"""r0725_prop_ladder — I 600 EURO COME BIGLIETTO: la scala di conti funded (2026-07-25). Domanda del goal: "puoi usare i 600 euro come vuoi, puoi ipotizzare di creare qualcosa". `r0725_capcurve.py` ha refutato i 600 euro come CAPITALE (rendita 50 EUR/g -> muro $300-500k, 0% dei path in 20 anni senza depositi). Qui i 600 euro sono usati come **biglietto**: si compra un'evaluation, il conto funded moltiplica il NOZIONALE senza possedere capitale, i payout comprano altri biglietti. E' l'unica leva che non richiede depositi. Il 24/07 si era fermato a UN conto ($100k -> ~EUR 14.5/g atteso, cap $200k per firm). Ma **50 EUR/g richiede piu' conti in parallelo**, e qui c'e' il problema che nessuno ha ancora studiato: **N conti che girano lo STESSO book bustano INSIEME** (correlazione 1.0). La diversificazione fra conti e' illusoria salvo assegnare **sleeve DIVERSI a conti diversi**. Da cui la domanda di ricerca vera, che e' un problema di costruzione di portafoglio sotto barriera di rovina PER-CONTO: - CONCENTRARE: ogni conto gira il book diversificato (Sharpe alto per conto -> P(vivo) alta per conto, ma i conti sono perfettamente correlati -> o vivono tutti o muoiono tutti); - SPARPAGLIARE: ogni conto gira UNO sleeve (Sharpe basso per conto -> P(vivo) piu' bassa, ma le morti sono INDIPENDENTI -> il reddito aggregato e' molto piu' stabile). Non e' ovvio quale vinca: la barriera di rovina e' convessa, il reddito e' lineare. Modello (tutto dichiarato): * bootstrap a blocchi CONGIUNTO dei 3 sleeve (stessi indici di blocco per tutti -> la correlazione fra sleeve e' quella REALE, non imposta); * finestra comune 2024+ (XS01 nasce li'); de-luck x0.6 sul drift; * eval -> funded con le regole vere (max-loss STATICO, daily-loss), payout mensile 80%, prelievo immediato (mai lasciare credito alla firm: regola del 24/07); * bust = biglietto perso; la cassa ricompra se se lo puo' permettere; * cap per firm; **rischio controparte**: ogni anno una firm puo' sparire (il settore ha perso il 13% delle firm nel 2024) -> i conti aperti su quella firm valgono zero; * fisco 33% sui payout. ONESTA' — il risultato va letto come una BANDA, non come un punto. Si gira con due lenti: * CLOSE-ONLY = **TETTO OTTIMISTA**: le regole prop scattano sull'equity intraday, non sulla chiusura (C-bis del 24/07: i wick tagliano fino a 37pp di P(pass) e 48pp di P(vivo)). * INTRADAY = **PAVIMENTO PESSIMISTA**: il gap e' lognormale calibrato sui percentili del recon MTM 1h, ma estratto **INDIPENDENTE dal rendimento del giorno**. Nella realta' i wick profondi stanno sulle giornate brutte (sono ACCOPPIATI): estrarli indipendenti aggiunge finti tuffi anche nelle giornate buone -> breach spuri -> stima troppo severa. Il modo giusto e' il bootstrap delle TUPLE (ritorno, gap) come in `r0724_goal50_intraday_mc.py`, che pero' ha il recon solo per TP01+SKH01 (XS01 e' 1d nativo su Hyperliquid, intraday non ricostruibile). -> FOLLOW-UP dichiarato, non simulato qui. La verita' sta FRA le due lenti. Il confronto fra POLITICHE, invece, e' robusto: e' la stessa lente applicata a tutte. La finestra 2024+ e' anche quella di scoperta di XS01 -> le config che lo contengono sono favorite; "CONC-2SL" (solo TP01/SKH01) e' il controllo pulito. Uso: `uv run python scripts/research/r0725_prop_ladder.