diff --git a/CLAUDE.md b/CLAUDE.md
index 51321ff..4ad2d33 100644
--- a/CLAUDE.md
+++ b/CLAUDE.md
@@ -9,9 +9,10 @@ Progetto di ricerca: riconoscimento pattern frattali per trading algoritmico su
 - **Linguaggio:** Python 3.11+
 - **Package manager:** uv (dipendenze in `pyproject.toml`, lock in `uv.lock`)
 - **Dati:** Parquet in `data/raw/` (non committati, ~70 MB)
-- **ML:** scikit-learn (GradientBoosting), PyTorch (LSTM)
+- **ML:** scikit-learn (GradientBoostingClassifier)
 - **Analisi:** numpy, pandas, scipy
 - **API dati:** Cerbero MCP su `cerbero-mcp.tielogic.xyz` (Deribit, Bybit, Hyperliquid), ccxt/Binance come fallback
+- **Config:** pyyaml per `strategies.yml`
 
 ## Struttura
 
@@ -22,12 +23,20 @@ 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
+src/live/              → paper trading live multi-strategia
+  multi_runner.py      → orchestratore: carica YAML, fetch candele, tick worker
+  strategy_worker.py   → worker indipendente: capital, trade log, stato persistente
+  strategy_loader.py   → import dinamico classi Strategy da scripts/strategies/
+  cerbero_client.py    → client HTTP per Cerbero MCP (Deribit testnet)
+  signal_engine.py     → squeeze + ML real-time (per ML01)
+  telegram_notifier.py → notifiche Telegram per trade
 scripts/strategies/    → strategie attive (SQ01-SQ04, ML01)
 scripts/waste/         → strategie scartate (W01-W22 + REF originali)
 scripts/analysis/      → script di confronto e report
+strategies.yml         → config multi-strategy paper trader
 docs/diary/            → diario di ricerca giornaliero
+docs/specs/            → specifiche di design
 data/raw/              → file .parquet OHLCV (gitignored)
-data/processed/        → modelli salvati (gitignored)
 ```
 
 ## Comandi
@@ -37,6 +46,8 @@ 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 python -m src.live.multi_runner                # paper trading live multi-strategia
+docker compose up -d                                  # deploy Docker
 uv run pytest                                         # test
 ```
 
@@ -53,31 +64,32 @@ df = load_data("ETH", "15m")  # carica un asset/timeframe
 Fonte primaria: Cerbero MCP (endpoint `/mcp-deribit/tools/get_historical`).
 Token observer: nel file `secrets/observer.token` del progetto CerberoSuite.
 
-## Strategia vincente
-
-**Squeeze + ML ibrida** (script 13):
-
-1. Rileva squeeze di volatilità (Bollinger dentro Keltner)
-2. Al rilascio dello squeeze, estrai feature strutturali dalla finestra
-3. GradientBoosting predice direzione con walk-forward training
-4. Trade solo se modello ha confidenza ≥ 70%
-
-Configurazione migliore: ETH 15m, BBw=14, squeeze threshold=0.8, breakout=3 barre, leva 3x, position 15%.
-
-Risultato backtestato: 76.9% accuracy, 118% annuo, 4.2% drawdown, €13.78/giorno da €1.000.
-
 ## Strategie attive
 
+Tutte le strategie estendono `src.strategies.base.Strategy` con interfaccia comune:
+`generate_signals() → backtest() → report()`.
+
 | 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 |
+| SQ02 | Antifake+Vol | Regole | **79.7%** | **Miglior robusto** — 9 anni, Sharpe 5.01 |
+| SQ03 | Filtered | Regole | 79.2% | Filtri selezionabili (9 preset) |
 | SQ04 | Ultimate | Regole | 81.6% | Max accuracy ma concentrato 2018 |
-| ML01 | Squeeze+GBM | ML | 78.8% | Walk-forward, €12/day, DD basso |
+| ML01 | Squeeze+GBM | ML | 78.8% | Walk-forward, €8-12/day, DD basso |
 
-Tutte le strategie estendono `src.strategies.base.Strategy` con interfaccia comune:
-`generate_signals() → backtest() → report()`.
+Per aggiungere una strategia:
+1. Crea script in `scripts/strategies/` che estende `Strategy`
+2. Aggiungi mapping in `src/live/strategy_loader.py` → `MODULE_MAP`
+3. Aggiungi entry in `strategies.yml` per paper trading
+
+## Multi-Strategy Paper Trader
+
+Orchestratore che esegue N strategie in parallelo su dati live Cerbero, ognuna con €1000 USDC virtuali indipendenti.
+
+**Config:** `strategies.yml` — lista strategie con asset, tf, sizing, parametri.
+**Persistenza:** `data/paper_trades/{strategy}___{asset}__{tf}/` con `trades.jsonl` (append-only) + `status.json` (resume al restart).
+**Hot-add:** aggiungi riga YAML → `docker compose restart` → storico intatto.
+**Notifiche:** Telegram per ogni trade (richiede `.env` con `TELEGRAM_BOT_TOKEN` e `TELEGRAM_CHAT_ID`).
 
