research(vrp): il f del credito netto e' 0.73 sulle quote reali, non 1.0
Prima integrazione della catena opzioni Deribit mainnet accumulata da cerbero-bite (/opt/docker/cerbero-bite, dal 2026-06-09: entrambe le ali, 1g-3mesi, oraria, con book_depth). E' l'unica fonte di prezzi opzioni VERI del progetto, e non e' ricostruibile a posteriori: Deribit non serve book storici, un'ora non raccolta e' persa. VRP01 prezza entrambe le gambe con BS su DVOL ATM (VRP_CFG f=1.0 sul credito NETTO). Misurato agli STESSI strike su 8/8 scadenze settimanali con entrambe le gambe quotate (delta -0.270/-0.099 contro target -0.280/-0.100): f gamba corta 1.02 <- replica la calibrazione del 20/06 f gamba lunga 2.30 <- l'ala che si COMPRA f credito NETTO 0.73 IC95% [0.698, 0.780], 0/15 osservazioni >= 1.0 Meccanismo, non rumore: IV(corta)-DVOL +0.8pp ma IV(lunga)-DVOL +7.5pp -> il modello prezza a vol ATM anche l'ala comprata. Il difetto non e' nel premio incassato ma nella protezione comprata, cioe' proprio il "defined-risk" per cui v2 fu promosso. Conseguenza standalone (solo f): 1.00 -> FULL 1.08 / HOLD +0.58; 0.80 -> 0.51 / -0.02; 0.73 -> 0.31 / -0.23. Book 5-sleeve: FULL -0.069, HOLD -0.103, DD invariato = dentro la banda d'ancora, ma ~meta' del contributo LOO di VRP01 era il prezzo che il modello si faceva da solo. VRP_CFG["f"] NON cambiato: 15 osservazioni, 7 settimane, e 0/8 passano il gate IV-rank>0.30 -> il f e' misurato nel regime in cui il sleeve sta FLAT. Caveat quantificato, non nuovo parametro. Il criterio del 19/06 (rivalutare quando cerbero-bite cattura un crash) e' intatto. Book, pesi, cron, config INVARIATI. Regole nuove congelate nei test: - il f di una struttura multi-gamba non e' il f di una sua gamba (misurare la sola gamba venduta da' la risposta sbagliata con segno rassicurante); - un guasto IN CORSO si misura al GIORNO PEGGIORE, non in media (la prima stesura della certificazione diluiva un guasto di 2 giorni da 51.7% a 13.5%); - una riga presente non e' un dato presente. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
This commit is contained in:
Adriano Dal Pastro
@@ -151,6 +151,33 @@ Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condivis
|
||||
nuova regola: riprezzare term-structure-consistent prima di credere a un gate vol su strutture
|
||||
BS-flat. Book/pesi INVARIATI. Diario `2026-07-03-vrp-improve-dd.md`; script `scripts/research/r0703_vrpimp_*.py` (7 file).
|
||||
Diario `2026-06-20-financeold-analysis-vrp-v2.md`.
|
||||
⚠️ **f MISURATO SULLE QUOTE REALI = 0.73, NON 1.0 (2026-07-30) — i numeri di ammissione vanno
|
||||
citati col f.** Primo confronto del prezzatore del sleeve con la catena Deribit mainnet vera
|
||||
(`scripts/research/r0730_vrp_real_quotes.py`, dati cerbero-bite). Su 8/8 scadenze settimanali con
|
||||
ENTRAMBE le gambe quotate (delta realizzati −0.270/−0.099 contro target −0.280/−0.100), agli
|
||||
STESSI strike: **f del credito NETTO 0.73** (IC95% bootstrap [0.698, 0.780], **0/15 osservazioni
|
||||
≥1.0**; 0.80 a mid). **Meccanismo, non rumore:** IV(corta)−DVOL **+0.8pp** ma IV(lunga)−DVOL
|
||||
**+7.5pp** → il modello prezza a vol ATM anche l'ala che si COMPRA, che costa **~2.3× il modello**
|
||||
→ il credito netto si comprime del 27%. **Il difetto non è nel premio incassato ma nella
|
||||
protezione comprata**, cioè proprio il "(a) defined-risk" per cui v2 fu promosso.
|
||||
**Conseguenza standalone (solo f cambiato):** f=1.00 → FULL 1.08 / HOLD **+0.58**; f=0.80 → 0.51 /
|
||||
**−0.02**; f=0.73 → 0.31 / **−0.23**. **Book 5-sleeve** (VRP01 12%, ancore canoniche): FULL
|
||||
2.215→2.146 (Δ−0.069), HOLD 2.347→2.244 (Δ−0.103), DD invariato → **dentro la banda d'ancora**,
|
||||
ma il LOO del 26/07 dava a VRP01 +0.122 di FULL: **~metà era il prezzo che il modello si faceva da
|
||||
solo** (l'audit d'ancora corregge la fortuna di calendario, non l'ottimismo di prezzo).
|
||||
⚠️ **La calibrazione del 20/06 NON è contraddetta, è replicata:** misurava la **sola gamba corta**
|
||||
(qui 1.02, implementazione indipendente). **REGOLA: il f di una struttura multi-gamba non è il f
|
||||
di una sua gamba — misurare la sola gamba venduta dà la risposta sbagliata con segno
|
||||
rassicurante.** Congelata in `tests/test_cb_chain_vrp.py`.
|
||||
**`VRP_CFG["f"]` NON cambiato** (15 osservazioni, 7 settimane, e per giunta **0/8 settimane
|
||||
passano il gate IV-rank>0.30**: il f è misurato nel regime in cui il sleeve sta FLAT, DVOL max
|
||||
raccolto al 24°/28° pctl della storia) → **caveat quantificato, non nuovo parametro**; il criterio
|
||||
del 19/06 ("rivalutare quando cerbero-bite cattura un crash") è **intatto**.
|
||||
⚠️ **Il DD 12% è un DD di CHIUSURE settimanali:** con le standing quotes (~164 riquotazioni/trade)
|
||||
il peggior mark INFRA-settimana è mediana −6.9% / minimo **−81.7%** del capitale su un trade finito
|
||||
in utile, e il 50%-profit-take sarebbe scattato in **13/15** settimane. Stessa classe della lente
|
||||
wick accoppiata (25/07): *un rischio valutato sul minimo non si misura sulle chiusure*.
|
||||
Diario `2026-07-30-vrp-quote-reali.md`.
|
||||
- **Universo Hyperliquid: ESPANDERLO NON aiuta XS01** (provato): 52-asset / top-liquidità dinamico /
|
||||
trend-multi-asset → tutti peggiori (small-cap/memecoin diluiscono il momentum relativo; il trend
|
||||
multi-asset è ridondante con TP01, corr 0.74). I margini su XS sono nella STRUTTURA DEL SEGNALE
|
||||
@@ -738,6 +765,17 @@ Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condivis
|
||||
difetto che stavo correggendo, scritto meglio. **Cron spostato `0 * * * *` → `7 * * * *`**
|
||||
(ipotesi contesa al minuto tondo): ripiego da **UNA** osservazione, costo zero, **dichiarato tale
|
||||
in testa a `cron_book.sh`** perche' la riga di crontab vive fuori dal repo.
|
||||
✅ **SEGUITO 2026-07-30 — il MECCANISMO ipotizzato e poi rimosso e' ora MISURATO; il "perche'
|
||||
adesso" NO.** Analizzando `/opt/docker/cerbero-bite` (stessa VPS, stesso IP pubblico): il suo
|
||||
collettore full-chain gira **al minuto :00** e produce **12.186 risposte 429** in 26 ore, di cui
|
||||
**11.700 (96%) nel minuto :00** — ~770 chiamate ticker + ~770 orderbook in ~26s da un IP solo,
|
||||
senza backoff → **si auto-satura** il rate limit Deribit per-IP (ticker: 5.738 respinte su
|
||||
20.029). Co-timing **esatto** con l'incidente: le sue quote passano da ~0.4% a ~50% vuote alle
|
||||
**05:00 del 29/07** e non sono ancora rientrate. ⚠️ **Ma la stessa disciplina vale due volte: il
|
||||
carico di bite e' INVARIATO da settimane** (6.100-6.400 righe BTC/giorno prima e dopo, immagine
|
||||
ferma al 09/06) e i log MCP non precedono il riavvio → le 429 spiegano **come** si perdono le
|
||||
chiamate, **non perche' proprio quel giorno**. La causa del cambiamento resta ignota. Nessuna
|
||||
azione: `cron_book` e' gia' a `:07`, fuori dalla finestra di ~26s. Diario `2026-07-30-vrp-quote-reali.md`.
|
||||
**REGOLE:** (a) **una nota di diagnosi cablata e' peggio di nessuna nota** — nessuna manda a
|
||||
guardare i dati, una sbagliata manda sulla pista sbagliata e sembra una misura; (b) se un errore
|
||||
si ingoia per non bloccare, **si registra nel punto in cui lo si ingoia** (non c'e' un secondo
|
||||
@@ -1629,6 +1667,29 @@ df = load_data("BTC", "1h") # OK. load_data("SOL", ...) -> FileNotFoundError (
|
||||
< 365g reali (es. **AXS 83% sintetico → fuori**), (3) gata i gap vol=0 interni. Universo certificato
|
||||
= **51** (era 52). I **19 major di XS01 hanno 0 backfill → invariati** (strategia live non toccata).
