app.py

# Thư viện để tạo Space
import gradio as gr
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import plotly.graph_objs as go
import plotly.io as pio

# Thư viện để tạo file
import os
import io
from docx import Document
from docx.shared import Inches



# Thiết lập theme tối cho matplotlib
plt.style.use('dark_background')

# Thiết lập theme tối cho plotly
pio.templates.default = "plotly_dark"




# Đọc dữ liệu từ file Excel
file_configs = {
    'data_fx': ('df_fx.xlsx', ['Date','Market price','Forecast price']),
    'data_fx1': ('df_fx1.xlsx', ['Date','Market price','Forecast price','Cap price','STB price']),
    'data_rate': ('df_rate.xlsx', ['Date','Market rate','Forecast rate','STB rate']),
    'data_rate1': ('df_rate1.xlsx', ['Date','Market rate','Forecast rate','STB rate']),
    'data_test1': ('df_test1.xlsx', ['Date','Market price','Forecast price']),
    'data_test2': ('df_test2.xlsx', ['Date','Market price','Forecast price']),
    'data_test3': ('df_test3.xlsx', ['Date','Market price','Forecast price']),
}

# Hàm xử lý từng file
def process_excel(file_path, columns, scale_rates=False):
    df = pd.read_excel(file_path, engine='openpyxl', header=0)
    data = df[columns]
    # Chuyển đổi kiểu dữ liệu
    for col in columns:
        if col != 'Date':
            data[col] = pd.to_numeric(data[col], errors='coerce')
    # Nhân 100 nếu là dữ liệu lãi suất
    if scale_rates:
        for col in ['Market rate', 'Forecast rate', 'STB rate']:
            if col in data.columns:
                data[col] *= 100
    data['Date'] = pd.to_datetime(data['Date'])
    data.set_index('Date', inplace=True)
    return data

# Dictionary chứa kết quả đã xử lý
processed_data = {}

# Lặp qua từng file và xử lý
for var_name, (file_path, cols) in file_configs.items():
    scale = 'rate' in var_name  # Nhân 100 nếu là dữ liệu lãi suất
    processed_data[var_name] = process_excel(file_path, cols, scale_rates=scale)

# Truy cập dữ liệu như sau:
data_fx = processed_data['data_fx']
data_fx1 = processed_data['data_fx1']
data_rate = processed_data['data_rate']
data_rate1 = processed_data['data_rate1']
data_test1 = processed_data['data_test1']
data_test2 = processed_data['data_test2']
data_test3 = processed_data['data_test3']




# Summary dashboard
# Dự báo tỷ giá
forex_forecast = {
    "Tuần": ["14/07-18/07"],
    "Giá Trị Dự Báo (USD/VND)": ["26,093 – 26,144"],
    "Biến Động": ["-0.1% - 0.3%"],
    "Xu Hướng": ["Dao động và có thể giảm do những tín hiệu tích cực từ thuế quan và thị trường chứng khoán trong nước."]
}

# Dự báo lãi suất
interest_rate_forecast = {
    "Tuần": ["14/07-18/07", "21/07-25/07"],
    "Lãi Suất Dự Báo (%)": ["4.75-4.8", "4.8-4.9"],
    "Xu Hướng": ["Có thể tăng nhẹ", "Có thể tăng (do đáo hạn các khoản vay OMO, thắt chặt chính sách tiền tệ do rủi ro lạm phát )"]
}

# Backtest tỷ giá
# Tính toán MAE, MAPE
from sklearn.metrics import mean_squared_error, mean_absolute_error
# Tuần 1
mae1 = mean_absolute_error(data_test1['Market price'], data_test1['Forecast price'])
mape1 = np.mean(np.abs(data_test1['Market price'] - data_test1['Forecast price'])/np.abs(data_test1['Forecast price']))*100
# Tuần 2
mae2 = mean_absolute_error(data_test2['Market price'], data_test2['Forecast price'])
mape2 = np.mean(np.abs(data_test2['Market price'] - data_test2['Forecast price'])/np.abs(data_test2['Forecast price']))*100
# Tuần 3
mae3 = mean_absolute_error(data_test3['Market price'], data_test3['Forecast price'])
mape3 = np.mean(np.abs(data_test3['Market price'] - data_test3['Forecast price'])/np.abs(data_test3['Forecast price']))*100


backtest_data = {
    "Tuần": ["30/06-04/07", "07/07-11/07","14/07-18/07"],
    "MAE": [round(mae1,2), round(mae2,2), round(mae3,2)],
    "MAPE (%)": [round(mape1,3), round(mape2,3), round(mape3,3)]
}

