fix(live): naming Deribit corretto per alt -> tutte le 5 coppie pairs tradabili live

Gli alt su Deribit sono perp LINEARI USDC: "<COIN>_USDC-PERPETUAL" (storia dal 2022),
non "<COIN>-PERPETUAL" (vuoto per LTC/ADA, dati errati per SOL). INSTRUMENT_MAP corretto.
Smoke test live (live_smoke_pairs.py): tutte e 5 le coppie ricevono feed fresco (1448
barre, ultima ~0.4h) e ticcano. Riabilitate tutte le coppie in strategies.yml.
BTC/ETH restano inverse ("<COIN>-PERPETUAL"). CLAUDE.md / docstring PR01 aggiornati.

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

CLAUDE.md

@@ -24,10 +24,12 @@ src/strategies/        → classe base Strategy ABC + indicatori condivisi
   base.py              → Strategy, Signal, BacktestResult, YearlyStats
   indicators.py        → keltner_ratio, detect_squeezes, ema, atr, rv, correlation
 src/live/              → paper trading live multi-strategia
-  multi_runner.py      → orchestratore: carica YAML, fetch candele, tick worker
+  multi_runner.py      → orchestratore: carica YAML (strategies + pairs), fetch candele, tick worker
-  strategy_worker.py   → worker indipendente: capital, trade log, stato persistente.
+  strategy_worker.py   → worker single-leg: capital, trade log, stato persistente.
                          Exit guidati da strategia (TP/SL/max_bars via Signal.metadata),
                          fallback hold_bars/stop -2%. Usa fee_rt della strategia.
+  pairs_worker.py      → worker a 2 GAMBE per PR01 (market-neutral): long A / short B sullo
+                         z-score del log-ratio, exit |z|<=z_exit o max_bars, fee su 2 gambe.
   strategy_loader.py   → import dinamico classi Strategy da scripts/strategies/
   cerbero_client.py    → client HTTP per Cerbero MCP (Deribit testnet)
   signal_engine.py     → squeeze + ML real-time (legacy ML01, ora in waste) + validazione OOS
@@ -126,20 +128,58 @@ paniere di 8 sleeve, contro il 20-70% del singolo. È la vera leva anti-drawdown
 honest (DIP/TR/ROT trend+rotazione multi-crypto) sono **quasi scorrelate**
 (correlazione cross-famiglia ~0.05). Combinarle in un unico portafoglio migliora il
 rischio/rendimento rispetto a ciascuna famiglia da sola: equal-weight dei 9 sleeve
-→ DD 5.2% full / 4.7% OOS e Sharpe OOS 4.42 (vs honest-only 12% DD / 2.23 Sharpe e
+→ DD 5.2% full / 4.7% OOS e Sharpe 4.23 full / 4.33 OOS (vs honest-only 12.6% DD /
-fade-only 8.2% DD / 4.09 Sharpe), CAGR ~46% mantenuta. Studio in
+2.20 Sharpe e fade-only 8.2% DD / 4.09 Sharpe), CAGR ~47% mantenuta. Studio in
 `scripts/analysis/combine_portfolio.py`.
 
+**ROT02 — riduzione DD (top_k 2→3).** La rotazione dual-momentum honest concentrava
+il book su 2 soli asset (DD 40%). Diversificare su 3 (`top_k=3`) dimezza quasi il DD
+(40%→26%) e *alza* pure il ritorno full (+1095%→+1303%, ret/DD da 27 a 50); il
+vol-target abbassa il DD ma sacrifica ritorno, quindi si tiene top_k=3 senza VT.
+Applicato a `ROT02_dual_momentum.py` e a `_rot_daily_equity` (usata dai portafogli).
+
 **Portafogli pronti (artefatti accorpati e migliorati).** Oltre a `PORT01` (solo
 honest), due script in `scripts/strategies/`:
 - `PORT02_fade_master.py` — le 3 fade × BTC/ETH accorpate (6 sleeve, filtro trend),
   equal-weight daily: DD ~8.2% full / 5.9% OOS, Sharpe 3.95/4.09, CAGR ~46%.
 - `PORT03_all_master.py` — portafoglio MASTER (fade + honest, 9 sleeve). Due varianti:
-  `equal` (massimo Sharpe: DD 5.2%/4.7% OOS, Sharpe 3.95/4.42) e `5050` fra le due
+  `equal` (massimo Sharpe: DD 5.2%/4.7% OOS, Sharpe 4.23/4.33) e `5050` fra le due
-  famiglie (minimo DD: 5.1% full / 4.3% OOS). È la configurazione consigliata.
+  famiglie (minimo DD: 5.0% full / 4.5% OOS). È la configurazione consigliata.
 Come `PORT01`, sono meta-portafogli (script `run()` di report), non `Strategy` con
 `generate_signals`, quindi non nel `strategy_loader`.
 
+**Esplorazione famiglie alternative (branch `strategy_explore`, 2026-05-29).** Esplorate
+9 famiglie nuove con agenti paralleli su harness onesto condiviso
+(`scripts/analysis/explore_lab.py`). 7 sono rumore (rifiutate: stagionalità oraria/mensile,
+cross-sectional reversal, opening-range breakout, lead-lag BTC→alt, continuation intraday —
+quest'ultima riconferma la dominanza mean-reversion). Due edge reali:
+- **PR01 Pairs** (`scripts/strategies/PR01_pairs_reversion.py`): spread reversion
+  market-neutral sul log-ratio z-score, **config UNIVERSALE** `n=50 z_in=2.0 z_exit=0.75
+  max_bars=72` (anti-overfit, niente tuning per-coppia). **5 coppie robuste**: ETH/BTC
+  (Sharpe 4.36), LTC/ETH (3.08), ADA/ETH (2.69), BTC/LTC (2.36, robusta anche 4h), ETH/SOL
+  (1.96, la più debole). Pattern: sempre alt-liquido vs major. Plateau confermato
+  (heatmap 20/20 Sharpe>1) + walk-forward (ETH/BTC 11/12 finestre+). **BNB/ETH scartata**
+  (overfit). Corr col mercato ~0.02-0.08. Fee su **2 gambe**: worker live implementato
+  (`src/live/pairs_worker.py`, sezione `pairs:` in `strategies.yml`). LOGICA validata
+  (`validate_worker_pairs.py`: replay == backtest ESATTO). LIVE (`live_smoke_pairs.py`,
+  smoke reale Cerbero): **tutte e 5 le coppie con feed live fresco**. Naming Deribit:
+  BTC/ETH = `<COIN>-PERPETUAL` (inverse); alt = `<COIN>_USDC-PERPETUAL` (lineari USDC,
+  storia dal 2022). Trappola: `LTC-PERPETUAL`/`SOL-PERPETUAL` danno vuoto/dati errati →
+  usare sempre `_USDC-PERPETUAL`. Resta da verificare solo liquidità/fill in esecuzione.
+  Verifica edge: `pairs_research.py`.
+- **TSM01** (`scripts/analysis/tsmom_research.py`): TSMOM multi-orizzonte 3/6/12m + risk-off,
+  **gross 0.30**, distinto da ROT02 (corr 0.62), DD 15-22%, mai un anno negativo. Robusto
+  (36/36 config OOS+) ma diversificatore, non motore di ritorno (rende meno di ROT02).
+
+Aggiungere i **5 pairs** al MASTER (quasi scorrelati, ~0.02-0.09) è il free-lunch più
+grande (`scripts/analysis/combine_v2.py`). **Numeri sobri onesti** (l'OOS singolo 2024-25
+è regime calmo → ottimistico ~50%): worst-DD su 90g rolling **~6%** (non 2.3%), Sharpe
+atteso **~5** (mediana semestrale), ogni anno positivo dal 2021, regge **leva 2x +
+slippage doppio** (CAGR 36%, Sharpe 5.1). Config robusta raccomandata: **MASTER-esteso
+equal-weight, leva 2x, cap pairs ~30-35%** (i pairs sono ~57% del rischio; worker live a
+2 gambe implementato, validato e con feed live su tutte e 5 le coppie — resta da
+verificare liquidità/fill in esecuzione reale). La confluenza multi-TF è stata SCARTATA (overfit).
+
 **Metodologia obbligatoria per ogni nuova strategia** (per non ripetere l'errore squeeze):
 1. Ingresso eseguibile: direzione e prezzo decisi con dati **fino a `close[i]`**, mai `close[i-1]` con direzione da `i`.
 2. Backtest **NETTO** dopo fee realistiche Deribit (**0.10% RT** taker, non 0.20%) + leva.

