#!/usr/bin/env python """r0726_skh_onbook — T1 dell'ondata 2026-07-26: il -0.35 Sharpe del path live di SKH01 e' recuperabile con ORDINI RESTING ON-BOOK invece dell'exit software del cron? CONTESTO. Il book live Deribit (TP01 0.75 + SKH01 0.25) gira SKH01 col cron ORARIO e uscite SOFTWARE: il codice guarda il prezzo una volta all'ora e, se il livello SL/TP e' stato superato, chiude a mercato. Costo misurato (audit 2026-07-02, riconfermato il 24/07): alla lente 50/50 il book passa FULL 1.46 -> 1.19, HOLD 1.64 -> 1.15, DD 18% -> 25%. E' il **buco singolo piu' grande del progetto** (~ -0.35 di Sharpe), e il 24/07 ha gia' stabilito che **un cron piu' veloce non lo recupera** ("nessun cron riporta l'exit software sul livello SL dentro una barra che gappa"; allineare la cadenza a 230m vale ~ +0.01/+0.02 Sharpe = rumore). L'ANGOLO MAI TESTATO: l'unico meccanismo che non e' un cron — gli **ordini resting on-book**. E li' c'e' un'ASIMMETRIA che nessuno ha sfruttato: * il **TP e' un LIMIT order** appoggiato sul book al livello. Se il prezzo ci arriva, il fill e' AL LIVELLO **per costruzione** (sei tu il maker: il prezzo non puo' attraversare il tuo limite senza eseguirlo). -> il lato TP e' **integralmente recuperabile**, e per giunta a fee MAKER invece che taker. * lo **SL e' uno STOP-MARKET**: al trigger diventa un ordine a mercato. In condizioni normali riempie a ~pochi bps dal livello; **in un gap riempie molto peggio**. -> il lato SL e' recuperabile solo IN PARTE, e il gap resta (com'e' giusto: e' un rischio vero, non un artefatto di modello). Da cui l'ipotesi da falsificare: **il grosso del -0.35 e' sul lato TP, quindi e' recuperabile senza prendersi nessun rischio nuovo.** Se invece il grosso e' sul lato SL, la conclusione del 24/07 ("il degrado e' strutturale") si estende anche agli ordini on-book e non c'e' niente da fare. MODALITA' SIMULATE (stesse trade boundaries, cambia SOLO il prezzo d'esecuzione) canonical : entry a close[i], exit AL LIVELLO -> il BACKTEST (riferimento ottimista) hourly : entry/exit al close 5m del prossimo multiplo orario -> il PATH LIVE DI OGGI onbook : entry al prossimo multiplo orario (l'ingresso resta una decisione del cron: e' un segnale a chiusura di barra, non si puo' appoggiare in anticipo), ma: - TP -> fill AL LIVELLO, fee MAKER (limit resting) - SL -> stop-market: fill al livello se la barra 5m del trigger lo ATTRAVERSA; fill all'OPEN della barra 5m se la barra ci GAPPA dentro (open gia' oltre il livello), in entrambi i casi meno SLIPPAGE dichiarato - time-> resta al prossimo multiplo orario (e' il cron che decide) onbook_tp : contro-fattuale che ISOLA il lato TP (TP on-book, SL e time come oggi) -> dice quanta parte del recupero viene dal lato che NON aggiunge rischio. ONESTA' * la rilevazione del gap e' a risoluzione **5m** (il gap vero e' piu' fine) -> il fill SL modellato e' un OTTIMISMO residuo su quel lato; il lato TP invece non ha questo problema (un limit resting non ha