# Chuyển đổi sang DataFrame
df_forex_forecast = pd.DataFrame(forex_forecast)
df_rate_forecast = pd.DataFrame(interest_rate_forecast)
df_backtest = pd.DataFrame(backtest_data)



# Tạo biểu đồ
# Tạo biểu đồ Dự Báo Tỷ Giá USD/VND
def create_fx_chart():
    """Tạo biểu đồ tỷ giá từ DataFrame"""
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=data_fx.index, y=data_fx['Market price'], mode='lines', name='Market price', line=dict(color='red', width=2), marker=dict(size=4)))
    fig.add_trace(go.Scatter(x=data_fx.index, y=data_fx['Forecast price'], mode='lines', name='Forecast price', line=dict(color='blue', width=2), marker=dict(size=4)))
    # Layout
    fig.update_layout(title="Dự Báo Tỷ Giá USD/VND", xaxis_title="Ngày", yaxis_title="Tỷ Giá (VND)",  template="plotly_dark", height=400)
    return fig

# Tạo biểu đồ Dữ liệu tỷ giá USD/VND
def create_fx_history():
    fig = go.Figure()
    fig.add_trace(go.Scatter(x = data_fx1.index, y = data_fx1['Market price'], mode ='lines', name = 'Tỷ giá thị trường', line= dict(color='blue', width = 2 )))
    fig.add_trace(go.Scatter(x = data_fx1.index, y = data_fx1['Forecast price'], mode ='lines', name = 'Tỷ giá dự báo', line= dict(color='red', width = 2 )))
    fig.add_trace(go.Scatter(x = data_fx1.index, y = data_fx1['Cap price'], mode ='lines', name = 'Tỷ giá trần', line= dict(color='yellow', width = 2 )))
    fig.add_trace(go.Scatter(x = data_fx1.index, y = data_fx1['STB price'], mode ='lines', name = 'Tỷ giá trung tâm', line= dict(color='green', width = 2 )))
    # Layout
    fig.update_layout( title = "Dữ liệu tỷ giá USD/VND", xaxis_title = "Ngày", yaxis_title = "Tỷ Giá (VND)", template = "plotly_dark", height = 400)
    return fig

# Tạo biểu đồ Dự Báo Lãi Suất VN IRD 3M
def create_interest_rate_chart():
    """Tạo biểu đồ lãi suất từ DataFrame"""
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=data_rate.index, y=data_rate['Market rate'], mode='lines', name='Lãi suất thị trường', line=dict(color='blue', width=2)))
    fig.add_trace(go.Scatter(x=data_rate.index, y=data_rate['Forecast rate'], mode='lines', name='Lãi suất dự báo', line=dict(color='red', width=2)))
    fig.add_trace(go.Scatter(x=data_rate.index, y=data_rate['STB rate'], mode='lines', name='Lãi suất NHNN', line=dict(color='yellow', width=2)))
    # Layout
    fig.update_layout(title="Dự Báo Lãi Suất VN LNH 3M", xaxis_title="Ngày", yaxis_title="Lãi Suất (%)", template="plotly_dark", height=400)
    return fig

# Tạo biểu đồ Dữ liệu Lãi Suất VN IRD 3M
def create_rate_history():
    fig = go.Figure()
    fig.add_trace(go.Scatter(x = data_rate1.index, y = data_rate1['Market rate'], mode ='lines', name = 'Lãi Suất thị trường', line= dict(color='blue', width = 2 )))
    fig.add_trace(go.Scatter(x = data_rate1.index, y = data_rate1['Forecast rate'], mode ='lines', name = 'Lãi Suất dự báo', line= dict(color='red', width = 2 )))
    fig.add_trace(go.Scatter(x = data_rate1.index, y = data_rate1['STB rate'], mode ='lines', name = 'Lãi Suất NHNN', line= dict(color='green', width = 2 )))
    # Layout
    fig.update_layout( title = "Dữ liệu Lãi Suất VN LNH 3M", xaxis_title = "Ngày", yaxis_title = "Lãi Suất (%)", template = "plotly_dark", height = 400)
    return fig

def create_backtest_line_chart():
    """Tạo biểu đồ đường cho kết quả backtest"""
    fig = go.Figure()
    fig.add_trace(go.Scatter(x=df_backtest['Tuần'], y=df_backtest['MAE'], mode='lines+markers', name='MAE', line=dict(color='#4ecdc4', width=3), marker=dict(size=8)))
    fig.add_trace(go.Scatter(x=df_backtest['Tuần'], y=df_backtest['MAPE (%)'], mode='lines+markers', name='MAPE (%)', line=dict(color='#ffe66d', width=3), marker=dict(size=8), yaxis='y2'))
    # Layout
    fig.update_layout(title="Sai Số Mô Hình Theo Tuần (Line Chart)", xaxis_title="Tuần", yaxis_title="MAE", yaxis2=dict(title="MAPE (%)", overlaying='y', side='right'), template="plotly_dark", height=400)
    return fig