docs/diary/2026-05-29-exploration.md

@@ -0,0 +1,155 @@
+# Diario — 2026-05-29 — Esplorazione di nuove famiglie di strategie
+
+## Obiettivo
+
+Trovare 5-10 nuove famiglie di strategie, diverse da quelle esistenti, migliori o
+complementari, con DD basso e attenzione alle fee. Esplorazione onesta (no
+look-ahead, netto fee, OOS) condotta con **agenti paralleli**, ognuno su una famiglia
+indipendente, tutti sullo stesso harness condiviso (`scripts/analysis/explore_lab.py`).
+Lavoro sul branch `strategy_explore`.
+
+## Famiglie esplorate (9) ed esito onesto
+
+| Famiglia | Esito | Note |
+|---|---|---|
+| **Pairs / spread reversion** | ✅ **VINCITORE** | Market-neutral, genuinamente nuova, decorrelata |
+| **TSMOM multi-orizzonte** | ✅ diversificatore | Marginale ma distinto (corr 0.53 con ROT02), DD basso |
+| Stagionalità settimanale | ⚠️ marginale/fragile | "Mercoledì-long-24h" 7/8 asset OOS+ ma effetto concentrato a 00:00 UTC |
+| Vol-target BTC | ⚠️ marginale | Sharpe 0.94 vs 0.76 buy&hold, DD ancora 44% |
+| Stagionalità intraday (ora) | ❌ rumore | L'edge orario muore sotto le fee |
+| Stagionalità mensile/turn-of-month | ❌ rumore | Reale in-sample, morto OOS dal 2024 |
+| Cross-sectional reversal | ❌ nessun edge | Perde vs equal-weight, corr 0.98 col momentum |
+| Opening-range breakout | ❌ non generalizza | Solo BTC/ETH, alcuni regimi, fee-fragile |
+| Lead-lag BTC→alt | ❌ nessun edge | Reazione contemporanea (corr lag+1 ≈ 0), non batte buy&hold |
+| Momentum/continuation intraday | ❌ negativo | Conferma: il *fade* (mean-reversion) domina |
+
+7 famiglie su 9 sono rumore — e l'harness le ha rifiutate senza produrre falsi
+positivi (segnale che la metodologia onesta funziona). Due edge reali emergono.
+
+## Vincitore 1 — PAIRS (market-neutral) — `PR01_pairs_reversion.py`
+
+Scommette sul rientro del log-ratio di due cripto verso la media (z-score). Quando
+`z ≤ −2` → long A / short B; `z ≥ +2` → l'opposto; esce al rientro (`|z| ≤ 0.5`) o a
+tempo. Engine onesto verificato in `pairs_research.py` (test esplicito no-look-ahead:
+`z[i]` invariato perturbando il futuro). Fee contate su **2 gambe** (0.20% RT/coppia).
+
+Validazione (netto, leva 3x, OOS = ultimo 30%, 1h):
+
+| Coppia | CAGR | Sharpe | OOS DD | anni+ |
+|---|--:|--:|--:|--:|
+| ETH/BTC | 144% | 4.04 | 17% | 8/9 |
+| LTC/ETH | 71% | 2.52 | 10% | 7/8 |
+| ADA/ETH | 77% | 2.16 | 11% | 7/8 |
+
+Tutte le 10 coppie testate positive FULL+OOS, regge fee 0.40% RT/coppia, correlazione
+col mercato ~0.02 (market-neutral confermato). DD pieno 42-49% (alto), ma OOS DD
+10-17% (buono) e soprattutto **quasi-zero correlazione** col resto → diversificatore
+eccezionale. Limite: 2 gambe (long+short), il worker live va esteso prima del live.
+
+## Vincitore 2 — TSM01 (TSMOM multi-orizzonte) — `tsmom_research.py`
+
+Long-only multi-crypto: tiene equal-weight gli asset con consenso pieno del segno di
+momentum su 3/6/12 mesi, cash se BTC<SMA100. Distinto da ROT02 (persistenza assoluta
+vs ranking relativo), corr 0.53. FULL +169% / OOS +80% / DD 22% / Sharpe 1.07,
+**mai un anno negativo**, regge fee 0.40%. Verificato no-look-ahead (cheat-test
+esplode a +575%). Marginale come stand-alone (rende meno di ROT02) ma utile in ensemble.
+
+## Il payoff — combinare le nuove fonti col MASTER (`combine_v2.py`)
+
+Le nuove sleeve sono quasi scorrelate col MASTER-9 (pairs ~0.02-0.08, TSM01 0.05).
+Aggiungerle migliora nettamente il portafoglio:
+
+| Portafoglio | CAGR | DD% | Sharpe | OOS DD% | OOS Sharpe |
+|---|--:|--:|--:|--:|--:|
+| MASTER-9 (base) | 47 | 5.2 | 4.23 | 4.7 | 4.33 |
+| **MASTER + pairs (12)** | **66** | **3.8** | **5.67** | **3.3** | **6.86** |
+| MASTER + TSM01 (10) | 44 | 4.7 | 4.21 | 4.2 | 4.33 |
+| MASTER esteso (13) | 62 | 3.6 | 5.66 | 3.0 | 6.79 |
+
+I **pairs** sono l'aggiunta decisiva: alzano la CAGR (47→66), **abbassano il DD**
+(5.2→3.8 full, 4.7→**3.3** OOS) e portano lo Sharpe OOS a **6.86** — il free-lunch
+della diversificazione da una fonte market-neutral scorrelata. TSM01 contribuisce
+poco (diluisce il ritorno) ma abbassa lievemente il DD.
+
+## Caveat onesti
+
+- I pairs hanno DD pieno alto (42-49%) sull'1h; il vantaggio sta nella decorrelazione,
+  non nel DD stand-alone. Richiedono esecuzione a 2 gambe (short del perp B) — da
+  verificare shortabilità/liquidità sugli alt e raddoppio fee nel worker.
+- Sharpe combinati 5-7 e CAGR 60%+ sono backtest a leva 3x su finestra 2021-2026 con
+  OOS ~1.6 anni e il 2024 cripto eccezionale: numeri ottimistici, da confermare in
+  paper trading live.
+- TSMOM e le strategie honest condividono l'overlay risk-off SMA100: parte della loro
+  difensività è comune (non perfettamente indipendente).
+
+## Terza ondata — espansione dei meccanismi provati + 2 nuovi sondaggi
+
+Esplorate altre 4 direzioni con agenti paralleli:
+- **Fade su 6 nuovi alt (ADA/BNB/DOGE/LTC/SOL/XRP)**: 0 robuste. La mean-reversion
+  fade vive solo su BTC/ETH (liquidi); sugli alt sparisce o è artefatto di pochi pump
+  (DOGE). Coerente con la lezione del progetto.
+- **Espansione PAIRS** (tutte le 28 coppie): trovate **3 nuove coppie robuste** →
+  BTC/LTC (robusta 1h *e* 4h, Sharpe 2.21, DD 24-34%, concentrazione PnL 9%), ETH/SOL
+  e BNB/ETH (Sharpe 2.4+, solo 1h). Pattern: sempre alt-liquido vs major, mai alt/alt.
+  PR01 ora ha **6 coppie**.
+- **Low-volatility anomaly**: ❌ in cripto è INVERTITA (vince l'alta vol = alta beta),
+  ridondante con EW+risk-off/ROT02. L'anti-test high-vol stravince.
+- **Confluenza multi-timeframe (fade 1h confermato da 4h)**: non crea edge nuovo e non
+  migliora lo Sharpe, ma **dimezza il DD** di MR01 (ETH: stesso Sharpe 3.17 a DD 38% vs
+  63%) e stabilizza l'OOS → utile variante low-DD, non strategia indipendente.
+
+## Bilancio finale e MASTER esteso (6 pairs)
+
+Robusti deployabili: **famiglia PAIRS (6 coppie) + TSM01** (+ confluenza MTF come variante
+low-DD di MR01, + tilt stagionale mercoledì marginale). I 6 pairs sono quasi scorrelati col
+MASTER (corr 0.02-0.08). MASTER + 6 pairs:
+
+| Portafoglio | CAGR | DD% | Sharpe | OOS DD% | OOS Sharpe |
+|---|--:|--:|--:|--:|--:|
+| MASTER-9 (base) | 47 | 5.2 | 4.23 | 4.7 | 4.33 |
+| **MASTER + 6 pairs (15)** | **71** | 5.7 | **5.93** | **2.3** | **7.71** |
+| MASTER esteso +TSM01 (16) | 67 | 5.4 | 5.95 | **2.2** | 7.67 |
+
+Aggiungere i 6 pairs porta l'**OOS DD a 2.2-2.3%** (da 4.7%) con Sharpe OOS ~7.7 e tutti
+gli anni positivi: il guadagno di diversificazione da fonti market-neutral scorrelate.
+
+## Quarto giro — validazione anti-overfitting e irrobustimento
+
+Tre audit scettici paralleli (walk-forward, plateau, stress, scomposizione):
+
+**Pairs — de-overfittati.** Sostituita la config per-coppia (cherry-picking di z_exit/n)
+con **una config universale `n=50 z_in=2.0 z_exit=0.75 max_bars=72`**. Verifiche:
+- plateau (non picco): heatmap n×z_in → 20/20 celle Sharpe>1 su ETH/BTC e BTC/LTC;
+- walk-forward (train 2y / test 6m rolling): ETH/BTC 11/12 finestre positive, BTC/LTC
+  9/10 → edge distribuito su tutta la storia, non un regime singolo;
+- **BNB/ETH scartata** (era robusta solo coi suoi parametri → overfit; crolla con la
+  universale e muore per prima allo stress costi). Famiglia ridotta a **5 pairs**.
+- stress: 5/6 reggono fee+slippage realistici; solo ETH/BTC regge fee 6x (coda fee-fragile).
+
+**Master — numeri sobri.** L'OOS Sharpe 7.7 / DD 2.3% è **ottimistico ~50%** perché l'OOS
+cade nel bull calmo 2024-25. Numeri onesti da usare:
+- worst-DD su finestra mobile 90g (2021-2026) = **5.7%** (bear FTX) → budget DD ~6%, non 2.3%;
+- Sharpe per-semestre: mediana **~5** (min 1.2, max 12) → atteso ~5, non 7.7;
+- ogni anno e ogni semestre dal 2021 positivo (anche il 2022 bear, grazie alle gambe short);
+- equal-weight ≈ inverse-vol (non dipende da pesi fortunati);
+- regge **leva 2x + slippage doppio** (CAGR 36%, Sharpe 5.1);
+- **rischio concentrato: i pairs portano ~57% del rischio** → cap consigliato ~30-35%.
+- Config robusta raccomandata: **MASTER-esteso, equal-weight, leva 2x, cap pairs ~30-35%**.
+
+**TSM01 — confermato robusto** (36/36 config OOS+, walk-forward stabile) ma corr reale con
+ROT02 = **0.62** (non 0.53), e gran parte del DD basso viene dall'overlay risk-off condiviso.
+Tenuto come diversificatore con **gross 0.30** (stesso Sharpe, DD 22%→15%).
+
+**Confluenza multi-TF — SCARTATA: era overfit.** Taglia il 97% dei trade (restano ~40 in
+8 anni = non significativo), distrugge lo Sharpe (1.58→0.27 su BTC) e il caso "bello" non
+sopravvive alle perturbazioni. Per abbassare il DD di MR01 meglio ridurne la leva, non il filtro 4h.
+
+**Risultato del giro:** quanto trovato regge l'esame anti-overfit (NON è l'errore squeeze),
+ma i numeri vanno comunicati sobri (Sharpe ~5, DD ~6%) e con leva 2x + cap pairs. Famiglia
+pairs consolidata a 5 coppie con config universale; confluenza MTF rimossa dai vincitori.
+
+## File creati (branch strategy_explore)
+
+`scripts/analysis/explore_lab.py` (harness onesto condiviso), `pairs_research.py`
+(verifica + ricerca pairs), `tsmom_research.py` (TSM01), `combine_v2.py` (master
+esteso); `scripts/strategies/PR01_pairs_reversion.py` (artefatto pairs).

docs/diary/2026-05-29.md

@@ -47,3 +47,18 @@ favorevole pesa. Il target €50/giorno resta vincolato dal capitale: 43% CAGR s
 Prossimo passo: confermare il portafoglio combinato nel paper trader live.
 
 **File:** `scripts/analysis/combine_portfolio.py` (nuovo).
+
+## Pulizia roster + miglioria ROT02
+
+- **Waste delle peggiori:** MR03 Keltner (fade più debole, Sharpe 1.22, ridondante
+  con MR01 — rimuoverla *migliora* il portafoglio fade: DD 8.6→8.2, ret +549→+666)
+  e ROT01 (dominata da ROT02). Spostate in `scripts/waste/`.
+- **Portafogli pronti:** `PORT02_fade_master` (6 sleeve fade) e `PORT03_all_master`
+  (9 sleeve fade+honest, varianti equal/5050).
+- **ROT02 DD alto → migliorato:** la rotazione concentrava il book su 2 asset
+  (DD 40%). Sweep su `rot_improved`: `top_k=3` dimezza quasi il DD (40%→26%) e
+  *alza* il ritorno full (+1095→+1303%, ret/DD 27→50). Il vol-target abbassa il DD
+  ma sacrifica ritorno (de-leverage) → tenuto top_k=3 senza VT. Caveat onesto:
+  l'OOS di ROT02 cala un po' (+98→+68%, DD 12→14%), ma il MASTER (config deployata)
+  migliora lo Sharpe full 3.95→4.23. Applicato a `ROT02_dual_momentum.py` e
+  `_rot_daily_equity`. Sweep in `honest_improve.rot_improved`.

