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>
This commit is contained in:
Adriano Dal Pastro
@@ -84,11 +84,23 @@ Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condivis
|
||||
Test `tests/test_gtaa_sleeve.py`; diario `2026-07-01-strategy-wave-6threads.md` (addendum GTAA).
|
||||
Report `scripts/portfolio/run_portfolio.py`. Sleeve a date d'inizio diverse → outer-join con pesi
|
||||
rinormalizzati (TP01/SKH01/GTAA dal 2019*, VRP dal 2021, XS dal 2024; *GTAA troncato all'era book).
|
||||
⚠️ **ANCHOR-LUCK del book (2026-07-02):** l'HOLD 2.46 è calcolato con TUTTI gli sleeve ancorati
|
||||
alla loro ancora canonica, che per TP01/XS01/SKH01 è al top della rispettiva banda (eredità di
|
||||
fortuna ~+0.10/+0.17/+0.5 HOLD). **Stima de-luckata onesta: HOLD ~1.9-2.1, FULL ~2.0-2.2, DD ~6%
|
||||
invariato** — il book resta positivo e diversificato a ogni ancora testata, ma 2.46 è un massimo
|
||||
di configurazioni d'ancora, non la stima centrale. Diario `2026-07-02-anchor-audit-xs01-skh01.md`.
|
||||
⚠️ **ANCHOR-LUCK del book — MISURATO 2026-07-26 (la stima del 02/07 era ottimista su 3/3).**
|
||||
I numeri canonici sono calcolati con TUTTI e cinque gli sleeve alla loro ancora canonica. Il
|
||||
02/07 la correzione fu **stimata a occhio** sommando le fortune marginali (HOLD ~1.9-2.1, FULL
|
||||
~2.0-2.2, "DD ~6% invariato"); il 26/07 è stata **misurata sullo spazio congiunto** (24×10×7×23×5
|
||||
= 193.200 configurazioni, 2000 estrazioni uniformi indipendenti, `r0726_loo_deluck.py`):
|
||||
| | canonico | pctl | **stima onesta = mediana** | banda p10-p90 |
|
||||
|---|---|---|---|---|
|
||||
| Sharpe FULL | +2.222 | 97.0° | **+1.95** | [1.81, 2.12] |
|
||||
| Sharpe HOLD-OUT | +2.364 | **99.6°** | **+1.54** | [1.11, 1.91] |
|
||||
| maxDD FULL | 6.07% | 12.0° | **6.85%** | [5.99, 7.94] |
|
||||
**Solo 9 estrazioni su 2000 battono l'hold-out canonico.** Il book resta positivo e diversificato
|
||||
a ogni ancora, ma **i numeri da citare sono 1.95 / 1.54 / 6.85%**, non i canonici.
|
||||
⚠️ **Lezione: la somma delle fortune marginali NON è la mediana congiunta** — sbagliava di +0.82
|
||||
di Sharpe hold-out, più di quasi tutti gli uplift per cui in questo progetto si è discusso se
|
||||
ammettere uno sleeve. Quando serve la banda di un AGGREGATO si campiona lo spazio congiunto; gli
|
||||
audit uno-sleeve-alla-volta (02/07, 03/07) restano validi per giudicare *quello* sleeve.
|
||||
Diari `2026-07-02-anchor-audit-xs01-skh01.md` (originale) e `2026-07-26-loo-deluck.md` (misura).
|
||||
- **SKH01-V2-DD "Skyhook" — DIVERSIFICATORE quasi-ortogonale (research)** — `src/strategies/skyhook.SKH01_V2_DD`,
|
||||
sleeve `src/portfolio/sleeves._skyhook_returns`. Sistema dual-TF (segnale 690m / exec 230m) regime
|
||||
(BuzVola/BuzVolume tipo-Chande) AND pattern (Donchian breakout), NON trend-follower, L/S. Vincitrice
|
||||
@@ -746,6 +758,43 @@ Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condivis
|
||||
pre-registrato + cron); (d) il claim di multiple-testing di un agente va **ricontato**, non
|
||||
creduto (72 dichiarate, 729 reali); (e) quando un meccanismo non generalizza, **chiedersi PERCHE'
|
||||
vale piu' del fatto che non generalizzi**.
|
||||
- ⚠️ **LEAVE-ONE-OUT DEL BOOK DE-LUCKATO (2026-07-26, 3° filone del giorno) — la classifica dei
|
||||
contributi si RIBALTA su 2 metriche su 3, e la stima de-luckata del book era ottimista.**
|
||||
Domanda: *"quale sleeve terrei?"*. Script `scripts/research/r0726_loo_deluck.py`, test
|
||||
`tests/test_loo_deluck.py` (9), diario `2026-07-26-loo-deluck.md`. **Book/pesi/cron/config
|
||||
INVARIATI** (non è un gate sui pesi: quello resta `weights_tilt_null`).
|
||||
(1) **Il metodo:** un leave-one-out **è un Δ**, quindi eredita la fortuna d'ancora come ogni Δ
|
||||
(lezione 26/07). Con 4 sleeve su 5 ancorati il problema è congiunto → 2000 estrazioni uniformi
|
||||
indipendenti sullo spazio 24×10×7×23×5, book completo + 5 LOO **alla stessa configurazione**,
|
||||
statistica = **mediana delle differenze appaiate**. Sanity bit-exact 5/5 (`max|dif| = 0.0`) sulle
|
||||
repliche ancorate — quattro riusate dagli audit 02/07-03/07, solo la fase di GTAA01 è nuova.
|
||||
(2) **Contributi de-luckati** (mediana, e **frazione di estrazioni positive** — che conta più
|
||||
della mediana): **TP01 +0.390 FULL (100%)** = quasi 3× il secondo, e il canonico lo
|
||||
**SOTTOSTIMAVA** (+0.280 al 5.8° pctl); SKH01 +0.142 (91%), XS01 +0.125 (99.9%), VRP01 +0.122
|
||||
(100%), GTAA01 +0.115 (100%).
|
||||
(3) **Due giudizi ribaltati rispetto alla lente canonica.** **SKH01 non è il motore del book**:
|
||||
l'ancora regala **2/3 del FULL** (+0.43→+0.14), **70% dell'hold-out** (+0.65→+0.19), **80% della
|
||||
protezione DD** (+1.64pp→+0.32pp) → de-luckato è **il meno affidabile dei cinque**. **GTAA01 è
|
||||
l'unico positivo nel 100% delle estrazioni su TUTTE E TRE le metriche** e il miglior protettore
|
||||
di DD (+2.0pp, doppio del secondo), senza fortuna da restituire (canonico *sotto* la mediana su
|
||||
FULL e DD). ⚠️ Ma **attribuzione ≠ eseguibilità**: sotto `GTAA_MIN_CAPITAL` $3k resta non
|
||||
deployabile, e la nota del 25/07 (€0.50/g sopra il risk-free con maxDD 10% a $10k) è intatta.