|
||||
Verificato direttamente su cerbero MCP. Diario `2026-06-20-cerbero-backfill-fix.md`.
|
||||
- **CATENA OPZIONI REALE (cerbero-bite mainnet) — integrata e certificata 2026-07-30.**
|
||||
`/opt/docker/cerbero-bite` accumula dal 2026-06-09 la catena Deribit **mainnet** (BTC+ETH,
|
||||
entrambe le ali, scadenze 1g→3 mesi, ORARIA, con `book_depth_top3`). Estrazione+certificazione:
|
||||
`scripts/analysis/fetch_cb_chain.py` → `data/raw/cb_chain.parquet` (gitignored, ~1.23M righe);
|
||||
harness `scripts/research/cblib.py`. **È l'unica fonte di prezzi opzioni VERI del progetto** e
|
||||
serve a sostituire il premio modellato BS-su-DVOL (vedi il f di VRP01, misurato il 30/07).
|
||||
**Perché si MEMORIZZA invece di interrogarla:** una catena opzioni non è ricostruibile a
|
||||
posteriori — Deribit non serve book storici, un'ora non raccolta è persa per sempre, e non c'è un
|
||||
secondo venue da cui recuperarla.
|
||||
**Certifica 4 difetti:** quote vuote, book incrociato, premio non monotono nello strike,
|
||||
`depth==0` (ambiguo **by design**: chiamata fallita e book vuoto danno lo stesso valore → si
|
||||
riporta, non si ripara).
|
||||
⚠️ **GUASTO IN CORSO dal 2026-07-29 05:00 UTC — status `QUOTE-VUOTE`.** Il collettore persiste la
|
||||
riga anche quando il ticker fallisce (rate-limit Deribit **per-IP**: ~650 risposte 429 in ~26s a
|
||||
ogni giro, **96% al minuto :00**, generate dalla spazzata full-chain che si auto-satura) →
|
||||
`bid`/`ask`/`iv`/`delta` NULL e **conteggio righe INVARIATO** (13k/giorno prima e dopo). Tasso di
|
||||
quote vuote per settimana: 0.4·0.7·2.2·1.5·0.5·0.4·0.3 → **22%**; giorno peggiore **51.7% BTC /
|
||||
30.6% ETH**. Il fix lato bite (cron `:00`→`:20`) è **scritto ma non attivo** (`strategy.yaml` è
|
||||
copiato nell'immagine, serve rebuild). **REGOLA: una riga presente non è un dato presente** —
|
||||
contare ciò che è QUOTATO, non ciò che è SCRITTO (3ª occorrenza dopo `paper_dvolspread` e
|
||||
`fresh_5m`). **REGOLA: un guasto IN CORSO si misura al GIORNO PEGGIORE, non in media** — la prima
|
||||
stesura confrontava "tutto" con "ultimi 7g" e diluiva un guasto di 2 giorni al 13.5%, commettendo
|
||||
a 7 giorni lo stesso errore che dichiarava di evitare a 3 mesi. Diario `2026-07-30-vrp-quote-reali.md`.
|
||||
|
||||
## Metodologia obbligatoria per ogni nuova strategia
|
||||
|
||||
|
||||
@@ -0,0 +1,157 @@
|
||||
# 2026-07-30 — VRP01 contro le quote REALI: il f del credito netto è 0.73, non 1.0
|
||||
|
||||
**Esito:** nessun cambio a book, pesi, cron o config. Un'ipotesi di VRP01 è **falsificata con
|
||||
misura**, e il dataset che l'ha falsificata entra nel progetto (estrattore + certificazione +
|
||||
harness + test). Il muro dichiarato per il deploy — il *f* di stress — resta in piedi, intatto.
|
||||
|
||||
## Da dove viene il dato
|
||||
|
||||
`/opt/docker/cerbero-bite` accumula dal 2026-06-09 la catena opzioni Deribit **mainnet**: entrambe
|
||||
le ali, scadenze 1g→3 mesi, ora per ora, con la profondità top-3 del book. È la fonte che il
|
||||
progetto cita dal 20/06 (`options_vrp_calibrate.py`) e che finora era stata usata una volta sola,
|
||||
via export manuale in `/tmp`.
|
||||
|
||||
Il motivo per cui quel dato si **memorizza** invece di richiederlo quando serve: una catena opzioni
|
||||
non è ricostruibile a posteriori — Deribit non serve book storici. Un'ora non raccolta è persa per
|
||||
sempre. Stessa asimmetria dello storico spot certificato, con l'aggravante che qui non esiste un
|
||||
secondo venue da cui recuperarla.
|
||||
|
||||
## La domanda
|
||||
|
||||
`src/portfolio/sleeves.py:136` — `VRP_CFG` gira a **`f=1.0`**, applicato al credito **NETTO**:
|
||||
|
||||
```python
|
||||
net_prem = (_bs_put(S0, Ks, T, sig) - _bs_put(S0, Kl, T, sig)) * cfg["f"]
|
||||
```
|
||||
|
||||
cioè assume che il mercato paghi esattamente ciò che Black-Scholes su DVOL-ATM dice, **per entrambe
|
||||
le gambe**. Il caveat di ammissione ("premio MODELLATO su DVOL ATM, skew non esplicito") era
|
||||
dichiarato dal 19/06 e mai quantificato, per mancanza di quote vere.
|
||||
|
||||
## D1 — copertura: la struttura c'è
|
||||
|
||||
Finestra settimanale 4-10 DTE: **8 scadenze su 8** hanno **entrambe** le gambe quotate, per
|
||||
entrambi gli asset. Delta realizzati **−0.270** (target −0.280) e **−0.099** (target −0.100): la
|
||||
struttura misurata è quella del sleeve, non una sua approssimazione.
|
||||
|
||||
## D2 — il numero: f = 0.73
|
||||
|
||||
Confronto agli **stessi strike** (così il rapporto isola l'errore di *prezzo*, non la scelta dello
|
||||
strike), fill conservativo (vendi al bid, compri all'ask):
|
||||
|
||||
| grandezza | mediana | p25 | p75 |
|
||||
|---|---|---|---|
|
||||
| f gamba **corta** (venduta) | **1.02** | 0.88 | 1.12 |
|
||||
| f gamba **lunga** (comprata) | **2.30** | 1.68 | 2.87 |
|
||||
| **f credito NETTO** ← quello che entra nel book | **0.73** | 0.71 | 0.82 |
|
||||
| f credito netto, a mid | 0.80 | 0.79 | 0.89 |
|
||||
|
||||
IC95% bootstrap sulla mediana **[0.698, 0.780]**; **0 osservazioni su 15** arrivano a 1.0.
|
||||
|
||||
⚠️ **La calibrazione del 20/06 non è contraddetta, è replicata**: misurava la **sola gamba corta** e
|
||||
trovava f ≈ 1.0; qui la stessa quantità, con implementazione indipendente, dà **1.02**. La
|
||||
differenza è che VRP01 è uno *spread*, e il problema sta nell'altra gamba.
|
||||
|
||||
## Il meccanismo (senza il quale il numero sarebbe un artefatto)
|
||||
|
||||
**IV(corta) − DVOL = +0.8 pp**, **IV(lunga) − DVOL = +7.5 pp**. Il modello prezza entrambe le gambe
|
||||
a vol ATM; l'ala più OTM — quella che si **compra** — sta 8 punti sopra per skew, quindi costa
|
||||
**~2.3× il modello**, e il credito netto si comprime del 27%.
|
||||
|
||||
Colpisce esattamente il punto su cui VRP01-v2 era stato promosso: *"(a) defined-risk taglia la coda
|
||||
(worst-week −16.6%→−7.4%)"*. Nel modello quell'assicurazione è comprata a vol ATM, cioè quasi
|
||||
gratis. Nel mercato costa più del doppio. **Il difetto non è nel premio incassato, è nella
|
||||
protezione comprata.**
|
||||
|
||||
## Conseguenza, misurata
|
||||
|
||||
VRP01 standalone sostituendo **solo** `f` (replica sana a f=1.0: 1.08 / 0.58 / −11.8% contro i
|
||||
1.10 / 0.60 / 12% pubblicati):
|
||||
|
||||
| f | Sh FULL | DD FULL | CAGR | Sh HOLD-OUT |
|
||||
|---|---|---|---|---|
|
||||
| **1.00** (assunto) | 1.08 | −11.8% | 8.2% | **+0.58** |
|
||||
| **0.80** (misurato a mid) | 0.51 | −14.4% | 3.6% | **−0.02** |
|
||||
| **0.73** (misurato, fill conservativo) | 0.31 | −15.3% | 2.0% | **−0.23** |
|
||||
|
||||
Book a 5 sleeve (VRP01 al 12%), ancore canoniche: FULL 2.215 → **2.146** (Δ −0.069),
|
||||
HOLD 2.347 → **2.244** (Δ −0.103), DD invariato.
