feat(portfolio): XS01 cross-sectional (Hyperliquid) BATTE il portafoglio -> TP01 70% + XS01 30%

Espansione universo (su input utente "storico da cerbero"): il Cerbero MCP col token MAINNET serve
Hyperliquid (230 perp REALI, storia nativa dal 2024). fetch_hyperliquid.py certifica 19 alt liquidi
a 1d (flat 0%, cross-venue 4-9 bps vs Binance) -> data/raw/hl_*_1d.parquet. Abilita le strategie
CROSS-SECTIONAL (impossibili a 2 asset).

XS01 = cross-sectional momentum market-neutral (long 5 forti / short 5 deboli su ret 30g, ogni 10g,
vol-target 20%). Validato onesto: plateau (config/k/subset), fee-robusto (0.3% RT), scorrelato a TP01
(-0.06), positivo OGNI anno 2024-26, meccanismo complementare (lavora nella dispersione quando TP01
e' in cash). Diverso dal regime-luck RV bocciato (19 asset, plateau, ogni anno+).

Contributo al portafoglio (outer-join + pesi rinormalizzati per sleeve a date diverse):
  TP01-solo FULL 1.30 / HOLD 0.31  ->  TP01 70% + XS01 30%: FULL 1.41 / HOLD 1.15, DD giu', ~ogni anno+.
-> XS01 BATTE il portafoglio esistente: inserito in active_sleeves.

Caveat (documentati): storia XS ~2.5 anni; STAT-MODE (book 19 gambe non eseguibile a 2k -> ~20k),
sleeve diagnostico/forward-monitor. portfolio.combine ora outer-join+renorm. 12 test passano.
Diario 2026-06-19-hyperliquid-xsec.md.

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

src/portfolio/portfolio.py

@@ -82,10 +82,19 @@ class StrategyPortfolio:
         return {s.name: s.weight / tot for s in self.sleeves}
 
     def combined_daily(self, lo=None, hi=None) -> pd.Series:
+        """Combina gli sleeve per peso. OUTER-join: sleeve con date d'inizio diverse
+        (es. TP01 dal 2019, uno nuovo dal 2024) -> ogni giorno i pesi sono RINORMALIZZATI
+        fra i soli sleeve con dato disponibile (uno sleeve "si attiva" quando parte la sua
+        storia). Cosi' non si tronca il portafoglio alla finestra comune."""
         w = self.weights()
         cols = {s.name: s.daily() for s in self.sleeves}
-        J = pd.concat(cols, axis=1, join="inner").dropna()
-        combo = sum(w[c] * J[c] for c in J.columns)
+        J = pd.concat(cols, axis=1, join="outer").sort_index()
+        wv = np.array([w[c] for c in J.columns], float)
+        active = J.notna().values * wv                       # peso solo dove c'e' dato
+        rowsum = active.sum(axis=1, keepdims=True)
+        wnorm = np.divide(active, rowsum, out=np.zeros_like(active), where=rowsum > 0)
+        combo = pd.Series(np.nansum(np.nan_to_num(J.values) * wnorm, axis=1), index=J.index)
+        combo = combo[J.notna().any(axis=1).values]          # togli i giorni senza alcun dato
         if lo is not None:
             combo = combo[combo.index >= lo]
         if hi is not None: