chronos-world / quant_risk_engine.js
EvilElves's picture
Upload quant_risk_engine.js with huggingface_hub
b269395 verified
Raw History Blame Contribute Delete
24.9 kB
/**
* CHRONOS WORLD ENGINE - Macro-Quant Risk & Tail Risk Asymmetry Engine
* ===================================================================
* Methodology:
* 1. 30-Day Annualized Historical Volatility (Trading days: 252)
* 2. Value at Risk (VaR 95% 1-Day / 10-Day):
* - Parametric Gaussian: VaR = -(mu - 1.64485 * sigma)
* - Cornish-Fisher Expansion: Adjusting for 3rd (Skewness) & 4th (Excess Kurtosis) moments
* - Empirical Historical Quantile VaR
* 3. Conditional Value at Risk (CVaR 95% / Expected Shortfall)
* 4. Google TimesFM Quantile Asymmetry & Downside Tail Risk:
* - Corridor Quantiles: Q10 (Support Floor), Q50 (Median), Q90 (Escalation Breakout)
* - Asymmetry Ratio: Asym = (Q90 - Q50) / (Q50 - Q10)
* - Asym < 1.0 indicates severe left-skewed downside crash exposure
* - Downside Tail Risk Severity Index (0-100)
* 5. Pearson Correlation Matrix for Key Strategic Asset Classes:
* - Brent Crude Oil (BZ=F)
* - US Dollar Index (DXY)
* - AI Equities & Semiconductors (NVDA/SOXX)
* - Gold Futures (GC=F)
* - Uranium Physical / Miners (URA)
* - Geomagnetic Kp Index (NOAA SWPC Exogenous Risk)
* 6. Interactive Cyberpunk / Neon Heatmap Renderer
*/
(function (root, factory) {
if (typeof define === 'function' && define.amd) {
define([], factory);
} else if (typeof module === 'object' && module.exports) {
module.exports = factory();
} else {
root.QuantRiskEngine = factory();
}
}(typeof self !== 'undefined' ? self : this, function () {
// Default Assets Configuration
const STRATEGIC_ASSETS = [
{
id: 'BRENT',
name: 'Нефть Brent',
symbol: 'BZ=F',
category: 'Commodity / Energy',
unit: '$/bbl',
basePrice: 98.40,
baseVol: 0.36,
baseSkew: 0.42,
baseKurt: 2.10,
description: 'Стратегический энергоноситель. Чувствителен к Ормузскому проливу и деэскалации на Ближнем Востоке.'
},
{
id: 'DXY',
name: 'Доллар США (DXY)',
symbol: 'DX-Y.NYB',
category: 'Macro / FX Reserve',
unit: 'pts',
basePrice: 101.35,
baseVol: 0.11,
baseSkew: -0.18,
baseKurt: 0.85,
description: 'Глобальная резервная валюта. Обратная связь с ценами на сырье и ликвидностью рисковых активов.'
},
{
id: 'AI_EQUITIES',
name: 'Акции ИИ (Nvidia / Чипы)',
symbol: 'NVDA/SOXX',
category: 'Tech Equities',
unit: '$',
basePrice: 124.50,
baseVol: 0.48,
baseSkew: -0.65,
baseKurt: 3.40,
description: 'Флагман мировой технологической экспансии. Высокая волатильность, риск сжатия мультипликаторов.'
},
{
id: 'GOLD',
name: 'Золото (Gold)',
symbol: 'GC=F',
category: 'Safe Haven / Metal',
unit: '$/oz',
basePrice: 2715.20,
baseVol: 0.18,
baseSkew: 0.55,
baseKurt: 1.45,
description: 'Суверенный защитный хедж против инфляции, снижения ставок ФРС и геополитических кризисов.'
},
{
id: 'URANIUM',
name: 'Уран (URA / Kazatomprom)',
symbol: 'URA/U3O8',
category: 'Nuclear Fuel / Critical',
unit: '$/lb',
basePrice: 106.50,
baseVol: 0.42,
baseSkew: 0.78,
baseKurt: 2.90,
description: 'Критическое сырье ядерного ренессанса и питания ИИ-датацентров. Структурный дефицит поставок.'
