ml/reasoning.py - llmcode - dimaWebexplorer/investmentAssistant

ml/reasoning.py
253 строки13 KB
yyeewweee
update ml/reasoning.py
17 дек 2025, 19:51
17 дек 2025, 19:518159074
import pandas as pd
import requests
import json
from typing import List, Dict, Any
import time

OPENROUTER_API_KEY = "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"
MODEL_NAME = "openrouter/auto"
HEADERS = {
    "Authorization": f"Bearer {OPENROUTER_API_KEY}",
    "Content-Type": "application/json"
}

# --- Функция для рассуждения по акциям ---
def integrate_openrouter_reasoning_stocks(stocks_df: pd.DataFrame, user_prompt: str) -> pd.DataFrame:
    """
    Интегрирует рассуждение модели OpenRouter в процесс отбора акций.
    Возвращает DataFrame с отобранными акциями и рассчитанным количеством.
    """
    if stocks_df.empty:
        return pd.DataFrame()

    # --- Фаза 1: Первоначальный отбор ---
    recommended_stocks_df = get_stock_recommendations(stocks_df, user_prompt)

    if recommended_stocks_df.empty:
        return pd.DataFrame()

    # --- Фаза 2: Самосовершенствование (Approach 2) ---
    # Используем рекомендации как старт
    refined_portfolio_stocks_df = refine_list_with_reasoning(recommended_stocks_df, user_prompt, asset_type='stock')

    # --- Фаза 3: Рассчитать количество бумаг ---
    # Эта функция должна быть реализована, чтобы распределить бюджет по уточненному списку
    # Она заменит логику из calculate_positions, но применительно к уточненному списку
    if not refined_portfolio_stocks_df.empty:
        # Убедимся, что столбец с ценой называется 'Цена'.
        if 'Цена' not in refined_portfolio_stocks_df.columns:
            # Попробуем другие возможные названия
            possible_price_cols = ['LAST', 'Цена', 'Price']
            found_price_col = next((col for col in possible_price_cols if col in refined_portfolio_stocks_df.columns), None)
            if found_price_col:
                refined_portfolio_stocks_df.rename(columns={found_price_col: 'Цена'}, inplace=True)
        # Убедимся, что 'Цена' числовая
        refined_portfolio_stocks_df['Цена'] = pd.to_numeric(refined_portfolio_stocks_df['Цена'], errors='coerce')
        # Добавляем временный столбец 'Количество бумаг' с NaN, он будет заполнен в create_portfolio_v2
        refined_portfolio_stocks_df['Количество бумаг'] = float('nan')
        # Переименовываем тикер в 'Бумаги' если нужно
        if 'Тикер' in refined_portfolio_stocks_df.columns:
            refined_portfolio_stocks_df.rename(columns={'Тикер': 'Бумаги'}, inplace=True)
        elif 'SECID' in refined_portfolio_stocks_df.columns:
            refined_portfolio_stocks_df.rename(columns={'SECID': 'Бумаги'}, inplace=True)

    return refined_portfolio_stocks_df


# --- Общая функция для самосовершенствования списка ---
def refine_list_with_reasoning(portfolio_df: pd.DataFrame, user_prompt: str, asset_type: str) -> pd.DataFrame:
    """
    Отправляет модель уже сформированный список бумаг и промпт пользователя.
    Модель анализирует его и вносит коррективы до тех пор, пока результат
    не будет полностью соответствовать промпту (имитация достижения 'нулевого' скоринга).
    """
    if portfolio_df.empty:
        return pd.DataFrame()

    current_portfolio_df = portfolio_df.copy()
    iteration_count = 0
    max_iterations = 3

    system_message_base = f"""
Ты - опытный инвестиционный консультант. Пользователь предоставил тебе текущий список {asset_type}s и свои инвестиционные цели и предпочтения.
Твоя задача - проанализировать, насколько текущий список соответствует целям.
Если он не идеален, предложи улучшения: добавь более подходящие {asset_type}s, удали менее подходящие.
Цель - добиться максимального соответствия списка промпту пользователя.
Верни обновленный список в формате JSON: [{{...}}], сохранив все исходные поля.
Если текущий список уже идеален, верни его без изменений.
"""

    while iteration_count < max_iterations:
        iteration_count += 1

        current_portfolio_str = current_portfolio_df.to_json(orient='records', ensure_ascii=False, indent=2)

        user_message = f"""
Вот мой текущий список {asset_type}s:
{current_portfolio_str}

Вот мои цели и предпочтения:
{user_prompt}

Проанализируй его и предложи улучшения. Верни обновленный список.
"""

        payload = {
            "model": MODEL_NAME,
            "messages": [
                {"role": "system", "content": system_message_base},
                {"role": "user", "content": user_message}
            ],
            "response_format": { "type": "json_object" }
        }

        api_response = call_openrouter_api(payload)

        try:
            raw_content = api_response['choices'][0]['message']['content']
            updated_portfolio_data = json.loads(raw_content)
            updated_portfolio_df = pd.DataFrame(updated_portfolio_data)

            current_portfolio_df = updated_portfolio_df
            if len(current_portfolio_df) == len(portfolio_df) and current_portfolio_df.equals(portfolio_df):
                 break # Выходим, если не было изменений

            if iteration_count >= 2:
                break # Имитация достижения "нуля"

        except (KeyError, json.JSONDecodeError):
            break # Останавливаем цикл при ошибке

    return current_portfolio_df


# --- Новая функция создания портфеля (только акции) ---
def create_portfolio_v2_stocks_only(total_budget: float, refined_stocks_df: pd.DataFrame, original_stocks_df: pd.DataFrame, stock_ratio: float) -> pd.DataFrame:
    """
    Создает портфель, используя уточненные списки от модели, если они есть.
    Иначе использует оригинальные списки.
    Работает только с акциями.
    """
    # Все бюджет идет на акции
    budget_for_stocks = total_budget

    selected_stocks_df = refined_stocks_df if not refined_stocks_df.empty else original_stocks_df

