PythagorasGoal/src/strategies/skyhook.py

"""SKYHOOK (SKH01) — dual-timeframe regime+breakout system, ported to BTC/ETH (2026-06-23).

NON e' un trend-follower: entra SOLO quando coincidono (a) un REGIME di volatilita'/volume e
(b) un PATTERN di breakout/momentum. Porting onesto su BTC/ETH certificati (Deribit mainnet)
di un sistema ES (E-mini S&P) genetico a doppio timeframe.

Architettura (dal brief):
  * data2 = HTF 690 min (genera il SEGNALE: regime + pattern)
  * data1 = LTF 230 min (ESEGUE: ingressi/uscite)        NB 690 = 3 x 230 (HTF = 3x LTF)
  Entrambi resampled dal feed 5m certificato con origin='epoch' -> i confini 690 sono un
  SOTTOINSIEME dei confini 230, quindi una barra HTF chiude esattamente su una chiusura LTF.

Pipeline per barra (evaluate_bar):  barre -> indicatori -> fasce regime -> pattern -> composer
                                    -> ingresso/uscita -> SkyhookDecision
  1. INDICATORI (sul HTF, tipo-Chande, normalizzati 0-100):
       BuzVola  = chande01(ATR)     -> dove sei nel CICLO di volatilita'   (flat -> 50)
       BuzVolume= chande01(volume)  -> dove sei nel CICLO di volume        (rampa -> 100)
     Ancore della demo del brief (trend lineare): ATR costante -> BuzVola=50 (neutro);
     volume in rampa -> BuzVolume=100. Entrambe RICOSTRUITE esattamente da chande01.
  2. FASCE REGIME (Vola, Volume): trade ammesso solo se BuzVola in [vola_lo,vola_hi] E
     BuzVolume in [vol_lo,vol_hi]. (Le "fasce 4/3/2 - 4/2/2" del sistema originale sono
     ricostruite come bande-soglia tunabili: i magici interi non sono nel brief.)
  3. PATTERN (breakout su data2/HTF): Donchian leak-free a `ptn_n` barre (default 13, da 13/13/1).
       ptn_long  = close_htf rompe il massimo delle ptn_n barre PRECEDENTI
       ptn_short = close_htf rompe il minimo  delle ptn_n barre PRECEDENTI
  4. COMPOSER: contenitore_long = regime_ok AND ptn_long ; contenitore_short = regime_ok AND ptn_short
  5. INGRESSO (max 1 al giorno): se il composer e' attivo -> OPEN_LONG / OPEN_SHORT alla
     chiusura LTF. (stop-and-reverse: non-overlap nell'engine -> il rovescio entra alla prima
     barra utile dopo l'uscita se il segnale persiste.)
  6. USCITE: time-based ASIMMETRICO (uscitalong=24, uscitashort=18 barre LTF) + hard stop/profit.
     Lo "stop 2000 / profit 5000" in $ del sistema ES e' tradotto in CRYPTO come multipli di ATR
     LTF (scale-free): sl = k_sl*ATR, tp = k_tp*ATR (default 2.0/5.0 ~ il rapporto 40:100 pt ES),
     con modalita' 'pct' alternativa (stop/profit in percentuale).

CAUSALITA': ogni feature usa dati <= close della barra (HTF: donchian con shift(1), chande01
rolling causale). Il merge HTF->LTF e' merge_asof BACKWARD sulla CHIUSURA HTF (<= chiusura LTF):
una barra HTF e' usata solo quando e' realmente chiusa. backtest_signals apre a close[i].