|
||||
(4) **TP01: hold-out negativo −0.200, e NON è artefatto d'ancora** (negativo nel **99.1%** delle
|
||||
configurazioni) — mentre sul FULL è il maggior contributore. È la firma dell'assicurazione,
|
||||
misurata: paga premio negli anni senza incendio, riprende tutto sul campione che contiene il 2022.
|
||||
**Regola: uno sleeve difensivo si giudica sul sinistro, non sul premio** — l'hold-out negativo
|
||||
non è un argomento per ridurlo. **XS01: protezione DD ESATTAMENTE ZERO** (mediana 0.000, positiva
|
||||
nel 43% = moneta) → è un diversificatore di **rendimento, non di rischio**; conta perché sul
|
||||
canale funded il vincolo binding è il DD (25/07 §4). **VRP01: 2ª conferma di zero fortuna**
|
||||
(canonico al 1.8° pctl sul FULL = numeri di ammissione *conservativi*).
|
||||
(5) **Contrappeso dovuto a SKH01:** il de-luck lo penalizza sul path **backtest**, ma il path
|
||||
**live** è misurato migliore su entrambi i lati (ingressi +0.38, uscite +0.081) → **vale meno dei
|
||||
suoi numeri di ammissione e più di questa tabella**; quantificarlo resta il follow-up bloccato
|
||||
(serve la versione vol-targeted del path live).
|
||||
⚠️ **Errore di stampa catturato:** il primo output dava `pctl 100%` per l'hold-out del book —
|
||||
arrotondamento di 99.55% con `%.0f`. **Un percentile stampato a 0 decimali mente esattamente agli
|
||||
estremi, che sono l'unico posto dove lo si legge.** Verificato a mano (9 estrazioni su 2000
|
||||
battono la canonica), formato portato a 1 decimale.
|
||||
- **Soffitto strutturale BTC/ETH-direzionale ~1.3** superato SOLO espandendo a un meccanismo diverso:
|
||||
cross-sectional su universo Hyperliquid certificato (XS01) → portafoglio Sharpe ~1.55.
|
||||
- **Sweep "strategie alternative" (2026-06-20) — 104 ipotesi / 153 agenti / NIENTE di nuovo regge.**
|
||||
|
||||
@@ -0,0 +1,225 @@
|
||||
# 2026-07-26 — "Quale strategia terrei?" — leave-one-out del book DE-LUCKATO sulle ancore
|
||||
|
||||
**Richiesta:** *"dimmi qual strategia pensi di tenere"*.
|
||||
|
||||
**Script:** `scripts/research/r0726_loo_deluck.py` — **test:** `tests/test_loo_deluck.py` (9).
|
||||
**Book, pesi, cron, config: INVARIATI.** Nessuna decisione di allocazione cambia.
|
||||
Cambia invece un **numero documentato in CLAUDE.md** (§4) e cambiano **due giudizi che avevo
|
||||
dato un'ora prima nella stessa sessione** (§3).
|
||||
|
||||
---
|
||||
|
||||
## 0. Perche' la risposta ovvia non vale
|
||||
|
||||
La domanda "quanto vale ogni sleeve al suo posto nel book" ha una misura ovvia: togli lo sleeve,
|
||||
guarda quanto cala il book. L'ho fatta, e alla prima lettura diceva questo:
|
||||
|
||||
```
|
||||
BOOK COMPLETO FULL +2.222 HOLD +2.364 maxDD 6.07%
|
||||
tolto dFULL dHOLD dDD
|
||||
TP01 (33%) +0.280 -0.219 +0.24pp
|
||||
XS01 (15%) +0.142 +0.640 +0.25pp
|
||||
VRP01 (12%) +0.087 +0.064 +1.08pp
|
||||
SKH01 (20%) +0.432 +0.652 +1.64pp
|
||||
GTAA01 (20%) +0.120 +0.244 +1.70pp
|
||||
```
|
||||
|
||||
Letta cosi', SKH01 e' il motore del book e TP01 e' un peso morto sull'hold-out.
|
||||
**Entrambe le letture sono sbagliate**, e il motivo era gia' scritto nel progetto il giorno prima:
|
||||
|
||||
> *se si de-lucka una strategia va de-luckato anche il suo DEGRADO* — ogni Δ fra due varianti
|
||||
> misurato a un'ancora sola eredita la fortuna di quell'ancora.
|
||||
> (lezione 26/07, codificata in `altlib.anchor_luck_delta`)
|
||||
|
||||
Un leave-one-out **e' esattamente un Δ fra due varianti**. E qui il problema e' al quadrato: 4
|
||||
sleeve su 5 sono ancorati, e per 3 di loro l'ancora canonica era gia' stata misurata come
|
||||
fortunata (TP01 92° pctl su 24 ancore, SKH01 93-98° su 23 offset, XS01 fase 0 al 15° pctl di DD).
|
||||
VRP01 e' l'unico senza firma — la sua fase canonica e' la **peggiore** delle 7.
|
||||
|
||||
---
|
||||
|
||||
## 1. Il metodo: estrazioni CONGIUNTE, non una griglia per sleeve
|
||||
|
||||
Gli audit del 02/07 e del 03/07 hanno de-luckato **uno sleeve alla volta**, tenendo gli altri alla
|
||||
loro ancora canonica. Va bene per giudicare quello sleeve; non basta per giudicare il **book**,
|
||||
perche' i numeri del book sono calcolati con tutti e cinque alla canonica insieme.
|
||||
|
||||
Spazio di luck congiunto: **24 (TP01, ancore orarie) x 10 (XS01, fasi H=10) x 7 (VRP01, fasi
|
||||
settimanali) x 23 (SKH01, offset di griglia 230m/690m) x 5 (GTAA01, fasi della cadenza
|
||||
settimanale) = 193.200 configurazioni.** Non enumerabile: si campiona.
|
||||
|
||||
**2000 estrazioni uniformi e indipendenti** (seed 20260726). Uniformi-indipendenti e' il null
|
||||
onesto: non avevamo nessuna ragione a priori di preferire un'ancora a un'altra — se ce l'avessimo
|
||||
avuta, sarebbe stata parte della strategia.
