docs: aggiorna README e CLAUDE.md con struttura attuale e multi-strategy runner

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

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.