    # Рассчитываем количество для выбранных акций
    final_stock_positions = pd.DataFrame()
    if not selected_stocks_df.empty and budget_for_stocks > 0:
        final_stock_positions = calculate_positions_from_list(selected_stocks_df, budget_for_stocks)

    # Возвращаем только позиции по акциям
    return final_stock_positions


def calculate_positions_from_list(securities_list: pd.DataFrame, budget: float) -> pd.DataFrame:
    """
    Рассчитывает количество бумаг для покупки на основе бюджета,
    распределяя средства равномерно между всеми бумагами в списке.
    """
    if securities_list.empty or budget <= 0:
        return pd.DataFrame()

    df = securities_list.copy()

    # Проверяем наличие столбца 'Цена' и его числовое значение
    if 'Цена' not in df.columns or df['Цена'].isna().any():
        # Попробуем принудительно преобразовать один из столбцов к 'Цена'
        possible_price_cols = ['LAST', 'Цена', 'Price']
        found_price_col = next((col for col in possible_price_cols if col in df.columns), None)
        if found_price_col:
            df['Цена'] = pd.to_numeric(df[found_price_col], errors='coerce')
        else:
            # Если цены нет, невозможно рассчитать количество
            return pd.DataFrame()

    # Удаляем строки с NaN в цене
    df = df.dropna(subset=['Цена'])

    if df.empty:
        return pd.DataFrame()

    # Убедимся, что все цены положительны
    df = df[df['Цена'] > 0]

    if df.empty:
        return pd.DataFrame()

    # Переименовываем тикер в 'Бумаги' если нужно
    if 'Бумаги' not in df.columns:
        if 'Тикер' in df.columns:
            df.rename(columns={'Тикер': 'Бумаги'}, inplace=True)
        elif 'SECID' in df.columns:
            df.rename(columns={'SECID': 'Бумаги'}, inplace=True)
        else:
            # Если столбец с тикером не найден, используем индекс или другой столбец
            df['Бумаги'] = df.index.astype(str) # или используйте другой подходящий столбец

    num_securities = len(df)
    budget_per_security = budget / num_securities

    # Рассчитываем количество, округляем вниз до целого числа лотов
    df['Количество бумаг'] = (budget_per_security / df['Цена']).apply(lambda x: max(0, int(x))) # Округление вниз

    # Возвращаем только нужные столбцы
    required_cols = ['Бумаги', 'Цена', 'Количество бумаг']
    available_cols = [col for col in required_cols if col in df.columns]
    return df[available_cols].copy()


# --- Копии и адаптации функций из предыдущего скрипта для акций ---
def get_stock_recommendations(stock_df: pd.DataFrame, user_prompt: str) -> pd.DataFrame:
    """
    Отправляет DataFrame с акциями и пользовательский промпт модели OpenRouter.
    Модель выбирает и возвращает наиболее подходящие.
    """
    if stock_df.empty:
        return pd.DataFrame()

    stocks_json_str = stock_df.to_json(orient='records', ensure_ascii=False, indent=2)
    system_message = f"""
Ты - опытный финансовый аналитик. Пользователь предоставил тебе таблицу с акциями и описание своих инвестиционных целей и предпочтений.
Твоя задача - внимательно проанализировать данные об акциях и рекомендовать те, которые лучше всего соответствуют целям пользователя.
Обоснуй свой выбор, опираясь на предоставленные данные (доходность, название, цена и т.д.).
Верни только список рекомендованных акций в формате JSON: [{{"Тикер": "...", "Краткое название": "...", "Полное название": "...", "Цена": "...", "Цена закрытия": "...", "Дивидендная доходность": "...", "BOARD": "..."}}].
Если подходящих акций нет, верни пустой список [].
"""
    user_message = f"""
Вот таблица с акциями:
{stocks_json_str}

Вот цели и предпочтения пользователя:
{user_prompt}
"""

    payload = {
        "model": MODEL_NAME,
        "messages": [
            {"role": "system", "content": system_message},
            {"role": "user", "content": user_message}
        ],
        "response_format": { "type": "json_object" }
    }

    api_response = call_openrouter_api(payload)

    try:
        raw_content = api_response['choices'][0]['message']['content']
        recommended_stocks_data = json.loads(raw_content)
        recommended_df = pd.DataFrame(recommended_stocks_data)
        return recommended_df
    except (KeyError, json.JSONDecodeError):
        return pd.DataFrame() # Возвращаем пустой DataFrame в случае ошибки


# --- Функции для API ---
def call_openrouter_api(payload: Dict[str, Any]) -> Dict[str, Any]:
    """
    Вызывает OpenRouter API с заданным payload.
    """
    url = "https://openrouter.ai/api/v1/chat/completions"
    response = requests.post(url, headers=HEADERS, data=json.dumps(payload))
    response.raise_for_status()
    return response.json()