from abc import ABC
from typing import List, Union, Tuple, Optional

import numpy as np
import talib
from numpy.lib._stride_tricks_impl import sliding_window_view
from scipy import stats

from src.indicators.base_indicators import Indicator


class Empty(Indicator, ABC):
    def get_values(self, close: np.array, open: np.array, high: np.array, low: np.array, volume: np.array):
        return []

    def is_condition_met(self,
                         close: np.array,
                         open: np.array,
                         high: np.array,
                         low: np.array,
                         volume: np.array):
        return True

    def get_name(self):
        return "Empty"


class RSI(Indicator):
    """
    相对强弱指数 (RSI) 指标实现，使用 TA-Lib 简化计算。
    """

    def __init__(
            self,
            window: int = 14,
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.window = window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,  # 不使用
            high: np.array,  # 不使用
            low: np.array,  # 不使用
            volume: np.array,
    ) -> np.array:  # 不使用
        """
        根据收盘价列表计算RSI值，使用 TA-Lib。
        Args:
            close (np.array): 收盘价列表。
            其他 OHLCV 参数在此指标中不使用。
        Returns:
            np.array: RSI值列表。如果数据不足，则列表开头为NaN。
        """
        # 使用 talib.RSI 直接计算
        # 注意：TA-Lib 会在数据不足时自动填充 NaN
        rsi_values = talib.RSI(close, timeperiod=self.window)

        # 将 numpy 数组转换为 list 并返回
        return rsi_values

    def get_name(self):
        return f"rsi_{self.window}"


class HistoricalRange(Indicator):
    """
    历史波动幅度指标：计算过去 N 日的 (最高价 - 最低价) 的简单移动平均。
    """

    def __init__(
            self, down_bound: float = None, up_bound: float = None, shift_window: int = 0
    ):
        super().__init__(down_bound, up_bound)
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,  # 不使用
            open: np.array,  # 不使用
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:  # 不使用
        """
        根据最高价和最低价列表计算过去 N 日的 (high - low) 值的简单移动平均。
        Args:
            high (np.array): 最高价列表。
            low (np.array): 最低价列表。
            其他 OHLCV 参数在此指标中不使用。
        Returns:
            np.array: 历史波动幅度指标值列表。如果数据不足，则列表开头为NaN。
        """
        # if not high or not low or len(high) != len(low):
        #     print(high, low, len(high), len(low))
        #     return []

        # 计算每日的 (high - low) 范围
        daily_ranges = high - low

        # 将 numpy 数组转换为 list 并返回
        return daily_ranges

    def get_name(self):
        return f"range_{self.shift_window}"


class DifferencedVolumeIndicator(Indicator):
    """
    计算当前交易量与前一交易量的差值。
    volume[t] - volume[t-1]。
    用于识别交易量变化的趋势，常用于平稳化交易量序列。
    """

    def __init__(
            self, down_bound: float = None, up_bound: float = None, shift_window: int = 0
    ):
        # 差值没有固定上下界，取决于实际交易量
        super().__init__(down_bound, up_bound)
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,  # 不使用
            open: np.array,  # 不使用
            high: np.array,  # 不使用
            low: np.array,  # 不使用
            volume: np.array,
    ) -> np.array:
        """
        根据交易量计算其差分值。
        Args:
            volume (np.array): 交易量列表。
            其他 OHLCV 参数在此指标中不使用。
        Returns:
            np.array: 交易量差分值列表。第一个值为NaN。
        """
        if not isinstance(volume, np.ndarray) or len(volume) < 2:
            return np.full_like(
                volume if isinstance(volume, np.ndarray) else [], np.nan, dtype=float
            )

        # 计算相邻交易量的差值
        # np.diff(volume) 会比原数组少一个元素，前面补 NaN
        diff_volume = np.concatenate(([np.nan], np.diff(volume)))
        return diff_volume

    def get_name(self) -> str:
        return f"differenced_volume_{self.shift_window}"


class StochasticOscillator(Indicator):
    """
    随机摆动指标 (%K)，衡量收盘价在近期价格高低区间内的位置。
    这是一个平稳的动量摆动指标，值域在 [0, 100] 之间。
    """

