}% | {'🚀 大勝' if return_vs_market > 50 else '✅ 超越' if return_vs_market > 0 else '❌ 落後'} |
| ⭐ 夏普比率 | {sharpe:.2f} | ~1.0 | {(sharpe - 1.0):+.2f} | {sharpe_rating} |
| 📊 波動率 | {vol:.2%} | {market_ctx.get('volatility', 0.20):.1%} | {(vol - market_ctx.get('volatility', 0.20)) * 100:+.1f}% | {'⚠️ 較高' if vol > market_ctx.get('volatility', 0.20) * 1.2 else '✅ 適中'} |
| ⚠️ 最大回落 | {mdd:.2%} | ~-30% | {'更深' if abs(mdd) > 0.30 else '相近'} | {'❌ 風險高' if abs(mdd) > 0.30 else '✅ 可控'} |

## 🎯 主動管理能力

| 指標 | 數值 | 說明 |
|------|------|------|
| 🎯 Alpha (超額報酬) | {alpha:.4f} | {'✅ 打敗市場' if alpha > 0.01 else '≈ 跟隨市場' if alpha >= -0.01 else '❌ 落後市場'} |
| ⚖️ Beta (市場相關性) | {beta:.2f} | {'🔥 進攻型 (Beta > 1.2)' if beta > 1.2 else '⚖️ 均衡型 (Beta 0.8-1.2)' if beta > 0.8 else '🛡️ 防禦型 (Beta < 0.8)'} |
| 📐 R² (可解釋度) | {r2:.2%} | 策略中 {r2:.1%} 的波動來自市場影響 |
| 📉 VaR (風險值) | {var10:.2%} | 95%信心水準下的最大單日損失 |

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

## ⛔ 重要指示

1. **禁止假設數據** - 市場基準 {market_ctx['avg_5y_return']:.1%} 已提供，直接使用
2. **評級必須一致** - 夏普 {sharpe:.2f} = 「{sharpe_rating}」
3. **用白話文** - 避免過多專業術語
4. **解釋每個指標** - 說明它的意義和為什麼重要

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

## 📝 輸出格式（教育性詳細版）

請用 1200-1600 字，包含以下內容：

```markdown
## 📊 一句話總評

[根據夏普比率和報酬率，給一個清晰的總評，30字內]

---

## 📋 你選了哪些股票？

{', '.join(assets[:15])}{"..." if len(assets) > 15 else ""}（共 {len(assets)} 檔）

**組合特性：**
- **產業分布**: [分析持股集中在哪些產業，例如：科技股佔50%、金融股佔30%]
- **風險分散度**: [評估是否分散，例如：持股{len(assets)}檔，{'分散良好' if len(assets) >= 8 else '偏集中' if len(assets) >= 5 else '非常集中'}]
- **代表性個股**: [列出前3-5檔重要持股，簡述其特色]

**💡 持股建議：**
[根據持股數量和類型，給予是否需要調整的建議]

---

## 📊 績效表現分析（vs 市場基準）

### 1️⃣ 賺錢能力：年化報酬率 {annual_ret:.2%}

**白話文解釋：**
假設你投入 100 萬，一年後預期變成 **{100 * (1 + annual_ret):.1f} 萬**（{'賺' if annual_ret > 0 else '虧'} {abs(100 * annual_ret):.1f} 萬）。

**vs 市場表現：**
- 📈 你的策略：{annual_ret:.2%}
- 📊 市場平均：{market_ctx['avg_5y_return']:.1%}（{market_ctx['market_name']}）
- 🎯 相對表現：{return_vs_market:+.1f}%

**評價：** {'🚀 遠超市場表現！' if return_vs_market > 50 else '✅ 打敗市場' if return_vs_market > 20 else '✓ 略勝市場' if return_vs_market > 0 else '❌ 落後市場'}

**為什麼重要？**
[解釋報酬率是投資最直觀的指標，但不能只看報酬率，還要考慮風險]

---

### 2️⃣ 投資CP值：夏普比率 {sharpe:.2f} → {sharpe_rating}

**白話文解釋：**
「CP值」就是夏普比率！每承受 1 元風險，你能賺 {sharpe:.2f} 元報酬。

**評級：**
- ⭐⭐⭐ 優秀 (≥ 2.0) - CP值超高！
- ⭐⭐ 良好 (≥ 1.5) - CP值不錯
- ⭐ 可接受 (≥ 1.0) - CP值及格 ← {'你在這裡' if 1.0 <= sharpe < 1.5 else ''}
- 待改善 (< 1.0) - CP值偏低

**為什麼重要？**
[解釋夏普比率是同時考慮報酬和風險的指標，比單看報酬率更全面]

---

### 3️⃣ 最大虧損風險：最大回落 {mdd:.2%}

**白話文解釋：**
投入 100 萬，最慘的時候會虧到剩 **{100 * (1 + mdd):.1f} 萬**（虧損 {abs(100 * mdd):.1f} 萬）。

**vs 市場風險：**
- 你的策略：{mdd:.2%}
- 一般市場：約 -30%
- 評價：{'❌ 風險較高' if abs(mdd) > 0.30 else '✅ 風險可控'}

**心理測試：**
[問投資人是否能接受這個程度的虧損]

---

### 4️⃣ 主動選股價值：Alpha {alpha:.4f} & Beta {beta:.2f}

**Alpha 超額報酬：** {'✅ +{alpha:.2%} 打敗市場' if alpha > 0.01 else '≈ 跟隨市場' if alpha >= -0.01 else '❌ 落後市場'}
**Beta 市場連動：** {'🔥 進攻型' if beta > 1.2 else '⚖️ 均衡型' if beta > 0.8 else '🛡️ 防禦型'}

**白話文解釋：**
- Alpha：扣除市場影響後，你的選股能力創造的額外報酬
- Beta：當市場漲 1%，你的策略預期漲 {beta:.2f}%

**為什麼重要？**
[解釋主動選股的價值，以及不同市場環境下的策略表現]

---

## 🎯 給投資人的建議

### ✅ 這個策略的優勢
[列出2-3個具體優點，用數據支持]

### ⚠️ 需要注意的風險
[列出2-3個具體風險，量化說明]

### 🔧 如何優化這個策略？
[給3個具體的優化建議]
1. [建議1：例如分散持股、調整權重等]
2. [建議2：例如設定停損點]
3. [建議3：例如定期再平衡]

### 💼 適合什麼樣的投資人？
- **風險承受度**: [保守/穩健/積極]
- **投資期限**: [建議持有多久]
- **市場環境**: [適合牛市/震盪/熊市]
- **資金用途**: [閒錢/退休金/教育基金]

---

## 📈 總結

[用2-3句話總結這個策略的核心特點，並給出明確的投資建議]

---

*💡 小提醒：過去績效不代表未來表現，投資一定有風險，建議搭配專業顧問意見。*
```

⚠️ **輸出要求**：
1. **字數**: 1000-1500 字（教育性內容，不能太少）
2. **語氣**: 親切、易懂，像在跟朋友聊天
3. **避免**: 「策略基本資訊回顧」等空泛標題
4. **必須**: 解釋每個指標的意義和重要性
5. **必須**: 給出具體的優化建議
"""