Adriano/PythagorasGoal
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

merge: muro come punto fisso — previsione refutata, book deployable a 73.900

Browse Source
This commit is contained in:
Adriano Dal Pastro
2026-07-26 18:58:20 +00:00
parent 29626210e6 3a44171402
commit dc60624772
4 changed files with 512 additions and 3 deletions
Download Patch File Download Diff File Expand all files Collapse all files
CLAUDE.md
+36 -3
View File
@@ -889,9 +889,9 @@ Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condivis
stesso conto Deribit**: tre sleeve quasi-ortogonali sui ritorni, **perfettamente correlati sul
fallimento del venue** — cosa che la matrice di correlazione del book non vede per costruzione.
(0-bis) ⚠️ **Limite dei muri del 25-26/07:** `book_series` gira a **`alloc=$600` col book a 2
sleeve** → portarlo fino a $272k assume (a) che a $272k si giri ancora il book da $600 (falso:
a $3k GTAA01, $5k XSR01, $20k XS01 → il muro vero e' **piu' basso**) e (b) **"tutto su Deribit"
per 10-20 anni, senza dirlo**.
sleeve** → portarlo fino a $272k assume (a) che a $272k si giri ancora il book da $600 e (b)
**"tutto su Deribit" per 10-20 anni, senza dirlo**. ✅ **(a) MISURATO e REFUTATO il 26/07** —
vedi bullet "MURO COME PUNTO FISSO": il muro **non** scende, $273.900 vs $272.061 (**+1%**).
(1) **La misura** (accumulo da $600, €250/m, 20a, bersaglio $272k, ×0.89, jump di venue a
probabilita' annua `p`; CONC = 100% Deribit vs SPLIT = Deribit 65 / HL 15 / IB 20; **bersaglio
identico → conservativo CONTRO lo split**):
@@ -954,6 +954,39 @@ Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condivis
**curva**, non aspettando il numero; (b) dichiarare la **qualita' della fonte** (immagine non
letta = dato secondario); (c) una conclusione che poggia su un parametro di config va legata a
un **test su quel parametro**, o sopravvive al cambio che la rende falsa.
- ❌ **MURO COME PUNTO FISSO — la mia previsione era SBAGLIATA e il numero pubblicato era giusto
per caso (2026-07-26).** Script `r0726_wall_fixedpoint.py`, test `tests/test_wall_fixedpoint.py`
(11), diario `2026-07-26-wall-fixedpoint.md`. **Book/pesi/cron INVARIATI.**
Il follow-up dichiarato diceva: *"i muri usano il book a 2 sleeve da $600 estrapolato a $272k;
il book diversificato ha Sharpe piu' alto → **il muro vero e' piu' basso**"*. **Misurato: FALSO.**
(1) **Struttura giusta: il muro e' un PUNTO FISSO** — serve capitale C per girare il book che
determina il muro C → si itera `C_{n+1} = muro(book(C_n))`. Converge in **1 iterazione** perche'
il muro cade **sopra** la soglia XS01 ($117k), quindi la composizione non cambia; la struttura
conta solo se il muro atterra vicino a una soglia — ma **va iterato per saperlo**.
(2) **Risultato:** book deployable (TP01 38/SKH01 23/GTAA01 23/XS01 17; **VRP01 escluso** per
regola short-vol, **XSR01 escluso** per gate 23/10; costi capital-aware; ancora ×0.860 misurata
su questo book) → Sharpe **1.94**, vol 8.9%, CAGR 18.3%. **Muro $273.900 vs $272.061 = +1%.**
(3) **Perche':** diversificare alza lo Sharpe (1.64 → 1.94) ma abbassa **drift e vol insieme**;
la rendita perpetua vive sul **drift** → 10.91% → 10.84% = invariata. **Il guadagno di Sharpe va
in meno rischio, non in piu' reddito** — cioe' il fatto gia' misurato il 25/07 §3, che avevo
dimenticato scrivendo il follow-up.
