docs: update CLAUDE.md with post-research state (TP01 winner + research outcome)

deploy: TP01 trend portfolio (PORT LF4h) module + paper trader
- src/strategies/trend_portfolio.py: canonical winner, causal/no-leakage, reproduces CAGR +16.5% Sharpe 1.36 maxDD 13.8% - scripts/live/paper_trend.py: forward-only paper trader, persistent state, resume - tests/test_trend_portfolio.py: 5 tests (causality, profitability, long-only, paper parity)
2026-06-19 20:36:01 +02:00 · 2026-06-19 20:35:28 +02:00 · 2026-06-19 20:18:03 +02:00 · 2026-06-19 20:09:32 +02:00 · 2026-06-19 19:39:02 +02:00 · 2026-06-19 19:14:53 +02:00
26 changed files with 40 additions and 1742 deletions
@@ -43,12 +43,4 @@ data/games/
 # archived data (mirrors top-level data/ ignores, which are top-level-anchored)
 Old/data/
 Old/**/__pycache__/
 # run logs (rigenerabili dagli script)
 logs/
 # cache della ricerca trackE (rigenerabile)
 .cache_trackE_*.npy
 # feed backup pre-rebuild (binari rigenerabili, NON in git) + stato paper trader (runtime)
 data/_feed_backup/
 data/paper_trend/
@@ -21,19 +21,12 @@ Cosa è cambiato:
 Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condiviso
 `src/backtest/harness.py`). Sintesi in `docs/diary/2026-06-19-research-synthesis.md`.
- **TP01 Trend Portfolio — strategia DIFENSIVA robusta (non alpha)** —
+- **VINCITRICE (l'unica robusta e profittevole): TP01 Trend Portfolio** —
-  `src/strategies/trend_portfolio.py`. TSMOM multi-orizzonte (1-3-6 mesi) vol-targeted, long-flat,
+  `src/strategies/trend_portfolio.py`. TSMOM multi-orizzonte (1-3-6 mesi) vol-targeted,
-  50/50 BTC+ETH. Config canonica **PORT LF1d** (**>=12h, 1d raccomandato**, vol-target 20%, leva cap 2x):
+  50/50 BTC+ETH. Config canonica **PORT LF4h** (4h, long-flat, vol-target 20%, leva cap 2x):
-  **FULL Sharpe ~1.30, maxDD ~14%; HOLD-OUT 2025-26 Sharpe ~0.31 / +3.5%** mentre il buy&hold 50/50
+  **CAGR ~16.6%, Sharpe ~1.32-1.36, maxDD ~12-14%, positiva ogni anno 2019-2026**.
-  faceva −39%/DD60%. Verificata indipendentemente col gauntlet onesto (hold-out + cross-asset +
+  Robusta su tutti i TF (15m-1d), regge fee fino a 0.40% RT, su entrambi gli asset.
-  plateau + deflated-Sharpe 0.999): **regge**. **Valore = taglio del drawdown ~6× vs buy&hold**, NON
+  Paper trader: `scripts/live/paper_trend.py`. Test: `tests/test_trend_portfolio.py`.
  generazione di ritorno (CAGR ~16% vs ~48% del buy&hold sul toro).
  ⚠️ **LOOK-AHEAD (2026-06-19):** un ffill MIXED-TIMEFRAME su barre open-labeled gonfiava il 4h
  (~1.60 → reale ~1.1). Il calcolo per-singolo-TF è leak-free, ma **NON scendere sotto le 12h**:
  costi+overfitting dominano senza vantaggio (FULL Sh piatto ~1.3 da 12h a 4h; hold-out migliore a 1d).
  Deploy/paper a **1d**. Diari `2026-06-19-tp01-verification.md` / `-tp01-lookahead-fix-lf.md`.
  Paper trader: `scripts/live/paper_trend.py` (1d). Test: `tests/test_trend_portfolio.py`.
  Ri-verifica: `scripts/analysis/{verify_tp01,stress_tp01,tp01_lowfreq}.py`.
 - **Edge deboli ma reali** (NON standalone, NON migliorano il portafoglio): ML walk-forward
  su BTC (Sharpe ~0.57), trend 1h long-short (Sharpe ~1.0), relative-value market-neutral
  ETH/BTC (scorrelato ~0.05 ma Sharpe solo 0.27 → troppo debole per alzare lo Sharpe).
@@ -0,0 +1,13 @@
 {
  "capital": 2000.0,
  "initial_capital": 2000.0,
  "start_ts": 1781884800000,
  "last_ts": 1781884800000,
  "positions": {
    "BTC": 0.0,
    "ETH": 0.0
  },
  "n_bars": 0,
  "peak": 2000.0,
  "max_dd": 0.0
 }
@@ -1,62 +0,0 @@
 # 2026-06-19 — Ricerca frattale multi-agente (63 agenti) su BTC/ETH
 Su richiesta: 50+ agenti in parallelo a cercare strategie NUOVE ispirate ai due documenti
 frattali (`Libro_frattali` + `Pythagoras_Trading_Prediction`), timing/asset diversi, ognuna
 validata sull'harness onesto. Eseguito come Workflow: **63 agenti, ~2h, 3.8M token.**
 ## Cosa è stato testato
 16 concetti frattali estratti dai documenti (sotto la patina esoterica: coscienza, frequenze
 Solfeggio, numeri sacri → idee testabili): alfabeto candle U/D/0 (3-6, LONG), Fourier/cicli,
 ricorrenza di Poincaré (analoghi kNN), centro di inversione Evideon (mirror tempo+prezzo),
 indicatore H-C (~588/25 ≈ 23.5 barre), numeri-universali come periodi, invarianza di forma,
 entropia di Shannon ("coscienza") come gate, confluenza multi-TF, grammatica composizionale,
 fase-ricorrenza. × BTC/ETH × {5m,15m,1h} = **52 ipotesi**.
 Ogni segnale: scritto da un agente come funzione `signal()`, valutato da `eval_signal.py`
 (stesso harness onesto) con **guard automatico anti-look-ahead** (ricalcolo su prefissi).
 Superstiti → verifica avversariale con sblocco una-tantum del **hold-out 2025-26**.
 ## Esito
 - **Verdetti**: 29 rumore, 12 "real" (netto-fee positivo ma non battono il buy&hold), 11 "edge"
  (in-sample: battono B&H + null p<0.05 + leak=0).
 - **Guard anti-look-ahead**: nessun leak passato (gli agenti hanno prodotto segnali causali; i
  pochi tentativi con futuro sono stati auto-squalificati e corretti).
 - **Hold-out (la prova del nove)**: dei **11 superstiti in-sample, 10 REFUTATI** — performance
  catastrofica nel 2025-26 (hurst-DFA −0.49, hc-cycle −0.83, vol-accel −1.16, universal-periods
  −0.42…−1.04, spectral-entropy −0.38/+0.29, multitf −0.49, solfeggio-BTC −0.64). Stessa firma di
  sempre: **regime-luck del toro 2018-2024, sparito out-of-sample.**
 - **1 "confermato"** dalla verifica per-agente: `momentum_solfeggio_cycle` **ETH 1h** (holdout
  Sharpe +1.19, ret +49% mentre il buy&hold ETH faceva −49%). Sembrava un trionfo.
 ## Ma il "vincitore" cade al test cross-asset (kill decisivo)
 Il guard per-agente valuta un asset alla volta e non poteva vedere il quadro. Ho rieseguito **lo
 stesso identico codice** sui due major:
 | Signal (identico) | FULL Sharpe | HOLD-OUT Sharpe | HOLD-OUT ret |
 |---|---|---|---|
 | Solfeggio-cycle su **ETH** 1h | 1.54 | **+1.19** | +49% |
 | Solfeggio-cycle su **BTC** 1h | 1.17 | **−0.25** | −7.5% |
 Un edge robusto non fallisce sull'altro major. La stessa logica (long-only ~20% esposta, filtro
 SMA(588), timing su ciclo ~24) che ha "schivato" il crash ETH 2025 **perde su BTC nello stesso
 hold-out**. È **fortuna di regime di un singolo asset**, non skill. Aggravanti: costanti
 numerologiche ad-hoc (24/588/56, "odore" di overfit, già notato dal verificatore); e con 52 trial,
 trovare 1 segnale che passa un singolo regime di hold-out è atteso per puro caso (1/11 ≈ chance).
 ## VERDETTO
 **La ricerca frattale multi-agente (52 ipotesi, 63 agenti) NON ha trovato alcun edge robusto.**
 I concetti frattali/esoterici si sono comportati esattamente come le famiglie convenzionali (Fasi
 1-3): edge in-sample da regime-luck del toro, refutati dal hold-out; e l'unico che passava il
 hold-out su un asset fallisce sull'altro. **Nessuna magia nei numeri Solfeggio/sacri.**
 Il valore: il processo disciplinato (guard anti-look-ahead + hold-out bloccato + **test cross-asset**)
 ha catturato un falso "trionfo" (+49% vs −49%!) che sul vecchio sistema contaminato sarebbe finito
 dritto in produzione. È la quinta conferma indipendente che su BTC/ETH non c'è un edge facile.
 ## Stato della ricerca dopo tutte le fasi
 Testato: mean-reversion, momentum/trend, vol, lead-lag, hurst, shape-ML, e 16 famiglie frattali ×
 multi-TF/asset. **Niente di robusto, fee-surviving, OOS e cross-asset.** Le direzioni oneste
 restano: (a) accettare il ceiling = long risk-managed (no alpha); (b) allargare l'universo dati
 CERTIFICATO oltre BTC/ETH; (c) fonti di segnale ortogonali al prezzo (on-chain, basis multi-venue,
 opzioni multi-regime) — tutte richiedono nuovi dati certificati. Artefatti: `eval_signal.py`,
 workflow `fractal-strategy-search`, ~52 segnali in `/tmp/pyth_sig_*.py`.
@@ -1,58 +0,0 @@
 # 2026-06-19 — Ricerca v2.0.0: Fase 0 (harness) + Fase 1 (triage superstiti)
 Primo log di ricerca post-reset. Universo certificato: BTC/ETH, 1h. Hold-out 2025+ BLOCCATO.
 ## Fase 0 — harness onesto (`scripts/analysis/research_lab.py`)
 Banco di prova causale per costruzione (modello a SERIE DI POSIZIONE: `pos[i]` decisa entro
 `close[i]`, guadagna `close[i]→close[i+1]`, fee sul turnover |Δpos|). Metriche
 Sharpe/CAGR/DD/exposure/turnover, finestra OOS, **null model a rotazione circolare**
 (p-value: il timing batte il caso?), baseline buy&hold, sweep fee.
 **Self-test del banco (valida l'HARNESS, non una strategia):**
 - buy&hold BTC: Sharpe 0.79 (sanity OK).
 - CHEAT look-ahead (pos = segno del rendimento futuro): Sharpe **58**, p=0.005 → l'engine
  VEDE un edge reale quando esiste.
 - NOISE causale a basso turnover: Sharpe **0.14**, p=0.26 → l'engine NON inventa edge dal
  nulla (niente leak, niente skill spuria).
 Il banco è affidabile. → ogni numero qui sotto è netto fee e causale.
 ## Fase 1 — triage dei 2 superstiti (`scripts/analysis/phase1_survivors.py`)
 Sul feed pulito solo SH01 (shape-ML) e frammenti HONEST mostravano segnale residuo. Delle
 HONEST solo **DIP** è testabile su BTC/ETH (TR01/ROT02 richiedono alt esclusi). Re-implementati
 come serie di posizione, passati ai gate onesti.
 ### DIP reversion (long-only) — ☠️ MORTO
 Griglia 3×3 (n, k) **tutta negativa** su entrambi gli asset (nessun plateau). Config centrale
 n50 k2.0: FULL Sharpe −0.17 (BTC) / −0.06 (ETH); a fee 0% appena +0.02/+0.09 (niente edge nemmeno
 lordo). OOS-VAL marginale (+0.36/+0.16) ma **null p=0.84-0.89** (peggio del caso). Rumore.
 ### SH01 shape-ML (walk-forward LogReg) — ☠️ FEE-DEAD
 Pattern coerente su BTC/ETH, long/short e long-only:
 | Variante | Sh fee0% | Sh fee0.05% | Sh fee0.10% | trade/anno | null p |
 |---|---|---|---|---|---|
 | BTC L/S | +0.32 | −0.70 | −1.71 | 877 | 0.167 |
 | BTC long-only | +0.73 | −0.06 | −0.84 | 555 | 0.072 |
 | ETH L/S | +0.31 | −0.40 | −1.11 | 773 | 0.137 |
 | ETH long-only | +0.46 | −0.04 | −0.53 | 485 | 0.142 |
 C'è un **sussurro di segnale LORDO** (Sharpe 0.3-0.7 a fee zero) ma il turnover (485-877
 trade/anno) lo divora: a fee reale tutte negative, e **nessuna batte il null** (p>0.05). Net-fee:
 rumore.
 ## VERDETTO Fase 1
 **Né DIP né shape-ML sopravvivono su BTC/ETH certificato net-fee.** Nessuno dà Sharpe netto >0,
 nessuno batte il null (p<0.05), nessuno batte il **buy&hold** (Sharpe 0.79/0.84 — di fatto la
 "strategia" più forte vista finora). Si conferma: i "superstiti" della vecchia libreria erano,
 come il resto, non-edge. Chiusi.
 ## Lead onesto per la Fase 2
 L'unico segnale non-nullo è il **gross shape-ML** (Sharpe 0.3-0.7 a fee zero), ucciso dal
 turnover. Direzione: esprimere quel segnale a **turnover molto più basso** (orizzonte di holding
 lungo, soglia forte, o come GATE di regime invece che flip per-barra) per vedere se il sussurro
 lordo sopravvive alle fee. È un lead, NON un edge. Inoltre: la barra reale da battere è il
 **buy&hold** (Sharpe ~0.8) — una strategia di timing deve fare meglio di "stai sempre long",
 net-fee.
@@ -1,69 +0,0 @@
 # 2026-06-19 — Ricerca v2.0.0: Fase 2 (famiglie) + analisi OPTIONS
 Universo certificato BTC/ETH. Barra da battere = **buy&hold** (Sharpe 0.79 BTC / 0.84 ETH).
 Tutto netto fee 0.10% RT, hold-out 2025+ BLOCCATO. Harness: `research_lab.py`.
 ## Fase 2 — esplorazione famiglie (`phase2_families.py`)
 24 combinazioni famiglia×asset×TF, ognuna: scan griglia → config migliore → gate onesti
 (FULL/OOS-VAL, vs buy&hold, null p-value a rotazione, sweep fee).
 ### Esiti per famiglia
 - **REVERSAL (mean-reversion breve): ☠️ MORTA OVUNQUE.** FULL Sharpe da −1 a −5.6 (peggio a
  15m: fee-death, −5.6 BTC / −4.6 ETH), gross ≈0, null p 0.45-0.82. **Smentisce definitivamente
  la tesi storica del progetto ("l'edge è sempre mean-reversion")**: era artefatto del feed.