|
||||
|
||||
Per ogni estrazione: book completo + i 5 leave-one-out, **tutti alla stessa configurazione
|
||||
d'ancora**. La statistica e' la **mediana delle differenze appaiate**, mai la differenza delle
|
||||
mediane (l'errore che il 26/07 aveva ribaltato il verdetto sul recupero on-book di SKH01: le due
|
||||
mediane cadono su ancore diverse).
|
||||
|
||||
**Repliche riusate, non riscritte.** I quattro generatori ancorati vengono dagli audit che li
|
||||
hanno gia' verificati bit-exact (`r0702_tp01_offset.daily_off`, `r0702_anchor_xs01.xs_phase`,
|
||||
`r0703_vrpimp_anchor.combo_weekly`, `r0702_anchor_skh01.skh_port`). Riscriverli avrebbe voluto
|
||||
dire rifare gli stessi errori di convenzione. L'unico pezzo nuovo e' la fase di GTAA01
|
||||
(`i % REBAL_EVERY == ph` invece di `== 0`), ed e' l'unico coperto da test dedicato.
|
||||
|
||||
**Sanity obbligatorio prima di tutto** — ogni replica ancorata deve riprodurre lo sleeve di
|
||||
**produzione** alla sua ancora canonica, altrimenti sto misurando un'altra strategia:
|
||||
|
||||
```
|
||||
TP01 ancora 0 max|dif| = 0.0e+00 (n=2692) OK
|
||||
XS01 ancora 0 max|dif| = 0.0e+00 (n=938) OK
|
||||
VRP01 ancora 0 max|dif| = 0.0e+00 (n=1884) OK
|
||||
SKH01 ancora 0 max|dif| = 0.0e+00 (n=2690) OK
|
||||
GTAA01 ancora 0 max|dif| = 0.0e+00 (n=2690) OK
|
||||
```
|
||||
|
||||
Costo totale: 69 serie, ~8s di precalcolo, 34s per le 2000 estrazioni.
|
||||
|
||||
---
|
||||
|
||||
## 2. Il livello del book: i numeri pubblicati stanno in cima alla banda
|
||||
|
||||
```
|
||||
canonico pctl MEDIANA p10 p90 fortuna
|
||||
Sharpe FULL +2.222 97.0% +1.946 +1.807 +2.116 +0.276
|
||||
Sharpe HOLD-OUT +2.364 99.6% +1.542 +1.109 +1.910 +0.822
|
||||
maxDD FULL 6.07% 12.0% 6.85% 5.99% 7.94% -0.78%
|
||||
```
|
||||
|
||||
**L'hold-out canonico sta al 99.6° percentile dello spazio d'ancora: solo 9 estrazioni su 2000
|
||||
fanno meglio.** La stima onesta e' **1.54**, con banda [1.11, 1.91].
|
||||
|
||||
⚠️ **Un "100%" che ho dovuto correggere.** La prima stampa dava `pctl 100%` — arrotondamento di
|
||||
99.55% con un `%.0f`. In un artefatto di ricerca un 100% stampato significa "e' il massimo, punto"
|
||||
e avrebbe fatto concludere a una sessione futura qualcosa di piu' forte del vero. Verificato a
|
||||
mano (max fra le 2000 = +2.577, a `TP01=0 / XS01=7 / VRP01=1 / SKH01=0 / GTAA01=3`), formato
|
||||
portato a 1 decimale. *Regola pratica: un percentile stampato senza decimali mente esattamente
|
||||
agli estremi, che sono l'unico posto dove lo si legge.*
|
||||
|
||||
---
|
||||
|
||||
## 3. Il leave-one-out de-luckato — e due giudizi miei ribaltati
|
||||
|
||||
```
|
||||
dSharpe FULL canonico pctl MEDIANA >0 in
|
||||
TP01 33% +0.280 5.8% +0.390 100.0%
|
||||
SKH01 20% +0.432 99.0% +0.142 90.8%
|
||||
XS01 15% +0.142 76.8% +0.125 99.9%
|
||||
VRP01 12% +0.087 1.8% +0.122 100.0%
|
||||
GTAA01 20% +0.120 63.5% +0.115 100.0%
|
||||
|
||||
dSharpe HOLD-OUT canonico pctl MEDIANA >0 in
|
||||
XS01 15% +0.640 63.4% +0.497 96.2%
|
||||
GTAA01 20% +0.244 17.3% +0.267 100.0%
|
||||
SKH01 20% +0.652 96.0% +0.190 85.5%
|
||||
VRP01 12% +0.064 47.4% +0.065 84.2%
|
||||
TP01 33% -0.219 39.5% -0.200 0.9%
|
||||
|
||||
dMaxDD (pp, >0 = protegge) pctl MEDIANA >0 in
|
||||
GTAA01 20% +1.695pp 23.8% +1.999pp 100.0%
|
||||
VRP01 12% +1.075pp 55.6% +1.056pp 88.3%
|
||||
SKH01 20% +1.636pp 89.3% +0.322pp 64.0%
|
||||
TP01 33% +0.236pp 48.4% +0.274pp 62.1%
|
||||
XS01 15% +0.251pp 65.0% +0.000pp 43.0%
|
||||
```
|
||||
|
||||
**SKH01 non e' il motore del book.** Del suo contributo apparente, l'ancora canonica regala **2/3
|
||||
sul FULL** (+0.43 → +0.14), **70% sull'hold-out** (+0.65 → +0.19), **80% sulla protezione DD**
|
||||
(+1.64pp → +0.32pp). De-luckato e' indistinguibile dagli altri sul FULL ed e' **il meno affidabile
|
||||
dei cinque**: l'unico sotto il 91% di estrazioni positive su tutte e tre le metriche (91/86/64%).