(4) ⚠️ **Stavo violando una regola gia' codificata:** *"un diversificatore a basso CAGR si giudica
a ISO-RISCHIO, mai a iso-nozionale"* (25/07 §3). A iso-rischio (leva **1.28x**): rendita 13.35%,
**muro $222.406 = −18%** — ✅ **replica indipendente** del −19% misurato il 25/07 con macchineria
e book diversi. Vale **solo** se la leva e' disponibile e a costo < uplift (IB: Reg-T 2x,
portfolio margin da ~$110k, margine ~5.5%/a): **$222k e' un TETTO, non una stima.**
(5) ⚠️ **BUG catturato prima di pubblicare:** la prima corsa dava Sharpe 0.95 e muro **$854k**
("diversificare triplica il muro" — spettacolare e falso). Causa: `CC.gtaa_banded` ritorna la
storia GTAA **dal 1996** mentre lo sleeve di produzione tronca a `GTAA_BOOK_ACTIVATION`; con la
rinormalizzazione per-riga di `combine_outer` il **75% del campione** era **GTAA01 da solo al
100%**. Preso **non da un test** ma perche' la somma pesata dei componenti (~18%) non tornava col
drift del combinato (6.8%). **Diagnostica decisiva: la COPERTURA PER COLONNA** (TP01 24.6% /
SKH01 24.6% / GTAA01 100.0% / XS01 8.6%) — un 100% accanto a valori bassi dice tutto.
**REGOLE:** (a) un follow-up dichiarato contiene una **previsione**, che va misurata non assunta;
(b) **rileggere le regole gia' codificate prima di impostare il confronto**; (c) quando un
aggregato non torna con la somma dei suoi pezzi, **fermarsi** — era l'unico segnale del bug
(nessun test, nessuna eccezione, output plausibile); (d) **la copertura per colonna e' la prima
diagnostica di un outer-join**.
- **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.**
docs/diary/2026-07-26-wall-fixedpoint.md
+132
View File
@@ -0,0 +1,132 @@
# 2026-07-26 — Il muro come PUNTO FISSO: la mia previsione era sbagliata, e il numero pubblicato era giusto per caso
**Richiesta:** *"fai follow up"* — il follow-up dichiarato poche ore prima:
> I muri assumono il book a 2 sleeve da $600 fino a $272k. Il book a 5 sleeve ha Sharpe piu' alto,
> quindi **il muro vero e' piu' basso di $272k**.
**Script:** `r0726_wall_fixedpoint.py`. **Test:** `tests/test_wall_fixedpoint.py` (11).
**Book, pesi, cron, config: INVARIATI.**
---
## 0. Esito in una riga
**La previsione era sbagliata: il muro NON scende.** A pari nozionale e' **$273.900** contro i
**$272.061** pubblicati — **+1%**, cioe' l'estrapolazione col book a 2 sleeve era **giusta per
caso**. Solo a **iso-rischio** scende, a **$222.406 (−18%)**, e li' serve leva a costo minore
dell'uplift, che non e' gratis.
---
## 1. La struttura giusta: il muro e' un punto fisso
Il difetto era reale: `book_series(alloc=$600)` e' il book a **2 sleeve**, estrapolato fino a
$272k. A quella taglia gireresti un altro book — a ~$13k si accende GTAA01 (IB), a ~$118k XS01
(Hyperliquid, 19 gambe).
E la correzione ha una forma: **serve capitale C per girare il book che determina il muro C**.
Si itera `C_{n+1} = muro(book(C_n))`.
```
iter capitale ipotesi sleeve Sharpe rendita -> muro
0 $272,061 TP01+SKH01+GTAA01+XS01 1.94 10.84% $273,900
CONVERGE a $273,900 (variazione < 2%)
```
Converge in **una** iterazione, e il motivo e' istruttivo: il muro cade **sopra** la soglia di
XS01 ($117k), quindi la composizione del book non cambia fra un'iterazione e l'altra. La struttura
a punto fisso conta solo se il muro atterra **vicino a una soglia** — qui non succede, ma non si
poteva sapere prima di iterare.
**Regole di ammissione rispettate** (e' il book *deployable*, non il *migliore*): **VRP01 escluso**
(regola permanente: niente short-vol da modello in deploy), **XSR01 escluso** (gate pre-registrato
23/10), pesi = book attivo rinormalizzato, costi **capital-aware** (TP01 haircut min-order, GTAA01
commissione IB reale a banda+cadenza, SKH01 sul path live), fattore d'ancora **misurato su questo
book** (×0.860) e non ereditato.
