feat(fade): loss-guard Hurst (skip regime persistente) — dimezza il DD del PORT06

GOAL: limitare le perdite delle fade in regime sfavorevole. Diagnosi (3022 trade): le perdite/stop
si concentrano nel regime PERSISTENTE (hurst>0.55: stop-rate 43% vs 21% anti-persistente), NON in
bassa vol (low-vol e' net positivo). Ricerca web + workflow 11 agenti: l'UNICO meccanismo che riduce
DD senza uccidere l'edge e' il filtro Hurst (ADX, vol-expansion, time-stop, ER, vol-target falliscono
il gate FR01). Test esterni ADX/vol-expansion NON si replicano su queste fade crypto.

TEST DECISIVO PORT06 (gate FR01) SUPERATO: Hurst-skip h<0.55 sulle 6 fade ->
FULL Sharpe 6.62->6.76, FULL DD 4.10%->2.39% (quasi dimezzato), OOS Sharpe 8.89->9.15.
Migliora il portafoglio (a differenza di FR01 che diluiva).

Implementazione: hurst_skip_mask in fade_base.py (rolling-Hurst causale dalle SOLE close -> nessun
feed dati esterno, deployabile inline dal worker) + param hurst_max (default None=off) in
MR01/MR02/MR07. Test: test_hurst_lossguard.py. Default off -> zero impatto su backtest/parita'/live
finche' non attivato.

FIX collaterale: regime_fetcher/regime_lab scrivevano DVOL/funding/feature in data/raw/ ->
inquinavano la discovery asset del backtest (rompeva il regression-lock PORT06). Spostati in
data/regime/ (gitignored). Suite: 54 passed (lock incluso).

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

scripts/strategies/MR01_bollinger_fade.py

@@ -30,6 +30,7 @@ import pandas as pd
 
 from src.strategies.base import Strategy, Signal, BacktestResult, YearlyStats, TF_MINUTES
 from src.data.downloader import load_data
+from src.strategies.fade_base import hurst_skip_mask
 
 
 def _atr(df: pd.DataFrame, n: int = 14) -> np.ndarray:
@@ -62,17 +63,22 @@ class BollingerFade(Strategy):
         # Edge minimo: salta i segnali il cui TP (la media) è più vicino dell'entry del
         # costo round-trip -> perdenti garantiti anche colpendo il TP. 0 = off.
         min_tp_frac = params.get("min_tp_frac", 0.0)
+        # Loss-guard Hurst: salta in regime persistente/trending (hurst >= soglia). None = off.
+        hurst_max = params.get("hurst_max")
 
         ma = pd.Series(c).rolling(bb_w).mean().values
         sd = pd.Series(c).rolling(bb_w).std().values
         a = _atr(df, 14)
         up, lo = ma + k * sd, ma - k * sd
         el = pd.Series(c).ewm(span=ema_long, adjust=False).mean().values if trend_max is not None else None
+        skip = hurst_skip_mask(df, hurst_max, params.get("hurst_win", 100))
 
         signals: list[Signal] = []
         for i in range(bb_w + 14, n_len):
             if np.isnan(up[i]) or np.isnan(a[i]):
                 continue
+            if skip[i]:
+                continue                              # loss-guard: regime persistente
             if el is not None and (a[i] == 0 or np.isnan(el[i]) or abs(c[i] - el[i]) / a[i] > trend_max):
                 continue
             if c[i] < lo[i] and c[i - 1] >= lo[i - 1]: