#!/usr/bin/env python3
"""
KIS Bot용 ML 승률 예측 모델
- kis_bot/quant_bot.db의 trade_history 데이터로 학습
- 매수 신호의 승률 예측 (0.0 ~ 1.0)
- 주간 단위 자동 재학습
"""
import os
import pickle
import sqlite3
import logging
from pathlib import Path
from datetime import datetime, timedelta

import numpy as np
import pandas as pd

# Logger 설정
logger = logging.getLogger("KIS_MLPredictor")

try:
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.model_selection import train_test_split
    from sklearn.metrics import accuracy_score, precision_score, recall_score
    ML_AVAILABLE = True
except ImportError:
    ML_AVAILABLE = False
    logger.warning("⚠️ scikit-learn 미설치! ML 기능 사용 불가")
    logger.warning("   설치: pip install scikit-learn")


SCRIPT_DIR = Path(__file__).resolve().parent


class MLPredictor:
    """매수 신호 승률 예측 모델"""
    
    def __init__(
        self,
        db_path: str = None,
        model_path: str = None,
    ):
        # 기본값: kis_bot/quant_bot.db, kis_bot/ml_model.pkl
        self.db_path = db_path or str(SCRIPT_DIR / "quant_bot.db")
        self.model_path = model_path or str(SCRIPT_DIR / "ml_model.pkl")
        self.model = None
        self.feature_names = [
            "rsi",
            "volume_ratio",
            "tail_length_pct",
            "ma5_gap_pct",
            "ma20_gap_pct",
            "foreign_net_buy",
            "institution_net_buy",
            "market_hour",
        ]
        self.min_train_samples = 30
        
        if not ML_AVAILABLE:
            logger.error("❌ scikit-learn이 설치되지 않았습니다!")
            return
        
        self.load_model()
    
    def extract_features_from_db(self, days: int = 90) -> pd.DataFrame:
        """DB에서 학습용 피처 추출
        
        현재는 trade_history의 profit_rate 기반으로 승/패 라벨만 생성하고,
        피처는 프로토타입 단계로 랜덤 값을 사용한다.
        (실전에서는 active_trades에 진입 시점 피처를 저장해서 사용해야 함)
        """
        try:
            conn = sqlite3.connect(self.db_path)
            cutoff_date = (datetime.now() - timedelta(days=days)).strftime("%Y-%m-%d")
            
            query = f"""
                SELECT profit_rate, buy_date, sell_date, strategy
                FROM trade_history
                WHERE sell_date >= '{cutoff_date}'
                ORDER BY sell_date DESC
            """
            
            df = pd.read_sql_query(query, conn)
            conn.close()
            
            if len(df) < self.min_train_samples:
                logger.warning(
                    f"⚠️ 학습 데이터 부족: {len(df)}건 (최소 {self.min_train_samples}건 필요)"
                )
                return None
            
            df["is_win"] = (df["profit_rate"] > 0).astype(int)
            logger.info(
                f"📊 학습 데이터 로드: {len(df)}건 "
                f"(익절: {df['is_win'].sum()}건, 손절: {(1 - df['is_win']).sum()}건)"
            )
            
            return df
            
        except Exception as e:
            logger.error(f"❌ 피처 추출 실패: {e}")
            return None
    
    def train_model(self, retrain: bool = False) -> bool:
        """모델 학습"""
        if not ML_AVAILABLE:
            logger.error("❌ scikit-learn 미설치로 학습 불가")
            return False
        
        if self.model is not None and not retrain:
            logger.info("✅ 기존 모델 사용")
            return True
        
        df = self.extract_features_from_db(days=90)
        
        if df is None or len(df) < self.min_train_samples:
            logger.warning("⚠️ 학습 데이터 부족 - ML 모델 사용 불가")
            return False
        
        logger.warning("⚠️ [프로토타입] 랜덤 피처로 학습 중")
        logger.warning("   → 실제 운영 시: active_trades 테이블에 진입 피처 저장 후 사용")
        
