refactor(strategie): tieni solo MR01 mean-reversion, squeeze -> waste

L'analisi out-of-sample fee-aware ha dimostrato che l'intera famiglia
squeeze-breakout (SQ01-04, MT01, ML01, AD01, CM01, PD01) non ha edge:
le accuratezze storiche 76-82% erano un artefatto di look-ahead (ingresso
a close[i-1] con direzione decisa da close[i]). Sotto ingresso onesto a
close[i] e fee reali tutte perdono, anche a fee zero.

- nuova MR01_bollinger_fade (mean-reversion): edge netto validato OOS,
  robusto su griglia parametri e fino a 0.20% fee RT. BTC 1h n50 k2.5: +201% OOS, DD 15%
- 9 strategie squeeze spostate in scripts/waste/
- strategy_loader + strategies.yml: solo MR01 (BTC/ETH 1h)
- signal_engine.train: validazione OOS (accuratezza test + signal precision)
- scripts/analysis/strategy_research.py: harness di ricerca fee-aware

NOTA: lo StrategyWorker va aggiornato per usare gli exit TP/SL passati in
metadata prima di tradare MR01 dal vivo (ora esce solo a hold_bars/stop fisso).

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

scripts/waste/SQ01_squeeze_base.py

@@ -0,0 +1,68 @@
+"""SQ01 — Squeeze Breakout Base.
+
+Strategia strutturale: rileva compressione di volatilità (Bollinger dentro
+Keltner Channel) e segue la direzione del breakout al rilascio.
+
+IN:
+    - OHLCV DataFrame (da load_data)
+    - Parametri: bb_window (14), sq_threshold (0.8), min_squeeze_dur (5)
+
+OUT:
+    - Lista di Signal con direzione breakout (+1/-1)
+    - BacktestResult con equity, yearly breakdown, metriche
+
+Risultati tipici:
+    BTC 15m: 76.7% acc, 4062 trades, DD 6.7%, €9.32/day
+    ETH 15m: 76.4% acc, 2948 trades, DD 6.2%, €10.31/day
+"""
+from __future__ import annotations
+import sys
+sys.path.insert(0, ".")
+
+import numpy as np
+import pandas as pd
+
+from src.strategies.base import Strategy, Signal
+from src.strategies.indicators import keltner_ratio, detect_squeezes
+
+
+class SqueezeBase(Strategy):
+    name = "SQ01_squeeze_base"
+    description = "Squeeze breakout puro — segui direzione al rilascio"
+    default_assets = ["BTC", "ETH"]
+    default_timeframes = ["15m", "1h"]
+
+    def generate_signals(self, df: pd.DataFrame, ts: pd.DatetimeIndex,
+                         **params) -> list[Signal]:
+        c = df["close"].values
+        h = df["high"].values
+        l = df["low"].values
+        n = len(c)
+
+        bb_w = params.get("bb_window", 14)
+        sq_thr = params.get("sq_threshold", 0.8)
+        min_dur = params.get("min_dur", 5)
+
+        kcr = keltner_ratio(c, h, l, bb_w)
+        events = detect_squeezes(c, h, l, kcr, sq_thr, min_dur)
+
+        signals = []
+        for ev in events:
+            i = ev["idx"]
+            if i < 1 or i >= n:
+                continue
+            first_ret = (c[i] - c[i - 1]) / c[i - 1] if c[i - 1] > 0 else 0
+            if abs(first_ret) < 0.001:
+                continue
+            signals.append(Signal(
+                idx=i,
+                direction=1 if first_ret > 0 else -1,
+                entry_price=c[i - 1],
+                metadata={"dur": ev["dur"], "kcr": ev["kcr_at_release"]},
+            ))
+        return signals
+
+
+if __name__ == "__main__":
+    strategy = SqueezeBase()
+    strategy.report()