"""Step 16：快速三买 + 大级别分型定位。

Step 15 证明两件事：
  - 大级别分型定位有判别力（同向 PF 0.55 vs 反向 0.29）
  - 但引擎三买基线太差（PF 0.50），因为要等回拉笔确认，滞后 9~10 根

本步把三买的确认从「等笔确认」换成「回抽当根实时判定」，
在同样的区间套结构下重测。
"""
from __future__ import annotations

import argparse
import sys
import warnings
from pathlib import Path

import numpy as np
import pandas as pd

warnings.filterwarnings("ignore")
sys.path.insert(0, str(Path(__file__).resolve().parent))

from lib.breakout import run_trades, summarize_trades
from lib.data import fetch_ohlcv
from lib.fast_bsp3 import find_fast_bsp3
from lib.fx_signal import extract_fx_signals, signals_to_frame
from lib.nested_bsp import attach_htf_context, htf_fx_timeline
from lib.nested_level import build_htf_zones

sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
from chanlun import TF_DF

pd.set_option("display.width", 260)


def show(rows: list[dict]) -> None:
    rows = [r for r in rows if r.get("笔数", 0) > 0]
    print(pd.DataFrame(rows).to_string(index=False) if rows else "  (样本不足)")


def main() -> None:
    ap = argparse.ArgumentParser()
    ap.add_argument("--symbol", default="BTC/USDT:USDT")
    ap.add_argument("--ltf", default="15m")
    ap.add_argument("--htf1", default="1h")
    ap.add_argument("--htf2", default="4h")
    ap.add_argument("--sl", type=float, default=1.5)
    ap.add_argument("--tp", type=float, default=3.0)
    ap.add_argument("--max-bars", type=int, default=48)
    args = ap.parse_args()

    df_l = fetch_ohlcv(args.symbol, args.ltf, 10**9)
    chan_l = TF_DF(df_l, 1, args.ltf)
    cdf_l = chan_l.dataframe
    zones = build_htf_zones(df_l, args.ltf)
    sig = find_fast_bsp3(cdf_l, zones)

    print(f"[小级别 {args.ltf}] {len(cdf_l)} 根K线  中枢 {len(zones)}  "
          f"快速三类信号 {len(sig)}")
    if sig.empty:
        print("无信号")
        return
    print(f"  方向：三买 {(sig.direction == 1).sum()} / 三卖 {(sig.direction == -1).sum()}")
    print(f"  突破到入场滞后：中位 {sig['lag'].median():.0f} 根  "
          f"均值 {sig['lag'].mean():.1f} 根   —— 对照引擎三买 9~10 根")

    ctx = sig
    for tf, pref in ((args.htf1, "h1"), (args.htf2, "h2")):
        df_h = fetch_ohlcv(args.symbol, tf, 10**9)
        chan_h = TF_DF(df_h, 1, tf)
        sig_h = signals_to_frame(extract_fx_signals(chan_h, chan_h.dataframe))
        ctx = attach_htf_context(ctx, cdf_l, htf_fx_timeline(sig_h, chan_h.dataframe), pref)

    a1 = ctx["h1_agree"] == 1
    a2 = ctx["h2_agree"] == 1
    print(f"\n[方向一致率] {args.htf1} {a1.mean() * 100:.0f}%   "
          f"{args.htf2} {a2.mean() * 100:.0f}%   两者同时 {(a1 & a2).mean() * 100:.0f}%")

    E = lambda g: list(zip(g["entry_idx"].astype(int), g["direction"].astype(int)))
    T = lambda g, nm: summarize_trades(
        run_trades(cdf_l, E(g), args.sl, args.tp, args.max_bars), nm)

    print("\n########## 逐层过滤 ##########")
    rows = [
        T(ctx, "A 全部快速三类"),
        T(ctx[a1], f"B +{args.htf1}同向"),
        T(ctx[a2], f"C +{args.htf2}同向"),
        T(ctx[a1 & a2], "D 双大级别同向"),
        T(ctx[~a1], f"F {args.htf1}反向(对照)"),
    ]
    show(rows)

    print("\n########## 回抽深度分层（越大表示回抽越浅、未插入中枢）##########")
    rows = []
    q = ctx["depth"].quantile([0.33, 0.66]).to_numpy()
    for lo, hi, nm in [(-9, q[0], "深回抽"), (q[0], q[1], "中等"), (q[1], 9, "浅回抽")]:
        g = ctx[(ctx.depth >= lo) & (ctx.depth < hi)]
        if len(g) >= 20:
            rows.append(T(g, nm))
    show(rows)

    print("\n########## 多空拆分（双大级别同向）##########")
    both = ctx[a1 & a2]
    rows = [T(both[both.direction == d], nm)
            for d, nm in ((1, "三买做多"), (-1, "三卖做空"))
            if len(both[both.direction == d]) >= 10]
    show(rows)

    print("\n########## 与 Step 15 引擎三买的直接对照 ##########")
    print(f"  引擎三买（等笔确认，滞后 9~10 根）：675 笔  PF 0.50  t -7.87")
    a = T(ctx, "快速三买（实时判定）")
    print(f"  快速三买（回抽当根，滞后 {sig['lag'].median():.0f} 根）："
          f"{a['笔数']} 笔  PF {a['盈亏比PF']}  t {a['t值']}")

    out = Path(__file__).parent / "out" / f"step16_fast_{args.symbol.split('/')[0]}_{args.ltf}.csv"
    out.parent.mkdir(exist_ok=True)
    ctx.to_csv(out, index=False)
    print(f"\n明细已写入 {out}")


if __name__ == "__main__":
    main()