scripts/analysis/combine_v2.py

@@ -0,0 +1,87 @@
+"""Combina i NUOVI edge (pairs + TSM01) col MASTER esistente: migliora il portafoglio?
+
+Aggiunge al MASTER a 9 sleeve (6 fade + 3 honest) due nuove fonti scoperte
+nell'esplorazione, poco correlate:
+  - PAIRS market-neutral (ETH/BTC, LTC/ETH, ADA/ETH)  -> corr ~0 col mercato
+  - TSM01 (TSMOM multi-orizzonte + risk-off)          -> corr ~0.53 con ROT02
+
+Misura correlazione delle nuove sleeve vs esistenti e confronta MASTER-9 vs
+MASTER-esteso su Ret/CAGR/DD/Sharpe, FULL e OOS (finestra comune 2021-2026).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.combine_portfolio import (
+    build_all_sleeves, port_returns, metrics, yearly_returns, SPLIT, OOS_DATE, IDX,
+)
+from scripts.analysis.honest_improve2 import _daily_equity, _norm
+from scripts.analysis.pairs_research import pairs_sim
+from scripts.analysis.tsmom_research import tsmom_sim
+
+
+def daily_from(eq_ts, eq_v):
+    return _norm(_daily_equity(eq_ts, eq_v, IDX))
+
+
+def main():
+    print("Costruzione equity (puo' richiedere ~1-2 min)...\n")
+    S = build_all_sleeves()                       # 9 sleeve esistenti
+
+    # nuove sleeve: i 6 pairs robusti di PR01 + TSM01
+    from scripts.strategies.PR01_pairs_reversion import PAIRS
+    new = {}
+    for a, b, p in PAIRS:
+        r = pairs_sim(a, b, **p)
+        new[f"PR_{a}{b}"] = daily_from(r["eq_ts"], r["eq_v"])
+    t = tsmom_sim()
+    new["TSM01"] = daily_from(t["eq_ts"], t["eq_v"])
+
+    allS = {**S, **new}
+
+    # --- correlazione nuove vs esistenti ---
+    dr = pd.DataFrame({k: v.pct_change().fillna(0.0) for k, v in allS.items()})
+    corr = dr.corr()
+    old_k = list(S); new_k = list(new)
+    print("=" * 88)
+    print("  CORRELAZIONE rendimenti giornalieri — NUOVE (righe) vs media esistenti")
+    print("=" * 88)
+    for nk in new_k:
+        avg = corr.loc[nk, old_k].mean()
+        mx = corr.loc[nk, old_k].abs().max()
+        print(f"  {nk:<12s} corr media col MASTER-9 = {avg:+.2f}   |max| = {mx:.2f}")
+
+    # --- confronto portafogli ---
+    def line(label, members):
+        pr = port_returns(members)
+        f, o = metrics(pr), metrics(pr, lo=SPLIT)
+        print(f"  {label:<26s}{f['ret']:>+9.0f}{f['cagr']:>7.0f}{f['dd']:>7.1f}{f['sharpe']:>7.2f}"
+              f"   | {o['ret']:>+9.0f}{o['dd']:>7.1f}{o['sharpe']:>7.2f}")
+        return pr
+
+    print("\n" + "=" * 96)
+    print(f"  MASTER-9 vs MASTER-ESTESO (con pairs+TSM01) | OOS da {OOS_DATE} | equal-weight daily")
+    print("=" * 96)
+    print(f"  {'portafoglio':<26s}{'Ret%':>9s}{'CAGR':>7s}{'DD%':>7s}{'Shrp':>7s}"
+          f"   | {'oRet%':>9s}{'oDD%':>7s}{'oShrp':>7s}")
+    print("  " + "-" * 92)
+    pairs_only = {k: v for k, v in new.items() if k.startswith('PR_')}
+    line(f"MASTER-9 (base)", S)
+    line(f"MASTER +pairs ({len(S)+len(pairs_only)})", {**S, **pairs_only})
+    line(f"MASTER +TSM01 ({len(S)+1})", {**S, "TSM01": new["TSM01"]})
+    pr_all = line(f"MASTER-esteso ({len(allS)})", allS)
+    print("  " + "-" * 92)
+    pa = yearly_returns(pr_all)
+    print("  MASTER-esteso per-anno: " + "  ".join(f"{y}:{v:+.0f}%" for y, v in pa.items()))
+    print("\n  Se il MASTER-esteso ha DD piu' basso e/o Sharpe piu' alto del MASTER-9, le nuove")
+    print("  famiglie aggiungono valore (diversificazione da fonti scorrelate).")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/explore_lab.py

@@ -0,0 +1,171 @@
+"""Harness ONESTO condiviso per esplorare nuove famiglie di strategie.
+
+Regole NON negoziabili (per non ripetere l'errore squeeze look-ahead):
+  - direzione e prezzo decisi con dati FINO a close[i] incluso, mai con la barra i
+    usata per scegliere la direzione e poi entrare a i-1;
+  - ingresso ESEGUIBILE a close[i];
+  - exit: take-profit / stop-loss intrabar (high/low) e/o time-limit max_bars;
+    tp/sl possono essere None -> exit solo a tempo (utile per stagionalita');
+  - una posizione per volta (non-overlap), capitale composto;
+  - NETTO dopo fee round-trip (default 0.10% RT reale Deribit) e leva;
+  - validazione OOS (held-out, ultimo 30%) + sweep fee 0.00-0.20% RT.
+
+Le strategie ad alta frequenza muoiono di fee: ogni entry costa fee_rt*lev sul
+notional. Tienine conto: meno operazioni e edge > costi.
+
+Asset disponibili: ADA BNB BTC DOGE ETH LTC SOL XRP (1h, 15m; BTC/ETH anche 5m).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.data.downloader import load_data
+
+FEE_RT = 0.001       # Deribit perp realistico: taker ~0.05%/lato = 0.10% RT
+LEV = 3.0
+POS = 0.15
+OOS_FRAC = 0.30
+ASSETS = ["ADA", "BNB", "BTC", "DOGE", "ETH", "LTC", "SOL", "XRP"]
+BARS_PER_YEAR = {"5m": 105120, "15m": 35040, "1h": 8760, "4h": 2190, "1d": 365}
+
+
+# --------------------------- dati ---------------------------
+def get_df(asset: str, tf: str) -> pd.DataFrame:
+    """OHLCV con colonna dt (UTC). tf nativo (5m,15m,1h) o resample da 1h (4h,1d).
+    timestamp resta ms-epoch reale anche dopo il resample (no placeholder)."""
+    if tf in ("5m", "15m", "1h"):
+        df = load_data(asset, tf).reset_index(drop=True)
+    else:
+        base = load_data(asset, "1h").copy()
+        base["dt"] = pd.to_datetime(base["timestamp"], unit="ms", utc=True)
+        base = base.set_index("dt")
+        rule = {"4h": "4h", "1d": "1D"}[tf]
+        agg = base.resample(rule).agg(
+            {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"}
+        ).dropna()
+        epoch = pd.Timestamp("1970-01-01", tz="UTC")          # ms-epoch portabile (qualsiasi risoluzione)
+        agg["timestamp"] = ((agg.index - epoch) // pd.Timedelta(milliseconds=1)).astype("int64")
+        df = agg.reset_index(drop=True)
+    df["dt"] = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    return df
+
+
+def _dt(df: pd.DataFrame) -> pd.DatetimeIndex:
+    return pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+
+
+# --------------------------- indicatori ---------------------------
+def atr(df: pd.DataFrame, n: int = 14) -> np.ndarray:
+    h, l, c = df["high"].values, df["low"].values, df["close"].values
+    pc = np.roll(c, 1); pc[0] = c[0]
+    tr = np.maximum(h - l, np.maximum(np.abs(h - pc), np.abs(l - pc)))
+    return pd.Series(tr).rolling(n).mean().values
+
+
+def ema(x: np.ndarray, n: int) -> np.ndarray:
+    return pd.Series(x).ewm(span=n, adjust=False).mean().values
+
+
+def rsi(close: np.ndarray, n: int = 14) -> np.ndarray:
+    d = np.diff(close, prepend=close[0])
+    up = pd.Series(np.where(d > 0, d, 0.0)).ewm(alpha=1/n, adjust=False).mean()
+    dn = pd.Series(np.where(d < 0, -d, 0.0)).ewm(alpha=1/n, adjust=False).mean()
+    rs = up / dn.replace(0, np.nan)
+    return (100 - 100 / (1 + rs)).values
+
+
+# --------------------------- engine ---------------------------
+def simulate(entries: list[dict], df: pd.DataFrame, fee_rt: float = FEE_RT,
+             lev: float = LEV, pos: float = POS, split: int = -1) -> dict:
+    """entries: dict con i(idx), d(+1/-1), max_bars; tp/sl opzionali (None=solo tempo).
+    split: se >0, conta solo entries con i>=split (finestra OOS)."""
+    h, l, c = df["high"].values, df["low"].values, df["close"].values
+    n = len(c)
+    ts = _dt(df)
+    cap = peak = 1000.0
+    max_dd = 0.0
+    fee = fee_rt * lev
+    trades = wins = 0
+    last_exit = -1
+    bars_in = 0
+    yearly: dict[int, float] = {}
+    rets: list[float] = []
+
+    for e in entries:
+        i, d = e["i"], e["d"]
+        if i <= last_exit or i + 1 >= n or i < split:
+            continue
+        entry = c[i]
+        tp, sl, mb = e.get("tp"), e.get("sl"), e["max_bars"]
+        exit_p = c[min(i + mb, n - 1)]
+        j = min(i + mb, n - 1)
+        for k in range(1, mb + 1):
+            j = i + k
+            if j >= n:
+                exit_p = c[n - 1]; break
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                exit_p = sl; break
+            if hit_tp:
+                exit_p = tp; break
+            if k == mb:
+                exit_p = c[j]
+        ret = (exit_p - entry) / entry * d * lev - fee
+        cb = cap
+        cap = max(cb + cb * pos * ret, 10.0)
+        peak = max(peak, cap); max_dd = max(max_dd, (peak - cap) / peak)
+        trades += 1; wins += ret > 0; bars_in += (j - i)
+        last_exit = j
+        rets.append(ret * pos)
+        yearly[ts.iloc[i].year] = yearly.get(ts.iloc[i].year, 0.0) + ret * 100
+
+    sharpe = float(np.mean(rets) / np.std(rets) * np.sqrt(len(rets))) if len(rets) > 1 and np.std(rets) > 0 else 0.0
+    return {
+        "trades": trades,
+        "win": wins / trades * 100 if trades else 0.0,
+        "ret": (cap / 1000 - 1) * 100,
+        "dd": max_dd * 100,
+        "sharpe": sharpe,
+        "yearly": yearly,
+        "exposure": bars_in / n * 100 if n else 0.0,
+    }
+
+
+def evaluate(name: str, entries: list[dict], df: pd.DataFrame,
+             fees=(0.0, 0.0005, 0.001, 0.002)) -> dict:
+    """Valuta una lista di entries: FULL, OOS e sweep fee. Stampa una riga sintetica."""
+    split = int(len(df) * (1 - OOS_FRAC))
+    full = simulate(entries, df)
+    oos = simulate(entries, df, split=split)
+    sweep = {f: simulate(entries, df, fee_rt=f)["ret"] for f in fees}
+    sweep_oos = {f: simulate(entries, df, fee_rt=f, split=split)["ret"] for f in fees}
+    yrs = full["yearly"]; pos_yrs = sum(1 for v in yrs.values() if v > 0)
+    print(f"  {name:<24s} trd={full['trades']:>5d} win={full['win']:>4.1f}% "
+          f"FULL={full['ret']:>+7.0f}% OOS={oos['ret']:>+7.0f}% DD={full['dd']:>4.0f}% "
+          f"oDD={oos['dd']:>4.0f}% Shrp={full['sharpe']:>4.2f} exp={full['exposure']:>4.1f}% "
+          f"anniPos={pos_yrs}/{len(yrs)} | fee0.2%: FULL={sweep[0.002]:>+6.0f} OOS={sweep_oos[0.002]:>+6.0f}")
+    return {"full": full, "oos": oos, "sweep": sweep, "sweep_oos": sweep_oos, "pos_yrs": pos_yrs, "n_yrs": len(yrs)}
+
+
+def robust(res: dict) -> bool:
+    """Verdetto onesto: positivo FULL e OOS, regge a fee 0.20% RT, quasi tutti gli anni positivi."""
+    return (res["full"]["ret"] > 0 and res["oos"]["ret"] > 0
+            and res["sweep"][0.002] > 0 and res["sweep_oos"][0.002] > 0
+            and res["pos_yrs"] >= max(res["n_yrs"] - 1, 1))
+
+
+if __name__ == "__main__":
+    # smoke test: una stagionalita' banale (hour-of-day) su BTC 1h
+    df = get_df("BTC", "1h"); ts = _dt(df)
+    ents = [{"i": i, "d": 1, "max_bars": 6, "tp": None, "sl": None}
+            for i in range(len(df) - 7) if ts.iloc[i].hour == 0]
+    print("smoke test — BTC long ad ogni 00:00 UTC, hold 6h:")
+    evaluate("seasonality_h0", ents, df)

