From 7169614506b9173c253729e47309e70843952ac3 Mon Sep 17 00:00:00 2001 From: Adriano Dal Pastro Date: Tue, 2 Jun 2026 00:05:14 +0000 Subject: [PATCH 1/4] feat(research): substrato ricerca frattali x regime ARGO - regime_fetcher.py: fetch DVOL (2021+) + funding (2019+) BTC/ETH da Deribit mainnet public - regime_lab.py: API condivisa, allineamento regime<->prezzo CAUSALE no-look-ahead, feature regime (dvol_pct/vrp/funding_z/dvol_chg) + frattali (hurst/higuchi/vratio/williams), cache feature precalcolate, report()=netto-fee OOS via explore_lab - fractal_argo_workflow.js: workflow ~100 agenti (84 griglia + 8 wildcard + verifica + sintesi) Branch di ricerca: nessun impatto su main/live. Co-Authored-By: Claude Opus 4.8 (1M context) --- scripts/analysis/fractal_argo_workflow.js | 175 ++++++++++++++++++++ scripts/analysis/regime_fetcher.py | 112 +++++++++++++ scripts/analysis/regime_lab.py | 191 ++++++++++++++++++++++ 3 files changed, 478 insertions(+) create mode 100644 scripts/analysis/fractal_argo_workflow.js create mode 100644 scripts/analysis/regime_fetcher.py create mode 100644 scripts/analysis/regime_lab.py diff --git a/scripts/analysis/fractal_argo_workflow.js b/scripts/analysis/fractal_argo_workflow.js new file mode 100644 index 0000000..8e0ed6c --- /dev/null +++ b/scripts/analysis/fractal_argo_workflow.js @@ -0,0 +1,175 @@ +export const meta = { + name: 'fractal-argo-search', + description: 'Ricerca a ~100 agenti: strategia FRATTALI del segnale x REGIME ARGO (DVOL/funding/VRP) validata OOS', + phases: [ + { title: 'Search', detail: '92 agenti: griglia frattale x regime x asset + wildcard' }, + { title: 'Verify', detail: 'verifica avversariale dei survivor (look-ahead, fee 0.2%, altro asset/split)' }, + { title: 'Synth', detail: 'classifica, sceglie vincitori, propone implementazione' }, + ], +} + +const API = ` +=== regime_lab API (gia pronta, dati FRESCHI in cache) === +from scripts.analysis.regime_lab import load_features, report +from scripts.analysis.explore_lab import robust, atr, ema, rsi + +df = load_features(ASSET, TF) # ASSET in {BTC,ETH}, TF in {1h,4h,1d} +# Colonne (tutte CAUSALI, valore a barra i usa solo dati <= i): +# OHLCV: open high low close volume timestamp +# REGIME (ARGO-proxy backtestabile): dvol, dvol_pct (percentile rolling 0..1), +# rv (realized vol ann.), vrp = dvol-rv (>0 = vol sopravvalutata ~ ARGO GEX+ range), +# funding, funding_z (z-score rolling), dvol_chg (DVOL salita/discesa, proxy term-structure) +# FRATTALI: hurst (>0.5 persistente/trend, <0.5 anti-persistente/mean-rev), higuchi (FD: alta=frastagliato), +# vratio (vol breve/lunga), frac_up/frac_dn (Williams pivot bool: swing high/low confermati, CAUSALI) +# NB: dvol e' NaN prima del 2021-03 (storico DVOL) -> salta le barre con dvol NaN se usi il regime. + +# Costruisci 'entries': lista dict {i, d(+1/-1), tp, sl, max_bars}. INGRESSO ESEGUIBILE: +# i, d, tp, sl decisi con dati <= close[i]. tp/sl in PREZZO (o None). Esempio fade: +ent=[] +c=df['close'].values; a=atr(df,14); ma=df['close'].rolling(50).mean().values; sd=df['close'].rolling(50).std().values +for i in range(300, len(c)-1): + if np.isnan(sd[i]) or np.isnan(df['dvol_pct'].iloc[i]): continue + if df['vrp'].iloc[i] > 0 and c[i] < ma[i]-2.5*sd[i]: # GATE regime + SEGNALE frattale/tecnico + ent.append({'i':i,'d':1,'tp':ma[i],'sl':c[i]-2*a[i],'max_bars':24}) +res = report('NOME', ent, df) # -> {full:{ret,sharpe,dd,trades,win,exposure}, oos:{...}, sweep, sweep_oos, pos_yrs, n_yrs} +ok = robust(res) # True = full+oos>0 E regge fee 0.2% RT E anni ~tutti positivi +print('ROBUST', ok, 'trd', res['full']['trades'], 'OOSsharpe', round(res['oos']['sharpe'],2), + 'OOSret', round(res['oos']['ret']), 'fee02OOS', round(res['sweep_oos'][0.002])) +` + +const CONTEXT = ` +PROGETTO PythagorasGoal: trading crypto BTC/ETH. Edge dimostrato = SOLO mean-reversion (fade) + pairs. +ASTICELLA ALTA: il portafoglio PORT06 e' gia a Sharpe OOS 8.19 / DD 2.3%. Una strategia nuova vale solo +se ha edge NETTO validato OOS e robusto. + +PRIORI ONESTI (non ignorarli): i FRATTALI sono stati gia esplorati e quasi tutti RUMORE (shape_lab: +analog kNN solo BTC-overfit; PIP/pivot 0/48 robuste; DTW peggiora). Le OPZIONI sono state SCARTATE +(W18/19/21 VRP). L'unico edge frattale validato e SH01 (shape-ML logit, diversificatore). MA: la +combinazione FRATTALE-del-segnale x REGIME-ARGO (gating su DVOL/funding/VRP) e' NUOVA e non testata -> +e' qui che potrebbe esserci valore: il regime puo dire QUANDO il segnale frattale funziona. + +OBIETTIVO: trovare una strategia che combini un SEGNALE FRATTALE con un GATE/INTERAZIONE DI REGIME +(ARGO-proxy: DVOL percentile, VRP, funding) e che superi la validazione onesta (robust()=True). + +METODOLOGIA OBBLIGATORIA: ingresso ESEGUIBILE senza look-ahead (le colonne regime_lab sono gia causali; +le TUE entries devono usare solo dati <= i). Backtest NETTO fee (report() fa gia sweep 0.0-0.2% RT + OOS +ultimo 30%). robust()=True e' il gate minimo. Diffida dell'overfit: poche entries o edge solo full e +non-oos = rumore. Riporta ONESTAMENTE anche i fallimenti. + +` + API + +const SCHEMA = { + type: 'object', + properties: { + strategy: { type: 'string', description: 'nome + 1 frase: segnale frattale + gate regime' }, + family: { type: 'string' }, angle: { type: 'string' }, asset: { type: 'string' }, tf: { type: 'string' }, + trades: { type: 'integer' }, + full_ret: { type: 'number' }, oos_ret: { type: 'number' }, + full_sharpe: { type: 'number' }, oos_sharpe: { type: 'number' }, oos_dd: { type: 'number' }, + fee02_oos_ret: { type: 'number', description: 'OOS ret a fee 0.2% RT' }, + robust: { type: 'boolean', description: 'robust()=True' }, + promising: { type: 'boolean', description: 'vale una verifica avversariale (robust o quasi, non overfit)' }, + edge_desc: { type: 'string', description: 'perche funziona / perche e rumore, con i numeri' }, + }, + required: ['strategy', 'asset', 'tf', 'trades', 'oos_sharpe', 'robust', 'promising', 'edge_desc'], +} + +const FAMILIES = [ + ['hurst', 'Hurst regime: fade quando hurst<0.5 (anti-persistente), o trend quando hurst>0.5. Soglia hurst come segnale o gate.'], + ['higuchi', 'Fractal dimension Higuchi: FD alta = frastagliato/range (fade), FD bassa = liscio/trend (momentum).'], + ['williams', 'Williams pivot (frac_up/frac_dn, causali): fade del pivot (reversione allo swing) o breakout del pivot.'], + ['vratio', 'volatility_ratio: >1 espansione vol (breakout/fade del breakout), <1 compressione (range/squeeze).'], + ['analog', 'analog kNN sulla FORMA (puoi usare scripts.analysis.shape_lab.analog_signals(df,...)): forecast causale segno a H barre, gatealo col regime.'], + ['multiscale', 'multi-scala: combina hurst+higuchi+vratio in un indice di "regime frattale" (trend vs chop) come segnale.'], + ['candle', 'pattern candele frattali (src.fractal.patterns: extract_body_ratios/shadow, find_patterns): sequenze multi-barra come segnale.'], +] +const ANGLES = [ + ['none', 'NESSUN gate regime: segnale frattale puro (baseline per misurare il valore marginale del regime).'], + ['dvol_high', 'agisci solo con dvol_pct alto (>0.6..0.8): vol elevata (spesso mean-reversion piu forte).'], + ['dvol_low', 'agisci solo con dvol_pct basso (<0.3..0.4): calma/range.'], + ['vrp', 'VRP=vrp colonna: VRP>0 (vol sopravvalutata, analogo ARGO GEX+ -> range/fade); confronta con VRP<0. Gate o peso.'], + ['funding', 'funding_z estremo: troppi long (funding_z alto) -> fade ribassista; troppi short -> fade rialzista (flusso ARGO via perp).'], + ['dvol_chg', 'dvol_chg: DVOL in salita (espansione vol/stress -> trend) vs discesa (ritorno calma -> range).'], +] +const ASSETS = ['BTC', 'ETH'] + +phase('Search') +// 7 famiglie x 6 angoli x 2 asset = 84 agenti griglia +const gridSpecs = [] +for (const [fam, fdesc] of FAMILIES) + for (const [ang, adesc] of ANGLES) + for (const asset of ASSETS) + gridSpecs.push({ fam, fdesc, ang, adesc, asset }) + +const gridTasks = gridSpecs.map((s) => () => agent( + CONTEXT + + `\n\nIL TUO CELLA:\n- FAMIGLIA FRATTALE: ${s.fam} -> ${s.fdesc}\n- ANGOLO REGIME: ${s.ang} -> ${s.adesc}\n- ASSET: ${s.asset}\n\n` + + `Progetta la MIGLIORE strategia in questa cella: un SEGNALE basato sulla famiglia frattale ${s.fam}, ` + + `condizionato/interagito col regime ${s.ang}. Scrivi uno script in /tmp (cd /opt/docker/PythagorasGoal && ` + + `uv run python /tmp/.py), prova SIA TF=1h SIA TF=1d (e se vuoi 4h), itera 2-4 varianti di soglia/` + + `direzione/exit, e RIPORTA la migliore (quella con oos_sharpe piu alto e robust se possibile). Usa report()+robust(). ` + + `Privilegia mean-reversion (l'edge del progetto) ma testa anche momentum dove il regime lo motiva. ` + + `Mai look-ahead. Se tutto e rumore, dillo onestamente (promising=false). Ritorna lo schema.`, + { label: `srch:${s.fam}/${s.ang}/${s.asset}`, phase: 'Search', schema: SCHEMA })) + +// 8 wildcard: mandato aperto +const wildTasks = Array.from({ length: 8 }, (_, k) => () => agent( + CONTEXT + + `\n\nSEI UN AGENTE WILDCARD #${k + 1}. Mandato APERTO: inventa una combinazione FRATTALE-del-segnale x ` + + `REGIME-ARGO NON banale e non nella griglia ovvia. Idee: interazione hurst*vrp (mean-rev solo se ` + + `anti-persistente E vol sopravvalutata); Williams pivot come TP/SL adattivo gateato da dvol; analog kNN ` + + `pesato per funding; size/exit modulati dal regime; combinare 2 segnali frattali con conferma di regime. ` + + `Asset e TF a tua scelta (prova entrambi gli asset). Costruisci, testa onesto (report()+robust()), riporta ` + + `la migliore. Diversifica dagli altri: varia idea in base a #${k + 1}. Schema in output.`, + { label: `wild:${k + 1}`, phase: 'Search', schema: SCHEMA })) + +const searchResults = (await parallel([...gridTasks, ...wildTasks])).filter(Boolean) + +// survivor = robust, oppure promising con oos_sharpe alto e abbastanza trade +const survivors = searchResults.filter(r => + (r.robust || (r.promising && (r.oos_sharpe || 0) >= 1.0)) && (r.trades || 0) >= 30) +log(`Search: ${searchResults.length} testati, ${survivors.length} survivor da verificare`) + +phase('Verify') +const VSCHEMA = { + type: 'object', + properties: { + strategy: { type: 'string' }, confirmed: { type: 'boolean' }, + reason: { type: 'string', description: 'esito audit look-ahead + fee0.2% + altro asset + split alternativo' }, + oos_sharpe_recheck: { type: 'number' }, killed_by: { type: 'string' }, + }, + required: ['strategy', 'confirmed', 'reason'], +} +let verified = [] +if (survivors.length) { + verified = (await parallel(survivors.map(s => () => agent( + CONTEXT + + `\n\nVERIFICA AVVERSARIALE di un candidato survivor:\n${JSON.stringify(s, null, 1)}\n\n` + + `Tuo compito: PROVARE A FALSIFICARLO. (1) Ricostruisci la strategia (chiedi i dettagli dal suo edge_desc; ` + + `riusa regime_lab). (2) AUDIT look-ahead: ogni colonna/calcolo usa solo dati <= i? Il gate regime e' noto a i? ` + + `(3) Regge fee 0.2% RT in OOS? (4) Regge sull'ALTRO asset (se BTC prova ETH e viceversa)? (5) Regge a uno SPLIT ` + + `OOS alternativo (es. train<=2024, test 2025-26)? (6) Numero trade sufficiente e non concentrato in 1 anno? ` + + `Default a confirmed=FALSE se incerto o se sopravvive solo per overfit. Sii spietato. Schema in output.`, + { label: `verify:${(s.strategy || '').slice(0, 24)}`, phase: 'Verify', schema: VSCHEMA })))).filter(Boolean) +} +const confirmed = verified.filter(v => v.confirmed) + +phase('Synth') +const synthesis = await agent( + CONTEXT + + `\n\nHai i risultati di ${searchResults.length} agenti di ricerca e ${verified.length} verifiche avversariali.\n\n` + + `SURVIVOR CONFERMATI:\n${JSON.stringify(confirmed, null, 1)}\n\n` + + `TUTTI I SURVIVOR (anche non confermati):\n${JSON.stringify(survivors, null, 1)}\n\n` + + `TOP 15 per oos_sharpe fra tutti i testati:\n${JSON.stringify( + searchResults.slice().sort((a, b) => (b.oos_sharpe || 0) - (a.oos_sharpe || 0)).slice(0, 15), null, 1)}\n\n` + + `Produci la SINTESI FINALE (italiano) per il decisore: + 1) VERDETTO: esiste una strategia frattale x ARGO con edge validato OOS? quale/i (confermate)? + 2) Tabella dei top candidati: strategia, asset/tf, OOS Sharpe, OOS ret, DD, robust, confermato? + 3) Il regime ARGO (DVOL/VRP/funding) AGGIUNGE valore al segnale frattale (vs angolo 'none')? In quali celle? + 4) Cosa e' rumore e perche (coerente coi priori: frattali deboli, opzioni scartate). + 5) Se c'e un vincitore: piano di implementazione (file in scripts/strategies/, MODULE_MAP, validazione finale). + Se NON c'e: dillo chiaro, niente forzature. + Cita NUMERI reali (OOS Sharpe, ret, trades). Onesta brutale: deve battere PORT06, non solo essere >0.