#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
分型强度检测使用示例
该文件展示如何使用ChanKLC类中新增的分型强度检测功能
"""

from ChanKLC import ChanKLC
from ChanEnum import Chan_FX_TYPE
import ChanKLU


def demo_fx_strength_detection():
    """
    演示分型强度检测功能
    """
    print("=== 分型强度检测功能演示 ===\n")
    
    # 假设我们有一个已经确定为分型的KLC对象
    # 这里仅为演示，实际使用中KLC对象应该通过正常流程创建
    
    print("1. 分型强度计算方法:")
    print("   - calculate_fx_strength(): 返回0-100的强度分数")
    print("   - get_fx_strength_level(): 返回强度等级描述")
    print("   - is_strong_fx(threshold): 判断是否为强分型")
    print()
    
    print("2. 强度评分维度 (总分100分):")
    print("   - 价格差异强度: 40分 (与相邻K线的价格差异)")
    print("   - 突破历史点位: 20分 (是否突破重要高低点)")
    print("   - 成交量确认: 15分 (分型形成时的成交量)")
    print("   - RSI背离确认: 15分 (价格与RSI的背离)")
    print("   - MACD背离确认: 10分 (价格与MACD的背离)")
    print()
    
    print("3. 强度等级分类:")
    print("   - 极强: 80-100分")
    print("   - 强: 60-79分")  
    print("   - 中等: 40-59分")
    print("   - 弱: 20-39分")
    print("   - 极弱: 0-19分")
    print()
    
    print("4. 在特征数据中的应用:")
    print("   分型强度会自动集成到get_feature_data()方法返回的特征中:")
    print("   - klc_fx_strength: 强度分数")
    print("   - klc_fx_strength_level: 强度等级")
    print("   - klc_is_strong_fx: 是否为强分型(布尔值)")
    print("   - klc_fx_strength_extreme: 是否为极强分型")
    print("   - klc_fx_strength_strong: 是否为强分型")
    print("   - klc_fx_strength_medium: 是否为中等分型")
    print("   - klc_fx_strength_weak: 是否为弱分型")
    print("   - klc_fx_strength_very_weak: 是否为极弱分型")
    print()


def analyze_fx_strength(klc):
    """
    分析单个KLC的分型强度
    
    Args:
        klc: ChanKLC对象
    """
    if klc.fx == Chan_FX_TYPE.UNKNOWN:
        print(f"时间: {klc.start_time} - 无分型")
        return
    
    fx_type = "顶分型" if klc.fx == Chan_FX_TYPE.TOP else "底分型"
    strength = klc.calculate_fx_strength()
    strength_level = klc.get_fx_strength_level()
    is_strong = klc.is_strong_fx()
    
    print(f"时间: {klc.start_time}")
    print(f"分型类型: {fx_type}")
    print(f"强度分数: {strength}")
    print(f"强度等级: {strength_level}")
    print(f"是否强分型: {'是' if is_strong else '否'}")
    print("-" * 30)


def filter_strong_fractals(klc_list, min_strength=60):
    """
    筛选强分型
    
    Args:
        klc_list: KLC对象列表
        min_strength: 最小强度阈值
        
    Returns:
        强分型列表
    """
    strong_fractals = []
    
    for klc in klc_list:
        if klc.fx != Chan_FX_TYPE.UNKNOWN and klc.is_strong_fx(min_strength):
            strong_fractals.append(klc)
    
    return strong_fractals


def get_fractal_statistics(klc_list):
    """
    获取分型强度统计信息
    
    Args:
        klc_list: KLC对象列表
        
    Returns:
        统计信息字典
    """
    stats = {
        'total_fractals': 0,
        'top_fractals': 0,
        'bottom_fractals': 0,
        'extreme_strength': 0,  # 极强
        'strong_strength': 0,   # 强
        'medium_strength': 0,   # 中等
        'weak_strength': 0,     # 弱
        'very_weak_strength': 0,# 极弱
        'avg_strength': 0
    }
    
    strengths = []
    
    for klc in klc_list:
        if klc.fx != Chan_FX_TYPE.UNKNOWN:
            stats['total_fractals'] += 1
            
            if klc.fx == Chan_FX_TYPE.TOP:
                stats['top_fractals'] += 1
            else:
                stats['bottom_fractals'] += 1
            
            strength = klc.calculate_fx_strength()
            strengths.append(strength)
            
            if strength >= 80:
                stats['extreme_strength'] += 1
            elif strength >= 60:
                stats['strong_strength'] += 1
            elif strength >= 40:
                stats['medium_strength'] += 1
            elif strength >= 20:
                stats['weak_strength'] += 1
            else:
                stats['very_weak_strength'] += 1
    
    if strengths:
        stats['avg_strength'] = sum(strengths) / len(strengths)
    
    return stats


if __name__ == "__main__":
    demo_fx_strength_detection()
    
    print("=== 使用建议 ===")
    print("1. 在交易策略中，可以只关注强度>=60的分型")
    print("2. 极强分型(>=80分)通常是重要的转折点")
    print("3. 结合成交量和技术指标背离的分型更可靠")
    print("4. 可以用分型强度来设置止损和止盈位置")
    print("5. 分型强度可以作为机器学习模型的重要特征")