% 먼저 셀 형식으로 변경
vname = cell(pyOut{1}); % 변수명 부분
value = cell(pyOut{2}); % 데이터 부분

%% 데이터를 MATLAB에서 처리하기 쉽도록 변경
% 데이터를 문자열 형식으로 변경
vname = cellfun(@(x) string(x.value), vname);
value = cellfun(@(x) string(x.value), value);
value = reshape(value,6,[])';
% table 형식 변수로 통합
pfData = array2table(value,'VariableNames',vname)

%% 추가 처리
pfData.position = double(pfData.position);% 문자열 -> 숫자로 변경
pfData.marketvalue = double(extractAfter(pfData.marketvalue,"$")); % $ 기호 제거 및 숫자로 변경
pfData.total = double(extractAfter(pfData.total,"$")); % $ 기호 제거 및 숫자로 변경
pfData.current_pf = double(extractBefore(pfData.current_pf,"%"))/100; % % 제거 및 숫자로 변경
pfData.target_pf = double(extractBefore(pfData.target_pf,"%"))/100; % % 제거 및 숫자로 변경

%% 최적화 시작
% 각 주식 종목별로 목표 보유 비율에 가까워지기 위해 몇 주를 매수해야 하는지 계산합니다.
% 이때 제약 조건은 매수 예산인 Cost로 설정합니다.
% 이 예제에서는 2,000달러 (약 200만원)로 설정합니다.
Cost = 2e3; % $2k

% fmincon 함수 사용
% 원래는 정수 문제지만, 실수로 주식 수를 계산한 후 소수점은 무시합니다.
% 주식 수가 많으면 큰 문제가 되지 않으므로.
% 물론 주식 수가 적은 경우에는 영향이 있으므로 조정이 이루어집니다.
% 선형 부등식 제약 조건 (총 비용이 Cost 이하)
A = pfData.marketvalue';
b = Cost;
% 선형 등식 제약 조건 없음
Aeq = [];
beq = [];
% 주식 수의 상하한
lb = zeros(7,1);
ub = inf(7,1);
% 초기값은 0으로 설정
x0 = zeros(7,1);

% 목적 함수는 getDiff를 사용하여 정의됩니다.
% 목표 보유 비율과의 오차 제곱의 합의 제곱근을 최소화하려고 합니다.
x = fmincon(@(x) getDiff(pfData,x),x0,A,b,Aeq,beq,lb,ub);

% getDiff.m
function errorRMS = getDiff(pfData, position2add)
newTotal = pfData.marketvalue.*(position2add+pfData.position);
newPF = newTotal/sum(newTotal);
errorRMS = sqrt(sum( (newPF - pfData.target_pf).^2 ) );
end

% 주식 수의 소수점 이하 버림
xlong = floor(x);

% updateValues 함수 (Python)를 사용하여
% Google Spreadsheet에 데이터 작성
py.gspread_sample.updateValues(xlong)

clear classes %#ok<CLCLS>
mod = py.importlib.import_module('gspread_sample');
py.importlib.reload(mod);

% sample_optimization.m
% 변경된 사용자 정의 Python 모듈 다시로드
% https://www.mathworks.com/help/matlab/matlab_external/call-modified-python-module.html
clear classes %#ok<CLCLS>
mod = py.importlib.import_module('gspread_sample');
py.importlib.reload(mod);

% getValues 함수(Python)를 사용하여
% Google 스프레드시트에서 데이터 읽기(py.tuple 클래스로 반환)
pyOut = py.gspread_sample.getValues();
whos pyOut 
% 셀 형식으로 변환
vname = cell(pyOut{1}); % 변수 이름 부분
value = cell(pyOut{2}); % 데이터 부분

%% MATLAB에서 처리하기 쉽게 데이터 변환
% 데이터를 문자열(string) 형식으로 변환
vname = cellfun(@(x) string(x.value), vname);
value = cellfun(@(x) string(x.value), value);
value = reshape(value,6,[])';
% table 형식으로 변환
pfData = array2table(value,'VariableNames',vname)

%% 추가적인 처리
pfData.position = double(pfData.position);% 문자열 -> 숫자로 변환
pfData.marketvalue = double(extractAfter(pfData.marketvalue,"$")); % $ 기호 제거하고 숫자로 변환
pfData.total = double(extractAfter(pfData.total,"$")); % $ 기호 제거하고 숫자로 변환
pfData.current_pf = double(extractBefore(pfData.current_pf,"%"))/100; % % 제거하고 숫자로 변환
pfData.target_pf = double(extractBefore(pfData.target_pf,"%"))/100; % % 제거하고 숫자로 변환
% 완료
pfData

%% 최적화 계산 시작
% 각 종목별로 목표 보유 비율에 근접하도록 몇 주를 구매해야 하는지 계산합니다.
% 이때 제약 조건은 총 구매 비용을 얼마로 제한할 것인지입니다.
% 여기서는 2천 달러(약 200만 원)으로 제한합니다.
Cost = 2e3; % $2k

% fmincon 함수 사용
% 일반적으로는 정수 문제이지만 실수로 주식 수를 계산한 후 소수점 이하는 무시합니다.
% 주식 수가 많다면 큰 문제가 되지 않으므로 문제 없습니다.
% 물론 주식 수가 적은 경우 영향을 받을 수 있으므로 조정이 필요합니다.
% 선형 부등식 제약 조건(총 구매 비용이 Cost 이하)
A = pfData.marketvalue'; 
b = Cost;
% 선형 등식 제약 조건 없음
Aeq = [];
beq = [];
% 주식 수의 상하한 제한
lb = zeros(7,1);
ub = inf(7,1);
% 초기값은 0입니다.
x0 = zeros(7,1);

% 목적 함수는 getDiff를 사용하여 정의되었습니다.
% 목표 보유 비율과의 오차 제곱의 합의 제곱근을 최소화합니다.
x = fmincon(@(x) getDiff(pfData,x),x0,A,b,Aeq,beq,lb,ub);

% 주식 수의 소수점 이하는 버립니다.
xlong = floor(x);

% updateValues 함수(Python)를 사용하여
% Google 스프레드시트에 데이터 쓰기
py.gspread_sample.updateValues(xlong)

% 추가 구매 후 새로운 보유 수(확인용)
% position2 = pfData.position + xlong;
% total = pfData.marketvalue'*position2;
% [pfData.current_pf,pfData.marketvalue.*position2/total,pfData.target_pf]


function errorRMS = getDiff(pfData, position2add)
newTotal = pfData.marketvalue.*(position2add+pfData.position);
newPF = newTotal/sum(newTotal);
errorRMS = sqrt(sum( (newPF - pfData.target_pf).^2 ) );
end