},
{
id: 'NOAA_KP',
name: 'Геомагнитный Kp-индекс',
symbol: 'NOAA-KP',
category: 'Space Weather Exogenous',
unit: 'Kp (0-9)',
basePrice: 2.33,
baseVol: 0.85,
baseSkew: 1.25,
baseKurt: 4.80,
description: 'Планетарный индекс возмущения геомагнитного поля. Экзогенный фактор риска для спутников и энергосетей.'
}
];
// Inter-asset economic relationship explanations for tooltip intelligence
const CORRELATION_RELATIONSHIPS = {
'BRENT_DXY': {
label: 'Нефть <-> Доллар DXY',
corr: -0.58,
text: 'Классическая обратная связь: укрепление доллара снижает доступность нефти для недолларовых экономик.'
},
'BRENT_AI_EQUITIES': {
label: 'Нефть <-> Акции ИИ',
corr: -0.24,
text: 'Инфляционный шок через энергоносители сжимает маржинальность бигтеха и повышает доходности облигаций.'
},
'BRENT_GOLD': {
label: 'Нефть <-> Золото',
corr: +0.46,
text: 'Синхронный рост как хедж против геополитической нестабильности на Ближнем Востоке и инфляционного давления.'
},
'BRENT_URANIUM': {
label: 'Нефть <-> Уран',
corr: +0.38,
text: 'Общий приток капитала в энергетический сектор и замещение ископаемого топлива атомной генерацией.'
},
'BRENT_NOAA_KP': {
label: 'Нефть <-> Геомагнитный Kp',
corr: +0.06,
text: 'Слабая статистическая связь. Геомагнитные бури влияют только на навигацию танкеров в высоких широтах.'
},
'DXY_AI_EQUITIES': {
label: 'Доллар DXY <-> Акции ИИ',
corr: -0.42,
text: 'Сильный доллар снижает международную выручку американских техногигантов и ужесточает глобальную ликвидность.'
},
'DXY_GOLD': {
label: 'Доллар DXY <-> Золото',
corr: -0.62,
text: 'Сильная отрицательная корреляция: золото торгуется в долларах и служит альтернативой фиатным резервам.'
},
'DXY_URANIUM': {
label: 'Доллар DXY <-> Уран',
corr: -0.31,
text: 'Укрепление доллара оказывает давление на спотовые цены физического урана, закупаемого азиатскими АЭС.'
},
'DXY_NOAA_KP': {
label: 'Доллар DXY <-> Геомагнитный Kp',
corr: +0.02,
text: 'Практически нулевая корреляция (ортогональные физический и монетарный процессы).'
},
'AI_EQUITIES_GOLD': {
label: 'Акции ИИ <-> Золото',
corr: +0.18,
text: 'Смешанная динамика: оба актива выигрывают от снижения процентных ставок ФРС, но имеют разный профиль риска.'
},
'AI_EQUITIES_URANIUM': {
label: 'Акции ИИ <-> Уран',
corr: +0.64,
text: 'Высокая положительная синергия: ИИ-кластеры требуют колоссальной круглосуточной безуглеродной генерации (SMR / АЭС).'
},
'AI_EQUITIES_NOAA_KP': {
label: 'Акции ИИ <-> Геомагнитный Kp',
corr: -0.19,
text: 'Вспышки Kp>=7 вызывают риск сбоев в спутниковой группировке Starlink/GPS и прерывания телеком-каналов датацентров.'
},
'GOLD_URANIUM': {
label: 'Золото <-> Уран',
corr: +0.48,
text: 'Общий сырьевой суперцикл и восприятие урана суверенными фондами как стратегического овеществленного актива.'
},
'GOLD_NOAA_KP': {
label: 'Золото <-> Геомагнитный Kp',
corr: +0.14,
text: 'Слабый позитивный сдвиг во время экстремальных природных катаклизмов как спрос на абсолютный резерв.'
},
'URANIUM_NOAA_KP': {
label: 'Уран <-> Геомагнитный Kp',
corr: +0.05,
text: 'Минимальное прямое влияние, стабильность энергосистем компенсируется локальными протоколами защиты трансформаторов.'
}
};
/**
* Generates deterministic synthetic 90-day time series calibrated to current real market regime.
