L02 — Equity curves generated by chance alone, and the finest among a thousand

import matplotlib.pyplot as plt
import numpy as np

from cvbook import seed_for
from cvbook.metriche import drawdown_massimo
from cvbook.simulazioni import equity_casuali, migliori_per_caso

GIORNI = 500          # ← due anni circa di operatività
                      # PROVA / TRY: 125 (sei mesi) · 500 · 1000
VOLATILITA = 0.018    # ← oscillazione tipica per operazione
                      # PROVA / TRY: 0,01 · 0,018 · 0,04
VANTAGGIO = 0.0       # ← lascialo a zero: è il punto

rng = np.random.default_rng(seed_for("lab-equity-casuali"))
# PROVA / TRY: cambia il nome dentro seed_for(...) per vedere altre dodici
# curve — nessuna delle due versioni contiene più abilità dell'altra
curve = equity_casuali(12, GIORNI, rendimento_atteso=VANTAGGIO,
                       volatilita_periodo=VOLATILITA, rng=rng)

with avvio.figura("schermo"):
    fig, assi = plt.subplots(3, 4, figsize=(11, 6), sharex=True)
    for k, ax in enumerate(assi.flat):
        ax.plot(curve[k] * 100, linewidth=1.2)
        ax.axhline(100, linestyle=":", linewidth=0.8)
        ax.set_title(f"{chr(65 + k)}   {curve[k][-1]:.2f}x", fontsize=9)
        ax.set_xticks([])
    fig.suptitle("Dodici curve senza alcuna abilità dentro")
    plt.show()

N = 1000  # PROVA / TRY: 200 (veloce) · 1000 · 10000 (il numero del capitolo si stabilizza)
rng = np.random.default_rng(seed_for("migliori-per-caso"))
# NON TOCCARE / DO NOT CHANGE: questa cella mostra le 5 migliori su 1000
# tentativi senza vantaggio — è la messa in scena del p-hacking, non
# l'occasione per cercare un seme che renda le 5 migliori ancora più belle.
# This cell shows the 5 best out of 1000 attempts with no edge — it's the
# staging of p-hacking, not a chance to hunt for a seed that makes the 5
# best look even more impressive.
tutte = equity_casuali(N, GIORNI, rendimento_atteso=VANTAGGIO,
                       volatilita_periodo=VOLATILITA, rng=rng)
migliori = migliori_per_caso(tutte, 5)

with avvio.figura("schermo"):
    fig, (sx, dx) = plt.subplots(1, 2, figsize=(11, 4))
    for curva in migliori:
        sx.plot(curva * 100, linewidth=1.4)
    sx.axhline(100, linestyle=":", linewidth=0.9)
    sx.set_title(f"Le 5 migliori su {N}")
    sx.set_ylabel("Capitale (base 100)")

    dx.hist(tutte[:, -1] * 100, bins=60)
    dx.axvline(100, linestyle=":", linewidth=1.2)
    dx.set_title("Da dove sono state estratte")
    dx.set_xlabel("Capitale finale (base 100)")
    plt.show()

finali = tutte[:, -1]
print(f"mediana dei {N} risultati: {np.median(finali):.3f}x")
print(f"la migliore:               {finali.max():.3f}x  "
      f"(calo massimo {drawdown_massimo(migliori[0]):.1%})")
print(f"quota sopra 1,5x:          {(finali > 1.5).mean():.2%}")
print(f"quota sopra 2x:            {(finali > 2.0).mean():.2%}")
print(f"quota sopra 2x CON calo massimo sotto il 20%: "
      f"{np.mean((finali > 2) & (np.array([drawdown_massimo(c) for c in tutte]) > -0.20)):.2%}")

RISULTATO_DICHIARATO = 2.5   # ← capitale finale dichiarato, in volte (2,5 = +150%)
                             # PROVA / TRY: il risultato che ti ha colpito davvero
DURATA_GIORNI = 500          # ← su quanti giorni di operatività
                             # PROVA / TRY: 125 (vedi esercizio 1) · 500
VOLATILITA_TIPICA = 0.018    # ← oscillazione per operazione, se la conosci
                             # PROVA / TRY: 0,018 · 0,04 (vedi esercizio 2)

rng = np.random.default_rng(seed_for("confronto-personale"))
prova = equity_casuali(5000, DURATA_GIORNI, rendimento_atteso=0.0,
                       volatilita_periodo=VOLATILITA_TIPICA, rng=rng)[:, -1]
meglio = float((prova >= RISULTATO_DICHIARATO).mean())

print(f"risultato dichiarato: {RISULTATO_DICHIARATO:.2f}x su {DURATA_GIORNI} giorni")
print(f"curve casuali che fanno altrettanto o meglio: {meglio:.2%}")
print(f"su 10.000 persone senza alcuna abilita', ne otterrebbero altrettanto: "
      f"{meglio * 10_000:.0f}")