scripts/analysis/honest_improve2.py

@@ -170,7 +170,7 @@ def _rot_daily_equity(idx):
     for i in range(101, T - 1):
         risk_on = btc[i] > bma[i] if not np.isnan(bma[i]) else False
         mom = P[i] / P[i - 60] - 1; order = np.argsort(mom)[::-1]
-        chosen = [j for j in order if mom[j] > 0][:2] if risk_on else []
+        chosen = [j for j in order if mom[j] > 0][:3] if risk_on else []   # top_k=3 (era 2): DD piu' basso
         nw = np.zeros(N)
         for j in chosen:
             nw[j] = 0.45 / len(chosen)

scripts/analysis/live_smoke_pairs.py

@@ -0,0 +1,87 @@
+"""Smoke test REALE dei pairs: fetch live da Cerbero + un tick vero per coppia.
+
+A differenza di validate_worker_pairs.py (replay su parquet storici), questo verifica
+la PIPELINE LIVE end-to-end: chiama Cerbero per entrambe le gambe, controlla che lo
+strumento esista e sia fresco, fa un tick reale del PairsWorker e riporta lo stato.
+
+Serve a scoprire i problemi che il backtest nasconde (es. un perp alt non disponibile
+sull'endpoint Deribit). NON apre ordini reali: e' solo paper/lettura.
+"""
+from __future__ import annotations
+
+import sys
+import shutil
+import tempfile
+from datetime import datetime, timezone, timedelta
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.live.cerbero_client import CerberoClient
+from src.live.multi_runner import INSTRUMENT_MAP
+from src.live.pairs_worker import PairsWorker
+from scripts.strategies.PR01_pairs_reversion import PAIRS
+
+
+def fetch(cli, asset, start, end):
+    inst = INSTRUMENT_MAP.get(asset, f"{asset}-PERPETUAL")
+    try:
+        cs = cli.get_historical(inst, start.strftime("%Y-%m-%d"), end.strftime("%Y-%m-%d"), "60")
+        if not cs:
+            return inst, None, "VUOTO (strumento assente sull'endpoint)"
+        df = pd.DataFrame(cs)
+        df["timestamp"] = df["timestamp"].astype("int64")
+        df = df.sort_values("timestamp").reset_index(drop=True)
+        last = pd.to_datetime(df["timestamp"].iloc[-1], unit="ms", utc=True)
+        age = (datetime.now(timezone.utc) - last).total_seconds() / 3600
+        return inst, df, f"{len(df)} barre, ultima {last:%Y-%m-%d %H:%M} ({age:.1f}h fa)"
+    except Exception as e:
+        return inst, None, f"ERRORE {type(e).__name__}: {str(e)[:60]}"
+
+
+def main():
+    cli = CerberoClient()
+    end = datetime.now(timezone.utc)
+    start = end - timedelta(days=60)
+    assets = sorted({a for a, _, _ in PAIRS} | {b for _, b, _ in PAIRS})
+
+    print("=" * 80)
+    print("  SMOKE TEST LIVE PAIRS — fetch reale Cerbero + tick (no ordini reali)")
+    print("=" * 80)
+    data = {}
+    for a in assets:
+        inst, df, msg = fetch(cli, a, start, end)
+        data[a] = df
+        print(f"  {a:<4s} [{inst:<16s}] {msg}")
+
+    print("\n  tick reale per coppia:")
+    tmp = Path(tempfile.mkdtemp())
+    try:
+        for a, b, p in PAIRS:
+            if data.get(a) is None or data.get(b) is None:
+                print(f"  {a}/{b:<4s}: SKIP (manca feed live di una gamba) -> non tradabile live ora")
+                continue
+            w = PairsWorker(a, b, "1h", params=p, fee_rt=0.001, data_dir=tmp)
+            w._log = lambda *x, **k: None
+            w._notify = lambda *x, **k: None
+            m = data[a][["timestamp", "close"]].merge(
+                data[b][["timestamp", "close"]], on="timestamp", how="inner")
+            if len(m) < p["n"] + 2:
+                print(f"  {a}/{b:<4s}: merge {len(m)} barre < n+2 ({p['n']+2}) -> dati insufficienti")
+                continue
+            z, _ = w._zscore(m["close_x"].values, m["close_y"].values)
+            w.tick(data[a], data[b])
+            state = ("IN POS " + ("LONG " + a if w.direction == 1 else "SHORT " + a)
+                     if w.in_position else "FLAT")
+            print(f"  {a}/{b:<4s}: OK merge {len(m)} barre, z_ora={z[-1]:+.2f} -> {state}")
+    finally:
+        shutil.rmtree(tmp, ignore_errors=True)
+    print("\n  Solo le coppie con entrambe le gambe fresche su Cerbero sono tradabili live.")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/pairs_research.py

@@ -0,0 +1,133 @@
+"""Verifica indipendente + ricerca PAIRS / SPREAD MEAN-REVERSION fra cripto.
+
+Famiglia nuova market-neutral (distinta da tutto l'esistente, single-asset).
+Idea: il log-ratio di due cripto oscilla attorno alla media; z-score estremo -> rientra.
+
+Engine ONESTO (no look-ahead, verificato):
+  - r[i] = log(closeA[i]/closeB[i]); ma/sd = rolling(n) su r -> usano solo r[<=i].
+  - z[i] = (r[i]-ma[i])/sd[i]. ENTRY a close[i] (eseguibile):
+      z<=-z_in -> LONG ratio (long A / short B);  z>=+z_in -> SHORT ratio.
+  - EXIT quando |z[j]| <= z_exit (rientro) o time-limit max_bars, a close[j].
+  - pairs = 2 GAMBE -> fee = 2*fee_rt*lev (0.20% RT/coppia a fee_rt=0.001), il doppio
+    del single-asset. Rendimento neutral = retA*d - retB*d (notional uguale per gamba).
+  - non-overlap, capitale composto. Filtro candele sporche: salta salti |dr|>jump_max.
+  - Ritorno riportato come CAGR e Sharpe ANNUALIZZATO sul tempo reale (no sqrt(n_trade)).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.data.downloader import load_data
+
+FEE_RT, LEV, POS, OOS_FRAC = 0.001, 3.0, 0.15, 0.30
+BARS_YEAR = 8760  # 1h
+
+
+def aligned(a: str, b: str, tf: str = "1h"):
+    da = load_data(a, tf)[["timestamp", "open", "high", "low", "close"]].rename(columns=lambda x: x + "_a" if x != "timestamp" else x)
+    db = load_data(b, tf)[["timestamp", "close"]].rename(columns={"close": "close_b"})
+    m = da.merge(db, on="timestamp", how="inner").reset_index(drop=True)
+    m["dt"] = pd.to_datetime(m["timestamp"], unit="ms", utc=True)
+    return m
+
+
+def pairs_sim(a, b, tf="1h", n=50, z_in=2.0, z_exit=0.5, max_bars=72,
+              jump_max=0.08, fee_rt=FEE_RT, lev=LEV, pos=POS, split_frac=0.0):
+    m = aligned(a, b, tf)
+    ca, cb = m["close_a"].values, m["close_b"].values
+    r = np.log(ca / cb)
+    dr = np.abs(np.diff(r, prepend=r[0]))               # salto 1-bar del log-ratio
+    ma = pd.Series(r).rolling(n).mean().values
+    sd = pd.Series(r).rolling(n).std().values
+    z = (r - ma) / np.where(sd == 0, np.nan, sd)        # causale: usa r[<=i]
+    ts = m["dt"]; N = len(r)
+    split = int(N * split_frac)
+    fee = 2 * fee_rt * lev                               # 2 gambe
+    cap = peak = 1000.0; dd = 0.0; last = -1
+    trades = wins = 0; rets = []; yearly = {}
+    eq_ts: list = []; eq_v: list = []
+    for i in range(n + 1, N - 1):
+        if i < split or np.isnan(z[i]) or dr[i] > jump_max:
+            continue
+        if i <= last:
+            continue
+        if z[i] <= -z_in:
+            d = 1
+        elif z[i] >= z_in:
+            d = -1
+        else:
+            continue
+        # exit: |z|<=z_exit o max_bars
+        j = min(i + max_bars, N - 1)
+        for k in range(1, max_bars + 1):
+            jj = i + k
+            if jj >= N:
+                j = N - 1; break
+            if abs(z[jj]) <= z_exit:
+                j = jj; break
+            j = jj
+        retA = (ca[j] - ca[i]) / ca[i]
+        retB = (cb[j] - cb[i]) / cb[i]
+        ret = (retA - retB) * d * lev - fee             # long A / short B (o viceversa)
+        cap = max(cap + cap * pos * ret, 10.0)
+        peak = max(peak, cap); dd = max(dd, (peak - cap) / peak)
+        trades += 1; wins += ret > 0; rets.append(ret * pos); last = j
+        eq_ts.append(ts.iloc[j]); eq_v.append(cap)
+        yearly[ts.iloc[i].year] = yearly.get(ts.iloc[i].year, 0.0) + ret * 100
+    yrs_span = (ts.iloc[-1] - ts.iloc[max(split, 0)]).days / 365.25 or 1
+    sharpe = float(np.mean(rets) / np.std(rets) * np.sqrt(BARS_YEAR / np.mean([max_bars])) ) if len(rets) > 1 and np.std(rets) > 0 else 0.0
+    # Sharpe annualizzato sul tempo reale: usa rendimenti per-trade scalati alla frequenza media
+    if len(rets) > 1 and np.std(rets) > 0:
+        trades_per_year = trades / yrs_span
+        sharpe = float(np.mean(rets) / np.std(rets) * np.sqrt(trades_per_year))
+    ret_tot = (cap / 1000 - 1) * 100
+    cagr = ((cap / 1000) ** (1 / yrs_span) - 1) * 100 if cap > 0 else -100
+    return dict(trades=trades, win=wins / trades * 100 if trades else 0, ret=ret_tot, cagr=cagr,
+                dd=dd * 100, sharpe=sharpe, yearly=yearly, eq_ts=eq_ts, eq_v=eq_v)
+
+
+def check_no_lookahead():
+    """Perturba il FUTURO del ratio e verifica che z[i] non cambi (causalita')."""
+    m = aligned("ETH", "BTC")
+    r = np.log(m["close_a"].values / m["close_b"].values)
+    n = 50; i = 1000
+    z_i = (r[i] - pd.Series(r).rolling(n).mean().values[i]) / pd.Series(r).rolling(n).std().values[i]
+    r2 = r.copy(); r2[i + 1:] += 0.5      # stravolge il futuro
+    z_i2 = (r2[i] - pd.Series(r2).rolling(n).mean().values[i]) / pd.Series(r2).rolling(n).std().values[i]
+    print(f"  no-look-ahead: z[i]={z_i:.6f} vs z[i] con futuro perturbato={z_i2:.6f} -> "
+          f"{'OK (identico)' if abs(z_i - z_i2) < 1e-9 else 'VIOLAZIONE!'}")
+
+
+def main():
+    print("=" * 104)
+    print(f"  PAIRS spread reversion — NETTO fee 0.20% RT/coppia (2 gambe), leva {LEV:.0f}x, OOS ultimo {int(OOS_FRAC*100)}%")
+    print("=" * 104)
+    check_no_lookahead()
+    pairs = [("ETH", "BTC"), ("LTC", "ETH"), ("ADA", "ETH"), ("SOL", "ETH"),
+             ("BNB", "BTC"), ("XRP", "BTC"), ("SOL", "BTC"), ("DOGE", "BTC")]
+    print(f"\n  {'coppia':<10s}{'trd':>5s}{'win%':>6s}{'FULL%':>8s}{'OOS%':>8s}{'CAGR%':>7s}"
+          f"{'DD%':>6s}{'oDD%':>6s}{'Shrp':>6s}{'anni+':>7s}{'fee0.4%RT':>11s}")
+    print("  " + "-" * 96)
+    for a, b in pairs:
+        f = pairs_sim(a, b, n=50, z_in=2.0, z_exit=0.5, max_bars=72)
+        o = pairs_sim(a, b, n=50, z_in=2.0, z_exit=0.5, max_bars=72, split_frac=1 - OOS_FRAC)
+        hi = pairs_sim(a, b, n=50, z_in=2.0, z_exit=0.5, max_bars=72, fee_rt=0.002)  # 0.4% RT/coppia
+        yrs = f["yearly"]; pos_y = sum(1 for v in yrs.values() if v > 0)
+        print(f"  {a+'/'+b:<10s}{f['trades']:>5d}{f['win']:>6.1f}{f['ret']:>+8.0f}{o['ret']:>+8.0f}"
+              f"{f['cagr']:>7.0f}{f['dd']:>6.0f}{o['dd']:>6.0f}{f['sharpe']:>6.2f}{f'{pos_y}/{len(yrs)}':>7s}"
+              f"{hi['ret']:>+11.0f}")
+    # correlazione con BTC daily (market-neutrality) sulla coppia migliore
+    print("\n  Verifica market-neutrality ETH/BTC: per-anno")
+    f = pairs_sim("ETH", "BTC", n=50, z_in=2.0, z_exit=0.5, max_bars=72)
+    print("  " + "  ".join(f"{y}:{v:+.0f}%" for y, v in sorted(f["yearly"].items())))
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/report.py

@@ -0,0 +1,136 @@
+"""Report aggiornato: risultati per anno + numero trade per anno, tutte le strategie.
+
+Sezioni:
+  (A) RET% NETTO per anno — ogni strategia singola + i portafogli (FADE / HONEST /
+      MASTER equal / MASTER 50-50). Ret% dai rendimenti giornalieri composti.
+  (B) NUMERO TRADE per anno — per ogni strategia singola. Per le fade e DIP01 è il
+      numero di ingressi; per TR01 e ROT02 (posizione continua) è il numero di
+      ribilanciamenti/cambi di stato nell'anno.
+  (C) RIEPILOGO — TOT%, CAGR, DD, Sharpe (FULL e OOS) dei portafogli.
+
+Tutto NETTO fee 0.10% RT, leva 3x, pos 15%/sleeve. Finestra comune 2021-2026,
+OOS = ultimo 30%. Config = quella deployata (MR03/ROT01 in waste; ROT02 top_k=3).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.data.downloader import load_data
+from scripts.analysis.combine_portfolio import (
+    build_all_sleeves, port_returns, yearly_returns, metrics, SPLIT, OOS_DATE, IDX,
+)
+from scripts.analysis.risk_management import strats_for, build_trades
+from scripts.analysis.honest_lab import get_df, ema, FEE_RT, LEV, POS
+from scripts.analysis.honest_improve import rot_improved
+from scripts.analysis.honest_improve2 import dip_market_gated
+
+YEARS = sorted(set(IDX.year))
+
+
+# ---------------- trade per anno, per tipo di strategia ----------------
+def fade_trades_year(asset, fn, params) -> dict[int, int]:
+    df = load_data(asset, "1h")
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    out: dict[int, int] = {}
+    for i, j, ret in build_trades(fn(df, **params), df, trend_max=3.0):
+        y = ts.iloc[i].year
+        out[y] = out.get(y, 0) + 1
+    return out
+
+
+def dip_trades_year() -> dict[int, int]:
+    d = dip_market_gated("BTC", market_n=0)
+    # yt[anno] = lista dei trade dell'anno -> il conteggio e' la lunghezza
+    return {int(y): (len(v) if isinstance(v, (list, tuple)) else int(v)) for y, v in d["yt"].items()}
+
+
+def tr_rebalances_year(assets) -> dict[int, int]:
+    """Cambi di stato (entra/esce dal trend) per anno, sommati sul paniere TR01."""
+    out: dict[int, int] = {}
+    for a in assets:
+        df = get_df(a, "4h"); c = df["close"].values
+        ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+        ef, es = ema(c, 20), ema(c, 100)
+        sig = np.where(ef > es, 1.0, 0.0); sig[:100] = 0.0
+        for i in range(1, len(c)):
+            if sig[i] != sig[i - 1]:
+                y = ts.iloc[i].year
+                out[y] = out.get(y, 0) + 1
+    return out
+
+
+def rot_rebalances_year() -> dict[int, int]:
+    r = rot_improved(lookback=60, top_k=3, regime_n=100)
+    return {int(y): int(n) for y, n in r["reb"].items()}
+
+
+def main():
+    print("Costruzione equity e conteggi (puo' richiedere ~1 min)...\n")
+    S = build_all_sleeves()
+    fade = {k: v for k, v in S.items() if k.startswith("MR")}
+    honest = {k: v for k, v in S.items() if not k.startswith("MR")}
+
+    # rendimenti giornalieri per Ret%/anno
+    sleeve_ret = {k: v.pct_change().fillna(0.0) for k, v in S.items()}
+    ports = {
+        "FADE": port_returns(fade),
+        "HONEST": port_returns(honest),
+        "MASTEReq": port_returns(S),
+        "MAST5050": (port_returns(fade) + port_returns(honest)) / 2,
+    }
+
+    # ---- (A) RET% per anno ----
+    cols_A = list(S) + list(ports)
+    rety = {**{k: yearly_returns(v) for k, v in sleeve_ret.items()},
+            **{k: yearly_returns(v) for k, v in ports.items()}}
+    print("=" * 132)
+    print("  (A) RET% NETTO PER ANNO — strategie singole e portafogli | leva 3x pos 15% fee 0.10% RT")
+    print("=" * 132)
+    print(f"  {'Anno':>5s}" + "".join(f"{c.replace('_',''):>11s}" for c in cols_A))
+    print("  " + "-" * 126)
+    for y in YEARS:
+        print(f"  {y:>5d}" + "".join(f"{rety[c].get(y, 0):>+11.0f}" for c in cols_A))
+
+    # ---- (B) NUMERO TRADE per anno ----
+    tcounts = {}
+    for asset in ["BTC", "ETH"]:
+        for nm, (fn, params) in strats_for(asset).items():
+            tcounts[f"{nm}_{asset}"] = fade_trades_year(asset, fn, params)
+    tcounts["DIP01_BTC"] = dip_trades_year()
+    tcounts["TR01_basket*"] = tr_rebalances_year(["BNB", "BTC", "DOGE", "SOL", "XRP"])
+    tcounts["ROT02_rot*"] = rot_rebalances_year()
+    cols_B = list(tcounts)
+    print("\n" + "=" * 132)
+    print("  (B) NUMERO TRADE PER ANNO — fade/DIP01 = ingressi; TR01/ROT02 (*) = ribilanciamenti")
+    print("=" * 132)
+    print(f"  {'Anno':>5s}" + "".join(f"{c.replace('_',''):>13s}" for c in cols_B))
+    print("  " + "-" * 126)
+    for y in YEARS:
+        print(f"  {y:>5d}" + "".join(f"{tcounts[c].get(y, 0):>13d}" for c in cols_B))
+    print("  " + "-" * 126)
+    print(f"  {'TOT':>5s}" + "".join(f"{sum(tcounts[c].values()):>13d}" for c in cols_B))
+
+    # ---- (C) riepilogo portafogli ----
+    print("\n" + "=" * 92)
+    print(f"  (C) RIEPILOGO PORTAFOGLI | OOS da {OOS_DATE}")
+    print("=" * 92)
+    print(f"  {'portafoglio':<14s}{'Ret%':>9s}{'CAGR':>7s}{'DD%':>7s}{'Shrp':>7s}"
+          f"   | {'oRet%':>9s}{'oDD%':>7s}{'oShrp':>7s}")
+    print("  " + "-" * 74)
+    for name, pr in ports.items():
+        f, o = metrics(pr), metrics(pr, lo=SPLIT)
+        print(f"  {name:<14s}{f['ret']:>+9.0f}{f['cagr']:>7.0f}{f['dd']:>7.1f}{f['sharpe']:>7.2f}"
+              f"   | {o['ret']:>+9.0f}{o['dd']:>7.1f}{o['sharpe']:>7.2f}")
+    print("\n  MASTEReq (9 sleeve) = configurazione consigliata. (*) TR01/ROT02 = posizione")
+    print("  continua: il conteggio e' il numero di ribilanciamenti/cambi di stato, non di trade discreti.")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/report_families.py

