Files

T

Adriano Dal Pastro 14f476dd09 docs(strategy_pythagoras): spec + plan + summaries dei PDF

Base per l'esecuzione del sub-project strategy_pythagoras:
- docs/superpowers/specs/2026-05-19-strategy-pythagoras-design.md (spec)
- docs/superpowers/plans/2026-05-19-strategy-pythagoras.md (14 task, 72 step TDD)
- src/strategy_pythagoras/Pythagoras/*.summary.md (riassunti numerici dei 2 PDF)
- src/strategy_pythagoras/Pythagoras/_extracted/*.txt (estrazione testo grezzo via pypdf)

I PDF stessi non vengono committati (vedi .gitignore).

2026-05-19 13:03:09 +00:00

66 KiB

Raw Permalink Blame History

strategy_pythagoras Implementation Plan

For agentic workers: REQUIRED SUB-SKILL: Use superpowers:subagent-driven-development (recommended) or superpowers:executing-plans to implement this plan task-by-task. Steps use checkbox (- [ ]) syntax for tracking.

Goal: Creare un nuovo workspace member strategy_pythagoras parallelo a strategy_crypto, con 3 indicatori candle (candle_pattern, pythagorean_ratio, fractal_mirror), 7 stili cognitivi Pythagoras-aligned, fitness con bonus asset-invariance BTC↔ETH, paper-trading runner + dashboard NiceGUI, e 1 run GA short (pythagoras-smoke-001) + report cross-book docs/analysis_first_run.md.

Architecture: Monorepo uv workspace; il genoma HypothesisAgentGenome del core non cambia, si aggiungono solo 3 indicatori al multi_swarm_core.protocol e si scrive un nuovo prompts.json. Backend + frontend portati (non importati) da strategy_crypto, DB isolato. Fitness callback registrata dal runner senza modificare il GA core.

Tech Stack: Python 3.13, uv workspaces, pandas, numpy, pytest, NiceGUI 3.11, SQLite (via stdlib sqlite3), multi-swarm-core (GA/LLM/protocol).

Spec di riferimento: docs/superpowers/specs/2026-05-19-strategy-pythagoras-design.md

Encoding param int (vincolo grammar, non era nella spec): la grammar accetta solo params: list[float]. Quindi:

candle_pattern(length, sym0, sym1, ...) — length ∈ [3,12], simboli 0=U, 1=D, 2=0(doji)
fractal_mirror(k, axis_int) — axis_int=0 → "h" (mirror temporale), axis_int=1 → "v" (mirror prezzo)
pythagorean_ratio(lookback) — int 12-200

Il prompts.json documenterà questa encoding ai LLM agenti.

File structure

Path	Responsibility	Action
`pyproject.toml` (root)	Workspace registration	Modify
`src/strategy_pythagoras/pyproject.toml`	Package metadata, hatchling include	Create
`src/strategy_pythagoras/README.md`	Package docs	Create
`src/strategy_pythagoras/strategy_pythagoras/__init__.py`	Marker package	Create
`src/strategy_pythagoras/strategy_pythagoras/indicators.py`	3 indicatori candle (helper functions)	Create
`src/strategy_pythagoras/strategy_pythagoras/prompts.json`	7 stili cognitivi + schema v3.2	Create
`src/strategy_pythagoras/strategy_pythagoras/backend/__init__.py`	Re-export	Create
`src/strategy_pythagoras/strategy_pythagoras/backend/schema.py`	DDL paper_trading_* + init_schema()	Create (port)
`src/strategy_pythagoras/strategy_pythagoras/backend/portfolio.py`	Portfolio domain	Create (port)
`src/strategy_pythagoras/strategy_pythagoras/backend/executor.py`	PaperExecutor	Create (port)
`src/strategy_pythagoras/strategy_pythagoras/backend/persistence.py`	PaperRepository	Create (port)
`src/strategy_pythagoras/strategy_pythagoras/fitness_invariance.py`	invariance bonus callback	Create
`src/strategy_pythagoras/strategy_pythagoras/frontend/__init__.py`	Marker	Create
`src/strategy_pythagoras/strategy_pythagoras/frontend/data.py`	Dual-DB reader + invariance metrics	Create (port + extend)
`src/strategy_pythagoras/strategy_pythagoras/frontend/nicegui_app.py`	NiceGUI app, 4 tabs	Create (port + extend)
`src/strategy_pythagoras/strategy_pythagoras/strategies/.gitkeep`	Empty dir tracker	Create
`src/strategy_pythagoras/tests/__init__.py`	Test marker	Create
`src/strategy_pythagoras/tests/test_indicators.py`	Unit-test 3 indicatori	Create
`src/strategy_pythagoras/tests/test_prompts.py`	Schema/loading prompts.json	Create
`src/multi_swarm_core/multi_swarm_core/protocol/grammar.py`	Extend `KNOWN_INDICATORS`	Modify
`src/multi_swarm_core/multi_swarm_core/protocol/validator.py`	Extend `INDICATOR_ARITY` + params validation	Modify
`src/multi_swarm_core/multi_swarm_core/protocol/compiler.py`	Register helper functions in `INDICATOR_FNS`	Modify
`scripts/run_pythagoras_smoke.py`	GA smoke-test runner	Create
`docs/analysis_first_run.md`	Cross-book report con i winner	Create (post-run)

Phase 0 — Workspace scaffolding

Task 0.1: Crea skeleton package + registrazione workspace

Files:

Create: src/strategy_pythagoras/pyproject.toml
Create: src/strategy_pythagoras/README.md
Create: src/strategy_pythagoras/strategy_pythagoras/__init__.py
Create: src/strategy_pythagoras/strategy_pythagoras/backend/__init__.py
Create: src/strategy_pythagoras/strategy_pythagoras/frontend/__init__.py
Create: src/strategy_pythagoras/strategy_pythagoras/strategies/.gitkeep
Create: src/strategy_pythagoras/tests/__init__.py
Modify: pyproject.toml (root)
Step 1: Crea src/strategy_pythagoras/pyproject.toml

[project]
name = "strategy-pythagoras"
version = "0.1.0"
description = "Strategy Pythagoras: candle-pattern GA su framework Pythagoras-Malanga, paper-trading runner + NiceGUI dashboard"
authors = [{ name = "Adriano Dal Pastro", email = "adrianodalpastro@tielogic.com" }]
requires-python = ">=3.13"
dependencies = [
    "multi-swarm-core",
    "nicegui>=3.11.1",
    "plotly>=5.24",
    "pandas>=2.2",
    "pyarrow>=18.0",
]

[build-system]
requires = ["hatchling"]
build-backend = "hatchling.build"

[tool.hatch.build.targets.wheel.force-include]
"strategy_pythagoras/strategies" = "strategy_pythagoras/strategies"
"strategy_pythagoras/prompts.json" = "strategy_pythagoras/prompts.json"

Step 2: Crea src/strategy_pythagoras/README.md

# strategy_pythagoras

Strategia di test crypto (BTC/ETH) basata sul framework Pythagoras-Malanga
(frattali H-C + trasformata di Fourier + geometria Evideon). Workspace member
del monorepo `multi_swarm_coevolutive`.

## Scope

Esegue un **GA coevolutivo** con 7 stili cognitivi Pythagoras-aligned e 3
indicatori candle (`candle_pattern`, `pythagorean_ratio`, `fractal_mirror`).
La fitness include un bonus di asset-invariance BTC↔ETH (±36 barre = ±3h su
5m TF, come da paper).

## Layout

strategy_pythagoras/ ├── backend/ paper trading (PaperExecutor, Portfolio, PaperRepository) ├── frontend/ NiceGUI dashboard (dual-DB + invariance metrics) ├── indicators.py 3 indicatori candle nuovi ├── fitness_invariance.py callback BTC↔ETH correlation ├── prompts.json 7 stili cognitivi (schema v3.2 Pythagoras-themed) └── strategies/ JSON winners freezati (post-GA)


## Run GA smoke test

```bash
uv run python scripts/run_pythagoras_smoke.py

Dashboard

uv run python -m strategy_pythagoras.frontend.nicegui_app

In produzione: https://swarm.tielogic.xyz/strategy_pythagoras_gui/.

DB schema

Schema isolato in state/strategy_pythagoras.db (GA) e state/strategy_pythagoras_paper.db (paper trading). Env vars:

STRATEGY_PYTHAGORAS_DB_PATH
STRATEGY_PYTHAGORAS_PAPER_DB_PATH

Reference

Spec: docs/superpowers/specs/2026-05-19-strategy-pythagoras-design.md
PDF sorgente: Pythagoras/Pythagoras_Trading_Prediction_.pdf, Pythagoras/Libro_frattali.pdf
Riassunti: Pythagoras/Pythagoras_Trading_Prediction.summary.md, Pythagoras/Libro_frattali.summary.md


- [ ] **Step 3: Crea i 4 `__init__.py` vuoti e il `.gitkeep`**

```bash
touch /opt/docker/multi_swarm_coevolutive/src/strategy_pythagoras/strategy_pythagoras/__init__.py
touch /opt/docker/multi_swarm_coevolutive/src/strategy_pythagoras/strategy_pythagoras/backend/__init__.py
touch /opt/docker/multi_swarm_coevolutive/src/strategy_pythagoras/strategy_pythagoras/frontend/__init__.py
touch /opt/docker/multi_swarm_coevolutive/src/strategy_pythagoras/tests/__init__.py
mkdir -p /opt/docker/multi_swarm_coevolutive/src/strategy_pythagoras/strategy_pythagoras/strategies
touch /opt/docker/multi_swarm_coevolutive/src/strategy_pythagoras/strategy_pythagoras/strategies/.gitkeep

Step 4: Modifica root pyproject.toml

Read /opt/docker/multi_swarm_coevolutive/pyproject.toml then update:

In [project].dependencies: aggiungi "strategy-pythagoras", dopo "strategy-crypto",
In [tool.uv.workspace].members: aggiungi "src/strategy_pythagoras" dopo "src/strategy_crypto"
In [tool.uv.sources]: aggiungi strategy-pythagoras = { workspace = true } sotto strategy-crypto
In [tool.pytest.ini_options].testpaths: aggiungi "src/strategy_pythagoras/tests"
Step 5: Esegui uv sync per validare

cd /opt/docker/multi_swarm_coevolutive && uv sync

Expected: nessun errore, mostra Installed: strategy-pythagoras==0.1.0 (workspace).

