#!/usr/bin/env python
"""r0726_fee_sensitivity.py — quanto costa (o rende) un cambio di fee Deribit al book live.

CONTESTO: Deribit ha annunciato un nuovo schema fee **dal 1 agosto 2026** ("lower taker fees and
lower maker rebates" su futures/perpetual, soglie VIP piu' basse, nuovo VIP7, **liquidation fee
1% su tutti i prodotti**, spot temporaneamente a fee zero). La tabella numerica dell'articolo
Insights e' un'IMMAGINE: i numeri esatti per tier non sono stati letti da fonte primaria.

Percio' qui NON si assume un numero nuovo: si misura la **curva**. Quando la tabella e' leggibile
si prende il valore giusto da questa curva, senza rifare l'analisi.

Il progetto modella ovunque **0.05%/lato = 0.10% RT (taker Deribit)**:
  `trend_portfolio.CANONICAL.fee_side = 0.0005`, `sleeves._skyhook_returns fee_rt=0.001`,
  e i paper monitor con `FEE_SIDE = 0.0005`.

COSA FA:
  1. curva Sharpe/CAGR del book live (TP01+SKH01 75/25) e dei due sleeve, al variare della fee;
  2. il **drag** in %/anno: quanto la fee toglie al rendimento lordo, per sleeve;
  3. il punto di pareggio (fee a cui il book va a Sharpe zero) — la distanza dal muro;
  4. esposizione alla **liquidation fee 1%**: la leva effettiva del book coi cap di `live.json`.

    uv run python scripts/research/r0726_fee_sensitivity.py
"""
from __future__ import annotations

import json
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"))

from src.backtest.harness import backtest_signals                     # noqa: E402
from src.data.downloader import load_data                             # noqa: E402
from src.portfolio.portfolio import combine_outer, metrics, to_daily  # noqa: E402
from src.strategies.skyhook import SKH01_V2_DD, build_frames, skyhook_entries  # noqa: E402
from src.strategies.trend_portfolio import (CANONICAL, TrendPortfolio,  # noqa: E402
                                            resample_1d, simple_returns)

ASSETS = ("BTC", "ETH")
# bps PER LATO. 5 bps/lato = 0.10% RT = quello che il progetto modella oggi.
BPS_GRID = (0.0, 1.0, 2.0, 3.0, 5.0, 7.5, 10.0, 15.0)


def tp01_at_fee(fee_side: float) -> pd.Series:
    cfg = dict(CANONICAL)
    cfg["fee_side"] = fee_side
    tp = TrendPortfolio(**cfg)
    series = {}
    for a in ASSETS:
        df = resample_1d(load_data(a, "1h"))
        r = simple_returns(df["close"].values.astype(float))
        tgt = tp.target_series(df)
        held = np.zeros(len(tgt)); held[1:] = tgt[:-1]
        net = held * r - tp.fee_side * np.abs(np.diff(held, prepend=0.0)); net[0] = 0.0
        series[a] = pd.Series(np.clip(net, -0.99, None), index=pd.to_datetime(df["datetime"]))
    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
    return to_daily(pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index))


def skh01_at_fee(fee_rt: float) -> pd.Series:
    series = {}
    for a in ASSETS:
        ltf, htf = build_frames(load_data(a, "5m"))
        ent = skyhook_entries(ltf, htf, SKH01_V2_DD)
        m = backtest_signals(ltf, ent, fee_rt=fee_rt, leverage=1.0, asset=a, tf="230m")
        s = pd.Series(m.equity, index=pd.DatetimeIndex(pd.to_datetime(m.eq_index, utc=True)))
        series[a] = s.resample("1D").last().ffill().pct_change().dropna()
    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
    return to_daily(pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index))


def main() -> None:
    print("=" * 100)
    print("  r0726 — SENSIBILITA' DEL BOOK LIVE ALLA FEE (annuncio Deribit, dal 2026-08-01)")
    print("=" * 100)
    print("  Il progetto modella 5 bps/lato = 0.10% RT (taker). La tabella nuova non e' stata")
    print("  letta da fonte primaria (e' un'immagine): qui si misura la CURVA, non un numero.")

