refactor: riorganizzazione script — Strategy ABC, folder strategies/waste/analysis

- src/strategies/base.py: Strategy ABC con Signal, BacktestResult, YearlyStats
- src/strategies/indicators.py: keltner_ratio, detect_squeezes, ema, atr, rv, corr
- scripts/strategies/: SQ01-SQ04 (squeeze puro/filtri), ML01 (squeeze+GBM)
- scripts/waste/: W01-W22 script scartati + REF originali
- scripts/analysis/: compare, best_yearly, final_report, paper_status
- CLAUDE.md aggiornato con nuova struttura e tabella strategie

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

CLAUDE.md

@@ -16,22 +16,28 @@ Progetto di ricerca: riconoscimento pattern frattali per trading algoritmico su
 ## Struttura
 
 ```
-src/data/         → download e caricamento dati (downloader.py)
-src/fractal/      → indicatori frattali (patterns.py, indicators.py, similarity.py)
-src/backtest/     → engine di backtesting (engine.py)
-scripts/          → analisi e strategie numerate 01–13
-docs/diary/       → diario di ricerca giornaliero
-data/raw/         → file .parquet OHLCV (gitignored)
-data/processed/   → modelli salvati (gitignored)
+src/data/              → download e caricamento dati (downloader.py)
+src/fractal/           → indicatori frattali (patterns.py, indicators.py, similarity.py)
+src/backtest/          → engine di backtesting (engine.py)
+src/strategies/        → classe base Strategy ABC + indicatori condivisi
+  base.py              → Strategy, Signal, BacktestResult, YearlyStats
+  indicators.py        → keltner_ratio, detect_squeezes, ema, atr, rv, correlation
+scripts/strategies/    → strategie attive (SQ01-SQ04, ML01)
+scripts/waste/         → strategie scartate (W01-W22 + REF originali)
+scripts/analysis/      → script di confronto e report
+docs/diary/            → diario di ricerca giornaliero
+data/raw/              → file .parquet OHLCV (gitignored)
+data/processed/        → modelli salvati (gitignored)
 ```
 
 ## Comandi
 
 ```bash
-uv sync                                    # installa dipendenze
-uv run python -m src.data.downloader       # scarica dati storici
-uv run python scripts/13_squeeze_ml_hybrid.py  # strategia vincente
-uv run pytest                              # test
+uv sync                                              # installa dipendenze
+uv run python -m src.data.downloader                  # scarica dati storici
+uv run python scripts/strategies/SQ02_squeeze_antifake_vol.py  # miglior strategia robusta
+uv run python scripts/strategies/ML01_squeeze_gbm.py  # squeeze + ML (GBM)
+uv run pytest                                         # test
 ```
 
 ## Dati storici
@@ -60,9 +66,23 @@ Configurazione migliore: ETH 15m, BBw=14, squeeze threshold=0.8, breakout=3 barr
 
 Risultato backtestato: 76.9% accuracy, 118% annuo, 4.2% drawdown, €13.78/giorno da €1.000.
 
+## Strategie attive
+
+| Codice | Nome | Tipo | Accuracy | Note |
+|--------|------|------|----------|------|
+| SQ01 | Squeeze Base | Regole | 76.7% | Squeeze breakout puro, baseline |
+| SQ02 | Antifake+Vol | Regole | 79.7% | **Miglior robusto** — 9 anni, Sharpe 5.01 |
+| SQ03 | All Filters | Regole | 79.2% | Cross-asset + timing + long squeeze |
+| SQ04 | Ultimate | Regole | 81.6% | Max accuracy ma concentrato 2018 |
+| ML01 | Squeeze+GBM | ML | 78.8% | Walk-forward, €12/day, DD basso |
+
+Tutte le strategie estendono `src.strategies.base.Strategy` con interfaccia comune:
+`generate_signals() → backtest() → report()`.
+
 ## Convenzioni
 
-- Script numerati progressivamente (`01_`, `02_`, …). Ogni script è autocontenuto.
+- Strategie in `scripts/strategies/` con codice univoco (SQ01, ML01, ...).
+- Script scartati in `scripts/waste/` con prefisso W01-W22.
 - Diario in `docs/diary/YYYY-MM-DD.md`. Aggiornare dopo ogni esperimento significativo.
 - Nessun dato sensibile nei commit (token, chiavi API). Usare `.gitignore`.
 - Verificare sempre assenza di data leakage prima di fidarsi dei risultati. In particolare: `returns[i-w : i]` include `close[i]` che è un candle nel futuro — usare `returns[i-w : i-1]`.