Step 6: Verifica import del package

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "import strategy_pythagoras; print('OK')"

Expected: stampa OK.

Step 7: Commit

git add src/strategy_pythagoras pyproject.toml
git commit -m "feat(strategy_pythagoras): scaffold workspace member + register in uv"

Phase 1 — Core extensions (indicatori)

Task 1.1: Estendi grammar con i 3 nuovi indicatori

Files:

Modify: src/multi_swarm_core/multi_swarm_core/protocol/grammar.py
Step 1: Read current grammar

Read src/multi_swarm_core/multi_swarm_core/protocol/grammar.py to locate KNOWN_INDICATORS.

Step 2: Estendi KNOWN_INDICATORS

Sostituisci la definizione di KNOWN_INDICATORS aggiungendo i 3 nuovi nomi:

KNOWN_INDICATORS: frozenset[str] = frozenset(
    {"sma", "sma_pct", "rsi", "atr", "atr_pct", "macd", "macd_pct", "realized_vol",
     "candle_pattern", "pythagorean_ratio", "fractal_mirror"}
)

Step 3: Verifica import

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "from multi_swarm_core.protocol.grammar import KNOWN_INDICATORS; assert 'candle_pattern' in KNOWN_INDICATORS; assert 'pythagorean_ratio' in KNOWN_INDICATORS; assert 'fractal_mirror' in KNOWN_INDICATORS; print('OK')"

Expected: stampa OK.

Step 4: Commit

git add src/multi_swarm_core/multi_swarm_core/protocol/grammar.py
git commit -m "feat(protocol): register 3 Pythagoras indicators in KNOWN_INDICATORS"

Task 1.2: Estendi validator con `INDICATOR_ARITY` per i 3 indicatori

Files:

Modify: src/multi_swarm_core/multi_swarm_core/protocol/validator.py
Test: src/strategy_pythagoras/tests/test_validator_indicators.py
Step 1: Crea test che asserisce validazione corretta

Crea src/strategy_pythagoras/tests/test_validator_indicators.py:

"""Validator accetta i 3 nuovi indicatori candle con arity corrette."""
from __future__ import annotations

import pytest

from multi_swarm_core.protocol.parser import parse_strategy
from multi_swarm_core.protocol.validator import ValidationError, validate_strategy


def _strategy_with_indicator(name: str, params: list[float]) -> dict:
    return {
        "rules": [
            {
                "condition": {
                    "op": "gt",
                    "args": [
                        {"kind": "indicator", "name": name, "params": params},
                        {"kind": "literal", "value": 0.5},
                    ],
                },
                "action": "entry-long",
            }
        ]
    }


def test_candle_pattern_valid_min_arity() -> None:
    # length=3, syms=[U,D,U]
    s = parse_strategy(_strategy_with_indicator("candle_pattern", [3, 0, 1, 0]))
    validate_strategy(s)  # no raise


def test_candle_pattern_valid_max_arity() -> None:
    # length=12, 12 syms
    s = parse_strategy(_strategy_with_indicator("candle_pattern", [12] + [0] * 12))
    validate_strategy(s)


def test_candle_pattern_rejects_too_few_params() -> None:
    s = parse_strategy(_strategy_with_indicator("candle_pattern", [3, 0, 1]))  # mancano simboli
    with pytest.raises(ValidationError):
        validate_strategy(s)


def test_pythagorean_ratio_valid() -> None:
    s = parse_strategy(_strategy_with_indicator("pythagorean_ratio", [89]))
    validate_strategy(s)


def test_pythagorean_ratio_rejects_zero_params() -> None:
    s = parse_strategy(_strategy_with_indicator("pythagorean_ratio", []))
    with pytest.raises(ValidationError):
        validate_strategy(s)


def test_fractal_mirror_valid_h() -> None:
    s = parse_strategy(_strategy_with_indicator("fractal_mirror", [12, 0]))
    validate_strategy(s)


def test_fractal_mirror_valid_v() -> None:
    s = parse_strategy(_strategy_with_indicator("fractal_mirror", [12, 1]))
    validate_strategy(s)


def test_fractal_mirror_rejects_one_param() -> None:
    s = parse_strategy(_strategy_with_indicator("fractal_mirror", [12]))
    with pytest.raises(ValidationError):
        validate_strategy(s)

Step 2: Run test — atteso FAIL (validator non conosce ancora i nomi)

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_validator_indicators.py -v

Expected: tutti i test FAILED con errore tipo "unknown indicator" o accettano arity errate.

Step 3: Estendi INDICATOR_ARITY nel validator

Read src/multi_swarm_core/multi_swarm_core/protocol/validator.py e localizza il dict INDICATOR_ARITY. Aggiungi le tre righe:

INDICATOR_ARITY: dict[str, tuple[int, int]] = {
    "sma": (1, 1),
    "sma_pct": (1, 1),
    "rsi": (1, 1),
    "atr": (1, 1),
    "atr_pct": (1, 1),
    "realized_vol": (1, 1),
    "macd": (0, 3),
    "macd_pct": (0, 3),
    # Pythagoras indicators (params encoded as floats; see strategy_pythagoras docs)
    "candle_pattern": (4, 13),       # [length, sym0, ..., sym_{length-1}] -> 1+length, length in [3,12]
    "pythagorean_ratio": (1, 1),     # [lookback]
    "fractal_mirror": (2, 2),        # [k, axis_int] axis_int in {0,1}
}

Step 4: Aggiungi validazione semantica dei params per i 3 indicatori

Cerca in validator.py la funzione _validate_indicator (o equivalente). Aggiungi check post-arity per i 3 nuovi indicatori. Implementazione tipo:

def _validate_indicator(node: IndicatorNode) -> None:
    name = node.name
    if name not in KNOWN_INDICATORS:
        raise ValidationError(f"unknown indicator: {name}")
    n = len(node.params)
    lo, hi = INDICATOR_ARITY[name]
    if not (lo <= n <= hi):
        raise ValidationError(f"'{name}' arity: expected [{lo},{hi}], got {n}")
    # Pythagoras-specific param semantics
    if name == "candle_pattern":
        length = int(node.params[0])
        if not (3 <= length <= 12):
            raise ValidationError(f"candle_pattern length must be in [3,12], got {length}")
        if n != 1 + length:
            raise ValidationError(
                f"candle_pattern: expected 1+length={1 + length} params, got {n}"
            )
        for i, sym in enumerate(node.params[1:], start=1):
            sym_int = int(sym)
            if sym_int not in (0, 1, 2):
                raise ValidationError(
                    f"candle_pattern sym[{i - 1}] must be 0(U)/1(D)/2(doji), got {sym}"
                )
    elif name == "pythagorean_ratio":
        lookback = int(node.params[0])
        if not (12 <= lookback <= 200):
            raise ValidationError(f"pythagorean_ratio lookback in [12,200], got {lookback}")
    elif name == "fractal_mirror":
        k = int(node.params[0])
        if not (3 <= k <= 12):
            raise ValidationError(f"fractal_mirror k must be in [3,12], got {k}")
        axis_int = int(node.params[1])
        if axis_int not in (0, 1):
            raise ValidationError(f"fractal_mirror axis must be 0(h)/1(v), got {axis_int}")

(Adatta l'edit preservando il codice esistente per gli altri indicatori. Se la funzione attuale è una validazione generica solo per arity, aggiungi i check Pythagoras come blocco aggiuntivo dopo il check arity.)

Step 5: Run test — atteso PASS

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_validator_indicators.py -v

Expected: tutti i 7 test PASS.