    def __init__(
            self,
            fastk_period: int = 14,
            slowk_period: int = 3,
            slowd_period: int = 3,  # 在此实现中未使用 slowd，但保留以符合标准
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.fastk_period = fastk_period
        self.slowk_period = slowk_period
        self.slowd_period = slowd_period
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,  # 不使用
            high: np.array,
            low: np.array,
            volume: np.array,  # 不使用
    ) -> np.array:
        """
        根据最高价、最低价和收盘价计算随机摆动指标 %K 的值。
        Args:
            high (np.array): 最高价列表。
            low (np.array): 最低价列表。
            close (np.array): 收盘价列表。
        Returns:
            np.array: 慢速 %K 线的值列表。
        """
        # TA-Lib 的 STOCH 函数返回 slowk 和 slowd 两条线
        # 我们通常使用 slowk 作为主要的摆动指标
        slowk, _ = talib.STOCH(
            high,
            low,
            close,
            fastk_period=self.fastk_period,
            slowk_period=self.slowk_period,
            slowk_matype=0,  # 使用 SMA
            slowd_period=self.slowd_period,
            slowd_matype=0,  # 使用 SMA
        )
        return slowk

    def get_name(self):
        return f"stoch_k_{self.fastk_period}_{self.slowk_period}"


class RateOfChange(Indicator):
    """
    价格变化率 (ROC)，衡量当前价格与 N 期前价格的百分比变化。
    这是一个平稳的动量指标，围绕 0 波动。
    """

    def __init__(
            self,
            window: int = 10,
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.window = window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,  # 不使用
            high: np.array,  # 不使用
            low: np.array,  # 不使用
            volume: np.array,  # 不使用
    ) -> np.array:
        """
        根据收盘价计算 ROC 值。
        Args:
            close (np.array): 收盘价列表。
        Returns:
            np.array: ROC 值列表。
        """
        roc_values = talib.ROC(close, timeperiod=self.window)
        return roc_values

    def get_name(self):
        return f"roc_{self.window}"


class NormalizedATR(Indicator):
    """
    归一化平均真实波幅 (NATR)，即 ATR / Close * 100。
    将绝对波动幅度转换为相对波动百分比，使其成为一个更平稳的波动率指标。
    """

    def __init__(
            self,
            window: int = 14,
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.window = window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,  # 不使用
            high: np.array,
            low: np.array,
            volume: np.array,  # 不使用
    ) -> np.array:
        """
        根据最高价、最低价和收盘价计算 NATR 值。
        Args:
            high (np.array): 最高价列表。
            low (np.array): 最低价列表。
            close (np.array): 收盘价列表。
        Returns:
            np.array: NATR 值列表。
        """
        # 使用 TA-Lib 直接计算 NATR
        natr_values = talib.NATR(high, low, close, timeperiod=self.window)
        return natr_values

    def get_name(self):
        return f"natr_{self.window}"


class ADX(Indicator):
    """
    平均趋向指标 (ADX)，用于衡量趋势的强度而非方向。
    是区分趋势行情和震荡行情的核心过滤指标。
    """

    def __init__(
            self,
            window: int = 14,
            down_bound: float = None,  # 例如，设置 down_bound=25 可过滤出强趋势行情
            up_bound: float = None,  # 例如，设置 up_bound=20 可过滤出震荡行情
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.window = window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,  # 不使用
            high: np.array,
            low: np.array,
            volume: np.array,  # 不使用
    ) -> np.array:
        """
        根据最高价、最低价和收盘价计算ADX值。
        """
        adx_values = talib.ADX(high, low, close, timeperiod=self.window)
        return adx_values

    def get_name(self):
        return f"adx_{self.window}"


class BollingerBandwidth(Indicator):
    """
    布林带宽度，计算公式为 (上轨 - 下轨) / 中轨。
    这是一个归一化的波动率指标，用于识别波动性的收缩（Squeeze）和扩张。
    """

    def __init__(
            self,
            window: int = 20,
            nbdev: float = 2.0,  # 标准差倍数
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.window = window
        self.nbdev = nbdev
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,  # 不使用
            high: np.array,  # 不使用
            low: np.array,  # 不使用
            volume: np.array,  # 不使用
    ) -> np.array:
        """
        根据收盘价计算布林带宽度。
        """
        upper, middle, lower = talib.BBANDS(
            close,
            timeperiod=self.window,
            nbdevup=self.nbdev,
            nbdevdn=self.nbdev,
            matype=0  # 使用SMA
        )
        # 为避免除以0，在 middle 为0或NaN的地方，带宽也设为NaN
        bandwidth = np.full_like(middle, np.nan)
        mask = (middle > 0)
        bandwidth[mask] = (upper[mask] - lower[mask]) / middle[mask] * 100
        return bandwidth

    def get_name(self):
        return f"bbw_{self.window}_{int(self.nbdev * 10)}"


