backend/main.py - llmcode - dimaWebexplorer/investmentAssistant

backend/main.py
146 строк7 KB
yyeewweee
update backend/main.py
17 дек 2025, 19:49
17 дек 2025, 19:49a5eee66
from backend.module import (parse_moex_stocks, parse_moex_bonds, 
                   get_stocks_above_yield, get_bonds_by_yield,
                   calculate_regular_deposit_accumulation, 
                   calculate_regular_deposit_passive, create_portfolio,
                   post_news_sentiment_endpoint)

from ml.reasoning import (integrate_openrouter_reasoning_stocks)

from fastapi import FastAPI
from pydantic import BaseModel
from fastapi.middleware.cors import CORSMiddleware
import os
from pathlib import Path
from dotenv import load_dotenv

BASE_DIR = Path(__file__).resolve().parent
ENV_FILE_PATH = BASE_DIR / ".env"
load_dotenv(dotenv_path=ENV_FILE_PATH)

app = FastAPI()


origins = [
    "http://localhost:5173",
    "https://yourdomain.com",
    "*",
]

app.add_middleware(
    CORSMiddleware,
    allow_origins=origins,
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)


class RequestData(BaseModel):
    target_yield: float
    task: str  
    future_value: float
    years: int  
    want_to_get: float
    stock_bond_ratio: float

class PortfolioNewsSentimentRequestData(BaseModel):
    portfolio_list: list # Список словарей, полученный из /portfolio
    finbert_model_name: str = "ProsusAI/finbert"

@app.post("/portfolio")
async def calculate(data: RequestData):
    #1) Функции парсинга ценных бумаг 
    df_stocks = parse_moex_stocks()
    df_bonds = parse_moex_bonds()
    
    #2) Функции фильтрации ценных бумаг по критерию доходности
    result_df_stocks = get_stocks_above_yield(data.target_yield, df_stocks)  
    result_df_bonds = get_bonds_by_yield(data.target_yield, df_bonds)
    
    #3) Функции расчета суммы внесения на депозит в зависимости от задачи
    if data.task == "accumulation":
        regular_deposit = calculate_regular_deposit_accumulation(data.future_value, data.target_yield, data.years)
    elif data.task == "passive":
        regular_deposit = calculate_regular_deposit_passive(data.want_to_get, data.target_yield, data.years)
    
    #4) Функция создания портфеля
    portfolio = create_portfolio(
        regular_deposit=regular_deposit, 
        result_df_stocks=result_df_stocks, 
        result_df_bonds=result_df_bonds, 
        stock_bond_ratio=data.stock_bond_ratio)
    portfolio_list = portfolio.to_dict('records')
    
    return {"portfolio": portfolio_list}

@app.post("/news_sentiment")
async def get_news_sentiment(news_data: PortfolioNewsSentimentRequestData):
    tavily_api_key_str = os.getenv("TAVILY_API_KEY")
    if not tavily_api_key_str:
        # Попробуем вывести отладочную информацию
        print(f"DEBUG: TAVILY_API_KEY is None or empty. Looking in: {ENV_FILE_PATH}")
        print(f"DEBUG: File {ENV_FILE_PATH} exists: {ENV_FILE_PATH.exists()}")
        if ENV_FILE_PATH.exists():
            print("Contents of .env file:")
            try:
                with ENV_FILE_PATH.open('r', encoding='utf-8') as f:
                    print(f.read())
            except Exception as e:
                print(f"Could not read file: {e}")
        return {"error": "TAVILY_API_KEY не найден в переменных окружения. Проверьте файл .env."}

    portfolio_list = news_data.portfolio_list
    finbert_model_name = news_data.finbert_model_name

    news_sentiment_df = post_news_sentiment_endpoint(
        first_method_output_df_or_list=portfolio_list,
        tavily_api_key_str=tavily_api_key_str,
        finbert_model_name_or_path=finbert_model_name
    )

    news_sentiment_list = news_sentiment_df.to_dict('records')

    return {"news_sentiment": news_sentiment_list}

@app.post("/portfolio_ml")
async def ml_calculate(data: RequestData):
    # 1) Функции парсинга ценных бумаг
    df_stocks = parse_moex_stocks()
    df_bonds = parse_moex_bonds() # Убрали

    # 2) Функции фильтрации ценных бумаг по критерию доходности
    result_df_stocks = get_stocks_above_yield(data.target_yield, df_stocks)
    result_df_bonds = get_bonds_by_yield(data.target_yield, df_bonds) # Убрали

    # --- Интеграция рассуждений OpenRouter для акций ---
    # Проверим, есть ли подходящие акции
    refined_stock_positions = pd.DataFrame() # Инициализируем пустой DataFrame
    if not result_df_stocks.empty:
        # Пример промпта для модели, можно передавать из RequestData
        user_stock_prompt = f"""
        Выбери акции, которые наилучшим образом соответствуют следующим критериям:
        - Дивидендная доходность не ниже {data.target_yield * 100:.2f}% годовых.
        - Приоритет у акций крупных, надежных эмитентов.
        - Избегай слишком мелких эмитентов и бумаг с низкой ликвидностью (если есть данные о ликвидности).
        - Учитывай соотношение цена/доходность.
        """
        # Интегрируем рассуждение модели
        refined_stock_positions = integrate_openrouter_reasoning_stocks(result_df_stocks, user_stock_prompt)
        # Теперь refined_stock_positions содержит уточненный список акций с рассчитанным количеством

    # 3) Функции расчета суммы внесения на депозит в зависимости от задачи
    if data.task == "accumulation":
        regular_deposit = calculate_regular_deposit_accumulation(data.future_value, data.target_yield, data.years)
    elif data.task == "passive":
        regular_deposit = calculate_regular_deposit_passive(data.want_to_get, data.target_yield, data.years)

    # 4) Функция создания портфеля с использованием уточненных списков
    # Если у нас есть уточненные позиции от модели, используем их, иначе используем оригинальные расчеты
    portfolio = create_portfolio(
        regular_deposit=regular_deposit, 
        result_df_stocks=refined_stock_positions, 
        result_df_bonds=result_df_bonds, 
        stock_bond_ratio=data.stock_bond_ratio)
    portfolio_list = portfolio.to_dict('records')

    return {"portfolio": portfolio_list}