Step 6: Commit

git add src/multi_swarm_core/multi_swarm_core/protocol/validator.py src/strategy_pythagoras/tests/test_validator_indicators.py
git commit -m "feat(protocol): validate arity + semantics of 3 Pythagoras indicators"

Task 1.3: Implementa `candle_pattern` helper + register in compiler

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/indicators.py
Modify: src/multi_swarm_core/multi_swarm_core/protocol/compiler.py
Test: src/strategy_pythagoras/tests/test_indicators.py
Step 1: Crea test failing per candle_pattern

Crea src/strategy_pythagoras/tests/test_indicators.py:

"""Unit-test dei 3 indicatori Pythagoras."""
from __future__ import annotations

import numpy as np
import pandas as pd
import pytest

from strategy_pythagoras.indicators import (
    candle_pattern,
    fractal_mirror,
    pythagorean_ratio,
)


@pytest.fixture
def ohlcv_30() -> pd.DataFrame:
    """30 candele sintetiche: pattern alternato U,D,U,D,..."""
    n = 30
    close = np.array([100.0 + i for i in range(n)])  # monotone
    open_ = close - np.tile([1.0, -1.0], n // 2)     # U,D,U,D,...
    return pd.DataFrame({"open": open_, "high": close + 0.5, "low": open_ - 0.5, "close": close, "volume": [1.0] * n})


# -- candle_pattern -----------------------------------------------------------

def test_candle_pattern_matches_recent_UDU(ohlcv_30: pd.DataFrame) -> None:
    # con open,close alternati U,D,U,D,U,D,... cercando "U,D,U" sulle ultime 3
    # bisogna determinare se le ultime 3 candele sono U,D,U
    # close[-3]=127, open[-3]=128-(-1)=128 -> D
    # close[-2]=128, open[-2]=128-1=127     -> U
    # close[-1]=129, open[-1]=129+1=130     -> D? Verifico:
    # i pari (0,2,4,..28) tile[1.0,-1.0] -> open=close-1=U; i dispari -> open=close+1=D
    # n=30, ultime 3 sono idx 27 (D), 28 (U), 29 (D)
    out = candle_pattern(ohlcv_30, [3, 1, 0, 1])  # D, U, D
    assert out.iloc[-1] == 1.0
    out2 = candle_pattern(ohlcv_30, [3, 0, 0, 0])  # U, U, U: no match
    assert out2.iloc[-1] == 0.0


def test_candle_pattern_zero_for_short_history(ohlcv_30: pd.DataFrame) -> None:
    out = candle_pattern(ohlcv_30, [3, 0, 0, 0])
    # Prima della 3a barra non c'e' storia sufficiente -> 0
    assert out.iloc[0] == 0.0
    assert out.iloc[1] == 0.0


def test_candle_pattern_doji_symbol(ohlcv_30: pd.DataFrame) -> None:
    df = ohlcv_30.copy()
    # forza la candela [-1] doji: |close-open|/open < 0.001
    df.loc[df.index[-1], "open"] = df["close"].iloc[-1] * (1 - 1e-5)
    out = candle_pattern(df, [3, 1, 0, 2])  # ..., D, U, doji
    assert out.iloc[-1] == 1.0


# -- pythagorean_ratio --------------------------------------------------------

def test_pythagorean_ratio_basic(ohlcv_30: pd.DataFrame) -> None:
    out = pythagorean_ratio(ohlcv_30, [12])
    # ultimi 12 close: 118..129 -> max/min = 129/118
    expected = 129.0 / 118.0
    assert abs(out.iloc[-1] - expected) < 1e-9


def test_pythagorean_ratio_no_lookahead(ohlcv_30: pd.DataFrame) -> None:
    out = pythagorean_ratio(ohlcv_30, [12])
    # la prima barra non puo' dipendere da barre future
    out0 = pythagorean_ratio(ohlcv_30.iloc[:13], [12])
    assert abs(out.iloc[12] - out0.iloc[-1]) < 1e-9


# -- fractal_mirror -----------------------------------------------------------

def test_fractal_mirror_h_pattern_inverted(ohlcv_30: pd.DataFrame) -> None:
    # mirror temporale: correlazione tra close[-k:] e close[-k:][::-1]
    # Per close monotono, correlation(seq, seq_reversed) = -1
    out = fractal_mirror(ohlcv_30, [6, 0])  # axis=0 (h)
    assert out.iloc[-1] < -0.99


def test_fractal_mirror_v_axis(ohlcv_30: pd.DataFrame) -> None:
    # mirror verticale: correlation(close[-k:], (max-close[-k:]))
    # Per serie monotona = -1
    out = fractal_mirror(ohlcv_30, [6, 1])
    assert out.iloc[-1] < -0.99


def test_fractal_mirror_clamps_initial(ohlcv_30: pd.DataFrame) -> None:
    out = fractal_mirror(ohlcv_30, [6, 0])
    # primi k-1 valori: nan o 0; in ogni caso non sollevare
    assert len(out) == len(ohlcv_30)

Step 2: Run test — atteso FAIL (import non risolto)

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_indicators.py -v

Expected: ImportError strategy_pythagoras.indicators.

Step 3: Crea src/strategy_pythagoras/strategy_pythagoras/indicators.py

"""Indicatori candle Pythagoras.

Vincoli grammar: ``IndicatorNode.params`` e' sempre ``list[float]``. Quindi:
- candle_pattern: params = [length, sym0, sym1, ..., sym_{length-1}]
  length ∈ [3,12]; sym ∈ {0=U, 1=D, 2=doji}
- pythagorean_ratio: params = [lookback]  lookback ∈ [12,200]
- fractal_mirror: params = [k, axis_int]  k ∈ [3,12]; axis_int=0(h) 1(v)
"""
from __future__ import annotations

import numpy as np
import pandas as pd

_DOJI_THRESHOLD = 0.001  # |close-open|/open < threshold -> doji


def _symbol_series(df: pd.DataFrame) -> pd.Series:
    """Mappa ogni candela in {0=U, 1=D, 2=doji}."""
    close = df["close"]
    open_ = df["open"]
    rel = (close - open_).abs() / open_.replace(0, np.nan)
    sym = np.where(close > open_, 0, np.where(close < open_, 1, 2))
    sym = np.where(rel.values < _DOJI_THRESHOLD, 2, sym)
    return pd.Series(sym, index=df.index, dtype="int64")


def candle_pattern(df: pd.DataFrame, params: list[float]) -> pd.Series:
    """1.0 se le ultime ``length`` candele matchano la sequenza, 0.0 altrimenti."""
    length = int(params[0])
    target = [int(s) for s in params[1:1 + length]]
    syms = _symbol_series(df)
    out = pd.Series(0.0, index=df.index, dtype="float64")
    if len(syms) < length:
        return out
    arr = syms.values
    target_arr = np.array(target, dtype=arr.dtype)
    for i in range(length - 1, len(arr)):
        if np.array_equal(arr[i - length + 1: i + 1], target_arr):
            out.iat[i] = 1.0
    return out


def pythagorean_ratio(df: pd.DataFrame, params: list[float]) -> pd.Series:
    """``max(close[-lookback:]) / min(close[-lookback:])`` rolling."""
    lookback = int(params[0])
    close = df["close"]
    hi = close.rolling(lookback, min_periods=1).max()
    lo = close.rolling(lookback, min_periods=1).min().replace(0, np.nan)
    return (hi / lo).fillna(1.0)


def fractal_mirror(df: pd.DataFrame, params: list[float]) -> pd.Series:
    """Correlation tra close[-k:] e suo mirror su asse axis."""
    k = int(params[0])
    axis_int = int(params[1])
    close = df["close"].values
    out = np.full(len(close), 0.0)
    for i in range(k - 1, len(close)):
        window = close[i - k + 1: i + 1]
        if axis_int == 0:  # h: mirror temporale
            mirror = window[::-1]
        else:              # v: mirror prezzo
            mirror = window.max() - (window - window.min())
        std_w = window.std()
        std_m = mirror.std()
        if std_w < 1e-12 or std_m < 1e-12:
            out[i] = 0.0
        else:
            out[i] = float(np.corrcoef(window, mirror)[0, 1])
    return pd.Series(out, index=df.index, dtype="float64")

Step 4: Run test — atteso PASS

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_indicators.py -v

Expected: tutti i test PASS.

Step 5: Wire indicators into multi_swarm_core.protocol.compiler.INDICATOR_FNS

Read src/multi_swarm_core/multi_swarm_core/protocol/compiler.py e localizza il dict INDICATOR_FNS. Aggiungi questo import in cima al file:

from strategy_pythagoras.indicators import (
    candle_pattern as _ind_candle_pattern,
    fractal_mirror as _ind_fractal_mirror,
    pythagorean_ratio as _ind_pythagorean_ratio,
)

Estendi INDICATOR_FNS con:

    "candle_pattern": _ind_candle_pattern,
    "pythagorean_ratio": _ind_pythagorean_ratio,
    "fractal_mirror": _ind_fractal_mirror,

Adattamento signature: le helper esistenti tipo _ind_sma(df, length) ricevono un float, non un list. Verifica come IndicatorNode.params viene splatato. Se il dispatch passa *params come positional args, modifica le 3 nuove funzioni in indicators.py per accettare *params:

def candle_pattern(df: pd.DataFrame, *params: float) -> pd.Series:
    ...

(Decidi in base alla lettura del dispatch in compiler.py. Per le helper interne _ind_* esistenti, sembrano accettare i parametri esplosi: replica lo stesso pattern. Aggiorna anche i test in test_indicators.py per chiamare con *[3,0,1,0] o variabili splate.)

Step 6: Run full pytest per assicurarsi che nulla si rompa

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/multi_swarm_core/tests/ src/strategy_pythagoras/tests/ -v -x

Expected: tutti i test verdi.