# ====================================================================
# 1. 通用版：价格范围与波动率比率 (Price Range to Volatility Ratio)
# ====================================================================
class PriceRangeToVolatilityRatio(Indicator):
    """
    衡量一个n根K线窗口内的价格范围与ATR的比率。
    n_period: 窗口大小。
    atr_period: 计算ATR的周期。
    """

    def __init__(self, n_period: int = 3, atr_period: int = 14, down_bound: Optional[float] = None,
                 up_bound: Optional[float] = None):
        super().__init__(down_bound, up_bound)
        self.n_period = n_period
        self.atr_period = atr_period

    def get_values(self, close: np.array, open: np.array, high: np.array, low: np.array, volume: np.array,
                   **kwargs) -> np.array:
        # 计算整个窗口内的价格范围（最高价 - 最低价）
        high_in_window = self._rolling_max(high, self.n_period)
        low_in_window = self._rolling_min(low, self.n_period)
        price_range = high_in_window - low_in_window

        # 计算ATR
        atr_values = talib.ATR(high, low, close, timeperiod=self.atr_period)

        # 计算比率
        ratio = price_range / atr_values

        return ratio

    def _rolling_max(self, arr: np.array, window: int) -> np.array:
        if len(arr) < window:
            return np.full_like(arr, np.nan)

        # 创建滑动窗口视图
        view = sliding_window_view(arr, window_shape=window)
        # 对每个窗口求最大值
        rolling_max = np.max(view, axis=1)

        # 填充结果数组，前面用NaN填充
        result = np.full_like(arr, np.nan)
        result[window - 1:] = rolling_max
        return result

    def _rolling_min(self, arr: np.array, window: int) -> np.array:
        if len(arr) < window:
            return np.full_like(arr, np.nan)

        view = sliding_window_view(arr, window_shape=window)
        rolling_min = np.min(view, axis=1)

        result = np.full_like(arr, np.nan)
        result[window - 1:] = rolling_min
        return result

    def get_name(self) -> str:
        return f"price_range_to_vol_ratio_n{self.n_period}_atr{self.atr_period}"


# ====================================================================
# 2. 通用版：动力K线信念度 (Impulse Candle Conviction)
# ====================================================================
class ImpulseCandleConviction(Indicator):
    """
    量化指定K线收盘价在实体中的位置。
    n_period: 窗口大小。
    impulse_index_from_end: 动力K线在窗口中的位置（从末尾数，0为最后一根）。
    """

    def __init__(self, n_period: int = 3, impulse_index_from_end: int = 1, down_bound: Optional[float] = None,
                 up_bound: Optional[float] = None):
        super().__init__(down_bound, up_bound)
        self.n_period = n_period
        self.impulse_index_from_end = impulse_index_from_end
        if self.impulse_index_from_end >= self.n_period:
            raise ValueError("impulse_index_from_end must be less than n_period")

    def get_values(self, close: np.array, open: np.array, high: np.array, low: np.array, volume: np.array,
                   **kwargs) -> np.array:
        conviction_values = np.full_like(close, np.nan)

        # 使用切片获取动力K线的数据
        impulse_high = np.roll(high, -self.impulse_index_from_end)
        impulse_low = np.roll(low, -self.impulse_index_from_end)
        impulse_close = np.roll(close, -self.impulse_index_from_end)
        impulse_open = np.roll(open, -self.impulse_index_from_end)

        # 检查K线是看涨还是看跌
        is_bullish = impulse_close > impulse_open

        # 计算K线实体范围
        candle_range = impulse_high - impulse_low

        # 看涨信念度
        bullish_conviction = (impulse_close - impulse_low) / candle_range
        # 看跌信念度
        bearish_conviction = (impulse_high - impulse_close) / candle_range

        # 根据看涨看跌应用不同的公式
        conviction_values[is_bullish] = bullish_conviction[is_bullish]
        conviction_values[~is_bullish] = bearish_conviction[~is_bullish]

        # 确保分母不为0，且只在有效的窗口位置返回结果
        mask = (candle_range > 0)
        conviction_values[~mask] = np.nan

        # 由于使用了np.roll，需要截取到原始数组的长度
        return conviction_values

    def get_name(self) -> str:
        return f"conviction_n{self.n_period}_idx{self.impulse_index_from_end}"