# Tạo biểu đồ backtest
def create_test1():
    fig = go.Figure()
    fig.add_trace(go.Scatter(x = data_test1.index, y = data_test1['Market price'], mode ='lines', name = 'Giá thị trường', line= dict(color='blue', width = 2 )))
    fig.add_trace(go.Scatter(x = data_test1.index, y = data_test1['Forecast price'], mode ='lines', name = 'Giá dự báo', line= dict(color='red', width = 2 )))
    # Layout
    fig.update_layout( title = f"Backtest Tuần {data_test1.index.min().strftime('%d/%m/%Y')} - {data_test1.index.max().strftime('%d/%m/%Y')} ", xaxis_title = "Ngày", yaxis_title = "Tỷ Giá (VND)", template = "plotly_dark", height = 400)
    return fig

def create_test2():
    fig = go.Figure()
    fig.add_trace(go.Scatter(x = data_test2.index, y = data_test2['Market price'], mode ='lines', name = 'Giá thị trường', line= dict(color='blue', width = 2 )))
    fig.add_trace(go.Scatter(x = data_test2.index, y = data_test2['Forecast price'], mode ='lines', name = 'Giá dự báo', line= dict(color='red', width = 2 )))
    # Layout
    fig.update_layout( title = f"Backtest Tuần {data_test2.index.min().strftime('%d/%m/%Y')} - {data_test2.index.max().strftime('%d/%m/%Y')} ", xaxis_title = "Ngày", yaxis_title = "Tỷ Giá (VND)", template = "plotly_dark", height = 400)
    return fig

def create_test3():
    fig = go.Figure()
    fig.add_trace(go.Scatter(x = data_test3.index, y = data_test3['Market price'], mode ='lines', name = 'Giá thị trường', line= dict(color='blue', width = 2 )))
    fig.add_trace(go.Scatter(x = data_test3.index, y = data_test3['Forecast price'], mode ='lines', name = 'Giá dự báo', line= dict(color='red', width = 2 )))
    # Layout
    fig.update_layout( title = f"Backtest Tuần {data_test3.index.min().strftime('%d/%m/%Y')} - {data_test3.index.max().strftime('%d/%m/%Y')} ", xaxis_title = "Ngày", yaxis_title = "Tỷ Giá (VND)", template = "plotly_dark", height = 400)
    return fig

# Tạo môi trường của Báo cáo Word
REPORT_FOLDER = "bao_cao_word"
if not os.path.exists(REPORT_FOLDER):
    os.makedirs(REPORT_FOLDER)
# Báo cáo Word
def create_word_report():
    doc = Document()
    
    # Tiêu đề báo cáo
    title1 = "Báo Cáo Dự Báo Tỷ Giá USD/VND và Lãi Suất VND"
    title2 = "Tuần 14/07 - 18/07/2025"

    doc.add_heading(title1, level = 1)
    doc.add_heading(title2, level = 4)
    doc.add_paragraph('')

    # Dự Báo Tỷ Giá USD/VND
    heading1 = "📈Dự Báo Tỷ Giá USD/VND"
    doc.add_heading(heading1, level = 2)

    # Thêm bảng dữ liệu Dự Báo Tỷ Giá tóm tắt
    table = doc.add_table(rows=2, cols=4)
    # hàng tiêu đề
    hdr_cells = table.rows[0].cells
    hdr_cells[0].text = 'Tuần'
    hdr_cells[1].text = 'Giá Trị Dự Báo (USD/VND)'
    hdr_cells[2].text = 'Biến động'
    hdr_cells[3].text = 'Xu Hướng'
    # Bôi đậm hàng tiêu đề
    for cell in hdr_cells:
        for paragraph in cell.paragraphs:
            for run in paragraph.runs:
                run.bold = True
    # hàng data
    hdr_cells1 = table.rows[1].cells
    hdr_cells1[0].text = '14/07-18/07'
    hdr_cells1[1].text = '26093 - 26144'
    hdr_cells1[2].text = '-0.1% - 0.3%'
    hdr_cells1[3].text = "Dao động và có thể giảm do những tín hiệu tích cực từ thuế quan và thị trường chứng khoán trong nước."