@@ -0,0 +1,136 @@
+"""Report riassuntivo: tutte le strategie/famiglie per anno + analisi di integrazione.
+
+Consolida in un solo posto:
+  (A) RET% NETTO per anno per FAMIGLIA (FADE / HONEST / PAIRS / TSM01) e per i portafogli.
+  (B) RET% NETTO per anno per ogni STRATEGIA singola (tutti gli sleeve).
+  (C) INTEGRAZIONE: cosa succede al MASTER aggiungendo le nuove famiglie (pairs, TSM01).
+  (D) Numeri SOBRI (worst-case) e raccomandazione operativa.
+
+Famiglie:
+  FADE   (reversione intraday 1h, long/short, BTC/ETH): MR01, MR02, MR07
+  HONEST (long-only multi-regime multi-crypto): DIP01, TR01, ROT02
+  PAIRS  (market-neutral spread reversion, config universale): 5 coppie
+  TSM01  (TSMOM multi-orizzonte, diversificatore)
+
+Tutto NETTO fee, leva 3x (vedi nota sobria leva 2x), finestra comune 2021-2026, OOS=ultimo 30%.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.combine_portfolio import (
+    build_all_sleeves, port_returns, metrics, yearly_returns, SPLIT, OOS_DATE, IDX,
+)
+from scripts.analysis.honest_improve2 import _daily_equity, _norm
+from scripts.analysis.pairs_research import pairs_sim
+from scripts.analysis.tsmom_research import tsmom_sim
+from scripts.strategies.PR01_pairs_reversion import PAIRS
+
+YEARS = sorted(set(IDX.year))
+
+
+def daily_from(eq_ts, eq_v):
+    return _norm(_daily_equity(eq_ts, eq_v, IDX))
+
+
+def build_everything():
+    S = build_all_sleeves()                       # 9 sleeve (FADE 6 + HONEST 3)
+    pairs = {}
+    for a, b, p in PAIRS:
+        r = pairs_sim(a, b, **p)
+        pairs[f"PR_{a}{b}"] = daily_from(r["eq_ts"], r["eq_v"])
+    t = tsmom_sim()
+    tsm = {"TSM01": daily_from(t["eq_ts"], t["eq_v"])}
+    return S, pairs, tsm
+
+
+def yrow(label, dr):
+    yr = yearly_returns(dr)
+    return f"  {label:<14s}" + "".join(f"{yr.get(y, 0):>+9.0f}" for y in YEARS)
+
+
+def metric_block(label, dr):
+    f, o = metrics(dr), metrics(dr, lo=SPLIT)
+    return (f"  {label:<16s}{f['ret']:>+9.0f}{f['cagr']:>7.0f}{f['dd']:>7.1f}{f['sharpe']:>7.2f}"
+            f"   | {o['ret']:>+9.0f}{o['dd']:>7.1f}{o['sharpe']:>7.2f}")
+
+
+def main():
+    print("Costruzione (puo' richiedere ~1-2 min)...\n")
+    S, pairs, tsm = build_everything()
+    fade = {k: v for k, v in S.items() if k.startswith("MR")}
+    honest = {k: v for k, v in S.items() if not k.startswith("MR")}
+
+    fam = {
+        "FADE": port_returns(fade),
+        "HONEST": port_returns(honest),
+        "PAIRS": port_returns(pairs),
+        "TSM01": tsm["TSM01"].pct_change().fillna(0.0),
+    }
+    master9 = port_returns(S)
+    master_p = port_returns({**S, **pairs})
+    master_x = port_returns({**S, **pairs, **tsm})
+
+    # ---------- (A) per anno, per FAMIGLIA + portafogli ----------
+    print("=" * 110)
+    print("  (A) RET% NETTO PER ANNO — per FAMIGLIA e per PORTAFOGLIO | leva 3x, fee netta")
+    print("=" * 110)
+    print(f"  {'':<14s}" + "".join(f"{y:>9d}" for y in YEARS))
+    print("  " + "-" * 104)
+    for k, dr in fam.items():
+        print(yrow(k, dr))
+    print("  " + "-" * 104)
+    print(yrow("MASTER-9", master9))
+    print(yrow("MASTER+pairs", master_p))
+    print(yrow("MASTER-esteso", master_x))
+
+    # ---------- (B) per anno, per STRATEGIA singola ----------
+    print("\n" + "=" * 130)
+    print("  (B) RET% NETTO PER ANNO — per STRATEGIA singola (tutti gli sleeve)")
+    print("=" * 130)
+    allsl = {**S, **pairs, **tsm}
+    cols = list(allsl)
+    print(f"  {'Anno':>5s}" + "".join(f"{c.replace('_',''):>11s}" for c in cols))
+    print("  " + "-" * 124)
+    yr_each = {k: yearly_returns(v.pct_change().fillna(0.0)) for k, v in allsl.items()}
+    for y in YEARS:
+        print(f"  {y:>5d}" + "".join(f"{yr_each[c].get(y, 0):>+11.0f}" for c in cols))
+
+    # ---------- (C) integrazione ----------
+    print("\n" + "=" * 96)
+    print(f"  (C) INTEGRAZIONE delle nuove famiglie nel MASTER | OOS da {OOS_DATE} | equal-weight daily")
+    print("=" * 96)
+    print(f"  {'portafoglio':<16s}{'Ret%':>9s}{'CAGR':>7s}{'DD%':>7s}{'Shrp':>7s}"
+          f"   | {'oRet%':>9s}{'oDD%':>7s}{'oShrp':>7s}")
+    print("  " + "-" * 80)
+    print(metric_block("MASTER-9", master9))
+    print(metric_block("+pairs", master_p))
+    print(metric_block("+TSM01", port_returns({**S, **tsm})))
+    print(metric_block("MASTER-esteso", master_x))
+    # correlazione media nuove vs master-9
+    dr_all = pd.DataFrame({k: v.pct_change().fillna(0.0) for k, v in {**S, **pairs, **tsm}.items()})
+    corr = dr_all.corr(); old = list(S)
+    print("  " + "-" * 80)
+    for k in list(pairs) + list(tsm):
+        print(f"  corr {k:<11s} vs MASTER-9 = {corr.loc[k, old].mean():+.2f}")
+
+    # ---------- (D) numeri sobri ----------
+    print("\n" + "=" * 96)
+    print("  (D) NUMERI SOBRI / RACCOMANDAZIONE (anti-overfit)")
+    print("=" * 96)
+    print("  - L'OOS singolo (2024-25) e' regime calmo -> Sharpe/DD OOS ottimistici ~50%.")
+    print("  - Numeri onesti del MASTER-esteso: worst-DD 90g ~6%, Sharpe atteso ~5, ogni anno positivo dal 2021.")
+    print("  - Regge leva 2x + slippage doppio (CAGR ~36%, Sharpe ~5).")
+    print("  - Rischio concentrato sui PAIRS (~57%) -> cap allocazione pairs ~30-35%.")
+    print("  - I pairs sono a 2 gambe (long/short): il worker live va esteso prima del trading reale.")
+    print("  - CONFIG RACCOMANDATA: MASTER-esteso, equal-weight, leva 2x, cap pairs 30-35%.")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/tsmom_research.py

@@ -0,0 +1,94 @@
+"""Verifica indipendente + ricerca TSM01 — Time-Series Momentum multi-orizzonte.
+
+Long-only, multi-crypto, bassa frequenza. Per ogni asset il segnale è il CONSENSO
+dei segni del momentum su più orizzonti lunghi (3/6/12 mesi); si tengono equal-weight
+gli asset con consenso pieno positivo. Overlay risk-off: cash se BTC < SMA100.
+
+Distinta da ROT02 (cross-sectional ranking): qui conta la PERSISTENZA assoluta lenta
+di ogni asset, non la classifica relativa. Correlazione con ROT02 ~0.62 -> fattore
+parzialmente indipendente, utile come diversificatore (NON come motore di ritorno:
+rende meno di ROT02 a parita' di OOS). DD basso.
+
+Anti-overfit: edge su ALTOPIANO (36/36 config orizzonti x thr x regime_n restano OOS+),
+walk-forward stabile (4 anni up, 2 piatti per risk-off, mai un anno negativo), regge
+fee 0.40% RT. Gran parte del DD basso viene dall'overlay risk-off SMA100 (condiviso),
+la struttura multi-orizzonte aggiunge ~+38pp OOS e alza lo Sharpe 0.58->1.07.
+Default gross=0.30 (era 0.45): stesso Sharpe ma DD 22%->15% (scelta robusta, non la piu' redditizia).
+
+Engine onesto: pesi a close[i] da soli rendimenti passati, realizzo i->i+1, fee
+one-way fee_rt/2 sul turnover. NETTO, leva implicita gross. OOS = ultimo 30%.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.honest_lab import available_assets, FEE_RT
+from scripts.analysis.honest_rotation import build_panel
+
+GROSS, OOS_FRAC = 0.30, 0.30   # gross 0.30 (anti-overfit): stesso Sharpe di 0.45, DD piu' basso
+
+
+def tsmom_sim(horizons=(63, 126, 252), thr=1.0, regime_n=100, gross=GROSS,
+              fee_rt=FEE_RT, oos_frac=0.0, cheat=False):
+    """horizons in giorni. thr=1.0 -> consenso pieno (tutti i segni positivi)."""
+    panel = build_panel(available_assets(), "1d")
+    cols = list(panel.columns); P = panel.values; T, N = P.shape
+    rets = np.zeros_like(P); rets[1:] = P[1:] / P[:-1] - 1
+    years = panel.index.year.values
+    btc = P[:, cols.index("BTC")]
+    bma = pd.Series(btc).rolling(regime_n).mean().values
+    start = max(max(horizons) + 1, regime_n + 1, int(T * (1 - oos_frac)) if oos_frac else 0)
+    cap = 1000.0; w = np.zeros(N); eq = [cap]; yearly = {}
+    eq_ts: list = []; eq_v: list = []
+    for i in range(start, T - 1):
+        risk_on = btc[i] > bma[i] if not np.isnan(bma[i]) else False
+        wi = i + 1 if cheat else i               # cheat: usa il futuro (test no-look-ahead)
+        score = np.zeros(N)
+        for h in horizons:
+            score += np.sign(P[wi] / P[wi - h] - 1)
+        score /= len(horizons)
+        chosen = [j for j in range(N) if score[j] >= thr] if risk_on else []
+        nw = np.zeros(N)
+        for j in chosen:
+            nw[j] = gross / len(chosen)
+        cap -= cap * np.abs(nw - w).sum() * (fee_rt / 2); w = nw
+        cap = max(cap * (1 + float(np.dot(w, rets[i + 1]))), 10.0)
+        eq.append(cap)
+        eq_ts.append(panel.index[i + 1]); eq_v.append(cap)
+        y = int(years[i]); yearly[y] = yearly.get(y, 0.0) + float(np.dot(w, rets[i + 1])) * 100
+    eq = np.array(eq); peak = np.maximum.accumulate(eq)
+    dd = float(np.max((peak - eq) / peak) * 100)
+    yrs = (panel.index[-1] - panel.index[start]).days / 365.25 or 1
+    rets_d = np.diff(eq) / eq[:-1]
+    sharpe = float(np.mean(rets_d) / np.std(rets_d) * np.sqrt(365)) if np.std(rets_d) > 0 else 0.0
+    return dict(ret=(cap / 1000 - 1) * 100, cagr=((cap / 1000) ** (1 / yrs) - 1) * 100,
+                dd=dd, sharpe=sharpe, yearly=yearly, eq_ts=eq_ts, eq_v=eq_v,
+                pos_years=sum(1 for v in yearly.values() if v > 0), n_years=len(yearly))
+
+
+def main():
+    print("=" * 90)
+    print("  TSM01 — TSMOM multi-orizzonte (3/6/12m consenso pieno) + risk-off SMA100")
+    print("=" * 90)
+    # no-look-ahead: cheat deve esplodere
+    base = tsmom_sim()
+    ch = tsmom_sim(cheat=True)
+    print(f"  no-look-ahead: onesto FULL={base['ret']:+.0f}%  vs  cheat(futuro)={ch['ret']:+.0f}%  -> "
+          f"{'OK (il cheat esplode -> niente leak)' if ch['ret'] > base['ret'] * 2 else 'CONTROLLARE'}")
+    o = tsmom_sim(oos_frac=1 - OOS_FRAC)
+    hi = tsmom_sim(fee_rt=0.002)
+    print(f"\n  FULL {base['ret']:+.0f}%  CAGR {base['cagr']:.0f}%  DD {base['dd']:.0f}%  "
+          f"Sharpe {base['sharpe']:.2f}  anni+ {base['pos_years']}/{base['n_years']}")
+    print(f"  OOS  {o['ret']:+.0f}%  DD {o['dd']:.0f}%   |  fee 0.40% RT: FULL {hi['ret']:+.0f}%")
+    print("  Per-anno: " + "  ".join(f"{y}:{v:+.0f}%" for y, v in sorted(base["yearly"].items())))
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/validate_worker_pairs.py