API:
    from src.strategies.skyhook import SkyhookParams, build_frames, skyhook_entries
    ltf, htf = build_frames(load_data("BTC","5m"))         # resample 5m -> 230m + 690m
    entries = skyhook_entries(ltf, htf, SkyhookParams())   # list[dict|None] len(ltf), per backtest_signals
    from src.backtest.harness import backtest_signals
    m = backtest_signals(ltf, entries, fee_rt=0.001); m.print_summary("SKH01 BTC")
"""
from __future__ import annotations

from dataclasses import dataclass, field

import numpy as np
import pandas as pd

# 690 = 3 x 230 ; entrambi multipli esatti di 5m (138 e 46 barre da 5m)
HTF_MIN = 690    # data2 — segnale
LTF_MIN = 230    # data1 — esecuzione


# ---------------------------------------------------------------------------
# Resample dal feed 5m certificato (origin='epoch' -> confini deterministici e allineati)
# ---------------------------------------------------------------------------
def resample_5m(df5: pd.DataFrame, minutes: int) -> pd.DataFrame:
    """5m -> `minutes` barre (origin epoch). Schema con 'datetime' + 'timestamp' (open-labeled)."""
    g = df5[["timestamp", "open", "high", "low", "close", "volume"]].copy()
    g.index = pd.to_datetime(g["timestamp"], unit="ms", utc=True)
    out = (g.resample(f"{minutes}min", label="left", closed="left", origin="epoch")
             .agg({"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"})
             .dropna(subset=["open"]))
    out["datetime"] = out.index
    epoch = pd.Timestamp("1970-01-01", tz="UTC")
    out["timestamp"] = ((out.index - epoch) // pd.Timedelta(milliseconds=1)).astype("int64")
    return out.reset_index(drop=True)[["timestamp", "open", "high", "low", "close", "volume", "datetime"]]


def build_frames(df5: pd.DataFrame) -> tuple[pd.DataFrame, pd.DataFrame]:
    """Da un feed 5m certificato -> (ltf 230m exec, htf 690m signal)."""
    return resample_5m(df5, LTF_MIN), resample_5m(df5, HTF_MIN)


# ---------------------------------------------------------------------------
# Indicatori causali
# ---------------------------------------------------------------------------
def atr(df: pd.DataFrame, win: int = 14) -> np.ndarray:
    h, l, c = df["high"].values, df["low"].values, df["close"].values
    pc = np.roll(c, 1); pc[0] = c[0]
    tr = np.maximum(h - l, np.maximum(np.abs(h - pc), np.abs(l - pc)))
    return pd.Series(tr).ewm(alpha=1.0 / win, adjust=False).mean().values


def chande01(x: np.ndarray, n: int) -> np.ndarray:
    """Chande Momentum Oscillator su `x`, normalizzato 0-100 (tipo-Chande).
    CMO = (Su - Sd)/(Su + Sd) in [-1,1] sulle n variazioni; mappato (1+CMO)*50 -> [0,100].
    Serie piatta (variazioni nulle) -> 50 (neutro). Causale (rolling fino a i)."""
    x = np.asarray(x, float)
    d = np.diff(x, prepend=x[0])
    up = np.where(d > 0, d, 0.0)
    dn = np.where(d < 0, -d, 0.0)
    su = pd.Series(up).rolling(n, min_periods=n).sum().values
    sd = pd.Series(dn).rolling(n, min_periods=n).sum().values
    denom = su + sd
    cmo = np.divide(su - sd, denom, out=np.zeros_like(denom), where=denom > 0)
    out = 50.0 * (1.0 + cmo)
    out[~np.isfinite(out)] = 50.0
    return out


def donchian_breakout(df: pd.DataFrame, n: int) -> tuple[np.ndarray, np.ndarray]:
    """Breakout leak-free: close[i] rompe il max/min delle n barre STRETTAMENTE precedenti."""
    hi = pd.Series(df["high"].values).rolling(n, min_periods=n).max().shift(1).values
    lo = pd.Series(df["low"].values).rolling(n, min_periods=n).min().shift(1).values
    c = df["close"].values.astype(float)
    return (c > hi), (c < lo)