|
||||
|
||||
**Lettura onesta: il book non crolla** — l'effetto è dentro la banda d'ancora (canonico 2.22 contro
|
||||
mediana de-luckata 1.95). Ma il LOO del 26/07 attribuiva a VRP01 **+0.122 di FULL**: **circa metà di
|
||||
quel contributo era il prezzo che il modello si faceva da solo.** L'audit d'ancora aveva corretto la
|
||||
fortuna di calendario; l'ottimismo di *prezzo* non l'aveva corretto nessuno.
|
||||
|
||||
## D3 — ciò che solo questo dato permette
|
||||
|
||||
Le stesse due gambe sono riquotate **~164 volte per trade** (orarie) fino a scadenza. Da qui:
|
||||
|
||||
- il **50%-profit-take scatterebbe in 13/15 settimane** → la regola di gestione diventa testabile;
|
||||
- **peggior mark infra-settimana** (N=13 trade con path): mediana **−6.9%** del capitale, minimo
|
||||
**−81.7%**, su un trade che è finito **in utile**.
|
||||
|
||||
⚠️ Il sleeve marca solo a scadenza: quel minimo **non esiste nei suoi numeri**. È la stessa classe
|
||||
di errore della lente wick accoppiata del 25/07 — *un rischio valutato sul minimo non si misura
|
||||
sulle chiusure*. Il DD 12% di VRP01 è un DD di chiusure settimanali.
|
||||
|
||||
## D4 — ciò che il dato NON dice, ed è la ragione per cui si raccoglie
|
||||
|
||||
**Nella finestra raccolta VRP01 non avrebbe aperto una sola posizione.** IV-rank mediano 0.12 (ETH)
|
||||
e 0.08 (BTC) contro il gate >0.30: **0 settimane su 8** per entrambi. Il massimo di DVOL raccolto
|
||||
sta al **24° percentile** (ETH) e **28°** (BTC) della storia.
|
||||
|
||||
Quindi il f = 0.73 è misurato nel regime in cui il sleeve **sta flat**. Lo skew è strutturale e in
|
||||
stress si irripidisce, quindi la direzione è robusta — ma **la taglia in stress resta non
|
||||
misurata**, e il criterio dichiarato il 19/06 ("rivalutare quando cerbero-bite cattura un crash")
|
||||
non è stato toccato da questo lavoro.
|
||||
|
||||
## Il difetto trovato nel dato, e la certificazione che ora c'è
|
||||
|
||||
Il feed ha un guasto **in corso** dal 29/07 05:00 UTC: il collettore persiste la riga anche quando
|
||||
il ticker fallisce (rate-limit per-IP), con `bid`/`ask`/`iv`/`delta` NULL. Il **conteggio righe non
|
||||
cambia** — 13.000/giorno prima e dopo — quindi ogni controllo di copertura basato sulle righe dice
|
||||
"tutto bene". Tasso di quote vuote per settimana: 0.4 · 0.7 · 2.2 · 1.5 · 0.5 · 0.4 · 0.3 → **22%**.
|
||||
|
||||
`scripts/analysis/fetch_cb_chain.py` certifica quattro difetti (quote vuote, book incrociato,
|
||||
premio non monotono nello strike, `depth==0` ambiguo by design) ed è il posto dove è stata
|
||||
imparata la lezione seguente.
|
||||
|
||||
⚠️ **La prima stesura della certificazione confrontava "tutto il campione" con "ultimi 7 giorni" —
|
||||
e diluiva un guasto di 2 giorni al 13.5%**, cioè commetteva a 7 giorni lo stesso errore che
|
||||
dichiarava di voler evitare a 3 mesi. Con la statistica giusta (**giorno peggiore** della finestra)
|
||||
lo stesso dato dice **51.7%** e lo status passa da `DEGRADATO` a `QUOTE-VUOTE`.
|
||||
**REGOLA: un guasto IN CORSO non si misura con una media su una finestra — si misura al suo giorno
|
||||
peggiore. Qualunque finestra è abbastanza lunga da nascondere un guasto abbastanza giovane.**
|
||||
Congelata in `test_giorno_peggiore_non_si_lascia_diluire_dalla_media`.
|
||||
|
||||
## Cosa NON è stato fatto, e perché
|
||||
|
||||
**`VRP_CFG["f"]` non è stato cambiato.** La misura sta su 15 osservazioni, 7 settimane, un solo
|
||||
regime — per giunta il regime in cui il sleeve è flat. Sostituire 1.0 con 0.73 significherebbe
|
||||
propagare in tutto il book un numero misurato dove il book non opera. La mossa corretta è il
|
||||
**caveat quantificato**: i numeri 1.10 / 0.60 / 12% si citano d'ora in poi con "a f=1.0; f misurato
|
||||
sulle quote reali 0.73 [0.70, 0.78], a cui l'hold-out standalone è −0.23".
|
||||
|
||||
Che VRP01 stia al 12% e non sia deployato è, retroattivamente, la decisione giusta **per il motivo
|
||||
giusto**: non "short-vol da modello per prudenza", ma "il modello sovrastima il credito del 27% e
|
||||
lo fa sulla gamba che doveva proteggere".
|
||||
|
||||
## Regole nuove
|
||||
|
||||
1. **Il *f* di una struttura multi-gamba non è il *f* di una sua gamba.** Misurare la sola gamba
|
||||
venduta dà la risposta sbagliata **con segno rassicurante** (1.02 invece di 0.73). Ogni futura
|
||||
calibrazione su quote reali di una struttura a N gambe si fa sul **netto**.
|
||||
Congelata in `test_il_f_della_gamba_corta_non_e_il_f_dello_spread` (3 ali, identità algebrica
|
||||
`f_net = (1 − f_long·k)/(1 − k)` — una soglia sola sarebbe stata una fixture fortunata).
|
||||
2. **Un guasto in corso si misura al giorno peggiore, non in media** (sopra).
|
||||
3. **Una riga presente non è un dato presente.** Il difetto delle quote vuote è invisibile a
|
||||
qualunque controllo che conti righe: va contato ciò che è **quotato**, non ciò che è **scritto**.
|
||||
È la terza occorrenza della stessa famiglia dopo la contabilità a 3 stati di `paper_dvolspread`
|
||||
(26/07) e il silenzio letto come zero di `fresh_5m` (26/07).
|
||||
|
||||
## File
|
||||
|
||||
- `scripts/analysis/fetch_cb_chain.py` — estrazione + certificazione → `data/raw/cb_chain.parquet`
|
||||
- `scripts/research/cblib.py` — harness (loader, `pick_legs`, `f_factors`, `close_cost_path`)
|
||||
- `scripts/research/r0730_vrp_real_quotes.py` — lo studio (D1-D4, meccanismo, sweep f, `--book`)
|
||||
- `tests/test_cb_chain_vrp.py` — 14 casi (rilevatori + controlli positivi + guardia di convenzione)
|
||||
@@ -0,0 +1,202 @@
|
||||
"""FETCH + CERTIFY della catena opzioni REALE accumulata da cerbero-bite.
|
||||
|
||||
Perche' esiste: VRP01 prezza le sue gambe con BS su DVOL ATM (`src/portfolio/sleeves.VRP_CFG`,
|
||||
f=1.0). L'unico modo per sapere se quel prezzo e' quello del mercato e' confrontarlo con quote
|
||||
vere; cerbero-bite (/opt/docker/cerbero-bite) accumula la catena Deribit mainnet ora per ora,
|
||||
entrambe le ali, scadenze 1g..3mesi. Una catena opzioni NON e' ricostruibile a posteriori
|
||||
(Deribit non serve book storici) -> il dato va estratto e conservato, non richiesto quando serve.
|
||||
|
||||
Come `fetch_hyperliquid.py`: estrae, CERTIFICA, e scrive solo se la certificazione ha un esito
|
||||
dichiarato. Le soglie sono qui sotto e sono decisioni, non default.
|
||||
|
||||
CERTIFICAZIONE — quattro difetti, ognuno con la sua diagnostica:
|
||||
1. QUOTE VUOTE bid/ask NULL con lo strumento presente: il collettore persiste la riga anche
|
||||
quando il ticker fallisce (rate-limit) -> il CONTEGGIO RIGHE resta identico e qualunque
|
||||
controllo di copertura basato sul numero di righe dice "tutto bene". E' il difetto che il
|
||||
29/07 ha portato il tasso da ~0.4% a ~50% senza che nulla lo segnalasse.
|
||||
2. BOOK INCROCIATO bid > ask (quote incoerenti).
|
||||
3. MONOTONIA a parita' di scadenza/istante il premio di una put deve essere non-decrescente
|
||||
nello strike; una violazione e' una quota stantia o corrotta.
|
||||
4. PROFONDITA' ZERO book_depth_top3 == 0 e' AMBIGUO by design (chiamata fallita e book
|
||||
davvero vuoto danno lo stesso valore) -> si riporta, non si ripara.