 - **TSMOM / MA-cross / Donchian (trend, long-only): segnale REALE ma MODESTO.** Le versioni
  long-only (basso turnover) battono o eguagliano il buy&hold:
  - **MA-cross long-only**: ETH FULL **1.12** / OOS 0.89 / p **0.007**; BTC FULL **0.90** / OOS
    1.99 / p **0.040**. Plateau sulla griglia (ETH 12/48 e 48/192 entrambi 1.1), coerente sui
    DUE asset, basso turnover (53-106 trade/anno). **Unici 2 a passare: battono B&H + OOS>0 + p<0.05.**
  - Donchian long-only: FULL 0.84-0.94, OOS ottimo (BTC 2.37) ma p 0.08-0.10 (pochi trade → null
    rumoroso). TSMOM long-only: ETH 0.83 (≈B&H). Le L/S perdono (turnover + short su asset in trend).
 - **VOL-TARGET overlay**: ≈ buy&hold (FULL 0.77-0.84), p alto → non distinguibile dal B&H, ma è
  un riduttore di vol/DD (mantiene lo Sharpe scalando l'esposizione).
 - **HURST-gate, LEAD-LAG BTC↔ETH**: niente. (Hurst-mom ETH p=0.043 ma sotto il B&H; lead-lag
  fee-dead.)
 ### Verdetto Fase 2
 L'unica cosa reale su BTC/ETH certificato è il **trend-following long-only** (MA-cross in testa):
 un **long con gestione del rischio** che batte il buy&hold di poco (Sharpe ~0.9-1.1 vs 0.8)
 evitando i drawdown peggiori. È un effetto noto in letteratura (time-series momentum), NON alpha
 market-neutral. **Caveat multiple-testing**: 2 flag su ~24 test ≈ soglia del caso; ma la stessa
 famiglia vince su ENTRAMBI gli asset con plateau → è un LEAD genuino, non confermato. La barra
 vera resta il B&H, e l'OOS-VAL alto di BTC (1.99) puzza di "2024 anno di trend forte" → serve la
 prova del hold-out 2025-26 + regimi bear + stress fee/slippage + deflated-Sharpe (Fase 3).
 ## Analisi OPTIONS (`options_analysis.py`)
 Dati reali cerbero-bite mainnet, ma finestra **~2026-05-01→06-11 (~6 sett., REGIME UNICO calmo)**.
 ### Livelli misurati (reali)
 - **VRP (IV − RV) positivo il 100% del tempo**: BTC +10, ETH +14 punti di vol annua. Le opzioni
  sono sistematicamente CARE in questa finestra → vendere vol/covered-call avrebbe incassato premio.
 - **Skew put positivo**: BTC IV put-10%OTM 44% vs call 35% (skew +10 pt); ETH 54 vs 49 (+5). Il
  crash è prezzato (assicurazione cara).
 - **Costo put protettiva** (mensile, %-del-notional): ~10% OTM = **0.98% BTC / 1.36% ETH**; ATM
  3.3%/5.0%; ~15% OTM 0.83%/0.71%. Liquidità: ATM spread ~3%, OTM 7-12%. Mensile ben popolato
  (499-2043 strike), settimanale OTM sottile. Funding perp ≈ 0 (nessun carry).
 ### Verdetto OPTIONS
 **Nessun edge su opzioni è validabile ora**: 6 settimane, regime unico calmo. Il segnale
 VRP-positivo / sell-vol è ESATTAMENTE ciò che brilla in calma e salta in aria nei crash (è il
 rischio che viene pagato) — non testabile senza un crash nel campione. Ruoli legittimi (entrambi
 NON validabili ora, solo forward):
 - **(a) Tail-cap / catastrofe**: put OTM standing su un book long (il candidato trend ha DD grossi).
  Costa ~1-1.5%/mese a 10% OTM — gateabile coi premi reali misurati qui. Overlay per-trade 24h
  INFATTIBILE (strike OTM corti inesistenti/illiquidi); standing settimanale/mensile FATTIBILE.
 - **(b) Harvest del VRP** (covered call / put-spread): +10-14 pt ci sono ORA, ma è una scommessa
  short-vol che richiede un crash nel campione per essere giudicata onestamente. Non l'abbiamo.
 **Raccomandazione**: le opzioni NON sono un'avenue di ricerca a breve (manca storia multi-regime).
 Mosse: (1) lasciare cerbero-bite ad accumulare (gratis, reale, costruisce in avanti il dataset
 multi-regime); (2) rivalutare quando la finestra attraversa un crash/alta-vol; (3) intanto, l'unico
 uso giustificato è come OVERLAY (tail-cap su una strategia spot), gateato sui premi reali qui sopra.
 ## Prossimo passo
 Fase 3 sul solo candidato reale (trend-following long-only, MA-cross): sblocco UNA volta del
 hold-out 2025-26, comportamento nei bear (2018/2022), stress fee×2 + slippage + lag, deflated-Sharpe
 per il multiple-testing. Se regge → è la prima strategia onesta del progetto v2.0.0 (modesta:
 migliora il buy&hold, non lo stravolge). Se non regge → anche il trend era sample-luck.
@@ -1,62 +0,0 @@
 # 2026-06-19 — Ricerca v2.0.0: Fase 3, conferma avversariale del candidato trend
 Candidato: **trend-following long-only (MA-cross)**, l'unico a passare i gate base in Fase 2.
 Protocollo: selezione config solo pre-hold-out → sblocco una-tantum del hold-out 2025-26 →
 breakdown bear → stress → deflated-Sharpe. Script `phase3_confirm.py`.
 ## Esito: ☠️ NON CONFERMATO — era regime-luck del mercato toro
 ### (1) Pre-hold-out (2018-2024): forte e robusto
 Plateau pieno: BTC Sharpe 0.91-1.16, ETH 1.19-1.48 su tutte le config. **Deflated-Sharpe**
 (N=60 trial): BTC DSR **0.990**, ETH **0.982** → l'effetto trend era REALE e robusto al
 multiple-testing **sul 2018-2024**.
 ### (2) HOLD-OUT 2025-26 (sbloccato una volta) — FALLISCE
 | | buy&hold | trend 24/96 | trend 96/288 (slow) |
 |---|---|---|---|
 | BTC Sharpe | −0.37 | **−0.81** | −0.00 |
 | BTC ret | −32.9% | −33.6% | −5.0% |
 | ETH Sharpe | −0.32 | **−0.95** | −0.01 |
 | ETH ret | −49.3% | −52.0% | −11.3% |
 Il 2025-26 è stato un periodo in DISCESA (buy&hold negativo). Il trend long-only — che "dovrebbe"
 schivare i bear — si è fatto **frullare** (whipsaw): perde quanto o PIÙ del buy&hold, Sharpe negativo
 su ogni config. Solo la MA lentissima (96/288) limita i danni a ~flat (−5/−11%), ma è cherry-pick
 post-hoc e comunque NON positiva.
 ### (3) Per anno — il meccanismo
 Il trend cattura ~70-80% degli anni TORO (2019-2024) e attutisce i bear IN-SAMPLE (2018 −1% vs
 −39%; 2022 −47% vs −65%). MA nel 2025 OUT-OF-SAMPLE ha fatto **peggio** del buy&hold (BTC −25% vs
 −7%; ETH −41% vs −11%): frullato in un mercato choppy/discendente. È il classico fallimento del
 trend-following nei bear laterali. → l'edge 2018-24 era **beta del toro con risk-management**, non
 alpha persistente.
 ### (4) Stress
 FULL regge modestamente (Sharpe 0.65-0.91 anche a fee2x+lag), ma HOLD-OUT è negativo ovunque
 (−0.81 → −1.34) e peggiora sotto stress. Fragile.
 ### (5) Deflated-Sharpe
 DSR>0.95 sul pre-hold-out → conferma che l'effetto era statisticamente reale **nel campione di
 training**. Lezione chiave: **robustezza statistica in-sample ≠ persistenza out-of-sample.** Il
 hold-out bloccato ha colto ciò che DSR da solo non poteva — il cambio di regime.
 ## VERDETTO FINALE (Fasi 0-3)
 **Nessun edge validato, fee-surviving e out-of-sample esiste su BTC/ETH tra le famiglie testate.**
 Il trend-following era il miglior candidato: reale 2018-24 (toro), ma **bocciato sul hold-out
 2025-26** (whipsaw, sotto il buy&hold). La barra realistica resta il **buy&hold** (Sharpe ~0.8
 sullo storico, ma −0.3/−0.4 nel 2025-26: anche "stai long" è stato duro di recente).
 Il processo disciplinato ha funzionato: **ha evitato di deployare un falso edge** (che, sul vecchio
 sistema contaminato, sarebbe finito in produzione). Questo è il valore del reset.
 ## Implicazioni / direzioni
 - **Non deployare** il trend come edge: è regime-dipendente, non batte il buy&hold OOS.
 - Con **solo BTC/ETH prezzo**, il pozzo dei segnali è poco profondo: timing puro non ha edge robusto.
 - Opzioni: nessun ruolo a breve (confermato). Tenere cerbero-bite ad accumulare per uno studio
  multi-regime futuro.
 - Scelte oneste per andare avanti: (a) accettare che il "ceiling" su BTC/ETH è un long risk-managed
  (no alpha) e ottimizzare quello (vol-target per ridurre DD, non per battere il mercato); (b)
  allargare l'universo dati CERTIFICATO (servono asset liquidi+puliti oltre BTC/ETH, che Deribit non
  offre bene → valutare un secondo venue mainnet certificabile); (c) fonti di segnale ortogonali al
  prezzo (on-chain, funding/basis multi-venue, opzioni multi-regime) — tutte richiedono nuovi dati
  certificati prima di poterci credere.
@@ -1,43 +0,0 @@
 # 2026-06-19 — TP01: look-ahead ffill mixed-TF, ri-verifica e adozione bassa frequenza (>=12h)
 Segnalazione utente/agente: un look-ahead **ffill MIXED-TIMEFRAME su barre open-labeled**
 (`resample(label="left")`) gonfiava il 4h a Sharpe ~1.60; il risultato reale è ~1.1.
 Conclusione: **NON scendere sotto le 12h** — costi e overfitting dominano.
 ## Cosa ho verificato (`scripts/analysis/tp01_lowfreq.py`)
 Ricalcolo TP01 PULITO **per singolo TF** (barre discrete, posizione shiftata +1, NESSUN
 ffill/combine mixed-TF), con un **guard di causalità esplicito** (ricalcolo `target_series` su
 prefisso → `tgt[i]` invariato). Esito (fee 0.10% RT, hold-out 2025-26 bloccato):
 | TF | leak | FULL Sh | FULL ret | HOLD Sh | HOLD ret | HOLD DD |
 |---|---|---|---|---|---|---|
 | 4h | **0** | 1.36 | +204% | 0.27 | +2.8% | 8.3% |
 | 6h | **0** | 1.42 | +217% | 0.21 | +2.1% | 7.9% |
 | 12h | **0** | 1.32 | +198% | 0.22 | +2.3% | 8.6% |
 | **1d** | **0** | 1.30 | +201% | **0.31** | **+3.5%** | 7.5% |
 | buy&hold 50/50 1d | — | 0.92 | +1671% | **−0.32** | **−39%** | 59% |
 ## Lettura
 - **Il path single-TF che ho usato in verify/stress è LEAK-FREE** (guard=0 su ogni TF): il
  gonfiaggio 1.60 stava nel path **mixed-TF ffill** (ensemble/combine, es. trackE), NON nel
  portafoglio single-TF. Per questo il mio 4h era 1.36 (non 1.60).
 - **La conclusione "≥12h" è comunque CORRETTA e la adotto**: il FULL Sharpe è PIATTO ~1.3 da 12h
  a 4h → scendere sotto le 12h NON dà vantaggio reale, aggiunge solo costi/turnover e rischio
  overfit/look-ahead (lo stress mostrava il margine hold-out del 4h fragile a lag/fee). **1d è il
  migliore**: hold-out Sharpe 0.31 (il più alto), DD 7.5%, turnover/costi minimi, leak-free.
 - Allinea anche col numero dell'agente: il "reale ~1.1" è del path mixed-TF corretto; il mio
  single-TF pulito dà ~1.3 FULL. In ogni caso **edge difensivo modesto**, non alpha.
 ## Decisioni applicate
 - **Canonica deploy → PORT LF1d** (era LF4h). `trend_portfolio.py`: docstring aggiornata + nota
  look-ahead; aggiunti `resample_tf`/`resample_1d`, `resample_4h` marcato deprecato per il deploy.
 - **Paper trader → 1d** (`paper_trend.py`: `resample_1d`, `build_bars`, etichette 1d; gira, 5 test ok).
 - **CLAUDE.md**: TP01 ridescritta come DIFENSIVA, canonica ≥12h/1d, gotcha look-ahead documentato.
 - **Gotcha riusabile:** mai ffill/combine MIXED-TIMEFRAME su timestamp open-labeled (`label="left"`):
  la close del bar (nota solo a fine bar) verrebbe propagata indietro all'open-label → look-ahead.
  Il calcolo per-singolo-TF a barre discrete (posizione +1) è sicuro; il guard prefix-recompute lo prova.
 ## Verdetto invariato
 TP01 resta la prima strategia onesta del progetto: **difensiva** (taglia il DD ~6× vs buy&hold,
 hold-out 2025-26 positivo su entrambi gli asset), modesta nel ritorno. Deploy a **1d**, forward-only
 paper trader, prima di qualsiasi capitale reale.
@@ -1,84 +0,0 @@
 # 2026-06-19 — Verifica TP01 (branch strategy-research-2026-06) col gauntlet onesto
 Una ricerca PARALLELA (branch `strategy-research-2026-06`, AdrianoDev) dallo stesso baseline
 v2.0.0 ha trovato TP01 come "unica vincitrice". La mia linea (Fasi 2-3) aveva bocciato il trend
 sul hold-out 2025-26. Ho riprodotto TP01 VERBATIM (`scripts/analysis/verify_tp01.py`) e l'ho
 passato al mio gauntlet. **TP01 REGGE — la mia conclusione precedente era incompleta.**
 ## TP01 = TSMOM 30/90/180g, **vol-target 20%**, leva cap 2x, **long-flat**, portafoglio 50/50 BTC+ETH (4h)
 ## Esiti del gauntlet
 **(A) Multi-TF (4h cherry-picked?) — NO, plateau robusto:**
 | TF | FULL Sharpe | HOLD-OUT Sharpe |
 |---|---|---|
 | 15m | 0.93 | −0.31 |
 | 1h | 1.32 | +0.20 |
 | **4h** | **1.36** | **+0.27** |
 | 1d | 1.30 | +0.31 |
 1h/4h/1d danno tutti FULL ~1.3 e hold-out positivo → non è un artefatto di un singolo TF (solo il 15m, fee-sensibile, fallisce).
