"""r0725_prop_config — QUALE BOOK mandare su un conto funded (2026-07-25).

Il 24/07 (`r0724_goal50_math.py` parte C + `r0724_goal50_intraday_mc.py`) ha stabilito che il
conto funded e' l'unico canale che moltiplica il NOZIONALE senza capitale proprio, e ha
quantificato P(pass) e payout — ma sempre e solo per il **book a 2 sleeve** (TP01+SKH01),
perche' e' quello eseguibile a $600 sul conto Deribit.

Il punto che quell'analisi non ha visto: **su un conto funded il capitale non e' piu' $600, e'
$100k** — quindi gli sleeve che a casa nostra sono STAT-MODE per taglia (XS01 a ~$20k) DIVENTANO
eseguibili. E le regole prop premiano esattamente cio' che la diversificazione produce: passano
sul DRAWDOWN e sulla perdita giornaliera, NON sul CAGR. Un book a Sharpe piu' alto e vol piu'
bassa dovrebbe passare molto piu' spesso, a parita' di tutto il resto.

Confronta tre configurazioni CRYPTO-ONLY (cio' che un sub-account di prop firm puo' davvero
eseguire — niente GTAA01 che e' equity su IB, niente VRP01 che e' opzioni + regola permanente):
  A) TP01 75 / SKH01 25      — il book live attuale (quello valutato il 24/07)
  B) A + XS01                — cross-sectional 19 alt perp: eseguibile a $100k, NON a $600
  C) B + XSR01               — contro-fattuale (gate pre-registrato 2026-10-23, non deployato)

ONESTA' (limiti dichiarati, ereditati e nuovi):
  1. **Close-only**: il MC gira sulle CHIUSURE giornaliere. C-bis del 24/07 ha dimostrato che
     i wick intraday tagliano 6-37pp di P(pass) -> **i livelli ASSOLUTI qui sono un TETTO**.
     Il ricostruttore MTM intraday esiste solo per TP01+SKH01 (feed 5m); XS01/XSR01 sono 1d
     nativi su Hyperliquid e il loro intraday NON e' ricostruibile dai nostri dati -> non lo
     invento. Cio' che questo script misura onestamente e' il **DELTA fra configurazioni**,
     e il delta e' CONSERVATIVO: i book B/C hanno vol piu' bassa, quindi wick piu' piccoli,
     quindi subirebbero un haircut intraday MINORE di A.
  2. **Finestra comune**: XS01 parte dal 2024 -> il confronto principale gira sui giorni in cui
     TUTTI gli sleeve esistono (2024+, ~2.5 anni). Riportata anche la finestra piena (outer-join)
     dove pre-2024 i book B/C degradano su A.
  3. De-luck x0.6 sul drift (convenzione del progetto) come caso di decisione.
  4. SKH01 sul PATH LIVE (fill orario), non sul backtest.

Uso: `uv run python scripts/research/r0725_prop_config.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"))

from src.portfolio.portfolio import combine_outer, metrics  # noqa: E402
from src.portfolio.sleeves import _xsec_returns  # noqa: E402

import r0724_skh_live_weight as skl  # noqa: E402
from r0725_capcurve import EURUSD, TAX_RATE, tp01_realistic  # noqa: E402

RNG = np.random.default_rng(20260725)
PROP_NOTIONAL = 100_000.0
SPLIT = 0.80                      # profit split tipico (80% al trader)

RULES = [
    ("HYRO 1-step  tgt10% DD6% dl4%", 0.10, 0.06, 0.04),
    ("FTMO Swing   tgt10% DD10% dl5%", 0.10, 0.10, 0.05),
]
FUNDED_RULES = [("HYRO  max-loss 6%", 0.06, 0.04),
                ("FTMO  max-loss 10%", 0.10, 0.05)]


# ---------------------------------------------------------------- serie book
def _d(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 build_configs(deluck: float = 0.6) -> dict:
    """Le tre configurazioni, su griglia giornaliera, de-luckate sul drift."""
    skh = _d(skl.skh_book(0, "hourly"))
    tp = _d(tp01_realistic(PROP_NOTIONAL * 0.75))
    xs = _d(_xsec_returns()).resample("1D").apply(lambda x: (1 + x).prod() - 1)

    cfgs = {
        "A  TP01/SKH01 (live oggi)": ({"TP01": tp, "SKH01": skh},
                                      {"TP01": 0.75, "SKH01": 0.25}),
        "B  + XS01 (19 alt perp)": ({"TP01": tp, "SKH01": skh, "XS01": xs},
                                    {"TP01": 0.55, "SKH01": 0.20, "XS01": 0.25}),
    }
    out = {}
    for name, (cols, w) in cfgs.items():
        s = combine_outer(cols, w, lo=pd.Timestamp("2019-03-14", tz="UTC"))
        s = s - (1.0 - deluck) * float(s.mean())
        out[name] = dict(full=s, cols=cols, w=w)
    return out


def common_window(cfgs: dict) -> pd.Timestamp:
    """Primo giorno in cui TUTTI gli sleeve di TUTTE le config hanno dato."""
    starts = []
    for v in cfgs.values():
        for s in v["cols"].values():
            starts.append(s.index.min())
    return max(starts)