`, + { label: 'synthesis', phase: 'Synth' }) + +return { searchResults, survivors, confirmed, synthesis } diff --git a/scripts/analysis/regime_fetcher.py b/scripts/analysis/regime_fetcher.py new file mode 100644 index 0000000..5268f7e --- /dev/null +++ b/scripts/analysis/regime_fetcher.py @@ -0,0 +1,112 @@ +"""Fetch dati REGIME backtestabili da Deribit MAINNET (public, no-auth) -> parquet. + +Abilita la ricerca strategie frattali x regime (ARGO-proxy). Salva in data/raw/: + {btc,eth}_dvol.parquet : DVOL index 1h (IV 30d "VIX crypto"), storico ~2021->oggi + {btc,eth}_funding.parquet : funding rate perp 1h, storico ~2019->oggi + +Solo componenti ARGO con STORICO GRATUITO (DVOL, funding) -> validabili OOS. Il GEX +per-strike resta snapshot-only (vedi analisi 2026-06-01). Run: + uv run python scripts/analysis/regime_fetcher.py +""" +from __future__ import annotations + +import time +import urllib.request +import urllib.parse +import json +from pathlib import Path + +import pandas as pd + +ROOT = Path(__file__).resolve().parents[2] +RAW = ROOT / "data" / "raw" +BASE = "https://www.deribit.com/api/v2/public/" + + +def _get(method: str, params: dict) -> dict: + url = BASE + method + "?" + urllib.parse.urlencode(params) + for _ in range(4): + try: + with urllib.request.urlopen(url, timeout=30) as r: + return json.loads(r.read()) + except Exception: + time.sleep(1.0) + return {} + + +def fetch_dvol(currency: str, start_ms: int, end_ms: int, res: int = 3600) -> pd.DataFrame: + """DVOL index (OHLC). Cap 1000 righe/chiamata -> chaining all'indietro.""" + rows = [] + cur_end = end_ms + span = 1000 * res * 1000 + while cur_end > start_ms: + cur_start = max(start_ms, cur_end - span) + d = _get("get_volatility_index_data", { + "currency": currency, "start_timestamp": cur_start, + "end_timestamp": cur_end, "resolution": res}) + data = (d.get("result") or {}).get("data") or [] + if not data: + break + rows.extend(data) + oldest = min(x[0] for x in data) + if oldest >= cur_end: + break + cur_end = oldest - 1 + time.sleep(0.15) + if not rows: + return pd.DataFrame() + df = pd.DataFrame(rows, columns=["timestamp", "open", "high", "low", "close"]) + df = df.drop_duplicates("timestamp").sort_values("timestamp").reset_index(drop=True) + df["dvol"] = df["close"] + return df + + +def fetch_funding(instrument: str, start_ms: int, end_ms: int) -> pd.DataFrame: + """funding rate history perp (1h). Paginazione ~30g/chiamata.""" + rows = [] + cur_start = start_ms + step = 30 * 24 * 3600 * 1000 + while cur_start < end_ms: + cur_end = min(end_ms, cur_start + step) + d = _get("get_funding_rate_history", { + "instrument_name": instrument, + "start_timestamp": cur_start, "end_timestamp": cur_end}) + data = d.get("result") or [] + if data: + rows.extend(data) + cur_start = cur_end + 1 + time.sleep(0.12) + if not rows: + return pd.DataFrame() + df = pd.DataFrame(rows) + ts_col = "timestamp" if "timestamp" in df.columns else df.columns[0] + df = df.rename(columns={ts_col: "timestamp"}) + keep = [c for c in ("timestamp", "interest_1h", "interest_8h", "index_price", "prev_index_price") if c in df.columns] + df = df[keep].drop_duplicates("timestamp").sort_values("timestamp").reset_index(drop=True) + return df + + +def main(): + RAW.mkdir(parents=True, exist_ok=True) + now = _get("get_time", {}) + end_ms = int(now.get("result", 0)) or int(time.time() * 1000) + start_ms = end_ms - int(6.5 * 365 * 24 * 3600 * 1000) # ~6.5 anni + for cur, inst in (("BTC", "BTC-PERPETUAL"), ("ETH", "ETH-PERPETUAL")): + dv = fetch_dvol(cur, start_ms, end_ms) + if not dv.empty: + p = RAW / f"{cur.lower()}_dvol.parquet" + dv.to_parquet(p) + rng = (pd.to_datetime(dv['timestamp'].min(), unit='ms').date(), + pd.to_datetime(dv['timestamp'].max(), unit='ms').date()) + print(f" {cur} DVOL: {len(dv)} righe {rng[0]}->{rng[1]} (ora={dv['dvol'].iloc[-1]:.1f}) -> {p.name}") + fr = fetch_funding(inst, start_ms, end_ms) + if not fr.empty: + p = RAW / f"{cur.lower()}_funding.parquet" + fr.to_parquet(p) + rng = (pd.to_datetime(fr['timestamp'].min(), unit='ms').date(), + pd.to_datetime(fr['timestamp'].max(), unit='ms').date()) + print(f" {cur} FUNDING: {len(fr)} righe {rng[0]}->{rng[1]} -> {p.name}") + + +if __name__ == "__main__": + main() diff --git a/scripts/analysis/regime_lab.py b/scripts/analysis/regime_lab.py new file mode 100644 index 0000000..40a2257 --- /dev/null +++ b/scripts/analysis/regime_lab.py @@ -0,0 +1,191 @@ +"""regime_lab — API condivisa per la ricerca strategie FRATTALI x REGIME (ARGO-proxy). + +Allinea prezzo (OHLCV) + DVOL + funding in modo CAUSALE (no look-ahead: il valore di +regime alla barra i usa solo dati <= timestamp[i]) ed espone: + - feature REGIME (ARGO-proxy backtestabili): dvol, dvol_pct (percentile rolling), + rv (realized vol), vrp = dvol - rv, funding, funding_z, dvol_chg (proxy term-structure). + - feature FRATTALI (src/fractal): rolling_hurst, higuchi, self_similarity, volatility_ratio, + williams fractals (pivot), candle encoding. + - validazione: report(name, entries, df) -> full/oos netto-fee + robustezza griglia/fee, + riusando l'engine onesto di explore_lab (simulate/evaluate). + +Convenzione entries (come explore_lab): lista di dict {i, d (+1/-1), tp, sl, max_bars}. +Ingresso ESEGUIBILE: i, d, tp, sl decisi con dati <= close[i]. + +Uso tipico in un agente: + from scripts.analysis.regime_lab import load, report, regime_features, frac_features + df = load("BTC", "1h") # OHLCV + colonne regime allineate + R = regime_features(df); F = frac_features(df) + entries = [...] # la tua logica + print(report("MIA_STRATEGIA", entries, df)) +""" +from __future__ import annotations + +import sys +from pathlib import Path + +import numpy as np +import pandas as pd + +ROOT = Path(__file__).resolve().parents[2] +sys.path.insert(0, str(ROOT)) + +from scripts.analysis.explore_lab import get_df, simulate, evaluate, atr, ema, rsi # noqa: E402 +from src.fractal.indicators import ( # noqa: E402 + rolling_hurst, fractal_dimension_higuchi, self_similarity_score, volatility_ratio, +) + +RAW = ROOT / "data" / "raw" + + +# --------------------------------------------------------------------------- dati +def _load_regime_series(asset: str) -> tuple[pd.DataFrame, pd.DataFrame]: + a = asset.lower() + dvol = pd.read_parquet(RAW / f"{a}_dvol.parquet") if (RAW / f"{a}_dvol.parquet").exists() else pd.DataFrame() + fund = pd.read_parquet(RAW / f"{a}_funding.parquet") if (RAW / f"{a}_funding.parquet").exists() else pd.DataFrame() + return dvol, fund + + +def load(asset: str, tf: str) -> pd.DataFrame: + """OHLCV (explore_lab.get_df) + colonne regime allineate CAUSALMENTE (merge_asof backward). + Ogni barra prezzo riceve l'ultimo DVOL/funding con timestamp <= timestamp barra.""" + df = get_df(asset, tf).copy() + df["timestamp"] = df["timestamp"].astype("int64") + dvol, fund = _load_regime_series(asset) + if not dvol.empty: + d = dvol[["timestamp", "dvol"]].astype({"timestamp": "int64"}).sort_values("timestamp") + df = pd.merge_asof(df.sort_values("timestamp"), d, on="timestamp", direction="backward") + else: + df["dvol"] = np.nan + if not fund.empty: + col = "interest_1h" if "interest_1h" in fund.columns else fund.columns[1] + f = fund[["timestamp", col]].astype({"timestamp": "int64"}).rename(columns={col: "funding"}).sort_values("timestamp") + df = pd.merge_asof(df.sort_values("timestamp"), f, on="timestamp", direction="backward") + else: + df["funding"] = np.nan + return df.reset_index(drop=True) + + +# ---------------------------------------------------------------- feature REGIME +def _rolling_pct(x: np.ndarray, win: int) -> np.ndarray: + """Percentile rolling CAUSALE: rank di x[i] nella finestra [i-win, i] (solo passato).""" + s = pd.Series(x) + return s.rolling(win, min_periods=max(20, win // 4)).apply( + lambda w: (w.iloc[-1] >= w).mean(), raw=False).values + + +def regime_features(df: pd.DataFrame, pct_win: int = 252, rv_win: int = 24, fund_win: int = 168) -> dict: + """Tutte causali. dvol_pct/funding_z usano solo finestra passata. vrp = dvol - rv annualizz.""" + c = df["close"].values.astype(float) + dvol = df["dvol"].values.astype(float) + fund = df["funding"].values.astype(float) + ret = np.zeros_like(c); ret[1:] = np.diff(np.log(c)) + # realized vol annualizzata (in punti %, scala come DVOL): std rolling * sqrt(barre/anno) + bars_per_year = {1: 24 * 365}.get(1, 24 * 365) # default 1h; per tf diversi e' un proxy + rv = pd.Series(ret).rolling(rv_win).std().values * np.sqrt(24 * 365) * 100 + dvol_pct = _rolling_pct(dvol, pct_win) + fmean = pd.Series(fund).rolling(fund_win).mean().values + fstd = pd.Series(fund).rolling(fund_win).std().values + funding_z = (fund - fmean) / np.where(fstd == 0, np.nan, fstd) + dvol_chg = pd.Series(dvol).diff(rv_win).values # proxy term-structure (DVOL in salita/discesa) + return { + "dvol": dvol, "dvol_pct": dvol_pct, "rv": rv, "vrp": dvol - rv, + "funding": fund, "funding_z": funding_z, "dvol_chg": dvol_chg, + } + + +# --------------------------------------------------------------- feature FRATTALI +def williams_fractals(df: pd.DataFrame, k: int = 2) -> tuple[np.ndarray, np.ndarray]: + """Pivot di Bill Williams: frac_up[i]=high[i] e' il max delle 2k+1 barre centrate (causale a i+k). + Ritorna due array bool (up=swing high confermato, dn=swing low). Confermati con ritardo k.""" + h, l = df["high"].values, df["low"].values + n = len(h) + up = np.zeros(n, bool); dn = np.zeros(n, bool) + for i in range(k, n - k): + if h[i] == max(h[i - k:i + k + 1]): + up[i] = True + if l[i] == min(l[i - k:i + k + 1]): + dn[i] = True + return up, dn + + +def frac_features(df: pd.DataFrame, hurst_win: int = 100, higuchi_win: int = 64, + step: int = 1) -> dict: + """Feature frattali rolling, CAUSALI (finestra passata che termina a i). step>1: calcola + ogni `step` barre e fa forward-fill (i frattali variano lentamente) -> molto piu' veloce.""" + c = df["close"].values.astype(float) + n = len(c) + hurst = rolling_hurst(c, window=hurst_win, step=step) # gia' causale + stepped (src/fractal) + vratio = np.full(n, np.nan) + higuchi = np.full(n, np.nan) + last_hi = last_vr = np.nan + for i in range(higuchi_win, n): + if (i - higuchi_win) % step == 0: + last_hi = fractal_dimension_higuchi(c[i - higuchi_win:i]) + last_vr = volatility_ratio(c[max(0, i - 60):i]) + higuchi[i] = last_hi + vratio[i] = last_vr + up, dn = williams_fractals(df) + return {"hurst": hurst, "higuchi": higuchi, "vratio": vratio, + "frac_up": up, "frac_dn": dn} + + +# ------------------------------------------------------------------------- cache +_FEATCOLS_R = ("dvol", "dvol_pct", "rv", "vrp", "funding", "funding_z", "dvol_chg") +_FEATCOLS_F = ("hurst", "higuchi", "vratio", "frac_up", "frac_dn") + + +def _cache_path(asset: str, tf: str) -> Path: + return RAW / f"features_{asset.lower()}_{tf}.parquet" + + +def build_cache(asset: str, tf: str, frac_step: int = 6) -> pd.DataFrame: + """Precompute OHLCV + regime + frattali -> parquet condiviso (per i 100 agenti).""" + df = load(asset, tf) + R = regime_features(df) + F = frac_features(df, step=frac_step) + for k in _FEATCOLS_R: + df[k] = R[k] + for k in _FEATCOLS_F: + df[k] = F[k] + p = _cache_path(asset, tf) + df.to_parquet(p) + return df + + +def load_features(asset: str, tf: str) -> pd.DataFrame: + """Carica la cache feature (la costruisce se manca). OHLCV + tutte le colonne regime+frattali.""" + p = _cache_path(asset, tf) + if p.exists(): + return pd.read_parquet(p) + return build_cache(asset, tf) + + +# ------------------------------------------------------------------- validazione +def report(name: str, entries: list[dict], df: pd.DataFrame, asset: str = "", tf: str = "") -> dict: + """Netto-fee full + OOS (ultimo 30%) + sweep fee, via engine onesto di explore_lab. + Ritorna dict compatto: trades, full/oos (ret%, sharpe, dd, acc), robust (OK su tutte le fee).""" + if not entries: + return {"name": name, "trades": 0, "verdict": False, "note": "no entries"} + ev = evaluate(name, entries, df) # full + oos + fee sweep + return ev + + +if __name__ == "__main__": + # smoke: una fade Bollinger gateata dal regime (DVOL alto) come esempio d'uso + df = load("BTC", "1h") + R = regime_features(df); F = frac_features(df) + c = df["close"].values + ma = pd.Series(c).rolling(50).mean().values + sd = pd.Series(c).rolling(50).std().values + a = atr(df, 14) + ent = [] + for i in range(300, len(c) - 1): + if np.isnan(sd[i]) or np.isnan(R["dvol_pct"][i]): + continue + if R["dvol_pct"][i] < 0.6: # gate: solo regime DVOL alto + continue + if c[i] < ma[i] - 2.5 * sd[i]: # fade banda bassa + ent.append({"i": i, "d": 1, "tp": ma[i], "sl": c[i] - 2 * a[i], "max_bars": 24}) + print(f"smoke BTC 1h fade|DVOL>p60: {len(ent)} entries") + print(report("SMOKE", ent, df)) From 5f229cd66e6bfff4dd12e96a735fc7c06c959b30 Mon Sep 17 00:00:00 2001 From: Adriano Dal Pastro Date: Tue, 2 Jun 2026 00:08:33 +0000 Subject: [PATCH 2/4] fix(regime_lab): vrp annualizzato per timeframe + report() safe su 0 entries Co-Authored-By: Claude Opus 4.8 (1M context) --- scripts/analysis/regime_lab.py | 26 +++++++++++++++++--------- 1 file changed, 17 insertions(+), 9 deletions(-) diff --git a/scripts/analysis/regime_lab.py b/scripts/analysis/regime_lab.py index 40a2257..e7de80d 100644 --- a/scripts/analysis/regime_lab.py +++ b/scripts/analysis/regime_lab.py @@ -74,15 +74,20 @@ def _rolling_pct(x: np.ndarray, win: int) -> np.ndarray: lambda w: (w.iloc[-1] >= w).mean(), raw=False).values -def regime_features(df: pd.DataFrame, pct_win: int = 252, rv_win: int = 24, fund_win: int = 168) -> dict: - """Tutte causali. dvol_pct/funding_z usano solo finestra passata. vrp = dvol - rv annualizz.""" +_BARS_PER_YEAR = {"1h": 24 * 365, "4h": 6 * 365, "1d": 365} + + +def regime_features(df: pd.DataFrame, tf: str = "1h", pct_win: int = 252, rv_win: int = 24, + fund_win: int = 168) -> dict: + """Tutte causali. dvol_pct/funding_z usano solo finestra passata. vrp = dvol - rv annualizz. + tf serve ad annualizzare correttamente la realized vol (sqrt barre/anno per timeframe).""" c = df["close"].values.astype(float) dvol = df["dvol"].values.astype(float) fund = df["funding"].values.astype(float) ret = np.zeros_like(c); ret[1:] = np.diff(np.log(c)) - # realized vol annualizzata (in punti %, scala come DVOL): std rolling * sqrt(barre/anno) - bars_per_year = {1: 24 * 365}.get(1, 24 * 365) # default 1h; per tf diversi e' un proxy - rv = pd.Series(ret).rolling(rv_win).std().values * np.sqrt(24 * 365) * 100 + # realized vol annualizzata (punti %, scala come DVOL): std rolling * sqrt(barre/anno del tf) + bpy = _BARS_PER_YEAR.get(tf, 24 * 365) + rv = pd.Series(ret).rolling(rv_win).std().values * np.sqrt(bpy) * 100 dvol_pct = _rolling_pct(dvol, pct_win) fmean = pd.Series(fund).rolling(fund_win).mean().values fstd = pd.Series(fund).rolling(fund_win).std().values @@ -142,7 +147,7 @@ def _cache_path(asset: str, tf: str) -> Path: def build_cache(asset: str, tf: str, frac_step: int = 6) -> pd.DataFrame: """Precompute OHLCV + regime + frattali -> parquet condiviso (per i 100 agenti).""" df = load(asset, tf) - R = regime_features(df) + R = regime_features(df, tf=tf) F = frac_features(df, step=frac_step) for k in _FEATCOLS_R: df[k] = R[k] @@ -166,9 +171,12 @@ def report(name: str, entries: list[dict], df: pd.DataFrame, asset: str = "", tf """Netto-fee full + OOS (ultimo 30%) + sweep fee, via engine onesto di explore_lab. Ritorna dict compatto: trades, full/oos (ret%, sharpe, dd, acc), robust (OK su tutte le fee).""" if not entries: - return {"name": name, "trades": 0, "verdict": False, "note": "no entries"} - ev = evaluate(name, entries, df) # full + oos + fee sweep - return ev + # struttura compatibile con robust() (tutti zero) -> robust()=False pulito, niente crash + z = {"ret": 0.0, "sharpe": 0.0, "dd": 0.0, "trades": 0, "win": 0.0, "exposure": 0.0, "yearly": {}} + print(f" {name:<24s} NO ENTRIES") + return {"full": dict(z), "oos": dict(z), "sweep": {0.0: 0.0, 0.0005: 0.0, 0.001: 0.0, 0.002: 0.0}, + "sweep_oos": {0.0: 0.0, 0.0005: 0.0, 0.001: 0.0, 0.002: 0.0}, "pos_yrs": 0, "n_yrs": 0} + return evaluate(name, entries, df) # full + oos + fee sweep if __name__ == "__main__": From 70057635172b386791f1c4bd9cd8e9806d6b78c3 Mon Sep 17 00:00:00 2001 From: Adriano Dal Pastro Date: Tue, 2 Jun 2026 07:22:10 +0000 Subject: [PATCH 3/4] feat(research): FR01 Hurst-Calm Fade + analisi per-anno/mercato (ricerca 100 agenti) Esito ricerca frattali x regime ARGO (171 agenti): - FR01_hurst_calm_fade.py: vincitore = fade gateato da hurst<0.55 (anti-persistente) + dvol_pct<0.4 (DVOL bassa). OOS Sharpe 3.73 BTC, 6/6 anni positivi su BTC+ETH, corr bassa coi fade esistenti (MR01 +0.17/MR02 +0.08/MR07 -0.03) -> diversificatore non ridondante. - fractal_argo_peryear.py: analisi per-anno/regime-mercato dei top candidati. - diario 2026-06-02: verdetto completo. Finding chiave: prior ARGO 'VRP>0=range=fade' SMENTITO, l'edge robusto e' su VRP<0 + DVOL bassa. Diversificatori, NON spodestano PORT06 (OOS Sharpe 8.19). Branch di ricerca. Deploy bloccato da: verifica corr sul MASTER intero + wiring DVOL live nel runner. Co-Authored-By: Claude Opus 4.8 (1M context) --- docs/diary/2026-06-02-fractal-argo-search.md | 75 +++++++++++ scripts/analysis/fractal_argo_peryear.py | 86 +++++++++++++ scripts/strategies/FR01_hurst_calm_fade.py | 123 +++++++++++++++++++ 3 files changed, 284 insertions(+) create mode 100644 docs/diary/2026-06-02-fractal-argo-search.md create mode 100644 scripts/analysis/fractal_argo_peryear.py create mode 100644 scripts/strategies/FR01_hurst_calm_fade.py diff --git a/docs/diary/2026-06-02-fractal-argo-search.md b/docs/diary/2026-06-02-fractal-argo-search.md new file mode 100644 index 0000000..8e6d917 --- /dev/null +++ b/docs/diary/2026-06-02-fractal-argo-search.md @@ -0,0 +1,75 @@ +# 2026-06-02 — Ricerca a 100 agenti: Frattali del segnale × Regime ARGO + +> Workflow multi-agente (171 agenti, 8,4M token, ~7h) per cercare una strategia che combini +> un SEGNALE FRATTALE con un GATE/INTERAZIONE DI REGIME ARGO (DVOL/funding/VRP), validata OOS. +> Branch: `feat/fractal-argo-search`. Substrato e codice sul branch, niente impatto su main/live. + +## Substrato costruito +- `regime_fetcher.py`: DVOL (2021-03→oggi) + funding (2019→oggi) BTC/ETH da **Deribit mainnet + public** (no-auth, OI/IV reali — non il testnet farlocco di Cerbero). +- `regime_lab.py`: allineamento regime↔prezzo **causale no-look-ahead** (merge_asof backward), + feature regime (dvol_pct, **vrp=dvol−rv**, funding_z, dvol_chg) + frattali (rolling Hurst, + Higuchi FD, vol-ratio, Williams pivot), cache