@@ -0,0 +1,74 @@
+"""Valida il PairsWorker: replay bar-per-bar sui dati storici == backtest pairs_sim?
+
+Come validate_worker_mr01 per MR01: alimenta il PairsWorker con finestre trailing
+crescenti (simula il feed live) e confronta trade/capitale finale col backtest di
+riferimento scripts/analysis/pairs_research.pairs_sim. Se combaciano, la semantica
+live (z-score causale, exit |z|<=z_exit o max_bars, fee 2 gambe) e' fedele.
+"""
+from __future__ import annotations
+
+import shutil
+import sys
+import tempfile
+from pathlib import Path
+
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.live.pairs_worker import PairsWorker
+from scripts.analysis.pairs_research import aligned, pairs_sim
+from scripts.strategies.PR01_pairs_reversion import PAIRS
+
+WINDOW = 60         # finestra trailing minima (>= n+2): z[i] corretto, replay veloce
+
+
+def replay(a: str, b: str, params: dict, data_dir: Path) -> PairsWorker:
+    m = aligned(a, b)
+    df_a = m[["timestamp"]].copy(); df_a["close"] = m["close_a"].values
+    df_b = m[["timestamp"]].copy(); df_b["close"] = m["close_b"].values
+    w = PairsWorker(a, b, "1h", params=params, fee_rt=0.001, data_dir=data_dir)
+    # replay veloce: niente I/O su file / log / notifiche ad ogni tick (servono solo le metriche finali)
+    w._save_state = lambda: None
+    w._log = lambda *a, **k: None
+    w._notify = lambda *a, **k: None
+    n = w.n
+    for k in range(n + 2, len(m) + 1):
+        lo = max(0, k - WINDOW)
+        w.tick(df_a.iloc[lo:k], df_b.iloc[lo:k])
+    # chiudi eventuale posizione aperta a fine serie (come fa il backtest col troncamento)
+    return w
+
+
+def main():
+    print("=" * 96)
+    print("  VALIDAZIONE PairsWorker — replay live vs backtest pairs_sim (fee 0.20% RT/coppia)")
+    print("=" * 96)
+    print(f"  {'coppia':<10s}{'WORKER cap':>12s}{'trd':>5s}{'win%':>6s}  |  {'BACKTEST cap':>13s}{'trd':>5s}{'win%':>6s}  match?")
+    print("  " + "-" * 88)
+    # Sottoinsieme rappresentativo: il codice del worker e' identico per ogni coppia,
+    # quindi 2 coppie con strutture diverse (alt/major e major/alt) bastano a provare
+    # l'equivalenza. ~135s/coppia su 73k barre orarie. Per validarle tutte: usa PAIRS.
+    subset = [pp for pp in PAIRS if (pp[0], pp[1]) in {("ETH", "BTC"), ("BTC", "LTC")}]
+    tmp = Path(tempfile.mkdtemp(prefix="pairs_validate_"))
+    try:
+        for a, b, p in subset:
+            w = replay(a, b, p, tmp)
+            bt = pairs_sim(a, b, **p)
+            bt_cap = 1000.0 * (1 + bt["ret"] / 100)
+            cap_match = abs(w.capital - bt_cap) / bt_cap < 0.02 if bt_cap else False
+            trd_match = abs(w.total_trades - bt["trades"]) <= max(2, bt["trades"] * 0.02)
+            ok = "OK" if (cap_match and trd_match) else "DIFF"
+            ww = w.total_wins / w.total_trades * 100 if w.total_trades else 0
+            print(f"  {a+'/'+b:<10s}{w.capital:>12.0f}{w.total_trades:>5d}{ww:>6.1f}  |  "
+                  f"{bt_cap:>13.0f}{bt['trades']:>5d}{bt['win']:>6.1f}  {ok}")
+    finally:
+        shutil.rmtree(tmp, ignore_errors=True)
+    print("  " + "-" * 88)
+    print("  match = capitale entro 2% e trade entro 2% del backtest. Differenze minime sono")
+    print("  attese (gestione bar finale/troncamento), ma la semantica deve coincidere.")
+
+
+if __name__ == "__main__":
+    main()

scripts/strategies/PORT01_portfolio.py

@@ -9,12 +9,12 @@ La diversificazione e' il vero motore di risk-reduction: il DD del portafoglio
 scende SOTTO quello della sleeve meno rischiosa, mantenendo una CAGR alta e
 azzerando quasi gli anni negativi (il 2022 bear passa da -30% di ROT a -1%).
 
-Risultato (netto, 2021-2026, leva 3x pos 15% per sleeve):
+Risultato (netto, 2021-2026, leva 3x pos 15% per sleeve; ROT02 ora top_k=3):
     DIP01_BTC     +322%  DD 15%  CAGR 31%
     TR01_basket   +591%  DD 27%  CAGR 43%
-    ROT02_dualmom +771%  DD 40%  CAGR 49%
+    ROT02_dualmom +984%  DD 26%  CAGR 56%   (top_k=3: DD 40->26, PnL su)
-    PORTAFOGLIO   +642%  DD 12%  CAGR 45%   <-- DD piu' basso di ogni sleeve
+    PORTAFOGLIO   +676%  DD 13%  CAGR 46%   <-- DD piu' basso di ogni sleeve
-    Per-anno: 2021 +203 · 2022 -1 · 2023 +47 · 2024 +50 · 2025 +14 · 2026 -2
+    Per-anno: 2021 +224 · 2022 +1 · 2023 +48 · 2024 +48 · 2025 +10 · 2026 -2
 Logica e ricostruzione: scripts/analysis/honest_improve2.py.
 """
 from __future__ import annotations

scripts/strategies/PORT03_all_master.py

@@ -11,12 +11,13 @@ Combinare le due famiglie migliora il rischio/rendimento rispetto a ciascuna da
 sola: il DD scende e lo Sharpe sale (la honest, da sola piu' lumpy, viene
 stabilizzata dalle fade ad alta frequenza). Vedi scripts/analysis/combine_portfolio.py.
 
-Risultato (netto, equal-weight daily, finestra comune 2021-2026, OOS = ultimo 30%):
+Risultato (netto, equal-weight daily, finestra comune 2021-2026, OOS = ultimo 30%;
+ROT02 ora top_k=3 -> DD piu' basso):
     FADE only (6)   DD  8.2%  Sharpe 3.95  (OOS DD 5.9 / Shrp 4.09)
-    HONEST only (3) DD 12.0%  Sharpe 1.90  (OOS DD 6.5 / Shrp 2.23)
+    HONEST only (3) DD 12.6%  Sharpe 2.20  (OOS DD 7.8 / Shrp 2.02)
-    MASTER eq (9)   DD  5.2%  Sharpe 3.95  (OOS DD 4.7 / Shrp 4.42)   <- miglior Sharpe
+    MASTER eq (9)   DD  5.2%  Sharpe 4.23  (OOS DD 4.7 / Shrp 4.33)   <- miglior Sharpe
-    MASTER 50/50    DD  5.1%  Sharpe 3.31  (OOS DD 4.3)               <- miglior DD
+    MASTER 50/50    DD  5.0%  Sharpe 3.69  (OOS DD 4.5)               <- miglior DD
-    CAGR ~46% mantenuta in entrambe le varianti combinate.
+    CAGR ~47% mantenuta in entrambe le varianti combinate.
 
 Due varianti operative selezionabili:
     weighting="equal" -> equal-weight sui 9 sleeve (massimo Sharpe)

scripts/strategies/PR01_pairs_reversion.py

@@ -0,0 +1,83 @@
+"""PR01 — Pairs / Spread Mean-Reversion fra cripto (market-neutral). FAMIGLIA NUOVA.
+
+Distinta da tutto l'esistente (single-asset direzionale): scommette sul RIENTRO del
+log-ratio di due cripto verso la sua media. Market-neutral (long A / short B) ->
+correlazione ~0.02 col mercato -> diversificatore prezioso.
+
+Logica (engine onesto verificato in scripts/analysis/pairs_research.py):
+    r[i] = log(closeA[i]/closeB[i]); z[i] = (r[i]-SMA_n(r)[i]) / STD_n(r)[i]   (causale)
+    z <= -z_in  -> LONG ratio (long A / short B)
+    z >= +z_in  -> SHORT ratio (short A / long B)
+    EXIT: |z| <= z_exit (rientro) o time-limit max_bars. Ingresso/uscita a close.
+    Fee su 2 GAMBE = 2*fee_rt*lev (0.20% RT/coppia). Filtro candele sporche (salto>8%).
+
+Validazione anti-overfit (netto, fee 0.20% RT/coppia a 2 gambe, leva 3x, OOS = ultimo
+30%, CONFIG UNIVERSALE n=50 z_in=2.0 z_exit=0.75 max_bars=72, 1h):
+    ETH/BTC : CAGR 158% / Sharpe 4.36 / 8/9 anni+   (regge fee 6x)
+    LTC/ETH : CAGR  92% / Sharpe 3.08 / 8/8 anni+
+    ADA/ETH : CAGR  91% / Sharpe 2.69 / 7/8 anni+
+    BTC/LTC : CAGR  60% / Sharpe 2.36 / 7/8 anni+   (robusta anche a 4h)
+    ETH/SOL : CAGR  74% / Sharpe 1.96 / 5/7 anni+   (la piu' debole, DD ~63%)
+  - No look-ahead verificato (z[i] invariato perturbando il futuro).
+  - PLATEAU non picco: heatmap n x z_in -> 20/20 celle Sharpe>1 (ETH/BTC, BTC/LTC).
+  - WALK-FORWARD (rolling train 2y / test 6m): ETH/BTC 11/12 finestre positive,
+    BTC/LTC 9/10 -> edge distribuito su tutta la storia, non un regime singolo.
+  - Stress costi: 5/6 reggono fee+slippage realistici; solo ETH/BTC regge fee 6x.
+  - Correlazione con BTC daily ~0.02-0.08 -> market-neutral.
+  - SCARTATA BNB/ETH: robusta solo coi suoi parametri (overfit), crolla con la universale.
+
+WORKER LIVE: implementato `src/live/pairs_worker.py` (2 gambe, fee doppie, stato
+persistente) e wired in `multi_runner` (sezione `pairs:` in strategies.yml). Validato:
+  - LOGICA: `validate_worker_pairs.py` -> replay storico == backtest pairs_sim ESATTO
+    (ETH/BTC: capitale, n.trade, win% identici).
+  - LIVE: `live_smoke_pairs.py` (smoke reale Cerbero) -> tutte e 5 le coppie con feed
+    live fresco. Naming Deribit corretto: BTC/ETH = "<COIN>-PERPETUAL" (inverse),
+    alt = "<COIN>_USDC-PERPETUAL" (lineari USDC, storia dal 2022). Trappola: usare
+    "LTC-PERPETUAL"/"SOL-PERPETUAL" da' vuoto/dati sbagliati -> SEMPRE _USDC-PERPETUAL.
+    Resta da verificare in trading reale solo la liquidita'/fill in esecuzione.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.pairs_research import pairs_sim, OOS_FRAC  # noqa: E402
+
+# CONFIG UNIVERSALE (anti-overfit): un'unica terna per TUTTE le coppie, niente
+# cherry-picking per-coppia. Validata come ALTOPIANO (heatmap n x z_in: 20/20 celle
+# Sharpe>1 su ETH/BTC e BTC/LTC) e walk-forward (ETH/BTC 11/12 finestre+, BTC/LTC 9/10).
+UNIV = dict(n=50, z_in=2.0, z_exit=0.75, max_bars=72)
+
+# Coppie robuste con la config universale. Sempre alt-liquido vs major (mai alt/alt).
+# BNB/ETH SCARTATA: era robusta solo coi suoi parametri (n=30, z_exit=1.0) -> overfit;
+# con la config universale crolla (Sharpe 1.5, DD 71%) ed e' la prima a morire allo stress costi.
+PAIRS = [
+    ("ETH", "BTC", UNIV),    # la migliore (Sharpe 4.4 univ), regge fee 6x
+    ("LTC", "ETH", UNIV),
+    ("ADA", "ETH", UNIV),
+    ("BTC", "LTC", UNIV),    # robusta anche a 4h
+    ("ETH", "SOL", UNIV),    # piu' debole (DD ~63%, storia SOL corta) -> peso ridotto
+]
+
+
+def run():
+    print("=" * 92)
+    print("  PR01 — PAIRS spread reversion (market-neutral) | netto fee 0.20% RT/coppia, leva 3x")
+    print("=" * 92)
+    print(f"  {'coppia':<10s}{'trd':>5s}{'win%':>6s}{'CAGR%':>7s}{'OOS DD%':>8s}{'DD%':>6s}{'Shrp':>6s}{'anni+':>7s}")
+    for a, b, p in PAIRS:
+        f = pairs_sim(a, b, **p)
+        o = pairs_sim(a, b, **p, split_frac=1 - OOS_FRAC)
+        yrs = f["yearly"]; pos_y = sum(1 for v in yrs.values() if v > 0)
+        print(f"  {a+'/'+b:<10s}{f['trades']:>5d}{f['win']:>6.1f}{f['cagr']:>7.0f}{o['dd']:>8.0f}"
+              f"{f['dd']:>6.0f}{f['sharpe']:>6.2f}{f'{pos_y}/{len(yrs)}':>7s}")
+    print("\n  Market-neutral (corr ~0.02-0.08 col mercato) -> ottimo diversificatore di portafoglio.")
+    print("  Pattern: solo alt-liquido vs major (BTC/ETH); alt-vs-alt e' rumore.")
+    print("  NB: 2 gambe (long A / short B), fee doppie. Worker live da estendere prima del live.")
+
+
+if __name__ == "__main__":
+    run()

scripts/strategies/ROT02_dual_momentum.py

@@ -7,10 +7,16 @@ sistema (2022, 2026 YTD) che erano gli unici anni rossi di ROT01.
 