|
||||
|
||||
uv run python scripts/analysis/fetch_cb_chain.py # docker cp dal container
|
||||
uv run python scripts/analysis/fetch_cb_chain.py --db /percorso/state.sqlite
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import sqlite3
|
||||
import subprocess
|
||||
import sys
|
||||
import tempfile
|
||||
from pathlib import Path
|
||||
|
||||
import pandas as pd
|
||||
|
||||
PROJECT_ROOT = Path(__file__).resolve().parents[2]
|
||||
sys.path.insert(0, str(PROJECT_ROOT))
|
||||
|
||||
RAW = PROJECT_ROOT / "data" / "raw"
|
||||
OUT = RAW / "cb_chain.parquet"
|
||||
CONTAINER = "cerbero-bite-cerbero-bite-1"
|
||||
DB_IN_CONTAINER = "/app/data/state.sqlite"
|
||||
|
||||
# --- soglie di certificazione (decise, non default) ---
|
||||
HOLLOW_WARN = 0.05 # >5% di quote vuote su una finestra = DEGRADATO
|
||||
HOLLOW_FAIL = 0.30 # >30% = il dato non descrive piu' il mercato
|
||||
RECENT_DAYS = 7 # la finestra recente conta a parte: un guasto in corso non va diluito
|
||||
# in 3 mesi di storia sana (media su tutto il campione = guasto invisibile)
|
||||
|
||||
|
||||
def _pull_db(dest: Path) -> Path:
|
||||
"""Copia il DB dal container. Il volume docker non e' leggibile senza root."""
|
||||
cmd = ["docker", "cp", f"{CONTAINER}:{DB_IN_CONTAINER}", str(dest)]
|
||||
subprocess.run(cmd, check=True, capture_output=True)
|
||||
return dest
|
||||
|
||||
|
||||
def read_chain(db: Path) -> pd.DataFrame:
|
||||
con = sqlite3.connect(f"file:{db}?mode=ro", uri=True)
|
||||
try:
|
||||
df = pd.read_sql_query(
|
||||
"""select timestamp, asset, instrument_name, strike, expiry, option_type,
|
||||
bid, ask, mid, iv, delta, gamma, theta, vega,
|
||||
open_interest, volume_24h, book_depth_top3, source
|
||||
from option_chain_snapshots""",
|
||||
con,
|
||||
)
|
||||
finally:
|
||||
con.close()
|
||||
for c in ("strike", "bid", "ask", "mid", "iv", "delta", "gamma", "theta", "vega"):
|
||||
df[c] = pd.to_numeric(df[c], errors="coerce")
|
||||
df["ts"] = pd.to_datetime(df["timestamp"], utc=True, errors="coerce")
|
||||
df["exp"] = pd.to_datetime(df["expiry"], utc=True, errors="coerce")
|
||||
df["dte"] = (df["exp"] - df["ts"]).dt.total_seconds() / 86400.0
|
||||
return df.dropna(subset=["ts", "exp", "strike"]).drop(columns=["timestamp", "expiry"])
|
||||
|
||||
|
||||
# ------------------------------------------------------------------ certificazione
|
||||
|
||||
def hollow_rate(df: pd.DataFrame) -> float:
|
||||
"""Frazione di righe presenti ma SENZA quota. Non e' 'dati mancanti': la riga c'e'."""
|
||||
if df.empty:
|
||||
return float("nan")
|
||||
return float(df["bid"].isna().mean())
|
||||
|
||||
|
||||
def worst_day_hollow(df: pd.DataFrame, days: int) -> tuple[float, object]:
|
||||
"""Tasso di quote vuote del GIORNO PEGGIORE nella finestra recente.
|
||||
|
||||
La media sulla finestra non basta: un guasto iniziato 2 giorni fa, mediato su 7, si legge
|
||||
13% invece del 50% reale — la stessa diluizione che questo modulo dichiara di voler evitare
|
||||
quando confronta 'ultimi 7g' con 'tutto'. Un guasto IN CORSO si misura al suo giorno peggiore.
|
||||
"""
|
||||
if df.empty:
|
||||
return float("nan"), None
|
||||
recent = df[df["ts"] >= df["ts"].max() - pd.Timedelta(days=days)]
|
||||
if recent.empty:
|
||||
return float("nan"), None
|
||||
per_day = recent.assign(d=recent["ts"].dt.date).groupby("d")["bid"].apply(lambda s: s.isna().mean())
|
||||
return float(per_day.max()), per_day.idxmax()
|
||||
|
||||
|
||||
def crossed_rate(df: pd.DataFrame) -> float:
|
||||
q = df.dropna(subset=["bid", "ask"])
|
||||
if q.empty:
|
||||
return float("nan")
|
||||
return float((q["bid"] > q["ask"]).mean())
|
||||
|
||||
|
||||
def monotonicity_violations(df: pd.DataFrame) -> float:
|
||||
"""Frazione di coppie strike-adiacenti in cui il premio put DIMINUISCE al salire dello strike.
|
||||
|
||||
Su un singolo (istante, scadenza) il premio di una put e' non-decrescente nello strike: e' una
|
||||
proprieta' del payoff, non del modello -> una violazione e' un difetto di dato, non un regime.
|
||||
"""
|
||||
puts = df[(df["option_type"] == "P")].dropna(subset=["mid"])
|
||||
if puts.empty:
|
||||
return float("nan")
|
||||
bad = tot = 0
|
||||
for _, g in puts.groupby(["ts", "asset", "exp"], sort=False):
|
||||
if len(g) < 2:
|
||||
continue
|
||||
m = g.sort_values("strike")["mid"].to_numpy()
|
||||
d = m[1:] - m[:-1]
|
||||
bad += int((d < 0).sum())
|
||||
tot += len(d)
|
||||
return float(bad / tot) if tot else float("nan")
|
||||
|
||||
|
||||
def certify(df: pd.DataFrame) -> list[dict]:
|
||||
"""Un verdetto per asset. La finestra recente e' valutata a parte (vedi RECENT_DAYS)."""
|
||||
out = []
|
||||
if df.empty:
|
||||
return out
|
||||
now = df["ts"].max()
|
||||
for asset, g in df.groupby("asset"):
|
||||
rec = g[g["ts"] >= now - pd.Timedelta(days=RECENT_DAYS)]
|
||||
h_all, h_rec = hollow_rate(g), hollow_rate(rec)
|
||||
h_day, day_worst = worst_day_hollow(g, RECENT_DAYS)
|
||||
worst = max(h_all, h_rec, h_day) # il verdetto segue il giorno peggiore, non la media
|
||||
status = "OK" if worst <= HOLLOW_WARN else ("DEGRADATO" if worst <= HOLLOW_FAIL else "QUOTE-VUOTE")
|
||||
out.append({
|
||||
"asset": asset,
|
||||
"righe": len(g),
|
||||
"da": g["ts"].min(),
|
||||
"a": g["ts"].max(),
|
||||
"scadenze": g["exp"].nunique(),
|
||||
"vuote_tutto": h_all,
|
||||
f"vuote_{RECENT_DAYS}g": h_rec,
|
||||
"vuote_giorno_peggiore": h_day,
|
||||
"giorno_peggiore": day_worst,
|
||||
"incrociate": crossed_rate(g),
|
||||
"non_monotone": monotonicity_violations(g),
|
||||
"depth_zero": float((g["book_depth_top3"] == 0).mean()),
|
||||
"settimanali_4_10dte": int(((g["dte"] >= 4) & (g["dte"] <= 10)).sum()),
|
||||
"status": status,
|
||||
})
|
||||
return out
|
||||
|
||||
|
||||
def main() -> int:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--db", type=Path, default=None, help="state.sqlite (default: docker cp)")
|
||||
ap.add_argument("--out", type=Path, default=OUT)
|
||||
args = ap.parse_args()
|
||||
|
||||
tmp = None
|
||||
db = args.db
|
||||
if db is None:
|
||||
tmp = Path(tempfile.mkdtemp()) / "state.sqlite"
|
||||
print(f" docker cp {CONTAINER}:{DB_IN_CONTAINER} ...")
|
||||
db = _pull_db(tmp)
|
||||
df = read_chain(db)
|
||||
|
||||
print("=" * 100)
|
||||
print(" CATENA OPZIONI cerbero-bite — certificazione")
|
||||
print("=" * 100)
|
||||
rep = certify(df)
|
||||
for r in rep:
|
||||
print(f"\n {r['asset']} {r['righe']:,} righe {r['da']:%Y-%m-%d} -> {r['a']:%Y-%m-%d} "
|
||||
f"({r['scadenze']} scadenze, {r['settimanali_4_10dte']:,} righe a 4-10 DTE)")
|
||||
print(f" quote VUOTE (riga presente, bid/ask NULL): tutto {100*r['vuote_tutto']:.1f}% "
|
||||
f"| ultimi {RECENT_DAYS}g {100*r[f'vuote_{RECENT_DAYS}g']:.1f}% "
|
||||
f"| GIORNO PEGGIORE {100*r['vuote_giorno_peggiore']:.1f}% ({r['giorno_peggiore']})")
|
||||
print(f" book incrociato {100*r['incrociate']:.2f}% | premio non monotono nello strike "
|
||||
f"{100*r['non_monotone']:.2f}% | depth==0 {100*r['depth_zero']:.1f}% (ambiguo by design)")
|
||||
print(f" STATUS: {r['status']}")
|
||||
|
||||
args.out.parent.mkdir(parents=True, exist_ok=True)
|
||||
df.to_parquet(args.out, index=False)
|
||||
print(f"\n scritto {args.out} ({len(df):,} righe)")
|
||||
if any(r["status"] != "OK" for r in rep):
|
||||
print(" ATTENZIONE: almeno un asset non e' OK — le quote vuote NON sono righe mancanti,")
|
||||
print(" il conteggio righe resta identico. Ogni misura su questa finestra va pesata.")
