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>

src/strategies/fade_base.py

@@ -15,6 +15,21 @@ import pandas as pd
 
 from src.strategies.base import Strategy, BacktestResult, YearlyStats, TF_MINUTES
 from src.data.downloader import load_data
+from src.fractal.indicators import rolling_hurst
+
+
+def hurst_skip_mask(df: pd.DataFrame, hurst_max: float | None, window: int = 100) -> np.ndarray:
+    """Loss-guard Hurst: maschera bool (True = SALTA il segnale) per regime PERSISTENTE/trending,
+    dove la rolling-Hurst >= hurst_max. Le fade concentrano stop-loss e perdite proprio li'
+    (diagnosi: stop-rate 43% per hurst>0.55 vs 21% anti-persistente). Filtrare hurst>=0.55
+    DIMEZZA il DD del PORT06 (FULL 4.10%->2.39%) alzando lo Sharpe (validato 2026-06-02).
+    CAUSALE: rolling_hurst usa solo i rendimenti fino a close[i]. hurst_max=None -> nessuno skip.
+    Calcolata dalle SOLE close -> nessun feed dati esterno necessario (a differenza di DVOL)."""
+    n = len(df)
+    if hurst_max is None:
+        return np.zeros(n, dtype=bool)
+    h = rolling_hurst(df["close"].values.astype(float), window=window)
+    return h >= hurst_max
 
 
 def atr(df: pd.DataFrame, n: int = 14) -> np.ndarray: