"""Drift monitor per-famiglia — il rolling-return corrente di ogni famiglia vs la
DISTRIBUZIONE STORICA dei propri rolling-return (stessa finestra, storia 2021+).

Non è un filtro di trading: è OSSERVABILITÀ (la protezione giusta contro il drift è
accorgersene presto, non ritoccare i parametri — lezione 2026-06-11: le FADE al 2°
percentile sul 120g sono state trovate a mano; questo script lo rende ripetibile).

Percentile basso = la famiglia sta attraversando uno dei suoi tratti peggiori:
  - sotto P_WARN (5%): segnalato — coerente con la coda storica, OSSERVARE;
  - il PORT06 complessivo sotto P_WARN è più serio (la diversificazione non copre).
Equity dal builder canonico (all_sleeve_equities → parità coi gate).

    uv run python scripts/analysis/drift_monitor.py             # stampa
    uv run python scripts/analysis/drift_monitor.py --telegram  # + invio Telegram
"""
from __future__ import annotations

import sys
from pathlib import Path

import numpy as np
import pandas as pd

PROJECT_ROOT = Path(__file__).resolve().parents[2]
sys.path.insert(0, str(PROJECT_ROOT))

from scripts.analysis.combine_portfolio import port_returns
from scripts.portfolios._defs import PORTFOLIOS
from src.portfolio.sleeves import all_sleeve_equities
from src.portfolio import weighting as W

WINDOWS = (60, 120)      # giorni
P_WARN = 5.0             # percentile sotto cui segnalare


def family_returns():
    """Rendimenti daily per famiglia (equal-weight intra-famiglia) + PORT06 (pesi cap)."""
    p = PORTFOLIOS["PORT06"]
    eq = dict(all_sleeve_equities())
    ids = list(p.sleeve_ids)
    fams: dict[str, list] = {}
    for i in ids:
        fams.setdefault(W.family_of(i), []).append(i)
    out = {}
    for f, members in sorted(fams.items()):
        out[f] = port_returns({i: eq[i] for i in members},
                              {i: 1 / len(members) for i in members})
    dr = pd.DataFrame({i: eq[i].pct_change().fillna(0.0) for i in ids})
    w = W.weight_vector("cap", ids, dr, caps=p.caps, clusters=p.clusters)
    out["PORT06"] = port_returns({i: eq[i] for i in ids}, w)
    return out


def drift_rows():
    rows = []
    for name, r in family_returns().items():
        for win in WINDOWS:
            roll = (1 + r).rolling(win).apply(np.prod, raw=True) - 1
            roll = roll.dropna()
            if len(roll) < 100:
                continue
            cur = float(roll.iloc[-1])
            pct = float((roll < cur).mean() * 100)
            rows.append(dict(name=name, win=win, cur=cur * 100, pct=pct,
                             p5=float(roll.quantile(0.05) * 100),
                             med=float(roll.median() * 100)))
    return rows


def build_report(rows) -> tuple[str, bool]:
    warn = [r for r in rows if r["pct"] < P_WARN]
    L = ["📉 <b>Drift monitor</b> — rolling-return vs storia propria (2021+)"]
    L.append("<pre>" + f"{'famiglia':<9}{'win':>5}{'corr%':>8}{'pct':>6}{'p5%':>8}{'med%':>7}")
    for r in rows:
        flag = " ⚠️" if r["pct"] < P_WARN else ""
        L.append(f"{r['name']:<9}{r['win']:>4}g{r['cur']:>+8.1f}{r['pct']:>5.0f}%"
                 f"{r['p5']:>+8.1f}{r['med']:>+7.1f}{flag}")
    L.append("</pre>")
    if warn:
        names = ", ".join(f"{r['name']} {r['win']}g (p{r['pct']:.0f})" for r in warn)
        L.append(f"⚠️ sotto il p{P_WARN:.0f} storico: {names} — coda storica della famiglia: "
                 "OSSERVARE, non ritoccare i parametri (drift ≠ rottura; "
                 "vedi docs/diary/2026-06-11-stability-sweep.md)")
    else:
        L.append(f"✅ tutte le famiglie sopra il p{P_WARN:.0f} storico")
    return "\n".join(L), bool(warn)


def main():
    rows = drift_rows()
    report, warned = build_report(rows)
    import re
    print(re.sub(r"</?(b|pre)>", "", report))
    if "--telegram" in sys.argv:
        from src.live.telegram_notifier import send_telegram
        ok = send_telegram(report)
        print(f"[telegram] inviato: {ok}")
    return warned


if __name__ == "__main__":
    main()