bisogno di risoluzione: o il prezzo tocca il livello o no). * si ignora la POSIZIONE IN CODA sul limit TP: a $300 di nozionale su BTC perp e' una semplificazione benigna (size irrilevante rispetto al book), ma e' dichiarata. * risultati riportati sull'off 0 E sulla **banda dei 23 offset** a priori: il progetto ha gia' stabilito che l'off 0 e' al 93-98 pctl (best-of-23) -> la mediana di banda e' la lente onesta. * niente file di produzione toccato. Se il risultato regge, la modifica al live e' una RACCOMANDAZIONE, non un fatto compiuto. Uso: `uv run python scripts/research/r0726_skh_onbook.py` (~5-10 min: 23 offset x 2 asset) """ 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 r0702_anchor_skh01 as r02 # noqa: E402 from src.portfolio.portfolio import metrics # noqa: E402 MSH = 3_600_000 MS_LTF = r02.MS_LTF FEE_TAKER_SIDE = 0.0005 # Deribit taker ~0.05%/lato (il RT 0.10% del progetto) FEE_MAKER_SIDE = 0.0000 # limit resting: maker (Deribit futures ~0, a volte rebate) SL_SLIP = 0.0005 # slippage dichiarata sullo stop-market (5 bps) HOLDOUT = "2025-01-01" # --------------------------------------------------------------------------- simulazione def sim_equity_exec(ltf: pd.DataFrame, ent: list, mode: str, ts5_close: np.ndarray, o5: np.ndarray, h5: np.ndarray, l5: np.ndarray, c5: np.ndarray) -> np.ndarray: """Come r0702.sim_equity ma con le modalita' d'esecuzione ON-BOOK. Le trade boundaries (barra d'ingresso, barra di trigger, non-overlap) sono IDENTICHE al canonico in ogni modalita': cambia solo il prezzo a cui si esegue e la fee del lato. """ c = ltf["close"].values.astype(float) h = ltf["high"].values.astype(float) lo = ltf["low"].values.astype(float) n = len(c) close_ts = ltf["timestamp"].values.astype(np.int64) + MS_LTF def px_hour(t: int) -> float: hb = ((t + MSH - 1) // MSH) * MSH j = np.searchsorted(ts5_close, hb, side="left") return c5[min(j, len(c5) - 1)] def stop_fill(t_start: int, t_end: int, level: float, direction: int) -> float: """Prezzo di fill di uno STOP-MARKET on-book fra due timestamp, a risoluzione 5m. Trova la prima barra 5m che tocca il livello: se ci GAPPA dentro (open gia' oltre) il fill e' l'open (il gap e' un rischio vero, non un artefatto); altrimenti e' il livello. In entrambi i casi meno la slippage dichiarata. """ a = int(np.searchsorted(ts5_close, t_start, side="left")) b = int(np.searchsorted(ts5_close, t_end, side="right")) for j in range(a, min(b + 1, len(c5))): touched = (l5[j] <= level) if direction == 1 else (h5[j] >= level) if touched: gapped = (o5[j] < level) if direction == 1 else (o5[j] > level) px = o5[j] if gapped else level return px * (1.0 - SL_SLIP * direction) return level * (1.0 - SL_SLIP * direction) # non trovato a 5m: cap al livello initial = 1000.0 capital = initial equity = np.full(n, capital, dtype=float) busy_until = -1 stats = dict(sl=0, tp=0, time=0, gap_sl=0) for i in range(n): e = ent[i] if i < len(ent) else None if e is None or e.get("dir", 0) == 0 or