"""Proje 2 — XGBoost ile zaman serisi: bir adım ileri tahmin.

100 çevresinde dalgalanan sentetik bir seride, t anında bilinen geçmişten t+1 değerini tahmin
ediyoruz. Seri birinci mertebeden otoregresif bir süreçle üretilir:
x[t] = 100 + 0,9·(x[t−1] − 100) + gürültü (standart sapma 1). Gerçek piyasa verisi değildir;
finansal karar ya da işlem stratejisi üretmez. Zaman sırası korunur (eğitim → doğrulama → test)
ve model, “yarın da bugünkü değer olur” diyen basit bir referansla karşılaştırılır.

Çalıştır:  python xgboost_zaman_serisi.py
Gerekenler: numpy, scikit-learn, xgboost, matplotlib  (Python 3.12+)
Çıktılar:  terminale sayılar, aynı klasöre bir PNG grafiği (xgboost_zaman_serisi.png)
"""
from pathlib import Path

import numpy as np
import matplotlib
matplotlib.use("Agg")  # pencere açmadan dosyaya çiz
import matplotlib.pyplot as plt
from xgboost import XGBRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error

# --- Grafik stili (kurs genelinde aynı) ---
RENK = ["#2a78d6", "#eb6834", "#1baf7a", "#eda100", "#e87ba4", "#008300", "#6250d6", "#e34948"]
MUREKKEP, IKINCIL, SOLUK = "#0b0b0b", "#52514e", "#898781"
plt.rcParams.update({
    "figure.facecolor": "white", "axes.facecolor": "white", "savefig.facecolor": "white",
    "axes.edgecolor": "#c3c2b7", "axes.labelcolor": IKINCIL, "axes.titlecolor": MUREKKEP,
    "axes.titlesize": 11, "axes.titleweight": "bold", "axes.labelsize": 10,
    "xtick.color": IKINCIL, "ytick.color": IKINCIL, "font.size": 10,
    "axes.grid": True, "grid.color": "#e1e0d9", "grid.linewidth": 0.6,
    "axes.spines.top": False, "axes.spines.right": False,
    "axes.prop_cycle": plt.cycler(color=RENK), "lines.linewidth": 2, "legend.frameon": False,
})
KLASOR = Path(__file__).resolve().parent

# %% 1. Veri: 900 adımlık sentetik seri
rng = np.random.default_rng(42)
close = np.empty(900)
close[0] = 100
for t in range(1, len(close)):
    close[t] = 100 + 0.9 * (close[t-1] - 100) + rng.normal(0, 1)

# %% 2. Özellikler: tahmin anı t'de bilinenler (t ve öncesi); hedef t+1 değeri
times = np.arange(10, len(close)-1)
X = np.array([[close[t], close[t-1], close[t-2], close[t-4],
               close[t-9:t+1].mean()] for t in times])        # son 10 adımın ortalaması t dahil
y = close[times+1]

# %% 3. Zaman sırasıyla bölme: %60 eğitim, %20 doğrulama, %20 test
a, b = int(0.6 * len(X)), int(0.8 * len(X))
# Sınırda bir gözlemi atla: eğitim hedefi doğrulama dönemine taşmasın.
X_train, y_train = X[:a-1], y[:a-1]
X_val, y_val = X[a:b-1], y[a:b-1]
X_test, y_test = X[b:], y[b:]
assert times[a-2] + 1 < times[a]
assert times[b-2] + 1 < times[b]
print("=== 1. Veri ===")
print(f"Örnek: {len(X)} (eğitim {len(X_train)}, doğrulama {len(X_val)}, test {len(X_test)}); "
      f"test dönemi: adım {times[b]+1}–{times[-1]+1}")

# %% 4. XGBoost: küçük ağaçlar, düşük öğrenme hızı, doğrulamaya göre erken durdurma
model = XGBRegressor(n_estimators=400, max_depth=2, learning_rate=0.03,
                     objective="reg:squarederror", eval_metric="mae",
                     early_stopping_rounds=25, random_state=42, n_jobs=1)
model.fit(X_train, y_train, eval_set=[(X_val, y_val)], verbose=False)   # test verisi burada yok
prediction = model.predict(X_test)
baseline = X_test[:, 0]  # Yarın da bugünkü kapanış olsun.
print("\n=== 2. Test dönemi ===")
print(f"Kullanılan ağaç sayısı: {model.best_iteration + 1}")
for name, values in [("Son değer referansı", baseline), ("XGBoost", prediction)]:
    print(f"{name}: MAE={mean_absolute_error(y_test, values):.3f}, "
          f"RMSE={np.sqrt(mean_squared_error(y_test, values)):.3f}")
assert np.isfinite(prediction).all()

# %% 5. Grafik
fig, ax = plt.subplots(figsize=(9, 4.8), layout="constrained")
ax.plot(times[b:]+1, y_test, color=SOLUK, lw=1.6, label="Gerçek değer (sentetik)")
ax.plot(times[b:]+1, prediction, color=RENK[0], lw=1.6, label="XGBoost")
ax.plot(times[b:]+1, baseline, color=RENK[1], lw=1.4, ls=":", label="Son değer referansı")
ax.set(xlabel="Zaman adımı", ylabel="Sentetik değer (birim)",
       title="Bir adım ileri tahmin, ayrılan test dönemi")
ax.set_ylim(top=y_test.max() + 1.6)                       # lejant için üstte boşluk
ax.legend(loc="upper center", ncols=3)
fig.savefig(KLASOR / "xgboost_zaman_serisi.png", dpi=160)
plt.close(fig)
print("\nGrafik kaydedildi: xgboost_zaman_serisi.png")