 **(C) HOLD-OUT 2025-26 (il test che ha ucciso il mio trend 1h) — TP01 PROTEGGE:**
 | | Sharpe | ret | DD |
 |---|---|---|---|
 | **TP01 portfolio** | **+0.27** | **+2.8%** | **8.3%** |
 | buy&hold 50/50 | −0.35 | **−39.4%** | 59.8% |
 **(D) Cross-asset nel hold-out — regge su ENTRAMBI** (BTC sleeve +2.9% Sh 0.24, ETH +2.4% Sh 0.24).
 A differenza del "vincitore" frattale (+ETH/−BTC), TP01 protegge coerentemente su BTC E ETH.
 **(B) Per anno:** positiva quasi ogni anno 2019-2026 (eccezioni piccole: 2022 −2.4%, 2026-YTD −0.9%),
 DD annui 1-12%. Il claim "positiva ogni anno" è lievemente ottimistico ma sostanzialmente vero.
 ## Perché TP01 regge dove il MIO trend (Fase 3) è caduto
 La differenza chiave è il **VOL-TARGETING** (che NON avevo combinato col trend): TP01 scala
 l'esposizione ∝ 1/vol_realizzata → nel crollo 2025-26 la vol è esplosa e TP01 si è messo
 quasi in cash, schivando il drawdown. Il mio MA-cross 1h aveva esposizione fissa ed è rimasto
 long nel chop → frullato. Concorrono: TSMOM multi-orizzonte (più liscio del MA-cross), long-flat
 (niente perdite short), diversificazione 50/50. **La mia "trend = regime-luck" era vera per il
 trend NUDO; TP01 = trend + vol-target + portafoglio è un'altra cosa, e robusta.**
 ## Cosa È onestamente TP01 (no oversell)
 - **Edge DIFENSIVO, non alpha**: FULL Sharpe 1.36 vs buy&hold 0.92 — MA CAGR +16.6% vs +48.1%.
  Su tutto il toro il buy&hold ha reso ~8x di più. Il valore di TP01 è il **DD** (13.8% vs 77.5%
  full; 8% vs 60% nel hold-out) e la **protezione dai crash**.
 - Nel hold-out 2025-26 ha fatto solo +2.8% (Sharpe 0.27, basso): ha **protetto, non profittato**.
 - Un solo regime di hold-out, ma il vol-targeting è meccanico (high vol → low expo) → generalizza
  per costruzione meglio di un timing fittato.
 - Config canonica (30/90/180, vol20%, lev2x) non iper-tunata; 4h non cherry-picked (plateau).
 ## VERDETTO
 **TP01 è la PRIMA strategia onesta e robusta del progetto post-reset.** Supera il mio gauntlet
 (hold-out positivo su entrambi gli asset, plateau multi-TF, causale, fee-aware). È modesta e
 difensiva (Sharpe ~1.3, soffitto strutturale dichiarato corretto), ma è reale: migliora il
 rischio/rendimento del buy&hold tagliando i drawdown e proteggendo nei crash. La ricerca parallela
 ha fatto centro proprio sul pezzo che la mia linea non aveva combinato (vol-target sul trend).
 **Raccomandazione:** integrare il branch su main (modulo `trend_portfolio.py` + paper trader),
 trattare TP01 come baseline operativa difensiva. Aspettative oneste verso il target €50/g: a
 Sharpe 1.3 / CAGR 16.6% servono molto capitale o leva (con più DD) — TP01 è un fondamento solido,
 non una scorciatoia.
 ## STRESS-TEST (`scripts/analysis/stress_tp01.py`, integrato e rieseguito sul modulo vero)
 | Dimensione | Esito |
 |---|---|
 | **Sweep fee** | FULL robusto fino a **0.40% RT** (Sh 1.44→1.36→1.28→1.13). HOLD-OUT SOTTILE: +2.8%/Sh0.27 a 0.10% → ~flat (Sh 0.03) a 0.40% |
 | **Lag/slippage** | FULL robusto (1.29-1.43). HOLD-OUT si erode: lag1(4h)→Sh0.12, lag2→−0.02, lag1+fee0.20%→0.04 |
 | **Plateau parametri** | OTTIMO — target_vol/leva/orizzonti/vol_win tutti reggono o migliorano (orizzonti 20/60/120 → Sh 1.61). **NON un picco cherry-picked** |
 | **Deflated-Sharpe** | DSR **0.999** a N=10/40/100 trial → il Sharpe FULL non è artefatto di multiple-testing |
 **Verdetto stress (onesto):**
 - **Robustezza FULL-period: FORTE.** TP01 supera fee 0.40%, lag, ampio plateau di parametri, e
  deflated-Sharpe. NON è overfit né cherry-picked — la proprietà robusta è il **taglio del
  drawdown** (13.8% vs 77.5% full; 8% vs 60% hold-out), invariante a tutto lo stress.
 - **Edge di RITORNO nel hold-out: REALE ma SOTTILE e sensibile alla frizione.** Nel 2025-26 ha
  schivato il crash in modo affidabile (DD 8% vs 60%) ma ha **protetto più che profittato** (+2.8%,
  Sh 0.27), e quel sottile positivo si assottiglia a zero sotto fee2x o lag 2 barre.
 **Conclusione:** la proprietà **deployabile e robusta di TP01 è la PROTEZIONE del drawdown**, non
 la generazione di alpha. È una strategia difensiva genuina (prima del progetto a superare gauntlet
 + stress), ma a basso ritorno: il valore è "Sharpe ~1.3 con DD ~6× più piccolo del buy&hold",
 non "battere il mercato". Per il capitale reale: il vol-targeting + long-flat sono meccanici e
 generalizzano; il rischio residuo è la frizione di esecuzione sul filo del sottile edge di ritorno
 nei regimi avversi → da monitorare col paper trader forward-only prima di scalare.
@@ -1,96 +0,0 @@
 """EVALUATOR STANDARD per i segnali della ricerca multi-agente (Fase frattale, v2.0.0).
 Ogni agente scrive SOLO una funzione `signal(df, asset, tf) -> np.ndarray` (posizione per barra
 in [-1,1], decisa entro close[i]) in un file. Questo evaluator la valuta in modo UNIFORME e ONESTO
 sull'harness research_lab, e — cruciale — esegue un GUARD ANTI-LOOK-AHEAD automatico: ricalcola il
 segnale su prefissi del df e verifica che pos[i] non dipenda da barre future (leak>0 = sospetto).
    uv run python scripts/analysis/eval_signal.py <signal_file.py> <BTC|ETH> <5m|15m|1h> [--holdout]
 Stampa una riga "RESULT_JSON:{...}" con tutte le metriche (gli agenti riportano quei campi esatti).
 """
 from __future__ import annotations
 import sys
 import json
 import importlib.util
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 from src.data.downloader import load_data
 from scripts.analysis.research_lab import backtest, buy_hold, mc_pvalue, VAL_START, HOLDOUT_START
 def load_signal(path):
    spec = importlib.util.spec_from_file_location("usig", path)
    m = importlib.util.module_from_spec(spec)
    spec.loader.exec_module(m)
    if not hasattr(m, "signal"):
        raise AttributeError("il file non definisce signal(df, asset, tf)")
    return m.signal
 def causality_guard(signal, df, asset, tf, k=12):
    """Ricalcola il segnale su prefissi df[:i+1] e confronta pos[i] col run completo.
    Se differiscono -> il segnale usa dati FUTURI (look-ahead). Ritorna #violazioni (0 = pulito)."""
    full = np.asarray(signal(df, asset, tf), float)
    n = len(df)
    if len(full) != n:
        return -1
    rng = np.random.default_rng(0)
    idx = rng.integers(int(n * 0.6), n - 1, size=k)
    bad = 0
    for i in idx:
        try:
            p = np.asarray(signal(df.iloc[:i + 1].copy(), asset, tf), float)
        except Exception:
            bad += 1; continue
        if len(p) != i + 1 or not np.isclose(np.nan_to_num(p[i]), np.nan_to_num(full[i]), atol=1e-6):
            bad += 1
    return bad
 def main():
    args = sys.argv[1:]
    holdout = "--holdout" in args
    args = [a for a in args if a != "--holdout"]
    sigfile, asset, tf = args[0], args[1].upper(), args[2]
    res = {"asset": asset, "tf": tf, "sigfile": sigfile}
    try:
        signal = load_signal(sigfile)
        df = load_data(asset, tf)
        pos = np.asarray(signal(df, asset, tf), float)
        res["n"] = int(len(df))
        res["len_ok"] = bool(len(pos) == len(df))
        if not res["len_ok"]:
            res["error"] = f"len(pos)={len(pos)} != len(df)={len(df)}"
            print("RESULT_JSON:" + json.dumps(res)); return
        res["finite"] = bool(np.isfinite(np.nan_to_num(pos, nan=0.0)).all())
        res["leak"] = int(causality_guard(signal, df, asset, tf))
        full = backtest(df, pos, tf)
        oos = backtest(df, pos, tf, lo=VAL_START, hi=HOLDOUT_START)
        bh = buy_hold(df, tf)
        _, p, _, _ = mc_pvalue(df, pos, tf, n=250)
        res.update(
            implemented=True,
            full_sharpe=round(full.sharpe, 3), full_ret=round(full.ret, 3), full_dd=round(full.maxdd, 3),
            oos_sharpe=round(oos.sharpe, 3), bh_sharpe=round(bh.sharpe, 3),
            gross_sharpe=round(backtest(df, pos, tf, fee_rt=0.0).sharpe, 3),
            fee02_sharpe=round(backtest(df, pos, tf, fee_rt=0.002).sharpe, 3),
            turnover=round(full.ntrades, 1), exposure=round(full.exposure, 3),
            null_p=round(p, 4),
            beats_bh=bool(full.sharpe > bh.sharpe and oos.sharpe > 0),
        )
        if holdout:
            ho = backtest(df, pos, tf, lo=HOLDOUT_START)
            res["holdout_sharpe"] = round(ho.sharpe, 3)
            res["holdout_ret"] = round(ho.ret, 3)
            res["holdout_dd"] = round(ho.maxdd, 3)
    except Exception as e:
        res["implemented"] = False
        res["error"] = f"{type(e).__name__}: {str(e)[:200]}"
    print("RESULT_JSON:" + json.dumps(res))
 if __name__ == "__main__":
    main()
@@ -1,121 +0,0 @@
 """ANALISI OPTIONS per BTC/ETH — onesta sui dati REALI disponibili (cerbero-bite mainnet).
 Dati: Old/data/options (chain per-strike + dvol + market_snapshots). Finestra ~2026-05-01→06-11
 (~6 settimane, REGIME UNICO calmo). NON si può validare OOS un edge su opzioni qui; si possono
 MISURARE i livelli reali (VRP, premi put, skew, liquidità) e ragionare sull'USO delle opzioni
 per il book BTC/ETH certificato. cerbero-bite è ancora vivo -> la fonte continua ad accumulare.
    uv run python scripts/analysis/options_analysis.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 OPT = PROJECT_ROOT / "Old" / "data" / "options"
 def load(name):
    return pd.read_parquet(OPT / name)
 def market_snapshots_analysis():
    print("=" * 90)
    print("  (1) MARKET SNAPSHOTS — VRP, DVOL, funding, dealer-gamma (livelli reali)")
    print("=" * 90)
    ms = load("market_snapshots.parquet")
    t = pd.to_datetime(ms["timestamp"], utc=True, errors="coerce")
    print(f"  copertura: {t.min()} -> {t.max()}  ({len(ms)} righe)")
    for a in ("BTC", "ETH"):
        d = ms[ms["asset"] == a].dropna(subset=["iv_minus_rv"])
        if len(d) == 0:
            print(f"  {a}: nessun dato"); continue
        vrp = d["iv_minus_rv"].astype(float)
        dvol = d["dvol"].astype(float)
        rv = d["realized_vol_30d"].astype(float)
        fund = d["funding_perp_annualized"].astype(float) if "funding_perp_annualized" in d else pd.Series([np.nan])
        gam = d["dealer_net_gamma"].astype(float) if "dealer_net_gamma" in d else pd.Series([np.nan])
        print(f"\n  {a}  (n={len(d)})")
        print(f"    VRP (IV-RV):   media {vrp.mean():+.1f}  mediana {vrp.median():+.1f}  "
              f">0 nel {100*(vrp>0).mean():.0f}% del tempo   [IV-RV in punti di vol annua]")
        print(f"    DVOL:          media {dvol.mean():.1f}  range [{dvol.min():.1f}, {dvol.max():.1f}]")
        print(f"    Realized30d:   media {rv.mean():.1f}")
        print(f"    Funding perp:  media {fund.mean():+.1f}% annuo")
        if gam.notna().any():
            print(f"    Dealer net-γ:  >0 nel {100*(gam>0).mean():.0f}% del tempo (>0 = dealer long gamma = mean-rev)")
 def chain_analysis(asset):
    print("\n" + "=" * 90)
    print(f"  (2) CHAIN {asset} — premi put protettivi, skew, liquidità (livelli reali)")
    print("=" * 90)
    ch = load(f"{asset.lower()}_chain.parquet")
    for col in ("strike", "bid", "ask", "mid", "iv", "delta", "gamma"):
        if col in ch:
            ch[col] = pd.to_numeric(ch[col], errors="coerce")
    ch["option_type"] = ch["option_type"].astype(str)
    dv = load("dvol_history.parquet")
    dv = dv[dv["asset"] == asset][["timestamp", "spot"]].copy()
    dv["spot"] = pd.to_numeric(dv["spot"], errors="coerce")
    # timestamp -> datetime UTC nativo (sono datetime64[tz], NON ms int: to_numeric li romperebbe)
    ch["t"] = pd.to_datetime(ch["timestamp"], utc=True, errors="coerce")
    dv["t"] = pd.to_datetime(dv["timestamp"], utc=True, errors="coerce")
    ch = ch.dropna(subset=["t"]).sort_values("t").reset_index(drop=True)
    dv = dv.dropna(subset=["t", "spot"]).sort_values("t").reset_index(drop=True)
    # spot causale per timestamp della chain (merge_asof nearest, tolleranza 1h)
    ch = pd.merge_asof(ch, dv[["t", "spot"]], on="t", direction="nearest",
                       tolerance=pd.Timedelta("1h"))
    ch = ch.dropna(subset=["spot", "mid", "strike"])
    # days-to-expiry
    exp = pd.to_datetime(ch["expiry"], utc=True, errors="coerce")
    ch["dte"] = (exp - ch["t"]).dt.total_seconds() / 86_400.0
    ch = ch[(ch["dte"] > 0.5) & (ch["dte"] < 90)]
    ch["money"] = ch["strike"] / ch["spot"]
    ch["prem_pct"] = ch["mid"] * 100          # mid è in COIN (frazione del sottostante) -> %-del-notional
    # NB: iv è GIÀ in percento (35.94 = 35.94%, coerente col DVOL ~40) -> non riscalare
    ch["spread_pct"] = (ch["ask"] - ch["bid"]) / ch["mid"].replace(0, np.nan) * 100
    puts = ch[ch["option_type"].str.lower().str.startswith("p")]
    calls = ch[ch["option_type"].str.lower().str.startswith("c")]
    def band(df, mlo, mhi, dlo, dhi):
        s = df[(df["money"] >= mlo) & (df["money"] <= mhi) & (df["dte"] >= dlo) & (df["dte"] <= dhi)]
        return s
    print("  PUT protettive — premio reale (mid/spot) e liquidità per tenor/moneyness:")
    print(f"    {'tenor':<10s}{'moneyness':<14s}{'premio%':>9s}{'/mese%':>9s}{'spread%':>9s}{'n':>7s}{'strike?':>9s}")
    for dlo, dhi, tn in [(5, 12, "settim."), (18, 45, "mensile")]:
        for mlo, mhi, ml in [(0.97, 1.03, "ATM"), (0.88, 0.93, "~10% OTM"), (0.83, 0.88, "~15% OTM")]:
            s = band(puts, mlo, mhi, dlo, dhi)
            if len(s) == 0:
                print(f"    {tn:<10s}{ml:<14s}{'—':>9s}{'—':>9s}{'—':>9s}{0:>7d}{'NO':>9s}")
                continue
            prem = s["prem_pct"].median()
            permonth = prem * 30.0 / s["dte"].median()
            print(f"    {tn:<10s}{ml:<14s}{prem:>8.2f}%{permonth:>8.2f}%{s['spread_pct'].median():>8.1f}%"
                  f"{len(s):>7d}{'SI':>9s}")
    # skew: IV put 10% OTM vs IV call 10% OTM (stesso tenor mensile)
    pv = band(puts, 0.88, 0.93, 12, 50)["iv"].median()
    cv = band(calls, 1.07, 1.12, 12, 50)["iv"].median()
    atmv = band(ch, 0.98, 1.02, 12, 50)["iv"].median()
    if pd.notna(pv) and pd.notna(cv):
        print(f"  SKEW: IV put 10%OTM {pv:.0f}% vs call 10%OTM {cv:.0f}% vs ATM {atmv:.0f}%"
              f"  -> skew put {pv-cv:+.0f} pt vol (>0 = put care = paura del crash prezzata)")
 def main():
    market_snapshots_analysis()
    for a in ("BTC", "ETH"):
        chain_analysis(a)
    print("\n" + "=" * 90)
    print("  NB: finestra ~6 settimane, REGIME UNICO calmo -> livelli REALI misurabili, ma NESSUN")
    print("  edge su opzioni è validabile OOS qui. Vedi commento finale.")
