research(wave-0822): TERM-STRUCTURE e OI-PIN scartati — la catena ereditata ha 74 giorni utili, non 3,7 mesi

scripts/research/r0822_skew.py

@@ -549,6 +549,28 @@ def main() -> None:
     print("    -> il massimo in avanti e' quello che il rumore produce da solo. LAG INDIETRO:")
     print(f"    |t| minimo = {LL[LL['minuti'] < 0]['t_dRR'].abs().min():.2f} su "
           f"{int((LL['minuti'] < 0).sum())} test, tutti dello STESSO segno.")
+    print("\n  Robustezza — il COLLETTORE cambia a meta' campione (cerbero-bite: ~10 giri/ora,")
+    print("  fino al 2026-07-30; raccolta nostra: 1 giro/ora al minuto :25). Stessa misura sui due")
+    print("  tronconi, piu' la copertura oraria (il guasto quote-vuote del 29-30/07 e' qui dentro):")
+    TAGLIO = pd.Timestamp("2026-07-30 20:00", tz="UTC")
+    for a in ASSETS:
+        S = cm30[a]
+        for nome, m in (("bite   ", S.index < TAGLIO), ("nostra ", S.index >= TAGLIO)):
+            sub = S[m]
+            if len(sub) < 100:
+                continue
+            L2 = leadlag(sub, a)
+            av = L2[L2["minuti"].isin([5, 15, 60])]["corr_dRR"].to_numpy()
+            ind = L2[L2["minuti"].isin([-15, -60])]["corr_dRR"].to_numpy()
+            gg = len(np.unique(pd.DatetimeIndex(sub.index).date))
+            print(f"    {a} {nome} ore={len(sub):5d} giorni={gg:3d} ({len(sub)/max(gg,1):.1f} ore/giorno)"
+                  f"  avanti(+5/+15/+60m) {np.round(av,3)}  indietro(-15/-60m) {np.round(ind,3)}")
+    gio = pd.Series(1, index=pd.DatetimeIndex(cm30[ASSETS[0]].index)).groupby(
+        pd.DatetimeIndex(cm30[ASSETS[0]].index).date).sum()
+    peggio = gio.nsmallest(4)
+    print(f"    giorni con MENO ore di superficie ricostruibile (BTC): "
+          f"{ {str(k): int(v) for k, v in peggio.items()} }  su 24 attese")
+
     print("\n  Controllo POSITIVO — la stessa misura con l'ancora ASSUNTA a :30 dell'ora:")
     FF = pd.concat([leadlag_ancora_sbagliata(cm30[a], a) for a in ASSETS], ignore_index=True)
     print(FF.to_string(index=False))