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>

src/live/signal_engine.py

@@ -112,6 +112,54 @@ class SignalEngine:
         self.squeeze_start_idx = 0
         self.trained = False
 
+    def _new_model(self) -> GradientBoostingClassifier:
+        return GradientBoostingClassifier(
+            n_estimators=150, max_depth=4, min_samples_leaf=10,
+            learning_rate=0.05, subsample=0.8, random_state=42,
+        )
+
+    def _validate_oos(self, X: np.ndarray, y: np.ndarray, test_frac: float = 0.2) -> dict:
+        """Split temporale (no shuffle) per stimare la performance out-of-sample.
+
+        Allena su training iniziale e valuta sull'ultimo `test_frac` dei campioni.
+        Oltre all'accuratezza OOS, riporta la precisione sui soli segnali con
+        confidenza >= ml_thr — cioè i trade che la strategia aprirebbe davvero.
+        """
+        n_test = int(len(X) * test_frac)
+        n_train = len(X) - n_test
+        if n_train < 30 or n_test < 5:
+            return {"oos_warning": "test set troppo piccolo", "oos_test_samples": n_test}
+
+        scaler = StandardScaler()
+        X_tr = scaler.fit_transform(X[:n_train])
+        X_te = scaler.transform(X[n_train:])
+        y_tr, y_te = y[:n_train], y[n_train:]
+
+        model = self._new_model()
+        model.fit(X_tr, y_tr)
+
+        up_idx = list(model.classes_).index(1)
+        p_up = model.predict_proba(X_te)[:, up_idx]
+        test_acc = float(np.mean((p_up >= 0.5).astype(int) == y_te) * 100)
+        oos_train_acc = float(np.mean(model.predict(X_tr) == y_tr) * 100)
+
+        long_sig = p_up >= self.ml_thr
+        short_sig = p_up <= (1 - self.ml_thr)
+        n_sig = int((long_sig | short_sig).sum())
+        if n_sig > 0:
+            correct = int(((long_sig & (y_te == 1)) | (short_sig & (y_te == 0))).sum())
+            sig_prec = round(correct / n_sig * 100, 1)
+        else:
+            sig_prec = None
+
+        return {
+            "oos_train_accuracy": round(oos_train_acc, 1),
+            "oos_test_accuracy": round(test_acc, 1),
+            "oos_test_samples": n_test,
+            "oos_signals": n_sig,
+            "oos_signal_precision": sig_prec,
+        }
+
     def train(self, df: pd.DataFrame, lookahead: int = 3) -> dict:
         """Addestra il modello su dati storici."""
         close = df["close"].values
@@ -154,20 +202,24 @@ class SignalEngine:
         X = np.array(X_all)
         y = np.array(y_all)
 
+        oos = self._validate_oos(X, y)
+
         self.scaler = StandardScaler()
         X_s = self.scaler.fit_transform(X)
 
-        self.model = GradientBoostingClassifier(
-            n_estimators=150, max_depth=4, min_samples_leaf=10,
-            learning_rate=0.05, subsample=0.8, random_state=42,
-        )
+        self.model = self._new_model()
         self.model.fit(X_s, y)
         self.trained = True
 
         preds = self.model.predict(X_s)
-        train_acc = np.mean(preds == y) * 100
+        train_acc = float(np.mean(preds == y) * 100)
 
-        return {"samples": len(X), "up_ratio": np.mean(y) * 100, "train_accuracy": train_acc}
+        return {
+            "samples": len(X),
+            "up_ratio": round(float(np.mean(y) * 100), 1),
+            "train_accuracy": round(train_acc, 1),
+            **oos,
+        }
 
     def check_signal(self, df: pd.DataFrame) -> dict | None:
         """Controlla se c'è un segnale sulle ultime candele.

src/live/strategy_loader.py

@@ -12,13 +12,12 @@ STRATEGIES_DIR = PROJECT_ROOT / "scripts" / "strategies"
 
 _REGISTRY: dict[str, type[Strategy]] = {}
 
+# Solo strategie con edge netto validato out-of-sample (fee-aware).
+# La famiglia squeeze-breakout (SQ/MT/ML/AD/CM/PD) e' stata spostata in
+# scripts/waste/: l'edge storico era un artefatto di look-ahead
+# (vedi scripts/analysis/oos_validation.py).
 MODULE_MAP = {
-    "SQ01_squeeze_base": ("SQ01_squeeze_base", "SqueezeBase"),
-    "SQ02_antifake_vol": ("SQ02_squeeze_antifake_vol", "SqueezeAntifakeVol"),
-    "SQ03_filtered": ("SQ03_squeeze_all_filters", "SqueezeFiltered"),
-    "SQ04_ultimate": ("SQ04_squeeze_ultimate", "SqueezeUltimate"),
-    "ML01_squeeze_gbm": ("ML01_squeeze_gbm", "SqueezeGBM"),
-    "MT01_squeeze_mtf": ("MT01_squeeze_mtf_momentum", "SqueezeMTFMomentum"),
+    "MR01_bollinger_fade": ("MR01_bollinger_fade", "BollingerFade"),
 }