feat(shape): SH01 Shape-ML validato come diversificatore + doc

Validazione dura del solo edge sopravvissuto alla ricerca shape (ML walk-forward
LogisticRegression sulle feature di forma). SH01 config W24 H12 th0.58:
- BTC robusto ovunque (expanding +219%/OOS+42% Sharpe2.72 8-9anni; rolling2y
  +166%/+96%; stress leva2x+slippage OK), ETH/ADA solo expanding, LTC/SOL/XRP no.
- Griglia 5/27 robuste su cresta W24/H8-12 -> overfit moderato, config conservativa.
- Free-lunch: corr +0.08 col MASTER, aggiungerlo migliora OOS (Sharpe 4.33->5.10,
  DD 4.7->4.2%). Diversificatore, non motore standalone. Regge fee 0.20% RT.

SH01 come Strategy (in MODULE_MAP) + run() riproducibile. shape_ml_research esteso
con walk-forward rolling (train_window). Live richiede worker con retraining.
Diario 2026-05-29-shape.md, CLAUDE.md famiglia SHAPE-ML.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

scripts/analysis/shape_ml_research.py

@@ -244,10 +244,13 @@ def analog_feat_entries(df, W=24, H=12, K=60, rebuild=300, min_lib=1500,
 # =============================================================================
 def ml_wf_entries(df, W=24, H=12, model="gb", thresh=0.58,
                   train_min=4000, retrain=500, n_estimators=80, max_depth=3,
-                  tp_atr=None, sl_atr=None, trend_max=None, ema_long=200) -> list[dict]:
-    """Walk-forward: a blocchi di `retrain` barre, allena su TUTTO il passato il cui esito
+                  tp_atr=None, sl_atr=None, trend_max=None, ema_long=200,
+                  train_window=None) -> list[dict]:
+    """Walk-forward: a blocchi di `retrain` barre, allena sul passato il cui esito
     e' noto, predice il blocco corrente. Scaler+modello fittati solo sul train.
-    Entra a close[i] se proba della classe predetta >= thresh. model in {gb, logit}."""
+    Entra a close[i] se proba della classe predetta >= thresh. model in {gb, logit}.
+    train_window: se None -> expanding (tutto il passato); se int -> ROLLING (solo le
+    ultime train_window barre prima del blocco) -> test di robustezza piu' severo."""
     c = df["close"].values
     n = len(c)
     a = atr(df, 14)
@@ -268,7 +271,8 @@ def ml_wf_entries(df, W=24, H=12, model="gb", thresh=0.58,
         blk_end = min(blk + retrain, n - 1)
         # TRAIN: finestre la cui forma E il cui esito (e+H) sono < blk
         # cioe' e <= blk-1-H  (esito realizzato prima del primo test del blocco)
-        tr_ends = ends[(ends <= blk - 1 - H) & (ends >= W - 1)]
+        lo_end = (blk - 1 - H - train_window) if train_window is not None else (W - 1)
+        tr_ends = ends[(ends <= blk - 1 - H) & (ends >= max(W - 1, lo_end))]
         tr_ends = tr_ends[~np.isnan(sgn[tr_ends])]
         if len(tr_ends) < 800:
             blk = blk_end