 ## Convenzioni
 
@@ -92,3 +104,4 @@ Tutte le strategie estendono `src.strategies.base.Strategy` con interfaccia comu
 - **Data leakage:** è stata trovata e corretta nello script 05. Ogni volta che si usano rendimenti logaritmici (`np.diff(np.log(close))`), ricordare che `returns[k]` usa `close[k+1]`. I feature devono fermarsi a `returns[i-2]` se il prezzo corrente è `close[i-1]`.
 - **Fee:** sempre 0.1% per lato (0.2% round-trip). Includere nel backtest.
 - **Leva:** testato con 3x. Aumentare a 5x migliora i rendimenti ma raddoppia il drawdown.
+- **GBM:** GradientBoostingClassifier di scikit-learn. Ensemble di alberi decisionali sequenziali. Walk-forward per evitare leakage temporale.
diff --git a/README.md b/README.md
index c34c623..dceaed9 100644
--- a/README.md
+++ b/README.md
@@ -8,17 +8,18 @@ Partendo da un capitale iniziale di €1.000, raggiungere un profitto medio di 
 
 ## Risultati
 
-Tredici strategie testate su dati storici 2018–2026 (BTC e ETH, timeframe 5m / 15m / 1h). Le migliori cinque:
+Oltre 30 strategie testate su dati storici 2018–2026 (BTC e ETH, timeframe 15m / 1h). Le migliori:
 
-| # | Strategia | Accuracy | ROI annuo | Max DD | €/giorno |
-|---|-----------|----------|-----------|--------|----------|
-| 1 | ETH 15m Squeeze + ML ibrida | 76.9% | 118% | 4.2% | €13.78 |
-| 2 | ETH 1h Squeeze + Vol | 83.9% | 22% | 2.0% | €0.71 |
-| 3 | BTC 15m Squeeze + ML ibrida | 78.8% | 69% | 7.0% | €5.51 |
-| 4 | ETH 1h Squeeze (BBw=30) | 82.8% | 47% | 3.2% | €1.77 |
-| 5 | ETH Walk-Forward ML | 57.7% | 38% | 47% | €3.12 |
+| Codice | Strategia | Accuracy | Trades | Max DD | €/giorno | Robustezza |
+|--------|-----------|----------|--------|--------|----------|------------|
+| SQ02 | Antifake+Vol BTC 15m | **79.7%** | 1250 | 6.5% | €5.23 | ✅ 9/9 anni |
+| ML01 | Squeeze+GBM BTC 15m | 79.1% | 1929 | 5.5% | €8.45 | ✅ 5/5 anni |
+| SQ02 | Antifake+Vol ETH 15m | 78.6% | 942 | 3.4% | €4.33 | 8/9 anni |
+| SQ02 | Antifake+Vol BTC 1h | 78.0% | 473 | 3.5% | €3.85 | ✅ 9/9 anni |
+| SQ01 | Squeeze Base ETH 15m | 76.4% | 2948 | 6.2% | €10.31 | 9/9 anni |
+| ML01 | Squeeze+GBM ETH 15m | 76.7% | 1210 | 4.2% | €11.12 | 5/5 anni |
 
-La strategia vincente (#1) opera su ETH a 15 minuti con ~1 trade al giorno, leva 3x e drawdown contenuto al 4.2%.
+La strategia più robusta (SQ02 BTC 15m) mantiene accuracy ≥73% ogni anno dal 2018 con Sharpe 5.01.
 