    
    # Thêm hình ảnh Dự Báo Tỷ Giá
    doc.add_heading('Biểu Ðồ Tỷ Giá Lịch Sử', level=3)
    
    image_path1 = os.path.join(REPORT_FOLDER, "ty_gia_lich_su.png")
    fig1 = create_fx_history()
    fig1.write_image(image_path1, engine='kaleido')
    doc.add_picture(image_path1, width=Inches(6))

    image_path2 = os.path.join(REPORT_FOLDER, "du_bao_ty_gia.png")
    fig2 = create_fx_chart()
    fig2.write_image(image_path2, engine='kaleido')
    doc.add_picture(image_path2, width=Inches(6))
    
    # Phân tích:
    doc.add_heading('📋 Phân tích:', level=3)
    doc.add_paragraph("""
            - Theo kết quả của mô hình dự báo tỷ giá USD/VND, tỷ giá USD có thể giao động trong khoảng 26093 – 26144, giảm 10đ -tăng 32đ tương đương giao động trong khoảng -0.1% - 0.3% so với giá cuối tuần trước. Chỉ số DXY tăng nhẹ và hiện ở mốc đạt 97.9. 
            - Trong tuần qua, Tổng thống Trump đã thông báo các mức thuế mới sẽ áp lên hàng hóa các đối tác khác ngoài Việt Nam sẽ có hiệu lực sau ngày 1/8/2025, hầu hết các nước trong khu vực Đông Nam Á và Đông Bắc Á như Nhật Bản, Hàn Quốc đều cao hơn mức thuế Mỹ áp dụng với Việt Nam. Như vậy  mức thuế mới sẽ không làm mất tính cạnh tranh của hàng hóa Việt Nam so với các nước trong khu vực và còn tạo một chút lợi thế nhỏ. Tâm lý thị trường cũng dần ổn định, trên thị trường chứng khoán liên tục lập đỉnh mới tại 1469, VN30 vượt 1500 điểm, cùng với đó dòng vốn ngoại đã quay lại thị trường sau nhiều phiên bán ròng cũng góp phần ổn định tỷ giá.
            - Tuy nhiên, nhu cầu ngoại tệ trên thị trường vẫn ở mức cao để phục vụ sản xuất. Ngoài ra, thị trường cũng đang trong tâm lý chờ đợi những điều tiết của NHNN và các diễn biến tiếp theo của cuộc chiến thuế quan.
            - Tỷ giá trung tâm của Ngân hàng Nhà Nước cũng vẫn tăng và duy trình ở mức 25128, tăng hơn 12đ so với đầu tuần trước, điều này là vì tỷ giá trên thị trường chợ đen vẫn ở mức cao bất chấp sự suy giảm trên thị trường liên ngân hàng. Hiện tỷ giá trên thị trường chợ đen đã đạt 26430 bán ra.
    """) 


    # Dự Báo Lãi Suất
    heading2 = "💰 Dự Báo Lãi Suất"
    doc.add_heading(heading2, level = 2)

    # Thêm bảng dữ liệu Dự Báo Lãi Suất tóm tắt
    table2 = doc.add_table(rows=3, cols=3)
    # hàng tiêu đề
    hdr_cells_rate = table2.rows[0].cells
    hdr_cells_rate[0].text = 'Tuần'
    hdr_cells_rate[1].text = 'Lãi Suất Dự Báo (USD/VND)'
    hdr_cells_rate[2].text = 'Xu Hướng'
    # Bôi đậm hàng tiêu đề
    for cell in hdr_cells_rate:
        for paragraph in cell.paragraphs:
            for run in paragraph.runs:
                run.bold = True
    # hàng data
    hdr_cells_rate1 = table2.rows[1].cells
    hdr_cells_rate1[0].text = '14/07-18/07'
    hdr_cells_rate1[1].text = '4.75 - 4.8'
    hdr_cells_rate1[2].text = "Có thể tăng nhẹ"

    hdr_cells_rate2 = table2.rows[2].cells
    hdr_cells_rate2[0].text = '21/07-25/07'
    hdr_cells_rate2[1].text = '4.8 - 4.9'
    hdr_cells_rate2[2].text = "Có thể tăng (do đáo hạn các khoản vay OMO, thắt chặt chính sách tiền tệ do rủi ro lạm phát )"