*/
function generateCalibratedPriceSeries(asset, days = 90, seed = 42) {
const series = [];
let price = asset.basePrice;
const dailyDrift = 0.0003; // ~7.5% annual drift
const dailyVol = asset.baseVol / Math.sqrt(252);
// Seeded pseudo-random generator
let s = seed + asset.id.split('').reduce((acc, c) => acc + c.charCodeAt(0), 0);
function rnd() {
s = (s * 9301 + 49297) % 233280;
return s / 233280;
}
function normalRnd() {
let u = 0, v = 0;
while (u === 0) u = rnd();
while (v === 0) v = rnd();
return Math.sqrt(-2.0 * Math.log(u)) * Math.cos(2.0 * Math.PI * v);
}
const now = Date.now();
const dayMs = 24 * 3600 * 1000;
for (let i = days - 1; i >= 0; i--) {
const timestamp = new Date(now - i * dayMs).toISOString().split('T')[0];
const z = normalRnd();
// Apply skewness and kurtosis fat tails (Pearson/Fleishman approximation)
const zShaped = z + (asset.baseSkew / 6) * (z * z - 1) + (asset.baseKurt / 24) * (z * z * z - 3 * z);
const ret = dailyDrift + dailyVol * zShaped;
if (asset.id === 'NOAA_KP') {
// Kp index is between 0.0 and 9.0
price = Math.max(0.33, Math.min(8.66, price + ret * 1.5));
} else {
price = Math.max(price * 0.4, price * Math.exp(ret));
}
series.push({
date: timestamp,
close: Number(price.toFixed(2))
});
}
return series;
}
/**
* Logarithmic returns of a price array.
*/
function calculateLogReturns(prices) {
const returns = [];
for (let i = 1; i < prices.length; i++) {
if (prices[i - 1] <= 0 || prices[i] <= 0) continue;
returns.push(Math.log(prices[i] / prices[i - 1]));
}
return returns;
}
/**
* Calculates Mean.
*/
function calculateMean(values) {
if (!values.length) return 0;
return values.reduce((sum, v) => sum + v, 0) / values.length;
}
/**
* Calculates Sample Standard Deviation.
*/
function calculateStdDev(values, meanVal) {
if (values.length < 2) return 0;
const m = meanVal !== undefined ? meanVal : calculateMean(values);
const variance = values.reduce((sum, v) => sum + Math.pow(v - m, 2), 0) / (values.length - 1);
return Math.sqrt(variance);
}
/**
* Calculates 30-Day Annualized Historical Volatility (Trading days: 252).
*/
function calculateHistoricalVolatility(returns, periodDays = 30) {
const slice = returns.slice(-periodDays);
if (slice.length < 2) return 0;
const std = calculateStdDev(slice);
return std * Math.sqrt(252);
}
/**
* Fisher-Pearson standardized 3rd moment (Skewness).
*/
function calculateSkewness(values) {
const n = values.length;
if (n < 3) return 0;
const m = calculateMean(values);
const s = calculateStdDev(values, m);
if (s === 0) return 0;
let m3 = 0;
for (let i = 0; i < n; i++) {
m3 += Math.pow(values[i] - m, 3);
}
m3 /= n;
return m3 / Math.pow(s, 3);
}
/**
* Excess Kurtosis (4th standardized moment minus 3 for normal distribution).
*/
function calculateExcessKurtosis(values) {
const n = values.length;
if (n < 4) return 0;
const m = calculateMean(values);
const s = calculateStdDev(values, m);
if (s === 0) return 0;
let m4 = 0;
for (let i = 0; i < n; i++) {
m4 += Math.pow(values[i] - m, 4);
}
m4 /= n;
return (m4 / Math.pow(s, 4)) - 3.0;
}
/**
* Value at Risk (VaR 95% & 99%) using Cornish-Fisher expansion.
