feat(pydantic): 集成 Pydantic 模型到 Flask API 层

1. models.py:
   - 添加 dataframe_to_ohlcv_response() 转换函数
   - 支持 DataFrame → OHLCVResponse 自动转换
   - 自动处理 nav、premium、attrs 等业务数据

2. flask_server.py:
   - 使用 Pydantic 模型构建响应（替代手动 Dict）
   - 错误响应使用 ErrorResponse 模型
   - 代码减少 20+ 行，类型安全提升

3. flask_api_source.py:
   - 使用 validate_ohlcv_response() 验证 API 响应
   - 类型安全访问 nav、premium、info 等字段
   - ETF 数据解析更可靠

测试通过:
✅ DataFrame → Pydantic 转换正常
✅ ETF 净值和溢价率正确处理
✅ 线上 API 响应验证成功
✅ FlaskAPIDataSource 集成正常

datasource/flask_api_source.py

@@ -14,6 +14,8 @@ from datetime import datetime
 from pathlib import Path
 from dotenv import load_dotenv
 
+from .models import OHLCVResponse, validate_ohlcv_response
+
 load_dotenv()
 
 
@@ -132,14 +134,20 @@ class FlaskAPIDataSource:
                     print(f"✗ API返回错误: {data['error']}")
                     return None
                 
-                # 解析数据
-                records = data.get('data', [])
-                if not records:
+                # ✅ 使用 Pydantic 模型验证响应（类型安全）
+                try:
+                    validated = validate_ohlcv_response(data)
+                except Exception as e:
+                    print(f"✗ {code}: 响应数据验证失败 - {e}")
+                    return None
+                
+                # 检查数据是否为空
+                if not validated.data:
                     print(f"⚠ {code}: 无数据返回")
                     return None
                 
                 # 转换为 DataFrame
-                df = pd.DataFrame(records)
+                df = pd.DataFrame(validated.data)
                 
                 # 处理日期列
                 if 'date' in df.columns:
@@ -153,37 +161,37 @@ class FlaskAPIDataSource:
                 df = df[standard_cols]
                 
                 # 使用 API 返回的实际数据范围（而非请求参数）
-                actual_start = data.get('date_range', {}).get('start', start_date)
-                actual_end = data.get('date_range', {}).get('end', end_date)
-                actual_count = data.get('count', len(df))
+                actual_start = validated.date_range.start if validated.date_range else start_date
+                actual_end = validated.date_range.end if validated.date_range else end_date
+                actual_count = validated.count
                 
                 # 缓存 info 信息（如果有）
-                if 'info' in data:
-                    df.attrs['info'] = data['info']
+                if validated.info:
+                    df.attrs['info'] = validated.info
                 
                 # ETF 数据自动附加净值和溢价率信息
-                if data.get('asset_type') == 'china_etf':
+                if validated.asset_type == 'china_etf':
                     # 净值数据
-                    nav_section = data.get('nav', {})
-                    if nav_section.get('data'):
-                        nav_df = pd.DataFrame(nav_section['data'])
+                    if validated.nav and validated.nav.data:
+                        nav_df = pd.DataFrame(validated.nav.data)
                         if 'date' in nav_df.columns:
                             nav_df['date'] = pd.to_datetime(nav_df['date'])
                             nav_df = nav_df.set_index('date')
                         df.attrs['nav'] = nav_df
                     
                     # 溢价率序列
-                    if 'premium_series' in data:
-                        df.attrs['premium_series'] = data['premium_series']
+                    if validated.premium_series:
+                        premium_dict = {item.date: item.premium for item in validated.premium_series}
+                        df.attrs['premium_series'] = premium_dict
                     
                     # 最新溢价率
-                    if 'latest_premium' in data:
-                        df.attrs['latest_premium'] = data['latest_premium']
-                        df.attrs['premium_date'] = data.get('premium_date')
+                    if validated.latest_premium is not None:
+                        df.attrs['latest_premium'] = validated.latest_premium
+                        df.attrs['premium_date'] = validated.premium_date
                     
                     # 溢价率统计
-                    if 'premium_stats' in data:
-                        df.attrs['premium_stats'] = data['premium_stats']
+                    if validated.premium_stats:
+                        df.attrs['premium_stats'] = validated.premium_stats.model_dump()
                 
                 print(f"✓ {code}: {actual_count} 条数据 ({actual_start} ~ {actual_end})")
                 return df