# ---------------------------------------------------------------------------
# Parametri
# ---------------------------------------------------------------------------
@dataclass
class SkyhookParams:
    # indicatori (HTF)
    atr_win: int = 14
    n_vola: int = 13           # finestra Chande su ATR   (da PtnL 13)
    n_volume: int = 13         # finestra Chande su volume (da PtnL 13)
    # fasce regime (bande-soglia su 0-100). Default = "regime di breakout":
    #   volume vivo (BuzVolume alto) + volatilita' presente ma non da blow-off.
    vola_lo: float = 35.0
    vola_hi: float = 95.0
    vol_lo: float = 50.0
    vol_hi: float = 100.0
    # pattern (HTF) — Donchian breakout
    ptn_n: int = 13            # da PtnL 13/13/1
    # composer / direzione
    long_only: bool = False    # Skyhook e' L/S di natura; True = solo long (stile crypto difensivo)
    # ingresso
    max_per_day: int = 1
    # uscite — time-based asimmetrico (barre LTF)
    uscitalong: int = 24
    uscitashort: int = 18
    # uscite — hard stop/profit (LONG, e SHORT se gli override sotto sono None)
    exit_mode: str = "atr"     # 'atr' = multipli di ATR LTF ; 'pct' = percentuale fissa
    sl_atr: float = 2.0
    tp_atr: float = 5.0
    sl_pct: float = 0.03
    tp_pct: float = 0.075
    ltf_atr_win: int = 14
    # uscite — OVERRIDE asimmetrico SHORT (None = usa i valori simmetrici sopra).
    # In crypto lo short si fa steamrollare da uno spike vola: stop short piu' stretti
    # tagliano il draw-down standalone senza toccare il segnale (vedi SKH01-V2-DD, diario).
    exit_mode_short: str | None = None
    sl_atr_short: float | None = None
    tp_atr_short: float | None = None
    sl_pct_short: float | None = None
    tp_pct_short: float | None = None


# ---------------------------------------------------------------------------
# Feature HTF -> merge causale su LTF
# ---------------------------------------------------------------------------
def htf_features(htf: pd.DataFrame, p: SkyhookParams) -> pd.DataFrame:
    """Calcola regime+pattern sull'HTF e li restituisce indicizzati per CHIUSURA HTF (timestamp
    di chiusura = open + 690min). Cosi' il merge backward su LTF e' strettamente causale."""
    buz_vola = chande01(atr(htf, p.atr_win), p.n_vola)
    buz_volume = chande01(htf["volume"].values, p.n_volume)
    ptn_long, ptn_short = donchian_breakout(htf, p.ptn_n)
    regime_ok = ((buz_vola >= p.vola_lo) & (buz_vola <= p.vola_hi)
                 & (buz_volume >= p.vol_lo) & (buz_volume <= p.vol_hi))
    comp_long = regime_ok & ptn_long
    comp_short = regime_ok & ptn_short
    if p.long_only:
        comp_short = np.zeros_like(comp_short, dtype=bool)
    close_ts = htf["timestamp"].astype("int64").values + HTF_MIN * 60 * 1000
    return pd.DataFrame({
        "close_ts": close_ts,
        "buz_vola": buz_vola, "buz_volume": buz_volume,
        "comp_long": comp_long.astype(bool), "comp_short": comp_short.astype(bool),
    })


def merge_htf_to_ltf(ltf: pd.DataFrame, feat: pd.DataFrame) -> pd.DataFrame:
    """Attacca a ogni barra LTF l'ultima feature HTF la cui CHIUSURA <= chiusura LTF (causale)."""
    left = ltf.copy()
    left["close_ts"] = left["timestamp"].astype("int64").values + LTF_MIN * 60 * 1000
    m = pd.merge_asof(left.sort_values("close_ts"),
                      feat.sort_values("close_ts"),
                      on="close_ts", direction="backward")
    return m.sort_index().reset_index(drop=True)


# ---------------------------------------------------------------------------
# Generatore di ingressi per backtest_signals  ({'dir','tp','sl','max_bars'})
# ---------------------------------------------------------------------------
def skyhook_entries(ltf: pd.DataFrame, htf: pd.DataFrame, p: SkyhookParams | None = None) -> list:
    """Lista di entry-dict (uno per barra LTF, None = niente segnale), pronta per
    backtest_signals. Max `max_per_day` ingressi/giorno (prima barra qualificante del giorno).
    sl/tp e max_bars asimmetrici per direzione. Tutto causale (decide a close[i])."""
    p = p or SkyhookParams()
    feat = htf_features(htf, p)
    m = merge_htf_to_ltf(ltf, feat)