    # Thêm hình ảnh Dự Báo Lãi Suất
    doc.add_heading('Biểu Ðồ Lãi Suất Lịch Sử', level=3)

    image_path3 = os.path.join(REPORT_FOLDER, "lich_su_lai_suat.png")
    fig3 = create_rate_history()
    fig3.write_image(image_path3, engine='kaleido')
    doc.add_picture(image_path3, width=Inches(6))

    image_path4 = os.path.join(REPORT_FOLDER, "du_bao_lai_suat.png")
    fig4 = create_interest_rate_chart()
    fig4.write_image(image_path4, engine='kaleido')
    doc.add_picture(image_path4, width=Inches(6))

    # Phân tích:
    doc.add_heading('📋 Phân tích:', level=3)
    doc.add_paragraph("""
            - Kết quả dự báo lãi suất VND LNH kì hạn 3 tháng theo mô hình có xu hướng đi ngang và tiếp tục tăng. Trong tuần 07/07 - 11/07, lãi suất kì hạn 3 tháng giữ nguyên và tăng vào cuối tuần lên mốc 4.8%. Đây là do đợt điều chỉnh của NHNN hút tiền thông qua tín phiếu vào ngày 09/07/2025 khiến lãi suất tăng vọt, mặc dù NHNN có bơm 77000 tỷ thông qua kênh OMO nhưng vẫn hút ròng hơn 7000 tỷ đồng. Ngoài ra, các khoản vay OMO đáo hạn là hơn 61700 tỷ của đợt bơm tiền cuối tháng 6, cũng làm tăng áp lực lên lãi suất. 
            - Theo mô hình dự báo, lãi suất thị trường vẫn duy trì quanh mức 4.75% và trên lãi suất tái chiết khấu của NHNN là 4.5% trong tuần 14/07-18/07. Nhưng sang tuần 21/07-25/07, lãi suất có thể tăng lên mức 4.8% và tăng tiếp lên 4.9% vào cuối tuần.
            - Xu hướng tăng là do NHNN đang muốn có kiểm soát tỷ giá USD/VND trong bối cảnh tỷ giá chợ đen và trên thị trường vẫn đang ở mức cao. Ngoài ra, lạm phát khi mà chỉ số CPI tháng 6 đạt 3.57% tăng 0.48% so với tháng 5, cũng tạo áp lực phải có sự điều tiết tới từ NHNN. Nhiều khả năng mức lãi suất VND LNH 3M có thể tiếp tục dao động ở mức 4.8% để vừa ổn định tỷ giá và tạo mặt bằng lãi suất thấp cho các ngân hàng, hướng tới mục tiêu tăng trưởng tín dụng 16% trong năm nay. 
    
    """) 

    # Backtest
    heading3 = "📊 Kết Quả Backtest Mô Hình Tỷ Giá"
    doc.add_heading(heading3, level = 2)

    # Thêm bảng dữ liệu backtest
    table3 = doc.add_table(rows = 4, cols=3)
    # hàng tiêu đề
    hdr_cells_test = table3.rows[0].cells
    hdr_cells_test[0].text = 'Tuần'
    hdr_cells_test[1].text = 'MAE'
    hdr_cells_test[2].text = 'MAPE (%)'
    # Bôi đậm hàng tiêu đề
    for cell in hdr_cells_test:
        for paragraph in cell.paragraphs:
            for run in paragraph.runs:
                run.bold = True
    # hàng data
    hdr_cells_test1 = table3.rows[1].cells
    hdr_cells_test1[0].text = f"{data_test1.index.min().strftime('%d/%m/%Y')} - {data_test1.index.max().strftime('%d/%m/%Y')}"
    hdr_cells_test1[1].text = str(round(mae1,2))
    hdr_cells_test1[2].text = str(round(mape1,3))

    hdr_cells_test2 = table3.rows[2].cells
    hdr_cells_test2[0].text = f"{data_test2.index.min().strftime('%d/%m/%Y')} - {data_test2.index.max().strftime('%d/%m/%Y')}"
    hdr_cells_test2[1].text = str(round(mae2,2))
    hdr_cells_test2[2].text = str(round(mape2,3))
            
    hdr_cells_test3 = table3.rows[3].cells
    hdr_cells_test3[0].text = f"{data_test3.index.min().strftime('%d/%m/%Y')} - {data_test3.index.max().strftime('%d/%m/%Y')}"
    hdr_cells_test3[1].text = str(round(mae3,2))
    hdr_cells_test3[2].text = str(round(mape3,3))

