"""
Техническое задание на подготовку DataFrame для прогнозирования цены акций

1. Цель
Создать модуль на Python для подготовки DataFrame из временных рядов MOEX ALGOPACK
для обучения ML-модели прогнозирования цены акций на следующий 5-минутный интервал.

2. Входные данные
- Источники:
* SuperCandles (tradeStats, ObStats, Stats) для тикеров из заданного списка
* Индекс IMOEX
* Средний курс RUB/CNY
- Формат: 5-минутные временные ряды
- Период данных: задается в коде (по умолчанию 2020-01-01 - 2023-12-31)

3. Требования к реализации

3.1. Конфигурационные параметры
```python
TICKERS = ['GAZP', 'SBER', 'LKOH'] # Список тикеров
REMOVE_COLS = [ # Колонки для удаления
'irrelevant_column1',
'market_cap'
]
TEST_START = '2023-01-01' # Начало тестового периода
NORMALIZATION_METHOD = 'standard' # Стандартизация (z-score)

3.2. Этапы обработки данных

• Загрузка данных:

• Получение SuperCandles для каждого тикера через API ALGOPACK
• Загрузка IMOEX и RUB/CNY из отдельных CSV/API
• Объединение данных по временной метке

• Предобработка:

• Удаление колонок из REMOVE_COLS
• Обработка пропусков:
  • Интерполяция линейной для числовых данных
  • Удаление строк с остающимися NaN
• Добавление временных признаков: дня недели и месяца

1. Нормализация:

• Отдельная обработка для временных меток и целевой переменной
• Применение выбранного метода (MinMax/Standard) к числовым колонкам

1. Целевая переменная:

• Создание колонки 'target' как процентного изменения цены
  в следующий 5-минутный интервал

1. Разделение данных:

• Train: все данные до TEST_START
• Test: данные от TEST_START

1. Визуализация

4.1. Статистический анализ:

• Вывод df.describe() после обработки
• Гистограммы распределения ключевых параметров

4.2. Графики:

• Динамика цен закрытия с выделением тестового периода
• Скользящее среднее цены + volatility за 1 час
• Свечные графики для аномальных дней

4.3. Корреляционный анализ:

• Тепловая карта корреляций между фичами
• Отдельная визуализация корреляций с целевой переменной

1. Требования к коду

• Использование pandas для обработки данных
• Визуализация с matplotlib/seaborn
• Инкапсуляция логики в функциях с документацией
• Логирование ключевых этапов
• Сохранение обработанных данных в parquet-файлы

1. Выходные данные

• Обучен и возвращен подготовленный DataFrame
• Сохранение графиков в /visualizations/
• Экспорт статистик в отчет.txt