    print("=" * 90)
 if __name__ == "__main__":
    main()
@@ -1,158 +0,0 @@
 """FASE 1 — triage dei 2 superstiti su BTC/ETH, sull'harness onesto (research_lab).
 Sul feed pulito solo SH01 (shape-ML) e frammenti HONEST mostravano segnale residuo. Delle
 HONEST solo DIP (dip-reversion) è testabile su BTC/ETH (TR01/ROT02 richiedono alt esclusi).
 Qui ri-implemento DIP e SH01-shape-ML come SERIE DI POSIZIONE e li passo ai gate onesti
 (FULL/OOS-VAL, vs buy&hold, null p-value, sweep fee, griglia). Hold-out 2025+ resta BLOCCATO.
    uv run python scripts/analysis/phase1_survivors.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from sklearn.linear_model import LogisticRegression
 from sklearn.preprocessing import StandardScaler
 from src.data.downloader import load_data
 from scripts.analysis.research_lab import (
    backtest, buy_hold, mc_pvalue, report, VAL_START, HOLDOUT_START, FEE_RT,
 )
 # ----------------------------- DIP reversion (long-only) -----------------------------
 def dip_signal(df, n=50, k=2.0, z_exit=0.0, max_bars=72):
    """Long-only: entra (pos=1) quando lo z-score causale del prezzo vs MA(n) <= -k (dip),
    esce quando z>=z_exit o dopo max_bars. Decisione a close[i] (z[i] usa close[i]), guadagna
    close[i]->close[i+1]. Niente fill su estremi di candela."""
    c = df["close"].values.astype(float)
    s = pd.Series(c)
    ma = s.rolling(n).mean().values
    sd = s.rolling(n).std().values
    z = np.where(sd > 0, (c - ma) / sd, np.nan)
    pos = np.zeros(len(c))
    inpos = False
    held = 0
    for i in range(len(c)):
        if not inpos:
            if not np.isnan(z[i]) and z[i] <= -k:
                inpos, held = True, 0
                pos[i] = 1.0
        else:
            held += 1
            if (not np.isnan(z[i]) and z[i] >= z_exit) or held >= max_bars:
                inpos = False           # esce al close[i]: pos[i]=0
            else:
                pos[i] = 1.0
    return pos
 # ----------------------------- SH01 shape-ML (walk-forward) -----------------------------
 def _shape_features(df, W):
    """~12 feature di FORMA causali per barra, dalla finestra che termina a i (usa solo <=i)."""
    o = df["open"].values.astype(float); h = df["high"].values.astype(float)
    l = df["low"].values.astype(float);  c = df["close"].values.astype(float)
    s = pd.Series(c)
    ret1 = s.pct_change()
    rng = (h - l) / np.where(c > 0, c, np.nan)
    body = (c - o) / np.where(h - l > 0, h - l, np.nan)
    up_sh = (h - np.maximum(o, c)) / np.where(h - l > 0, h - l, np.nan)
    dn_sh = (np.minimum(o, c) - l) / np.where(h - l > 0, h - l, np.nan)
    # RSI(14)
    d = s.diff()
    gain = d.clip(lower=0).rolling(14).mean()
    loss = (-d.clip(upper=0)).rolling(14).mean()
    rsi = 100 - 100 / (1 + gain / loss.replace(0, np.nan))
    hi_w = pd.Series(h).rolling(W).max(); lo_w = pd.Series(l).rolling(W).min()
    feat = {
        "mom_w": s / s.shift(W) - 1.0,                         # rendimento sulla finestra
        "mom_half": s / s.shift(W // 2) - 1.0,                 # accelerazione
        "vol_w": ret1.rolling(W).std(),
        "rsi": rsi / 100.0,
        "ma_dist": (c - s.rolling(W).mean()) / s.rolling(W).std(),
        "pos_in_range": (c - lo_w) / (hi_w - lo_w).replace(0, np.nan),  # dove sta il close nel range W
        "range": pd.Series(rng).rolling(3).mean(),
        "body": pd.Series(body).rolling(3).mean(),
        "up_shadow": pd.Series(up_sh).rolling(3).mean(),
        "dn_shadow": pd.Series(dn_sh).rolling(3).mean(),
        "ret1": ret1,
        "skew_w": ret1.rolling(W).skew(),
    }
    X = pd.DataFrame(feat).values
    return X
 def shape_ml_signal(df, W=24, H=12, th=0.55, refit=750, warmup=3000, long_short=True):
    """LogisticRegression walk-forward sulla forma. Label = segno del rendimento a H barre.
    Al tempo di decisione i si allena SOLO su campioni j con esito già realizzato (j+H <= i):
    strettamente causale, nessun leak. Rifit ogni `refit` barre (velocità). pos = +1 se
    P(up)>th, -1 se P(up)<1-th (long_short), altrimenti 0."""
    c = df["close"].values.astype(float)
    n = len(c)
    X = _shape_features(df, W)
    fwd = np.full(n, np.nan)
    fwd[:n - H] = c[H:] / c[:n - H] - 1.0
    y = (fwd > 0).astype(float)
    valid = ~np.isnan(X).any(axis=1)
    pos = np.zeros(n)
    model = scaler = None
    start = max(warmup, W + H + 200)
    for i in range(start, n):
        if model is None or (i - start) % refit == 0:
            # campioni di training: feature valide E label realizzata entro i (j+H <= i)
            tr = np.where(valid & (np.arange(n) + H <= i) & (np.arange(n) >= W))[0]
            tr = tr[tr < i - H]
            if len(tr) >= 500 and len(np.unique(y[tr])) == 2:
                scaler = StandardScaler().fit(X[tr])
                model = LogisticRegression(max_iter=200, C=1.0).fit(scaler.transform(X[tr]), y[tr])
        if model is not None and valid[i]:
            p_up = float(model.predict_proba(scaler.transform(X[i:i + 1]))[0, 1])
            pos[i] = 1.0 if p_up > th else (-1.0 if (long_short and p_up < 1 - th) else 0.0)
    return pos
 # ----------------------------------- run -----------------------------------
 def main():
    TF = "1h"
    print("=" * 90)
    print(f"  FASE 1 — triage superstiti su BTC/ETH {TF} | netto fee 0.10% RT | hold-out {HOLDOUT_START}+ BLOCCATO")
    print("=" * 90)
    data = {a: load_data(a, TF) for a in ("BTC", "ETH")}
    # ---------- DIP: griglia robustezza (plateau?) ----------
    print("\n" + "#" * 90)
    print("  DIP reversion (long-only) — griglia FULL Sharpe (plateau = robusto, picco = overfit)")
    print("#" * 90)
    GRID = [(n, k) for n in (30, 50, 100) for k in (1.5, 2.0, 2.5)]
    for a in ("BTC", "ETH"):
        df = data[a]
        print(f"\n  {a}: " + "  ".join(
            f"n{n}k{k}→{backtest(df, dip_signal(df, n=n, k=k), TF).sharpe:>5.2f}" for n, k in GRID))
    # report onesto sulla config centrale
    for a in ("BTC", "ETH"):
        report(f"DIP {a} (n50 k2.0)", data[a], dip_signal(data[a], n=50, k=2.0), TF)
    # ---------- SH01 shape-ML: config record + paio di varianti ----------
    print("\n" + "#" * 90)
    print("  SH01 shape-ML (walk-forward LogReg) — long/short")
    print("#" * 90)
    for a in ("BTC", "ETH"):
        df = data[a]
        pos = shape_ml_signal(df, W=24, H=12, th=0.55, long_short=True)
        report(f"SH-ML {a} (W24 H12 th.55 L/S)", df, pos, TF)
        # variante long-only (meno fee)
        pos_lo = shape_ml_signal(df, W=24, H=12, th=0.55, long_short=False)
        report(f"SH-ML {a} (W24 H12 th.55 LONG-only)", df, pos_lo, TF)
    print("\n" + "=" * 90)
    print("  VERDETTO: un edge è REALE solo se FULL e OOS-VAL Sharpe > 0, regge il sweep fee,")
    print("  e BATTE il null (p<0.05). Altrimenti = rumore, si chiude.")
    print("=" * 90)
 if __name__ == "__main__":
    main()
@@ -1,221 +0,0 @@
 """FASE 2 — esplorazione larga per famiglie su BTC/ETH, harness onesto (research_lab).
 Famiglie (serie di posizione, causali, netto fee, vs buy&hold + null p-value):
  TSMOM (momentum) | REVERSAL | MA-cross | DONCHIAN breakout | VOL-TARGET overlay |
  LEAD-LAG BTC<->ETH | HURST-gated momentum.   Multi-TF dove sensato (1h + 15m).
 La barra DA BATTERE è il buy&hold (Sharpe ~0.8 su BTC/ETH): una strategia di timing vale solo
 se fa MEGLIO net-fee. Per ogni famiglia: scan griglia (FULL Sharpe), poi report onesto sulla
 config migliore. Selezionare il best-di-griglia GONFIA -> i gate veri sono OOS-VAL + null p<0.05.
    uv run python scripts/analysis/phase2_families.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from src.data.downloader import load_data
 from scripts.analysis.research_lab import (
    backtest, buy_hold, mc_pvalue, window_mask, ts, VAL_START, HOLDOUT_START, BARS_PER_YEAR,
 )
 # --------------------------------- famiglie ---------------------------------
 def tsmom(df, L, mode="ls"):
    c = pd.Series(df["close"].values.astype(float))
    pos = np.sign(np.nan_to_num((c / c.shift(L) - 1).values))
    return np.maximum(pos, 0) if mode == "lo" else pos
 def reversal(df, L, mode="ls"):
    c = pd.Series(df["close"].values.astype(float))
    pos = -np.sign(np.nan_to_num((c / c.shift(L) - 1).values))
    return np.maximum(pos, 0) if mode == "lo" else pos
 def ma_cross(df, fast, slow, mode="ls"):
    c = pd.Series(df["close"].values.astype(float))
    ef = c.ewm(span=fast, adjust=False).mean()
    es = c.ewm(span=slow, adjust=False).mean()
    pos = np.sign((ef - es).values)
    return np.maximum(pos, 0) if mode == "lo" else pos
 def donchian(df, L, mode="ls"):
    h = pd.Series(df["high"].values.astype(float)).rolling(L).max().shift(1).values
    l = pd.Series(df["low"].values.astype(float)).rolling(L).min().shift(1).values
    c = df["close"].values.astype(float)
    pos = np.zeros(len(c)); cur = 0
    for i in range(len(c)):
        if not np.isnan(h[i]) and c[i] > h[i]:
            cur = 1
        elif not np.isnan(l[i]) and c[i] < l[i]:
            cur = -1 if mode == "ls" else 0
        pos[i] = cur
    return pos
 def vol_target(df, tf, target=0.6, L=72):
    """Overlay SEMPRE-LONG con esposizione scalata dalla vol realizzata (target vol annua)."""
    c = pd.Series(df["close"].values.astype(float))
    rv_ann = c.pct_change().rolling(L).std().values * np.sqrt(BARS_PER_YEAR[tf])
    pos = np.clip(np.nan_to_num(target / np.where(rv_ann > 0, rv_ann, np.nan), nan=0.0), 0, 1)
    return pos
 def rolling_hurst(c, W=120, step=6, lags=(2, 4, 8, 16, 32)):
    logc = np.log(c); n = len(c); H = np.full(n, np.nan)
    lg = np.log(lags)
    for i in range(W, n, step):
        seg = logc[i - W:i]
        tau = [np.std(seg[lag:] - seg[:-lag]) for lag in lags]
        if min(tau) > 0:
            H[i] = np.polyfit(lg, np.log(tau), 1)[0]
    return pd.Series(H).ffill().fillna(0.5).values
 def hurst_mom(df, L=48, W=120, mode="ls"):
    H = rolling_hurst(df["close"].values.astype(float), W)
    return np.where(H > 0.5, tsmom(df, L, mode), 0.0)
 def leadlag_df(target_df, other_df, L):
    """Costruisce un df col close del TARGET e la posizione = segno del rendimento a L barre
    dell'ALTRO asset (allineato per timestamp). Ritorna (df_merged, pos)."""