# ====================================================================
# 3. 通用版：相对成交量 (Relative Volume)
# ====================================================================
class RelativeVolumeInWindow(Indicator):
    """
    衡量指定K线的成交量与其前n根K线内的简单移动平均成交量之比。
    n_period: SMA的计算周期。
    impulse_index_from_end: 动力K线在窗口中的位置（从末尾数，0为最后一根）。
    """

    def __init__(self, n_period: int = 20, impulse_index_from_end: int = 1, down_bound: Optional[float] = None,
                 up_bound: Optional[float] = None):
        super().__init__(down_bound, up_bound)
        self.n_period = n_period
        self.impulse_index_from_end = impulse_index_from_end
        if self.impulse_index_from_end >= self.n_period:
            raise ValueError("impulse_index_from_end must be less than n_period")

    def get_values(self, close: np.array, open: np.array, high: np.array, low: np.array, volume: np.array,
                   **kwargs) -> np.array:
        # 计算成交量的SMA
        volume_sma = talib.SMA(volume, timeperiod=self.n_period)

        # 提取指定位置的K线成交量
        impulse_volume = np.roll(volume, -self.impulse_index_from_end)

        # 提取SMA值
        sma_at_position = np.roll(volume_sma, -self.impulse_index_from_end)

        relative_volume = np.full_like(volume, np.nan)
        mask = sma_at_position > 0
        relative_volume[mask] = impulse_volume[mask] / sma_at_position[mask]

        return relative_volume

    def get_name(self) -> str:
        return f"relative_volume_sma{self.n_period}_idx{self.impulse_index_from_end}"


class ROC_MA(Indicator):
    """
    变动率的移动平均 (ROC_MA) 指标实现。
    该指标首先计算ROC，然后对其结果应用移动平均，以获得更平滑的动量曲线。
    """

    def __init__(
            self,
            roc_window: int = 60,
            ma_window: int = 20,
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        """
        初始化 ROC_MA 指标。

        Args:
            roc_window (int): 计算ROC所需的回看周期。
            ma_window (int): 对ROC值进行平滑的移动平均周期。
            down_bound (float): (可选) 用于条件判断的下轨。
            up_bound (float): (可选) 用于条件判断的上轨。
            shift_window (int): (可选) 指标值的时间偏移。
        """
        # 【关键】调用父类的初始化方法
        super().__init__(down_bound, up_bound)

        self.roc_window = roc_window
        self.ma_window = ma_window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:
        """
        根据收盘价列表计算 ROC_MA 值。

        Args:
            close (np.array): 收盘价列表。
            其他 OHLCV 参数在此指标中不使用。

        Returns:
            np.array: ROC_MA 值列表。如果数据不足，则列表开头为NaN。
        """
        # 步骤 1: 使用 talib.ROC 计算原始的ROC值
        # TA-Lib 会在数据不足时自动填充 NaN
        roc_values = talib.ROC(close, timeperiod=self.roc_window)

        # 步骤 2: 对 roc_values 计算移动平均 (SMA)
        # 注意：在计算MA之前，ROC已经产生了一些NaN，TA-Lib的MA函数会处理这些NaN
        # 并产生更多的NaN，这是正常的。
        roc_ma_values = talib.SMA(roc_values, timeperiod=self.ma_window)

        # 返回最终的 numpy 数组
        return roc_ma_values

    def get_name(self) -> str:
        """
        返回指标的唯一名称，用于标识和调试。
        """
        return f"roc_ma_{self.roc_window}_{self.ma_window}"


from numpy.lib.stride_tricks import sliding_window_view


class ZScoreATR(Indicator):
    def __init__(
            self,
            atr_window: int = 14,
            z_window: int = 100,
            down_bound: float = None,
            up_bound: float = None,
    ):
        super().__init__(down_bound, up_bound)
        self.atr_window = atr_window
        self.z_window = z_window

    def get_values(self, close, open, high, low, volume) -> np.ndarray:
        n = len(close)
        min_len = self.atr_window + self.z_window
        if n < min_len:
            return np.full(n, np.nan, dtype=np.float64)

        # Step 1: 计算 ATR (NumPy array)
        atr = talib.ATR(high, low, close, timeperiod=self.atr_window)  # shape: (n,)

        # Step 2: 只对有效区域计算 z-score
        start_idx = self.atr_window - 1  # ATR 从这里开始非 NaN
        valid_atr = atr[start_idx:]  # shape: (n - start_idx,)
        valid_n = len(valid_atr)

        if valid_n < self.z_window:
            return np.full(n, np.nan, dtype=np.float64)

        # Step 3: 使用 sliding_window_view 构造滚动窗口（无数据复制）
        # windows: shape = (valid_n - z_window + 1, z_window)
        windows = sliding_window_view(valid_atr, window_shape=self.z_window)

        # Step 4: 向量化计算均值和标准差（沿窗口轴）
        means = np.mean(windows, axis=1)  # shape: (M,)
        stds = np.std(windows, axis=1, ddof=0)  # shape: (M,)

