"""Step 51：把 §3.31 的两个分层结论做成仓位因子，看组合层面到底有没有变好。

已知（都用开仓时可知的信息）：
  step49  `有前序`（过去 5 分钟别的币先发过）→ 滑点余量 +6bp，6/6 时段同向
  step50  信号根低量（vr60 小）→ 余量 +14bp，ATR 4/4 + 时段 7/7 同向

但「分层看着好」到「加权之后组合更好」不是一回事，中间有三个坎：

  1. 两个结论是分开切出来的，相乘等于假设正交且效应可乘。没验过。
  2. 加权必然抬高方差。均R 涨了但 R夏普 可能不涨，那就白做。
  3. `有前序` 按定义就是「别的币已有仓位时」，给它加权 = 在敞口最集中的
     时刻再加杠杆。§3.31 已经把峰值并发列为扩币的前置约束，这里直接顶上去。

所以本步的判据不是均R，是这四项一起看：**均R / R夏普 / 最大回撤 / 峰值加权并发**。

阈值刻意取整数（vr60 的 1、2、4），权重取整数比，**一个参数都不搜**。
观测到的四分位边界在不同时段并不一致（样本外 0.63/1.26/2.28/5.34、
发现期 0.62/1.48/3.11/7.97），用样本分位数等于在同一批数据上既发现又调参。

主检验是滑点敏感性：这两个因子的优势主要在**余量**而非毛R，
所以真正该看的是「假定执行成本越高，加权方案是否衰减得越慢」。
若只在 slip=0 处好、随成本上升优势消失，那这两个因子就不值得做进仓位。
"""
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")

HERE = Path(__file__).resolve().parent
sys.path.insert(0, str(HERE))
sys.path.insert(0, str(HERE.parent))
pd.set_option("display.width", 340)

SL = 2.0
GATE_BP = 8.0
IS_START = pd.Timestamp("2026-01-30", tz="Asia/Shanghai")
SLIPS = (0.0, 5.0, 10.0, 15.0, 20.0)   # bp / taker 腿


def w_vol(vr: np.ndarray) -> np.ndarray:
    """量比越低给越多。整数阈值 1/2/4，权重 6:5:3:2（均值约 1）。"""
    w = np.full(len(vr), 1.0)
    w[vr < 1.0] = 1.5
    w[(vr >= 1.0) & (vr < 2.0)] = 1.25
    w[(vr >= 2.0) & (vr < 4.0)] = 0.75
    w[vr >= 4.0] = 0.5
    w[~np.isfinite(vr)] = 1.0        # 前 60 根不足时不表态
    return w


def w_prev(prev: np.ndarray) -> np.ndarray:
    return np.where(prev >= 1, 1.4, 1.0)


def w_cut(vr: np.ndarray) -> np.ndarray:
    """硬砍最高量那一档。用来看「不做」和「少做」差多少。"""
    w = np.ones(len(vr))
    w[np.isfinite(vr) & (vr >= 4.0)] = 0.0
    return w


def peak_concurrent(d: pd.DataFrame, w: np.ndarray) -> float:
    """扫描线求峰值同时在场的加权敞口（单位：等权仓位数）。"""
    t0 = d.date.values.astype("datetime64[m]").astype(np.int64)
    t1 = t0 + d.hold.values
    ev = np.concatenate([np.stack([t0, w], 1), np.stack([t1, -w], 1)])
    ev = ev[np.lexsort((ev[:, 1], ev[:, 0]))]
    return float(np.max(np.cumsum(ev[:, 1])))


def evaluate(d: pd.DataFrame, w: np.ndarray, slip_bp: float) -> dict:
    """slip_bp 只加在 taker 腿上——止盈是限价，不吃滑点。"""
    from lib.exit_model import fee_of, taker_notional

    tn = taker_notional(d.r.values, d.c.values)
    net = d.g.values - fee_of(d.r.values, d.c.values) - slip_bp * 1e-4 * tn
    R = net / (SL * d.atr_pct.values)

    m = w > 0
    if m.sum() < 50:
        return {}
    ww = w[m] / w[m].mean()          # 归一化：各方案投出去的平均资金相同
    wR = ww * R[m]
    eq = np.cumsum(wR)
    dd = float(np.max(np.maximum.accumulate(eq) - eq))
    return {
        "笔数": int(m.sum()),
        "均R": round(float(wR.mean()), 3),
        "R夏普": round(float(wR.mean() / wR.std()), 3),
        "总R": round(float(eq[-1]), 1),
        "最大回撤R": round(dd, 1),
        "总R/回撤": round(eq[-1] / dd, 2) if dd > 0 else np.inf,
        "余量bp": round(float((ww * net[m]).sum() / (ww * tn[m]).sum() * 1e4), 2),
        "峰值并发": round(peak_concurrent(d[m], ww), 2),
    }


def run(d: pd.DataFrame, label: str) -> pd.DataFrame:
    vr, pv = d.vr60.values, d.prev.values
    schemes = {
        "等权（现状）": np.ones(len(d)),
        "仅量因子": w_vol(vr),
        "仅前序因子": w_prev(pv),
        "两因子相乘": w_vol(vr) * w_prev(pv),
        "硬砍高量档": w_cut(vr),
    }
    rows = []
    for slip in SLIPS:
        for name, w in schemes.items():
            r = evaluate(d, w, slip)
            if r:
                rows.append({"时段": label, "滑点bp": slip, "方案": name, **r})
    return pd.DataFrame(rows)


def main() -> None:
    ap = argparse.ArgumentParser()
    ap.add_argument("--src", default=str(HERE / "out" / "step50_volume.feather"))
    args = ap.parse_args()

    from step50_volume import prep

    d = pd.read_feather(args.src)
    d["date"] = pd.to_datetime(d["date"])
    d = prep(d[(d.htf == 1.0) & d.lad & (d.atr_bp >= GATE_BP)].copy())
    oos, ins = d[d.date < IS_START], d[d.date >= IS_START]
    print(f"实盘口径 {len(d)} 笔  |  样本外 {len(oos)}  发现期 {len(ins)}")

    for lab, part in (("样本外", oos), ("发现期", ins), ("全样本", d)):
        t = run(part, lab)
        print("\n" + "=" * 118)
        print(f"########## {lab} ##########")
        for slip in SLIPS:
            g = t[t.滑点bp == slip].drop(columns=["时段", "滑点bp"])
            print(f"\n--- 假定滑点 {slip:.0f}bp / taker 腿 ---")
            print(g.to_string(index=False))

    print("\n" + "=" * 118)
    print("########## 判据：优势是否随执行成本上升而扩大 ##########")
    t = run(d, "全样本")
    base = t[t.方案 == "等权（现状）"].set_index("滑点bp")
    rows = []
    for name in t.方案.unique():
        if name == "等权（现状）":
            continue
        g = t[t.方案 == name].set_index("滑点bp")
        rows.append({"方案": name, **{
            f"{int(s)}bp处均R差": round(g.loc[s, "均R"] - base.loc[s, "均R"], 3)
            for s in SLIPS}})
    print(pd.DataFrame(rows).to_string(index=False))


if __name__ == "__main__":
    main()