|
||||
if tmp is not None:
|
||||
tmp.unlink(missing_ok=True)
|
||||
return 0
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
raise SystemExit(main())
|
||||
@@ -0,0 +1,189 @@
|
||||
"""CBLIB — harness della catena opzioni REALE (cerbero-bite), come altlib/eqlib per gli altri lati.
|
||||
|
||||
Legge la cache su disco `data/raw/cb_chain.parquet` (scritta una volta da
|
||||
`scripts/analysis/fetch_cb_chain.py`), MAI dal container.
|
||||
|
||||
Serve a rispondere a una domanda che il progetto pone dal 19/06 e non aveva mai potuto misurare:
|
||||
il premio che VRP01 incassa nel backtest e' quello che il mercato paga? Il sleeve prezza ENTRAMBE
|
||||
le gambe con BS su DVOL ATM (`sleeves.VRP_CFG`, f=1.0 applicato al credito NETTO); qui si misura
|
||||
f = credito reale / credito modellato
|
||||
sugli STESSI strike, cosi' il rapporto isola l'errore di PREZZO e non la scelta degli strike.
|
||||
|
||||
Regola che vale per ogni misura fatta con questo modulo: il f della sola gamba corta NON e' il f
|
||||
dello spread. Il modello sbaglia soprattutto sull'ala che si COMPRA (piu' OTM, IV piu' alta per
|
||||
skew, prezzata dal modello a vol ATM) -> misurare una gamba sola da' la risposta sbagliata con
|
||||
segno rassicurante.
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import sys
|
||||
from functools import lru_cache
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
from scipy.stats import norm
|
||||
|
||||
ROOT = Path(__file__).resolve().parents[2]
|
||||
sys.path.insert(0, str(ROOT))
|
||||
RAW = ROOT / "data" / "raw"
|
||||
CHAIN = RAW / "cb_chain.parquet"
|
||||
|
||||
# finestra "settimanale" di VRP01 (tenor_d=7): si accettano 4..10 DTE come in options_vrp_calibrate
|
||||
DTE_LO, DTE_HI = 4.0, 10.0
|
||||
SHORT_DELTA, LONG_DELTA = -0.28, -0.10
|
||||
|
||||
|
||||
# ------------------------------------------------------------------ dati
|
||||
|
||||
@lru_cache(maxsize=4)
|
||||
def load_chain() -> pd.DataFrame:
|
||||
if not CHAIN.exists():
|
||||
raise FileNotFoundError(
|
||||
f"{CHAIN} assente — estrai prima con scripts/analysis/fetch_cb_chain.py"
|
||||
)
|
||||
df = pd.read_parquet(CHAIN)
|
||||
df["ts"] = pd.to_datetime(df["ts"], utc=True)
|
||||
df["exp"] = pd.to_datetime(df["exp"], utc=True)
|
||||
return df
|
||||
|
||||
|
||||
def puts(asset: str, df: pd.DataFrame | None = None) -> pd.DataFrame:
|
||||
d = load_chain() if df is None else df
|
||||
return d[(d["asset"] == asset) & (d["option_type"] == "P")]
|
||||
|
||||
|
||||
@lru_cache(maxsize=8)
|
||||
def spot_series(asset: str) -> pd.Series:
|
||||
from scripts.analysis.research_lab import load_tf
|
||||
px = load_tf(asset, "1h")
|
||||
s = pd.Series(px["close"].values.astype(float),
|
||||
index=pd.to_datetime(px["timestamp"], unit="ms", utc=True)).sort_index()
|
||||
s.index = pd.DatetimeIndex(s.index).as_unit("ns") # le quote bite hanno microsecondi
|
||||
return s
|
||||
|
||||
|
||||
@lru_cache(maxsize=8)
|
||||
def dvol_series(asset: str) -> pd.Series:
|
||||
d = pd.read_parquet(RAW / f"dvol_{asset.lower()}.parquet")
|
||||
s = pd.Series(d["close"].values.astype(float),
|
||||
index=pd.to_datetime(d["timestamp"], unit="ms", utc=True)).sort_index()
|
||||
s.index = pd.DatetimeIndex(s.index).as_unit("ns")
|
||||
return s
|
||||
|
||||
|
||||
# ------------------------------------------------------------------ prezzo
|
||||
|
||||
def bs_put(S: float, K: float, T: float, sig: float) -> float:
|
||||
"""Identica a `sleeves._bs_put` (r=0): il confronto dev'essere col prezzatore del sleeve."""
|
||||
if T <= 0 or sig <= 0:
|
||||
return max(K - S, 0.0)
|
||||
d1 = (np.log(S / K) + 0.5 * sig**2 * T) / (sig * np.sqrt(T))
|
||||
return K * norm.cdf(-(d1 - sig * np.sqrt(T))) - S * norm.cdf(-d1)
|
||||
|
||||
|
||||
# ------------------------------------------------------------------ struttura
|
||||
|
||||
def pick_legs(snap: pd.DataFrame, short_delta: float = SHORT_DELTA,
|
||||
long_delta: float = LONG_DELTA) -> dict | None:
|
||||
"""Dalle put di UNO snapshot+scadenza: gamba corta ~short_delta e lunga ~long_delta.
|
||||
|
||||
Ritorna None se non e' costruibile un credit spread: serve che ENTRAMBE siano quotate
|
||||
(bid>0, ask>0, non incrociate) e che lo strike corto sia sopra quello lungo. Una gamba sola
|
||||
quotata non e' "meta' struttura": e' un'altra strategia, e va scartata.
|
||||
"""
|
||||
ok = snap.dropna(subset=["bid", "ask", "delta"])
|
||||
ok = ok[(ok["bid"] > 0) & (ok["ask"] > 0) & (ok["ask"] >= ok["bid"])]
|
||||
if len(ok) < 2:
|
||||
return None
|
||||
s = ok.iloc[[int((ok["delta"] - short_delta).abs().to_numpy().argmin())]].iloc[0]
|
||||
l = ok.iloc[[int((ok["delta"] - long_delta).abs().to_numpy().argmin())]].iloc[0]
|
||||
if s["strike"] <= l["strike"]:
|
||||
return None
|
||||
return {
|
||||
"inst_short": s["instrument_name"], "inst_long": l["instrument_name"],
|
||||
"k_short": float(s["strike"]), "k_long": float(l["strike"]),
|
||||
"d_short": float(s["delta"]), "d_long": float(l["delta"]),
|
||||
"iv_short": float(s["iv"]) if pd.notna(s["iv"]) else np.nan,
|
||||
"iv_long": float(l["iv"]) if pd.notna(l["iv"]) else np.nan,
|
||||
"bid_short": float(s["bid"]), "ask_short": float(s["ask"]),
|
||||
"bid_long": float(l["bid"]), "ask_long": float(l["ask"]),
|
||||
"mid_short": float(s["mid"]) if pd.notna(s["mid"]) else np.nan,
|
||||
"mid_long": float(l["mid"]) if pd.notna(l["mid"]) else np.nan,
|
||||
}
|
||||
|
||||
|
||||
def f_factors(legs: dict, spot: float, dvol_frac: float, dte_days: float) -> dict:
|
||||
"""f = reale/modellato per gamba e per credito NETTO, agli STESSI strike.
|
||||
|
||||
Convenzione di fill CONSERVATIVA: si vende al bid e si compra all'ask (si attraversa lo
|
||||
spread in entrambe le direzioni). Il `_mid` e' la stessa cosa a meta' spread.
|
||||
I premi Deribit sono quotati nel sottostante -> moltiplicati per lo spot passano a USD.
|
||||
"""
|
||||
T = dte_days / 365.25
|
||||
mod_s = bs_put(spot, legs["k_short"], T, dvol_frac)
|
||||
mod_l = bs_put(spot, legs["k_long"], T, dvol_frac)
|
||||
cred_mod = mod_s - mod_l
|
||||
cred_real = (legs["bid_short"] - legs["ask_long"]) * spot
|
||||
cred_mid = (legs["mid_short"] - legs["mid_long"]) * spot
|
||||
return {
|
||||
"mod_short": mod_s, "mod_long": mod_l, "cred_mod": cred_mod,
|
||||
"cred_real": cred_real, "cred_mid": cred_mid,
|
||||
"f_short": legs["bid_short"] * spot / mod_s if mod_s > 0 else np.nan,
|
||||
"f_long": legs["ask_long"] * spot / mod_l if mod_l > 0 else np.nan,
|
||||
"f_net": cred_real / cred_mod if cred_mod > 0 else np.nan,
|
||||
"f_net_mid": cred_mid / cred_mod if cred_mod > 0 else np.nan,
|
||||
"width": legs["k_short"] - legs["k_long"],
|
||||
}
|
||||
|
||||
|
||||
def weekly_entries(asset: str, df: pd.DataFrame | None = None, target_dte: float = 7.0) -> pd.DataFrame:
|
||||
"""Un ingresso per scadenza: lo snapshot con DTE piu' vicino a `target_dte` in cui ENTRAMBE
|
||||
le gambe sono quotate. Ritorna anche f_* e il contesto (spot, DVOL, IV-rank causale)."""
