"""真正的区间套：大级别分型定位 + 小级别三类买卖点入场。

结构（缠论正统）：
  1. 大级别（1h / 4h）出顶底分型 —— 确认滞后仅 1 根，负责「预设转折点」与方向
  2. 小级别（15m）在该位置形成中枢并被突破
  3. 突破后回抽不回中枢 -> 15m 的第三类买卖点 —— 负责精确入场

关键：中枢与三买都在小级别，大级别只出分型。
"""
from __future__ import annotations

import sys
from pathlib import Path

import numpy as np
import pandas as pd

sys.path.insert(0, str(Path(__file__).resolve().parents[2]))


def htf_fx_timeline(sig_htf: pd.DataFrame, df_htf: pd.DataFrame) -> pd.DataFrame:
    """把大级别分型压成一条按确认时间排序的时间线。

    confirm_ts 是该分型最早可被使用的时刻，用它做对齐可避免未来函数。
    注意 timestamp 是K线开盘时刻，而分型要等这根K线收盘才算数，
    所以整体后移一个大级别周期；否则小级别会提前一整根大级别K线拿到信号。
    """
    ts = df_htf["timestamp"].to_numpy()
    period = int(np.median(np.diff(ts))) if len(ts) > 1 else 0
    out = pd.DataFrame({
        "confirm_ts": ts[sig_htf["confirm_idx"].to_numpy().astype(int)] + period,
        "fx_ts": ts[sig_htf["fx_idx"].to_numpy().astype(int)],
        "direction": sig_htf["direction"].to_numpy(),
        "price": sig_htf["price"].to_numpy(),
        "is_divergence": sig_htf["is_divergence"].to_numpy(),
        "ratio": sig_htf["ratio"].to_numpy(),
    })
    return out.sort_values("confirm_ts").reset_index(drop=True)


def attach_htf_context(
    ev: pd.DataFrame, df_ltf: pd.DataFrame, tl: pd.DataFrame, prefix: str
) -> pd.DataFrame:
    """给每个小级别买卖点挂上「入场时刻之前最近的大级别分型」。

    ev 需含 entry_idx。产出列：
      {prefix}_dir       最近大级别分型方向（+1 底 / -1 顶）
      {prefix}_age_bars  距该分型确认过了多少根小级别K线
      {prefix}_agree     大级别分型方向与本信号方向是否一致
      {prefix}_div       该大级别分型是否背驰
      {prefix}_dist      入场价相对该分型极值的距离（相对值）
    """
    out = ev.copy()
    if tl.empty or ev.empty:
        for c in ("dir", "age_bars", "agree", "div", "dist"):
            out[f"{prefix}_{c}"] = np.nan
        return out

    ts_ltf = df_ltf["timestamp"].to_numpy()
    close = df_ltf["close"].to_numpy(dtype=float)
    entry_idx = ev["entry_idx"].to_numpy().astype(int)
    entry_ts = ts_ltf[entry_idx]

    k = np.searchsorted(tl["confirm_ts"].to_numpy(), entry_ts, side="right") - 1
    valid = k >= 0
    k_safe = np.clip(k, 0, len(tl) - 1)

    fx_dir = tl["direction"].to_numpy()[k_safe].astype(float)
    fx_ts = tl["confirm_ts"].to_numpy()[k_safe]
    fx_px = tl["price"].to_numpy()[k_safe].astype(float)
    fx_div = tl["is_divergence"].to_numpy()[k_safe].astype(float)

    # 用小级别K线间隔把时间差换算成根数
    step = np.median(np.diff(ts_ltf)) if len(ts_ltf) > 1 else 1
    age = (entry_ts - fx_ts) / max(step, 1)

    out[f"{prefix}_dir"] = np.where(valid, fx_dir, np.nan)
    out[f"{prefix}_age_bars"] = np.where(valid, age, np.nan)
    # 分型确认时刻当作该分型的唯一标识，用来判断多个小级别信号是否同源
    out[f"{prefix}_fx_ts"] = np.where(valid, fx_ts, np.nan)
    out[f"{prefix}_div"] = np.where(valid, fx_div, np.nan)
    out[f"{prefix}_dist"] = np.where(
        valid, (close[entry_idx] - fx_px) / np.clip(np.abs(fx_px), 1e-9, None), np.nan
    )
    out[f"{prefix}_agree"] = np.where(
        valid, (fx_dir == out["direction"].to_numpy()).astype(float), np.nan
    )
    return out