feat(live): attiva loss-guard Hurst sulle fade PORT06 (hurst_max=0.55)

Attivazione live: hurst_max=0.55 nei params delle 6 fade (MR01/MR02/MR07 x BTC/ETH) in _defs.py.
hurst_skip_mask step=6 (5.9s/fade su 10560 barre live, ~35s per le 6 -> OK su poll 60s, e coincide
con la cache di validazione). Calcolato dalle SOLE close -> nessun feed esterno, il worker lo computa
inline.

NB live/backtest: il filtro agisce solo sul path LIVE (spec.params); il backtest canonico
(build_everything/regression-lock, via risk_management) NON e' filtrato -> il live FARA' meglio del
backtest sul DD (FULL 4.10%->2.39% atteso). Divergenza intenzionale (miglioramento). Backtest-parity
aggiornabile in seguito. Suite: 54 passed.

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

scripts/portfolios/_defs.py

@@ -18,8 +18,14 @@ UNIVERSE8 = ["ADA", "BNB", "BTC", "DOGE", "ETH", "LTC", "SOL", "XRP"]
 # MR02/MR07 lo ignorano (**params). Vedi docs/diary/2026-06-01-tp-min-edge.md.
 MIN_TP_FRAC = 0.0015
 
+# Loss-guard Hurst (live): salta le fade in regime PERSISTENTE/trending (rolling-Hurst >= 0.55),
+# dove si concentrano stop-loss e perdite (stop-rate 43% vs 21% anti-persistente). DIMEZZA il DD
+# del PORT06 (FULL 4.10%->2.39%) alzando lo Sharpe. Calcolato dalle SOLE close (no feed esterno).
+# Validato 2026-06-02, vedi docs/diary/2026-06-02-fade-lossguard.md.
+HURST_MAX = 0.55
+
 FADE = [SleeveSpec(kind="single", name=c, sid=f"{c}_{a}", asset=a, cluster=f"{a}-rev",
-                   params={"min_tp_frac": MIN_TP_FRAC})
+                   params={"min_tp_frac": MIN_TP_FRAC, "hurst_max": HURST_MAX})
         for a in ("BTC", "ETH") for c in ("MR01", "MR02", "MR07")]
 HONEST = [
     # DIP01: single-asset 1h -> StrategyWorker (Strategy DIP01_dip_buy). TR01/ROT02: multi-asset.

src/strategies/fade_base.py

@@ -18,17 +18,21 @@ from src.data.downloader import load_data
 from src.fractal.indicators import rolling_hurst
 
 
-def hurst_skip_mask(df: pd.DataFrame, hurst_max: float | None, window: int = 100) -> np.ndarray:
+def hurst_skip_mask(df: pd.DataFrame, hurst_max: float | None, window: int = 100,
+                    step: int = 6) -> np.ndarray:
     """Loss-guard Hurst: maschera bool (True = SALTA il segnale) per regime PERSISTENTE/trending,
     dove la rolling-Hurst >= hurst_max. Le fade concentrano stop-loss e perdite proprio li'
     (diagnosi: stop-rate 43% per hurst>0.55 vs 21% anti-persistente). Filtrare hurst>=0.55
     DIMEZZA il DD del PORT06 (FULL 4.10%->2.39%) alzando lo Sharpe (validato 2026-06-02).
     CAUSALE: rolling_hurst usa solo i rendimenti fino a close[i]. hurst_max=None -> nessuno skip.
-    Calcolata dalle SOLE close -> nessun feed dati esterno necessario (a differenza di DVOL)."""
+    Calcolata dalle SOLE close -> nessun feed dati esterno necessario (a differenza di DVOL).
+    step=6: calcola l'Hurst ogni 6 barre (ffill) -> ~6x piu' veloce per il worker live su finestre
+    lunghe (440g/10560 barre), e coincide con la cache di validazione (frac_step=6). L'Hurst varia
+    lentamente -> differenza trascurabile vs step=1."""
     n = len(df)
     if hurst_max is None:
         return np.zeros(n, dtype=bool)
-    h = rolling_hurst(df["close"].values.astype(float), window=window)
+    h = rolling_hurst(df["close"].values.astype(float), window=window, step=step)
     return h >= hurst_max