feat(risk): filtro trend per alzare Acc e ridurre DD + modello portafoglio

Filtro opzionale trend_max/ema_long su tutte le fade (MR01/MR02/MR03/MR07):
salta i segnali quando |close-EMA200|/ATR supera la soglia (non fadare un trend
o crollo estremo). Con trend_max=3.0 (default in strategies.yml): accuratezza su
e DD giu' su 7/8 sleeve, drastico su ETH (MR01 71->26%, MR02 42->25%,
MR03 66->34%, MR07 46->21%); edge OOS confermato. MR03 BTC: filtro disattivo
(unico sleeve dove peggiora entrambe).

Scartate come non robuste: vol-target sizing e skip-alta-volatilita' (peggiorano
sia Acc che DD). Aggiunto modello di portafoglio equipesato su sotto-conti
indipendenti: DD aggregato ~14% full / ~10% OOS sul paniere di 8 sleeve, contro
20-70% del singolo -> vera leva anti-drawdown.

Banco di prova: scripts/analysis/risk_improvements.py, risk_portfolio.py.
Helper trend_distance() in fade_base. CLAUDE.md e diario aggiornati.

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

scripts/strategies/MR03_keltner_fade.py

@@ -26,7 +26,7 @@ import numpy as np
 import pandas as pd
 
 from src.strategies.base import Signal
-from src.strategies.fade_base import FadeStrategy, atr
+from src.strategies.fade_base import FadeStrategy, atr, trend_distance
 
 
 class KeltnerFade(FadeStrategy):
@@ -41,16 +41,21 @@ class KeltnerFade(FadeStrategy):
         k = params.get("k", 2.0)
         sl_atr = params.get("sl_atr", 2.0)
         max_bars = params.get("max_bars", 24)
+        trend_max = params.get("trend_max")          # None = filtro disattivo
+        ema_long = params.get("ema_long", 200)
 
         c = df["close"].values
         e = pd.Series(c).ewm(span=n, adjust=False).mean().values
         a = atr(df, n)
         up, lo = e + k * a, e - k * a
+        td = trend_distance(df, ema_long) if trend_max is not None else None
 
         signals: list[Signal] = []
         for i in range(n + 1, len(c)):
             if np.isnan(up[i]) or np.isnan(a[i]):
                 continue
+            if td is not None and (np.isnan(td[i]) or td[i] > trend_max):
+                continue
             if c[i] < lo[i] and c[i - 1] >= lo[i - 1]:
                 d, sl = 1, c[i] - sl_atr * a[i]
             elif c[i] > up[i] and c[i - 1] <= up[i - 1]: