feat(SH01): bootstrap storia full-history + last_block_only (punto-10: regime live non robusto)

Ri-validazione sh01_trainwindow_validate.py (rolling train_window == regime live):
- tw=8760 (live 365g): BTC FULL +82% ma fee-2x -42% (6/9 anni), ETH Sharpe -0.02,
  trade-rate 21.7-26.4% vs 9.8% validato -> NON robusto. Diagnosi sweep confermata
  (LogReg over-confident su train corto, th 0.58 inerte).
- progressione MONOTONA con la memoria (2y: Sh 2.05; 3y: 3.09; expanding: ROBUSTO
  8/9) -> l'edge di SH01 e' la memoria lunga.
- sweep soglia nel regime corto: instabile/incoerente fra asset -> NON ri-tunare.

Fix (decisione utente): ripristinare in live il regime validato.
- ml_wf_entries(last_block_only=True): fitta/predice solo l'ultimo blocco del WF
  (confini deterministici start+k*retrain) -> entries IDENTICHE per costruzione
  al tail del WF completo (parity test esatto); 0.6s/tick su 73k barre vs ~140 fit.
- runner._with_history: tick degli sleeve ml su parquet locale + feed live
  (dedup timestamp, gap-guard con WARN una-tantum se parquet stantio).
- _defs.py: params {last_block_only: true} sugli sleeve SHAPE (solo path live;
  il backtest canonico resta WF completo).

Effetto atteso live: trade-rate SH01 ~25% -> ~10% delle barre, selettivita'
ripristinata. Manutenzione: parquet fresco via download_all (oggi 2026-05-28,
margine ~11 mesi col feed 365g).

Test: 87/87 (4 nuovi: parity last-block esatta, merge storia, gap fallback).
Diario docs/diary/2026-06-07-sh01-trainwindow.md.

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

scripts/analysis/sh01_trainwindow_validate.py

@@ -0,0 +1,75 @@
+"""Ri-validazione SH01 col train-window del REGIME LIVE (sweep punto 10).
+
+Diagnosi (improvement-sweep 2026-06-06): tutta la validazione SH01
+(`shape_ml_validate.py`) usa training EXPANDING full-history (~73k barre dal 2018),
+ma il worker live fetcha solo `_ML_LOOKBACK_DAYS=365` (~8760 barre 1h) -> la LogReg
+allenata su train piccolo e' OVER-CONFIDENT: frac(proba>=0.58) 44.8% vs 3.8%,
+trade-rate live 25.1% delle barre vs 2.9% validato, WR live 1/9. La soglia th=0.58
+e' di fatto inerte nel regime live.
+
+Questo harness misura l'edge SH01 (W24 H12 logit th0.58, protocollo explore_lab:
+FULL / OOS ultimo 30% / sweep fee / anni positivi) in funzione del train-window
+ROLLING (`ml_wf_entries(train_window=...)`):
+
+    8760  = regime live ATTUALE (365g)  <- la validazione mai fatta
+    17520 = 2 anni (gia' noto: BTC regge, +166%/+96%)
+    26280 = 3 anni
+    None  = EXPANDING full-history      <- la validazione canonica (riferimento)
+
++ diagnostica trade-rate per variante e, per il regime live, sweep della soglia
+(SOLO diagnostica: la lezione del sweep e' di NON ri-tunare th a forza — se
+l'edge non sopravvive a 8760 la risposta e' cambiare il regime di training del
+live, non la soglia).
+
+Esiti possibili:
+  a) edge OK a 8760 -> il live va bene cosi' (e la diagnosi WR 1/9 e' altro);
+  b) edge OK da un lookback X > 8760 -> portare il train live a X
+     (bootstrap storico dal parquet locale + append feed, o lookback maggiore);
+  c) edge solo expanding -> bootstrap parquet full-history o riconsiderare SH01.
+
+    uv run python scripts/analysis/sh01_trainwindow_validate.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import get_df, evaluate, robust  # noqa: E402
+from scripts.analysis.shape_ml_research import ml_wf_entries  # noqa: E402
+
+CFG = dict(W=24, H=12, model="logit", thresh=0.58)
+WINDOWS = [8760, 17520, 26280, None]          # None = expanding (canonico)
+TH_DIAG = [0.58, 0.62, 0.66, 0.70]            # sweep soglia SOLO per il regime live
+
+
+def main():
+    print("=" * 108)
+    print("  SH01 — edge vs train-window ROLLING (W24 H12 logit th0.58, protocollo explore_lab)")
+    print("  regime live = 8760 barre (365g); canonico = expanding full-history")
+    print("=" * 108)
+
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        nbars = len(df)
+        print(f"\n--- {asset} ({nbars} barre 1h) ---")
+        for tw in WINDOWS:
+            tag = f"tw={tw}" if tw else "EXPANDING"
+            ents = ml_wf_entries(df, train_window=tw, **CFG)
+            rate = len(ents) / nbars * 100
+            print(f"  [{tag:<10s}] trade-rate {rate:4.1f}% delle barre")
+            res = evaluate(f"{asset} {tag}", ents, df)
+            print(f"      -> {'ROBUSTO' if robust(res) else 'NON robusto'}")
+
+        print(f"\n  diagnostica soglia nel REGIME LIVE (tw=8760), {asset}:")
+        for th in TH_DIAG:
+            ents = ml_wf_entries(df, train_window=8760, **{**CFG, "thresh": th})
+            rate = len(ents) / nbars * 100
+            print(f"  [th={th:<5}] trade-rate {rate:4.1f}%")
+            evaluate(f"{asset} tw8760 th{th}", ents, df)
+
+
+if __name__ == "__main__":
+    main()