C05 — Probability of a custody event and cost of concentration

import matplotlib.pyplot as plt
import numpy as np

from cvbook import seed_for
from cvbook.dati import carica
from cvbook.lingua import t
from cvbook.metriche import recupero_necessario, rendimenti
from cvbook.simulazioni import bootstrap_traiettorie

RISCHIO_ANNUO = 0.02   # ← la TUA ipotesi: probabilita' che la sede sparisca in un anno
                       # PROVA / TRY: 0,005 · 0,01 · 0,02 · 0,05 — è un'ipotesi
                       # tua, non una misura (vedi la nota qui sopra)
ORIZZONTE = 10         # ← per quanti anni ci tieni i soldi
                       # PROVA / TRY: 5 · 10 · 20 (anni)
QUOTA = 0.60           # ← quanta parte del capitale sta nel posto piu' pieno
                       # PROVA / TRY: 0,20 · 0,60 · 1,00

almeno_uno = 1 - (1 - RISCHIO_ANNUO) ** ORIZZONTE

print(t(f"ipotesi di rischio annuo: {RISCHIO_ANNUO:.1%}", f"assumed annual risk: {RISCHIO_ANNUO:.1%}"))
print(t(f"orizzonte:                {ORIZZONTE} anni", f"horizon:                  {ORIZZONTE} years"))
print(t(f"quota nel posto piu' pieno: {QUOTA:.0%}\n", f"share at the fullest venue: {QUOTA:.0%}\n"))
print(t(f"probabilita' di almeno un evento in {ORIZZONTE} anni: {almeno_uno:.1%}",
        f"probability of at least one event in {ORIZZONTE} years: {almeno_uno:.1%}"))
print(t(f"se accade, ti resta:                     {1 - QUOTA:.0%} del capitale",
        f"if it happens, you're left with:         {1 - QUOTA:.0%} of capital"))
print(t(f"per tornare in pari devi guadagnare:     +{recupero_necessario(QUOTA):.0%}",
        f"to break even you need to gain:          +{recupero_necessario(QUOTA):.0%}"))

anni = np.arange(0, 26)

with avvio.figura("schermo"):
    fig, (sx, dx) = plt.subplots(1, 2, figsize=(12, 4.5))
    for p in (0.005, 0.01, 0.02, 0.05):
        sx.plot(anni, (1 - (1 - p) ** anni) * 100, linewidth=2,
                label=t(f"{p:.1%} l'anno", f"{p:.1%} a year"))
    sx.axvline(ORIZZONTE, linestyle=":", linewidth=1.2)
    sx.set_xlabel(t("Anni di permanenza", "Years held"))
    sx.set_ylabel(t("Probabilita' di almeno un evento (%)", "Probability of at least one event (%)"))
    sx.legend()

    quote = np.linspace(0.02, 0.95, 300)
    dx.plot(quote * 100, [recupero_necessario(q) * 100 for q in quote], linewidth=2)
    for q in (0.25, 0.50, 0.75):
        dx.plot([q * 100], [recupero_necessario(q) * 100], marker="o")
        dx.annotate(f"{q:.0%} → +{recupero_necessario(q):.0%}",
                    xy=(q * 100, recupero_necessario(q) * 100),
                    xytext=(-6, 8), textcoords="offset points", ha="right")
    dx.set_ylim(0, 500)
    dx.set_xlabel(t("Quota del capitale nella sede (%)", "Share of capital at the venue (%)"))
    dx.set_ylabel(t("Guadagno necessario per tornare in pari (%)", "Gain needed to break even (%)"))
    plt.show()

print(f"{t('rischio annuo', 'annual risk'):>14s} "
      + "".join(f"{a:>10d}" + t(" anni", " years") for a in (5, 10, 20)))
for p in (0.005, 0.01, 0.02, 0.05):
    print(f"{p:14.1%} " + "".join(f"{1 - (1 - p) ** a:14.1%}" for a in (5, 10, 20)))