# ------------------------------------------------------------------ MC eval
def _paths(r: np.ndarray, n_days: int, n_paths: int, block: int = 20) -> np.ndarray:
    n_blocks = int(np.ceil(n_days / block))
    starts = RNG.integers(0, len(r) - block, size=(n_paths, n_blocks))
    idx = (starts[:, :, None] + np.arange(block)[None, None, :]).reshape(n_paths, -1)[:, :n_days]
    return r[idx]


def sim_eval(r: np.ndarray, target: float, max_dd: float, daily_loss: float,
             k: float, max_days: int = 365, n_paths: int = 8000) -> dict:
    R = _paths(r, max_days, n_paths) * k
    eq = np.cumprod(1 + R, axis=1)
    eq_start = eq / (1 + R)
    fail = (eq_start * (1 + R) < (1 - max_dd)) | (R < -daily_loss)
    passed = eq >= 1 + target
    ff = np.where(fail.any(axis=1), fail.argmax(axis=1), max_days + 1)
    fp = np.where(passed.any(axis=1), passed.argmax(axis=1), max_days + 1)
    ok = fp < ff
    return dict(p_pass=float(ok.mean()),
                median_days=float(np.median(fp[ok])) if ok.any() else float("nan"))


def sim_funded(r: np.ndarray, max_loss: float, daily_loss: float, k: float,
               years: int = 1, n_paths: int = 8000) -> dict:
    """Fase funded con regole REALI: max-loss **STATICO** (misurato dal saldo iniziale del
    conto, non da un picco mobile) + daily-loss; prelievo mensile dell'80% del profitto,
    dopo il quale il saldo torna alla base (e con esso il buffer di perdita).

    NB: la base di prelievo si aggiorna SOLO al prelievo. Aggiornarla giorno per giorno
    (come un HWM) azzera per costruzione il guadagno misurato al checkpoint -> payout ~0.
    E' l'errore che questo modello ha commesso al primo giro ed e' stato corretto.
    """
    n_days = years * 365
    R = _paths(r, n_days, n_paths) * k
    eq = np.ones(n_paths)                 # equity normalizzata alla BASE del conto
    alive = np.ones(n_paths, bool)
    payout = np.zeros(n_paths)
    for t in range(n_days):
        eq = np.where(alive, eq * (1 + R[:, t]), eq)
        bust = alive & ((eq < 1.0 - max_loss) | (R[:, t] < -daily_loss))
        alive &= ~bust
        if (t + 1) % 30 == 0:
            gain = np.where(alive & (eq > 1.0), eq - 1.0, 0.0)
            payout += gain * SPLIT
            eq = np.where(alive & (eq > 1.0), 1.0, eq)      # profitto prelevato, base ripristinata
    usd = payout * PROP_NOTIONAL
    return dict(p_alive=float(alive.mean()),
                e_payout=float(usd.mean()),
                med_payout=float(np.median(usd)),
                eur_day_mean=float(usd.mean() * (1 - TAX_RATE) / EURUSD / 365.0),
                eur_day_med=float(np.median(usd) * (1 - TAX_RATE) / EURUSD / 365.0))


def main() -> None:
    print("=" * 104)
    print("  QUALE BOOK su un conto FUNDED — il 24/07 ha valutato solo il book a 2 sleeve")
    print("=" * 104)
    cfgs = build_configs()
    lo = common_window(cfgs)
    print(f"\n  finestra comune (tutti gli sleeve esistono): dal {lo.date()}")
    print("  NB: livelli ASSOLUTI = TETTO (close-only; C-bis 24/07: i wick tagliano 6-37pp).")
    print("      Il DELTA fra config e' la misura onesta, ed e' CONSERVATIVO (B ha vol minore).\n")

    for win, wlabel in ((lo, "FINESTRA COMUNE (2024+)"), (None, "FINESTRA PIENA (outer-join)")):
        print("-" * 104)
        print(f"  {wlabel}")
        print("-" * 104)
        stats = {}
        for name, v in cfgs.items():
            s = v["full"] if win is None else v["full"][v["full"].index >= win]
            m = metrics(s)
            vol = float(s.std() * np.sqrt(365))
            stats[name] = (s.values.astype(float), m, vol)
            print(f"  {name:>28}  Sharpe {m['sharpe']:>5.2f}  CAGR {m['cagr']:>6.1%}  "
                  f"vol {vol:>5.1%}  maxDD {m['maxdd']:>5.1%}")

        for rname, tgt, dd, dl in RULES:
            print(f"\n    EVAL — {rname}")
            print(f"      {'config':>28} {'leva':>5} {'P(pass)':>8} {'giorni med':>11}")
            for name, (r, m, vol) in stats.items():
                for k in (0.75, 1.0, 1.5):
                    e = sim_eval(r, tgt, dd, dl, k)
                    print(f"      {name:>28} {k:>5.2f} {e['p_pass']:>8.1%} "
                          f"{e['median_days']:>11.0f}")

        print(f"\n    FUNDED ${PROP_NOTIONAL:,.0f} — 1 anno, split {SPLIT:.0%}, prelievi mensili")
        print(f"      {'config':>28} {'regola':>20} {'leva':>5} {'P(vivo)':>8} "
              f"{'E[payout]':>11} {'EUR/g atteso':>13}")
        for name, (r, m, vol) in stats.items():
            for fname, ml, dl in FUNDED_RULES:
                for k in (0.5, 0.75, 1.0):
                    f = sim_funded(r, ml, dl, k)
                    print(f"      {name:>28} {fname:>20} {k:>5.2f} {f['p_alive']:>8.1%} "
                          f"${f['e_payout']:>10,.0f} {f['eur_day_mean']:>13.2f}")
        print()


if __name__ == "__main__":
    main()