    rows = []
    for bps in BPS_GRID:
        fs = bps / 10_000.0
        tp = tp01_at_fee(fs)
        sk = skh01_at_fee(2.0 * fs)                 # fee_rt = 2 x fee per lato
        book = combine_outer({"TP01": tp, "SKH01": sk},
                             {"TP01": 0.75, "SKH01": 0.25})
        rows.append(dict(bps=bps, tp=metrics(tp), sk=metrics(sk), bk=metrics(book)))

    print(f"\n  {'bps/lato':>9}{'%RT':>8} | {'TP01 Sh':>9}{'CAGR':>8} | {'SKH01 Sh':>10}{'CAGR':>8}"
          f" | {'BOOK Sh':>9}{'CAGR':>8}{'maxDD':>8}")
    for r in rows:
        tag = "  <- oggi" if r["bps"] == 5.0 else ""
        print(f"  {r['bps']:>9.1f}{r['bps']*2/100:>7.2f}% | "
              f"{r['tp']['sharpe']:>9.3f}{r['tp']['cagr']*100:>7.2f}% | "
              f"{r['sk']['sharpe']:>10.3f}{r['sk']['cagr']*100:>7.2f}% | "
              f"{r['bk']['sharpe']:>9.3f}{r['bk']['cagr']*100:>7.2f}%"
              f"{r['bk']['maxdd']*100:>7.2f}%{tag}")

    base = next(r for r in rows if r["bps"] == 5.0)
    zero = next(r for r in rows if r["bps"] == 0.0)
    print(f"\n  DRAG della fee attuale (5 bps/lato) contro fee zero:")
    for k, lab in (("tp", "TP01"), ("sk", "SKH01"), ("bk", "BOOK")):
        d_sh = zero[k]["sharpe"] - base[k]["sharpe"]
        d_cagr = (zero[k]["cagr"] - base[k]["cagr"]) * 100
        print(f"    {lab:<7} Sharpe -{d_sh:.3f}   CAGR -{d_cagr:.2f}%/anno")

    print(f"\n  SENSIBILITA' MARGINALE intorno al punto attuale (per bps/lato):")
    lo = next(r for r in rows if r["bps"] == 3.0)
    hi = next(r for r in rows if r["bps"] == 7.5)
    for k, lab in (("tp", "TP01"), ("sk", "SKH01"), ("bk", "BOOK")):
        d = (hi[k]["sharpe"] - lo[k]["sharpe"]) / (7.5 - 3.0)
        dc = (hi[k]["cagr"] - lo[k]["cagr"]) * 100 / (7.5 - 3.0)
        print(f"    {lab:<7} {d:+.4f} Sharpe/bps   {dc:+.3f}% CAGR/bps")

    # ---------------------------------------------------- liquidation fee
    print("\n" + "=" * 100)
    print("  LIQUIDATION FEE 1% — ci tocca?")
    print("=" * 100)
    cfg = json.loads((ROOT / "config" / "live.json").read_text())
    frac = cfg.get("max_notional_per_asset_frac")
    print(f"    cap per asset: {frac:.0%} dell'equity (config: max_notional_per_asset_frac)")
    print(f"    asset tradati: {len(ASSETS)} -> nozionale lordo massimo = "
          f"{frac*len(ASSETS):.0%} dell'equity")
    print(f"    leva effettiva massima: {frac*len(ASSETS):.2f}x  (e i due asset sono spesso")
    print(f"    correlati, quindi il rischio non e' additivo come il nozionale)")
    print(f"    disaster-SL on-book: -{cfg.get('disaster_sl_pct', 0)*100:.0f}% sulla posizione netta")
    print("\n    A leva <= 1x la liquidazione richiederebbe un movimento avverso ~100%: il")
    print("    disaster-SL a -30% interviene molto prima. La liquidation fee 1% e' quindi")
    print("    IRRILEVANTE per questo book — diventerebbe rilevante solo alzando la leva,")
    print("    che e' una decisione separata (e il 25/07 la valutava per il fronte prop).")


if __name__ == "__main__":
    main()