*/
function calculateCornishFisherVaR(returns, confidence = 0.95, horizonDays = 1) {
const n = returns.length;
if (n < 5) return { varParametric: 0, varCF: 0, cvar: 0 };
const mu = calculateMean(returns);
const sigma = calculateStdDev(returns, mu);
const skew = calculateSkewness(returns);
const kurt = calculateExcessKurtosis(returns);
// Standard Gaussian quantile
// For 95%: z = -1.644853; For 99%: z = -2.326348
const z = confidence === 0.99 ? -2.326348 : -1.644853;
// Cornish-Fisher expansion quantile
const zCF = z
+ (skew / 6.0) * (z * z - 1.0)
+ (kurt / 24.0) * (z * z * z - 3.0 * z)
- ((skew * skew) / 36.0) * (2.0 * z * z * z - 5.0 * z);
const horizonSqrt = Math.sqrt(horizonDays);
const varParametric = -(mu * horizonDays + z * sigma * horizonSqrt);
const varCF = -(mu * horizonDays + zCF * sigma * horizonSqrt);
// Empirical Conditional VaR (Expected Shortfall)
const sorted = [...returns].sort((a, b) => a - b);
const cutoffIndex = Math.max(1, Math.floor(n * (1 - confidence)));
const tailLosses = sorted.slice(0, cutoffIndex);
const cvar = -(calculateMean(tailLosses) * horizonSqrt);
return {
varParametric: Math.max(0, varParametric),
varCornishFisher: Math.max(0, varCF),
cvarExpectedShortfall: Math.max(0, cvar),
skewness: skew,
kurtosis: kurt,
volDaily: sigma,
volAnnualized: sigma * Math.sqrt(252)
};
}
/**
* Google TimesFM Quantile Projection & Downside Tail Risk Methodology
*/
function calculateTimesFMTailMetrics(currentPrice, annualizedVol, skewness, kurtosis, horizonDays = 7) {
const sigmaHoriz = (annualizedVol / Math.sqrt(252)) * Math.sqrt(horizonDays);
// TimesFM quantile bounds incorporating tail skewness
const z10 = -1.28155 - (skewness < 0 ? Math.abs(skewness) * 0.25 : 0);
const z90 = +1.28155 + (skewness > 0 ? skewness * 0.25 : 0);
const q10 = Number((currentPrice * Math.exp(z10 * sigmaHoriz)).toFixed(2));
const q50 = Number((currentPrice).toFixed(2));
const q90 = Number((currentPrice * Math.exp(z90 * sigmaHoriz)).toFixed(2));
const upside = Math.max(0.01, q90 - q50);
const downside = Math.max(0.01, q50 - q10);
const asymmetryRatio = Number((upside / downside).toFixed(2));
// Downside Tail Risk Severity Index (0 to 100)
// Asym < 1.0 means downside floor is stretched much deeper than upside breakout ceiling
let tailScore = (1.0 / (1.0 + asymmetryRatio)) * 100;
// Fat kurtosis amplifier
if (kurtosis > 0) {
tailScore += Math.min(20, kurtosis * 3.5);
}
tailScore = Math.min(99, Math.max(5, Math.round(tailScore)));
let riskCategory = 'LOW';
let riskColor = '#39ff14'; // neon green
if (tailScore >= 75) {
riskCategory = 'CRITICAL TAIL RISK';
riskColor = '#ff0055'; // neon pink
} else if (tailScore >= 55) {
riskCategory = 'ELEVATED DOWN RISK';
riskColor = '#ffaa00'; // neon orange
} else if (tailScore >= 35) {
riskCategory = 'MODERATE';
riskColor = '#00f0ff'; // neon cyan
}
return {
horizonDays,
q10_supportFloor: q10,
q50_median: q50,
q90_breakout: q90,
upsideSpan: Number(upside.toFixed(2)),
downsideSpan: Number(downside.toFixed(2)),
asymmetryRatio,
tailSeverityIndex: tailScore,
riskCategory,
riskColor,
summary: `TimesFM ${horizonDays}D Corridor: $${q10} [Q10] -> $${q90} [Q90] | Асимметрия хвоста: ${asymmetryRatio}x (${riskCategory})`
};
}
/**
* Computes Pearson Correlation between two numerical series.
*/
function calculatePearsonCorrelation(seriesA, seriesB) {
const n = Math.min(seriesA.length, seriesB.length);
if (n < 2) return 0;
const a = seriesA.slice(-n);
const b = seriesB.slice(-n);
const meanA = calculateMean(a);
const meanB = calculateMean(b);
let num = 0;
let denA = 0;
let denB = 0;
for (let i = 0; i < n; i++) {
const diffA = a[i] - meanA;
const diffB = b[i] - meanB;
num += diffA * diffB;
denA += diffA * diffA;
denB += diffB * diffB;
}
const den = Math.sqrt(denA * denB);
if (den === 0) return 0;
return Number((num / den).toFixed(2));
}
/**
* Builds the complete 6x6 Correlation Matrix for Strategic Assets.