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 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 TARGET_EUR_DAY = 50.0 DELUCK = 0.6 SPLIT = 0.80 FIRM_DEATH_PER_YEAR = 0.10 # il settore ha perso il 13% delle firm nel 2024 (ricerca 24/07) START_EUR = 600.0 HORIZON_MONTHS = 36 MAX_CONCURRENT = 6 # (nome, [(nozionale, prezzo biglietto)], eval(target,dd,daily), funded(max_loss,daily), cap) FIRMS = [ dict(name="HYRO", tickets=[(25_000, 249.0), (50_000, 379.0), (100_000, 579.0)], ev=(0.10, 0.06, 0.04), fu=(0.06, 0.04), cap=200_000), dict(name="FTMO", tickets=[(50_000, 345.0), (100_000, 540.0), (200_000, 1_080.0)], ev=(0.10, 0.10, 0.05), fu=(0.10, 0.05), cap=400_000), ] # ------------------------------------------------------------------ sleeve 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 sleeve_panel() -> tuple[np.ndarray, list[str]]: """Matrice (giorni x sleeve) sulla finestra comune, de-luckata sul drift.""" tp = _d(tp01_realistic(100_000 * 0.75)) skh = _d(skl.skh_book(0, "hourly")) xs = _d(_xsec_returns()).resample("1D").apply(lambda x: (1 + x).prod() - 1) J = pd.concat({"TP01": tp, "SKH01": skh, "XS01": xs}, axis=1, join="inner").fillna(0.0) M = J.to_numpy(float) M = M - (1.0 - DELUCK) * M.mean(axis=0, keepdims=True) # de-luck: taglia il drift return M, list(J.columns) # --------------------------------------------------------------- politiche def policies(names: list[str]) -> dict: """Ogni politica = lista di vettori-peso sugli sleeve, uno per 'slot' di conto. Gli slot si riempiono in ordine man mano che la cassa permette biglietti.""" i = {n: k for k, n in enumerate(names)} n = len(names) def w(**kw): v = np.zeros(n) for k, x in kw.items(): v[i[k]] = x return v book_div = w(TP01=0.55, SKH01=0.20, XS01=0.25) book_2sl = w(TP01=0.75, SKH01=0.25) return { "CONC-2SL ogni conto = book live (TP01/SKH01)": [book_2sl] * MAX_CONCURRENT, "CONC-DIV ogni conto = book diversificato": [book_div] * MAX_CONCURRENT, "SPARSO 1 sleeve per conto (a rotazione)": [w(TP01=1.0), w(XS01=1.0), w(SKH01=1.0), w(TP01=1.0), w(XS01=1.0), w(SKH01=1.0)], "MISTO meta' diversificati, meta' single": [book_div, w(XS01=1.0), book_div, w(TP01=1.0), book_div, w(XS01=1.0)], } # ------------------------------------------------------------------- sim # --- geometria dei WICK (dal recon MTM 1h del book, r0724_goal50_intraday_mc.py): # gap = (minimo intraday - chiusura), in punti di equity: p50 -0.17pp, p10 -1.03pp, p1 -2.7pp. # Le regole prop scattano sull'equity INTRADAY, non sulla chiusura -> ignorarli gonfia P(pass) # e P(vivo) (C-bis 24/07: fino a -37pp e -48pp). Qui il gap e' lognormale calibrato su quei # percentili e SCALATO sulla vol della configurazione (un book meno volatile ha wick minori). WICK_MU, WICK_SIGMA = np.log(0.0017), 1.30 WICK_REF_VOL = 0.114 # vol annua del book TP01/SKH01 su cui la geometria e' misurata def wick_percentiles() -> dict: """Percentili impliciti della calibrazione — stampati per essere verificabili.""" q = {p: float(np.exp(WICK_MU + WICK_SIGMA * np.sqrt(2) * _erfinv(2 * p - 1))) for p in (0.50, 0.90, 0.99)} return q def _erfinv(x: float) -> float: from math import sqrt from statistics import NormalDist