 ## Come funziona
 
@@ -28,14 +29,14 @@ Il meccanismo centrale sfrutta i cicli naturali di compressione ed espansione de
 
 1. **Compressione** — le Bollinger Bands entrano dentro i Keltner Channel (il prezzo si muove sempre meno, accumulando "energia").
 2. **Breakout** — le bande escono dal canale. Un impulso direzionale parte.
-3. **Conferma ML** — un modello GradientBoosting, addestrato su feature strutturali e frattali della finestra precedente, conferma la direzione e filtra i segnali deboli.
+3. **Filtri** — anti-fakeout (scarta breakout con retrace >60%) + volume confirmation (breakout >1.3× media).
+4. **ML opzionale** — un modello GradientBoosting (GBM), addestrato walk-forward su feature strutturali, conferma la direzione e filtra i segnali deboli.
 
-### Feature frattali
+### Feature ML (44 dimensioni)
 
 - Rapporti body/shadow normalizzati su finestre multiple (12, 24, 48 candele)
 - Momentum, volatilità, skewness, kurtosis dei rendimenti logaritmici
-- Autocorrelazione lag-1
-- Profilo volumetrico e spike detection
+- Autocorrelazione lag-1 e profilo volumetrico
 - Durata della fase di squeeze e rapporto di espansione Keltner
 - Posizione del prezzo rispetto al range recente e ATR normalizzato
 
@@ -44,44 +45,121 @@ Il meccanismo centrale sfrutta i cicli naturali di compressione ed espansione de
 ```
 PythagorasGoal/
 ├── src/
-│   ├── data/          # Download e gestione dati storici (Cerbero MCP + Binance)
-│   ├── fractal/       # Indicatori frattali: Hurst, Higuchi FD, self-similarity
-│   ├── backtest/      # Motore di backtesting con fee e metriche
-│   ├── strategies/    # (predisposto per strategie modulari)
-│   ├── nn/            # (predisposto per reti neurali)
-│   └── utils/
-├── scripts/           # Script di analisi e test (01–13)
+│   ├── data/              # Download e gestione dati (Cerbero MCP + Binance)
+│   ├── fractal/           # Indicatori frattali: Hurst, Higuchi FD, self-similarity
+│   ├── backtest/          # Motore di backtesting con fee e metriche
+│   ├── strategies/        # Classe base Strategy ABC + indicatori condivisi
+│   │   ├── base.py        # Strategy, Signal, BacktestResult, YearlyStats
+│   │   └── indicators.py  # keltner_ratio, detect_squeezes, ema, atr, rv, corr
+│   └── live/              # Paper trading live su Deribit testnet
+│       ├── multi_runner.py     # Orchestratore multi-strategia
+│       ├── strategy_worker.py  # Worker indipendente con stato persistente
+│       ├── strategy_loader.py  # Import dinamico classi Strategy
+│       ├── cerbero_client.py   # Client HTTP per Cerbero MCP
+│       ├── signal_engine.py    # Squeeze + ML real-time (per ML01)
+│       └── telegram_notifier.py
+├── scripts/
+│   ├── strategies/        # Strategie attive (SQ01-SQ04, ML01)
+│   ├── waste/             # Strategie scartate (W01-W22)
+│   └── analysis/          # Script di confronto e report
+├── strategies.yml         # Config multi-strategy paper trader
 ├── data/
-│   ├── raw/           # Parquet OHLCV (non committati, ~70 MB)
-│   └── processed/     # Modelli salvati
+│   └── raw/               # Parquet OHLCV (gitignored, ~70 MB)
 ├── docs/
-│   └── diary/         # Diario di ricerca giornaliero
-├── tests/
-├── pyproject.toml
-└── README.md
+│   ├── diary/             # Diario di ricerca giornaliero
+│   └── specs/             # Specifiche di design
+├── Dockerfile
+├── docker-compose.yml
+└── pyproject.toml
 ```
 
+## Strategie attive
+
+Tutte le strategie estendono `src.strategies.base.Strategy` con interfaccia comune: `generate_signals() → backtest() → report()`.
+
+| Codice | Script | Tipo | Descrizione |
+|--------|--------|------|-------------|
+| SQ01 | `SQ01_squeeze_base.py` | Regole | Squeeze breakout puro |
+| SQ02 | `SQ02_squeeze_antifake_vol.py` | Regole | Squeeze + antifakeout + volume confirm |
+| SQ03 | `SQ03_squeeze_all_filters.py` | Regole | Squeeze + filtri selezionabili (9 preset) |
+| SQ04 | `SQ04_squeeze_ultimate.py` | Regole | Combo incrementali con correlazione/trend |
+| ML01 | `ML01_squeeze_gbm.py` | ML | Squeeze + GBM walk-forward |
+
+Per eseguire il backtest di una strategia:
+
+```bash
+uv run python scripts/strategies/SQ02_squeeze_antifake_vol.py
+```
+
+## Paper Trading Live
+
+Il multi-strategy runner esegue N strategie in parallelo su dati live da Cerbero MCP, ognuna con €1000 USDC virtuali indipendenti.
+
+### Avvio
+
+```bash
+# Locale
+uv run python -m src.live.multi_runner
+
+# Docker
+docker compose up -d
+```
+
+### Configurazione
+
+Le strategie attive sono definite in `strategies.yml`:
+
+```yaml
+defaults:
+  capital: 1000
+  position_size: 0.15
+  leverage: 3
+
+strategies:
+  - name: SQ02_antifake_vol
+    asset: BTC
+    tf: 15m
+    enabled: true
+```
+
+Per aggiungere una strategia: nuova riga in `strategies.yml`, poi `docker compose restart`. Lo storico delle strategie esistenti rimane intatto.
+
+### Persistenza
+
+Ogni strategia ha la sua directory in `data/paper_trades/`:
+
+```
+data/paper_trades/
+  SQ02_antifake_vol__BTC__15m/
+    trades.jsonl    # Storico trade append-only
+    status.json     # Stato corrente (resume al restart)
+```
+
+Notifiche Telegram per ogni trade (richiede `TELEGRAM_BOT_TOKEN` e `TELEGRAM_CHAT_ID` in `.env`).
+
 ## Setup
 
 ```bash
-# Clona il repository
+# Clona e installa
 git clone <repo-url> && cd PythagorasGoal
-
-# Installa dipendenze (richiede uv)
 uv sync
 
-# Scarica dati storici (~70 MB, richiede connessione)
+# Scarica dati storici (~70 MB)
 uv run python -m src.data.downloader
 
-# Esegui la strategia ibrida vincente
-uv run python scripts/13_squeeze_ml_hybrid.py
+# Backtest strategia migliore
+uv run python scripts/strategies/SQ02_squeeze_antifake_vol.py
+
+# Paper trading live
+uv run python -m src.live.multi_runner
 ```
 
 ### Requisiti
 
 - Python ≥ 3.11
 - [uv](https://docs.astral.sh/uv/) come package manager
-- Accesso a Cerbero MCP (`cerbero-mcp.tielogic.xyz`) per i dati Deribit, oppure Binance via ccxt come fallback
+- Accesso a Cerbero MCP (`cerbero-mcp.tielogic.xyz`) per dati Deribit live
+- Docker (opzionale, per deploy su VPS)
 
 ## Dati
 
@@ -90,25 +168,7 @@ uv run python scripts/13_squeeze_ml_hybrid.py
 | BTC | 5m / 15m / 1h | 883K / 294K / 74K | 2018-01 → oggi |
 | ETH | 5m / 15m / 1h | 882K / 294K / 74K | 2018-01 → oggi |
 
-Fonte primaria: Deribit perpetual via Cerbero MCP. Fallback per il periodo antecedente: Binance spot via ccxt. Formato: Apache Parquet.
-
-## Strategie testate
-
-| Script | Approccio | Esito |
-|--------|-----------|-------|
-| 01 | Pattern candlestick discreti (U/D/0) | Nessun edge |
-| 02 | DTW pattern matching | Troppo lento, edge minimo |
-| 03 | Proiezione FFT (ispirata al paper) | Random (49.8%) |
-| 04 | GBM su feature frattali (Hurst, FD) | 63.6% a soglia 0.65 |
-| 05 | GBM multi-window (corretto data leakage) | 58.9% |
-| 06 | GBM su feature strutturali normalizzate | 58.6%, +57.5% return |
-| 07 | LSTM su sequenze candele | 58.4%, comparabile a GBM |
-| 08 | Ensemble multi-timeframe (1h + 15m) | 59.2% (consensus 2/3) |
-| 09 | Walk-forward ML | 57.7%, Sharpe 7.4, €3.12/day |
-| 10 | Ensemble 5 modelli alta precisione | In corso |
-| 11 | **Volatility Squeeze Breakout** | **83.9%**, approccio strutturale |
-| 12 | Report finale e simulazione crescita | — |
-| 13 | **Squeeze + ML ibrida** | **76.9%**, 118% ann, €13.78/day |
+Fonte primaria: Deribit perpetual via Cerbero MCP. Fallback: Binance spot via ccxt. Formato: Apache Parquet.
 
 ## Riferimenti