        # TODO: 실제 피처 데이터로 교체 필요
        # 현재는 데모용 랜덤 피처 사용
        np.random.seed(42)
        X = pd.DataFrame(
            {
                "rsi": np.random.uniform(20, 80, len(df)),
                "volume_ratio": np.random.uniform(0.5, 5.0, len(df)),
                "tail_length_pct": np.random.uniform(0, 5, len(df)),
                "ma5_gap_pct": np.random.uniform(-5, 5, len(df)),
                "ma20_gap_pct": np.random.uniform(-10, 10, len(df)),
                "foreign_net_buy": np.random.uniform(-1000, 1000, len(df)),
                "institution_net_buy": np.random.uniform(-500, 500, len(df)),
                "market_hour": np.random.randint(9, 15, len(df)),
            }
        )
        y = df["is_win"].values
        
        X_train, X_test, y_train, y_test = train_test_split(
            X, y, test_size=0.2, random_state=42, stratify=y
        )
        
        logger.info("🤖 RandomForest 학습 시작...")
        self.model = RandomForestClassifier(
            n_estimators=100,
            max_depth=10,
            min_samples_split=5,
            random_state=42,
        )
        self.model.fit(X_train, y_train)
        
        y_pred = self.model.predict(X_test)
        accuracy = accuracy_score(y_test, y_pred)
        precision = precision_score(y_test, y_pred, zero_division=0)
        recall = recall_score(y_test, y_pred, zero_division=0)
        
        logger.info("✅ 학습 완료!")
        logger.info(f"   정확도: {accuracy:.2%}")
        logger.info(f"   정밀도: {precision:.2%}")
        logger.info(f"   재현율: {recall:.2%}")
        
        feature_importance = sorted(
            zip(self.feature_names, self.model.feature_importances_),
            key=lambda x: x[1],
            reverse=True,
        )
        logger.info("   중요 피처:")
        for fname, importance in feature_importance[:5]:
            logger.info(f"      {fname}: {importance:.3f}")
        
        self.save_model()
        return True
    
    def predict_win_probability(self, features: dict) -> float:
        """매수 신호의 승률 예측 (0.0 ~ 1.0)"""
        if not ML_AVAILABLE or self.model is None:
            return 0.5
        
        try:
            X = pd.DataFrame([features])[self.feature_names]
            proba = self.model.predict_proba(X)[0]
            win_prob = proba[1]
            return float(win_prob)
        except Exception as e:
            logger.error(f"❌ 예측 실패: {e}")
            return 0.5
    
    def save_model(self) -> None:
        """모델 파일로 저장"""
        try:
            with open(self.model_path, "wb") as f:
                pickle.dump(self.model, f)
            logger.info(f"💾 모델 저장: {self.model_path}")
        except Exception as e:
            logger.error(f"❌ 모델 저장 실패: {e}")
    
    def load_model(self) -> bool:
        """저장된 모델 로드"""
        if not ML_AVAILABLE:
            return False
        
        if os.path.exists(self.model_path):
            try:
                with open(self.model_path, "rb") as f:
                    self.model = pickle.load(f)
                logger.info(f"✅ 모델 로드: {self.model_path}")
                return True
            except Exception as e:
                logger.error(f"❌ 모델 로드 실패: {e}")
        else:
            logger.info("ℹ️ 저장된 모델 없음 - 첫 실행 시 학습 필요")
        
        return False
    
    def should_retrain(self) -> bool:
        """재학습이 필요한지 체크 (7일 경과 시)"""
        if not os.path.exists(self.model_path):
            return True
        
        model_mtime = datetime.fromtimestamp(os.path.getmtime(self.model_path))
        days_old = (datetime.now() - model_mtime).days
        
        if days_old >= 7:
            logger.info(f"🔄 모델 {days_old}일 경과 → 재학습 필요")
            return True
        
        return False