feat: strategie 1-10, framework analisi frattale, download dati storici BTC/ETH

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

docs/diary/2026-05-27.md

@@ -0,0 +1,72 @@
+# 2026-05-27 — Giorno 2: Strategie e risultati
+
+### 00:00 — Strategia 5: Enhanced fractal (DATA LEAKAGE trovata!)
+
+**Cosa:** GBM con features multi-window (4 finestre × 9 features), classification binaria, BTC + ETH su 3 lookahead
+**Atteso:** miglioramento rispetto a #4 con più features e classificazione binaria
+**Reale:** risultati iniziali troppo belli (84.5% accuracy BTC, 85% ETH) → **DATA LEAKAGE TROVATA**
+**Bug:** `returns[i-w : i]` includeva `returns[i-1]` che usa `close[i]` (1 candle nel futuro)
+**Fix:** cambiato a `returns[i-w : i-1]` — re-run in corso
+**Lezione:** SEMPRE verificare che nessuna feature usi dati oltre il timestamp di decisione. Returns ha off-by-one insidioso.
+
+### 00:10 — Strategia 6: Structural Pattern KNN + GBM
+
+**Cosa:** features normalizzate da finestra OHLC (close norm, body, direction, shadow, volume), con KNN e GBM
+**Reale:**
+- KNN: max 55.9% accuracy (K=100, thr=0.65) → edge minimo
+- **GBM: thr=0.65, 795 trades, 58.6% accuracy, +57.5% return** ← MIGLIOR SINGOLO (senza leakage)
+**Lezione:** features strutturali normalizzate battono features raw. GBM >> KNN per questo tipo di dati.
+
+### 00:20 — Strategia 7: LSTM
+
+**Cosa:** LSTM (2 layer, 64 hidden, dropout 0.3) su sequenze di 48 candele × 6 features per-candle
+**Reale:**
+- BTC test: 51.9% base, ma thr=0.60: **58.4% accuracy, 214 trades, +4.3%**
+- BTC thr=0.65: **64.3% accuracy** ma solo 14 trade
+- ETH: 52.6% base, thr=0.55: **54.5%, +19.9%**
+- Training su CPU (CUDA non disponibile) → 14 epoch con early stopping
+**Lezione:** LSTM cattura pattern ma non aggiunge molto rispetto a GBM su features ingegnerizzate. Edge comparabile (~58-64%) con molte meno features. CPU training lento.
+
+### 00:30 — Strategia 8: Ensemble multi-timeframe
+
+**Cosa:** 3 modelli (structural 1h, multi-tf 15m, combined) con voting e media probabilità
+**Reale:**
+- M1_structural thr=0.65: 829 trades, **58.3% acc, +53.4%, 17.8% annualizzato**
+- M2_multi_tf: scarso (15m features da sole non bastano)
+- Ensemble agree≥2, thr=0.65: 520 trades, **59.2% accuracy, +19.9%**
+- Ensemble agree≥3, thr=0.65: 27 trades, **70.4% accuracy** ma pochi trade
+**Lezione:** 
+1. Multi-timeframe aggiunge margine (+1% accuracy nell'ensemble)
+2. Consensus forte (3/3) raggiunge 70%+ ma troppo pochi trade
+3. Il collo di bottiglia è la frequenza segnali ad alta confidenza
+
+### 00:45 — Strategie 9 e 10 in esecuzione
+
+- **#9**: Walk-forward validation con GBM, features combinate structural+fractal
+- **#10**: High precision (target >80%) con ensemble 5 modelli (2×GBM, RF, ExtraTrees, LogReg), consensus voting, leva 3x
+
+### Riepilogo risultati validi (no leakage)
+
+| # | Nome | Accuracy | Return | Ann. | Trades | Note |
+|---|------|----------|--------|------|--------|------|
+| 6 | GBM structural | 58.6% | +57.5% | ~20% | 795 | Miglior singolo |
+| 8/M1 | Structural WF | 58.3% | +53.4% | 17.8% | 829 | Robusto |
+| 8/ens | Ensemble 2/3 | 59.2% | +19.9% | 7.2% | 520 | Più filtrato |
+| 8/ens3 | Ensemble 3/3 | 70.4% | +11.3% | 4.2% | 27 | Alta acc, pochi trade |
+| 4 | GBM fractal | 63.6% | +5.7% | ~3% | 66 | Pochi ma precisi |
+| 7 | LSTM | 58.4% | +4.3% | 3.1% | 214 | Comparabile a GBM |
+
+### Analisi gap verso target
+
+| Target | Attuale | Gap |
+|--------|---------|-----|
+| Accuracy >80% | max 70.4% (ens 3/3) | serve +10% |
+| ROI annuo >30% | max ~20% (structural) | serve +10% |
+| €50/giorno da €1000 | richiede ~5% daily | richiede crescita capitale su 6 mesi |
+
+### Prossimi passi
+
+1. Verificare strategia 5 corretta (senza leakage)
+2. Risultati strategia 9 (walk-forward) e 10 (high precision ensemble)
+3. Se accuracy ancora insufficiente: provare features da 5m aggregati, o approach completamente diverso (reinforcement learning?)
+4. Valutare combinazione: multi-asset (BTC+ETH) per diversificazione