Step 7: Commit

git add src/strategy_pythagoras/strategy_pythagoras/indicators.py src/strategy_pythagoras/tests/test_indicators.py src/multi_swarm_core/multi_swarm_core/protocol/compiler.py
git commit -m "feat(strategy_pythagoras): implement candle_pattern, pythagorean_ratio, fractal_mirror + register in compiler"

Phase 2 — Prompts (7 stili cognitivi)

Task 2.1: Scrivi `prompts.json` con schema v3.2

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/prompts.json
Test: src/strategy_pythagoras/tests/test_prompts.py
Step 1: Crea test che asserisce schema valido

src/strategy_pythagoras/tests/test_prompts.py:

"""prompts.json valido, 7 stili Pythagoras-aligned, schema v3.2."""
from __future__ import annotations

import json
from importlib.resources import files

import pytest

EXPECTED_STYLES = {
    "pythagorean", "fractal_geometer", "fourier_analyst",
    "evideonic_projector", "candle_grammarian", "recurrence_theorist",
    "skeptic_quant",
}


@pytest.fixture
def prompts() -> dict:
    p = files("strategy_pythagoras") / "prompts.json"
    return json.loads(p.read_text(encoding="utf-8"))


def test_schema_version(prompts: dict) -> None:
    assert prompts["_schema"] == "3.2"


def test_top_level_fields(prompts: dict) -> None:
    for k in (
        "agent_role", "pattern_guidance", "instruction", "domain_warnings",
        "anti_patterns", "output_priorities", "styles",
    ):
        assert k in prompts, f"missing field: {k}"


def test_styles_set(prompts: dict) -> None:
    assert set(prompts["styles"].keys()) == EXPECTED_STYLES


def test_styles_have_directive_and_focus_metrics(prompts: dict) -> None:
    for name, style in prompts["styles"].items():
        assert "directive" in style, f"{name} missing directive"
        assert "focus_metrics" in style, f"{name} missing focus_metrics"
        assert len(style["focus_metrics"]) == 4, f"{name} focus_metrics len != 4"


def test_directives_ascii_safe(prompts: dict) -> None:
    for name, style in prompts["styles"].items():
        directive = style["directive"]
        for ch in directive:
            assert ord(ch) <= 0x7F, f"{name} directive contains non-ASCII char {ch!r}"


def test_directives_length(prompts: dict) -> None:
    for name, style in prompts["styles"].items():
        n = len(style["directive"])
        assert 800 <= n <= 950, f"{name} directive length {n} outside [800,950]"


def test_directives_first_phrase(prompts: dict) -> None:
    for name, style in prompts["styles"].items():
        assert style["directive"].startswith("Il mercato e "), \
            f"{name} directive must start with 'Il mercato e '"


def test_directives_end_archetype(prompts: dict) -> None:
    for name, style in prompts["styles"].items():
        assert "Archetipo dominante:" in style["directive"][-200:], \
            f"{name} missing Archetipo dominante in last 200 chars"

Step 2: Run test — atteso FAIL (file non esiste)

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_prompts.py -v

Expected: FileNotFoundError.

Step 3: Scrivi prompts.json

Crea src/strategy_pythagoras/strategy_pythagoras/prompts.json come segue (le directive vanno mantenute ASCII-safe e di lunghezza 800-950 char ciascuna).

{
  "_comment": "Stili cognitivi del GA per strategy_pythagoras. Dominio: pattern frattali ricorrenti su mercati crypto secondo il framework Pythagoras-Malanga (Fourier + frattali H-C + Evideon).",
  "_schema": "3.2",
  "_changelog": "v1.0 - Initial release. Schema clonato da strategy_crypto v3.2 con contenuto Pythagoras-aligned.",
  "_focus_metrics_design": "Le focus_metrics sono ENFASI per la lente, non filtri. 4 per stile. Devono includere almeno 1 dei 3 indicatori Pythagoras (candle_pattern, pythagorean_ratio, fractal_mirror).",
  "_design_invariants": "(1) ASCII-safe; (2) Archetipo dominante: <metafora> come ancora; (3) Lookback range esplicito; (4) Prima frase 'Il mercato e ...'; (5) Lunghezza directive 800-950 char.",
  "_param_encoding_note": "Vincolo grammar: tutti i params sono float. candle_pattern: [length, sym0, sym1, ...] (sym: 0=U up close>open, 1=D down close<open, 2=doji). pythagorean_ratio: [lookback]. fractal_mirror: [k, axis_int] (0=h temporale, 1=v prezzo).",

  "agent_role": "Sei un agente generatore di ipotesi di trading quantitativo per un sistema swarm coevolutivo che cerca pattern frattali ricorrenti sui mercati crypto secondo il framework Pythagoras-Malanga (frattali H-C, trasformata di Fourier, geometria Evideon). Sei parte di una popolazione che esplora collettivamente lo spazio dei pattern: la diversita delle ipotesi e un asset critico. Preferisci esplorare territori meno ovvi rispetto a quelli che la tua lente cognitiva renderebbe predicibili. La strategia che produci deve essere riconoscibile come emanata dal tuo stile.",

  "pattern_guidance": "Forme da cercare:\n  - Sequenze candle 3-12 lunghezza in alfabeto {U,D,doji} via candle_pattern\n  - Ratios di prezzo vicini a 1.618 (phi), 0.618 (1/phi), 1.414 (sqrt2), 1.571 (pi/2), 2.718 (e) via pythagorean_ratio\n  - Mirror H/V come proiezioni via fractal_mirror\n  - Pattern composti: lunghi come concatenazione di corti (Pattern 13 = Pattern 3 + Pattern 11 nel paper)\n  - Cicli ricorrenti via Poincare: stesso pattern firato a distanze regolari\nCerca pattern che si REPLICANO su BTC e ETH al ~stesso timestamp (entro 36 barre = 3h su 5m TF).",

  "instruction": "Genera una strategia che cerchi pattern frattali ricorrenti coerenti col framework Pythagoras-Malanga, riconoscibile come emanata dal tuo stile.",

  "domain_warnings": "Crypto trada 24/7 senza CME gap. I numeri sacri (Solfeggio 396-417-528-639-741-852 Hz, 137.0359, 121.449, 161.86) sono prior teorici, NON leggi: usali come scale candidate per literal, non come dogma. Il paper Pythagoras e' esplicitamente non-falsificabile (cita 'consapevolezza del trader' come jolly): il backtest e' l'unico arbitro. La tolleranza ±3h del paper su 5m TF = ±36 barre per il bonus di asset-invariance.",

  "anti_patterns": "Evita: (1) sequenza candle_pattern con piu di 7 simboli vincolati (overfitting); (2) pythagorean_ratio con tolleranza > 2% sui literal (numerologia spuriosa); (3) fractal_mirror con k = lookback_window (tautologico, sempre prossimo a 1.0); (4) letterali con piu di 4 decimali (es. 1.6180339 -> usa 1.618); (5) piu di 4 condizioni in AND; (6) crossover tra indicatori dello stesso tipo con lookback vicini (chattering); (7) time_in_market > 80% (leveraged buy&hold camuffato).",

  "output_priorities": "Trade-off: (1) coerenza con la lente cognitiva: la strategia deve essere riconoscibile come emanata dal tuo stile (es. pythagorean usa ratios, candle_grammarian sequenze esplicite); (2) asset-invariance: segnali che attivano sia su BTC che su ETH entro 36 barre (e' il bonus della fitness); (3) selettivita: poche entry forti, alto SNR; (4) composizionalita: pattern lunghi come somma di corti; (5) robustezza vs random baseline (3-sigma richiesto dal skeptic_quant).",