        # Step 5: 计算 z-score（当前值是窗口最后一个元素）
        current_vals = valid_atr[self.z_window - 1:]  # 对齐窗口末尾
        zscores_valid = np.empty_like(valid_atr)
        zscores_valid[:self.z_window - 1] = np.nan

        # 安全除法：避免除零
        with np.errstate(divide='ignore', invalid='ignore'):
            z = (current_vals - means) / stds
            zscores_valid[self.z_window - 1:] = np.where(stds > 1e-12, z, 0.0)

        # Step 6: 拼回完整长度（前面 ATR 无效部分为 NaN）
        result = np.full(n, np.nan, dtype=np.float64)
        result[start_idx:] = zscores_valid

        return result

    def get_name(self):
        return f"z_atr_{self.atr_window}_{self.z_window}"


from scipy.signal import stft


class FFTTrendStrength(Indicator):
    """
    傅里叶趋势强度指标 (FFT_TrendStrength)

    该指标通过短时傅里叶变换(STFT)计算低频能量占比，量化趋势强度。
    低频能量占比越高，趋势越强；当该值在不同波动率环境下变化时，
    往往预示策略转折点。
    """

    def __init__(
            self,
            spectral_window: int = 46,  # 2天×23根/天
            low_freq_days: float = 2.0,  # 低频定义下限(天)
            bars_per_day: int = 23,  # 每日K线数量
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        """
        初始化 FFT_TrendStrength 指标。

        Args:
            spectral_window (int): STFT窗口大小(根K线)
            low_freq_days (float): 低频定义下限(天)
            bars_per_day (int): 每日K线数量
            down_bound (float): (可选) 用于条件判断的下轨
            up_bound (float): (可选) 用于条件判断的上轨
            shift_window (int): (可选) 指标值的时间偏移
        """
        super().__init__(down_bound, up_bound)
        self.spectral_window = spectral_window
        self.low_freq_days = low_freq_days
        self.bars_per_day = bars_per_day
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:
        """
        计算傅里叶趋势强度值。

        Args:
            close (np.array): 收盘价列表
            其他参数保留接口兼容性，本指标仅使用close

        Returns:
            np.array: 趋势强度值列表(0~1)，数据不足时为NaN
        """
        n = len(close)
        trend_strengths = np.full(n, np.nan)

        # 验证最小数据要求
        min_required = self.spectral_window + 5
        if n < min_required:
            return trend_strengths

        # 频率边界计算
        low_freq_bound = 1.0 / self.low_freq_days if self.low_freq_days > 0 else float('inf')

        # 为每个时间点计算趋势强度
        for i in range(min_required - 1, n):
            # 获取窗口内数据
            window_data = close[max(0, i - self.spectral_window + 1): i + 1]

            # 跳过数据不足的窗口
            if len(window_data) < self.spectral_window:
                continue

            # 价格归一化
            window_mean = np.mean(window_data)
            window_std = np.std(window_data)
            if window_std < 1e-8:
                continue

            normalized = (window_data - window_mean) / window_std

            try:
                # STFT计算
                f, t, Zxx = stft(
                    normalized,
                    fs=self.bars_per_day,
                    nperseg=self.spectral_window,
                    noverlap=max(0, self.spectral_window // 2),
                    boundary=None,
                    padded=False
                )

                # 频率过滤
                max_freq = self.bars_per_day / 2
                valid_mask = (f >= 0) & (f <= max_freq)
                if not np.any(valid_mask):
                    continue

                f = f[valid_mask]
                Zxx = Zxx[valid_mask, :]

                if Zxx.shape[1] == 0:
                    continue

                # 能量计算
                current_energy = np.abs(Zxx[:, -1]) ** 2
                low_freq_mask = f < low_freq_bound
                high_freq_mask = f > 1.0  # 高频: <1天周期

                low_energy = np.sum(current_energy[low_freq_mask]) if np.any(low_freq_mask) else 0.0
                high_energy = np.sum(current_energy[high_freq_mask]) if np.any(high_freq_mask) else 0.0
                total_energy = low_energy + high_energy + 1e-8

                trend_strength = low_energy / total_energy
                trend_strengths[i] = np.clip(trend_strength, 0.0, 1.0)

            except Exception:
                continue

        # 应用时间偏移
        if self.shift_window > 0 and len(trend_strengths) > self.shift_window:
            trend_strengths = np.roll(trend_strengths, -self.shift_window)
            trend_strengths[-self.shift_window:] = np.nan

        return trend_strengths

    def get_name(self) -> str:
        return f"fft_trend_{self.spectral_window}_{self.low_freq_days}"


class AtrVolatility(Indicator):
    """
    波动率环境识别指标 (VolatilityRegime)