    # Thêm hình ảnh Backtest Mô Hình Tỷ Giá
    doc.add_heading('Biểu Ðồ Backtest Mô Hình Tỷ Giá', level=3)

    image_path5 = os.path.join(REPORT_FOLDER, "test1.png")
    fig5 = create_test1()
    fig5.write_image(image_path5, engine='kaleido')
    doc.add_picture(image_path5, width=Inches(6))

    image_path6 = os.path.join(REPORT_FOLDER, "test2.png")
    fig6 = create_test2()
    fig6.write_image(image_path6, engine='kaleido')
    doc.add_picture(image_path6, width=Inches(6))

    image_path7 = os.path.join(REPORT_FOLDER, "test3.png")
    fig7 = create_test3()
    fig7.write_image(image_path7, engine='kaleido')
    doc.add_picture(image_path7, width=Inches(6))

    image_path8 = os.path.join(REPORT_FOLDER, "line_test.png")
    fig8 = create_backtest_line_chart()
    fig8.write_image(image_path8, engine='kaleido')
    doc.add_picture(image_path8, width=Inches(6))

    # Các Thông Tin mô hình:
    heading3 = "📋 Thông Tin"
    doc.add_heading(heading3, level = 2)

    # Tiêu đề phụ: Ghi Chú Quan Trọng
    doc.add_paragraph("📝 Ghi Chú Quan Trọng:", style='Heading 4')
    # Phương Pháp Dự Báo
    doc.add_paragraph("🔍 Phương Pháp Dự Báo:", style='Heading 5')
    doc.add_paragraph("""
            - Dữ liệu dự báo dựa trên một số chỉ báo phân tích kỹ thuật.
            - Tích hợp một số chỉ số kinh tế vĩ mô và ảnh hưởng của tin tức thị trường.
            - Sử dụng các thuật toán máy học và học sâu để tối ưu độ chính xác.
            """)
    # Chỉ Số Đánh Giá
    doc.add_paragraph("📊 Chỉ Số Đánh Giá:", style='Heading 5')
    doc.add_paragraph("""
            - MAE (Mean Absolute Error): Sai số tuyệt đối trung bình, là trung bình chênh lệch tuyệt đối giữa giá dự báo và giá thực tế trên thị trường trong 1 tuần.
            - MAPE (Mean Absolute Percentage Error): Sai số phần trăm tuyệt đối trung bình, là trung bình phần trăm chênh lệch tuyệt đối giữa giá dự báo và giá thực tế trên thị trường trong 1 tuần.
            """)
    # Lưu ý
    doc.add_paragraph("⚠️ Lưu Ý:", style='Heading 5')
    doc.add_paragraph("""
            - Cần cập nhật dữ liệu thực tế hàng tuần để cải thiện độ chính xác.
            - Kết quả dự báo chỉ mang tính chất tham khảo.
            - Nên kết hợp với các nguồn thông tin khác để đưa ra quyết định đầu tư.
            """)
    

    # Cập Nhật
    p = doc.add_paragraph()
    p.add_run("🔄 Cập Nhật: ").bold = True
    p.add_run("Dữ liệu được cập nhật hàng tuần từ các nguồn đáng tin cậy")
            
    
    # Lưu file Word
    report_title = "Bao_cao_Ty_Gia_va_Lai_Suat_Tuan_14-07-2025.docx"
    output_path = os.path.join(REPORT_FOLDER, report_title)
    doc.save(output_path)
    return output_path



# CSS để tạo theme tối
css = """
.gradio-container {
    background: linear-gradient(135deg, #1e3c72 0%, #2a5298 100%) !important;
    color: #ffffff !important;
}
.dark {
    background: #1a1a1a !important;
    color: #ffffff !important;
}
/* Chuyển tất cả text sang màu trắng */
body, .gr-form, .gr-box, .gr-padded, .gr-panel, .gr-block, .gr-row, .gr-column {
    color: #ffffff !important;
}
/* Markdown text */
.prose, .markdown, .gr-markdown {
    color: #ffffff !important;
}
.prose h1, .prose h2, .prose h3, .prose h4, .prose h5, .prose h6 {
    color: #ffffff !important;
}
.prose p, .prose li, .prose span, .prose div {
    color: #ffffff !important;
}
/* Dataframe styling */
.gr-dataframe, .gr-dataframe table, .gr-dataframe th, .gr-dataframe td {
    color: #ffffff !important;
    background-color: rgba(255, 255, 255, 0.1) !important;
}
.gr-dataframe th {
    background-color: rgba(255, 255, 255, 0.2) !important;
}
/* Tab styling */
.gr-tabs .gr-tab {
    color: #ffffff !important;
}
.gr-tabs .gr-tab.selected {
    color: #ffffff !important;
    background-color: rgba(255, 255, 255, 0.1) !important;
}
/* Input fields */
.gr-textbox, .gr-number, .gr-slider {
    color: #ffffff !important;
    background-color: rgba(255, 255, 255, 0.1) !important;
}
/* Labels */
label, .gr-label {
    color: #ffffff !important;
}
"""

