import pandas as pd
import requests
from datetime import datetime, timedelta
from typing import List, Dict, Optional
import asyncio
import aiohttp
import numpy as np

class MOEXHistoricalData:
    def __init__(self):
        self.base_url = "https://iss.moex.com/iss"
        
        # Словарь соответствия секторов и их индексов на MOEX
        self.sector_indices = {
            'metals_mining': 'MOEXMM',    # Индекс Металлов и добычи
            'oil_gas': 'MOEXOG',          # Индекс Нефти и газа
            'chemicals': 'MOEXCH',         # Индекс Химии и нефтехимии
            'electric_utilities': 'MOEXEU', # Индекс Электроэнергетики
            'telecom': 'MOEXTL',           # Индекс Телекоммуникаций
            'finance': 'MOEXFN',           # Индекс Финансов
            'consumer': 'MOEXCN',          # Индекс Потребительского сектора
            'transport': 'MOEXTN'          # Индекс Транспорта
        }
        
    async def get_security_history(
        self,
        ticker: str,
        start_date: str,
        end_date: str,
        engine: str = "stock",
        market: str = "shares",
        board: str = "TQBR"
    ) -> pd.DataFrame:
        """
        Получение исторических данных по отдельному тикеру
        
        Args:
            ticker: Тикер акции
            start_date: Начальная дата в формате YYYY-MM-DD
            end_date: Конечная дата в формате YYYY-MM-DD
            engine: Торговый движок (по умолчанию stock)
            market: Рынок (по умолчанию shares)
            board: Режим торгов (по умолчанию TQBR)
            
        Returns:
            DataFrame с историческими данными
        """
        url = f"{self.base_url}/history/engines/{engine}/markets/{market}/boards/{board}/securities/{ticker}.json"
        
        all_data = []
        start = 0
        
        async with aiohttp.ClientSession() as session:
            while True:
                params = {
                    "from": start_date,
                    "till": end_date,
                    "start": start,
                    "limit": 100
                }
                
                async with session.get(url, params=params) as response:
                    data = await response.json()
                    
                    # Получаем данные истории
                    history_data = data['history']
                    
                    if not history_data['data']:
                        break
                        
                    # Добавляем данные в общий список
                    all_data.extend(history_data['data'])
                    start += 100
                    
                    if len(history_data['data']) < 100:
                        break
        
        # Создаем DataFrame
        df = pd.DataFrame(all_data, columns=history_data['columns'])
        
        # Конвертируем даты и числовые значения
        df['TRADEDATE'] = pd.to_datetime(df['TRADEDATE'])
        numeric_columns = ['OPEN', 'HIGH', 'LOW', 'CLOSE', 'VALUE', 'VOLUME']
        df[numeric_columns] = df[numeric_columns].apply(pd.to_numeric)
        
        return df

    async def get_sector_history(
        self,
        sector_tickers: List[str],
        start_date: str,
        end_date: str,
        engine: str = "stock",
        market: str = "shares",
        board: str = "TQBR"
    ) -> Dict[str, pd.DataFrame]:
        """
        Получение исторических данных по всем тикерам сектора
        
        Args:
            sector_tickers: Список тикеров сектора
            start_date: Начальная дата в формате YYYY-MM-DD
            end_date: Конечная дата в формате YYYY-MM-DD
            engine: Торговый движок (по умолчанию stock)
            market: Рынок (по умолчанию shares)
            board: Режим торгов (по умолчанию TQBR)
            
        Returns:
            Словарь {тикер: DataFrame с историческими данными}
        """
        tasks = []
        for ticker in sector_tickers:
            task = self.get_security_history(
                ticker=ticker,
                start_date=start_date,
                end_date=end_date,
                engine=engine,
                market=market,
                board=board
            )
            tasks.append(task)
            
        results = await asyncio.gather(*tasks)
        return dict(zip(sector_tickers, results))

    async def get_official_sector_index(
        self,
        sector: str,
        start_date: str,
        end_date: str
    ) -> pd.DataFrame:
        """
        Получение официального отраслевого индекса с MOEX
        
        Args:
            sector: Название сектора (ключ из словаря sector_indices)
            start_date: Начальная дата в формате YYYY-MM-DD
            end_date: Конечная дата в формате YYYY-MM-DD
            
        Returns:
            DataFrame с данными индекса
        """
        if sector not in self.sector_indices:
            raise ValueError(f"Неизвестный сектор: {sector}. Доступные секторы: {list(self.sector_indices.keys())}")
            
        index_ticker = self.sector_indices[sector]
        url = f"{self.base_url}/history/engines/stock/markets/index/securities/{index_ticker}.json"
        
        all_data = []
        start = 0
        
        async with aiohttp.ClientSession() as session:
            while True:
                params = {
                    "from": start_date,
                    "till": end_date,
                    "start": start,
                    "limit": 100
                }
                
                async with session.get(url, params=params) as response:
                    data = await response.json()
                    
                    history_data = data['history']
                    
                    if not history_data['data']:
                        break
                        
                    all_data.extend(history_data['data'])
                    start += 100
                    
                    if len(history_data['data']) < 100:
                        break
        
        df = pd.DataFrame(all_data, columns=history_data['columns'])
        
        # Конвертируем даты и числовые значения
        df['TRADEDATE'] = pd.to_datetime(df['TRADEDATE'])
        numeric_columns = ['OPEN', 'HIGH', 'LOW', 'CLOSE', 'VALUE', 'VOLUME']
        df[numeric_columns] = df[numeric_columns].apply(pd.to_numeric)
        
        return df

    def calculate_sector_index(
        self,
        sector_data: Dict[str, pd.DataFrame],
        weights: Optional[Dict[str, float]] = None
    ) -> pd.DataFrame:
        """
        Расчет индекса сектора на основе исторических данных входящих в него компаний
        
        Args:
            sector_data: Словарь с историческими данными по тикерам {тикер: DataFrame}
            weights: Словарь с весами компаний {тикер: вес}. Если None, веса будут равными
            
        Returns:
            DataFrame с рассчитанным индексом сектора
        """
        # Если веса не указаны, используем равные веса
        if weights is None:
            weights = {ticker: 1/len(sector_data) for ticker in sector_data.keys()}
            
        # Создаем DataFrame с датами и ценами закрытия для каждого тикера
        prices_df = pd.DataFrame()
        
        for ticker, df in sector_data.items():
            prices_df[ticker] = df.set_index('TRADEDATE')['CLOSE']
            
        # Рассчитываем относительное изменение цен
        returns_df = prices_df.pct_change()
        
        # Рассчитываем взвешенную доходность индекса
        weighted_returns = pd.DataFrame()
        for ticker in returns_df.columns:
            weighted_returns[ticker] = returns_df[ticker] * weights[ticker]
            
        index_returns = weighted_returns.sum(axis=1)
        
        # Рассчитываем значения индекса
        index_values = (1 + index_returns).cumprod() * 1000  # Начальное значение 1000
        
        # Создаем итоговый DataFrame
        result_df = pd.DataFrame({
            'INDEX_VALUE': index_values,
            'INDEX_RETURN': index_returns
        })
        
        return result_df