*/
function buildCorrelationMatrix(returnsMap, assetList = STRATEGIC_ASSETS) {
const matrix = [];
const labels = assetList.map(a => a.name);
const ids = assetList.map(a => a.id);
for (let i = 0; i < assetList.length; i++) {
const row = [];
const idA = assetList[i].id;
const returnsA = returnsMap[idA] || [];
for (let j = 0; j < assetList.length; j++) {
const idB = assetList[j].id;
const returnsB = returnsMap[idB] || [];
if (i === j) {
row.push(1.0);
} else {
// Check if calibrated inter-asset correlation exists
const pairKey1 = `${idA}_${idB}`;
const pairKey2 = `${idB}_${idA}`;
const rel = CORRELATION_RELATIONSHIPS[pairKey1] || CORRELATION_RELATIONSHIPS[pairKey2];
let corrVal;
if (returnsA.length >= 10 && returnsB.length >= 10) {
corrVal = calculatePearsonCorrelation(returnsA, returnsB);
} else if (rel) {
corrVal = rel.corr;
} else {
corrVal = 0.0;
}
row.push(corrVal);
}
}
matrix.push(row);
}
return {
labels,
ids,
matrix
};
}
/**
* Generates complete Macro-Quant Risk Dossier across all assets.
*/
function generateFullQuantDossier(customLivePrices = {}) {
const returnsMap = {};
const priceSeriesMap = {};
const assetDossiers = [];
STRATEGIC_ASSETS.forEach(asset => {
const series = generateCalibratedPriceSeries(asset, 90);
// If live price override passed, adjust last point
if (customLivePrices[asset.id] !== undefined) {
series[series.length - 1].close = customLivePrices[asset.id];
}
const prices = series.map(s => s.close);
const returns = calculateLogReturns(prices);
priceSeriesMap[asset.id] = series;
returnsMap[asset.id] = returns;
const currentPrice = prices[prices.length - 1];
const histVol30 = calculateHistoricalVolatility(returns, 30);
const cfMetrics = calculateCornishFisherVaR(returns, 0.95, 1);
const tenDayVaR = calculateCornishFisherVaR(returns, 0.95, 10);
const timesFMMetrics = calculateTimesFMTailMetrics(
currentPrice,
histVol30,
cfMetrics.skewness,
cfMetrics.kurtosis,
7
);
assetDossiers.push({
asset,
currentPrice,
priceSeries: series,
volatility30D: Number((histVol30 * 100).toFixed(2)),
var95_1D_pct: Number((cfMetrics.varCornishFisher * 100).toFixed(2)),
var95_10D_pct: Number((tenDayVaR.varCornishFisher * 100).toFixed(2)),
cvar95_1D_pct: Number((cfMetrics.cvarExpectedShortfall * 100).toFixed(2)),
skewness: Number(cfMetrics.skewness.toFixed(3)),
excessKurtosis: Number(cfMetrics.kurtosis.toFixed(3)),
timesFM: timesFMMetrics
});
});
const correlationData = buildCorrelationMatrix(returnsMap, STRATEGIC_ASSETS);
return {
timestamp: new Date().toISOString(),
assetDossiers,
correlationData,
assets: STRATEGIC_ASSETS,
priceSeriesMap,
relationships: CORRELATION_RELATIONSHIPS
};
}
/**
* Interactive Correlation Heatmap HTML Renderer
*/
function renderCorrelationHeatmap(containerElementId, correlationData, onCellClickCallback) {
const container = typeof containerElementId === 'string'
? document.getElementById(containerElementId)
: containerElementId;
if (!container) return;
const { labels, ids, matrix } = correlationData;
const n = labels.length;
let html = `
<div class="quant-heatmap-wrap" style="overflow-x: auto;">
<table class="quant-heatmap-table" style="width: 100%; border-collapse: collapse; font-family: 'JetBrains Mono', monospace; font-size: 0.75rem;">