|
||||
p = puts(asset, df)
|
||||
wk = p[(p["dte"] >= DTE_LO) & (p["dte"] <= DTE_HI)]
|
||||
S, V = spot_series(asset), dvol_series(asset)
|
||||
rows = []
|
||||
for exp, g in wk.groupby("exp"):
|
||||
cand = sorted(g["ts"].unique(),
|
||||
key=lambda t: abs((exp - pd.Timestamp(t)).total_seconds() / 86400.0 - target_dte))
|
||||
for ts in cand:
|
||||
legs = pick_legs(g[g["ts"] == ts])
|
||||
if legs is None:
|
||||
continue
|
||||
t = pd.Timestamp(ts).as_unit("ns")
|
||||
dte = (exp - pd.Timestamp(ts)).total_seconds() / 86400.0
|
||||
spot = float(S.asof(t))
|
||||
dvol = float(V.asof(t))
|
||||
hist = V[V.index < t]
|
||||
ivr = float((hist < dvol).mean()) if len(hist) else np.nan
|
||||
rows.append({"asset": asset, "ts": t, "exp": exp, "dte": dte,
|
||||
"spot": spot, "dvol_pct": dvol, "ivrank": ivr,
|
||||
**legs, **f_factors(legs, spot, dvol / 100.0, dte)})
|
||||
break
|
||||
return pd.DataFrame(rows).sort_values("ts").reset_index(drop=True)
|
||||
|
||||
|
||||
def close_cost_path(entry: pd.Series, df: pd.DataFrame | None = None) -> pd.DataFrame:
|
||||
"""Costo di CHIUDERE lo spread, ora per ora, dalle standing quotes delle stesse due gambe.
|
||||
|
||||
Chiudere = ricomprare la corta all'ask e rivendere la lunga al bid (di nuovo conservativo).
|
||||
E' cio' che il backtest modellato non ha: tiene a scadenza, quindi non vede ne' il
|
||||
50%-profit-take ne' il drawdown dentro la settimana.
|
||||
"""
|
||||
d = load_chain() if df is None else df
|
||||
seg = d[(d["asset"] == entry["asset"]) & (d["ts"] > entry["ts"]) & (d["ts"] <= entry["exp"])
|
||||
& (d["instrument_name"].isin([entry["inst_short"], entry["inst_long"]]))]
|
||||
seg = seg.dropna(subset=["bid", "ask"])
|
||||
S = spot_series(entry["asset"])
|
||||
out = []
|
||||
for ts2, g2 in seg.groupby("ts"):
|
||||
s2 = g2[g2["instrument_name"] == entry["inst_short"]]
|
||||
l2 = g2[g2["instrument_name"] == entry["inst_long"]]
|
||||
if s2.empty or l2.empty:
|
||||
continue # una gamba sola non prezza lo spread
|
||||
sp2 = float(S.asof(pd.Timestamp(ts2).as_unit("ns")))
|
||||
costo = (float(s2["ask"].iloc[0]) - float(l2["bid"].iloc[0])) * sp2
|
||||
out.append({"ts": ts2, "costo_chiusura": costo,
|
||||
"pnl_aperto": entry["cred_real"] - costo})
|
||||
return pd.DataFrame(out)
|
||||
@@ -0,0 +1,176 @@
|
||||
"""VRP01 CONTRO LE QUOTE REALI — il f del credito NETTO, misurato invece che assunto (2026-07-30).
|
||||
|
||||
Il sleeve VRP01 (`src/portfolio/sleeves.VRP_CFG`) usa **f=1.0** applicato al credito NETTO:
|
||||
net_prem = (bs(Ks) - bs(Kl)) * f
|
||||
cioe' assume che il mercato paghi esattamente cio' che BS-su-DVOL-ATM dice, per ENTRAMBE le gambe.
|
||||
Il caveat di ammissione ("premio MODELLATO su DVOL ATM, skew non esplicito") era dichiarato ma mai
|
||||
quantificato, per mancanza di quote vere. cerbero-bite le accumula dal 2026-06-09 (catena piena,
|
||||
entrambe le ali, orarie) -> qui si misura.
|
||||
|
||||
Quattro domande, nell'ordine in cui contano:
|
||||
D1 COPERTURA quante settimane hanno ENTRAMBE le gambe (-0.28/-0.10) sulla stessa scadenza?
|
||||
D2 f REALE credito reale / credito modellato, agli STESSI strike (isola il prezzo, non lo strike)
|
||||
D3 GESTIONE le stesse gambe sono riquotate fino a scadenza? (50%-profit-take e DD infra-settimana)
|
||||
D4 REGIME la finestra contiene il regime in cui VRP01 TRADA davvero (gate IV-rank>0.30)?
|
||||
|
||||
uv run python scripts/research/r0730_vrp_real_quotes.py
|
||||
uv run python scripts/research/r0730_vrp_real_quotes.py --book # + delta sul book (lento)
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import sys
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
ROOT = Path(__file__).resolve().parents[2]
|
||||
sys.path.insert(0, str(ROOT))
|
||||
sys.path.insert(0, str(ROOT / "scripts" / "research"))
|
||||
|
||||
from cblib import ( # noqa: E402
|
||||
DTE_HI, DTE_LO, close_cost_path, dvol_series, load_chain, puts, weekly_entries,
|
||||
)
|
||||
|
||||
ASSETS = ("ETH", "BTC")
|
||||
HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
|
||||
GATE_IVR = 0.30 # il gate di VRP01: sotto questa soglia il sleeve sta FLAT
|
||||
FEE_FRAC = 0.125 # stessa fee del modello (cap Deribit, worst-case)
|
||||
|
||||
|
||||
def _met(r: pd.Series) -> tuple[float, float, float]:
|
||||
r = r.dropna()
|
||||
if len(r) < 10 or r.std() == 0:
|
||||
return float("nan"), float("nan"), float("nan")
|
||||
sh = float(r.mean() / r.std() * np.sqrt(365.25))
|
||||
eq = (1 + r).cumprod()
|
||||
return sh, float((eq / eq.cummax() - 1).min()), float(eq.iloc[-1] ** (365.25 / len(r)) - 1)
|
||||
|
||||
|
||||
def boot_ci_median(x: np.ndarray, n: int = 20000, seed: int = 7) -> tuple[float, float]:
|
||||
rng = np.random.default_rng(seed)
|
||||
med = [np.median(rng.choice(x, size=len(x), replace=True)) for _ in range(n)]
|
||||
return float(np.percentile(med, 2.5)), float(np.percentile(med, 97.5))
|
||||
|
||||
|
||||
def main() -> int:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--book", action="store_true", help="ricalcola anche il book a 5 sleeve (lento)")
|
||||
args = ap.parse_args()
|
||||
|
||||
chain = load_chain()
|
||||
E = pd.concat([weekly_entries(a, chain) for a in ASSETS], ignore_index=True)
|
||||
|
||||
print("=" * 100)
|
||||
print(" VRP01 CONTRO LE QUOTE REALI (cerbero-bite mainnet)")
|
||||
print("=" * 100)
|
||||
|
||||
# ---------------- D1 ----------------
|
||||
print("\n [D1] COPERTURA")
|
||||
for a in ASSETS:
|
||||
p = puts(a, chain)
|
||||
wk = p[(p["dte"] >= DTE_LO) & (p["dte"] <= DTE_HI)]
|
||||
n = int((E["asset"] == a).sum())
|
||||
print(f" {a}: {len(p):,} righe put ({p['ts'].min():%Y-%m-%d}->{p['ts'].max():%Y-%m-%d}), "
|
||||
f"{100*(1-p['bid'].isna().mean()):.1f}% quotate | finestra 4-10 DTE: {wk['exp'].nunique()} "
|
||||
f"scadenze -> {n} ingressi con ENTRAMBE le gambe")
|
||||
|
||||
# ---------------- D2 ----------------
|
||||
ok = E[E["cred_real"] > 0].copy() # credito negativo = struttura non eseguibile a credito
|
||||
scart = len(E) - len(ok)
|
||||
lo, hi = boot_ci_median(ok["f_net"].to_numpy())
|
||||
nota_scarti = f", {scart} scartati per credito negativo" if scart else ""
|
||||
print(f"\n [D2] f = credito reale / credito modellato (N={len(ok)}{nota_scarti})")
|
||||
print(f" {'grandezza':44s} {'mediana':>9s} {'p25':>8s} {'p75':>8s}")
|
||||
for lab, col in (("f gamba CORTA (venduta al bid)", "f_short"),
|
||||
("f gamba LUNGA (comprata all'ask)", "f_long"),
|
||||
("f CREDITO NETTO <- quello che entra nel book", "f_net"),
|
||||
("f credito netto, a mid", "f_net_mid")):
|
||||
v = ok[col].replace([np.inf, -np.inf], np.nan).dropna()
|
||||
print(f" {lab:44s} {v.median():9.2f} {v.quantile(.25):8.2f} {v.quantile(.75):8.2f}")
|
||||
print(f" f netto: IC95% bootstrap [{lo:.3f}, {hi:.3f}] "
|
||||
f"osservazioni >= 1.0: {int((ok['f_net'] >= 1).sum())}/{len(ok)}")
|
||||
|
||||
ok["skew_short"] = ok["iv_short"] - ok["dvol_pct"]
|
||||
ok["skew_long"] = ok["iv_long"] - ok["dvol_pct"]
|
||||
print(f"\n MECCANISMO (senza il quale il numero sopra e' un artefatto):")
|
||||
print(f" IV(corta) - DVOL = {ok['skew_short'].median():+.1f} pp "
|
||||
f"IV(lunga) - DVOL = {ok['skew_long'].median():+.1f} pp")
|
||||
print(f" -> il modello prezza entrambe le gambe a vol ATM; l'ala che si COMPRA sta "
|
||||
f"{ok['skew_long'].median():.0f} pp sopra")
|
||||
print(f" quindi costa ~{ok['f_long'].median():.1f}x il modello e il credito netto si comprime.")
