feat(hypothesis): pattern guidance — forma curve + ripetibilità nel system prompt

Aggiunta sezione 'PATTERN GUIDANCE' nel SYSTEM_TEMPLATE che guida il LLM a
generare strategie basate non solo su threshold di indicatori isolati, ma
anche su:

- Forme di curva (trend asc/desc, compressione/espansione vol, mean reversion strutturale)
- Ripetibilità dell'andamento (crossover ricorrenti, pattern intraday/weekly, doppio top, range breakout)

La grammar JSON resta invariata (no nuove primitive); il prompt insegna al
LLM a comporre i nodi esistenti per approssimare pattern di chart analysis
classica. Obiettivo: spostare la generazione dalla soglia statica RSI<30
verso pattern shape-aware che si replicano nei dati storici.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

scripts/run_phase1.py

@@ -81,6 +81,21 @@ def parse_args() -> argparse.Namespace:
         default=5,
         help="Walk-forward: quanti top genomi rivalutare OOS (default 5)",
     )
+    p.add_argument(
+        "--eval-oos-during-loop",
+        action="store_true",
+        help=(
+            "Multi-objective: eval ogni genome anche su test_ohlcv durante "
+            "il loop e usa combined = alpha*IS + (1-alpha)*OOS per selection. "
+            "Richiede --wfa-train-split. 2x costo backtest engine."
+        ),
+    )
+    p.add_argument(
+        "--fitness-combined-alpha",
+        type=float,
+        default=0.5,
+        help="Multi-objective: peso IS (1-alpha = OOS). 1.0=solo IS, 0.5=bilanciato, 0.0=solo OOS",
+    )
     return p.parse_args()
 
 
@@ -144,6 +159,8 @@ def main() -> None:
         fitness_adversarial_soft_penalty=args.fitness_soft_penalty,
         wfa_train_split=args.wfa_train_split,
         wfa_top_k=args.wfa_top_k,
+        eval_oos_during_loop=args.eval_oos_during_loop,
+        fitness_combined_alpha=args.fitness_combined_alpha,
     )
 
     run_id = run_phase1(cfg, ohlcv=ohlcv, llm=llm)

src/multi_swarm/agents/hypothesis.py

@@ -105,6 +105,25 @@ Esempi di gating temporale:
 Leaf - letterale numerico:
   {{"kind": "literal", "value": 70.0}}
 
+PATTERN GUIDANCE (oltre agli indicatori, considera forma delle curve e ripetibilità):
+
+  Forme di curva:
+  - Trend ascendente: SMA(short) > SMA(long) E close > SMA(short)
+  - Trend discendente: SMA(short) < SMA(long) E close < SMA(short)
+  - Compressione di volatilità (pre-breakout): ATR(N) < soglia bassa
+  - Espansione di volatilità: ATR(N) > ATR(N*2) (vol corta > vol lunga)
+  - Mean reversion strutturale: |close - SMA(long)| eccessivo → reversal atteso
+
+  Ripetibilità dell'andamento:
+  - Eventi crossover/crossunder ricorrenti (golden/death cross, RSI cross zone)
+  - Pattern intra-day: usa 'hour' per sfruttare orari di forte volatilità ricorrente
+  - Pattern settimanali: usa 'dow' o 'is_weekend' per cicli mercato
+  - Doppio top approx: RSI > 70 + crossunder RSI 70 (1° picco), poi entro N bar
+    nuovo crossover RSI 70 a livello close simile → entry short
+  - Range breakout: close > SMA(N) con SMA(short) > SMA(long) (compressione + spinta)
+
+  Cerca pattern che si REPLICANO nei dati storici, non singoli eventi rari.
+
 VINCOLI
 - Gli indicator NON sono annidabili: 'params' accetta solo numeri, mai altri nodi.
 - Le regole sono valutate in ordine; la prima che matcha vince per ogni timestamp.

src/multi_swarm/ga/fitness.py

@@ -32,6 +32,26 @@ from ..agents.adversarial import AdversarialReport, Severity
 from ..agents.falsification import FalsificationReport
 
 
+def compute_combined_fitness(
+    fitness_train: float,
+    fitness_oos: float | None,
+    alpha: float = 0.5,
+) -> float:
+    """Combina fitness IS e OOS in uno scalare per selection multi-objective.
+
+    Formula::
+
+        combined = alpha * fitness_train + (1 - alpha) * fitness_oos
+
+    Se ``fitness_oos`` è ``None`` o NaN, ritorna ``fitness_train`` (fallback).
+    alpha=1.0 → solo IS (= comportamento default). alpha=0.0 → solo OOS.
+    alpha=0.5 → bilanciato.
+    """
+    if fitness_oos is None or fitness_oos != fitness_oos:  # noqa: PLR0124  (NaN check)
+        return fitness_train
+    return alpha * fitness_train + (1.0 - alpha) * fitness_oos
+
+
 def compute_fitness(
     falsification: FalsificationReport,
     adversarial: AdversarialReport,

src/multi_swarm/orchestrator/run.py

@@ -61,6 +61,12 @@ class RunConfig:
     # dei top genomi sui restanti. None/0 = no WFA (eval full ohlcv).
     wfa_train_split: float | None = None
     wfa_top_k: int = 5  # quanti top genomi rivalutare OOS
+    # Multi-objective selection: se True, ogni genome viene valutato anche su
+    # test_ohlcv durante il loop e la fitness usata per tournament/elite è
+    # combined = alpha*IS + (1-alpha)*OOS. Richiede wfa_train_split attivo.
+    # 2x costo backtest engine.
+    eval_oos_during_loop: bool = False
+    fitness_combined_alpha: float = 0.5  # peso IS (1-alpha = OOS)
 
 
 def run_phase1(
@@ -176,6 +182,31 @@ def run_phase1(
                     hard_kill_findings=cfg.fitness_hard_kill_findings,
                     adversarial_soft_penalty=cfg.fitness_adversarial_soft_penalty,
                 )
+                # Multi-objective: se attivo, eval OOS subito e combina via alpha.
+                if (
+                    cfg.eval_oos_during_loop
+                    and test_ohlcv is not None
+                    and len(test_ohlcv) >= 100
+                    and fit > 0
+                ):
+                    try:
+                        fals_oos_inloop = falsification_agent.evaluate(
+                            proposal.strategy, test_ohlcv
+                        )
+                        adv_oos_inloop = adversarial_agent.review(
+                            proposal.strategy, test_ohlcv
+                        )
+                        fit_oos_inloop = compute_fitness(
+                            fals_oos_inloop, adv_oos_inloop,
+                            hard_kill_findings=cfg.fitness_hard_kill_findings,
+                            adversarial_soft_penalty=cfg.fitness_adversarial_soft_penalty,
+                        )
+                        fit = (
+                            cfg.fitness_combined_alpha * fit
+                            + (1.0 - cfg.fitness_combined_alpha) * fit_oos_inloop
+                        )
+                    except Exception:  # noqa: BLE001
+                        pass  # fallback: usa solo IS
                 repo.save_evaluation(
                     run_id=run_id,
                     genome_id=genome.id,