    a = target_df[["timestamp", "open", "high", "low", "close"]]
    b = other_df[["timestamp", "close"]].rename(columns={"close": "other"})
    m = a.merge(b, on="timestamp", how="inner").reset_index(drop=True)
    o = pd.Series(m["other"].values.astype(float))
    pos = np.sign(np.nan_to_num((o / o.shift(L) - 1).values))
    return m, pos
 # --------------------------------- reporting ---------------------------------
 ROWS = []
 def summarize(family, asset, tf, df, pos, mc_n=300):
    full = backtest(df, pos, tf)
    oos = backtest(df, pos, tf, lo=VAL_START, hi=HOLDOUT_START)
    bh = buy_hold(df, tf)
    gross = backtest(df, pos, tf, fee_rt=0.0).sharpe
    _, p, _, _ = mc_pvalue(df, pos, tf, n=mc_n)
    beats_bh = full.sharpe > bh.sharpe and oos.sharpe > 0
    real = (full.sharpe > 0 and oos.sharpe > 0 and not np.isnan(p) and p < 0.05)
    verdict = "★EDGE?" if (real and beats_bh) else ("real?" if real else "rumore")
    ROWS.append(dict(fam=family, asset=asset, tf=tf, full=full.sharpe, oos=oos.sharpe,
                     gross=gross, bh=bh.sharpe, p=p, trd=full.ntrades, verdict=verdict))
    print(f"  {family:<16s} {asset} {tf:<3s} | FULL {full.sharpe:>5.2f} OOS {oos.sharpe:>5.2f} "
          f"gross {gross:>5.2f} | B&H {bh.sharpe:>4.2f} | p {p:>.3f} | trd/y {full.ntrades:>6.0f} | {verdict}")
 def scan_best(family, asset, tf, df, fn, grid, label_fn):
    """Scansiona la griglia (FULL Sharpe), stampa la riga compatta, ritorna la pos migliore."""
    best = None
    line = []
    for params in grid:
        pos = fn(df, *params)
        s = backtest(df, pos, tf).sharpe
        line.append(f"{label_fn(params)}={s:>4.1f}")
        if best is None or s > best[0]:
            best = (s, params, pos)
    print(f"    {asset} {tf} grid: " + "  ".join(line))
    return best[2], best[1]
 def main():
    print("=" * 100)
    print("  FASE 2 — esplorazione famiglie BTC/ETH | netto fee 0.10% RT | barra = buy&hold | hold-out bloccato")
    print("=" * 100)
    D1 = {a: load_data(a, "1h") for a in ("BTC", "ETH")}
    D15 = {a: load_data(a, "15m") for a in ("BTC", "ETH")}
    def block(title):
        print("\n" + "#" * 100 + f"\n  {title}\n" + "#" * 100)
    # ---- TSMOM (momentum) 1h + 15m, L/S e long-only ----
    block("TSMOM (momentum)")
    Ls = [(12,), (24,), (48,), (96,), (192,)]
    for a in ("BTC", "ETH"):
        pos, p = scan_best("TSMOM-LS", a, "1h", D1[a], lambda d, L: tsmom(d, L, "ls"), Ls, lambda x: f"L{x[0]}")
        summarize("TSMOM-LS", a, "1h", D1[a], pos)
        pos, p = scan_best("TSMOM-LO", a, "1h", D1[a], lambda d, L: tsmom(d, L, "lo"), Ls, lambda x: f"L{x[0]}")
        summarize("TSMOM-LO", a, "1h", D1[a], pos)
        pos, p = scan_best("TSMOM-LS", a, "15m", D15[a], lambda d, L: tsmom(d, L, "ls"), [(48,),(96,),(192,),(384,)], lambda x: f"L{x[0]}")
        summarize("TSMOM-LS", a, "15m", D15[a], pos)
    # ---- REVERSAL 1h + 15m ----
    block("REVERSAL (mean-reversion breve)")
    Lr = [(1,), (3,), (6,), (12,), (24,)]
    for a in ("BTC", "ETH"):
        pos, p = scan_best("REV-LS", a, "1h", D1[a], lambda d, L: reversal(d, L, "ls"), Lr, lambda x: f"L{x[0]}")
        summarize("REV-LS", a, "1h", D1[a], pos)
        pos, p = scan_best("REV-LS", a, "15m", D15[a], lambda d, L: reversal(d, L, "ls"), Lr, lambda x: f"L{x[0]}")
        summarize("REV-LS", a, "15m", D15[a], pos)
    # ---- MA cross ----
    block("MA-CROSS (trend)")
    g = [(12, 48), (24, 96), (48, 192), (24, 200)]
    for a in ("BTC", "ETH"):
        pos, p = scan_best("MAX-LS", a, "1h", D1[a], lambda d, f, s: ma_cross(d, f, s, "ls"), g, lambda x: f"{x[0]}/{x[1]}")
        summarize("MAX-LS", a, "1h", D1[a], pos)
        pos, p = scan_best("MAX-LO", a, "1h", D1[a], lambda d, f, s: ma_cross(d, f, s, "lo"), g, lambda x: f"{x[0]}/{x[1]}")
        summarize("MAX-LO", a, "1h", D1[a], pos)
    # ---- Donchian breakout ----
    block("DONCHIAN breakout")
    Ld = [(24,), (48,), (96,), (192,)]
    for a in ("BTC", "ETH"):
        pos, p = scan_best("DONCH-LS", a, "1h", D1[a], lambda d, L: donchian(d, L, "ls"), Ld, lambda x: f"L{x[0]}")
        summarize("DONCH-LS", a, "1h", D1[a], pos)
        pos, p = scan_best("DONCH-LO", a, "1h", D1[a], lambda d, L: donchian(d, L, "lo"), Ld, lambda x: f"L{x[0]}")
        summarize("DONCH-LO", a, "1h", D1[a], pos)
    # ---- Vol-target overlay (vs buy&hold) ----
    block("VOL-TARGET overlay (sempre-long scalato) — riduce la vol/DD del buy&hold?")
    for a in ("BTC", "ETH"):
        pos, p = scan_best("VOLTGT", a, "1h", D1[a], lambda d, t: vol_target(d, "1h", t, 72),
                           [(0.4,), (0.6,), (0.8,), (1.0,)], lambda x: f"t{x[0]}")
        summarize("VOLTGT", a, "1h", D1[a], pos)
    # ---- Hurst-gated momentum ----
    block("HURST-gated momentum (momentum solo in regime trending H>0.5)")
    for a in ("BTC", "ETH"):
        pos, p = scan_best("HURST-MOM", a, "1h", D1[a], lambda d, L: hurst_mom(d, L, 120, "ls"),
                           [(24,), (48,), (96,)], lambda x: f"L{x[0]}")
        summarize("HURST-MOM", a, "1h", D1[a], pos)
    # ---- Lead-lag BTC<->ETH ----
    block("LEAD-LAG BTC<->ETH (posiziona un asset col rendimento passato dell'altro)")
    for tgt, oth in (("ETH", "BTC"), ("BTC", "ETH")):
        Ll = [1, 3, 6, 12, 24]
        best = None; line = []
        for L in Ll:
            m, pos = leadlag_df(D1[tgt], D1[oth], L)
            s = backtest(m, pos, "1h").sharpe
            line.append(f"L{L}={s:>4.1f}")
            if best is None or s > best[0]:
                best = (s, L, m, pos)
        print(f"    {oth}->{tgt} 1h grid: " + "  ".join(line))
        _, L, m, pos = best
        summarize(f"LL {oth}>{tgt}", tgt, "1h", m, pos)
    # ---- classifica finale ----
    print("\n" + "=" * 100)
    print("  CLASSIFICA — net-fee FULL Sharpe (★EDGE? = batte B&H, OOS>0 e null p<0.05)")
    print("=" * 100)
    for r in sorted(ROWS, key=lambda r: -r["full"]):
        print(f"  {r['fam']:<16s} {r['asset']} {r['tf']:<3s} | FULL {r['full']:>5.2f} | OOS {r['oos']:>5.2f} | "
              f"B&H {r['bh']:>4.2f} | p {r['p']:>.3f} | {r['verdict']}")
    edges = [r for r in ROWS if r["verdict"] == "★EDGE?"]
    print(f"\n  Candidati che battono il buy&hold net-fee + OOS>0 + null p<0.05: {len(edges)}")
    for r in edges:
        print(f"    -> {r['fam']} {r['asset']} {r['tf']}: FULL {r['full']:.2f} OOS {r['oos']:.2f} p {r['p']:.3f}")
 if __name__ == "__main__":
    main()
@@ -1,152 +0,0 @@
 """FASE 3 — conferma avversariale del SOLO candidato reale: trend-following long-only (MA-cross).
 Protocollo onesto:
  1. SELEZIONE config SOLO sul pre-hold-out (< 2025-01-01). Niente sbirciate al hold-out.
  2. HOLD-OUT 2025-26 sbloccato UNA volta (la prova del nove, mai usato in ricerca).
  3. Breakdown PER ANNO vs buy&hold: il trend-LO deve "schivare" i bear (2018/2022).
  4. STRESS: fee 2x, lag di esecuzione (1 barra), slippage.
  5. DEFLATED SHARPE (Bailey & López de Prado): lo Sharpe regge alla correzione per multiple-testing?
    uv run python scripts/analysis/phase3_confirm.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from scipy.stats import norm, skew, kurtosis
 from src.data.downloader import load_data
 from scripts.analysis.research_lab import (
    backtest, buy_hold, window_mask, ts, _net_series, HOLDOUT_START, BARS_PER_YEAR,
 )
 from scripts.analysis.phase2_families import ma_cross
 GRID = [(12, 48), (24, 96), (48, 192), (24, 200), (96, 288)]   # MA-cross griglia (fast/slow)
 REPR = (24, 96)                                                # config rappresentativa PRE-COMMITTATA
 TF = "1h"
 def lag(pos, k=1):
    """Esecuzione in ritardo di k barre (agisci k barre dopo la decisione)."""
    return np.concatenate([np.zeros(k), pos[:-k]])
 def per_year(df, pos, tf):
    c = df["close"].values.astype(float)
    net, _, fwd, _ = _net_series(df, pos)
    yrs = ts(df).dt.year.values
    out = {}
    for y in sorted(set(yrs)):
        m = yrs == y
        if m.sum() < 2:
            continue
        strat = float(np.prod(1 + net[m]) - 1) * 100
        bh = float(np.prod(1 + fwd[m]) - 1) * 100
        expo = float(np.mean(np.abs(pos[m])))
        out[y] = (strat, bh, expo)
    return out
 def deflated_sharpe(net, sr_trials_perbar, N):
    """DSR: prob. che il vero Sharpe > la soglia attesa-massima sotto N trial (multiple testing).
    Tutto in Sharpe PER BARRA. >0.95 = significativo dopo correzione."""
    sr = net.mean() / net.std()
    T = len(net)
    g3 = float(skew(net)); g4 = float(kurtosis(net, fisher=False))
    var_sr = float(np.var(sr_trials_perbar, ddof=1)) if len(sr_trials_perbar) > 1 else 0.0
    ge = 0.5772156649
    z1 = norm.ppf(1 - 1.0 / N); z2 = norm.ppf(1 - 1.0 / (N * np.e))
    sr0 = np.sqrt(var_sr) * ((1 - ge) * z1 + ge * z2)        # Sharpe atteso-massimo sotto null, N trial
    den = np.sqrt(max(1 - g3 * sr + (g4 - 1) / 4.0 * sr ** 2, 1e-9))
    dsr = float(norm.cdf((sr - sr0) * np.sqrt(T - 1) / den))
    bpy = BARS_PER_YEAR[TF]
    return dsr, sr * np.sqrt(bpy), sr0 * np.sqrt(bpy)
 def main():
    print("=" * 96)
    print("  FASE 3 — conferma avversariale: TREND-following long-only (MA-cross) BTC/ETH")
    print("=" * 96)
    data = {a: load_data(a, TF) for a in ("BTC", "ETH")}
    # ---------- 1) selezione SOLO pre-hold-out ----------
    print(f"\n  (1) SELEZIONE su pre-hold-out (< {HOLDOUT_START}) — Sharpe per config (plateau = robusto)")
    for a in ("BTC", "ETH"):
        line = []
        for f, s in GRID:
            pos = ma_cross(data[a], f, s, "lo")
            sh = backtest(data[a], pos, TF, hi=HOLDOUT_START).sharpe
            line.append(f"{f}/{s}={sh:>4.2f}")
        print(f"    {a}: " + "  ".join(line))
    print(f"    -> config rappresentativa PRE-COMMITTATA per i test seguenti: {REPR[0]}/{REPR[1]}")
    # ---------- 2) HOLD-OUT 2025-26 (sbloccato una volta) ----------
    print(f"\n  (2) HOLD-OUT {HOLDOUT_START}+ — LA PROVA DEL NOVE (mai usato in ricerca)")
    for a in ("BTC", "ETH"):
        bh = buy_hold(data[a], TF, lo=HOLDOUT_START)
        print(f"    {a}: buy&hold hold-out  Sh {bh.sharpe:>5.2f}  ret {bh.ret*100:>+7.1f}%  DD {bh.maxdd*100:>4.1f}%")
        for f, s in GRID:
            pos = ma_cross(data[a], f, s, "lo")
            r = backtest(data[a], pos, TF, lo=HOLDOUT_START)
            star = " <-REPR" if (f, s) == REPR else ""
            print(f"        {f}/{s:<3d} Sh {r.sharpe:>5.2f}  ret {r.ret*100:>+7.1f}%  DD {r.maxdd*100:>4.1f}%  expo {r.exposure:.2f}{star}")
    # ---------- 3) per anno vs buy&hold (schiva i bear?) ----------
    print(f"\n  (3) PER ANNO — strat {REPR[0]}/{REPR[1]} vs buy&hold (expo = quanto è long; bear test 2018/2022)")
    for a in ("BTC", "ETH"):
        pos = ma_cross(data[a], *REPR, "lo")
        py = per_year(data[a], pos, TF)
        print(f"    {a}:")
        for y, (st, bh, ex) in py.items():
            flag = "  <- BEAR" if bh < -20 else ""
            print(f"       {y}: strat {st:>+7.0f}%  | buy&hold {bh:>+7.0f}%  | expo {ex:.2f}{flag}")
    # ---------- 4) stress ----------
    print(f"\n  (4) STRESS — strat {REPR[0]}/{REPR[1]} | FULL e HOLD-OUT Sharpe")
    print(f"    {'scenario':<24s}{'BTC FULL':>10s}{'BTC HO':>9s}{'ETH FULL':>10s}{'ETH HO':>9s}")
    scen = [
        ("base fee0.10%", dict(fee_rt=0.001), False),
        ("fee 0.20% (2x)", dict(fee_rt=0.002), False),
        ("lag 1 barra", dict(fee_rt=0.001), True),
        ("fee2x + lag", dict(fee_rt=0.002), True),
    ]
    for name, kw, do_lag in scen:
        row = [name]
        for a in ("BTC", "ETH"):
            pos = ma_cross(data[a], *REPR, "lo")
            if do_lag:
                pos = lag(pos, 1)
            full = backtest(data[a], pos, TF, **kw).sharpe
            ho = backtest(data[a], pos, TF, lo=HOLDOUT_START, **kw).sharpe
            row += [f"{full:>9.2f}", f"{ho:>8.2f}"]
        print(f"    {row[0]:<24s}{row[1]:>10s}{row[2]:>9s}{row[3]:>10s}{row[4]:>9s}")
    # ---------- 5) deflated Sharpe ----------
    print(f"\n  (5) DEFLATED SHARPE — corregge il multiple-testing (DSR>0.95 = regge)")
    # trial set = TUTTE le config trend long-only provate (proxy del numero di tentativi)
    N_TRIALS = 60      # stima conservativa dei backtest provati in Fase 2 (tutte le famiglie/asset/TF)
    for a in ("BTC", "ETH"):
        trials = [backtest(data[a], ma_cross(data[a], f, s, "lo"), TF, hi=HOLDOUT_START) for f, s in GRID]
        sr_trials = []
        for f, s in GRID:
            net, _, _, _ = _net_series(data[a], ma_cross(data[a], f, s, "lo"))
            m = window_mask(data[a], hi=HOLDOUT_START)
            sr_trials.append(net[m].mean() / net[m].std())
        net, _, _, _ = _net_series(data[a], ma_cross(data[a], *REPR, "lo"))
        m = window_mask(data[a], hi=HOLDOUT_START)
        dsr, sr_ann, sr0_ann = deflated_sharpe(net[m], sr_trials, N_TRIALS)
        verdict = "REGGE" if dsr > 0.95 else "NON regge"
        print(f"    {a} (pre-hold-out): Sharpe {sr_ann:.2f} vs soglia-max-attesa(N={N_TRIALS}) {sr0_ann:.2f} "
              f"-> DSR {dsr:.3f}  [{verdict}]")
    print("\n" + "=" * 96)
    print("  VERDETTO: edge ONESTO solo se (2) hold-out positivo, (3) schiva i bear, (4) regge lo")
    print("  stress, (5) DSR>0.95. Altrimenti: anche il trend era sample-luck del mercato toro.")
    print("=" * 96)
 if __name__ == "__main__":
    main()
@@ -1,192 +0,0 @@
 """HARNESS DI RICERCA ONESTO — BTC/ETH, v2.0.0 (Fase 0).