|
||||
print(f" delta realizzati: corta {ok['d_short'].median():.3f} (target -0.280), "
|
||||
f"lunga {ok['d_long'].median():.3f} (target -0.100) -> non e' un artefatto di strike")
|
||||
|
||||
# ---------------- D3 ----------------
|
||||
print(f"\n [D3] GESTIONE — path a quote reali (il modello tiene a scadenza e non lo vede)")
|
||||
marks, tocca50, worst = [], 0, []
|
||||
for _, e in ok.iterrows():
|
||||
P = close_cost_path(e, chain)
|
||||
marks.append(len(P))
|
||||
if P.empty:
|
||||
continue
|
||||
if (P["pnl_aperto"] >= 0.5 * e["cred_real"]).any():
|
||||
tocca50 += 1
|
||||
worst.append(P["pnl_aperto"].min() / e["width"])
|
||||
marks = np.array(marks)
|
||||
print(f" riquotazioni con ENTRAMBE le gambe: mediana {np.median(marks):.0f} per trade "
|
||||
f"(min {marks.min()}, max {marks.max()})")
|
||||
print(f" settimane in cui il 50%-profit-take sarebbe scattato: {tocca50}/{len(ok)}")
|
||||
if worst:
|
||||
w = np.array(worst)
|
||||
# N < len(ok): gli ingressi piu' recenti non hanno ancora un path (trade in corso)
|
||||
print(f" peggior mark INFRA-settimana (% del capitale=width), su N={len(w)} trade con "
|
||||
f"path: mediana {100*np.median(w):.1f}%, minimo {100*w.min():.1f}%")
|
||||
print(f" -> il sleeve marca solo a scadenza: quel minimo non esiste nei suoi numeri")
|
||||
|
||||
# ---------------- D4 ----------------
|
||||
print(f"\n [D4] REGIME — la finestra contiene i trade che VRP01 farebbe?")
|
||||
for a in ASSETS:
|
||||
V = dvol_series(a)
|
||||
g = E[E["asset"] == a]
|
||||
win = V[(V.index >= g["ts"].min()) & (V.index <= g["ts"].max())]
|
||||
pas = int((g["ivrank"] > GATE_IVR).sum())
|
||||
print(f" {a}: DVOL finestra [{win.min():.1f}, {win.max():.1f}] vs storia "
|
||||
f"[{V.min():.1f}, {V.max():.1f}] — il MAX raccolto sta al {100*(V < win.max()).mean():.0f}° pctl")
|
||||
print(f" IV-rank mediano {g['ivrank'].median():.2f} — settimane che passano il gate "
|
||||
f">{GATE_IVR}: {pas}/{len(g)}")
|
||||
print(f" -> il f e' misurato nel regime in cui il sleeve sta FLAT. Lo skew e' strutturale")
|
||||
print(f" (in stress si irripidisce), ma la TAGLIA in stress resta non misurata.")
|
||||
|
||||
# ---------------- conseguenza sul modello ----------------
|
||||
from src.portfolio import sleeves as SL
|
||||
print(f"\n CONSEGUENZA — VRP01 standalone sostituendo SOLO f (f=1.0 = cio' che il book usa oggi)")
|
||||
print(f" {'f':>6s} {'Sh FULL':>9s} {'DD FULL':>9s} {'CAGR':>8s} {'Sh HOLD-OUT':>12s}")
|
||||
f_mis = float(ok["f_net"].median())
|
||||
f_mid = float(ok["f_net_mid"].median())
|
||||
for f in (1.00, round(f_mid, 2), round(f_mis, 2)):
|
||||
SL.VRP_CFG["f"] = f
|
||||
s = SL._vrp_combo_returns()
|
||||
shF, ddF, cg = _met(s)
|
||||
shH, _, _ = _met(s[s.index >= HOLDOUT])
|
||||
tag = " <- assunto" if f == 1.0 else (" <- misurato a mid" if f == round(f_mid, 2)
|
||||
else " <- misurato, fill conservativo")
|
||||
print(f" {f:6.2f} {shF:9.2f} {100*ddF:8.1f}% {100*cg:7.1f}% {shH:12.2f}{tag}")
|
||||
SL.VRP_CFG["f"] = 1.0
|
||||
|
||||
if args.book:
|
||||
from src.portfolio.portfolio import StrategyPortfolio
|
||||
print(f"\n BOOK a 5 sleeve (VRP01 al 12%) — livelli ancora-canonici, conta il DELTA")
|
||||
base = None
|
||||
for f in (1.00, round(f_mis, 2)):
|
||||
SL.VRP_CFG["f"] = f
|
||||
r = StrategyPortfolio(SL.active_sleeves()).combined_daily()
|
||||
shF, ddF, _ = _met(r)
|
||||
shH, _, _ = _met(r[r.index >= HOLDOUT])
|
||||
if base is None:
|
||||
base = (shF, shH)
|
||||
d = "" if f == 1.0 else f" (Δ {shF-base[0]:+.3f} FULL / {shH-base[1]:+.3f} HOLD)"
|
||||
print(f" f={f:.2f} FULL {shF:.3f} HOLD {shH:.3f} DD {100*ddF:.2f}%{d}")
|
||||
SL.VRP_CFG["f"] = 1.0
|
||||
return 0
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
raise SystemExit(main())
|
||||
@@ -0,0 +1,198 @@
|
||||
"""Test della catena opzioni reale (cerbero-bite) e della misura di f per VRP01.
|
||||
|
||||
Due famiglie:
|
||||
A. RILEVATORI di difetto del dato (quote vuote / book incrociato / non monotonia). Ognuno ha il
|
||||
suo CONTROLLO POSITIVO: un rilevatore che non segnala mai e' indistinguibile da uno rotto.
|
||||
B. MISURA di f. Il punto non e' "calcola un rapporto" ma che il rapporto sia quello GIUSTO:
|
||||
f dello spread, non della gamba corta — e' la distinzione che ha ribaltato la conclusione
|
||||
del 30/07 rispetto alla calibrazione del 20/06.
|
||||
|
||||
Nessun test tocca il DB o la rete: tutte le fixture sono sintetiche.
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import sys
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
import pytest
|
||||
|
||||
ROOT = Path(__file__).resolve().parents[1]
|
||||
sys.path.insert(0, str(ROOT))
|
||||
sys.path.insert(0, str(ROOT / "scripts" / "research"))
|
||||
sys.path.insert(0, str(ROOT / "scripts" / "analysis"))
|
||||
|
||||
from cblib import bs_put, f_factors, pick_legs # noqa: E402
|
||||
from fetch_cb_chain import ( # noqa: E402
|
||||
crossed_rate, hollow_rate, monotonicity_violations, worst_day_hollow,
|
||||
)
|
||||
|
||||
TS = pd.Timestamp("2026-07-24T08:00:00Z")
|
||||
EXP = pd.Timestamp("2026-07-31T08:00:00Z")
|
||||
|
||||
|
||||
def _riga(strike, bid, ask, delta, mid=None, iv=50.0, ts=TS, tipo="P"):
|
||||
return {
|
||||
"ts": ts, "asset": "ETH", "instrument_name": f"ETH-31JUL26-{int(strike)}-{tipo}",
|
||||
"strike": float(strike), "exp": EXP, "option_type": tipo,
|
||||
"bid": bid, "ask": ask, "mid": (bid + ask) / 2 if mid is None and bid is not None else mid,
|
||||
"iv": iv, "delta": delta, "book_depth_top3": 100, "source": "research",
|
||||
}
|
||||
|
||||
|
||||
def _catena() -> pd.DataFrame:
|
||||
"""Catena put plausibile: premio crescente nello strike, delta piu' negativo vicino allo spot."""