feature precalcolate, validazione netto-fee OOS + via `explore_lab`. Bug corretto in corsa: `vrp` annualizzava la realized-vol sempre come 1h → + rotta su 4h/1d (sempre negativa); fix per timeframe. +- `fractal_argo_workflow.js`: 84 agenti griglia (7 famiglie frattali × 6 angoli regime × BTC/ETH) + + 8 wildcard + verifica avversariale dei survivor + sintesi. + +## Verdetto + +**Esistono edge frattale×regime reali, causali, robusti** (15 confermati dalla batteria +avversariale: audit look-ahead bit-esatto, cross-asset, split alternativo, fee 0.2% RT, plateau). +**MA nessuno batte PORT06 standalone** (OOS Sharpe 8,19 / DD 2,3%): sono **diversificatori a +bassa esposizione** (1,5-8%, ~100-460 trade), profilo SH01/pairs. + +### Top candidati confermati +| Strategia | Asset/TF | OOS Sharpe | OOS DD | trade | +|-----------|----------|:--:|:--:|:--:| +| FRAC-VRP multiscala (chop × VRP<0) | ETH 1h | 5,55 | 11% | 184 | +| HigVRP-Fade (Higuchi alto × VRP<0) | BTC 1h | 4,55 | 7,2% | 286 | +| **HurstCalmFade (hurst<0,55 × dvol<0,4)** | BTC 1h | **3,73** | 5,1% | 198 | +| WILD8 Pivot-Hurst | BTC 4h | 3,87 | 10% | 482 | +| AnalogFundingFade (kNN forma × funding) | ETH 4h | 2,15 | 9,3% | 229 | + +## Il finding chiave (controintuitivo): il prior ARGO è SMENTITO + +La tesi naïve **"VRP>0 = GEX+ = range = fade" FALLISCE** sistematicamente. L'edge robusto e +ripetuto è su **VRP<0** (vol implicita *sottoprezzata* vs realizzata → mean-reversion whippy) e su +**DVOL bassa**, l'opposto del brief. Gate invertito VRP>0 → Sharpe −2,08/−1,30 su entrambi gli +asset. È il risultato più solido di tutta la ricerca, look-ahead-clean (lag-1/3/6 robusto). + +## Cosa aggiunge valore vs cosa è decorativo +- **Load-bearing (confermato per ablazione):** VRP<0; hurst-low × dvol-low (HurstCalmFade taglia + DD OOS 17%→5%); funding_z estremo |fz|≥1,8 (analog ETH 4h). +- **Decorativo (DD-reducer, non interazione):** dvol_chg, dvol_high/low e funding come gate spesso + riducono solo esposizione senza migliorare il segno. + +## Cosa è RUMORE (conferma i priori del progetto) +- Frattali da soli (angolo=none): hurst/Higuchi/vratio/chop/candle/analog intraday → non robusti + (DD 30-90%, muoiono di fee). Conferma `shape_lab`. +- Momentum/breakout gateato (hurst>0,6, dvol-rising): catastrofico (Sharpe −2…−7) → riconferma + dominanza mean-reversion, i breakout rientrano. +- ARGO-GEX nella direzione attesa (VRP>0): perde. Coerente con W18/19/21 scartate. +- Pivot-fade non-laggato (frac_up[i]): artefatto squeeze-like, va sempre laggato a i−2. + +## Vincitore selezionato + test decisivo + +**FR01 HurstCalmFade BTC 1h** (`scripts/strategies/FR01_hurst_calm_fade.py`): il più verificato, +DD più basso (5,1% OOS), generalizza a ETH. **Test di correlazione decisivo** (la domanda che +conta: aggiungerlo migliora il PORT06 o è ridondante?): correlazione daily-returns coi fade +esistenti **MR01 +0,17 / MR02 +0,08 / MR07 −0,03** → **BASSA, quasi-ortogonale**, NON ridondante. +Passa il gate → vale l'inserimento come diversificatore. + +## Onestà finale +L'edge frattale×regime è **reale, causale, robusto** ma è sempre **mean-reversion già nota +condizionata dal regime (VRP<0 / hurst-low / dvol-low)**, non un motore ortogonale nuovo. Valore = +**riduzione DD aggregato come sleeve a bassa esposizione**. La correlazione bassa lo qualifica come +diversificatore reale. + +## Resta da fare prima del deploy (NON ancora superato) +1. Verifica di correlazione formale sull'**intero MASTER** (`combine_v2.py`), non solo vs le 3 + fade BTC — confermare che migliora Sharpe/DD OOS del PORT06. +2. **Wiring DVOL live**: il gate dipende da dvol_pct; il backtest usa la cache `regime_lab`, ma il + runner live non ha un feed DVOL. Va costruito (regime_fetcher in produzione + allineamento + causale) prima di tradare FR01 live. +3. Walk-forward per-finestra + replay worker == backtest + exit intrabar via StrategyWorker. diff --git a/scripts/analysis/fractal_argo_peryear.py b/scripts/analysis/fractal_argo_peryear.py new file mode 100644 index 0000000..ea44e46 --- /dev/null +++ b/scripts/analysis/fractal_argo_peryear.py @@ -0,0 +1,86 @@ +import sys; sys.path.insert(0,".") +import numpy as np, pandas as pd +from scripts.analysis.regime_lab import load_features +from scripts.analysis.explore_lab import atr + +FEE=0.001; LEV=3 + +def build(df, gate, k=2.5, sl_atr=2.0, mb=24, bb=50): + c=df['close'].values; a=atr(df,14) + ma=pd.Series(c).rolling(bb).mean().values; sd=pd.Series(c).rolling(bb).std().values + ent=[] + for i in range(bb+14,len(c)-1): + if np.isnan(sd[i]) or sd[i]==0 or np.isnan(a[i]): continue + if not gate(df,i): continue + if c[i]ma[i]+k*sd[i]: d,sl=-1,c[i]+sl_atr*a[i] + else: continue + ent.append({'i':i,'d':d,'tp':ma[i],'sl':sl,'mb':mb}) + return ent + +def per_year(df, ent): + """replay intrabar fedele (sl-first, tp, poi max_bars@close) -> per anno {n,ret%,win%}.""" + h=df['high'].values; l=df['low'].values; c=df['close'].values + ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True) + Y={} + last=-1 + for e in ent: + i=e['i'] + if i<=last: continue + d=e['d']; tp=e['tp']; sl=e['sl']; j=min(i+e['mb'],len(c)-1) + exit_p=c[j] + for t in range(i+1,j+1): + if d==1: + if l[t]<=sl: exit_p=sl; j=t; break + if h[t]>=tp: exit_p=tp; j=t; break + else: + if h[t]>=sl: exit_p=sl; j=t; break + if l[t]<=tp: exit_p=tp; j=t; break + ret=(exit_p-c[i])/c[i]*d*LEV - FEE*LEV + last=j; yr=ts.iloc[i].year + if yr not in Y: Y[yr]=[0,0.0,0] + Y[yr][0]+=1; Y[yr][1]+=ret*100; Y[yr][2]+= (ret>0) + return Y + +# gate functions +def g_hurst_calm(df,i): return df['hurst'].iloc[i]<0.55 and not np.isnan(df['dvol_pct'].iloc[i]) and df['dvol_pct'].iloc[i]<0.40 +def g_vrp_neg(df,i): return not np.isnan(df['vrp'].iloc[i]) and df['vrp'].iloc[i]<0 +def g_hig_vrp(df,i): + hi=df['higuchi'].iloc[i]; return (not np.isnan(hi)) and hi>1.5 and (not np.isnan(df['vrp'].iloc[i])) and df['vrp'].iloc[i]<0 +def g_none(df,i): return True + +STRATS=[("HurstCalmFade (hurst<.55 & DVOL1.5 & VRP<0)",g_hig_vrp), + ("Fade NUDA (no gate, baseline)",g_none)] + +# regime mercato BTC per anno (da BTC close annuale) +btc=load_features("BTC","1d") +bts=pd.to_datetime(btc['timestamp'],unit='ms',utc=True); bc=btc['close'].values +mkt={} +for yr in