 Dopo che l'intera libreria precedente si è rivelata artefatto di feed/harness disonesti,
 la prima cosa di cui fidarsi NON è una strategia ma il banco di prova. Questo modulo è
 quel banco: causale per costruzione, netto fee, con baseline e null model.
 MODELLO CANONICO = SERIE DI POSIZIONE.
  Una strategia è una funzione  signal(df, **params) -> pd.Series/np.array  che dà la
  posizione target per barra in [-1, +1]. REGOLA: position[i] è decisa con dati FINO a
  close[i] (mai oltre) e GUADAGNA il rendimento close[i] -> close[i+1]. L'engine moltiplica
  position[i] * fwd[i] (fwd strettamente futuro rispetto alla decisione) -> niente look-ahead
  per costruzione, e niente fill sull'estremo di candela (si entra al close). La fee è
  addebitata sul TURNOVER |Δposition| (un round-trip 0->1->0 = 2 unità = fee_rt intera).
 GATE (vedi CLAUDE.md): ingresso eseguibile (qui per costruzione), netto fee 0.10% RT,
 OOS held-out, robustezza su griglia, onestà statistica (null model + buy&hold), walk-forward
 per i modelli fittati, liquidità (BTC/ETH ok).
    uv run python scripts/analysis/research_lab.py          # self-test del banco
 """
 from __future__ import annotations
 import sys
 from dataclasses import dataclass
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from src.data.downloader import load_data
 FEE_RT = 0.001                      # 0.10% round-trip taker Deribit (0.05%/lato)
 BARS_PER_YEAR = {"5m": 105192.0, "15m": 35064.0, "1h": 8766.0}
 # Hold-out FINALE bloccato: NIENTE ricerca/tuning lo tocca finché non è il verdetto (Fase 3).
 HOLDOUT_START = "2025-01-01"
 # Finestra di validazione OOS usata in ricerca (out-of-sample ma PRE hold-out).
 VAL_START = "2023-01-01"
 def ts(df) -> pd.Series:
    return pd.to_datetime(df["timestamp"], unit="ms", utc=True)
 def window_mask(df, lo: str | None = None, hi: str | None = None) -> np.ndarray:
    t = ts(df)
    m = np.ones(len(df), bool)
    if lo is not None:
        m &= (t >= pd.Timestamp(lo, tz="UTC")).values
    if hi is not None:
        m &= (t < pd.Timestamp(hi, tz="UTC")).values
    return m
@dataclass
 class BT:
    n: int
    ret: float        # rendimento composto sulla finestra (pos 1x, leva 1x)
    cagr: float
    sharpe: float     # annualizzato
    maxdd: float      # % (positivo)
    exposure: float   # |pos| medio
    turnover: float   # Σ|Δpos| / anno
    ntrades: float    # round-trip equivalenti / anno
    def line(self, label="") -> str:
        return (f"  {label:<22s} Sh {self.sharpe:>6.2f} | ret {self.ret*100:>+8.1f}% "
                f"CAGR {self.cagr*100:>+6.1f}% | DD {self.maxdd*100:>5.1f}% | "
                f"expo {self.exposure:>4.2f} trd/y {self.ntrades:>6.1f} | n {self.n}")
 def _net_series(df, position, fee_rt=FEE_RT):
    """Ritorna (net, gross, fwd, pos) per barra. net[i] = pos[i]*fwd[i] - fee sul cambio a i."""
    c = df["close"].values.astype(float)
    pos = np.nan_to_num(np.asarray(position, float), nan=0.0)
    pos = np.clip(pos, -1.0, 1.0)
    n = len(c)
    fwd = np.zeros(n)
    fwd[:-1] = c[1:] / c[:-1] - 1.0          # rendimento close[i]->close[i+1] (futuro vs decisione a i)
    gross = pos * fwd
    dpos = np.abs(np.diff(np.concatenate([[0.0], pos])))   # cambio di posizione a i (si tradea al close[i])
    fee = dpos * (fee_rt / 2.0)              # fee_rt = round-trip (2 unità di turnover); /2 per unità
    net = gross - fee
    return net, gross, fwd, pos
 def backtest(df, position, tf="1h", fee_rt=FEE_RT, lo=None, hi=None) -> BT:
    net, gross, fwd, pos = _net_series(df, position, fee_rt)
    m = window_mask(df, lo, hi)
    net_w, pos_w = net[m], pos[m]
    dpos_w = np.abs(np.diff(np.concatenate([[0.0], pos_w])))
    bpy = BARS_PER_YEAR[tf]
    n = int(m.sum())
    if n < 2:
        return BT(n, 0, float("nan"), 0, 0, 0, 0, 0)
    eq = np.cumprod(1.0 + net_w)
    total = float(eq[-1] - 1.0)
    years = n / bpy
    cagr = float((1 + total) ** (1 / years) - 1) if years > 0 and total > -1 else float("nan")
    mu, sd = float(net_w.mean()), float(net_w.std())
    sharpe = mu / sd * np.sqrt(bpy) if sd > 0 else 0.0
    peak = np.maximum.accumulate(eq)
    maxdd = float(np.max((peak - eq) / peak)) if n else 0.0
    expo = float(np.mean(np.abs(pos_w)))
    turn_y = float(dpos_w.sum() / years) if years > 0 else 0.0
    return BT(n, total, cagr, sharpe, maxdd, expo, turn_y, turn_y / 2.0)
 def buy_hold(df, tf="1h", fee_rt=FEE_RT, lo=None, hi=None) -> BT:
    return backtest(df, np.ones(len(df)), tf, fee_rt, lo, hi)
 def mc_pvalue(df, position, tf="1h", fee_rt=FEE_RT, n=500, lo=None, hi=None, seed=0):
    """Null model a ROTAZIONE CIRCOLARE: ruota la serie di posizione di un offset casuale.
    Preserva ESATTAMENTE exposure, turnover e distribuzione degli holding; distrugge solo
    l'allineamento col mercato. p = P(Sharpe_ruotato >= Sharpe_reale). p alto = il timing
    non batte il caso (nessuna skill)."""
    pos = np.nan_to_num(np.asarray(position, float))
    base = backtest(df, pos, tf, fee_rt, lo, hi).sharpe
    N = len(pos)
    if np.abs(np.diff(pos)).sum() == 0:       # posizione costante -> rotazione degenere
        return base, float("nan"), float("nan"), float("nan")
    rng = np.random.default_rng(seed)
    sims = np.empty(n)
    for k in range(n):
        off = int(rng.integers(1, N))
        sims[k] = backtest(df, np.roll(pos, off), tf, fee_rt, lo, hi).sharpe
    p = float((np.sum(sims >= base) + 1) / (n + 1))
    return base, p, float(sims.mean()), float(sims.std())
 def report(name, df, position, tf="1h", fee_rt=FEE_RT, mc_n=400):
    """Stampa il verdetto onesto: FULL / OOS-VAL / vs buy&hold / null p-value / sweep fee."""
    print(f"\n  === {name} ({tf}) ===")
    print(backtest(df, position, tf, fee_rt).line("FULL"))
    print(backtest(df, position, tf, fee_rt, lo=VAL_START, hi=HOLDOUT_START).line(f"OOS-VAL {VAL_START[:4]}-24"))
    print(buy_hold(df, tf, fee_rt).line("buy&hold FULL"))
    base, p, msh, ssd = mc_pvalue(df, position, tf, fee_rt, n=mc_n)
    verdict = "RUMORE" if (np.isnan(p) or p > 0.05) else "batte il null"
    print(f"  null (rotazione, n={mc_n}): Sharpe reale {base:.2f} vs random {msh:.2f}±{ssd:.2f} "
          f"-> p={p if not np.isnan(p) else float('nan'):.3f}  [{verdict}]")
    print("  sweep fee RT:", "  ".join(
        f"{f*100:.2f}%→Sh{backtest(df, position, tf, f).sharpe:.2f}" for f in (0.0, 0.0005, 0.001, 0.002)))
 # ============================ SELF-TEST DEL BANCO ============================
 def self_test():
    """Valida l'HARNESS, non una strategia. Tre prove:
      (1) buy&hold: Sharpe positivo, DD grande (sanity dei numeri).
      (2) CHEAT look-ahead (pos = segno del rendimento FUTURO): Sharpe enorme, p≈0
          -> l'engine SA vedere un edge quando esiste davvero.
      (3) NOISE causale (pos da rumore del passato): Sharpe≈0, p≈0.5
          -> l'engine NON inventa edge dal nulla (niente leak)."""
    print("=" * 78)
    print("  SELF-TEST HARNESS — deve: vedere il cheat, NON vedere il rumore")
    print("=" * 78)
    df = load_data("BTC", "1h")
    t = ts(df)
    c = df["close"].values.astype(float)
    bh = buy_hold(df, "1h")
    print(bh.line("(1) buy&hold BTC"))
    assert bh.sharpe > 0, "buy&hold dovrebbe avere Sharpe>0 sullo storico BTC"
    # (2) CHEAT: posizione = segno del rendimento del prossimo bar (USA IL FUTURO)
    fwd = np.zeros(len(c)); fwd[:-1] = c[1:] / c[:-1] - 1.0
    cheat = np.sign(fwd)
    bt_cheat = backtest(df, cheat, "1h")
    _, p_cheat, _, _ = mc_pvalue(df, cheat, "1h", n=200, seed=1)
    print(bt_cheat.line("(2) CHEAT look-ahead"))
    print(f"      -> null p={p_cheat:.4f} (atteso ≈0: l'edge finto È enorme e battibile dal caso ~mai)")
    assert bt_cheat.sharpe > 20, "il cheat dovrebbe dare Sharpe enorme se l'engine è corretto"
    assert p_cheat < 0.02, "il cheat dovrebbe battere il null in modo schiacciante"
    # (3) NOISE causale a BASSO turnover (blocchi ~50 barre): isola la SKILL dalla fee-death.
    # Posizione casuale (non usa il futuro) tenuta a blocchi -> turnover basso -> se l'engine non
    # inventa edge dal nulla, Sharpe≈0 e il null p≈0.5 (random rotazioni indistinguibili).
    rng = np.random.default_rng(42)
    blk = 50
    raw = np.sign(rng.standard_normal(len(c) // blk + 1))
    noise_pos = np.repeat(raw, blk)[:len(c)]
    noise_pos = pd.Series(noise_pos).shift(1).fillna(0).values        # solo passato
    bt_noise = backtest(df, noise_pos, "1h")
    base_n, p_noise, msh, ssd = mc_pvalue(df, noise_pos, "1h", n=400, seed=2)
    print(bt_noise.line("(3) NOISE causale"))
    print(f"      -> null p={p_noise:.3f} (atteso alto/≈0.5: nessuna skill, indistinguibile dal caso)")
    assert bt_noise.sharpe < 2.0, "il rumore causale non deve sembrare SKILLATO (Sharpe positivo grande = leak)"
    assert p_noise > 0.10, "il rumore causale non deve battere il null (p basso = edge spurio/leak)"
    print("\n  ✓ HARNESS VALIDATO: vede il cheat (Sharpe enorme, p≈0), non inventa edge dal rumore (p alto).")
    print(f"  Hold-out finale BLOCCATO da {HOLDOUT_START} (non usato in ricerca). OOS-VAL: {VAL_START}→hold-out.")
 if __name__ == "__main__":
    self_test()
@@ -1,121 +0,0 @@
 """STRESS-TEST di TP01 (integrato da strategy-research-2026-06) — robustezza avversariale.
 Usa il modulo VERO integrato (src/strategies/trend_portfolio). Oltre a hold-out/cross-asset/multi-TF
 (gia' in verify_tp01.py), qui: sweep FEE (fino 0.40% RT), LAG di esecuzione + slippage, PLATEAU dei
 parametri (config cherry-picked?), DEFLATED-SHARPE (multiple-testing track A-E).
    uv run python scripts/analysis/stress_tp01.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from scipy.stats import norm, skew, kurtosis
 from src.data.downloader import load_data
 from src.strategies.trend_portfolio import TrendPortfolio, resample_4h, simple_returns, CANONICAL
 HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
 DF4H = {a: resample_4h(load_data(a, "1h")) for a in ("BTC", "ETH")}
 def combo(cfg, lag_bars=0, fee_side=0.0005):
    """Rendimenti per-barra del portafoglio 50/50 con config cfg, lag extra e fee dati."""
    tp = TrendPortfolio(**{**cfg, "fee_side": fee_side})
    series = {}
    for a in ("BTC", "ETH"):
        df = DF4H[a]
        r = simple_returns(df["close"].values.astype(float))
        tgt = tp.target_series(df)
        held = np.zeros(len(tgt))
        s = 1 + lag_bars
        held[s:] = tgt[:-s]                                  # tenuta = decisa s barre prima (causale + lag)
        net = held * r - fee_side * np.abs(np.diff(held, prepend=0.0))
        net[0] = 0.0
        series[a] = pd.Series(np.clip(net, -0.99, None), index=pd.to_datetime(df["datetime"]))
    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
    return 0.5 * J["BTC"].values + 0.5 * J["ETH"].values, J.index
 def met(combo_r, idx):
    rr = combo_r[np.isfinite(combo_r)]
    if len(rr) < 2 or np.std(rr) == 0:
        return dict(sh=0, ret=0, dd=0)
    bpy = 86400 * 365.25 / pd.Series(idx).diff().dt.total_seconds().median()
    eq = np.cumprod(1 + rr); pk = np.maximum.accumulate(eq)
    return dict(sh=float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)),
                ret=float(eq[-1] - 1), dd=float(np.max((pk - eq) / pk)))
 def full_ho(cfg, lag_bars=0, fee_side=0.0005):
    cr, idx = combo(cfg, lag_bars, fee_side)
    ho = idx >= HOLDOUT
    return met(cr, idx), met(cr[ho], idx[ho])
 def main():
    print("=" * 88)
    print("  STRESS-TEST TP01 (PORT LF4h canonica) — robustezza avversariale")
    print("=" * 88)
    base_f, base_h = full_ho(CANONICAL)
    print(f"\n  BASELINE (4h, fee 0.10% RT): FULL Sh {base_f['sh']:.2f} ret {base_f['ret']*100:+.0f}% DD {base_f['dd']*100:.1f}%"
          f" | HOLD-OUT Sh {base_h['sh']:.2f} ret {base_h['ret']*100:+.1f}% DD {base_h['dd']*100:.1f}%")
    print("\n  (1) SWEEP FEE (RT) — regge fino a 0.40%?")
    print(f"    {'fee RT':<10s}{'FULL Sh':>9s}{'FULL ret':>10s}{'HOLD Sh':>9s}{'HOLD ret':>10s}")
    for frt in (0.0, 0.001, 0.002, 0.004):
        f, h = full_ho(CANONICAL, fee_side=frt / 2)
        print(f"    {frt*100:>5.2f}%   {f['sh']:>8.2f}{f['ret']*100:>+9.0f}%{h['sh']:>9.2f}{h['ret']*100:>+9.1f}%")
    print("\n  (2) LAG di esecuzione + slippage (fee 0.20% per simulare slippage)")
    print(f"    {'scenario':<22s}{'FULL Sh':>9s}{'HOLD Sh':>9s}{'HOLD ret':>10s}")
    for name, lag, frt in [("base", 0, 0.001), ("lag 1 barra (4h)", 1, 0.001),
                           ("lag 2 barre", 2, 0.001), ("lag1 + fee0.20% slip", 1, 0.002)]:
        f, h = full_ho(CANONICAL, lag_bars=lag, fee_side=frt / 2)
        print(f"    {name:<22s}{f['sh']:>8.2f}{h['sh']:>9.2f}{h['ret']*100:>+9.1f}%")
    print("\n  (3) PLATEAU PARAMETRI — la config canonica e' un picco o un altopiano?")
    print(f"    {'variazione':<26s}{'FULL Sh':>9s}{'HOLD Sh':>9s}")
    grid = [
        ("canonica (vt.20 lev2 30/90/180 vw30)", CANONICAL),
        ("target_vol 0.15", {**CANONICAL, "target_vol": 0.15}),
        ("target_vol 0.25", {**CANONICAL, "target_vol": 0.25}),
        ("leverage 1.5", {**CANONICAL, "leverage": 1.5}),
        ("leverage 3.0", {**CANONICAL, "leverage": 3.0}),
        ("horizons 20/60/120", {**CANONICAL, "horizons_days": (20, 60, 120)}),
        ("horizons 60/120/240", {**CANONICAL, "horizons_days": (60, 120, 240)}),
        ("vol_win 20", {**CANONICAL, "vol_win_days": 20}),
        ("vol_win 45", {**CANONICAL, "vol_win_days": 45}),
    ]
    sr_trials = []
    for name, cfg in grid:
        f, h = full_ho(cfg)
        cr, idx = combo(cfg)
        sr_trials.append(cr[np.isfinite(cr)].mean() / cr[np.isfinite(cr)].std())   # Sharpe per-barra
        print(f"    {name:<26s}{f['sh']:>8.2f}{h['sh']:>9.2f}")
    print("\n  (4) DEFLATED SHARPE — corregge il multiple-testing (track A-E + sweep). DSR>0.95 = regge")
    cr, idx = combo(CANONICAL)
    rr = cr[np.isfinite(cr)]
    sr = rr.mean() / rr.std(); T = len(rr)
    g3 = float(skew(rr)); g4 = float(kurtosis(rr, fisher=False))
    var_sr = float(np.var(sr_trials, ddof=1))
    ge = 0.5772156649
    for N in (10, 40, 100):       # N = numero di trial/config provati (conservativo)
        z1 = norm.ppf(1 - 1.0 / N); z2 = norm.ppf(1 - 1.0 / (N * np.e))
        sr0 = np.sqrt(var_sr) * ((1 - ge) * z1 + ge * z2)
        den = np.sqrt(max(1 - g3 * sr + (g4 - 1) / 4.0 * sr ** 2, 1e-9))
        dsr = float(norm.cdf((sr - sr0) * np.sqrt(T - 1) / den))
        bpy = 86400 * 365.25 / pd.Series(idx).diff().dt.total_seconds().median()
        print(f"    N={N:>3d} trial -> soglia-max-attesa Sh {sr0*np.sqrt(bpy):.2f} | DSR {dsr:.3f}  [{'REGGE' if dsr>0.95 else 'NON regge'}]")
    print("\n" + "=" * 88)
    print("  Verdetto: TP01 robusto se regge fee 0.40%+lag (HOLD positivo), plateau (no picco), DSR>0.95.")
    print("=" * 88)
 if __name__ == "__main__":
    main()
@@ -1,96 +0,0 @@
 """TP01 a BASSA FREQUENZA (>=12h) — ri-verifica dopo il bug look-ahead ffill-mixed-TF.
 L'utente/agente ha trovato un look-ahead (ffill mixed-timeframe su barre open-labeled) che
 gonfiava il 4h (~1.60 -> reale ~1.1) e ha concluso: NON scendere sotto le 12h (costi+overfit
 dominano). Qui ricalcolo TP01 in modo PULITO per singolo TF (barre discrete, posizione shiftata
 +1, NESSUN ffill/combine mixed-TF) su 4h/12h/1d, con un GUARD di causalita' esplicito sulla serie
 resamplata (ricalcolo su prefisso). Fee 0.10% RT, hold-out 2025-26 bloccato.
    uv run python scripts/analysis/tp01_lowfreq.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from src.data.downloader import load_data
 from src.strategies.trend_portfolio import TrendPortfolio, simple_returns, CANONICAL
 HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
 def resample_tf(df_1h, rule):
    g = df_1h.copy()
    g.index = pd.to_datetime(g["timestamp"], unit="ms", utc=True)
    out = g.resample(rule, label="left", closed="left").agg(
        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"}).dropna(subset=["open"])
    out["datetime"] = out.index
    return out.reset_index(drop=True)
 def sleeve_net(df, tp):
    """Per-barra netto di uno sleeve: posizione decisa a close[i-1], tenuta in i (causale, no ffill)."""
    r = simple_returns(df["close"].values.astype(float))
    tgt = tp.target_series(df)
    held = np.zeros(len(tgt)); held[1:] = tgt[:-1]
    net = held * r - tp.fee_side * np.abs(np.diff(held, prepend=0.0)); net[0] = 0.0
    return np.clip(net, -0.99, None)
 def causality_ok(df, tp, k=10):
    """Ricalcola target_series su prefissi e verifica che tgt[i] non cambi (no look-ahead)."""
    full = tp.target_series(df); n = len(df)
    rng = np.random.default_rng(0); bad = 0
    for i in rng.integers(int(n * 0.6), n - 1, size=k):
        p = tp.target_series(df.iloc[:i + 1].copy())
        if len(p) != i + 1 or not np.isclose(np.nan_to_num(p[i]), np.nan_to_num(full[i]), atol=1e-9):
            bad += 1
    return bad
 def met(rr, idx):
    rr = rr[np.isfinite(rr)]
    if len(rr) < 2 or np.std(rr) == 0:
        return dict(sh=0, ret=0, dd=0, n=len(rr))
    bpy = 86400 * 365.25 / pd.Series(idx).diff().dt.total_seconds().median()
    eq = np.cumprod(1 + rr); pk = np.maximum.accumulate(eq)
    return dict(sh=float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)), ret=float(eq[-1] - 1),
                dd=float(np.max((pk - eq) / pk)), n=len(rr))
 def main():
    print("=" * 92)
    print("  TP01 RI-VERIFICA BASSA FREQUENZA — calcolo pulito per-TF (no ffill mixed-TF) | fee 0.10% RT")
    print("=" * 92)
    tp = TrendPortfolio(**CANONICAL)
    print(f"  {'TF':<5s}{'leak':>6s}{'FULL Sh':>9s}{'FULL ret':>10s}{'FULL DD':>9s}{'HOLD Sh':>9s}{'HOLD ret':>10s}{'HOLD DD':>9s}")
    for tf, rule in [("4h", "4h"), ("6h", "6h"), ("12h", "12h"), ("1d", "1D")]:
        series = {}; leak = 0
        for a in ("BTC", "ETH"):
            df = resample_tf(load_data(a, "1h"), rule)
            leak += causality_ok(df, tp)
            series[a] = pd.Series(sleeve_net(df, tp), index=pd.to_datetime(df["datetime"]))
        J = pd.concat(series, axis=1, join="inner").fillna(0.0)
        combo = 0.5 * J["BTC"].values + 0.5 * J["ETH"].values
        idx = J.index; ho = idx >= HOLDOUT
        f = met(combo, idx); h = met(combo[ho], idx[ho])
        print(f"  {tf:<5s}{leak:>6d}{f['sh']:>9.2f}{f['ret']*100:>+9.0f}%{f['dd']*100:>8.1f}%"
              f"{h['sh']:>9.2f}{h['ret']*100:>+9.1f}%{h['dd']*100:>8.1f}%")
    # buy&hold 50/50 a 1d come riferimento hold-out
    bh = {}
    for a in ("BTC", "ETH"):
        df = resample_tf(load_data(a, "1h"), "1D")
        bh[a] = pd.Series(simple_returns(df["close"].values.astype(float)), index=pd.to_datetime(df["datetime"]))
    Jb = pd.concat(bh, axis=1, join="inner").fillna(0.0)
    cb = 0.5 * Jb["BTC"].values + 0.5 * Jb["ETH"].values; ix = Jb.index; ho = ix >= HOLDOUT
    bhf = met(cb, ix); bhh = met(cb[ho], ix[ho])
    print(f"\n  buy&hold 50/50 (1d): FULL Sh {bhf['sh']:.2f} ret {bhf['ret']*100:+.0f}% DD {bhf['dd']*100:.0f}%"
          f" | HOLD-OUT Sh {bhh['sh']:.2f} ret {bhh['ret']*100:+.0f}% DD {bhh['dd']*100:.0f}%")
    print("\n  (leak=0 = nessun look-ahead nel calcolo per-TF. Confronta con la tesi: >=12h trustworthy.)")
 if __name__ == "__main__":
    main()
@@ -1,149 +0,0 @@
 """VERIFICA AVVERSARIALE di TP01 (branch strategy-research-2026-06) col MIO gauntlet onesto.
 TP01 = TSMOM multi-orizzonte (30/90/180g) long-flat, vol-target 20%, leva cap 2x, portafoglio
 50/50 BTC+ETH. Codice riprodotto VERBATIM dal branch (src/strategies/trend_portfolio.py).
 La loro tesi: 'positiva ogni anno 2019-2026, Sharpe ~1.32'. Il mio test decisivo: il HOLD-OUT
 2025-26 (che ha bocciato il mio trend 1h in Fase 3) + cross-asset + multi-TF (cherry-picking 4h?).
    uv run python scripts/analysis/verify_tp01.py
 """
 from __future__ import annotations
 import sys
 from pathlib import Path
 PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 import numpy as np
 import pandas as pd
 from src.data.downloader import load_data
 HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
 CANONICAL = dict(target_vol=0.20, leverage=2.0, long_only=True,
                 horizons_days=(30, 90, 180), vol_win_days=30, fee_side=0.0005)
 # ---- TP01 riprodotto VERBATIM dal branch ----
 def simple_returns(c):
    r = np.zeros(len(c)); r[1:] = c[1:] / c[:-1] - 1.0; return r
 def realized_vol(r, win, bpy):
    return pd.Series(r).rolling(win, min_periods=win // 2).std().values * np.sqrt(bpy)
 def tsmom_blend(c, horizons):
    n = len(c); acc = np.zeros(n); cnt = np.zeros(n)
    for h in horizons:
        s = np.full(n, np.nan); s[h:] = np.sign(c[h:] / c[:-h] - 1.0)
        v = np.isfinite(s); acc[v] += s[v]; cnt[v] += 1
    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]; return out
 def target_series(df, p, bpd):
    c = df["close"].values.astype(float); bpy = bpd * 365.25
    r = simple_returns(c)
    vol = realized_vol(r, p["vol_win_days"] * bpd, bpy)
    direction = tsmom_blend(c, tuple(d * bpd for d in p["horizons_days"]))
    if p["long_only"]:
        direction = np.clip(direction, 0, None)
    scal = np.where((vol > 0) & np.isfinite(vol), p["target_vol"] / vol, 0.0)
    tgt = np.clip(direction * scal, -p["leverage"], p["leverage"]); tgt[~np.isfinite(tgt)] = 0.0
    return tgt
 def net_returns(df, p, bpd):
    c = df["close"].values.astype(float); r = simple_returns(c)
    tgt = target_series(df, p, bpd)
    pos_held = np.zeros(len(tgt)); pos_held[1:] = tgt[:-1]      # decisa a close[t-1], tenuta in t -> causale
    gross = pos_held * r
    turn = np.abs(np.diff(pos_held, prepend=0.0))
    net = gross - p["fee_side"] * turn; net[0] = 0.0
    return np.clip(net, -0.99, None), pos_held
 def resample(df_1h, rule):
    g = df_1h.copy(); idx = pd.to_datetime(g["timestamp"], unit="ms", utc=True); g.index = idx
    out = g.resample(rule, label="left", closed="left").agg(
        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"}).dropna(subset=["open"])
    out["timestamp"] = out.index
    return out.reset_index(drop=True)
 def metrics(combo, idx):
    rr = combo[np.isfinite(combo)]
    if len(rr) < 2 or np.std(rr) == 0:
        return dict(sharpe=0, cagr=0, dd=0, ret=0, n=len(rr))
    dt = pd.Series(idx).diff().dt.total_seconds().median()
    bpy = 86400 * 365.25 / dt
    eq = np.cumprod(1 + rr); peak = np.maximum.accumulate(eq)
    years = (idx[-1] - idx[0]).total_seconds() / 86400 / 365.25
    return dict(sharpe=float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)),
                cagr=float(eq[-1] ** (1 / years) - 1) if years > 0 else 0,
                dd=float(np.max((peak - eq) / peak)), ret=float(eq[-1] - 1), n=len(rr))
 def portfolio_combo(tf_rule, bpd):
    series = {}
    for a in ("BTC", "ETH"):
        df = load_data(a, "1h")
        if tf_rule:
            df = resample(df, tf_rule)
        net, _ = net_returns(df, CANONICAL, bpd)
        series[a] = pd.Series(net, index=pd.to_datetime(df["timestamp"], unit="ms", utc=True) if not tf_rule
                              else pd.DatetimeIndex(df["timestamp"]))
    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
    combo = 0.5 * J["BTC"].values + 0.5 * J["ETH"].values
    return combo, J.index, J
 def line(label, combo, idx):
    m = metrics(combo, idx)
    return f"  {label:<22s} Sharpe {m['sharpe']:>5.2f} | ret {m['ret']*100:>+8.1f}% CAGR {m['cagr']*100:>+6.1f}% | DD {m['dd']*100:>5.1f}% | n {m['n']}"
 def main():
    print("=" * 92)
    print("  VERIFICA TP01 (TSMOM 30/90/180 vol-target 20% lev2x long-flat, 50/50 BTC+ETH)")
    print("  col gauntlet onesto: FULL vs buy&hold | HOLD-OUT 2025-26 bloccato | per-anno | multi-TF")
    print("=" * 92)
    TFS = [("15m", "15min", 96), ("1h", None, 24), ("4h", "4h", 6), ("1d", "1D", 1)]
    print("\n  (A) MULTI-TF: il 4h e' cherry-picked? FULL + HOLD-OUT per ogni timeframe")
    for tf, rule, bpd in TFS:
        combo, idx, J = portfolio_combo(rule, bpd)
        ho = idx >= HOLDOUT
        full = metrics(combo, idx)
        hold = metrics(combo[ho], idx[ho])
        tag = "  <- canonica" if tf == "4h" else ""
        print(f"    {tf:<3s} FULL Sh {full['sharpe']:>5.2f} CAGR {full['cagr']*100:>+6.1f}% DD {full['dd']*100:>4.1f}% "
              f"| HOLD-OUT Sh {hold['sharpe']:>5.2f} ret {hold['ret']*100:>+6.1f}% DD {hold['dd']*100:>4.1f}%{tag}")
    # focus 4h canonica
    combo, idx, J = portfolio_combo("4h", 6)
    print("\n  (B) 4h CANONICA — per anno (la tesi: positiva OGNI anno 2019-2026)")
    s = pd.Series(combo, index=idx)
    for y, g in s.groupby(s.index.year):
        eq = np.cumprod(1 + g.values); pk = np.maximum.accumulate(eq)
        ho_flag = "  <- HOLD-OUT (mai usato per scegliere config?)" if y >= 2025 else ""
        print(f"    {y}: ret {(eq[-1]-1)*100:>+7.1f}%  DD {np.max((pk-eq)/pk)*100:>5.1f}%{ho_flag}")
    print("\n  (C) HOLD-OUT 2025-26 — TP01 vs buy&hold 50/50 (4h)")
    ho = idx >= HOLDOUT
    print(line("TP01 portfolio HO", combo[ho], idx[ho]))
    # buy&hold 50/50 sullo stesso indice/finestra
    bh = {}
    for a in ("BTC", "ETH"):
        df = resample(load_data(a, "1h"), "4h")
        r = simple_returns(df["close"].values.astype(float))
        bh[a] = pd.Series(r, index=pd.DatetimeIndex(df["timestamp"]))
    Jb = pd.concat(bh, axis=1, join="inner").reindex(idx).fillna(0.0)
    bh_combo = 0.5 * Jb["BTC"].values + 0.5 * Jb["ETH"].values
    print(line("buy&hold 50/50 HO", bh_combo[ho], idx[ho]))
    print(line("TP01 portfolio FULL", combo, idx))
    print(line("buy&hold 50/50 FULL", bh_combo, idx))
    print("\n  (D) CROSS-ASSET nel HOLD-OUT (lo stesso edge regge su ENTRAMBI?)")