|
||||
return pd.DataFrame([
|
||||
_riga(1500, 0.0020, 0.0025, -0.05),
|
||||
_riga(1600, 0.0050, 0.0055, -0.10),
|
||||
_riga(1700, 0.0110, 0.0120, -0.20),
|
||||
_riga(1750, 0.0160, 0.0175, -0.28),
|
||||
_riga(1800, 0.0240, 0.0260, -0.40),
|
||||
])
|
||||
|
||||
|
||||
# --------------------------------------------------------------- A. rilevatori
|
||||
|
||||
def test_quote_vuote_contate_e_non_confuse_con_righe_mancanti():
|
||||
df = _catena()
|
||||
df.loc[[0, 1], ["bid", "ask", "mid", "iv", "delta"]] = np.nan # ticker fallito: la riga RESTA
|
||||
assert len(df) == 5, "una quota vuota non riduce il numero di righe — e' il punto del difetto"
|
||||
assert hollow_rate(df) == pytest.approx(2 / 5)
|
||||
|
||||
|
||||
def test_controllo_positivo_catena_sana_non_segnala():
|
||||
df = _catena()
|
||||
assert hollow_rate(df) == 0.0
|
||||
assert crossed_rate(df) == 0.0
|
||||
assert monotonicity_violations(df) == 0.0
|
||||
|
||||
|
||||
def test_book_incrociato_segnalato():
|
||||
df = _catena()
|
||||
df.loc[2, "bid"] = df.loc[2, "ask"] + 0.01
|
||||
assert crossed_rate(df) == pytest.approx(1 / 5)
|
||||
|
||||
|
||||
def test_premio_non_monotono_nello_strike_segnalato():
|
||||
"""Il premio di una put e' non-decrescente nello strike: e' il payoff, non un modello."""
|
||||
df = _catena()
|
||||
df.loc[3, "mid"] = 0.0001 # quota stantia/corrotta
|
||||
v = monotonicity_violations(df)
|
||||
assert v > 0, "una put che costa MENO di una piu' OTM e' un difetto, va segnalato"
|
||||
|
||||
|
||||
def test_giorno_peggiore_non_si_lascia_diluire_dalla_media():
|
||||
"""Il guasto del 29/07 mediato su 7 giorni si legge 13%: la statistica giusta e' il giorno."""
|
||||
righe = []
|
||||
for g in range(7):
|
||||
ts = TS + pd.Timedelta(days=g)
|
||||
vuote = 8 if g == 6 else 0 # guasto solo nell'ultimo giorno
|
||||
for i in range(10):
|
||||
r = _riga(1500 + 50 * i, 0.01, 0.011, -0.2, ts=ts)
|
||||
if i < vuote:
|
||||
r["bid"] = r["ask"] = r["mid"] = None
|
||||
righe.append(r)
|
||||
df = pd.DataFrame(righe)
|
||||
media = hollow_rate(df)
|
||||
peggiore, giorno = worst_day_hollow(df, days=7)
|
||||
assert media == pytest.approx(8 / 70) # ~11%: il guasto sembra piccolo
|
||||
assert peggiore == pytest.approx(0.8) # 80%: il guasto com'e' davvero
|
||||
assert giorno == (TS + pd.Timedelta(days=6)).date()
|
||||
|
||||
|
||||
# --------------------------------------------------------------- B. struttura e f
|
||||
|
||||
def test_pick_legs_prende_le_gambe_piu_vicine_ai_delta_bersaglio():
|
||||
legs = pick_legs(_catena())
|
||||
assert legs is not None
|
||||
assert legs["k_short"] == 1750 and legs["d_short"] == pytest.approx(-0.28)
|
||||
assert legs["k_long"] == 1600 and legs["d_long"] == pytest.approx(-0.10)
|
||||
|
||||
|
||||
def test_una_gamba_sola_quotata_non_e_meta_struttura():
|
||||
"""Con una gamba sola non esiste un credit spread: va scartato, non prezzato a meta'."""
|
||||
df = _catena()
|
||||
df.loc[df["strike"] != 1750, ["bid", "ask"]] = np.nan
|
||||
assert pick_legs(df) is None
|
||||
|
||||
|
||||
def test_gambe_incrociate_rifiutate():
|
||||
"""Se la 'corta' ha strike sotto la 'lunga' la struttura e' invertita: None, non un credito."""
|
||||
df = _catena().copy()
|
||||
df["delta"] = [-0.28, -0.20, -0.10, -0.05, -0.02] # delta bersaglio sugli strike sbagliati
|
||||
assert pick_legs(df) is None
|
||||
|
||||
|
||||
def test_f_uguale_a_uno_quando_il_mercato_quota_esattamente_il_modello():
|
||||
"""Controllo di round-trip: quote costruite DAL modello devono dare f = 1 su tutto."""
|
||||
spot, dvol, dte = 1800.0, 0.50, 7.0
|
||||
T = dte / 365.25
|
||||
ks, kl = 1750.0, 1600.0
|
||||
ps, pl = bs_put(spot, ks, T, dvol), bs_put(spot, kl, T, dvol)
|
||||
legs = {"k_short": ks, "k_long": kl,
|
||||
"bid_short": ps / spot, "ask_short": ps / spot,
|
||||
"bid_long": pl / spot, "ask_long": pl / spot,
|
||||
"mid_short": ps / spot, "mid_long": pl / spot}
|
||||
f = f_factors(legs, spot, dvol, dte)
|
||||
assert f["f_short"] == pytest.approx(1.0, rel=1e-9)
|
||||
assert f["f_long"] == pytest.approx(1.0, rel=1e-9)
|
||||
assert f["f_net"] == pytest.approx(1.0, rel=1e-9)
|
||||
|
||||
|
||||
@pytest.mark.parametrize("k_long", [1700.0, 1650.0, 1600.0])
|
||||
def test_il_f_della_gamba_corta_non_e_il_f_dello_spread(k_long):
|
||||
"""IL test che vale il filone: con la sola ala comprata piu' cara del modello (skew), la gamba
|
||||
corta resta a f~1 e il CREDITO NETTO si comprime. Misurare una gamba sola da' la risposta
|
||||
sbagliata con segno rassicurante — e' cio' che era successo con la calibrazione del 20/06.
|
||||
|
||||
La compressione segue l'identita' f_net = (1 - f_long*k) / (1 - k), k = premio_lungo/premio_corto:
|
||||
quanto piu' l'ala comprata pesa nel credito, tanto piu' il credito netto crolla a parita' di
|
||||
f_long. Per questo il test gira su tre ali: una soglia sola sarebbe stata una fixture fortunata.
|
||||
"""
|
||||
spot, dvol, dte, f_long = 1800.0, 0.50, 7.0, 2.3
|
||||
T = dte / 365.25
|
||||
ks = 1750.0
|
||||
ps, pl = bs_put(spot, ks, T, dvol), bs_put(spot, k_long, T, dvol)
|
||||
legs = {"k_short": ks, "k_long": k_long,
|
||||
"bid_short": ps / spot, "ask_short": ps / spot,
|
||||
"bid_long": f_long * pl / spot, "ask_long": f_long * pl / spot,
|
||||
"mid_short": ps / spot, "mid_long": f_long * pl / spot}
|
||||
f = f_factors(legs, spot, dvol, dte)
|
||||
k = pl / ps
|
||||
assert f["f_short"] == pytest.approx(1.0, rel=1e-9), "la gamba venduta e' prezzata bene"
|
||||
assert f["f_long"] == pytest.approx(f_long, rel=1e-9)
|
||||
assert f["f_net"] == pytest.approx((1 - f_long * k) / (1 - k), rel=1e-9)
|
||||
assert f["f_net"] < f["f_short"], "il f dello spread e' SEMPRE sotto quello della gamba corta"
|
||||
assert f["f_net"] < 1.0
|
||||
|
||||
|
||||
def test_fill_conservativo_non_e_mai_migliore_del_mid():
|
||||
"""Attraversare lo spread non puo' aumentare il credito: guardia di verso, non di valore."""
|
||||
legs = pick_legs(_catena())
|
||||
f = f_factors(legs, spot=1800.0, dvol_frac=0.50, dte_days=7.0)
|
||||
assert f["cred_real"] <= f["cred_mid"] + 1e-12
|
||||
assert f["f_net"] <= f["f_net_mid"] + 1e-12
|
||||
|
||||
|
||||
# --------------------------------------------------------------- C. guardia sulla convenzione
|
||||
|
||||
def test_nel_sleeve_f_moltiplica_il_credito_NETTO():
|
||||
"""Tutta l'aritmetica del 30/07 poggia su questa convenzione: `f` scala il credito NETTO
|
||||
(`net_prem = (bs(Ks) - bs(Kl)) * f`). Se qualcuno cambia dove entra `f`, il f misurato sulle
|
||||
quote reali non e' piu' il parametro giusto da sostituire e le conclusioni del diario
|
||||
2026-07-30 vanno rifatte. Questo test deve rompersi PRIMA che questo accada."""
|
||||
import inspect
|
||||
|
||||
from src.portfolio import sleeves as SL
|
||||
|
||||
src = inspect.getsource(SL._vrp_weekly_asset)
|
||||
righe = [r.strip() for r in src.splitlines() if "net_prem" in r and "cfg[\"f\"]" in r]
|
||||
assert righe, "non trovo piu' `net_prem = (...) * cfg['f']` in _vrp_weekly_asset"
|
||||
r = righe[0]
|
||||
assert r.count("_bs_put") == 2 and r.index("cfg[\"f\"]") > r.rindex("_bs_put"), (
|
||||
"`f` deve moltiplicare la DIFFERENZA dei due premi, non una gamba sola"
|
||||
)
|
||||
assert SL.VRP_CFG["f"] == 1.0, (
|
||||
"il sleeve gira ancora a f=1.0: se cambia, aggiornare il diario 2026-07-30 e CLAUDE.md"
|
||||
)
|
||||
Reference in New Issue
Block a user