i <= busy_until: equity[i] = capital continue direction = int(e["dir"]) tp = e.get("tp"); sl = e.get("sl") max_bars = int(e.get("max_bars") or 24) entry = c[i] if mode == "canonical" else px_hour(close_ts[i]) fee_entry = FEE_TAKER_SIDE # --- detection identica al canonico (SL prioritario) exit_idx = min(i + max_bars, n - 1) exit_lvl = c[exit_idx] kind = "time" for j in range(i + 1, min(i + max_bars + 1, n)): hit_sl = sl is not None and ( (direction == 1 and lo[j] <= sl) or (direction == -1 and h[j] >= sl)) hit_tp = tp is not None and ( (direction == 1 and h[j] >= tp) or (direction == -1 and lo[j] <= tp)) if hit_sl: exit_lvl, exit_idx, kind = sl, j, "sl" break if hit_tp: exit_lvl, exit_idx, kind = tp, j, "tp" break exit_lvl, exit_idx = c[j], j stats[kind] += 1 # --- prezzo d'uscita per modalita' if mode == "canonical": exit_price, fee_exit = exit_lvl, FEE_TAKER_SIDE elif mode == "hourly": exit_price, fee_exit = px_hour(close_ts[exit_idx]), FEE_TAKER_SIDE elif mode in ("onbook", "onbook_tp"): if kind == "tp": exit_price, fee_exit = tp, FEE_MAKER_SIDE # limit resting: al livello elif kind == "sl" and mode == "onbook": t0 = int(ltf["timestamp"].values[exit_idx]) exit_price = stop_fill(t0, t0 + MS_LTF, sl, direction) fee_exit = FEE_TAKER_SIDE if (direction == 1 and exit_price < sl * (1 - SL_SLIP) - 1e-9) or \ (direction == -1 and exit_price > sl * (1 + SL_SLIP) + 1e-9): stats["gap_sl"] += 1 else: # sl in onbook_tp, o time exit_price, fee_exit = px_hour(close_ts[exit_idx]), FEE_TAKER_SIDE else: raise ValueError(mode) gross = (exit_price - entry) / entry * direction net = gross - (fee_entry + fee_exit) capital = max(capital + capital * net, 1.0) equity[i:exit_idx + 1] = capital busy_until = exit_idx return equity, stats def skh_series(off: int, mode: str) -> tuple[pd.Series, dict]: """Rendimenti daily dello sleeve SKH01 (50/50 BTC+ETH) a un offset e una modalita'.""" out = {} agg = dict(sl=0, tp=0, time=0, gap_sl=0) for asset in ("BTC", "ETH"): _, _, ltf, ent = r02.run_asset(asset, off) df5 = r02.get5m(asset) ts5 = df5["timestamp"].values.astype(np.int64) + 300_000 eq, st = sim_equity_exec(ltf, ent, mode, ts5, df5["open"].values.astype(float), df5["high"].values.astype(float), df5["low"].values.astype(float), df5["close"].values.astype(float)) for k in agg: agg[k] += st[k] idx = pd.to_datetime(ltf["timestamp"].values + MS_LTF, unit="ms", utc=True) s = pd.Series(eq, index=idx).resample("1D").last().ffill() out[asset] = s.pct_change().fillna(0.0) J = pd.concat(out, axis=1, join="inner").fillna(0.0) return pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index), agg def book(skh: pd.Series, w: float) -> pd.Series: tp = r02.al.tp01_baseline_daily() tp = tp.dropna() if tp.index.tz is None: tp.index = tp.index.tz_localize("UTC") tp.index = tp.index.floor("D") s = skh.copy() s.index = s.index.floor("D") J = pd.concat({"tp": tp, "skh": s}, axis=1, join="inner").fillna(0.0) return pd.Series((1 - w) * J["tp"].values + w * J["skh"].values, index=J.index) def sh3(s: pd.Series) -> tuple[float, float, float, float]: m_all = metrics(s) m_is = metrics(s[s.index < HOLDOUT]) m_ho = metrics(s[s.index >= HOLDOUT]) return m_all["sharpe"], m_is["sharpe"], m_ho["sharpe"], m_all["maxdd"] MODES = ("canonical", "hourly", "onbook_tp", "onbook") LABEL = {"canonical": "canonical (backtest, fill-al-livello)", "hourly": "hourly (PATH LIVE DI OGGI)", "onbook_tp": "onbook_tp (solo TP a limite)", "onbook": "onbook (TP limite + SL stop-market)"} def main() -> None: global SL_SLIP print("=" * 100) print(" T1 — SKH01: il degrado del path live e' recuperabile con ordini RESTING ON-BOOK?") print("=" * 100) print(f"\n fee: taker {FEE_TAKER_SIDE:.4%}/lato, maker {FEE_MAKER_SIDE:.4%}/lato | " f"slippage stop-market {SL_SLIP:.2%} | hold-out {HOLDOUT}") # ------------------------------------------------ offset 0 (la griglia che gira davvero) print("\n" + "-" * 100) print(" A. OFFSET 0 — la griglia che gira davvero nel live") print("-" * 100) ser0 = {} print(f" {'modalita':>40} {'SKH standalone':>28} {'book 75/25':>26}") print(f" {'':>40} {'FULL':>6} {'IS':>6} {'HOLD':>6} {'DD':>6} " f"{'FULL':>6} {'IS':>6} {'HOLD':>6} {'DD':>6}") stats0 = {} for m in MODES: s, st = skh_series(0, m) ser0[m] = s stats0[m] = st a = sh3(s) b = sh3(book(s, 0.25)) print(f" {LABEL[m]:>40} {a[0]:>6.2f} {a[1]:>6.2f} {a[2]:>6.2f} {a[3]:>5.1%} " f"{b[0]:>6.2f} {b[1]:>6.2f} {b[2]:>6.2f} {b[3]:>5.1%}") st = stats0["onbook"] tot = st["sl"] + st["tp"] + st["time"] print(f"\n composizione delle uscite (off 0, BTC+ETH): {tot} trade — " f"SL {st['sl']} ({st['sl']/tot:.0%}) | TP {st['tp']} ({st['tp']/tot:.0%}) | " f"time {st['time']} ({st['time']/tot:.0%})") print(f" di cui SL con GAP dentro la barra 5m (fill peggiore del livello): " f"{st['gap_sl']} = {st['gap_sl']/max(st['sl'],1):.0%} degli SL") # ------------------------------------------------ scomposizione del recupero print("\n" + "-" * 100) print(" B. DOVE VIVE IL DEGRADO — scomposizione del gap canonical -> live") print("-" * 100) b_can, b_hr = sh3(book(ser0["canonical"], 0.25)), sh3(book(ser0["hourly"], 0.25)) b_tp, b_ob = sh3(book(ser0["onbook_tp"], 0.25)), sh3(book(ser0["onbook"], 0.25)) gap_tot = b_can[0] - b_hr[0] print(f" book 75/25, Sharpe FULL: canonical {b_can[0]:.3f} -> live {b_hr[0]:.3f} " f"(degrado {gap_tot:+.3f})") if abs(gap_tot) > 1e-9: print(f" recupero col solo TP a limite : {b_tp[0]-b_hr[0]:+.3f} " f"= {(b_tp[0]-b_hr[0])/gap_tot:>5.0%} del degrado [NESSUN rischio nuovo]") print(f" recupero TP + SL on-book : {b_ob[0]-b_hr[0]:+.3f} " f"= {(b_ob[0]-b_hr[0])/gap_tot:>5.0%} del degrado") print(f" residuo NON recuperabile : {b_can[0]-b_ob[0]:+.3f} " f"= {(b_can[0]-b_ob[0])/gap_tot:>5.0%} del degrado [gap + entry del cron]") # ------------------------------------------------ banda dei 23 offset (la lente onesta) print("\n" + "-" * 100) print(" C. BANDA DEI 23 OFFSET — la lente de-luckata (off 0 e' al 93-98 pctl, audit 02/07)") print("-" * 