    该指标识别当前市场处于高波动还是低波动环境，对策略转折点
    有强预测能力。在低波动环境下，趋势信号往往失效转为反转。
    """

    def __init__(
            self,
            vol_window: int = 23,  # 波动率计算窗口
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        """
        初始化 VolatilityRegime 指标。

        Args:
            vol_window (int): ATR波动率计算窗口
            high_vol_threshold (float): 高波动阈值(%)，高于此值为高波动环境
            low_vol_threshold (float): 低波动阈值(%)，低于此值为低波动环境
            down_bound (float): (可选) 用于条件判断的下轨
            up_bound (float): (可选) 用于条件判断的上轨
            shift_window (int): (可选) 指标值的时间偏移
        """
        super().__init__(down_bound, up_bound)
        self.vol_window = vol_window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:
        """
        计算波动率环境指标。

        返回值含义:
        - 1.0: 高波动环境 (趋势策略有效)
        - 0.0: 中波动环境 (谨慎)
        - -1.0: 低波动环境 (反转策略有效)

        Args:
            close (np.array): 收盘价列表
            high (np.array): 最高价列表
            low (np.array): 最低价列表
            其他参数保留接口兼容性

        Returns:
            np.array: 波动率环境标识，数据不足时为NaN
        """
        n = len(close)
        regimes = np.full(n, np.nan)

        # 验证最小数据要求
        if n < self.vol_window + 1:
            return regimes

        # 计算ATR
        try:
            atr = talib.ATR(high, low, close, timeperiod=self.vol_window)
        except Exception:
            return regimes

        # 计算标准化波动率 (%)
        volatility = (atr / close) * 100

        return volatility

    def get_name(self) -> str:
        return f"atr_volume_{self.vol_window}"


class FFTPhaseShift(Indicator):
    """
    傅里叶相位偏移指标 (FFT_PhaseShift)

    该指标检测频域中主导频率的相位偏移，相位突变往往预示市场
    趋势的转折点。特别适用于捕捉低波动环境下的价格极端位置。
    """

    def __init__(
            self,
            spectral_window: int = 46,  # 2天×23根/天
            dominant_freq_bound: float = 0.5,  # 主导频率上限(cycles/day)
            phase_shift_threshold: float = 1.0,  # 相位偏移阈值(弧度)
            bars_per_day: int = 23,  # 每日K线数量
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        """
        初始化 FFT_PhaseShift 指标。

        Args:
            spectral_window (int): STFT窗口大小(根K线)
            dominant_freq_bound (float): 主导频率上限(cycles/day)
            phase_shift_threshold (float): 相位偏移阈值(弧度)
            bars_per_day (int): 每日K线数量
            down_bound (float): (可选) 用于条件判断的下轨
            up_bound (float): (可选) 用于条件判断的上轨
            shift_window (int): (可选) 指标值的时间偏移
        """
        super().__init__(down_bound, up_bound)
        self.spectral_window = spectral_window
        self.dominant_freq_bound = dominant_freq_bound
        self.phase_shift_threshold = phase_shift_threshold
        self.bars_per_day = bars_per_day
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:
        """
        计算傅里叶相位偏移值。

        返回值含义:
        - 1.0: 相位正向偏移(可能预示上涨转折)
        - -1.0: 相位负向偏移(可能预示下跌转折)
        - 0.0: 无显著相位偏移

        Args:
            close (np.array): 收盘价列表
            其他参数保留接口兼容性，本指标仅使用close

        Returns:
            np.array: 相位偏移标识，数据不足时为NaN
        """
        n = len(close)
        phase_shifts = np.full(n, np.nan)

        # 验证最小数据要求
        min_required = self.spectral_window + 5
        if n < min_required:
            return phase_shifts

        # 为每个时间点计算相位偏移
        prev_phase = None

        for i in range(min_required - 1, n):
            # 获取窗口内数据
            window_data = close[max(0, i - self.spectral_window + 1): i + 1]

            if len(window_data) < self.spectral_window:
                continue

            # 价格归一化
            window_mean = np.mean(window_data)
            window_std = np.std(window_data)
            if window_std < 1e-8:
                continue

            normalized = (window_data - window_mean) / window_std

            try:
                # STFT计算
                f, t, Zxx = stft(
                    normalized,
                    fs=self.bars_per_day,
                    nperseg=self.spectral_window,
                    noverlap=max(0, self.spectral_window // 2),
                    boundary=None,
                    padded=False
                )

