research: leave-one-out del book DE-LUCKATO sulle ancore — la classifica si ribalta

Domanda: "quale sleeve terrei?". Il leave-one-out ovvio e' misurato all'ancora canonica di tutti e cinque gli sleeve, quindi NON e' credibile: un LOO e' un Delta, ed eredita la fortuna d'ancora come ogni Delta (lezione 26/07, altlib.anchor_luck_delta). Metodo: 2000 estrazioni uniformi indipendenti sullo spazio congiunto 24x10x7x23x5 = 193.200 configurazioni; book completo + 5 LOO alla STESSA configurazione; statistica = mediana delle differenze appaiate. Sanity bit-exact 5/5 (max|dif| = 0.0) contro gli sleeve di produzione. Quattro repliche ancorate riusate dagli audit 02/07-03/07, solo la fase di GTAA01 e' nuova (ed e' l'unica coperta da test dedicato). RISULTATI - Livello del book: la stima a occhio del 02/07 era ottimista su 3/3 metriche. FULL 2.222 (97.0 pctl) -> 1.95 | HOLD 2.364 (99.6 pctl) -> 1.54 [1.11, 1.91] | maxDD 6.07% (12.0 pctl) -> 6.85%. Solo 9 estrazioni su 2000 battono l'hold-out canonico. La somma delle fortune marginali NON e' la mediana congiunta: sbagliava di +0.82 di Sharpe. - SKH01 non e' il motore del book: l'ancora regala 2/3 del FULL, 70% dell'hold-out, 80% della protezione DD -> de-luckato e' il meno affidabile dei cinque. - GTAA01 e' l'unico positivo nel 100% delle estrazioni su tutte e tre le metriche e il miglior protettore di DD. Ma attribuzione != eseguibilita': sotto $3k resta non deployabile. - TP01 e' il maggior contributore (+0.390 FULL, 2000/2000) e il canonico lo SOTTOSTIMAVA. Il suo hold-out negativo non e' artefatto d'ancora (negativo nel 99.1%): e' la firma dell'assicurazione. Uno sleeve difensivo si giudica sul sinistro, non sul premio. - XS01: protezione DD esattamente zero (positiva nel 43% = moneta) -> diversificatore di rendimento, non di rischio. VRP01: 2a conferma di zero fortuna (canonico all'1.8 pctl). Corretto in sessione: un "pctl 100%" era arrotondamento di 99.55% con %.0f — un percentile a 0 decimali mente esattamente agli estremi, che sono l'unico posto dove lo si legge. Book, pesi, cron, config INVARIATI. Non e' un gate sui pesi (resta weights_tilt_null) e non e' evidenza out-of-sample: e' attribuzione, de-luckata. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
2026-07-26 13:23:36 +00:00
parent 7453a29699
commit b9b2ef1b26
4 changed files with 817 additions and 5 deletions
@@ -0,0 +1,165 @@
+"""Test per r0726_loo_deluck.py — leave-one-out del book de-luckato sulle ancore.
+
+Copre i due punti dove questo studio puo' rompersi in silenzio:
+  (a) la REPLICA di fase di GTAA01 — l'unico generatore ancorato scritto nuovo (gli altri
+      quattro sono riusati dagli audit 02/07 e 03/07, gia' verificati bit-exact li');
+  (b) la STATISTICA APPAIATA — l'invariante che il 26/07 ha ribaltato un verdetto: la mediana
+      delle differenze appaiate NON e' la differenza delle mediane.
+
+I test su (b) girano su strutture sintetiche: sono logica, non dati, e devono restare veloci.
+"""
+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" / "research" / "alt"))
+
+import r0726_loo_deluck as R  # noqa: E402
+
+
+# ===========================================================================
+# (a) replica di fase di GTAA01
+# ===========================================================================
+def test_gtaa_fase_canonica_replica_lo_sleeve_di_produzione():
+    """La fase 0 deve riprodurre BIT-EXACT _gtaa_daily_returns(). Senza questo tutto lo
+    studio misura una strategia diversa da quella del book."""
+    from src.portfolio.portfolio import to_daily
+    from src.portfolio.sleeves import _gtaa_daily_returns
+
+    mine = R.gtaa01_at(0)
+    ref = to_daily(_gtaa_daily_returns())
+    assert len(mine) == len(ref)
+    assert mine.index.equals(ref.index)
+    assert float(np.max(np.abs(mine.values - ref.values))) == 0.0
+
+
+def test_gtaa_le_fasi_sono_davvero_diverse():
+    """Controllo POSITIVO: se `ph` non entrasse nel calcolo, il test sopra passerebbe lo stesso
+    e la banda d'ancora di GTAA01 sarebbe cinque copie della stessa serie (fortuna misurata 0
+    per costruzione). Almeno una fase deve differire dalla canonica."""
+    base = R.gtaa01_at(0)
+    diffs = []
+    for ph in (1, 2, 3, 4):
+        other = R.gtaa01_at(ph)
+        J = pd.concat({"a": base, "b": other}, axis=1, join="inner")
+        diffs.append(float(np.max(np.abs(J["a"].values - J["b"].values))))
+    assert max(diffs) > 1e-9, f"le 5 fasi di GTAA01 sono identiche: {diffs}"
+
+
+def test_gtaa_fase_fuori_range_non_ribilancia_mai():
+    """`i % 5 == 7` non e' mai vero -> la gamba resta a esposizione 0 per sempre. Serve a
+    dimostrare che e' davvero la CADENZA a essere parametrizzata (e non un no-op)."""