# Tạo giao diện với Gradio
with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan"), css=css) as demo:
    gr.HTML("""
    <div style="text-align: center; padding: 20px; background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); border-radius: 10px; margin-bottom: 20px;">
        <h1 style="color: white; font-size: 2.5em; margin: 0;">📊 Dự Báo Tỷ Giá USD/VND và Lãi Suất VND</h1>
        <p style="color: #e0e0e0; font-size: 1.2em; margin: 10px 0 0 0;">Tuần 14/07 - 18/07/2025</p>
    </div>
    """)

    gr.Markdown("### 🔄 Cập nhật từ mô hình dự báo và kết quả backtest")

    with gr.Tabs():
        with gr.TabItem("📈 Dự Báo Tỷ Giá"):
            gr.Markdown("## 💱 Dự Báo Tỷ Giá USD/VND")
            gr.Dataframe(df_forex_forecast)

            gr.Markdown("## 📊 Biểu Đồ Tỷ Giá Lịch Sử")
            gr.Plot(create_fx_history())
            gr.Plot(create_fx_chart())
            #gr.Plot(create_fx_history())
            gr.Markdown("## 📋 Phân tích:")
            gr.Markdown("""
            - Theo kết quả của mô hình dự báo tỷ giá USD/VND, tỷ giá USD có thể giao động trong khoảng 26093 – 26144, giảm 10đ -tăng 32đ tương đương giao động trong khoảng -0.1% - 0.3% so với giá cuối tuần trước. Chỉ số DXY tăng nhẹ và hiện ở mốc đạt 97.9. 
            - Trong tuần qua, Tổng thống Trump đã thông báo các mức thuế mới sẽ áp lên hàng hóa các đối tác khác ngoài Việt Nam sẽ có hiệu lực sau ngày 1/8/2025, hầu hết các nước trong khu vực Đông Nam Á và Đông Bắc Á như Nhật Bản, Hàn Quốc đều cao hơn mức thuế Mỹ áp dụng với Việt Nam. Như vậy  mức thuế mới sẽ không làm mất tính cạnh tranh của hàng hóa Việt Nam so với các nước trong khu vực và còn tạo một chút lợi thế nhỏ. Tâm lý thị trường cũng dần ổn định, trên thị trường chứng khoán liên tục lập đỉnh mới tại 1469, VN30 vượt 1500 điểm, cùng với đó dòng vốn ngoại đã quay lại thị trường sau nhiều phiên bán ròng cũng góp phần ổn định tỷ giá.
            - Tuy nhiên, nhu cầu ngoại tệ trên thị trường vẫn ở mức cao để phục vụ sản xuất. Ngoài ra, thị trường cũng đang trong tâm lý chờ đợi những điều tiết của NHNN và các diễn biến tiếp theo của cuộc chiến thuế quan.
            - Tỷ giá trung tâm của Ngân hàng Nhà Nước cũng vẫn tăng và duy trình ở mức 25128, tăng hơn 12đ so với đầu tuần trước, điều này là vì tỷ giá trên thị trường chợ đen vẫn ở mức cao bất chấp sự suy giảm trên thị trường liên ngân hàng. Hiện tỷ giá trên thị trường chợ đen đã đạt 26430 bán ra.

            """)

        with gr.TabItem("💰 Dự Báo Lãi Suất"):
            gr.Markdown("## 🏦 Dự Báo Lãi Suất VND (3 tháng)")
            gr.Dataframe(df_rate_forecast)