                # 频率过滤
                max_freq = self.bars_per_day / 2
                valid_mask = (f >= 0) & (f <= max_freq)
                if not np.any(valid_mask):
                    continue

                f = f[valid_mask]
                Zxx = Zxx[valid_mask, :]

                if Zxx.shape[1] < 2:  # 需要至少两个时间点计算相位变化
                    continue

                # 计算相位
                phases = np.angle(Zxx[:, -1])
                prev_phases = np.angle(Zxx[:, -2])

                # 找出主导频率(低频)
                low_freq_mask = f < self.dominant_freq_bound
                if not np.any(low_freq_mask):
                    continue

                # 计算主导频率的相位差
                dominant_idx = np.argmax(np.abs(Zxx[low_freq_mask, -1]))
                current_phase = phases[low_freq_mask][dominant_idx]
                prev_dominant_phase = prev_phases[low_freq_mask][dominant_idx]

                # 计算相位差(考虑2π周期性)
                phase_diff = current_phase - prev_dominant_phase
                phase_diff = (phase_diff + np.pi) % (2 * np.pi) - np.pi

                # 确定相位偏移方向
                if np.abs(phase_diff) > self.phase_shift_threshold:
                    phase_shifts[i] = 1.0 if phase_diff > 0 else -1.0
                else:
                    phase_shifts[i] = 0.0

                prev_phase = current_phase

            except Exception:
                continue

        # 应用时间偏移
        if self.shift_window > 0 and len(phase_shifts) > self.shift_window:
            phase_shifts = np.roll(phase_shifts, -self.shift_window)
            phase_shifts[-self.shift_window:] = np.nan

        return phase_shifts

    def get_name(self) -> str:
        return f"fft_phase_{self.spectral_window}_{self.dominant_freq_bound}"


class VolatilitySkew(Indicator):
    """
    波动率偏斜指标 (VolatilitySkew)

    该指标测量近期波动率分布的偏斜程度，正偏斜表示波动率上升趋势，
    负偏斜表示波动率下降趋势。波动率偏斜的变化往往预示策略逻辑
    的转折点，特别是在低波动环境向高波动环境转换时。
    """

    def __init__(
            self,
            vol_window: int = 20,  # 单期波动率计算窗口
            skew_window: int = 60,  # 偏斜计算窗口
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        """
        初始化 VolatilitySkew 指标。

        Args:
            vol_window (int): ATR波动率计算窗口
            skew_window (int): 偏斜计算窗口
            positive_threshold (float): 正偏斜阈值
            negative_threshold (float): 负偏斜阈值
            down_bound (float): (可选) 用于条件判断的下轨
            up_bound (float): (可选) 用于条件判断的上轨
            shift_window (int): (可选) 指标值的时间偏移
        """
        super().__init__(down_bound, up_bound)
        self.vol_window = vol_window
        self.skew_window = skew_window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:
        """
        计算波动率偏斜指标。

        返回值含义:
        - 1.0: 正偏斜(波动率上升趋势，可能预示高波动环境到来)
        - -1.0: 负偏斜(波动率下降趋势，可能预示低波动环境到来)
        - 0.0: 无显著偏斜

        Args:
            close (np.array): 收盘价列表
            high (np.array): 最高价列表
            low (np.array): 最低价列表
            其他参数保留接口兼容性

        Returns:
            np.array: 波动率偏斜标识，数据不足时为NaN
        """
        n = len(close)
        skews = np.full(n, np.nan)

        # 验证最小数据要求
        if n < self.vol_window + self.skew_window:
            return skews

        # 计算ATR
        try:
            atr = talib.ATR(high, low, close, timeperiod=self.vol_window)
        except Exception:
            return skews

        # 计算标准化波动率 (%)
        volatility = (atr / close) * 100

        # 计算滚动偏斜
        for i in range(self.vol_window + self.skew_window - 1, n):
            window_vol = volatility[i - self.skew_window + 1: i + 1]
            valid_vol = window_vol[~np.isnan(window_vol)]

            if len(valid_vol) < self.skew_window * 0.7:  # 要求70%有效数据
                continue

            # 计算偏斜
            skew_value = stats.skew(valid_vol)

            skews[i] = skew_value

        return skews

    def get_name(self) -> str:
        return f"vol_skew_{self.vol_window}_{self.skew_window}"


import numpy as np
import talib
from src.indicators.base_indicators import Indicator


class VolatilityTrendRelationship(Indicator):
    """
    精准修复版：波动率-趋势关系指标

    仅修复NaN问题：
    1. 保留talib的ATR计算（性能和稳定性更优）
    2. 修复std_val计算中的NaN传播
    3. 添加严格的NaN处理，确保100%数据有效性
    4. 保持原始物理逻辑不变

