"""SH01 — Shape-ML: direzione predetta dalla FORMA del segnale (ML walk-forward).

FAMIGLIA NUOVA, distinta da tutto l'esistente. Non e' una regola fissa su bande/canali
(fade) ne' momentum/rotazione (honest) ne' spread (pairs): una LogisticRegression legge
la MORFOLOGIA della finestra recente (body/shadow delle candele, rendimenti, pendenza,
curvatura, posizione di max/min, RSI, estensione) e predice il segno del rendimento a H
barre. Entra a close[i] solo se la probabilita' supera una soglia (selettivita').

E' l'UNICO edge sopravvissuto alla ricerca sui pattern-di-forma (2026-05-29): le altre
4 famiglie testate con agenti paralleli su harness onesto sono RUMORE (analog kNN forma
grezza, encoding candele UP/DOWN/DOJI, DTW+template geometrici, PIP/pivot) — confermano
la dominanza mean-reversion. Vedi scripts/analysis/shape_*_research.py e docs/diary.

Logica (engine onesto verificato in scripts/analysis/shape_ml_research.py):
    feature di forma X[i] da o/h/l/c[i-W+1..i]  (causali: solo dati fino a close[i])
    walk-forward a blocchi: scaler+modello fittati SOLO sul passato con esito noto
        (finestre e con e+H <= inizio_blocco-1), poi predicono il blocco corrente
    proba(classe) >= thresh -> entra a close[i] nella direzione predetta, exit a H barre
    fee 0.10% RT (single-leg). NESSUN look-ahead (check espliciti: perturbare il futuro
    non cambia ne' le feature a i ne' le predizioni fino a i).

VALIDAZIONE DURA (netto fee, leva 3x, pos 0.15, OOS = ultimo 30%, config W24 H12 th0.58,
scripts/analysis/shape_ml_validate.py):
  - MULTI-ASSET expanding: robusti BTC, ETH, ADA; scartati LTC/SOL/XRP.
      BTC : FULL +219% / OOS  +42% / Sharpe 2.72 / DD 23% / 8-9 anni+ / accOOS 56% (regge fee 0.2%: +60/+26)
      ETH : FULL  +80% / OOS +144% / Sharpe 1.21 / DD 61% / 6/9 anni+ / accOOS 55% (piu' volatile -> secondario)
      ADA : FULL +707% / OOS  +57% / Sharpe 3.22 / DD 39% / 7/8 anni+ (robusto solo expanding)
  - WALK-FORWARD ROLLING (train fisso 2 anni): regge solo BTC (FULL +166% / OOS +96% / Sharpe 2.05).
      -> l'edge si appoggia in parte alla memoria lunga: BTC e' il piu' solido.
  - STRESS leva 2x + slippage doppio (fee 0.20% RT): BTC OK (FULL +40% / OOS +17% / Sharpe 1.24),
      ETH marginale (FULL +7% / OOS +73% / Sharpe 0.37).
  - GRIGLIA (W,H,thresh) su BTC: 5/27 celle robuste a fee 0.2%, su una CRESTA stretta
      (W24, H8-12), non altopiano largo -> rischio overfit moderato. Per prudenza si sceglie
      la config robusta sul PIU' ALTO numero di test (W24 H12 th0.58), non il PnL massimo
      (W24 H8 rende di piu' ma accOOS ~49% = piu' drift che segnale).

USO CONSIGLIATO: NON motore standalone (per-asset e' troppo stretto/fragile fuori da BTC),
ma DIVERSIFICATORE di portafoglio. Corr daily col MASTER +0.08 (quasi scorrelato).
Aggiungere lo sleeve shape (BTC+ETH) al MASTER migliora l'OOS: Sharpe 4.33->5.10,
DD 4.7%->4.2% (scripts/analysis/shape_ml_validate.py sez. 5).

LIVE: richiede un worker capace di RIALLENARE periodicamente il modello (come il legacy
signal_engine ML, non lo StrategyWorker a regola fissa). Da wirare prima del paper live.
"""
from __future__ import annotations

import sys
from pathlib import Path

import pandas as pd

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

from src.strategies.base import Strategy, Signal  # noqa: E402
from scripts.analysis.explore_lab import get_df, evaluate, robust  # noqa: E402
from scripts.analysis.shape_ml_research import ml_wf_entries  # noqa: E402

# Config robusta scelta (cresta W24 H8-12; H12 th0.58 = la piu' robusta sui test).
CONFIG = dict(W=24, H=12, model="logit", thresh=0.58)

# Asset con edge robusto. BTC primario (regge ogni stress); ETH secondario (diversificatore
# piu' volatile). ADA robusto solo expanding -> tenuto fuori dal set live conservativo.
ASSETS = ["BTC", "ETH"]


class ShapeMLStrategy(Strategy):
    name = "SH01_shape_ml"
    description = "Direzione predetta dalla forma del segnale (LogisticRegression walk-forward), exit a H barre"
    default_assets = ASSETS
    default_timeframes = ["1h"]
    fee_rt = 0.001
    leverage = 3.0
    position_size = 0.15

    def generate_signals(self, df: pd.DataFrame, ts: pd.DatetimeIndex, **params) -> list[Signal]:
        cfg = {**CONFIG, **{k: params[k] for k in ("W", "H", "model", "thresh") if k in params}}
        # last_block_only (live, 2026-06-07): il runner passa la storia FULL (parquet
        # bootstrap + feed) e qui si fitta/predice solo l'ultimo blocco del walk-forward
        # (segnali identici al WF completo per costruzione, 1 fit invece di ~140).
        # La ri-validazione punto-10 ha mostrato che il regime corto (train 365g) NON
        # e' robusto (BTC negativo a fee 2x, trade-rate 22% vs 10%): l'edge richiede
        # il training expanding full-history. Vedi sh01_trainwindow_validate.py.
        ents = ml_wf_entries(df, W=cfg["W"], H=cfg["H"], model=cfg["model"], thresh=cfg["thresh"],
                             last_block_only=bool(params.get("last_block_only")))
        c = df["close"].values
        out: list[Signal] = []
        for e in ents:
            out.append(Signal(idx=e["i"], direction=e["d"], entry_price=float(c[e["i"]]),
                              metadata={"max_bars": e["max_bars"]}))
        return out


def run():
    print("=" * 96)
    print("  SH01 — Shape-ML | direzione dalla FORMA (LogisticRegression walk-forward) | netto fee 0.10% RT, leva 3x")
    print("=" * 96)
    print(f"  config: {CONFIG}  (W=finestra forma, H=orizzonte/exit, thresh=soglia proba)")
    for a in ASSETS:
        df = get_df(a, "1h")
        ents = ml_wf_entries(df, **CONFIG)
        res = evaluate(f"{a}", ents, df)
        print(f"      ^ {'ROBUSTO (FULL+OOS+, regge fee 0.2%, ~tutti anni+)' if robust(res) else 'edge presente ma con anni negativi (diversificatore)'}")
    print("\n  Uso: diversificatore di portafoglio (corr ~0.08 col MASTER), non motore standalone.")
    print("  Live: serve worker con retraining periodico del modello (vedi docstring).")


if __name__ == "__main__":
    run()