    for a in ("BTC", "ETH"):
        df = resample(load_data(a, "1h"), "4h")
        net, _ = net_returns(df, CANONICAL, 6)
        ix = pd.DatetimeIndex(df["timestamp"]); m = ix >= HOLDOUT
        print(line(f"TP01 {a} sleeve HO", net[m], ix[m]))
 if __name__ == "__main__":
    main()
@@ -1,14 +1,14 @@
-"""PAPER TRADER — TP01 Trend Portfolio (PORT LF1d), forward-only, simulato.
+"""PAPER TRADER — TP01 Trend Portfolio (PORT LF4h), forward-only, simulato.
 Esegue la strategia VINCENTE (src/strategies/trend_portfolio.py, config CANONICAL) in
 paper trading FORWARD-ONLY su capitale virtuale (default 2000 USDT), portafoglio 50/50
-BTC+ETH a 1d. Stato persistente -> resume al riavvio.
+BTC+ETH a 4h. Stato persistente -> resume al riavvio.
 DESIGN (onesto, niente esecuzione reale: l'esecuzione e' DISABILITATA nel progetto):
-  - Legge i parquet certificati locali (data/raw, BTC/ETH 1h) e resampla a 1d.
+  - Legge i parquet certificati locali (data/raw, BTC/ETH 1h) e resampla a 4h.
-  - Alla prima esecuzione parte dall'ultima barra 1d CHIUSA disponibile (forward-only:
+  - Alla prima esecuzione parte dall'ultima barra 4h CHIUSA disponibile (forward-only:
    NON include lo storico nel PnL di paper, traccia solo da ora in avanti).
-  - Ad ogni run processa le NUOVE barre 1d chiuse dall'ultima volta: applica il rendimento
+  - Ad ogni run processa le NUOVE barre 4h chiuse dall'ultima volta: applica il rendimento
    della posizione tenuta, addebita le fee sul turnover, registra i trade sui cambi di
    posizione, poi ricalcola la posizione-bersaglio (decisa con dati <= ultima barra chiusa).
  - Per avere barre fresche, aggiornare prima i dati:
@@ -33,7 +33,7 @@ PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))
 from src.backtest.harness import load
-from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, resample_1d, simple_returns
+from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, resample_4h, simple_returns
 STATE_DIR = PROJECT_ROOT / "data" / "paper_trend"
 STATE_FILE = STATE_DIR / "state.json"
@@ -43,9 +43,8 @@ WEIGHT = 0.5
 INITIAL_CAPITAL = 2000.0
-def build_bars() -> dict[str, pd.DataFrame]:
+def build_4h() -> dict[str, pd.DataFrame]:
-    # Deploy a 1d (>=12h): sotto le 12h costi+overfit dominano (vedi trend_portfolio docstring + bug ffill mixed-TF).
+    return {a: resample_4h(load(a, "1h")) for a in ASSETS}
    return {a: resample_1d(load(a, "1h")) for a in ASSETS}
 def load_state() -> dict | None:
@@ -81,7 +80,7 @@ def init_state(dfs) -> dict:
 def advance(st: dict, dfs: dict) -> dict:
-    """Processa tutte le barre 1d chiuse DOPO st['last_ts']."""
+    """Processa tutte le barre 4h chiuse DOPO st['last_ts']."""
    tp = TrendPortfolio(**CANONICAL)
    # precompute per-asset: timestamps, returns, target series (causale)
    data = {}
@@ -145,10 +144,10 @@ def print_status(st: dict, dfs: dict):
    ret = cap / st["initial_capital"] - 1
    daily = (cap - st["initial_capital"]) / days if days > 0 else 0.0
    print("=" * 72)
-    print("  PAPER TRADER — TP01 Trend Portfolio (PORT LF1d, 50/50 BTC+ETH, 1d)")
+    print("  PAPER TRADER — TP01 Trend Portfolio (PORT LF4h, 50/50 BTC+ETH, 4h)")
    print("=" * 72)
    print(f"  start         {start:%Y-%m-%d %H:%M} UTC")
-    print(f"  last bar      {last:%Y-%m-%d %H:%M} UTC   ({days:.1f} giorni, {st['n_bars']} barre 1d)")
+    print(f"  last bar      {last:%Y-%m-%d %H:%M} UTC   ({days:.1f} giorni, {st['n_bars']} barre 4h)")
    print(f"  capitale      {cap:,.2f} USDT   (start {st['initial_capital']:,.0f})")
    print(f"  ritorno       {ret*100:+.2f}%   |  €/giorno {daily:+.2f}   |  maxDD {st['max_dd']*100:.1f}%")
    print(f"  posizioni now { 'flat' if all(p==0 for p in st['positions'].values()) else '' }")
@@ -169,7 +168,7 @@ def print_status(st: dict, dfs: dict):
 def main():
    argv = sys.argv[1:]
-    dfs = build_bars()
+    dfs = build_4h()
    if "--reset" in argv:
        if STATE_FILE.exists():
            STATE_FILE.unlink()
@@ -4,16 +4,13 @@ Vincitrice della ricerca su dati certificati BTC/ETH (Deribit mainnet). TSMOM mu
 (1-3-6 mesi) vol-targeted, portafoglio 50/50 BTC+ETH. Validata onestamente (no look-ahead,
 fee 0.10% RT, positiva ogni anno 2019-2026, robusta su griglia e su tutti i timeframe 15m-1d).
-Config canonica deployabile (PORT LF1d):
+Config canonica deployabile (PORT LF4h):
-    timeframe >=12h (1d RACCOMANDATO), LONG-FLAT (niente short), vol-target 20%, leverage cap 2x.
+    timeframe 4h, LONG-FLAT (niente short), vol-target 20%, leverage cap 2x.
-    -> FULL Sharpe ~1.30, maxDD ~14%, HOLD-OUT 2025-26 Sharpe ~0.31 (calcolo per-TF leak-free).
+    -> CAGR ~16.6%, Sharpe ~1.32, maxDD ~12.3% (backtest 2019-2026 su 50/50 BTC+ETH).
-NB LOOK-AHEAD (2026-06-19): un ffill MIXED-TIMEFRAME su barre open-labeled (label="left")
+Perche' long-flat e 4h: gli short del trend rendono meno e aggiungono DD; il 4h e' il punto
-gonfiava il 4h (~1.60 -> reale ~1.1). Il calcolo per-SINGOLO-TF e' leak-free (guard
+dolce (meno rumore/fee del 15m, meno lag dell'1d). Vedi docs/diary/2026-06-19-research-synthesis.md
-prefix-recompute), ma sotto le 12h costi+overfitting dominano SENZA vantaggio reale (FULL Sh
+e scripts/research/trackD_*.py.
 piatto ~1.3 da 12h a 4h; hold-out MIGLIORE a 1d). -> NON scendere sotto le 12h; deploy a 1d.
 TP01 e' DIFENSIVA (taglia il DD ~6x vs buy&hold), NON alpha. Vedi
 docs/diary/2026-06-19-tp01-lookahead-fix-lf.md e scripts/analysis/tp01_lowfreq.py.
 API (tutto causale, decide con dati <= close[i]):
    from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL
@@ -171,28 +168,16 @@ def _bars_per_year(idx: pd.DatetimeIndex) -> float:
    return 86400 * 365.25 / dt if dt and dt > 0 else 365.25
-def resample_tf(df_1h: pd.DataFrame, rule: str) -> pd.DataFrame:
+def resample_4h(df_1h: pd.DataFrame) -> pd.DataFrame:
-    """Resample 1h -> rule (confini 00:00 UTC). Schema con 'datetime'.
+    """Resample 1h -> 4h (confini 00:00 UTC). Schema con 'datetime'."""
    NB: usare SOLO per-singolo-TF (qui leak-free); MAI ffill/combine mixed-TF su questi
    timestamp open-labeled (label='left') -> look-ahead. Deploy a >=12h (vedi docstring modulo)."""
    g = df_1h.copy()
    idx = pd.to_datetime(g["timestamp"], unit="ms", utc=True)
    idx.name = "dt"
    g.index = idx
-    out = g.resample(rule, label="left", closed="left").agg(
+    out = g.resample("4h", label="left", closed="left").agg(
        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"})
    out = out.dropna(subset=["open"])
    out["datetime"] = out.index
    epoch = pd.Timestamp("1970-01-01", tz="UTC")
    out["timestamp"] = ((out.index - epoch) // pd.Timedelta(milliseconds=1)).astype("int64")
    return out.reset_index(drop=True)[["timestamp", "open", "high", "low", "close", "volume", "datetime"]]
 def resample_1d(df_1h: pd.DataFrame) -> pd.DataFrame:
    """TF canonico di deploy (>=12h). Resample 1h -> 1d."""
    return resample_tf(df_1h, "1D")
 def resample_4h(df_1h: pd.DataFrame) -> pd.DataFrame:
    """DEPRECATO per il deploy (sotto le 12h: costi+overfit dominano). Retro-compat ricerca."""
    return resample_tf(df_1h, "4h")
Author	SHA1	Message	Date
Adriano	7b34e11476	docs: update CLAUDE.md with post-research state (TP01 winner + research outcome)	2026-06-19 20:36:01 +02:00
Adriano	ae7f3d17f2	deploy: TP01 trend portfolio (PORT LF4h) module + paper trader - src/strategies/trend_portfolio.py: canonical winner, causal/no-leakage, reproduces CAGR +16.5% Sharpe 1.36 maxDD 13.8% - scripts/live/paper_trend.py: forward-only paper trader, persistent state, resume - tests/test_trend_portfolio.py: 5 tests (causality, profitability, long-only, paper parity)	2026-06-19 20:35:28 +02:00
Adriano	3b6ff02197	fix: resolution-safe timestamp in trackD_timing resample (pandas 2.x datetime64[ms]) - combination study: PORT LF4h (BTC+ETH) Sharpe 1.32 DD 12.3% remains best - RV ETH/BTC market-neutral sleeve is genuinely uncorrelated (~0.05) but too weak (Sharpe 0.27) to raise portfolio Sharpe; combining the two TF configs is redundant (same-asset cross-config corr 0.80)	2026-06-19 20:18:03 +02:00
Adriano	8dbdadd509	research: add per-year trade counts + turnover to trackD_timing	2026-06-19 20:09:32 +02:00
Adriano	33267584d9	research: Track D winner across timeframes (15m-1d) + per-year PnL/DD - trackD_timing.py: same TSMOM 1-3-6m blend config sampled at 15m/1h/4h/1d - robust plateau across all TFs; 4h marginally best (LF Sharpe 1.36, DD 13.8%) - per-year PnL and per-year max drawdown tables	2026-06-19 19:39:02 +02:00
Adriano	dc2b5697da	research wave 1: 5 honest tracks on certified BTC/ETH + synthesis - trackA trend, trackB ML, trackC mean-rev, trackD trend-portfolio, trackE xsec/ensemble - VERDICT: Track D vol-targeted BTC+ETH trend portfolio is the one robust deployable earner (Sharpe 1.0-1.32, DD 13-19%, positive every year 2019-2026) - mean-reversion confirmed dead on clean data; weak-but-real ML/trend residuals - honest: EUR50/day on 2000 in 1-2y is not reachable (needs ~137k capital or ruinous DD)	2026-06-19 19:14:53 +02:00
Adriano	6b9c469832	research: rebuild certified BTC/ETH feed + honest backtest harness - rebuilt BTC/ETH from Deribit mainnet (certified 1.7-1.9bps vs Coinbase) - archived contaminated alt data to Old/data/raw - add src/backtest/harness.py: leakage-free, fee-aware signal engine (entry at close[i], intrabar TP/SL, CAGR/Sharpe/DD/per-year/OOS)	2026-06-19 18:41:15 +02:00