PERCORSI = 5000  # PROVA / TRY: 500 (veloce) · 5000 · 20000 (code più nette)
QUOTE = [1.00, 0.50, 0.20]  # PROVA / TRY: le tue quote di concentrazione

r = rendimenti(carica("btcusdt").sort("data")["chiusura"].to_numpy())
# PROVA / TRY: per un'altra serie aggiungila a avvio.prepara([...]) qui sopra
# — le 11 disponibili sono in codice/dati/registro.json
rng = np.random.default_rng(seed_for("custodia"))
# NON TOCCARE / DO NOT CHANGE: è lo stesso seme della figura del capitolo. Con
# questo, gli stessi 5.000 percorsi e gli stessi anni, la tabella qui sotto è
# quella stampata nel libro — che è la promessa del libro, non un dettaglio.
# Cambiarlo dopo aver visto il risultato è il p-hacking che il libro smonta.
# This is the same seed as the chapter's figure. With it — same 5,000 paths,
# same number of years — the table below is the one printed in the book.
anni_percorso = max(1, round(len(r) / 365))
mercato = bootstrap_traiettorie(r, n_traiettorie=PERCORSI, rng=rng,
                                a_blocchi=20)[:, -1]
colpito = (rng.random((PERCORSI, anni_percorso)) < RISCHIO_ANNUO).any(axis=1)

with avvio.figura("schermo"):
    fig, ax = plt.subplots()
    for quota in QUOTE:
        finali = np.maximum(np.where(colpito, mercato * (1 - quota), mercato), 1e-4)
        ordinati = np.sort(finali)
        probabilita = np.arange(1, len(ordinati) + 1) / len(ordinati) * 100
        ax.plot(ordinati, probabilita, linewidth=2,
                label=t(f"{quota:.0%} in una sede", f"{quota:.0%} at one venue"))
    ax.axvline(1.0, linewidth=1.2, linestyle=":")
    ax.set_xscale("log")
    ax.set_xlabel(t(f"Capitale dopo {anni_percorso} anni (volte quello iniziale, scala log)",
                     f"Capital after {anni_percorso} years (× starting, log scale)"))
    ax.set_ylabel(t("Percorsi con esito peggiore o uguale (%)", "Paths with equal or worse outcome (%)"))
    ax.legend()
    plt.show()

print(t(f"orizzonte dei percorsi, dettato dai dati: {anni_percorso} anni "
        f"({len(r)} rendimenti)",
        f"path horizon, set by the data: {anni_percorso} years ({len(r)} returns)"))
print(t(f"probabilita' di almeno un evento nei {anni_percorso} anni: {colpito.mean():.1%}\n",
        f"probability of at least one event in {anni_percorso} years: {colpito.mean():.1%}\n"))
print(f"{t('quota in una sede', 'share at one venue'):>18s} {t('mediana', 'median'):>10s} "
      f"{t('5% peggiore', 'worst 5%'):>13s} {t('sotto il capitale', 'below capital'):>19s}")
for quota in QUOTE:
    finali = np.where(colpito, mercato * (1 - quota), mercato)
    print(f"{quota:18.0%} {np.median(finali):9.2f}x {np.percentile(finali, 5):12.2f}x "
          f"{float((finali < 1).mean()):19.1%}")

print(t("\nLa mediana si sposta poco: nel caso tipico non succede niente, ed e' per "
        "questo che il problema non si vede. Cambia la coda sinistra, cioe' "
        "esattamente la parte che decide se sei ancora nel gioco.",
        "\nThe median barely moves: in the typical case nothing happens, and "
        "that's exactly why the problem is invisible. What changes is the left "
        "tail — exactly the part that decides whether you're still in the "
        "game."))

QUOTA_ATTUALE = 0.85    # ← quanto hai davvero nel posto piu' pieno, oggi
                        # PROVA / TRY: la tua quota vera
QUOTA_DECISA = 0.20     # ← il limite che vorresti darti
                        # PROVA / TRY: il limite che decideresti tu


def coda(quota: float) -> tuple[float, float]:
    finali = np.where(colpito, mercato * (1 - quota), mercato)
    return float(np.percentile(finali, 5)), float((finali < 1).mean())


for nome, quota in (
    (t("cosi' com'e' oggi", "as it is today"), QUOTA_ATTUALE),
    (t("con il limite", "with the limit"), QUOTA_DECISA),
):
    peggiore, sotto = coda(quota)
    print(t(f"{nome:>20s} (quota {quota:.0%}): 5% peggiore {peggiore:6.2f}x   "
            f"percorsi sotto il capitale {sotto:.1%}",
            f"{nome:>20s} (share {quota:.0%}): worst 5% {peggiore:6.2f}x   "
            f"paths below capital {sotto:.1%}"))

print(t("\nDistribuire su piu' sedi NON riduce a zero il rischio: lo trasforma da un "
        "interruttore in una perdita parziale, e in cambio aggiunge piu' cose da "
        "gestire, piu' credenziali, piu' punti in cui sbagliare. E' un compromesso, "
        "non una soluzione.",
        "\nSpreading across several venues does NOT reduce risk to zero: it turns "
        "it from an on/off switch into a partial loss, and in exchange adds more "
        "things to manage, more credentials, more points of failure. It's a "
        "trade-off, not a solution."))