100) rows = {m: [] for m in MODES} for off in r02.OFFSETS: for m in MODES: s, _ = skh_series(off, m) rows[m].append(sh3(book(s, 0.25))) print(f" {'modalita':>40} {'FULL med':>9} {'IS med':>8} {'HOLD med':>9} " f"{'DD med':>7} {'HOLD min':>9} {'HOLD max':>9}") med = {} A = {m: np.array(rows[m]) for m in MODES} for m in MODES: med[m] = np.median(A[m], axis=0) print(f" {LABEL[m]:>40} {med[m][0]:>9.2f} {med[m][1]:>8.2f} {med[m][2]:>9.2f} " f"{med[m][3]:>6.1%} {A[m][:, 2].min():>9.2f} {A[m][:, 2].max():>9.2f}") # ⚠️ gli offset sono coppie APPAIATE: la statistica giusta e' la mediana delle DIFFERENZE # per-offset, non la differenza delle mediane (che confronta offset diversi fra loro). print("\n differenze APPAIATE per-offset (mediana [min, max] sui 23 offset):") print(f" {'':>40} {'dFULL':>22} {'dHOLD':>22} {'dDD':>20}") for m in ("canonical", "onbook_tp", "onbook"): d0 = A[m][:, 0] - A["hourly"][:, 0] d2 = A[m][:, 2] - A["hourly"][:, 2] d3 = A[m][:, 3] - A["hourly"][:, 3] print(f" {LABEL[m]:>40} " f"{np.median(d0):>+7.3f} [{d0.min():+.2f},{d0.max():+.2f}] " f"{np.median(d2):>+7.3f} [{d2.min():+.2f},{d2.max():+.2f}] " f"{np.median(d3):>+6.2%} [{d3.min():+.1%},{d3.max():+.1%}]") dmax = np.median(A["canonical"][:, 0] - A["hourly"][:, 0]) dob = np.median(A["onbook"][:, 0] - A["hourly"][:, 0]) dtp = np.median(A["onbook_tp"][:, 0] - A["hourly"][:, 0]) print(f"\n degrado recuperabile al massimo (canonical-hourly, mediana appaiata): {dmax:+.3f} FULL") if abs(dmax) > 1e-9: print(f" recuperato dal solo TP a limite: {dtp:+.3f} = {dtp/dmax:>5.0%}") print(f" recuperato da TP + SL on-book : {dob:+.3f} = {dob/dmax:>5.0%}") print("\n in quanti dei 23 offset la modalita' MIGLIORA il path live di oggi?") for m in ("onbook_tp", "onbook"): nf = int((A[m][:, 0] - A["hourly"][:, 0] > 0).sum()) nh = int((A[m][:, 2] - A["hourly"][:, 2] > 0).sum()) nd = int((A[m][:, 3] - A["hourly"][:, 3] < 0).sum()) print(f" {LABEL[m]:>40}: FULL {nf}/23 HOLD {nh}/23 DD {nd}/23") # il lato SL da solo = differenza fra onbook (TP+SL) e onbook_tp (solo TP) dsl = A["onbook"][:, 0] - A["onbook_tp"][:, 0] print(f"\n contributo del SOLO lato SL on-book (onbook - onbook_tp), FULL: " f"mediana {np.median(dsl):+.3f} [{dsl.min():+.2f},{dsl.max():+.2f}], " f"positivo in {int((dsl > 0).sum())}/23 offset") # ------------------------------------------------ robustezza alla slippage assunta print("\n" + "-" * 100) print(" D. SENSIBILITA' ALLA SLIPPAGE ASSUNTA sullo stop-market (off 0, book 75/25)") print("-" * 100) keep = SL_SLIP print(f" {'slippage':>10} {'FULL':>7} {'HOLD':>7} {'DD':>7} (live di oggi: " f"FULL {b_hr[0]:.2f} / HOLD {b_hr[2]:.2f})") for slip in (0.0000, 0.0005, 0.0020, 0.0050, 0.0100): SL_SLIP = slip s, _ = skh_series(0, "onbook") r = sh3(book(s, 0.25)) flag = "" if r[0] > b_hr[0] else " <- peggio del live" print(f" {slip:>9.2%} {r[0]:>7.2f} {r[2]:>7.2f} {r[3]:>6.1%}{flag}") SL_SLIP = keep print("\n" + "=" * 100) if __name__ == "__main__": main()