            gr.Markdown("## 📊 Biểu Đồ Lãi Suất Lịch Sử")
            with gr.Row():
                with gr.Column():
                  gr.Plot(create_rate_history())
                with gr.Column():
                  gr.Plot(create_interest_rate_chart())
            #gr.Plot(create_interest_rate_chart())
            #gr.Plot(create_rate_history())
            gr.Markdown("## 📋 Phân tích:")
            gr.Markdown("""
            - Kết quả dự báo lãi suất VND IRD kì hạn 3 tháng theo mô hình có xu hướng đi ngang và tiếp tục tăng. Trong tuần 07/07 - 11/07, lãi suất kì hạn 3 tháng giữ nguyên và tăng vào cuối tuần lên mốc 4.8%. Đây là do đợt điều chỉnh của NHNN hút tiền thông qua tín phiếu vào ngày 09/07/2025 khiến lãi suất tăng vọt, mặc dù NHNN có bơm 77000 tỷ thông qua kênh OMO nhưng vẫn hút ròng hơn 7000 tỷ đồng. Ngoài ra, các khoản vay OMO đáo hạn là hơn 61700 tỷ của đợt bơm tiền cuối tháng 6, cũng làm tăng áp lực lên lãi suất. 
            - Theo mô hình dự báo, lãi suất thị trường vẫn duy trì quanh mức 4.75% và trên lãi suất tái chiết khấu của NHNN là 4.5% trong tuần 14/07-18/07. Nhưng sang tuần 21/07-25/07, lãi suất có thể tăng lên mức 4.8% và tăng tiếp lên 4.9% vào cuối tuần.
            - Xu hướng tăng là do NHNN đang muốn có kiểm soát tỷ giá USD/VND trong bối cảnh tỷ giá chợ đen và trên thị trường vẫn đang ở mức cao. Ngoài ra, lạm phát khi mà chỉ số CPI tháng 6 đạt 3.57% tăng 0.48% so với tháng 5, cũng tạo áp lực phải có sự điều tiết tới từ NHNN. Nhiều khả năng mức lãi suất VND IRD 3M có thể tiếp tục dao động ở mức 4.8% để vừa ổn định tỷ giá và tạo mặt bằng lãi suất thấp cho các ngân hàng, hướng tới mục tiêu tăng trưởng tín dụng 16% trong năm nay. 

            """)

        with gr.TabItem("🧪 Kết Quả Backtest"):
            gr.Markdown("## 📊 Kết Quả Backtest Mô Hình Tỷ Giá")
            gr.Dataframe(df_backtest)

            gr.Markdown("### 📈 Biểu Đồ Sai Số (MAE và MAPE)")
            with gr.Row():
                with gr.Column():
                  gr.Plot(create_test1())
                with gr.Column():
                  gr.Plot(create_test2())
            with gr.Row():
                with gr.Column():
                  gr.Plot(create_test3())
                with gr.Column():
                  gr.Plot(create_backtest_line_chart())


        with gr.TabItem("📋 Thông Tin"):
            gr.Markdown("""
            ### 📝 Ghi Chú Quan Trọng:
            🔍 **Phương Pháp Dự Báo:**
            - Dữ liệu dự báo dựa trên một số chỉ báo phân tích kỹ thuật
            - Tích hợp một số chỉ số kinh tế vĩ mô và ảnh hưởng của tin tức thị trường
            - Sử dụng các thuật toán máy học và học sâu để tối ưu độ chính xác
            📊 **Chỉ Số Đánh Giá:**
            - **MAE (Mean Absolute Error):** Sai số tuyệt đối trung bình, là trung bình chênh lệch tuyệt đối giữa giá dự báo và giá thực tế trên thị trường trong 1 tuần.
            - **MAPE (Mean Absolute Percentage Error):** Sai số phần trăm tuyệt đối trung bình, là trung bình phần trăm chênh lệch tuyệt đối giữa giá dự báo và giá thực tế trên thị trường trong 1 tuần.
            ⚠️ **Lưu Ý:**
            - Cần cập nhật dữ liệu thực tế hàng tuần để cải thiện độ chính xác
            - Kết quả dự báo chỉ mang tính chất tham khảo
            - Nên kết hợp với các nguồn thông tin khác để đưa ra quyết định đầu tư
            🔄 **Cập Nhật:** Dữ liệu được cập nhật liên tục từ các nguồn đáng tin cậy
            """)
    with gr.Row():
                word_btn_fx = gr.Button("📥 Xuất Word",  size="sm", variant="secondary")
                report_output_fx = gr.File(label="Báo cáo đã tải", visible=True)
                word_btn_fx.click(fn=create_word_report,outputs=report_output_fx)
    gr.HTML("""
                          <script>
                          document.addEventListener('DOMContentLoaded', function() {
                              const observer = new MutationObserver((mutations) => {
                                  mutations.forEach((mutation) => {
                                      if (mutation.type === 'childList' && mutation.target.id === 'report_output_fx') {
                                          const link = document.querySelector('#report_output_fx a');
                                          if (link) link.click();  // Tự động tải file
                                      }
                                  });
                              });
                              observer.observe(document.body, { childList: true, subtree: true });
                          });
                          </script>
                          """)


# Chạy ứng dụng
if __name__ == "__main__":
    demo.launch(
        share=True,
        server_name="0.0.0.0",
        show_error=True,
        inbrowser=True
    )