  "styles": {
    "pythagorean": {
      "directive": "Il mercato e un'armonia di ratios sacri: la sezione aurea (phi=1.618 e 1/phi=0.618), la radice di due (1.414), pi mezzi (1.571) ed e mezzi (1.359) strutturano i livelli di supporto, resistenza e target. Usa pythagorean_ratio con lookback Fibonacci (89, 144) per misurare l'estensione del range recente e cerca punti dove esso e' prossimo a phi entro 0.5%: indica un swing maturo che tende all'inversione armonica. Combina con candle_pattern di 3-5 candele per timing. Evita di chiudere troppo presto: la potenza di un ratio sacro si manifesta quando il prezzo passa il livello e poi torna a testarlo. Mai usare letterali con piu di 4 decimali: l'armonia non e' nei decimali ma nella struttura. Lookback consigliato: 89-144. Archetipo dominante: musicista che ascolta gli accordi nascosti del mercato.",
      "focus_metrics": ["pythagorean_ratio", "candle_pattern", "sma_pct", "realized_vol"]
    },
    "fractal_geometer": {
      "directive": "Il mercato e autosimilare: una sequenza di 3 candele si ripete dilatata su 6, 12 candele e oltre. La tua firma e' detectare la stessa struttura a scale diverse. Usa candle_pattern di lunghezza 3 per identificare l'unita atomica, poi cerca conferma con fractal_mirror su finestra 2x o 3x: se la correlation e' alta significa che la scala maggiore replica la struttura. Pythagorean_ratio con lookback grande (>100) misura l'ampiezza globale del frattale e i suoi target di proiezione. Atr_pct conferma che la volatilita corrente e coerente con la scala. Evita pattern di lunghezza > 6: i frattali complessi vanno composti, non vincolati esplicitamente. Mai usare fractal_mirror con k uguale al lookback_window. Lookback consigliato: 48-144. Archetipo dominante: geometra che misura la dimensione di Hausdorff del prezzo.",
      "focus_metrics": ["candle_pattern", "fractal_mirror", "atr_pct", "pythagorean_ratio"]
    },
    "fourier_analyst": {
      "directive": "Il mercato e somma di seni: una funzione complessa scomposta in frequenze armoniche. Il tuo compito e' isolare le componenti ricorrenti. Usa sma_pct su 3 lookback diversi (es. 30, 60, 120) come proxy delle componenti a bassa frequenza; quando 2 su 3 si allineano nella stessa direzione, la frequenza dominante e' chiara. Realized_vol misura l'energia totale; un calo improvviso indica trasformazione di fase. Candle_pattern di 4-6 candele identifica l'inviluppo locale del segnale composito. Cerca pattern dove il presente e' la proiezione del passato dopo una traslazione temporale costante (Poincare). Evita oscillatori dello stesso tipo a lookback vicini: chattering. Lookback consigliato: 60-200. Archetipo dominante: ingegnere del segnale che ricostruisce la portante nascosta.",
      "focus_metrics": ["sma_pct", "realized_vol", "candle_pattern", "atr"]
    },
    "evideonic_projector": {
      "directive": "Il mercato e il presente proiettato dal passato via due operazioni: mirror H (inversione temporale) e mirror V (inversione prezzo), poi scalato per phi, 1/phi, sqrt2. Il tuo segnale principale e' fractal_mirror su entrambi gli assi: quando l'h mirror su 6-12 candele e' altamente positivo (>0.7), il pattern recente e' un riflesso temporale di un pattern precedente — segnale di prosecuzione armonica; quando v mirror e' positivo, e' un riflesso direzionale — segnale di inversione. Usa pythagorean_ratio per fissare i target di proiezione (entry x phi). Candle_pattern serve da gate per filtrare il contesto. Evita target con ratio > 3 (zona di rumore, fuori scala phi). Lookback consigliato: 24-96. Archetipo dominante: proiettore evideonico che riflette ogni evento nei suoi quattro alter-ego.",
      "focus_metrics": ["fractal_mirror", "pythagorean_ratio", "candle_pattern", "sma_pct"]
    },
    "candle_grammarian": {
      "directive": "Il mercato parla una lingua di tre simboli: U (close>open), D (close<open), 0 (doji). Ogni 'parola' di 3-12 lettere e' una frase. Il tuo dominio e' la sintassi diretta: usa candle_pattern come segnale principale, con sequenze di lunghezza 3-5 per la decisione di entry. Cerca pattern dove l'ultima candela e' U dopo una serie 'DD' o '0D' (reversal classico) o pattern 'UU0U' che indicano accumulazione con pausa. Volume conferma la 'pronuncia' del pattern: alto volume = pattern ben articolato. Atr modula la dimensione di stop e target. Combina al massimo due candle_pattern indipendenti in AND, mai di piu. Mai pattern di lunghezza > 7 (frasi troppo lunghe = overfitting). Lookback consigliato: 12-48. Archetipo dominante: grammatico che decifra la sintassi delle candele.",
      "focus_metrics": ["candle_pattern", "volume", "atr", "realized_vol"]
    },
    "recurrence_theorist": {
      "directive": "Il mercato e regolato da Poincare: ogni configurazione torna prima o poi vicino a se stessa. Il tuo lavoro e' trovare il pattern di oggi che firo' anche ieri a distanza k. Usa candle_pattern su 5-8 candele come firma, poi fractal_mirror con axis=0 (h, mirror temporale) su lookback grande (100-200) per misurare quanto la struttura corrente assomigli a quella passata invertita: se >0.5, il ciclo e' nella fase di ripetizione. Pythagorean_ratio fornisce target di estensione. Sma_pct su lookback medio conferma il regime macro. Evita pattern troppo corti (3 candele): troppo poco distinti per ricorrenza affidabile. Cerca pattern lunghi e selettivi (poche entry). Lookback consigliato: 100-200. Archetipo dominante: archeologo del prezzo che cerca repliche di antichi pattern.",
      "focus_metrics": ["candle_pattern", "fractal_mirror", "pythagorean_ratio", "sma_pct"]
    },
    "skeptic_quant": {
      "directive": "Il mercato e rumore con piccoli edge statistici. Tu sei l'anticorpo del sistema: non fidarti dei pattern senza significativita 3-sigma vs random. Usa realized_vol e atr_pct come gate di regime (entra solo in regimi di volatilita media, 30-70 percentile). Sma_pct conferma direzione del trend macro. Candle_pattern di 3-4 candele puo' essere usato, ma solo come conferma di un setup gia validato da volatilita e trend: mai come segnale primario. Vincolo duro: max 3 condizioni in AND (poche e robuste); literal con almeno il 20% di margine di sicurezza tra entry ed exit. Nessun pythagorean_ratio (e numerologia spuria) ne fractal_mirror (tautologici nella tua lente). Lookback consigliato: 60-150. Archetipo dominante: scettico quantitativo che falsifica prima di confermare.",
      "focus_metrics": ["realized_vol", "atr_pct", "sma_pct", "candle_pattern"]
    }
  }
}

Step 4: Run test — atteso PASS

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_prompts.py -v

Expected: tutti i test PASS.

Se un test sulla directive length fallisce per un singolo stile, edita quella directive aggiungendo/rimuovendo testo finché rientra in [800, 950]. Ripeti finché tutti i test passano.

Step 5: Commit

git add src/strategy_pythagoras/strategy_pythagoras/prompts.json src/strategy_pythagoras/tests/test_prompts.py
git commit -m "feat(strategy_pythagoras): prompts.json with 7 Pythagoras-aligned cognitive styles"

Phase 3 — Backend port (paper-trading)

Task 3.1: Port `schema.py` (DB DDL)

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/backend/schema.py
Step 1: Read source pattern

cat /opt/docker/multi_swarm_coevolutive/src/strategy_crypto/strategy_crypto/backend/schema.py

Step 2: Crea src/strategy_pythagoras/strategy_pythagoras/backend/schema.py come copia esatta

Copia il contenuto, sostituendo l'env var di default da STRATEGY_CRYPTO_DB_PATH a STRATEGY_PYTHAGORAS_PAPER_DB_PATH, e il default path da state/strategy_crypto.db a state/strategy_pythagoras_paper.db. Mantieni invariati nome tabelle (paper_trading_runs, paper_trading_positions, ecc.).

Step 3: Smoke test

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "
import os, tempfile
os.environ['STRATEGY_PYTHAGORAS_PAPER_DB_PATH'] = tempfile.mktemp(suffix='.db')
from strategy_pythagoras.backend.schema import init_schema
init_schema()
print('OK')
"

Expected: stampa OK senza errori.

Step 4: Commit

git add src/strategy_pythagoras/strategy_pythagoras/backend/schema.py
git commit -m "feat(strategy_pythagoras): port DB schema from strategy_crypto"

Task 3.2: Port `portfolio.py`, `executor.py`, `persistence.py`

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/backend/portfolio.py
Create: src/strategy_pythagoras/strategy_pythagoras/backend/executor.py
Create: src/strategy_pythagoras/strategy_pythagoras/backend/persistence.py
Step 1: Read source pattern

cat /opt/docker/multi_swarm_coevolutive/src/strategy_crypto/strategy_crypto/backend/portfolio.py
cat /opt/docker/multi_swarm_coevolutive/src/strategy_crypto/strategy_crypto/backend/executor.py
cat /opt/docker/multi_swarm_coevolutive/src/strategy_crypto/strategy_crypto/backend/persistence.py

Step 2: Copia i 3 file in src/strategy_pythagoras/strategy_pythagoras/backend/

Per ciascun file: copia 1:1. Sostituisci tutti i riferimenti strategy_crypto → strategy_pythagoras (import path, type hint, eventuali commenti). NON sostituire i riferimenti a multi_swarm_core (resta invariato).

Step 3: Aggiorna backend/__init__.py

Replica esattamente l'__init__.py di strategy_crypto.backend adattando i nomi del package.

Step 4: Smoke test imports

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "
from strategy_pythagoras.backend import Portfolio, PaperExecutor, PaperRepository
print('OK')
"

(Sostituisci i simboli effettivamente esportati se diversi.) Expected: OK.

Step 5: Commit

git add src/strategy_pythagoras/strategy_pythagoras/backend/
git commit -m "feat(strategy_pythagoras): port paper-trading backend (Portfolio, Executor, Repository)"

Phase 4 — Fitness callback (asset-invariance)

Task 4.1: Implementa `fitness_invariance.py` + integra nel GA loop

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/fitness_invariance.py
Test: src/strategy_pythagoras/tests/test_fitness_invariance.py
Step 1: Crea test failing

src/strategy_pythagoras/tests/test_fitness_invariance.py:

"""Bonus invariance: pattern che firano simultaneamente su 2 asset entro tolleranza."""
from __future__ import annotations

import numpy as np
import pandas as pd
import pytest

from strategy_pythagoras.fitness_invariance import (
    apply_invariance_bonus,
    corr_signal,
)


def test_corr_signal_perfect_alignment() -> None:
    # Tutte le entry su BTC coincidono con entry su ETH allo stesso tick.
    entries_btc = pd.Series([0, 1, 0, 1, 0], index=[0, 1, 2, 3, 4])
    entries_eth = pd.Series([0, 1, 0, 1, 0], index=[0, 1, 2, 3, 4])
    assert corr_signal(entries_btc, entries_eth, tolerance_bars=0) == pytest.approx(1.0)


def test_corr_signal_no_overlap() -> None:
    entries_btc = pd.Series([0, 1, 0, 0, 0], index=[0, 1, 2, 3, 4])
    entries_eth = pd.Series([0, 0, 0, 0, 1], index=[0, 1, 2, 3, 4])
    assert corr_signal(entries_btc, entries_eth, tolerance_bars=0) == pytest.approx(0.0)


def test_corr_signal_within_tolerance() -> None:
    # entry su BTC a t=1, su ETH a t=3, tolerance=2 -> match
    entries_btc = pd.Series([0, 1, 0, 0, 0], index=[0, 1, 2, 3, 4])
    entries_eth = pd.Series([0, 0, 0, 1, 0], index=[0, 1, 2, 3, 4])
    assert corr_signal(entries_btc, entries_eth, tolerance_bars=2) == pytest.approx(1.0)


def test_apply_invariance_bonus_increases_fitness() -> None:
    base = 1.0
    bonus = 0.5
    alpha = 0.3
    result = apply_invariance_bonus(base, bonus, alpha)
    assert result == pytest.approx(1.0 * (1.0 + 0.3 * 0.5))


def test_apply_invariance_bonus_alpha_zero() -> None:
    assert apply_invariance_bonus(1.0, 0.7, 0.0) == pytest.approx(1.0)


def test_corr_signal_zero_entries() -> None:
    entries_btc = pd.Series([0, 0, 0], index=[0, 1, 2])
    entries_eth = pd.Series([0, 0, 0], index=[0, 1, 2])
    # nessuna entry -> definiamo corr_signal=0 (nessun bonus)
    assert corr_signal(entries_btc, entries_eth, tolerance_bars=0) == 0.0

Step 2: Run test — atteso FAIL (modulo non esiste)

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_fitness_invariance.py -v

Step 3: Crea fitness_invariance.py

src/strategy_pythagoras/strategy_pythagoras/fitness_invariance.py:

"""Bonus di asset-invariance per la fitness del GA.

corr_signal = frazione di entries su asset A che hanno corrispondenza su asset B
entro ±tolerance_bars (default 36 = 3h su 5m TF, vedi paper Pythagoras p. 43).
"""
from __future__ import annotations

import os

import pandas as pd

GA_INVARIANCE_ALPHA = float(os.getenv("GA_INVARIANCE_ALPHA", "0.3"))
GA_INVARIANCE_TOLERANCE_BARS = int(os.getenv("GA_INVARIANCE_TOLERANCE_BARS", "36"))


def corr_signal(
    entries_a: pd.Series,
    entries_b: pd.Series,
    tolerance_bars: int = GA_INVARIANCE_TOLERANCE_BARS,
) -> float:
    """Frazione di entries A con match in B entro ±tolerance_bars.