---
## 2. Perche' il muro non scende
```
sleeve peso drift/a vol/a Sharpe
TP01 38% 15.7% 12.2% 1.29
SKH01 23% 27.6% 23.4% 1.18
GTAA01 23% 6.1% 5.4% 1.12
XS01 17% 28.0% 20.9% 1.34
book 2-sleeve (riferimento) drift 18.6% vol 11.4% Sharpe 1.64
book deployable al p.fisso CAGR 18.3% vol 8.9% Sharpe 1.94
```
Diversificare **alza lo Sharpe** (1.64 → 1.94) ma abbassa **drift e vol insieme**. La rendita
perpetua vive sul drift: 10.91% → 10.84%, cioe' **invariata**. Il guadagno di Sharpe finisce tutto
in **meno rischio**, non in piu' reddito.
E' esattamente il fatto gia' misurato il 25/07 (§3): *"Diversificare NON crea reddito a pari
nozionale — libera BUDGET DI RISCHIO"*. Non me ne ero ricordato scrivendo il follow-up.
## 3. Il confronto onesto e' a ISO-RISCHIO — e stavo violando una regola del progetto
CLAUDE.md ha una regola codificata il 25/07:
> **Un diversificatore a basso CAGR si giudica a ISO-RISCHIO, mai a iso-nozionale** (e' il null
> de-levering al contrario).
Il confronto che avevo impostato era **iso-nozionale**: quello sbagliato secondo la regola del
progetto stesso.
```
lente rendita muro
2 sleeve, ×0.89 (pubblicato) 10.91% $272,061
deployable, ISO-NOZIONALE (leva 1.00x) 10.84% $273,900 (+1%)
deployable, ISO-RISCHIO (leva 1.28x) 13.35% $222,406 (-18%)
```
✅ **Replica indipendente:** il 25/07 misurava, con macchineria diversa e su un book diverso,
iso-rischio → **−19% di muro**. Qui esce **−18%**. Due implementazioni separate, stesso numero.
⚠️ L'iso-rischio vale **solo se la leva e' (a) disponibile e (b) a costo minore dell'uplift** —
addendum IB del 25/07: su ETF a IB c'e' Reg-T 2x (portfolio margin da ~$110k) e il margine costa
~5.5%/anno. **Il $222k NON sconta il costo del margine: e' un tetto, non una stima.**
---
## 4. Il bug che ha quasi prodotto un titolo grottesco
La prima corsa dava: Sharpe **0.95**, CAGR 6.7%, muro **$854.013** — cioe' *"diversificare triplica
il muro"*, un risultato spettacolare e falso. Il numero era plausibile abbastanza da poter essere
pubblicato.
**Causa:** `CC.gtaa_banded` ritorna la storia GTAA **dal 1996**, mentre lo sleeve di produzione
(`sleeves._gtaa_daily_returns`) la tronca a `GTAA_BOOK_ACTIVATION` (2019-03). Con la
rinormalizzazione per-riga di `combine_outer`, per il **75% del campione** (1996-2019) il "book a
4 sleeve" era **GTAA01 da solo al 100%** — uno sleeve al 4% di drift.
**Come l'ho preso:** non da un test, ma perche' **la somma pesata dei componenti (~18%) non
tornava col drift del combinato (6.8%)**. Una discrepanza di 11 punti che non sapevo spiegare.
**Diagnostica decisiva:** la copertura per colonna — `TP01 24.6% / SKH01 24.6% / GTAA01 100.0% /
XS01 8.6%`. Un 100% accanto a tre valori bassi dice tutto in una riga.
**Cablato:** `test_gtaa_e_troncato_all_era_book` (la causa), `test_il_book_deployable_non_parte_dal_1996`
(l'effetto, per prendere una gamba futura che reintroducesse storia antecedente) e
`test_il_book_a_4_sleeve_ha_sharpe_superiore_al_singolo_gtaa` (plausibilita').
---
## 5. Regole trasferibili
1. **Un follow-up dichiarato contiene una PREVISIONE, e la previsione va misurata, non assunta.**
Avevo scritto in CLAUDE.md "il muro vero e' piu' basso": era una deduzione ragionevole
(piu' Sharpe → piu' rendita) e sbagliata, perche' la rendita vive sul **drift**.
2. **Prima di misurare, rileggere le regole gia' codificate.** La risposta ("diversificare non
crea reddito a pari nozionale, si giudica a iso-rischio") era gia' in CLAUDE.md dal 25/07 e ho
impostato comunque il confronto sbagliato.
3. **Quando un aggregato non torna con la somma dei suoi pezzi, fermarsi.** L'11% di discrepanza
era l'unico segnale del bug: nessun test lo copriva, nessuna eccezione, output plausibile.
4. **La copertura per colonna e' la prima diagnostica di un outer-join.** Un 100% accanto a valori
bassi = una gamba con storia diversa che domina la rinormalizzazione.
5. **Un punto fisso converge subito se non e' vicino a una soglia** — ma va iterato lo stesso per
saperlo.
scripts/research/r0726_wall_fixedpoint.py
+242
View File
@@ -0,0 +1,242 @@
#!/usr/bin/env python
"""r0726_wall_fixedpoint.py — il muro di capitale come PUNTO FISSO, col book giusto alla taglia.
FOLLOW-UP dichiarato il 2026-07-26 e chiuso qui.
IL DIFETTO. `r0726_capwall_refresh.py` (e prima `r0725_capcurve`) calcola il muro con
`book_series(alloc=$600)` = **book a 2 sleeve**, e lo estrapola fino a $272.061. Ma a $272k non
gireresti quel book: a ~$13k si accende GTAA01 (IB), a ~$118k XS01 (Hyperliquid). Il book
diversificato ha Sharpe piu' alto → **rendita perpetua piu' alta → muro piu' basso**.
E la correzione ha una struttura: **il muro e' un PUNTO FISSO**. Serve capitale C per girare il
book che determina il muro C. Si itera C_{n+1} = muro(book(C_n)) fino a convergenza.
REGOLE DI AMMISSIONE RISPETTATE (non e' il book "migliore", e' quello DEPLOYABILE):
* **VRP01 ESCLUSO** — regola permanente del progetto: *niente short-vol da modello in deploy*
(premio modellato su DVOL ATM, skew non esplicito, f di stress reale non catturato);
* **XSR01 ESCLUSO** — non ammesso: gate pre-registrato al 2026-10-23, oggi forward-monitor;
* pesi = quelli del book ATTIVO rinormalizzati sugli sleeve inclusi;
* costi **capital-aware**: TP01 con haircut min-order, GTAA01 con commissione IB reale a banda
e cadenza settimanale, SKH01 sul **path live** (lente hourly);
* soglie: GTAA01 alloc >= $3.000 (`GTAA_MIN_CAPITAL`), XS01 alloc >= $20.000 (19 gambe).
DE-LUCK: fattore d'ancora **misurato sul book deployable stesso** (estrazioni congiunte sulle
serie d'ancora in cache), non ereditato da un altro book.
uv run python scripts/research/r0726_wall_fixedpoint.py
"""
from __future__ import annotations
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"))
sys.path.insert(0, str(ROOT / "scripts" / "research" / "alt"))
import r0724_skh_live_weight as skl # noqa: E402
import r0725_capcurve as CC # noqa: E402
import r0726_capwall_refresh as CW # noqa: E402
import r0726_loo_deluck as L # noqa: E402
from src.portfolio.gtaa import GTAA_MIN_CAPITAL # noqa: E402
from src.portfolio.portfolio import combine_outer, metrics # noqa: E402
from src.portfolio.sleeves import (GTAA_BOOK_ACTIVATION, # noqa: E402
_xsec_returns)
DPY = 365.25
XS_MIN_CAPITAL = 20_000.0 # 19 gambe market-neutral (soglia documentata)
# book ATTIVO senza VRP01 (regola: niente short-vol da modello in deploy), rinormalizzato su 0.88
W_DEPLOY = {"TP01": 0.33 / 0.88, "SKH01": 0.20 / 0.88,
"GTAA01": 0.20 / 0.88, "XS01": 0.15 / 0.88}
# nome deployable -> nome nella griglia d'ancora di r0726_loo_deluck
ANCHOR_NAME = {"TP01": "TP01_trend_1d", "SKH01": "SKH01_skyhook",
"GTAA01": "GTAA01_eq_trend", "XS01": "XS01_xsec_hl"}
MIN_ALLOC = {"TP01": 0.0, "SKH01": 0.0, "GTAA01": GTAA_MIN_CAPITAL, "XS01": XS_MIN_CAPITAL}
def _daily(s: pd.Series) -> pd.Series:
s = s.dropna().sort_index()
if s.index.tz is None:
s.index = s.index.tz_localize("UTC")
return s
def included_at(capital: float) -> dict:
"""Sleeve eseguibili a quel capitale, con pesi rinormalizzati fra i soli inclusi."""
inc = {k: w for k, w in W_DEPLOY.items() if capital * w >= MIN_ALLOC[k]}
tot = sum(inc.values())
return {k: w / tot for k, w in inc.items()}
def anchor_factor(weights: dict, draws: int = 800) -> float:
"""Fattore d'ancora sul DRIFT, misurato su QUESTO book (non ereditato)."""
S = L.build_all()
names = [ANCHOR_NAME[k] for k in weights]
wmap = {ANCHOR_NAME[k]: v for k, v in weights.items()}
canon = combine_outer({n: S[n][L.SPEC[n][2]] for n in names}, wmap)
d_can = float(canon.dropna().values.mean() * DPY)
rng = np.random.default_rng(L.SEED)
ds = []
for _ in range(draws):
cfg = {n: int(rng.choice(L.SPEC[n][1])) for n in names}
s = combine_outer({n: S[n][cfg[n]] for n in names}, wmap)
ds.append(float(s.dropna().values.mean() * DPY))
return float(np.median(ds) / d_can) if d_can else float("nan")
_SKH = None
_XS = None
def realistic_book(capital: float, weights: dict) -> pd.Series:
"""Book DEPLOYABLE a quel capitale, coi costi reali di ciascun venue."""
global _SKH, _XS
if _SKH is None:
_SKH = _daily(skl.skh_book(0, "hourly"))
if _XS is None:
_XS = _daily(_xsec_returns()).resample("1D").apply(lambda x: (1 + x).prod() - 1)
cols = {}
for k, w in weights.items():
alloc = capital * w
if k == "TP01":
cols[k] = CC.tp01_realistic(alloc)
elif k == "SKH01":
cols[k] = _SKH
elif k == "GTAA01":
# ⚠️ `CC.gtaa_banded` ritorna la storia PIENA dal 1996; lo sleeve di produzione
# (`sleeves._gtaa_daily_returns`) tronca a GTAA_BOOK_ACTIVATION. Senza questo
# troncamento il 75% del campione (1996-2019) e' GTAA01 DA SOLO al 100% dopo la
# rinormalizzazione per-riga di combine_outer -> il "book a 4 sleeve" diventa uno
# sleeve a basso CAGR e il muro esce grottescamente alto. Bug catturato in sessione.
g = _daily(CC.gtaa_banded(alloc, CC.GTAA_BAND_USD, CC.GTAA_EVERY))
cols[k] = g[g.index >= GTAA_BOOK_ACTIVATION]
elif k == "XS01":
cols[k] = _XS
return combine_outer(cols, weights)
def wall_of(capital: float, deluck: float, k: float = 1.0) -> tuple[float, float, dict]:
"""(muro, tasso di rendita perpetua, metriche) del book deployable a quel capitale."""
w = included_at(capital)
b = realistic_book(capital, w)
r = (b - (1.0 - deluck) * float(b.mean())).values.astype(float)
gross = CC.TARGET_EUR_DAY * 365 * CC.EURUSD / (1 - CC.TAX_RATE)
_swr, perp, cap = CW.perp_and_wall(r, k, gross)
return cap, perp, dict(sharpe=metrics(b)["sharpe"], cagr=metrics(b)["cagr"],
vol=float(b.std() * np.sqrt(DPY)), sleeves=w)
def main() -> None:
print("=" * 100)
print(" r0726 — IL MURO COME PUNTO FISSO (book giusto alla taglia). Chiude il follow-up.")
print("=" * 100)
print(" Difetto corretto: il muro pubblicato ($272k) usa il book a 2 sleeve da $600")
print(" estrapolato fino a $272k. A quella taglia gireresti un book diverso.")
