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]
+        elif 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 & DVOL<p40)",g_hurst_calm),
+        ("VRP<0 Fade (core driver)",g_vrp_neg),
+        ("HigVRP Fade (Higuchi>1.5 & 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}%")