|
||||
|
||||
**GTAA01 non e' il primo da tagliare** (lo avevo detto un'ora prima, sulla lente canonica). E'
|
||||
**l'unico sleeve positivo nel 100% delle estrazioni su tutte e tre le metriche** e il miglior
|
||||
protettore di DD del book, al doppio del secondo. Non ha fortuna da restituire: il suo canonico
|
||||
sta *sotto* la mediana su FULL e DD. ⚠️ L'altra gamba di quel giudizio resta pero' intatta e
|
||||
indipendente: a $10k comprare ~€0.50/giorno sopra il risk-free con un maxDD del 10% e' caro, e
|
||||
sotto `GTAA_MIN_CAPITAL` = $3k lo sleeve non e' deployabile. **Attribuzione ≠ eseguibilita'.**
|
||||
|
||||
**TP01 e' il maggior contributore, e il canonico lo SOTTOSTIMAVA** (+0.280 al 5.8° pctl → +0.390
|
||||
de-luckato, positivo in 2000/2000, quasi 3x il secondo). Il suo hold-out negativo **non e'
|
||||
artefatto d'ancora**: e' negativo nel **99.1%** delle configurazioni. Le due cose insieme sono la
|
||||
storia dell'assicurazione, finalmente misurata invece che asserita — sul campione pieno (che
|
||||
contiene il 2022) e' il contributore piu' grande; nella finestra 2025-26 e' stato fermo mentre gli
|
||||
altri guadagnavano, e questo costa −0.20. **Giudicarlo sulla finestra in cui non e' servito
|
||||
significa venderlo esattamente prima che serva.**
|
||||
|
||||
**VRP01** conferma per la seconda volta di essere l'unico senza firma di fortuna: canonico al
|
||||
**1.8° pctl** sul FULL, cioe' i numeri di ammissione erano *conservativi*. Secondo protettore di DD.
|
||||
|
||||
**XS01** tiene il primo posto sull'hold-out anche de-luckato (+0.497), ma la sua protezione di DD
|
||||
e' **esattamente zero** (mediana 0.000, positiva nel 43% = moneta). E' un diversificatore di
|
||||
**rendimento, non di rischio** — e conta, perche' sul canale funded il vincolo binding e' il DD,
|
||||
non il CAGR (25/07 §4).
|
||||
|
||||
**Correlazioni:** stabili sotto de-luck, tutte quasi-nulle. La sola sopra 0.1 e' TP01-GTAA01
|
||||
(mediana +0.189, canonica +0.242).
|
||||
|
||||
### Il contrappeso che SKH01 ha diritto ad avere
|
||||
|
||||
Questo de-luck penalizza SKH01 sul path **backtest** (chiusura di bin). Ma le due misure del 26/07
|
||||
dicono che il **path live e' migliore del backtest su entrambi i lati**: ingressi +0.38 di Sharpe
|
||||
mediano, uscite +0.081 di Sharpe FULL di book. Applicare il de-luck senza quel contrappeso lo
|
||||
penalizzerebbe due volte. Verdetto onesto: **SKH01 vale meno dei suoi numeri di ammissione e piu'
|
||||
di questa tabella.** Quanto esattamente resta il follow-up gia' dichiarato e bloccato (serve la
|
||||
versione vol-targeted del path live di SKH01).
|
||||
|
||||
---
|
||||
|
||||
## 4. Correzione a CLAUDE.md
|
||||
|
||||
La stima del 02/07 era **a occhio** — sommava le fortune misurate sleeve-per-sleeve. Oggi e'
|
||||
**misurata congiuntamente**, ed era ottimista su tutte e tre le metriche:
|
||||
|
||||
| | stimato 02/07 | misurato 26/07 |
|
||||
|---|---|---|
|
||||
| HOLD-OUT | ~1.9-2.1 | **1.54** [1.11, 1.91] |
|
||||
| FULL | ~2.0-2.2 | **1.95** [1.81, 2.12] |
|
||||
| maxDD | "~6% invariato" | **6.85%** [5.99, 7.94] |
|
||||
|
||||
L'errore non e' stato usare una stima: e' stato che una stima per somma di effetti marginali
|
||||
**non e' la mediana congiunta**, e la differenza (+0.82 di hold-out) e' piu' grande di quasi
|
||||
tutti gli uplift per cui in questo progetto si e' discusso se ammettere uno sleeve.
|
||||
|
||||
---
|
||||
|
||||
## 5. Cosa NON e' questa misura
|
||||
|
||||
- **Non e' evidenza out-of-sample.** Il book e' valutato sugli stessi anni in cui XS01 e SKH01
|
||||
sono stati scelti e affinati. E' attribuzione, de-luckata.
|
||||
- **Non e' un gate sui pesi.** Ogni proposta di cambio pesi passa da `weights_tilt_null`. Qui non
|
||||
si propone nulla: i pesi restano 33/15/12/20/20.
|
||||
- **Non e' una lente di eseguibilita'.** Dice quanto uno sleeve contribuisce al book modellato,
|
||||
non se lo si puo' comprare a $600 (GTAA01 sotto $3k e XS01 sotto ~$20k non si possono).
|
||||
|
||||
---
|
||||
|
||||
## 6. Risposta alla domanda
|
||||
|
||||
**TP01**, se ne va tenuta una. Maggior contributore de-luckato (+0.390, 2000/2000), l'unico
|
||||
eseguibile davvero oggi a $600 senza haircut, e l'unico il cui valore dichiarato — il taglio del
|
||||
DD ~6x contro il buy&hold — **non e' ancorato** e regge a tutte le ancore testate. Tutto il resto
|
||||
dei suoi numeri e' gia' stato declassato (hold-out 0.31 → ~0.05); quello no.
|
||||
|
||||
Le altre: **SKH01** si tiene al 25% e non un euro di piu'; **GTAA01** si tiene nel book modello
|
||||
(miglior protettore di DD) ma non nel live finche' non ci sono $3k su IB; **VRP01** si tiene come
|
||||
*metro* — e' l'unico i cui numeri sono onesti per costruzione; **XS01** non e' da tenere oggi, e'
|
||||
da accendere quando arriva il capitale (~$20k, o un conto funded, dove vale piu' di tutte).
|
||||
|
||||
Il book live che gira — **TP01 75 / SKH01 25** — e' gia' questa risposta.
|
||||
|
||||
---
|
||||
|
||||
## 7. Regole trasferibili
|
||||
|
||||
1. **Un leave-one-out e' un Δ, quindi va de-luckato come ogni Δ.** L'attribuzione all'ancora
|
||||
canonica ha invertito la classifica su 2 metriche su 3.
|
||||
2. **De-luckare uno sleeve alla volta non de-lucka il book.** La fortuna del book e' un fenomeno
|
||||
*congiunto*: la somma delle fortune marginali ha sbagliato di +0.82 di Sharpe hold-out. Quando
|
||||
serve la banda di un aggregato, si campiona lo spazio congiunto.
|
||||
3. **Un percentile stampato a 0 decimali mente agli estremi**, che sono l'unico posto dove serve.
