"""
Compara formas de construir el rango del 80% usando los errores que guardó
backtest_proyeccion.py. La proyección central es la misma en todas: solo
cambia cómo se convierte el error histórico en un rango.

  asim-K: cuantiles 10/90 del error con signo, en las K ventanas más recientes.
  sim-K:  cuantil 80 del tamaño del error (sin signo), aplicado hacia arriba y
          hacia abajo por igual. No arrastra el sesgo de una época de subida o
          de bajada.

Un rango del 80% bien calibrado contiene el valor real en ~80% de los meses.
"""
import json
from pathlib import Path

import numpy as np
import pandas as pd
from scipy.stats import binomtest

A = Path(__file__).resolve().parent
d = pd.read_csv(A / "backtest_proyeccion.csv")
e = {r["mes"]: np.array(r["errores_bandas"]) for r in json.load(open(A / "backtest_errores.json"))}

def rango(c, err, tipo):
    if tipo == "asim":
        return c / (1 + np.quantile(err, .9)), c / (1 + np.quantile(err, .1))
    a = np.quantile(np.abs(np.log1p(err)), .8)
    return c * np.exp(-a), c * np.exp(a)

filas = []
for tipo in ("asim", "sim"):
    for k in (6, 12, 24):
        dentro, ancho = [], []
        for r in d.itertuples():
            lo, hi = rango(r.proyectado, e[r.mes][: 3 * k], tipo)
            dentro.append(lo <= r.real <= hi); ancho.append(hi - lo)
        n, x = len(dentro), int(sum(dentro))
        filas.append({"variante": f"{tipo}-{k}", "dentro": f"{x}/{n}", "cobertura_%": round(100 * x / n),
                      "ancho_medio": round(float(np.mean(ancho))),
                      "p_vs_80%": round(binomtest(x, n, .8).pvalue, 3)})
print(pd.DataFrame(filas).to_string(index=False))