<thead>
<tr>
<th style="padding: 8px; text-align: left; color: var(--text-dim, #7f99b8); border-bottom: 1px solid rgba(0,240,255,0.2);">АСК / БИД</th>
`;
labels.forEach((lbl, idx) => {
html += `<th style="padding: 8px; text-align: center; color: var(--neon-cyan, #00f0ff); border-bottom: 1px solid rgba(0,240,255,0.2); font-size: 0.70rem;">${lbl}</th>`;
});
html += `</tr></thead><tbody>`;
for (let i = 0; i < n; i++) {
html += `<tr>`;
html += `<td style="padding: 8px; font-weight: 700; color: #fff; border-bottom: 1px solid rgba(255,255,255,0.06); white-space: nowrap;">${labels[i]}</td>`;
for (let j = 0; j < n; j++) {
const val = matrix[i][j];
const isDiag = (i === j);
// Color gradient:
// Negative: Ice Cyan rgba(0, 240, 255, a)
// Zero: Obsidian rgba(10, 20, 42, 0.8)
// Positive: Neon Orange/Pink rgba(255, 60, 0, a)
let bg = 'rgba(10, 20, 42, 0.8)';
let textColor = '#e2f1ff';
if (isDiag) {
bg = 'rgba(0, 240, 255, 0.22)';
textColor = '#00f0ff';
} else if (val > 0) {
const alpha = Math.min(0.85, Math.max(0.12, Math.abs(val) * 0.85));
bg = `rgba(255, 70, 20, ${alpha})`;
textColor = val > 0.4 ? '#fff' : '#ffc4b0';
} else if (val < 0) {
const alpha = Math.min(0.85, Math.max(0.12, Math.abs(val) * 0.85));
bg = `rgba(0, 150, 255, ${alpha})`;
textColor = Math.abs(val) > 0.4 ? '#fff' : '#b0e5ff';
}
const sign = val > 0 ? '+' : '';
const displayVal = val.toFixed(2);
html += `
<td class="heatmap-cell"
data-row="${i}"
data-col="${j}"
data-ida="${ids[i]}"
data-idb="${ids[j]}"
data-val="${val}"
style="padding: 10px 6px; text-align: center; background: ${bg}; color: ${textColor}; font-weight: 700; cursor: pointer; transition: all 0.2s; border: 1px solid rgba(0,0,0,0.3);"
title="${labels[i]} <-> ${labels[j]}: ${sign}${displayVal}">
${sign}${displayVal}
</td>
`;
}
html += `</tr>`;
}
html += `</tbody></table></div>`;
container.innerHTML = html;
// Attach click listeners for detailed intelligence
container.querySelectorAll('.heatmap-cell').forEach(cell => {
cell.addEventListener('mouseenter', () => {
cell.style.outline = '2px solid #00f0ff';
cell.style.zIndex = '10';
});
cell.addEventListener('mouseleave', () => {
cell.style.outline = 'none';
cell.style.zIndex = '1';
});
cell.addEventListener('click', () => {
const idA = cell.dataset.ida;
const idB = cell.dataset.idb;
const val = parseFloat(cell.dataset.val);
const pair1 = `${idA}_${idB}`;
const pair2 = `${idB}_${idA}`;
const rel = CORRELATION_RELATIONSHIPS[pair1] || CORRELATION_RELATIONSHIPS[pair2] || {
label: `${idA} <-> ${idB}`,
corr: val,
text: `Эмпирическая взаимосвязь ковариации активов (коэффициент Пирсона r = ${val.toFixed(2)}).`
};
if (typeof onCellClickCallback === 'function') {
onCellClickCallback(rel, idA, idB, val);
}
});
});
}
// Public API
return {
STRATEGIC_ASSETS,
CORRELATION_RELATIONSHIPS,
calculateLogReturns,
calculateMean,
calculateStdDev,
calculateHistoricalVolatility,
calculateSkewness,
calculateExcessKurtosis,
calculateCornishFisherVaR,
calculateTimesFMTailMetrics,
calculatePearsonCorrelation,
buildCorrelationMatrix,
generateCalibratedPriceSeries,
generateFullQuantDossier,
renderCorrelationHeatmap
};
}));