    Args:
        entries_a, entries_b: Series binarie {0,1} sullo stesso index temporale.
        tolerance_bars: finestra di tolleranza in barre.

    Returns:
        ∈ [0, 1]. 0 se entries_a non ha alcuna entry o nessun match.
    """
    a_idx = entries_a[entries_a > 0].index.tolist()
    b_idx = entries_b[entries_b > 0].index.tolist()
    if not a_idx or not b_idx:
        return 0.0
    b_set = set(b_idx)
    matched = 0
    for ti in a_idx:
        # cerca un t' in b_set t.c. |t' - ti| <= tolerance_bars
        # ti e' un index value; assumiamo index intero monotono (bar index)
        for delta in range(-tolerance_bars, tolerance_bars + 1):
            if (ti + delta) in b_set:
                matched += 1
                break
    return matched / len(a_idx)


def apply_invariance_bonus(
    base_fitness: float,
    invariance_score: float,
    alpha: float = GA_INVARIANCE_ALPHA,
) -> float:
    """``fitness * (1 + alpha * invariance_score)``."""
    return base_fitness * (1.0 + alpha * invariance_score)

Step 4: Run test — atteso PASS

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/test_fitness_invariance.py -v

Expected: tutti i test PASS.

Step 5: Identifica il punto di integrazione nel GA loop

grep -rn 'compute_fitness\|fitness_train\|fitness_oos' /opt/docker/multi_swarm_coevolutive/src/multi_swarm_core/multi_swarm_core/ga/ /opt/docker/multi_swarm_coevolutive/src/multi_swarm_core/multi_swarm_core/orchestrator/ 2>/dev/null | head -20

Espandi la lettura del file che chiama compute_fitness. Verifica se il GA accetta una callback di post-processing per la fitness, o se la fitness e' iniettabile da fuori.

Se NO (no hook esposto): documenta nel runner script (Phase 6.1) che lo smoke test fa un wrapping esterno alla fitness scoring: dopo che il GA produce winners, ricalcola fitness con bonus e ri-sorta. Questo e' il path piu pulito non-invasivo.

Step 6: Commit

git add src/strategy_pythagoras/strategy_pythagoras/fitness_invariance.py src/strategy_pythagoras/tests/test_fitness_invariance.py
git commit -m "feat(strategy_pythagoras): invariance bonus callback (BTC↔ETH corr_signal)"

Phase 5 — Frontend port

Task 5.1: Port `frontend/data.py` con dual-DB reader

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/frontend/data.py
Step 1: Read source

cat /opt/docker/multi_swarm_coevolutive/src/strategy_crypto/strategy_crypto/frontend/data.py

Step 2: Copia + adatta path env vars

Crea src/strategy_pythagoras/strategy_pythagoras/frontend/data.py come copia con sostituzioni:

STRATEGY_CRYPTO_DB_PATH → STRATEGY_PYTHAGORAS_PAPER_DB_PATH
state/strategy_crypto.db → state/strategy_pythagoras_paper.db
state/strategy_crypto_paper.db (se citato) → state/strategy_pythagoras_paper.db
Default GA DB env: usa STRATEGY_PYTHAGORAS_DB_PATH (default state/strategy_pythagoras.db)
Step 3: Aggiungi 2 query helper per le nuove tab della dashboard

In coda al file aggiungi:

def load_invariance_metrics(ga_db_path: str) -> "pd.DataFrame":
    """Per ogni winner ritorna (genome_id, sharpe_btc, sharpe_eth, invariance_score)."""
    import sqlite3
    import pandas as pd
    con = sqlite3.connect(ga_db_path)
    try:
        # NB: lo schema effettivo dipende da come il runner salva le metric.
        # Schema atteso (vedi Phase 6.1, scripts/run_pythagoras_smoke.py):
        #   table pythagoras_winners(genome_id TEXT, cognitive_style TEXT,
        #     fitness REAL, sharpe_btc REAL, sharpe_eth REAL,
        #     invariance_score REAL, rules_json TEXT)
        return pd.read_sql_query(
            "SELECT genome_id, cognitive_style, fitness, sharpe_btc, sharpe_eth, invariance_score "
            "FROM pythagoras_winners ORDER BY fitness DESC",
            con,
        )
    finally:
        con.close()


def load_candle_pattern_usage(ga_db_path: str) -> "pd.DataFrame":
    """Per ogni winner estrae le sequenze candle_pattern usate (per heatmap)."""
    import json
    import sqlite3
    import pandas as pd
    con = sqlite3.connect(ga_db_path)
    try:
        df = pd.read_sql_query(
            "SELECT genome_id, cognitive_style, rules_json FROM pythagoras_winners",
            con,
        )
    finally:
        con.close()
    records: list[dict] = []
    for _, row in df.iterrows():
        rules = json.loads(row["rules_json"]).get("rules", [])
        for r in rules:
            for ind_name, params in _walk_indicators(r["condition"]):
                if ind_name == "candle_pattern":
                    length = int(params[0])
                    syms = [int(s) for s in params[1:1 + length]]
                    seq_str = "".join({0: "U", 1: "D", 2: "0"}[s] for s in syms)
                    records.append({
                        "genome_id": row["genome_id"],
                        "cognitive_style": row["cognitive_style"],
                        "sequence": seq_str,
                        "length": length,
                    })
    return pd.DataFrame.from_records(records)


def _walk_indicators(node: dict):
    if "op" in node:
        for a in node.get("args", []):
            yield from _walk_indicators(a)
    elif node.get("kind") == "indicator":
        yield node["name"], node["params"]

Step 4: Smoke import

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "from strategy_pythagoras.frontend import data; print('OK')"

Step 5: Commit

git add src/strategy_pythagoras/strategy_pythagoras/frontend/data.py
git commit -m "feat(strategy_pythagoras): port frontend data layer + invariance/candle helpers"

Task 5.2: Port `nicegui_app.py` con 4 tabs

Files:

Create: src/strategy_pythagoras/strategy_pythagoras/frontend/nicegui_app.py
Step 1: Read source

cat /opt/docker/multi_swarm_coevolutive/src/strategy_crypto/strategy_crypto/frontend/nicegui_app.py

Step 2: Crea nicegui_app.py portando struttura base

Replica scheletro del file strategy_crypto. Sostituzioni:

import: from strategy_pythagoras.frontend.data import ...
root_path env: DASHBOARD_ROOT_PATH defaultato a /strategy_pythagoras_gui
Titolo pagina: "Strategy Pythagoras"

Aggiungi 4 tab al posto di quelli di strategy_crypto:

# Pseudocode per la struttura tabs
with ui.tabs() as tabs:
    t_genomes = ui.tab("Genomes")
    t_patterns = ui.tab("Patterns")
    t_ratios = ui.tab("Ratios")
    t_invariance = ui.tab("Invariance")

with ui.tab_panels(tabs, value=t_genomes):
    with ui.tab_panel(t_genomes):
        # Table dei winners da load_invariance_metrics
        df = load_invariance_metrics(GA_DB_PATH)
        ui.table(rows=df.to_dict("records"), columns=[...])
    with ui.tab_panel(t_patterns):
        # heatmap delle sequenze candle (count per stile)
        df_pat = load_candle_pattern_usage(GA_DB_PATH)
        # plotly heatmap: x=sequence, y=cognitive_style, z=count
        ...
    with ui.tab_panel(t_ratios):
        # histogram dei literal usati con pythagorean_ratio
        # bins centrati su [1.414, 1.571, 1.618, 2.0, 2.618, 3.1416]
        ...
    with ui.tab_panel(t_invariance):
        # scatter sharpe_btc vs sharpe_eth, color = invariance_score
        ...

L'implementazione completa di patterns/ratios/invariance tab dipende dai dati prodotti dal runner (Phase 6). Inizia con stub semplici (table dei dati grezzi). Plotly heatmap/scatter possono essere aggiunti dopo lo smoke test.

Step 3: Smoke launch

cd /opt/docker/multi_swarm_coevolutive && timeout 5 uv run python -m strategy_pythagoras.frontend.nicegui_app || true

Expected: avvio senza eccezioni nei primi 5s (poi timeout — OK).