|
||||
4. **La frazione di estrazioni positive dice piu' della mediana.** Fra +0.142 (SKH01, positivo nel
|
||||
91%) e +0.115 (GTAA01, positivo nel 100%) la mediana preferisce il primo e l'affidabilita' il
|
||||
secondo — ed e' la seconda a decidere se ci si mette del capitale.
|
||||
5. **Uno sleeve difensivo si giudica sul sinistro, non sul premio.** L'hold-out negativo di TP01 e'
|
||||
robusto (99.1% delle ancore) e *non* e' un argomento per ridurlo.
|
||||
@@ -0,0 +1,373 @@
|
||||
#!/usr/bin/env python
|
||||
"""r0726_loo_deluck.py — LEAVE-ONE-OUT del book 5-sleeve DE-LUCKATO sulle ancore.
|
||||
|
||||
DOMANDA: "quale sleeve terrei?" — cioe' quanto vale OGNI sleeve alla sua posizione attuale
|
||||
nel book. La risposta ovvia (togli lo sleeve, guarda quanto cala il book) e' misurata
|
||||
all'ANCORA CANONICA di tutti e cinque, e per questo NON e' credibile: ogni Δ misurato su
|
||||
griglia ancorata eredita la fortuna di quell'ancora (lezione codificata il 26/07 in
|
||||
`altlib.anchor_luck_delta`; corollario: *se si de-lucka una strategia va de-luckato anche
|
||||
il suo DEGRADO*). E qui il problema e' al quadrato — 4 sleeve su 5 sono ancorati, e per 3
|
||||
di loro l'ancora canonica e' gia' stata misurata come fortunata (TP01 92° pctl su 24 ancore,
|
||||
SKH01 93-98° su 23 offset, XS01 fase 0 al 15° pctl di DD; VRP01 e' l'unico senza firma, la
|
||||
sua fase canonica e' la PEGGIORE delle 7).
|
||||
|
||||
COSA FA (nessun file di produzione toccato, nessun peso cambiato):
|
||||
0. SANITY OBBLIGATORIO — ogni replica parametrizzata sull'ancora deve riprodurre
|
||||
BIT-EXACT lo sleeve di produzione alla sua ancora canonica. Senza questo il resto
|
||||
misura un'altra strategia.
|
||||
1. Precalcola le 69 serie: TP01 x24 ancore orarie, XS01 x10 fasi, VRP01 x7 fasi,
|
||||
SKH01 x23 offset di griglia, GTAA01 x5 fasi di cadenza settimanale.
|
||||
2. ESTRAZIONI CONGIUNTE: N configurazioni d'ancora, una per sleeve, uniformi e
|
||||
INDIPENDENTI (il null onesto: non avevamo ragione di preferire nessuna ancora).
|
||||
Lo spazio pieno e' 24x10x7x23x5 = 193.200 -> si campiona.
|
||||
3. Per ogni estrazione: book completo + i 5 book leave-one-out (combine_outer, pesi
|
||||
rinormalizzati per-riga come in produzione) -> Δ APPAIATI per sleeve.
|
||||
La statistica e' la MEDIANA DELLE DIFFERENZE APPAIATE, mai la differenza delle mediane
|
||||
(l'errore ribaltante catturato il 26/07): le due mediane cadono su ancore diverse.
|
||||
4. Output: per sleeve, Δ canonico + il suo percentile nella banda, Δ mediano de-luckato,
|
||||
banda [p10,p90], frazione di estrazioni in cui il contributo e' positivo.
|
||||
Piu' il livello del book de-luckato (FULL/HOLD/DD mediani) — che aggiorna con una
|
||||
MISURA la stima a occhio in CLAUDE.md ("HOLD ~1.9-2.1, FULL ~2.0-2.2").
|
||||
|
||||
COSA NON E': non e' un gate sui pesi (quello resta `weights_tilt_null`), e non e' evidenza
|
||||
out-of-sample — il book e' misurato sugli stessi anni su cui XS01/SKH01 sono stati scelti e
|
||||
affinati. E' attribuzione, de-luckata: dice quanto di cio' che vediamo e' struttura e quanto
|
||||
e' l'ancora che ci e' capitata.
|
||||
|
||||
uv run python scripts/research/r0726_loo_deluck.py [--draws N]
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
import argparse
|
||||
import pickle
|
||||
import sys
|
||||
import time
|
||||
from pathlib import Path
|
||||
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
|
||||
ROOT = Path("/opt/docker/PythagorasGoal")
|
||||
sys.path.insert(0, str(ROOT))
|
||||
sys.path.insert(0, str(ROOT / "scripts" / "research"))
|
||||
sys.path.insert(0, str(ROOT / "scripts" / "research" / "alt"))
|
||||
|
||||
from src.portfolio.portfolio import HOLDOUT, combine_outer, metrics, to_daily # noqa: E402
|
||||
from src.portfolio import gtaa as G # noqa: E402
|
||||
from src.portfolio.sleeves import (GTAA_DEFAULT_CAPITAL, VRP_CFG, # noqa: E402
|
||||
_gtaa_daily_returns, _skyhook_returns,
|
||||
_tp01_returns, _vrp_combo_returns,
|
||||
_xsec_returns, active_sleeves)
|
||||
|
||||
# repliche ancorate GIA' verificate bit-exact nei rispettivi audit (02/07, 03/07):
|
||||
# riusate, non riscritte — riscriverle significherebbe rifare gli stessi errori di convenzione.
|
||||
import r0702_anchor_skh01 as A_SKH # noqa: E402 skh_port(off)
|
||||
import r0702_anchor_xs01 as A_XS # noqa: E402 xs_phase(phase)
|
||||
import r0702_tp01_offset as A_TP # noqa: E402 daily_off(asset, h)
|
||||
import r0703_vrpimp_anchor as A_VRP # noqa: E402 combo_weekly(phase, f) + to_daily_lumped
|
||||
|
||||
from src.strategies.trend_portfolio import CANONICAL, TrendPortfolio, simple_returns # noqa: E402
