"""MR02 — Donchian Fade (mean-reversion sugli estremi del canale).

L'opposto esatto del trend-following Donchian (che PERDE netto: vedi
scripts/analysis/strategy_research.py). Coerente con la lezione squeeze:
i breakout RIENTRANO, quindi si fada la rottura del canale verso il centro.

Logica:
    1. Canale Donchian: massimo/minimo delle ultime n barre (escludendo la corrente)
    2. ENTRY: close rompe SOPRA il massimo del canale -> SHORT (fade);
       close rompe SOTTO il minimo -> LONG. Ingresso a close[i] (eseguibile).
    3. EXIT: take-profit al centro del canale (il rientro atteso),
       stop-loss a sl_atr*ATR oltre l'estremo, time-limit max_bars.

Validazione (netto, fee 0.10% RT reale Deribit, leva 3x, OOS = ultimo 30%):
    BTC 1h n=20: +879% FULL / +171% OOS, DD 30%, 8/9 anni positivi
    ETH 1h n=20: enorme FULL / +8452% OOS, DD 42%
    Robusto su TUTTA la griglia n in {10,20,30,50} x sl_atr in {1.5,2.0,3.0}
    (BTC+ETH 1h sempre positivo OOS) e su tutte le fee 0.00-0.20% RT.
    Ricerca completa: scripts/analysis/strategy_research_v2.py.
"""
from __future__ import annotations
import sys
sys.path.insert(0, ".")

import numpy as np
import pandas as pd

from src.strategies.base import Signal
from src.strategies.fade_base import FadeStrategy, atr, trend_distance


class DonchianFade(FadeStrategy):
    name = "MR02_donchian_fade"
    description = "Mean-reversion: fada la rottura del canale Donchian, TP al centro"
    default_assets = ["BTC", "ETH"]
    default_timeframes = ["1h"]

    def generate_signals(self, df: pd.DataFrame, ts: pd.DatetimeIndex,
                         **params) -> list[Signal]:
        n = params.get("n", 20)
        sl_atr = params.get("sl_atr", 2.0)
        max_bars = params.get("max_bars", 24)
        trend_max = params.get("trend_max")          # None = filtro disattivo
        ema_long = params.get("ema_long", 200)
        # Edge minimo: salta i fade il cui TP (midpoint canale) è entro il costo RT. 0 = off.
        min_tp_frac = params.get("min_tp_frac", 0.0)

        h, l, c = df["high"].values, df["low"].values, df["close"].values
        hh = pd.Series(h).rolling(n).max().shift(1).values
        ll = pd.Series(l).rolling(n).min().shift(1).values
        a = atr(df, 14)
        td = trend_distance(df, ema_long) if trend_max is not None else None

        signals: list[Signal] = []
        for i in range(n + 14, len(c)):
            if np.isnan(hh[i]) or np.isnan(a[i]):
                continue
            if td is not None and (np.isnan(td[i]) or td[i] > trend_max):
                continue
            mid = (hh[i] + ll[i]) / 2.0
            if c[i] > hh[i] and c[i - 1] <= hh[i - 1]:          # rottura rialzista -> fade short
                d, sl = -1, c[i] + sl_atr * a[i]
            elif c[i] < ll[i] and c[i - 1] >= ll[i - 1]:        # rottura ribassista -> fade long
                d, sl = 1, c[i] - sl_atr * a[i]
            else:
                continue
            if min_tp_frac > 0 and abs(mid - c[i]) / c[i] <= min_tp_frac:
                continue                              # TP entro le fee -> non eseguibile in utile
            signals.append(Signal(
                idx=i, direction=d, entry_price=c[i],
                metadata={"tp": float(mid), "sl": float(sl), "max_bars": max_bars},
            ))
        return signals


if __name__ == "__main__":
    strat = DonchianFade()
    print("=" * 110)
    print(f"  MR02 DONCHIAN FADE — netto fee {strat.fee_rt*100:.2f}% RT, leva {strat.leverage:.0f}x")
    print("=" * 110)
    for asset in ["BTC", "ETH"]:
        r = strat.backtest(asset, "1h", n=20, sl_atr=2.0, max_bars=24)
        if r:
            r.strategy_name = f"MR02 {asset} 1h n20"
            r.print_summary()
            r.print_yearly()