+    close = R.G._close("SPY")
+    leg = R._gtaa_leg_phase("SPY", 1000.0, R.G.REBAL_BAND_USD, R.G.REBAL_EVERY, 7)
+    assert len(leg) == len(close)
+    assert float(np.max(np.abs(leg.values))) == 0.0
+
+
+# ===========================================================================
+# (b) statistica appaiata
+# ===========================================================================
+def _fake_draws(book_vals, loo_vals, name="TP01_trend_1d"):
+    """Costruisce la struttura che one_config() produce, con Δ = book - loo per estrazione."""
+    return [{"book": (b, 0.0, 0.0), name: (b - l, 0.0, 0.0)}
+            for b, l in zip(book_vals, loo_vals)]
+
+
+def test_mediana_appaiata_non_e_differenza_delle_mediane():
+    """L'INVARIANTE del 26/07, con numeri costruiti perche' i due metodi abbiano segno OPPOSTO.
+
+    book   : [1.0, 2.0, 3.0] -> mediana 2.0
+    senza  : [0.5, 2.5, 2.9] -> mediana 2.5
+    differenza delle mediane = -0.5  (direbbe: lo sleeve fa MALE)
+    mediana delle differenze appaiate = mediana([+0.5, -0.5, +0.1]) = +0.1  (fa BENE)
+    """
+    book = [1.0, 2.0, 3.0]
+    loo = [0.5, 2.5, 2.9]
+    draws = _fake_draws(book, loo)
+
+    appaiata = float(np.median(R.paired_deltas(draws, "TP01_trend_1d", 0)))
+    ingenua = float(np.median(book) - np.median(loo))
+
+    assert appaiata == pytest.approx(0.1)
+    assert ingenua == pytest.approx(-0.5)
+    assert np.sign(appaiata) != np.sign(ingenua), "il caso di test non dimostra piu' il ribaltamento"
+
+
+def test_paired_deltas_preserva_ordine_e_metrica():
+    draws = [{"book": (0, 0, 0), "X": (1.0, 10.0, 100.0)},
+             {"book": (0, 0, 0), "X": (2.0, 20.0, 200.0)}]
+    assert list(R.paired_deltas(draws, "X", 0)) == [1.0, 2.0]
+    assert list(R.paired_deltas(draws, "X", 1)) == [10.0, 20.0]
+    assert list(R.paired_deltas(draws, "X", 2)) == [100.0, 200.0]
+
+
+# ===========================================================================
+# (c) semantica del leave-one-out sul book
+# ===========================================================================
+def _flat_series(vals, start="2020-01-01"):
+    idx = pd.date_range(start, periods=len(vals), freq="1D", tz="UTC")
+    return pd.Series(np.asarray(vals, float), index=idx)
+
+
+def test_one_config_e_appaiato_per_costruzione():
+    """res[n] deve essere il Δ calcolato alla STESSA configurazione, non a due configurazioni
+    diverse. Si verifica ricalcolando a mano il book completo e quello senza uno sleeve."""
+    rng = np.random.default_rng(7)
+    n = 400
+    series = {name: {0: _flat_series(rng.normal(0.0004, 0.01, n)), 1: _flat_series(rng.normal(0.0004, 0.01, n))}
+              for name in R.SPEC}
+    cfg = {name: (i % 2) for i, name in enumerate(R.SPEC)}
+    res = R.one_config(series, cfg)
+
+    cols = {n_: series[n_][cfg[n_]] for n_ in R.SPEC}
+    bf, bh, bd = R.book_stats(cols)
+    assert res["book"] == (bf, bh, bd)
+
+    for name in R.SPEC:
+        sub = {k: v for k, v in cols.items() if k != name}
+        f, h, d = R.book_stats(sub)
+        assert res[name][0] == pytest.approx(bf - f)
+        assert res[name][1] == pytest.approx(bh - h)
+        # sul maxDD il segno e' INVERTITO apposta: >0 = togliendolo il drawdown PEGGIORA
+        assert res[name][2] == pytest.approx(d - bd)
+
+
+def test_sleeve_costante_a_zero_non_contribuisce_al_sharpe():
+    """Controllo positivo sul segno: uno sleeve che non fa nulla deve dare Δ ~0 sul Sharpe,
+    non un contributo positivo per magia di rinormalizzazione."""
+    rng = np.random.default_rng(11)
+    n = 500
+    names = list(R.SPEC)
+    series = {nm: {0: _flat_series(rng.normal(0.0005, 0.008, n))} for nm in names}
+    dead = names[-1]
+    series[dead] = {0: _flat_series(np.zeros(n))}
+    cfg = {nm: 0 for nm in names}
+    res = R.one_config(series, cfg)
+    # lo sleeve morto abbassa il Sharpe del book (diluisce): il suo Δ dev'essere <= 0
+    assert res[dead][0] <= 1e-9
+
+
+def test_book_stats_usa_i_pesi_di_produzione():
+    """I pesi devono essere quelli del book attivo, e la somma dei cinque deve fare 1.0:
+    se qualcuno cambia active_sleeves() e non questo modulo, il test lo dice."""
+    from src.portfolio.sleeves import active_sleeves
+
+    live = {s.name: round(s.weight, 6) for s in active_sleeves()}
+    assert live == R.WEIGHTS, f"pesi disallineati da active_sleeves(): {live} vs {R.WEIGHTS}"
+    assert sum(R.WEIGHTS.values()) == pytest.approx(1.0)
+
+
+def test_spec_copre_tutti_gli_sleeve_attivi_con_ancora_canonica_valida():
+    from src.portfolio.sleeves import active_sleeves
+
+    assert set(R.SPEC) == {s.name for s in active_sleeves()}
+    for name, (_gen, anchors, canon, _prod) in R.SPEC.items():
+        assert canon in anchors, f"{name}: ancora canonica {canon} fuori dalla griglia"
+        assert len(anchors) >= 5, f"{name}: griglia d'ancora troppo piccola per una banda"