|
||||
|
||||
SEED = 20260726
|
||||
# cache rigenerabile delle 69 serie d'ancora (~8s a ricostruirla): gitignored via `*.pkl`.
|
||||
# `--force` la ignora. Path stabile nel repo, non legato alla sessione che l'ha scritta.
|
||||
CACHE = ROOT / "data" / "_cache" / "anchor_series.pkl"
|
||||
|
||||
WEIGHTS = {"TP01_trend_1d": 0.33, "XS01_xsec_hl": 0.15, "VRP01_shortvol": 0.12,
|
||||
"SKH01_skyhook": 0.20, "GTAA01_eq_trend": 0.20}
|
||||
SHORT = {"TP01_trend_1d": "TP01", "XS01_xsec_hl": "XS01", "VRP01_shortvol": "VRP01",
|
||||
"SKH01_skyhook": "SKH01", "GTAA01_eq_trend": "GTAA01"}
|
||||
|
||||
|
||||
# ===========================================================================
|
||||
# Generatori ancorati — uno per sleeve. Ogni serie esce GIA' normalizzata a
|
||||
# giornaliera con `to_daily`, come fa Sleeve.daily() in produzione.
|
||||
# ===========================================================================
|
||||
def tp01_at(h: int) -> pd.Series:
|
||||
"""TP01 all'ancora oraria h. Replica ESATTA di sleeves._tp01_returns con il daily
|
||||
risampionato a offset h invece che a 00:00 UTC."""
|
||||
tp = TrendPortfolio(**CANONICAL)
|
||||
series = {}
|
||||
for a in ("BTC", "ETH"):
|
||||
df = A_TP.daily_off(a, h)
|
||||
r = simple_returns(df["close"].values.astype(float))
|
||||
tgt = tp.target_series(df)
|
||||
held = np.zeros(len(tgt))
|
||||
held[1:] = tgt[:-1]
|
||||
net = held * r - tp.fee_side * np.abs(np.diff(held, prepend=0.0))
|
||||
net[0] = 0.0
|
||||
series[a] = pd.Series(np.clip(net, -0.99, None), index=pd.to_datetime(df["datetime"]))
|
||||
J = pd.concat(series, axis=1, join="inner").fillna(0.0)
|
||||
return to_daily(pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index))
|
||||
|
||||
|
||||
def xs01_at(p: int) -> pd.Series:
|
||||
return to_daily(A_XS.xs_phase(p))
|
||||
|
||||
|
||||
def vrp01_at(p: int) -> pd.Series:
|
||||
return to_daily(A_VRP.to_daily_lumped(A_VRP.combo_weekly(p, f=VRP_CFG["f"])))
|
||||
|
||||
|
||||
def skh01_at(off: int) -> pd.Series:
|
||||
return to_daily(A_SKH.skh_port(off))
|
||||
|
||||
|
||||
def _gtaa_leg_phase(sym: str, cap_leg: float, band_usd: float, every: int, ph: int) -> pd.Series:
|
||||
"""Replica di gtaa._gated_returns con la cadenza in fase `ph` (i % every == ph)."""
|
||||
close = G._close(sym)
|
||||
ex = np.nan_to_num(np.asarray(G._exposure(close).values, float))
|
||||
px = close.values.astype(float)
|
||||
ret = np.zeros(len(px))
|
||||
ret[1:] = px[1:] / px[:-1] - 1.0
|
||||
held = np.empty(len(ex))
|
||||
comm = np.zeros(len(ex))
|
||||
cur = 0.0
|
||||
for i in range(len(ex)):
|
||||
if i % every == ph:
|
||||
notional = abs(ex[i] - cur) * cap_leg
|
||||
if notional >= max(band_usd, G.IB_MIN_TRADE_USD):
|
||||
comm[i] = G.ib_commission(notional, px[i]) / cap_leg
|
||||
cur = ex[i]
|
||||
held[i] = cur
|
||||
pos = np.zeros(len(held))
|
||||
pos[1:] = held[:-1]
|
||||
net = pos * ret - comm
|
||||
net[0] = 0.0
|
||||
return pd.Series(net, index=close.index)
|
||||
|
||||
|
||||
def gtaa01_at(ph: int) -> pd.Series:
|
||||
"""GTAA01 alla fase `ph` della cadenza settimanale (REBAL_EVERY=5 barre di borsa).
|
||||
Replica ESATTA di sleeves._gtaa_daily_returns, incluse le convenzioni di calendario."""
|
||||
cap_leg = float(GTAA_DEFAULT_CAPITAL) / len(G.EQ_UNIVERSE)
|
||||
cols = {a: _gtaa_leg_phase(a, cap_leg, G.REBAL_BAND_USD, G.REBAL_EVERY, ph)
|
||||
for a in G.EQ_UNIVERSE}
|
||||
r = pd.concat(cols, axis=1, sort=True).sort_index().mean(axis=1, skipna=True).dropna()
|
||||
r = r.dropna().sort_index()
|
||||
if r.index.tz is None:
|
||||
r.index = r.index.tz_localize("UTC")
|
||||
days = pd.date_range(r.index.min().normalize(), r.index.max().normalize(), freq="1D", tz="UTC")
|
||||
r = r.reindex(days).fillna(0.0)
|
||||
from src.portfolio.sleeves import GTAA_BOOK_ACTIVATION
|
||||
return to_daily(r[r.index >= GTAA_BOOK_ACTIVATION])
|
||||
|
||||
|
||||
# nome -> (generatore, ancore a priori, ancora canonica, sleeve di produzione)
|
||||
SPEC = {
|
||||
"TP01_trend_1d": (tp01_at, tuple(range(24)), 0, _tp01_returns),
|
||||
"XS01_xsec_hl": (xs01_at, tuple(range(10)), 0, _xsec_returns),
|
||||
"VRP01_shortvol": (vrp01_at, tuple(range(7)), 0, _vrp_combo_returns),
|
||||
"SKH01_skyhook": (skh01_at, tuple(range(0, 690, 30)), 0, _skyhook_returns),
|
||||
"GTAA01_eq_trend": (gtaa01_at, tuple(range(5)), 0, _gtaa_daily_returns),
|
||||
}
|
||||
|
||||
|
||||
# ===========================================================================
|
||||
# PART 0 — sanity: la replica ancorata == sleeve di produzione all'ancora canonica
|
||||
# ===========================================================================
|
||||
def sanity() -> None:
|
||||
print("[SANITY] ogni replica ancorata deve riprodurre lo sleeve di produzione "
|
||||
"alla sua ancora canonica")
|
||||
for name, (gen, _anchors, canon, prod_fn) in SPEC.items():
|
||||
mine = gen(canon)
|
||||
ref = to_daily(prod_fn())
|
||||
J = pd.concat({"m": mine, "r": ref}, axis=1, join="outer")
|
||||
assert len(mine) == len(ref), (
|
||||
f"{name}: lunghezze diverse ({len(mine)} vs {len(ref)}) — non e' la stessa serie")
|
||||
dmax = float(np.nanmax(np.abs(J["m"].values - J["r"].values)))
|
||||
assert dmax < 1e-12, f"SANITY FAIL {name}: max|dif| = {dmax:.3e}"
|
||||