    c = m["close"].values.astype(float)
    a = atr(m, p.ltf_atr_win)
    comp_long = np.nan_to_num(m["comp_long"].values).astype(bool)
    comp_short = np.nan_to_num(m["comp_short"].values).astype(bool)
    days = pd.to_datetime(m["datetime"]).dt.floor("D").values

    entries: list = [None] * len(m)
    count_today: dict = {}
    for i in range(len(m)):
        if not np.isfinite(a[i]) or a[i] <= 0:
            continue
        day = days[i]
        if count_today.get(day, 0) >= p.max_per_day:
            continue
        if comp_long[i]:
            direction, mb = 1, p.uscitalong
            mode, sl_a, tp_a, sl_p, tp_p = p.exit_mode, p.sl_atr, p.tp_atr, p.sl_pct, p.tp_pct
        elif comp_short[i]:
            direction, mb = -1, p.uscitashort
            # SHORT: usa l'override asimmetrico dove presente, altrimenti i valori simmetrici.
            mode = p.exit_mode_short if p.exit_mode_short is not None else p.exit_mode
            sl_a = p.sl_atr_short if p.sl_atr_short is not None else p.sl_atr
            tp_a = p.tp_atr_short if p.tp_atr_short is not None else p.tp_atr
            sl_p = p.sl_pct_short if p.sl_pct_short is not None else p.sl_pct
            tp_p = p.tp_pct_short if p.tp_pct_short is not None else p.tp_pct
        else:
            continue
        if mode == "atr":
            sl_off, tp_off = sl_a * a[i], tp_a * a[i]
        else:
            sl_off, tp_off = sl_p * c[i], tp_p * c[i]
        if direction == 1:
            sl, tp = c[i] - sl_off, c[i] + tp_off
        else:
            sl, tp = c[i] + sl_off, c[i] - tp_off
        entries[i] = {"dir": direction, "tp": float(tp), "sl": float(sl), "max_bars": int(mb)}
        count_today[day] = count_today.get(day, 0) + 1
    return entries


# ---------------------------------------------------------------------------
# Config canoniche (vedi docs/diary/2026-06-23-skyhook.md)
# ---------------------------------------------------------------------------
# SKH01-V1: vincente del primo lever-scout/grid (regime gate + breakout lento + stop larghi).
SKH01_V1 = SkyhookParams(ptn_n=55, sl_atr=2.5, tp_atr=6.0, vola_lo=35.0, vola_hi=95.0, vol_lo=0.0)

# SKH01-V2-DD: vincente dell'onda DD-reduction (famiglia ASYM_LS). Stesso SEGNALE del winner
# intermedio (ptn_n=45, banda vola larga) ma EXIT a percentuale fissa ASIMMETRICA: short con SL
# piu' stretto (2% vs 4% long) -> taglia il draw-down standalone (maxDD BTC 21% / ETH 27% <30%)
# alzando hold-out e uplift di portafoglio. Verificato leak-free + 2 scettici avversariali.
SKH01_V2_DD = SkyhookParams(
    ptn_n=45, vola_lo=35.0, vola_hi=95.0, vol_lo=0.0,
    uscitalong=24, uscitashort=16,
    exit_mode="pct", sl_pct=0.04, tp_pct=0.10,          # LONG
    exit_mode_short="pct", sl_pct_short=0.02, tp_pct_short=0.08,  # SHORT (SL piu' stretto)
)


def signal_counts(ltf: pd.DataFrame, htf: pd.DataFrame, p: SkyhookParams | None = None) -> dict:
    """Diagnostica: quante barre passano regime/pattern/composer (prima del cap giornaliero)."""
    p = p or SkyhookParams()
    feat = htf_features(htf, p)
    m = merge_htf_to_ltf(ltf, feat)
    cl = np.nan_to_num(m["comp_long"].values).astype(bool)
    cs = np.nan_to_num(m["comp_short"].values).astype(bool)
    ent = skyhook_entries(ltf, htf, p)
    return dict(ltf_bars=len(m), comp_long=int(cl.sum()), comp_short=int(cs.sum()),
                entries=int(sum(e is not None for e in ent)))