# --- fattore d'ancora del book deployable, misurato su se stesso -----------
w_full = included_at(1_000_000.0)
f = anchor_factor(w_full)
print(f"\n Fattore d'ancora sul drift, MISURATO su questo book "
f"({'+'.join(w_full)}): ×{f:.3f}")
print(f" (per confronto: ×0.874 book 5-sleeve, ×0.890 book live 2-sleeve)")
# --- soglie ---------------------------------------------------------------
print("\n SOGLIE DI SBLOCCO (peso deployable × capitale >= minimo dello sleeve)")
for k, w in sorted(W_DEPLOY.items(), key=lambda x: -MIN_ALLOC[x[0]]):
need = MIN_ALLOC[k] / w if MIN_ALLOC[k] > 0 else 0.0
print(f" {k:<8} peso {w:.1%} min alloc ${MIN_ALLOC[k]:>9,.0f} "
f"-> serve capitale ${need:>10,.0f}" if need else
f" {k:<8} peso {w:.1%} nessuna soglia")
# --- punto fisso ----------------------------------------------------------
print("\n" + "-" * 100)
print(" ITERAZIONE AL PUNTO FISSO C_{n+1} = muro( book(C_n) )")
print("-" * 100)
print(f" {'iter':>5}{'capitale ipotesi':>20}{'sleeve':>34}{'Sharpe':>8}"
f"{'rendita':>9}{'-> muro':>14}")
C = 272_061.0
for i in range(6):
cap, perp, m = wall_of(C, f)
names = "+".join(m["sleeves"])
print(f" {i:>5}{'$'+format(C, ',.0f'):>20}{names:>34}{m['sharpe']:>8.2f}"
f"{perp:>9.2%}{'$'+format(cap, ',.0f'):>14}")
if abs(cap - C) / max(C, 1) < 0.02:
C = cap
print(f"\n CONVERGE a ${C:,.0f} (variazione < 2%)")
break
C = cap
else:
print(f"\n non converge in 6 iterazioni, ultimo valore ${C:,.0f}")
# --- confronto ------------------------------------------------------------
print("\n" + "=" * 100)
print(" CONFRONTO COI NUMERI PUBBLICATI")
print("=" * 100)
cap2, perp2, m2 = 272_061.0, 0.1091, None
print(f" {'lente':<52}{'rendita':>10}{'muro':>14}")
print(f" {'25/07: 2 sleeve, de-luck ×0.60 (a occhio)':<52}{6.00:>9.2f}%"
f"{'$494,758':>14}")
print(f" {'26/07: 2 sleeve, de-luck ×0.89 (misurato)':<52}{perp2*100:>9.2f}%"
f"{'$'+format(cap2, ',.0f'):>14}")
capf, perpf, mf = wall_of(C, f)
print(f" {'26/07-bis: book DEPLOYABLE alla taglia, punto fisso':<52}"
f"{perpf*100:>9.2f}%{'$'+format(capf, ',.0f'):>14}")
print(f"\n Sharpe del book al punto fisso: {mf['sharpe']:.2f} "
f"(vol {mf['vol']*100:.1f}%, CAGR {mf['cagr']*100:.1f}%)")
print(f" sleeve attivi: {', '.join(f'{k} {v:.0%}' for k, v in mf['sleeves'].items())}")
delta = capf / cap2 - 1.0
print(f"\n >>> il muro si sposta di {delta*100:+.0f}% rispetto al numero pubblicato")
# ---------------- perche': diagnostica per sleeve --------------------------
print("\n" + "-" * 100)
print(" PERCHE' — contributo di ciascuno sleeve al punto fisso")
print("-" * 100)
w = included_at(C)
print(f" {'sleeve':<9}{'peso':>7}{'drift/a':>10}{'vol/a':>9}{'Sharpe':>9}")
for k, wk in w.items():
s = _daily(realistic_book(C, {k: 1.0}))
print(f" {k:<9}{wk:>6.0%}{s.mean()*DPY*100:>9.1f}%{s.std()*np.sqrt(DPY)*100:>8.1f}%"
f"{metrics(s)['sharpe']:>9.2f}")
b2 = _daily(CC.book_series("hourly"))
print(f"\n book 2-sleeve (riferimento) drift {b2.mean()*DPY*100:.1f}% "
f"vol {b2.std()*np.sqrt(DPY)*100:.1f}% Sharpe {metrics(b2)['sharpe']:.2f}")
print(" -> diluire in sleeve a BASSO CAGR abbassa drift E vol insieme: a pari")
print(" nozionale il muro SALE. E' il fatto gia' misurato il 25/07 (§3).")