print(f" {SHORT[name]:<7} ancora {canon:>3} max|dif| = {dmax:.1e} "
|
||||
f"(n={len(mine)}) OK")
|
||||
|
||||
|
||||
# ===========================================================================
|
||||
# PART 1 — precalcolo delle 69 serie
|
||||
# ===========================================================================
|
||||
def build_all(force: bool = False) -> dict:
|
||||
if CACHE.exists() and not force:
|
||||
with CACHE.open("rb") as fh:
|
||||
cached = pickle.load(fh)
|
||||
if set(cached) == set(SPEC) and all(len(cached[n]) == len(SPEC[n][1]) for n in SPEC):
|
||||
print(f"[CACHE] serie d'ancora lette da {CACHE.name}")
|
||||
return cached
|
||||
out = {}
|
||||
for name, (gen, anchors, _c, _p) in SPEC.items():
|
||||
t0 = time.time()
|
||||
out[name] = {a: gen(a) for a in anchors}
|
||||
print(f" {SHORT[name]:<7} {len(anchors):>3} ancore in {time.time()-t0:5.1f}s")
|
||||
CACHE.parent.mkdir(parents=True, exist_ok=True)
|
||||
with CACHE.open("wb") as fh:
|
||||
pickle.dump(out, fh)
|
||||
return out
|
||||
|
||||
|
||||
# ===========================================================================
|
||||
# PART 2 — book + leave-one-out a una configurazione d'ancora
|
||||
# ===========================================================================
|
||||
def book_stats(cols: dict) -> tuple[float, float, float]:
|
||||
"""(Sharpe FULL, Sharpe HOLD-OUT, maxDD FULL) del book a pesi WEIGHTS ristretti a `cols`."""
|
||||
w = {k: WEIGHTS[k] for k in cols}
|
||||
full = combine_outer(cols, w)
|
||||
mf = metrics(full)
|
||||
mh = metrics(full[full.index >= HOLDOUT])
|
||||
return mf["sharpe"], mh["sharpe"], mf["maxdd"]
|
||||
|
||||
|
||||
def one_config(series: dict, cfg: dict) -> dict:
|
||||
"""Un'estrazione d'ancora -> book completo + 5 leave-one-out, tutti alla STESSA ancora."""
|
||||
cols = {n: series[n][cfg[n]] for n in SPEC}
|
||||
bf, bh, bd = book_stats(cols)
|
||||
res = {"book": (bf, bh, bd)}
|
||||
for n in SPEC:
|
||||
sub = {k: v for k, v in cols.items() if k != n}
|
||||
f, h, d = book_stats(sub)
|
||||
# Δ = contributo dello sleeve: >0 su Sharpe = togliendolo il book peggiora
|
||||
# >0 su DD = togliendolo il drawdown peggiora
|
||||
res[n] = (bf - f, bh - h, d - bd)
|
||||
return res
|
||||
|
||||
|
||||
def paired_deltas(draws: list[dict], name: str, j: int) -> np.ndarray:
|
||||
"""Vettore dei Δ APPAIATI di uno sleeve su una metrica (j: 0=FULL, 1=HOLD, 2=maxDD).
|
||||
|
||||
Ogni elemento e' (book con X) - (book senza X) alla STESSA configurazione d'ancora. La
|
||||
statistica corretta e' la mediana di QUESTO vettore — mai la differenza fra la mediana dei
|
||||
book-con e quella dei book-senza, perche' le due mediane cadono su ancore DIVERSE e il
|
||||
verdetto puo' ribaltarsi (errore catturato il 26/07 sul recupero on-book di SKH01, codificato
|
||||
in `altlib.anchor_luck_delta`). Isolata qui apposta per essere testabile.
|
||||
"""
|
||||
return np.array([d[name][j] for d in draws], float)
|
||||
|
||||
|
||||
def pctl_of(arr: np.ndarray, v: float) -> float:
|
||||
return float((arr < v).mean() * 100.0)
|
||||
|
||||
|
||||
def band(arr: np.ndarray) -> tuple[float, float, float]:
|
||||
return float(np.median(arr)), float(np.percentile(arr, 10)), float(np.percentile(arr, 90))
|
||||
|
||||
|
||||
def main() -> None:
|
||||
ap = argparse.ArgumentParser()
|
||||
ap.add_argument("--draws", type=int, default=600)
|
||||
ap.add_argument("--force", action="store_true", help="ricalcola le serie ignorando la cache")
|
||||
args = ap.parse_args()
|
||||
|
||||
t_start = time.time()
|
||||
print("=" * 100)
|
||||
print(" r0726 — LEAVE-ONE-OUT del book 5-sleeve, DE-LUCKATO sulle ancore")
|
||||
print("=" * 100)
|
||||
|
||||
sanity()
|
||||
|
||||
print(f"\n[PRECALCOLO] {sum(len(v[1]) for v in SPEC.values())} serie d'ancora "
|
||||
f"(spazio congiunto {np.prod([len(v[1]) for v in SPEC.values()]):,})")
|
||||
S = build_all(force=args.force)
|
||||
|
||||
# --- configurazione canonica (quella di tutti i numeri del progetto) ---
|
||||
canon_cfg = {n: SPEC[n][2] for n in SPEC}
|
||||
canon = one_config(S, canon_cfg)
|
||||
|
||||
# --- estrazioni congiunte uniformi indipendenti ---
|
||||
rng = np.random.default_rng(SEED)
|
||||
print(f"\n[ESTRAZIONI] {args.draws} configurazioni d'ancora congiunte, "
|
||||
f"uniformi indipendenti (seed {SEED})")
|
||||
t0 = time.time()
|
||||
draws = []
|
||||
for _ in range(args.draws):
|
||||
cfg = {n: int(rng.choice(SPEC[n][1])) for n in SPEC}
|
||||
draws.append(one_config(S, cfg))
|
||||
print(f" fatte in {time.time()-t0:.0f}s")
|
||||
|
||||
# ------------------------------------------------------------------
|
||||
# Livello del book
|
||||
# ------------------------------------------------------------------
|
||||
B = np.array([d["book"] for d in draws], float)
|
||||
print("\n" + "=" * 100)
|
||||
print(" (1) LIVELLO DEL BOOK — quanto dei numeri pubblicati e' l'ancora che ci e' capitata")
|
||||
print("=" * 100)
|
||||
print(f" {'':<22}{'canonico':>10}{'pctl':>7}{'MEDIANA':>10}{'p10':>9}{'p90':>9}"
|
||||
f"{'fortuna':>10}")
|
||||
for j, lab in enumerate(["Sharpe FULL", "Sharpe HOLD-OUT", "maxDD FULL"]):
|
||||
med, lo, hi = band(B[:, j])
|
||||
can = canon["book"][j]
|
||||
fmt = (lambda x: f"{x*100:8.2f}%") if j == 2 else (lambda x: f"{x:+8.3f}")