    核心修复点：
    - 在计算标准差前过滤NaN值
    - 为平滑后的序列提供安全回退值
    - 确保所有中间步骤处理NaN
    """

    def __init__(
            self,
            vol_window: int = 20,  # 波动率计算窗口
            price_lag: int = 3,  # 价格自相关滞后
            ma_window: int = 5,  # 平滑窗口
            down_bound: float = None,
            up_bound: float = None,
            shift_window: int = 0,
    ):
        super().__init__(down_bound, up_bound)
        self.vol_window = vol_window
        self.price_lag = price_lag
        self.ma_window = ma_window
        self.shift_window = shift_window

    def get_values(
            self,
            close: np.array,
            open: np.array,
            high: np.array,
            low: np.array,
            volume: np.array,
    ) -> np.array:
        n = len(close)
        relationship = np.full(n, np.nan)

        # 验证最小数据要求
        min_required = max(self.vol_window, self.price_lag, self.ma_window) + 5
        if n < min_required:
            return relationship

        # 1. 计算标准化波动率 (使用talib，保持性能)
        try:
            atr = talib.ATR(high, low, close, timeperiod=self.vol_window)
            volatility = (atr / close) * 100
        except Exception:
            return relationship

        # 2. 计算波动率变化率 (安全处理除零)
        vol_change = np.zeros(n)
        for i in range(1, n):
            if volatility[i - 1] > 1e-8:
                vol_change[i] = (volatility[i] - volatility[i - 1]) / volatility[i - 1]
            else:
                vol_change[i] = 0.0

        # 3. 计算价格自相关 (安全实现)
        returns = np.diff(close, prepend=close[0]) / (close + 1e-8)
        autocorr = np.zeros(n)

        for i in range(self.price_lag, n):
            if i < self.price_lag * 2:
                continue

            window_returns = returns[i - self.price_lag * 2:i + 1]
            valid_returns = window_returns[~np.isnan(window_returns)]

            if len(valid_returns) < self.price_lag * 1.5:
                continue

            # 计算自相关
            lagged = valid_returns[:-self.price_lag]
            current = valid_returns[self.price_lag:]

            if len(lagged) == 0 or len(current) == 0:
                continue

            mean_lagged = np.mean(lagged)
            mean_current = np.mean(current)

            numerator = np.sum((lagged - mean_lagged) * (current - mean_current))
            denom_lagged = np.sum((lagged - mean_lagged) ** 2)
            denom_current = np.sum((current - mean_current) ** 2)

            if denom_lagged > 1e-8 and denom_current > 1e-8:
                autocorr[i] = numerator / np.sqrt(denom_lagged * denom_current)

        # 4. 计算核心关系指标
        raw_relationship = vol_change * autocorr

        # 5. 平滑处理 (处理NaN)
        smoothed_relationship = np.full(n, np.nan)
        for i in range(self.ma_window - 1, n):
            window = raw_relationship[max(0, i - self.ma_window + 1):i + 1]
            valid_window = window[~np.isnan(window)]
            if len(valid_window) > 0:
                smoothed_relationship[i] = np.mean(valid_window)

        # 6. 修复关键问题：std_val计算
        # 获取有效数据范围
        valid_mask = ~np.isnan(smoothed_relationship[min_required - 1:])
        if np.any(valid_mask):
            valid_values = smoothed_relationship[min_required - 1:][valid_mask]
            std_val = np.std(valid_values) if len(valid_values) > 1 else 1.0
        else:
            std_val = 1.0  # 安全回退值

        # 确保std_val不为零
        std_val = max(std_val, 1e-8)

        # 7. 标准化到稳定范围 (-1, 1)
        for i in range(n):
            if not np.isnan(smoothed_relationship[i]):
                relationship[i] = smoothed_relationship[i] / (std_val * 3.0)
            else:
                relationship[i] = 0.0  # 安全默认值

        # 8. 截断到合理范围
        relationship = np.clip(relationship, -1.0, 1.0)

        # 应用时间偏移
        if self.shift_window > 0 and len(relationship) > self.shift_window:
            relationship = np.roll(relationship, -self.shift_window)
            relationship[-self.shift_window:] = np.nan

        return relationship

    def get_name(self) -> str:
        return f"vol_trend_rel_{self.vol_window}_{self.price_lag}"