# ---------------- il confronto ONESTO: iso-rischio -------------------------
print("\n" + "=" * 100)
print(" CONFRONTO A ISO-RISCHIO — la regola del progetto (25/07 §3)")
print("=" * 100)
print(" 'Un diversificatore a basso CAGR si giudica a ISO-RISCHIO, mai a iso-nozionale")
print(" (e' il null de-levering al contrario).' Il confronto sopra e' iso-nozionale:")
print(" secondo la regola del progetto e' quello SBAGLIATO. Qui quello giusto.")
bd = _daily(realistic_book(C, w))
vol_d = float(bd.std() * np.sqrt(DPY))
vol_2 = float(b2.std() * np.sqrt(DPY))
k_iso = vol_2 / vol_d if vol_d > 0 else 1.0
print(f"\n vol book deployable {vol_d*100:.1f}% | vol book 2-sleeve {vol_2*100:.1f}%"
f" -> leva iso-rischio k = {k_iso:.2f}x")
cap_iso, perp_iso, _ = wall_of(C, f, k=k_iso)
print(f"\n {'lente':<52}{'rendita':>10}{'muro':>14}")
print(f" {'2 sleeve, ×0.89 (pubblicato)':<52}{perp2*100:>9.2f}%"
f"{'$'+format(cap2, ',.0f'):>14}")
print(f" {'deployable, ISO-NOZIONALE (leva 1.0x)':<52}{perpf*100:>9.2f}%"
f"{'$'+format(capf, ',.0f'):>14}")
print(f" {f'deployable, ISO-RISCHIO (leva {k_iso:.2f}x)':<52}{perp_iso*100:>9.2f}%"
f"{'$'+format(cap_iso, ',.0f'):>14}")
print("\n ⚠️ L'iso-rischio vale SOLO se la leva e' (a) disponibile e (b) a costo minore")
print(" dell'uplift — lezione del 25/07 (addendum IB 10k): su ETF a IB c'e' Reg-T 2x")
print(" (portfolio margin da ~$110k) e il margine costa ~5.5%/anno. Il numero sopra")
print(" NON sconta il costo del margine: e' un TETTO, non una stima.")
print("\n ⚠️ VRP01 e XSR01 restano ESCLUSI per regola, non per risultato: includerli")
print(" abbasserebbe ancora il muro ma violerebbe 'niente short-vol da modello in")
print(" deploy' e il gate pre-registrato di XSR01.")
if __name__ == "__main__":
main()
tests/test_wall_fixedpoint.py
+102
View File
@@ -0,0 +1,102 @@
"""Test per r0726_wall_fixedpoint.py — il muro come punto fisso col book giusto alla taglia.
Il test che conta e' `test_gtaa_e_troncato_all_era_book`: e' il bug catturato in sessione.
`CC.gtaa_banded` ritorna la storia GTAA dal **1996**, mentre lo sleeve di produzione tronca a
`GTAA_BOOK_ACTIVATION`. Senza troncamento la rinormalizzazione per-riga di `combine_outer`
rende il 75% del campione (1996-2019) **GTAA01 da solo al 100%** — e il "book a 4 sleeve"
diventa uno sleeve a basso CAGR: Sharpe 0.95 invece di 1.94, muro $854k invece di $274k.
Un numero grottescamente sbagliato e perfettamente plausibile a prima vista.
"""
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_wall_fixedpoint as WF # noqa: E402
# ===========================================================================
# il bug: troncamento di GTAA01
# ===========================================================================
def test_gtaa_e_troncato_all_era_book():
from src.portfolio.sleeves import GTAA_BOOK_ACTIVATION
g = WF.realistic_book(300_000.0, {"GTAA01": 1.0})
assert g.index[0] >= GTAA_BOOK_ACTIVATION, (
f"GTAA01 parte da {g.index[0]}: storia pre-book inclusa, il book combinato sarebbe "
"GTAA01 da solo per la maggior parte del campione")
def test_il_book_deployable_non_parte_dal_1996():
"""Guardia sull'effetto, non solo sulla causa: se una gamba futura reintroducesse storia
antecedente, questo test la prende anche se il test sopra non la copre."""
b = WF.realistic_book(300_000.0, WF.included_at(300_000.0))
assert b.index[0] >= pd.Timestamp("2019-01-01", tz="UTC"), (
f"il book parte da {b.index[0]}: qualche gamba porta storia pre-era-crypto")
def test_il_book_a_4_sleeve_ha_sharpe_superiore_al_singolo_gtaa():
"""Controllo di plausibilita': un book diversificato non puo' avere lo Sharpe di GTAA01
da solo. Con il bug del troncamento faceva esattamente quello."""
from src.portfolio.portfolio import metrics
C = 300_000.0
b = WF.realistic_book(C, WF.included_at(C))
g = WF.realistic_book(C, {"GTAA01": 1.0})
assert metrics(b)["sharpe"] > metrics(g)["sharpe"] + 0.3
# ===========================================================================
# soglie e pesi
# ===========================================================================
def test_soglie_di_sblocco_degli_sleeve():
assert set(WF.included_at(1_000.0)) == {"TP01", "SKH01"}
assert set(WF.included_at(50_000.0)) == {"TP01", "SKH01", "GTAA01"}
assert set(WF.included_at(300_000.0)) == {"TP01", "SKH01", "GTAA01", "XS01"}
@pytest.mark.parametrize("cap", [600.0, 5_000.0, 50_000.0, 300_000.0])
def test_i_pesi_si_rinormalizzano_a_uno(cap):
w = WF.included_at(cap)
assert sum(w.values()) == pytest.approx(1.0)
assert all(v > 0 for v in w.values())
def test_vrp01_e_xsr01_sono_esclusi_per_regola():
"""VRP01: 'niente short-vol da modello in deploy'. XSR01: gate pre-registrato 2026-10-23.
Se qualcuno li aggiunge qui senza passare dai gate, il test lo dice."""
assert "VRP01" not in WF.W_DEPLOY
assert "XSR01" not in WF.W_DEPLOY
assert set(WF.W_DEPLOY) == {"TP01", "SKH01", "GTAA01", "XS01"}
def test_i_pesi_deployable_derivano_dal_book_attivo():
"""W_DEPLOY deve essere il book attivo meno VRP01, rinormalizzato — non pesi inventati."""
from src.portfolio.sleeves import active_sleeves
live = {s.name: s.weight for s in active_sleeves()}
atteso = {
"TP01": live["TP01_trend_1d"], "SKH01": live["SKH01_skyhook"],
"GTAA01": live["GTAA01_eq_trend"], "XS01": live["XS01_xsec_hl"]}
tot = sum(atteso.values())
for k, v in atteso.items():
assert WF.W_DEPLOY[k] == pytest.approx(v / tot, rel=1e-6), (
f"{k}: peso disallineato da active_sleeves()")
# ===========================================================================
# fattore d'ancora
# ===========================================================================
def test_anchor_factor_e_un_haircut_plausibile():
"""Deve essere <1 (l'ancora canonica e' un punto alto) ma non assurdo."""
f = WF.anchor_factor(WF.included_at(300_000.0), draws=40)
assert 0.6 < f < 1.05, f"fattore d'ancora implausibile: {f}"