|
||||
# pctl a 1 decimale: un "100%" arrotondato da 99.55% e' esattamente il numero che
|
||||
# inganna una lettura futura (qui 9 estrazioni su 2000 battono la canonica).
|
||||
print(f" {lab:<22}{fmt(can)}{pctl_of(B[:, j], can):6.1f}%{fmt(med)}"
|
||||
f"{fmt(lo)}{fmt(hi)}{fmt(can - med)}")
|
||||
print("\n (fortuna = canonico - mediana. Su maxDD un valore NEGATIVO e' fortuna:")
|
||||
print(" il DD canonico e' piu' basso del tipico.)")
|
||||
|
||||
# ------------------------------------------------------------------
|
||||
# Leave-one-out de-luckato
|
||||
# ------------------------------------------------------------------
|
||||
print("\n" + "=" * 100)
|
||||
print(" (2) LEAVE-ONE-OUT DE-LUCKATO — contributo di ogni sleeve, mediana delle")
|
||||
print(" DIFFERENZE APPAIATE (book con X) - (book senza X) alla STESSA ancora")
|
||||
print("=" * 100)
|
||||
order = sorted(SPEC, key=lambda n: -float(np.median(paired_deltas(draws, n, 0))))
|
||||
for j, lab in enumerate(["dSharpe FULL", "dSharpe HOLD-OUT", "dMaxDD (pp, >0 = protegge)"]):
|
||||
print(f"\n --- {lab} ---")
|
||||
print(f" {'sleeve':<9}{'w':>6}{'canonico':>11}{'pctl':>7}{'MEDIANA':>11}"
|
||||
f"{'p10':>10}{'p90':>10}{'>0 in':>9}")
|
||||
for n in order:
|
||||
arr = paired_deltas(draws, n, j)
|
||||
med, lo, hi = band(arr)
|
||||
can = canon[n][j]
|
||||
k = 100.0 if j == 2 else 1.0
|
||||
u = "pp" if j == 2 else ""
|
||||
print(f" {SHORT[n]:<9}{WEIGHTS[n]*100:5.0f}%{can*k:+10.3f}{u}"
|
||||
f"{pctl_of(arr, can):6.1f}%{med*k:+10.3f}{u}{lo*k:+9.3f}{u}{hi*k:+9.3f}{u}"
|
||||
f"{(arr > 0).mean()*100:7.1f}%")
|
||||
|
||||
# ------------------------------------------------------------------
|
||||
# Quanto sposta il de-luck ogni contributo
|
||||
# ------------------------------------------------------------------
|
||||
print("\n" + "=" * 100)
|
||||
print(" (3) FORTUNA PER SLEEVE — canonico meno mediana, sul suo stesso contributo")
|
||||
print("=" * 100)
|
||||
print(f" {'sleeve':<9}{'dFULL':>22}{'dHOLD':>22}{'dDD':>22}")
|
||||
print(f" {'':<9}{'can':>8}{'med':>7}{'luck':>7}{'can':>8}{'med':>7}{'luck':>7}"
|
||||
f"{'can':>8}{'med':>7}{'luck':>7}")
|
||||
for n in order:
|
||||
row = f" {SHORT[n]:<9}"
|
||||
for j in range(3):
|
||||
arr = paired_deltas(draws, n, j)
|
||||
med = float(np.median(arr))
|
||||
can = canon[n][j]
|
||||
k = 100.0 if j == 2 else 1.0
|
||||
row += f"{can*k:+8.2f}{med*k:+7.2f}{(can-med)*k:+7.2f}"
|
||||
print(row)
|
||||
|
||||
# ------------------------------------------------------------------
|
||||
# Correlazioni: struttura o ancora?
|
||||
# ------------------------------------------------------------------
|
||||
print("\n" + "=" * 100)
|
||||
print(" (4) CORRELAZIONI FRA SLEEVE — banda sulle estrazioni (finestra comune)")
|
||||
print("=" * 100)
|
||||
rng2 = np.random.default_rng(SEED + 1)
|
||||
pairs = [(a, b) for i, a in enumerate(SPEC) for b in list(SPEC)[i + 1:]]
|
||||
acc = {p: [] for p in pairs}
|
||||
for _ in range(min(120, args.draws)):
|
||||
cfg = {n: int(rng2.choice(SPEC[n][1])) for n in SPEC}
|
||||
D = pd.concat({n: S[n][cfg[n]] for n in SPEC}, axis=1, join="inner").fillna(0.0)
|
||||
C = D.corr()
|
||||
for a, b in pairs:
|
||||
acc[(a, b)].append(float(C.loc[a, b]))
|
||||
Dc = pd.concat({n: S[n][SPEC[n][2]] for n in SPEC}, axis=1, join="inner").fillna(0.0).corr()
|
||||
print(f" {'coppia':<16}{'canonica':>10}{'MEDIANA':>10}{'p10':>9}{'p90':>9}")
|
||||
for a, b in sorted(pairs, key=lambda p: -abs(np.median(acc[p]))):
|
||||
arr = np.array(acc[(a, b)], float)
|
||||
med, lo, hi = band(arr)
|
||||
print(f" {SHORT[a]+'-'+SHORT[b]:<16}{Dc.loc[a, b]:+9.3f}{med:+10.3f}"
|
||||
f"{lo:+9.3f}{hi:+9.3f}")
|
||||
|
||||
print(f"\nFatto in {time.time()-t_start:.0f}s.")
|
||||
print("NB: attribuzione de-luckata, NON evidenza out-of-sample — il book e' misurato")
|
||||
print(" sugli stessi anni su cui XS01 e SKH01 sono stati scelti e affinati.")
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
@@ -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"
|
||||
Reference in New Issue
Block a user