range(2021,2027): + m=(bts.dt.year==yr).values + if m.sum()>5: + r=(bc[m][-1]/bc[m][0]-1)*100 + mkt[yr]=("BULL" if r>40 else "BEAR" if r<-30 else "RANGE", r) + +for asset in ("BTC","ETH"): + df=load_features(asset,"1h") + print(f"\n{'='*78}\n {asset} 1h — performance per anno (somma ret% per-trade, netto leva3x+fee0.10%)\n{'='*78}") + print(f" {'Strategia':<40} " + " ".join(f"{y}" for y in range(2021,2027))) + for name,g in STRATS: + ent=build(df,g); Y=per_year(df,ent) + cells=[] + for y in range(2021,2027): + if y in Y and Y[y][0]>0: + cells.append(f"{Y[y][1]:+5.0f}") + else: cells.append(" . ") + print(f" {name:<40} " + " ".join(cells)) + # riga trades/anno per la strategia principale + ent=build(df,g_hurst_calm); Y=per_year(df,ent) + tr=" ".join(f"{Y.get(y,[0])[0]:>5}" for y in range(2021,2027)) + print(f" {'(HurstCalmFade trades/anno)':<40} {tr}") + +print(f"\n REGIME MERCATO BTC per anno (ret% annuale prezzo):") +for y in range(2021,2027): + if y in mkt: print(f" {y}: {mkt[y][0]:6} ({mkt[y][1]:+.0f}%)") diff --git a/scripts/strategies/FR01_hurst_calm_fade.py b/scripts/strategies/FR01_hurst_calm_fade.py new file mode 100644 index 0000000..5d27faa --- /dev/null +++ b/scripts/strategies/FR01_hurst_calm_fade.py @@ -0,0 +1,123 @@ +"""FR01 — Hurst-Calm Fade (FRATTALE x REGIME). Esito della ricerca a 100 agenti (2026-06-02). + +Fade della banda di Bollinger (k=2.5 su SMA50, TP=media, SL=2*ATR, max_bars=24) ATTIVATO +SOLO quando coincidono due condizioni di regime: + - FRATTALE: rolling Hurst < 0.55 (regime anti-persistente -> la mean-reversion ha senso + fratalmente; con Hurst>0.55 il fade peggiora, il momentum perde comunque). + - VOLATILITA: dvol_pct < 0.40 (DVOL nel terzile basso del suo storico -> regime calmo/range). + +Doppio gate frattale x regime: l'INTERAZIONE e' l'ingrediente attivo, non il fade di per se' +(ablation: senza gate Sharpe ~0.8 e muore a fee 0.2% RT; col doppio gate OOS Sharpe ~3.7). + +VALIDAZIONE (netto fee 0.10% RT, leva 3x, OOS ultimo 30%, ricerca fractal_argo_workflow): + BTC 1h: 198 trade, FULL +100% / OOS +54% / Sharpe OOS 3.73 / DD OOS 5.1% / 6/6 anni positivi, + regge fee 0.2% RT. Confermato avversarialmente (no look-ahead, split alternativo). + Generalizza a ETH 1h (Sharpe ~2.6, secondario). 4h/1d = rumore (pochi trade). + Correlazione coi fade esistenti BASSA: MR01 +0.17, MR02 +0.08, MR07 -0.03 -> DIVERSIFICATORE + quasi-ortogonale (profilo SH01/pairs), NON ridondante. Esposizione ~1-9% -> low-frequency. + +RUOLO: diversificatore a basso DD per il MASTER/PORT06, NON motore standalone (non batte il +portafoglio da solo). Coerente coi priori: i frattali da soli sono rumore; il valore e' nel +gating del regime. NB il prior ARGO "VRP>0=range=fade" e' SMENTITO: l'edge robusto e' su VRP<0 +e su DVOL bassa (questo gate dvol_pct<0.4), non su vol alta. + +DIPENDENZA REGIME (caveat deploy): il gate usa DVOL/dvol_pct. Per il BACKTEST le feature +arrivano da regime_lab (cache da Deribit mainnet). Per il LIVE serve un feed DVOL in produzione +(regime_fetcher + allineamento causale nel runner) -> wiring NON ancora fatto. Finche' manca, +FR01 e' validata-in-ricerca ma non deployabile live. + +Run backtest: uv run python scripts/strategies/FR01_hurst_calm_fade.py +""" +from __future__ import annotations + +import sys +from pathlib import Path + +import numpy as np +import pandas as pd + +PROJECT_ROOT = Path(__file__).resolve().parents[2] +sys.path.insert(0, str(PROJECT_ROOT)) + +from src.strategies.base import Strategy, Signal # noqa: E402 +from src.fractal.indicators import rolling_hurst # noqa: E402 + + +def _atr(df: pd.DataFrame, n: int = 14) -> np.ndarray: + h, l, c = df["high"].values, df["low"].values, df["close"].values + pc = np.roll(c, 1); pc[0] = c[0] + tr = np.maximum(h - l, np.maximum(np.abs(h - pc), np.abs(l - pc))) + return pd.Series(tr).rolling(n).mean().values + + +class HurstCalmFade(Strategy): + name = "FR01_hurst_calm_fade" + description = "Fade Bollinger gateato da Hurst<0.55 (anti-persistente) + DVOL bassa (calm)" + default_assets = ["BTC", "ETH"] + default_timeframes = ["1h"] + fee_rt = 0.001 + leverage = 3.0 + position_size = 0.15 + initial_capital = 1000.0 + + def generate_signals(self, df: pd.DataFrame, ts: pd.DatetimeIndex, **params) -> list[Signal]: + bb_w = params.get("bb_window", 50) + k = params.get("k", 2.5) + sl_atr = params.get("sl_atr", 2.0) + max_bars = params.get("max_bars", 24) + hurst_thr = params.get("hurst_thr", 0.55) + hurst_win = params.get("hurst_win", 100) + dvol_pct_thr = params.get("dvol_pct_thr", 0.40) + + c = df["close"].values.astype(float) + n = len(c) + ma = pd.Series(c).rolling(bb_w).mean().values + sd = pd.Series(c).rolling(bb_w).std().values + a = _atr(df, 14) + hurst = rolling_hurst(c, window=hurst_win) # causale (returns[i-win:i]) + # dvol_pct: dalla colonna se presente (regime_lab.load_features), altrimenti gate OFF + dvol_pct = df["dvol_pct"].values if "dvol_pct" in df.columns else np.full(n, np.nan) + + signals: list[Signal] = [] + for i in range(bb_w + 14, n): + if np.isnan(sd[i]) or np.isnan(a[i]) or sd[i] == 0: + continue + # GATE FRATTALE x REGIME (tutto noto a i) + if hurst[i] >= hurst_thr: + continue + if "dvol_pct" in df.columns: + if np.isnan(dvol_pct[i]) or dvol_pct[i] >= dvol_pct_thr: + continue + up, lo = ma[i] + k * sd[i], ma[i] - k * sd[i] + if c[i] < lo: + d, sl = 1, c[i] - sl_atr * a[i] + elif c[i] > up: + d, sl = -1, c[i] + sl_atr * a[i] + else: + continue + signals.append(Signal( + idx=i, direction=d, entry_price=float(c[i]), + metadata={"tp": float(ma[i]), "sl": float(sl), "max_bars": int(max_bars)}, + )) + return signals + + +if __name__ == "__main__": + # backtest via l'harness onesto + feature di regime_lab (DVOL reale) + from scripts.analysis.regime_lab import load_features, report + from scripts.analysis.explore_lab import robust + + strat = HurstCalmFade() + print(f"{'=' * 100}") + print(f" FR01 HURST-CALM FADE — netto fee {strat.fee_rt*100:.2f}% RT, leva {strat.leverage:.0f}x") + print(f" gate: hurst<0.55 (anti-persistente) + dvol_pct<0.40 (DVOL bassa)") + print(f"{'=' * 100}") + for asset in ("BTC", "ETH"): + df = load_features(asset, "1h") + ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True) + sigs = strat.generate_signals(df, ts) + ent = [{"i": s.idx, "d": s.direction, "tp": s.metadata["tp"], + "sl": s.metadata["sl"], "max_bars": s.metadata["max_bars"]} for s in sigs] + res = report(f"FR01_{asset}_1h", ent, df) + print(f" -> {asset}: robust={robust(res)} OOS Sharpe={res['oos']['sharpe']:.2f} " + f"OOS ret={res['oos']['ret']:+.0f}% DD={res['full']['dd']:.0f}%") From 8fd8f64368db46a54738bf0bc7e2aeb2c82d3d54 Mon Sep 17 00:00:00 2001 From: Adriano Dal Pastro Date: Tue, 2 Jun 2026 11:48:02 +0000 Subject: [PATCH 4/4] test(research): FR01 NON migliora PORT06 (verdetto decisivo) Contributo marginale al MASTER (equal-weight): OOS Sharpe 8.89->8.72 (diluisce), OOS ret +175%->+156%. Corr FR01 vs MASTER +0.18/+0.23. Sharpe daily-return standalone ~1.85 (non il 3.73 per-trade) -> troppo basso per un PORT06 a 8.89. Ridondanza robusta. ESITO: search a 100 agenti rigoroso, ma nessuna strategia migliora PORT06. Deploy abbandonato, resta record di ricerca sul branch. Co-Authored-By: Claude Opus 4.8 (1M context) --- docs/diary/2026-06-02-fractal-argo-search.md | 28 +++++++--- scripts/analysis/fractal_argo_master_corr.py | 54 ++++++++++++++++++++ 2 files changed, 75 insertions(+), 7 deletions(-) create mode 100644 scripts/analysis/fractal_argo_master_corr.py diff --git a/docs/diary/2026-06-02-fractal-argo-search.md b/docs/diary/2026-06-02-fractal-argo-search.md index 8e6d917..8edf22d 100644 --- a/docs/diary/2026-06-02-fractal-argo-search.md +++ b/docs/diary/2026-06-02-fractal-argo-search.md @@ -66,10 +66,24 @@ condizionata dal regime (VRP<0 / hurst-low / dvol-low)**, non un motore ortogona **riduzione DD aggregato come sleeve a bassa esposizione**. La correlazione bassa lo qualifica come diversificatore reale. -## Resta da fare prima del deploy (NON ancora superato) -1. Verifica di correlazione formale sull'**intero MASTER** (`combine_v2.py`), non solo vs le 3 - fade BTC — confermare che migliora Sharpe/DD OOS del PORT06. -2. **Wiring DVOL live**: il gate dipende da dvol_pct; il backtest usa la cache `regime_lab`, ma il - runner live non ha un feed DVOL. Va costruito (regime_fetcher in produzione + allineamento - causale) prima di tradare FR01 live. -3. Walk-forward per-finestra + replay worker == backtest + exit intrabar via StrategyWorker. +## TEST DECISIVO SUL MASTER — VERDETTO FINALE: NON deployare + +Misurato il contributo marginale di FR01 al PORT06 intero (equal-weight, `master_corr`): + +| Portafoglio | FULL Sharpe | OOS Sharpe | OOS DD | OOS ret | +|-------------|:--:|:--:|:--:|:--:| +| PORT06 (17 sleeve) | 6,62 | **8,89** | 1,2% | +175% | +| PORT06 + FR01 (19) | 6,55 | **8,72** | 1,1% | +156% | + +**FR01 NON migliora il PORT06: lo DILUISCE** (OOS Sharpe 8,89→8,72, OOS ret +175%→+156%; DD +marginalmente meglio 1,2→1,1% ma a costo di Sharpe). Corr FR01 vs MASTER +0,18 (BTC)/+0,23 (ETH). + +**Causa + nota di onestà metrica:** lo Sharpe "3,73" dei report del workflow è **per-trade/annuale** +(`explore_lab`); quello rilevante per il portafoglio è lo **Sharpe daily-return** (`combine`), che per +FR01 è solo **~1,85/1,53** — troppo basso per muovere un PORT06 a 8,89. È "ridondanza robusta": +mean-reversion regime-gated che si sovrappone a ciò che il MASTER già fa. + +**ESITO: il search a 100 agenti ha trovato strategie robuste e causali, ma NESSUNA migliora il +PORT06.** Non deployare FR01 né i candidati gemelli. Valore del progetto resta nell'estendere +fade/pairs validati. Tutto resta come RECORD DI RICERCA sul branch (non si merge in produzione). +Wiring DVOL live e walk-forward: non necessari, deploy abbandonato. diff --git a/scripts/analysis/fractal_argo_master_corr.py b/scripts/analysis/fractal_argo_master_corr.py new file mode 100644 index 0000000..1d16395 --- /dev/null +++ b/scripts/analysis/fractal_argo_master_corr.py @@ -0,0 +1,54 @@ +import sys; sys.path.insert(0,".") +import numpy as np, pandas as pd +from scripts.analysis.combine_portfolio import IDX, SPLIT, INIT, _norm, metrics, port_returns +from src.portfolio.sleeves import all_sleeve_equities +from scripts.analysis.regime_lab import load_features +from scripts.analysis.explore_lab import atr +FEE=0.001; LEV=3; POS=0.15 + +def fr01_daily_equity(asset): + df=load_features(asset,"1h") + c=df['close'].values; h=df['high'].values; l=df['low'].values; a=atr(df,14) + ma=pd.Series(c).rolling(50).mean().values; sd=pd.Series(c).rolling(50).std().values + ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True) + eq=np.full(len(c),INIT,float); cap=INIT; last=-1 + for i in range(64,len(c)-1): + if i<=last or np.isnan(sd[i]) or sd[i]==0 or np.isnan(a[i]): continue + if df['hurst'].iloc[i]>=0.55: continue + if np.isnan(df['dvol_pct'].iloc[i]) or df['dvol_pct'].iloc[i]>=0.40: continue + if c[i]ma[i]+2.5*sd[i]: d,sl,tp=-1,c[i]+2*a[i],ma[i] + else: continue + j=min(i+24,len(c)-1); exit_p=c[j] + for t in range(i+1,j+1): + if d==1: + if l[t]<=sl: exit_p=sl; j=t; break + if h[t]>=tp: exit_p=tp; j=t; break + else: + if h[t]>=sl: exit_p=sl; j=t; break + if l[t]<=tp: exit_p=tp; j=t; break + ret=(exit_p-c[i])/c[i]*d*LEV - FEE*LEV + cap=max(cap+cap*POS*ret,10.0); eq[j:]=cap; last=j + s=pd.Series(eq,index=ts).resample("1D").last().reindex(IDX).ffill().bfill() + return _norm(s) + +members=all_sleeve_equities() +print(f"PORT06 sleeve: {len(members)} | finestra {IDX[0].date()}..{IDX[-1].date()} | OOS da idx {SPLIT} ({IDX[SPLIT].date()})") +fr={"FR01_BTC":fr01_daily_equity("BTC"), "FR01_ETH":fr01_daily_equity("ETH")} + +base=port_returns(members) # equal-weight 17 sleeve (metro combine) +aug =port_returns({**members,**fr}) # + FR01x2 (19 sleeve) + +def show(tag, dr): + f=metrics(dr); o=metrics(dr,lo=SPLIT) + print(f" {tag:<22} FULL: Sharpe {f['sharpe']:.2f} DD {f['dd']:.1f}% ret {f['ret']:+.0f}% | OOS: Sharpe {o['sharpe']:.2f} DD {o['dd']:.1f}% ret {o['ret']:+.0f}%") + +print("\n=== MASTER equal-weight: con/senza FR01 ===") +show("PORT06 (17 sleeve)", base) +show("PORT06 + FR01 (19)", aug) + +# correlazione FR01 vs portafoglio MASTER aggregato + standalone +for k,e in fr.items(): + r=e.pct_change().fillna(0.0); corr=np.corrcoef(r, base)[0,1] + f=metrics(r); o=metrics(r,lo=SPLIT) + print(f"\n {k}: corr vs MASTER = {corr:+.3f} | standalone OOS Sharpe {o['sharpe']:.2f} DD {o['dd']:.1f}% ret {o['ret']:+.0f}%")