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
@@ -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)
|
||||
Reference in New Issue
Block a user