Step 4: Commit

git add src/strategy_pythagoras/strategy_pythagoras/frontend/nicegui_app.py src/strategy_pythagoras/strategy_pythagoras/frontend/__init__.py
git commit -m "feat(strategy_pythagoras): NiceGUI dashboard with 4 tabs (Genomes/Patterns/Ratios/Invariance)"

Phase 6 — Smoke GA run + analisi

Task 6.1: Crea runner script `scripts/run_pythagoras_smoke.py`

Files:

Create: scripts/run_pythagoras_smoke.py
Step 1: Identifica entry point del GA core

grep -rn 'def run\|def main\|GA(' /opt/docker/multi_swarm_coevolutive/src/multi_swarm_core/multi_swarm_core/ga/ /opt/docker/multi_swarm_coevolutive/src/multi_swarm_core/multi_swarm_core/orchestrator/ 2>/dev/null | head -10
ls /opt/docker/multi_swarm_coevolutive/scripts/

Read scripts/run_paper_trading.py come esempio se esiste; cerca un esempio simile (es. scripts/run_ga.py).

Step 2: Scrivi scripts/run_pythagoras_smoke.py

"""Smoke test del GA per strategy_pythagoras.

- Population 20, 5 generations
- Asset: BTC 5m + ETH 5m (serie da strategy_crypto/series/)
- Train: 2024-07 → 2024-12; Test: 2025-01
- Stili cognitivi: 7 da strategy_pythagoras/prompts.json
- 3 nuovi indicatori (candle_pattern, pythagorean_ratio, fractal_mirror) registrati
- Fitness post-processing: apply_invariance_bonus
- Output: persiste winners in state/strategy_pythagoras.db (tabella pythagoras_winners)
"""
from __future__ import annotations

import json
import os
import sqlite3
from pathlib import Path

# Forza il caricamento dei nuovi indicatori prima del GA
import strategy_pythagoras.indicators  # noqa: F401  (registra side-effect via compiler.py)
from strategy_pythagoras.fitness_invariance import (
    apply_invariance_bonus,
    corr_signal,
)

# Adatta gli import seguenti al vero entry point del core; placeholder esemplificativi:
# from multi_swarm_core.orchestrator.run import run_ga
# from multi_swarm_core.config import GaConfig

ROOT = Path(__file__).resolve().parents[1]
DB_PATH = Path(os.getenv("STRATEGY_PYTHAGORAS_DB_PATH", ROOT / "state" / "strategy_pythagoras.db"))
PROMPTS_PATH = ROOT / "src" / "strategy_pythagoras" / "strategy_pythagoras" / "prompts.json"
SERIES_DIR = ROOT / "src" / "strategy_crypto" / "series"
RUN_NAME = "pythagoras-smoke-001"


def init_winners_table(con: sqlite3.Connection) -> None:
    con.execute("""
        CREATE TABLE IF NOT EXISTS pythagoras_winners (
            genome_id TEXT PRIMARY KEY,
            cognitive_style TEXT,
            fitness REAL,
            sharpe_btc REAL,
            sharpe_eth REAL,
            invariance_score REAL,
            rules_json TEXT,
            generation INTEGER,
            run_name TEXT
        )
    """)
    con.commit()


def main() -> None:
    DB_PATH.parent.mkdir(parents=True, exist_ok=True)
    con = sqlite3.connect(DB_PATH)
    init_winners_table(con)

    # === BLOCCO DA ADATTARE ALL'API EFFETTIVA DEL CORE ===
    # Pseudocodice di alto livello: leggi le firme reali da
    # multi_swarm_core.orchestrator e adattalo. L'idea e' (1) caricare 2 serie
    # (BTC, ETH 5m), (2) lanciare il GA con population=20, generations=5,
    # prompts da PROMPTS_PATH, (3) per ogni winner ricalcolare fitness
    # combinando sharpe_btc, sharpe_eth e bonus invariance, (4) persistere
    # in pythagoras_winners.
    #
    # raise NotImplementedError("Adatta gli import del core qui sopra; vedi orchestrator.run")

    print(f"Smoke test {RUN_NAME} pronto. Configura gli import del core e rilancia.")
    con.close()


if __name__ == "__main__":
    main()

Lo script e' deliberatamente uno scheletro: l'esatto entry point del GA core va letto al momento dell'implementazione. L'implementer deve:

Aprire src/multi_swarm_core/multi_swarm_core/orchestrator/*.py e identificare la funzione che lancia un GA
Replicare il pattern di scripts/run_paper_trading.py (se esiste) o equivalente
Wirare l'output del GA al wrapping invariance + persistere in pythagoras_winners

Step 3: Commit

git add scripts/run_pythagoras_smoke.py
git commit -m "feat(strategy_pythagoras): scaffold smoke-test runner script (stub orchestrator wiring TODO at exec time)"

Task 6.2: Lancia smoke test (richiede consumo di token LLM)

STOP — CONFERMA UTENTE OBBLIGATORIA prima di proseguire.

Questo task consuma token reali via OpenRouter/Anthropic. Stima: ~20 genomi × 5 generazioni × 2 LLM call/genome ≈ 200 chiamate. Costo dipendente da model_tier distribuzione (70% C qwen, 30% B sonnet).

Step 1: Chiedi conferma all'utente

"Sto per lanciare il GA smoke run pythagoras-smoke-001 (pop=20, gen=5, BTC+ETH 5m). Costo stimato: ~200 LLM call (70% qwen, 30% sonnet). Procedo?"

Step 2: Esegui (post-conferma)

cd /opt/docker/multi_swarm_coevolutive && uv run python scripts/run_pythagoras_smoke.py 2>&1 | tee state/pythagoras-smoke-001.log

Expected: 5 generazioni completate, almeno 1 winner persistito in pythagoras_winners.

Step 3: Verifica persistenza

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "
import sqlite3
con = sqlite3.connect('state/strategy_pythagoras.db')
rows = con.execute('SELECT cognitive_style, fitness, sharpe_btc, sharpe_eth, invariance_score FROM pythagoras_winners ORDER BY fitness DESC LIMIT 5').fetchall()
for r in rows: print(r)
"

Expected: top-5 winners stampati.

Step 4: Verifica dashboard mostra winners

cd /opt/docker/multi_swarm_coevolutive && timeout 10 uv run python -m strategy_pythagoras.frontend.nicegui_app &
sleep 3
curl -s http://localhost:8080/strategy_pythagoras_gui/ | head -50 | grep -i pythagoras || echo "MISSING"

(Adatta porta. Expected: trova "pythagoras" nel HTML.)

Step 5: Commit

git add state/pythagoras-smoke-001.log
git commit -m "chore(strategy_pythagoras): smoke run pythagoras-smoke-001 log"

Task 6.3: Scrivi report `docs/analysis_first_run.md`

Files:

Create: docs/analysis_first_run.md
Step 1: Estrai metriche dal DB

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "
import sqlite3, json
con = sqlite3.connect('state/strategy_pythagoras.db')

# Top-5
print('=== TOP-5 ===')
for row in con.execute('SELECT genome_id, cognitive_style, fitness, sharpe_btc, sharpe_eth, invariance_score FROM pythagoras_winners ORDER BY fitness DESC LIMIT 5').fetchall():
    print(row)

# Conteggio sequenze candle_pattern per stile
print('=== CANDLE PATTERNS ===')
for row in con.execute('SELECT cognitive_style, rules_json FROM pythagoras_winners').fetchall():
    style, rules_json = row
    rules = json.loads(rules_json).get('rules', [])
    # walk e dump
    def walk(n, out):
        if isinstance(n, dict):
            if n.get('name') == 'candle_pattern':
                out.append(n['params'])
            for v in n.values():
                if isinstance(v, (dict, list)):
                    walk(v, out)
        elif isinstance(n, list):
            for v in n: walk(v, out)
    cps = []
    walk(rules, cps)
    for p in cps:
        length = int(p[0]); syms = ''.join({0:'U',1:'D',2:'0'}[int(s)] for s in p[1:1+length])
        print(f'  {style}: {syms}')

# Histogram literal vicini a costanti universali
print('=== RATIO LITERALS ===')
for row in con.execute('SELECT rules_json FROM pythagoras_winners').fetchall():
    rules = json.loads(row[0]).get('rules', [])
    def walk(n, out):
        if isinstance(n, dict):
            if n.get('op') in ('gt','lt','eq') and len(n.get('args',[])) == 2:
                a, b = n['args']
                if a.get('name') == 'pythagorean_ratio' and b.get('kind') == 'literal':
                    out.append(float(b['value']))
                if b.get('name') == 'pythagorean_ratio' and a.get('kind') == 'literal':
                    out.append(float(a['value']))
            for v in n.values():
                if isinstance(v, (dict, list)):
                    walk(v, out)
        elif isinstance(n, list):
            for v in n: walk(v, out)
    rl = []
    walk(rules, rl)
    for v in rl: print(f'  {v:.4f}')
" | tee state/pythagoras-smoke-001-stats.txt

Step 2: Scrivi docs/analysis_first_run.md

Crea il report con le 6 sezioni elencate nella spec §4, popolandole con i dati estratti allo Step 1.

Struttura attesa (gli {{placeholder}} vanno sostituiti coi dati reali):

# strategy_pythagoras — Analisi del primo run

**Run:** pythagoras-smoke-001
**Data:** {{YYYY-MM-DD}}
**Setup:** population=20, generations=5, BTC+ETH 5m, train 2024-07/12, test 2025-01

## 1. Sintesi numerica dei riassunti

- [Pythagoras_Trading_Prediction.summary.md](../src/strategy_pythagoras/Pythagoras/Pythagoras_Trading_Prediction.summary.md)
- [Libro_frattali.summary.md](../src/strategy_pythagoras/Pythagoras/Libro_frattali.summary.md)

Numeri chiave dai due libri: phi=1.618, pi=3.1416, sqrt2=1.414, e=2.718; Solfeggio 396-417-528-639-741-852; 25 linee / 588 candele; tassonomia range 3-6-12-24-39-56; 57 pattern LONG nel Libro su spazio teorico 1080 = 3^3+3^4+3^5+3^6.