return NormalDist().inv_cdf((x + 1) / 2) / sqrt(2) def simulate(M: np.ndarray, slots: list[np.ndarray], n_paths: int, lev: float, seed: int, block: int = 20, intraday: bool = False) -> dict: """Una politica, n_paths traiettorie di HORIZON_MONTHS mesi. Stato per conto: fase (0=eval, 1=funded), equity normalizzata alla base, firm, nozionale. Il bootstrap dei ritorni degli sleeve e' CONGIUNTO (stesso blocco per tutti gli sleeve e per tutti i conti dello stesso path) -> due conti che girano lo stesso book sono perfettamente correlati, due conti su sleeve diversi hanno la correlazione REALE. """ rng = np.random.default_rng(seed) n_days = HORIZON_MONTHS * 30 n_sl = M.shape[1] n_blocks = int(np.ceil(n_days / block)) starts = rng.integers(0, len(M) - block, size=(n_paths, n_blocks)) idx = (starts[:, :, None] + np.arange(block)[None, None, :]).reshape(n_paths, -1)[:, :n_days] R = M[idx] # (paths, days, sleeve) n_slot = len(slots) W = np.stack(slots) # (slot, sleeve) # ritorni per (path, day, slot) = R . W^T, con leva Rs = np.einsum("pds,ks->pdk", R, W) * lev # gap intraday per (path, day, slot), scalato sulla vol della config: un book meno volatile # ha wick proporzionalmente piu' piccoli. Il breach si valuta sul MINIMO (chiusura + gap). if intraday: vol_k = Rs.reshape(-1, n_slot).std(axis=0) * np.sqrt(365.0) scale = np.clip(vol_k / WICK_REF_VOL, 0.0, 3.0) G = -np.exp(rng.normal(WICK_MU, WICK_SIGMA, size=Rs.shape)) * scale[None, None, :] else: G = None cash = np.full(n_paths, START_EUR * EURUSD) phase = np.full((n_paths, n_slot), -1, np.int8) # -1 vuoto, 0 eval, 1 funded eq = np.ones((n_paths, n_slot)) firm = np.full((n_paths, n_slot), -1, np.int8) notional = np.zeros((n_paths, n_slot)) days_in = np.zeros((n_paths, n_slot), int) firm_alive = np.ones((n_paths, len(FIRMS)), bool) cum_payout = np.zeros(n_paths) # netto fisco, USD payout_last_year = np.zeros(n_paths) spent = np.zeros(n_paths) p_death_day = 1.0 - (1.0 - FIRM_DEATH_PER_YEAR) ** (1 / 365.0) for t in range(n_days): # --- morte di una firm (rischio controparte) died = rng.random((n_paths, len(FIRMS))) < p_death_day newly_dead = died & firm_alive firm_alive &= ~died if newly_dead.any(): for fi in range(len(FIRMS)): kill = newly_dead[:, fi] if kill.any(): hit = (firm == fi) & kill[:, None] phase[hit] = -1 notional[hit] = 0.0 # --- acquisto biglietti negli slot liberi for k in range(n_slot): free = (phase[:, k] == -1) if not free.any(): continue for fi, F in enumerate(FIRMS): used = np.where((firm == fi), notional, 0.0).sum(axis=1) for (size, price) in sorted(F["tickets"], key=lambda x: -x[0]): buy = (free & firm_alive[:, fi] & (cash >= price) & (used + size <= F["cap"])) if not buy.any(): continue cash[buy] -= price spent[buy] += price phase[buy, k] = 0 eq[buy, k] = 1.0 firm[buy, k] = fi notional[buy, k] = size days_in[buy, k] = 0 free = free & ~buy if not free.any(): break if not free.any(): break # --- dinamica dei conti r = Rs[:, t, :] # (paths, slot) act = phase >= 0 eq_prev = eq eq = np.where(act, eq * (1.0 + r), eq) # equity peggiore TOCCATA nella giornata: e' su questa che scattano le regole prop if G is None: eq_low, r_low = eq, r else: eq_low = np.where(act, eq_prev * (1.0 + r + G[:, t, :]), eq) r_low = r + G[:, t, :] days_in += act for fi, F in enumerate(FIRMS): sel = act & (firm == fi) if not sel.any(): continue ev_t, ev_dd, ev_dl = F["ev"] fu_ml, fu_dl = F["fu"] in_ev = sel & (phase == 0) in_fu = sel & (phase == 1) # breach — valutato sull'equity INTRADAY (eq_low), il target sulla CHIUSURA bust_ev = in_ev & ((eq_low < 1.0 - ev_dd) | (r_low < -ev_dl)) bust_fu = in_fu & ((eq_low < 1.0 - fu_ml) | (r_low < -fu_dl)) bust = bust_ev | bust_fu phase[bust] = -1 notional[bust] = 0.0 # pass eval passed = in_ev & (eq >= 1.0 + ev_t) & ~bust phase[passed] = 1 eq[passed] = 1.0 # --- payout mensile (prelievo immediato, base ripristinata) if (t + 1) % 30 == 0: fu = phase == 1 gain = np.where(fu & (eq > 1.0), (eq - 1.0) * notional, 0.0) gross = gain.sum(axis=1) * SPLIT net = gross * (1.0 - TAX_RATE) cum_payout += net payout_last_year += net cash += net eq = np.where(fu & (eq > 1.0), 1.0, eq) if (t + 1) % 365 == 0 and t + 1 < n_days: payout_last_year[:] = 0.0 eur_day = cum_payout / EURUSD / (n_days / 365.0) / 365.0 live_notional = np.where(phase == 1, notional, 0.0).sum(axis=1) return dict(eur_day=eur_day, p_target=float((eur_day >= TARGET_EUR_DAY).mean()), p_ge10=float((eur_day >= 10.0).mean()), p_zero=float((cum_payout <= 0).mean()), med=float(np.median(eur_day)), p90=float(np.percentile(eur_day, 90)), p10=float(np.percentile(eur_day, 10)), med_notional=float(np.median(live_notional)), med_spent=float(np.median(spent))) def main() -> None: M, names = sleeve_panel() print("=" * 104) print(" I 600 EURO COME BIGLIETTO — scala di conti funded, e il problema della correlazione") print("=" * 104) print(f"\n finestra comune: {len(M)} giorni | sleeve: {names} | de-luck x{DELUCK}") print(" correlazioni fra sleeve (le morti dei conti sono correlate quanto lo sono queste):") C = np.corrcoef(M.T) for i, n in enumerate(names): print(" " + f"{n:>7} " + " ".join(f"{C[i, j]:>6.2f}" for j in range(len(names)))) for i, n in enumerate(names): m = metrics(pd.Series(M[:, i], index=pd.date_range("2024-01-01", periods=len(M), tz="UTC"))) print(f" {n:>7}: Sharpe {m['sharpe']:>5.2f} CAGR {m['cagr']:>6.1%} maxDD {m['maxdd']:>5.1%}") print(f"\n orizzonte {HORIZON_MONTHS} mesi | cassa iniziale EUR {START_EUR:.0f} | " f"max {MAX_CONCURRENT} conti | rischio-morte firm {FIRM_DEATH_PER_YEAR:.0%}/anno") print(" NB: livelli ASSOLUTI = TETTO (close-only). Il confronto fra POLITICHE e' la misura onesta.\n") q = wick_percentiles() print(f" wick calibrati: p50 -{q[0.50]*100:.2f}pp p90 -{q[0.90]*100:.2f}pp " f"p99 -{q[0.99]*100:.2f}pp (target dal recon 24/07: -0.17 / -1.03 / -2.70)") pols = policies(names) for intraday in (False, True): lens = "INTRADAY (wick: la lente onesta)" if intraday else "CLOSE-ONLY (tetto ottimista)" for lev in (0.75, 1.0): print("-" * 104) print(f" {lens} — LEVA {lev:.2f}x") print("-" * 104) print(f" {'politica':>46} {'EUR/g med':>10} {'p10':>7} {'p90':>7} " f"{'P(>=10/g)':>10} {'P(>=50/g)':>10} {'P(zero)':>8}") for pname, slots in pols.items(): r = simulate(M, slots, n_paths=3000, lev=lev, seed=20260725, intraday=intraday) print(f" {pname:>46} {r['med']:>10.2f} {r['p10']:>7.2f} {r['p90']:>7.2f} " f"{r['p_ge10']:>10.1%} {r['p_target']:>10.1%} {r['p_zero']:>8.1%}") print() if __name__ == "__main__": main()