## 2. Top-5 winners

| Rank | genome_id | cognitive_style | fitness | sharpe_BTC | sharpe_ETH | invariance_score |
|---|---|---|---|---|---|---|
| 1 | {{...}} | {{...}} | {{...}} | {{...}} | {{...}} | {{...}} |
| ... | | | | | | |

## 3. Pattern frattali emersi

Sequenze `candle_pattern` usate dai winners (dump):

| cognitive_style | sequenza | length |
|---|---|---|
| {{...}} | {{...}} | {{...}} |

**Overlap teorico:** dei 1080 pattern combinatori possibili {U,D,0}^3..6, i winner ne usano {{N}} distinti. Confronto con i 57 LONG del Libro dei Frattali: copertura non valutabile senza decoding visuale del Libro (esplicitamente fuori scope: "senza passare alle immagini").

## 4. Ratios di prezzo emersi

Distribuzione dei literal usati in confronti con `pythagorean_ratio`:

| Bin | Range | Count |
|---|---|---|
| ≈ 1/phi | [0.59, 0.65] | {{...}} |
| ≈ sqrt2 | [1.39, 1.44] | {{...}} |
| ≈ phi | [1.59, 1.65] | {{...}} |
| ≈ 2.0 | [1.95, 2.05] | {{...}} |
| ≈ phi^2 | [2.58, 2.66] | {{...}} |
| ≈ pi | [3.10, 3.20] | {{...}} |
| altro | resto | {{...}} |

## 5. Cross-asset invariance

Istogramma `invariance_score` sui top genomi: {{stat distribution}}.
Pattern firanti su entrambi gli asset entro ±36 barre (±3h su 5m TF): {{N}} / {{tot}}.

## 6. Conclusione (onesta)

- Winners con sharpe > 1.0 su test set: {{N}} su {{tot}}
- Winners con invariance_score > 0.3: {{N}}
- Lo skeptic_quant ha generato strategie significativamente diverse dagli altri stili: {{si/no}}
- Cosa il framework Pythagoras predice e cosa NON regge al backtest:
  - **Tiene:** {{lista delle predizioni del paper che hanno qualche supporto empirico}}
  - **Non tiene:** {{lista delle predizioni senza supporto, es. numeri Solfeggio assenti dai winners}}

Prossimi passi:
- Estendere a Oro/Argento (asset citati dal paper) se invariance > 0.3 conferma
- Estendere a range candele 12-56 se range 3-12 mostra edge stabile
- Far girare runs piu lunghi (pop=50, gen=20) solo se questo smoke conferma trend positivo

Step 3: Commit

git add docs/analysis_first_run.md state/pythagoras-smoke-001-stats.txt
git commit -m "docs(strategy_pythagoras): first-run analysis report"

Phase 7 — Verifica criteri di accettazione

Task 7.1: Esegui tutti i criteri di §6 della spec

Step 1: uv sync riesce

cd /opt/docker/multi_swarm_coevolutive && uv sync

Step 2: Import dei 3 indicatori

cd /opt/docker/multi_swarm_coevolutive && uv run python -c "from strategy_pythagoras.indicators import candle_pattern, pythagorean_ratio, fractal_mirror; print('OK')"

Step 3: pytest tutta la suite Pythagoras + core

cd /opt/docker/multi_swarm_coevolutive && uv run pytest src/strategy_pythagoras/tests/ src/multi_swarm_core/tests/ -v

Expected: 100% verde.

Step 4: GA short run completato

cd /opt/docker/multi_swarm_coevolutive && sqlite3 state/strategy_pythagoras.db "SELECT COUNT(*) FROM pythagoras_winners WHERE run_name='pythagoras-smoke-001'"

Expected: > 0.

Step 5: Almeno 1 winner con fitness > 0 e stile Pythagoras

cd /opt/docker/multi_swarm_coevolutive && sqlite3 state/strategy_pythagoras.db "SELECT cognitive_style, fitness FROM pythagoras_winners WHERE fitness > 0 ORDER BY fitness DESC LIMIT 1"

Step 6: Dashboard avvia su subpath

cd /opt/docker/multi_swarm_coevolutive && timeout 5 uv run python -m strategy_pythagoras.frontend.nicegui_app &
sleep 2
curl -fsS http://localhost:8080/strategy_pythagoras_gui/ > /dev/null && echo "OK" || echo "FAIL"
kill %1 2>/dev/null

Step 7: docs/analysis_first_run.md esiste e contiene 6 sezioni

cd /opt/docker/multi_swarm_coevolutive && grep -c '^## ' docs/analysis_first_run.md

Expected: ≥ 6.

Step 8: Final commit (se non già fatto)

cd /opt/docker/multi_swarm_coevolutive && git status

Se ci sono modifiche pendenti, commit con messaggio appropriato.

Self-review

Spec coverage:

Requisito spec	Task
§1 Layout package	Task 0.1
§1 Workspace registration	Task 0.1
§1 Persistence + env vars	Task 0.1, 3.1
§2 Genoma invariato	(no task: implicito; nessun cambio core ad hypothesis.py)
§2 3 indicatori (`candle_pattern`, `pythagorean_ratio`, `fractal_mirror`)	Task 1.1, 1.2, 1.3
§2 Vincoli protettivi	Task 1.2 (validator), Task 2.1 (anti_patterns)
§3 prompts.json 7 stili	Task 2.1
§3 ASCII-safe, archetipo, lookback range, lunghezza	Task 2.1 (test_prompts.py)
§4 Fitness con bonus invariance	Task 4.1
§4 GA run short	Task 6.1, 6.2
§4 Deliverable analysis report	Task 6.3
§4 Dashboard 4 tabs	Task 5.1, 5.2
§6 Criteri accettazione	Task 7.1

Placeholder scan: Tutti gli step contengono codice concreto o comandi specifici. I {{placeholder}} nel report docs/analysis_first_run.md sono esplicitamente sostituiti coi dati estratti nello Step 1 di Task 6.3. Le porzioni "BLOCCO DA ADATTARE ALL'API EFFETTIVA DEL CORE" in Task 6.1 sono inevitabili senza prima leggere multi_swarm_core/orchestrator; istruzioni esplicite su come adattare sono fornite.

Type consistency: Indicator names sono candle_pattern, pythagorean_ratio, fractal_mirror ovunque. Encoding axis_int=0 (h) / 1 (v) coerente nei test, indicators.py, validator. Env vars: STRATEGY_PYTHAGORAS_DB_PATH (GA), STRATEGY_PYTHAGORAS_PAPER_DB_PATH (paper), GA_INVARIANCE_ALPHA, GA_INVARIANCE_TOLERANCE_BARS coerenti tra fitness_invariance.py, schema.py, runner script.

Note esecuzione: Task 6.2 (smoke run) richiede conferma utente esplicita (consumo token). Task 6.1 contiene uno scheletro: l'esatta API del core orchestrator va letta al momento. Tutto il resto è eseguibile in autonomia.

66 KiB Raw Permalink Blame History Unescape Escape

strategy_pythagoras Implementation Plan

File structure

Phase 0 — Workspace scaffolding

Task 0.1: Crea skeleton package + registrazione workspace

Dashboard

DB schema

Reference

Phase 1 — Core extensions (indicatori)

Task 1.1: Estendi grammar con i 3 nuovi indicatori

Task 1.2: Estendi validator con INDICATOR_ARITY per i 3 indicatori

Task 1.3: Implementa candle_pattern helper + register in compiler

Phase 2 — Prompts (7 stili cognitivi)

Task 2.1: Scrivi prompts.json con schema v3.2

Phase 3 — Backend port (paper-trading)

Task 3.1: Port schema.py (DB DDL)

Task 3.2: Port portfolio.py, executor.py, persistence.py

Phase 4 — Fitness callback (asset-invariance)

Task 4.1: Implementa fitness_invariance.py + integra nel GA loop

Phase 5 — Frontend port

Task 5.1: Port frontend/data.py con dual-DB reader

Task 5.2: Port nicegui_app.py con 4 tabs

Phase 6 — Smoke GA run + analisi

Task 6.1: Crea runner script scripts/run_pythagoras_smoke.py

Task 6.2: Lancia smoke test (richiede consumo di token LLM)

Task 6.3: Scrivi report docs/analysis_first_run.md

Phase 7 — Verifica criteri di accettazione

Task 7.1: Esegui tutti i criteri di §6 della spec

Self-review

66 KiB

Raw Permalink Blame History

Task 1.2: Estendi validator con `INDICATOR_ARITY` per i 3 indicatori

Task 1.3: Implementa `candle_pattern` helper + register in compiler

Task 2.1: Scrivi `prompts.json` con schema v3.2

Task 3.1: Port `schema.py` (DB DDL)

Task 3.2: Port `portfolio.py`, `executor.py`, `persistence.py`

Task 4.1: Implementa `fitness_invariance.py` + integra nel GA loop

Task 5.1: Port `frontend/data.py` con dual-DB reader

Task 5.2: Port `nicegui_app.py` con 4 tabs

Task 6.1: Crea runner script `scripts/run_pythagoras_smoke.py`

Task 6.3: Scrivi report `docs/analysis_first_run.md`