 Risultato (netto, fee 0.10% RT, gross 0.45, OOS = ultimo 30%): MIGLIORA TUTTO
 rispetto a ROT01.
-    ROT01 base      : FULL +679% / OOS +44% / DD 53%
+    ROT01 base       : FULL  +679% / OOS +44% / DD 53%
-    ROT02 SMA100    : FULL +1095% / OOS +98% / DD 40%   <-- PnL su, DD giu'
+    ROT02 k2 SMA100  : FULL +1095% / OOS +98% / DD 40%   (versione iniziale)
-Param-insensitive sulla finestra di regime (SMA100-150). Dettagli in
+    ROT02 k3 SMA100  : FULL +1303% / OOS +68% / DD 26%   <-- DD quasi dimezzato, PnL su
-scripts/analysis/honest_improve.py (rot_improved).
+
+MIGLIORIA DD (top_k 2 -> 3): la versione iniziale concentrava il book su 2 soli
+asset; diversificare su 3 dimezza quasi il drawdown (40% -> 26%) e ALZA pure il
+ritorno full (+1095 -> +1303), ret/DD da 27 a 50. Il vol-target abbassa il DD ma
+sacrifica ritorno (solo de-leverage), quindi si tiene top_k=3 senza vol-target.
+Param-insensitive: top_k 3-4 e regime SMA100-150 danno risultati simili.
+Dettagli e sweep in scripts/analysis/honest_improve.py (rot_improved).
 """
 from __future__ import annotations
 
@@ -22,7 +28,7 @@ sys.path.insert(0, str(PROJECT_ROOT))
 
 from scripts.analysis.honest_improve import rot_improved  # noqa: E402
 
-LOOKBACK, TOP_K, REGIME_N = 60, 2, 100
+LOOKBACK, TOP_K, REGIME_N = 60, 3, 100   # top_k=3 (era 2): dimezza il DD
 
 
 def run():

src/live/multi_runner.py

@@ -11,6 +11,7 @@ import pandas as pd
 from src.live.cerbero_client import CerberoClient
 from src.live.strategy_loader import load_strategy
 from src.live.strategy_worker import StrategyWorker
+from src.live.pairs_worker import PairsWorker
 from src.live.signal_engine import SignalEngine
 from src.live.telegram_notifier import send_telegram
 
@@ -18,9 +19,20 @@ PROJECT_ROOT = Path(__file__).resolve().parents[2]
 DATA_DIR = PROJECT_ROOT / "data" / "paper_trades"
 
 RESOLUTION_MAP = {"15m": "15", "1h": "60", "5m": "5"}
+# Convenzione Deribit (verificata via Cerbero, 2026-05-29):
+#  - BTC/ETH = perpetui INVERSE (margine coin): "<COIN>-PERPETUAL"
+#  - altcoin = perpetui LINEARI USDC (margine USDC): "<COIN>_USDC-PERPETUAL", storia dal 2022
+# Trappola: "LTC-PERPETUAL"/"ADA-PERPETUAL" = 0 candele; "SOL-PERPETUAL" = contratto vecchio
+# con dati sbagliati. Per gli alt usare SEMPRE la forma _USDC-PERPETUAL.
 INSTRUMENT_MAP = {
     "BTC": "BTC-PERPETUAL",
     "ETH": "ETH-PERPETUAL",
+    "SOL": "SOL_USDC-PERPETUAL",
+    "LTC": "LTC_USDC-PERPETUAL",
+    "ADA": "ADA_USDC-PERPETUAL",
+    "XRP": "XRP_USDC-PERPETUAL",
+    "BNB": "BNB_USDC-PERPETUAL",
+    "DOGE": "DOGE_USDC-PERPETUAL",
 }
 
 
@@ -130,6 +142,26 @@ def build_workers(config: dict) -> tuple[list[StrategyWorker], list[MLWorkerWrap
     return regular_workers, ml_workers
 
 
+def build_pairs_workers(config: dict) -> list[PairsWorker]:
+    """Crea i PairsWorker (2 gambe) dalla sezione `pairs:` dello YAML."""
+    defaults = config.get("defaults", {})
+    workers: list[PairsWorker] = []
+    for entry in config.get("pairs", []):
+        if not entry.get("enabled", True):
+            continue
+        workers.append(PairsWorker(
+            asset_a=entry["a"], asset_b=entry["b"], tf=entry.get("tf", "1h"),
+            params=entry.get("params", {}),
+            capital=entry.get("capital", defaults.get("capital", 1000)),
+            position_size=entry.get("position_size", defaults.get("position_size", 0.15)),
+            leverage=entry.get("leverage", defaults.get("leverage", 3)),
+            fee_rt=entry.get("fee_rt", 0.001),
+            name=entry.get("name", "PR01_pairs_reversion"),
+            data_dir=DATA_DIR,
+        ))
+    return workers
+
+
 def run():
     config_path = PROJECT_ROOT / "strategies.yml"
     if not config_path.exists():
@@ -143,7 +175,8 @@ def run():
     train_lookback_days = 365
 
     regular_workers, ml_workers = build_workers(config)
-    all_worker_count = len(regular_workers) + len(ml_workers)
+    pairs_workers = build_pairs_workers(config)
+    all_worker_count = len(regular_workers) + len(ml_workers) + len(pairs_workers)
 
     if all_worker_count == 0:
         print("Nessuna strategia abilitata in strategies.yml")
@@ -162,6 +195,8 @@ def run():
         print(f"  • {w.status_summary}")
     for mw in ml_workers:
         print(f"  • {mw.worker.status_summary} [ML]")
+    for pw in pairs_workers:
+        print(f"  • {pw.status_summary} [PAIRS]")
 
     send_telegram(f"🚀 Multi-Strategy avviato: {all_worker_count} strategie")
 
@@ -172,6 +207,9 @@ def run():
             keys.add((w.asset, w.tf))
         for mw in ml_workers:
             keys.add((mw.worker.asset, mw.worker.tf))
+        for pw in pairs_workers:                       # entrambe le gambe del pair
+            keys.add((pw.asset_a, pw.tf))
+            keys.add((pw.asset_b, pw.tf))
         return keys
 
     # Training iniziale ML
@@ -253,6 +291,15 @@ def run():
                 except Exception as e:
                     print(f"  [{mw.worker.worker_id}] ERRORE: {e}")
 
+            # Tick pairs workers (2 gambe)
+            for pw in pairs_workers:
+                ka, kb = (pw.asset_a, pw.tf), (pw.asset_b, pw.tf)
+                if ka in candle_cache and kb in candle_cache:
+                    try:
+                        pw.tick(candle_cache[ka], candle_cache[kb])
+                    except Exception as e:
+                        print(f"  [{pw.worker_id}] ERRORE: {e}")
+
             # Status periodico
             now = datetime.now(timezone.utc)
             if now.minute == 0 and now.second < poll_seconds:
@@ -261,6 +308,8 @@ def run():
                     lines.append(f"  {w.status_summary}")
                 for mw in ml_workers:
                     lines.append(f"  {mw.worker.status_summary} [ML]")
+                for pw in pairs_workers:
+                    lines.append(f"  {pw.status_summary} [PAIRS]")
                 send_telegram("\n".join(lines))
 
         except KeyboardInterrupt:
@@ -277,6 +326,8 @@ def run():
                     if df is not None and not df.empty:
                         mw.worker._close_position(float(df["close"].iloc[-1]), "shutdown")
                 mw.worker._save_state()
+            for pw in pairs_workers:                    # salva stato; non forzo la chiusura a 2 gambe
+                pw._save_state()
             send_telegram("🛑 Multi-Strategy arrestato")
             break
         except Exception as e:

src/live/pairs_worker.py

@@ -0,0 +1,215 @@
+"""PairsWorker — paper trading a 2 GAMBE per la famiglia PR01 (spread reversion).
+
+Market-neutral: long asset A / short asset B (o viceversa) sullo z-score del log-ratio.
+Distinto dallo StrategyWorker single-leg: gestisce due strumenti, due prezzi di
+ingresso, e conta le fee su ENTRAMBE le gambe (2*fee_rt*lev = 0.20% RT/coppia con
+fee_rt=0.001). Semantica identica al backtest scripts/analysis/pairs_research.pairs_sim:
+
+    r[i] = log(closeA[i]/closeB[i]);  z[i] = (r[i]-SMA_n(r)[i]) / STD_n(r)[i]   (causale)
+    ENTRY a close[i]:  z<=-z_in -> LONG ratio (long A / short B);  z>=+z_in -> SHORT ratio
+    EXIT: |z| <= z_exit (rientro) oppure time-limit max_bars
+    filtro candele sporche: salta l'ingresso se |dr[i]| > jump_max
+    PnL = (retA - retB) * direction * lev - 2*fee_rt*lev   (notional uguale per gamba)
+
+Stato persistente (resume al restart) e log come StrategyWorker.
+"""
+from __future__ import annotations
+
+import json
+from datetime import datetime, timezone
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+from src.live.telegram_notifier import notify_event
+
+
+class PairsWorker:
+    def __init__(
+        self,
+        asset_a: str,
+        asset_b: str,
+        tf: str,
+        params: dict | None = None,
+        capital: float = 1000.0,
+        position_size: float = 0.15,
+        leverage: float = 3.0,
+        fee_rt: float = 0.001,          # per gamba RT; la coppia paga 2x
+        name: str = "PR01_pairs_reversion",
+        data_dir: Path = Path("data/paper_trades"),
+    ):
+        self.asset_a = asset_a
+        self.asset_b = asset_b
+        self.tf = tf
+        self.name = name
+        p = params or {}
+        self.n = int(p.get("n", 50))
+        self.z_in = float(p.get("z_in", 2.0))
+        self.z_exit = float(p.get("z_exit", 0.75))
+        self.max_bars = int(p.get("max_bars", 72))
+        self.jump_max = float(p.get("jump_max", 0.08))
+
+        self.initial_capital = capital
+        self.position_size = position_size
+        self.leverage = leverage
+        self.fee_rt = fee_rt
+
+        self.worker_id = f"{name}__{asset_a}_{asset_b}__{tf}"
+        self.work_dir = data_dir / self.worker_id
+        self.work_dir.mkdir(parents=True, exist_ok=True)
+        self.trades_path = self.work_dir / "trades.jsonl"
+        self.status_path = self.work_dir / "status.json"
+
+        self.capital = capital
+        self.in_position = False
+        self.direction = 0            # +1 long ratio (long A/short B), -1 short ratio
+        self.entry_a = 0.0
+        self.entry_b = 0.0
+        self.entry_z = 0.0
+        self.entry_time = ""
+        self.bars_held = 0
+        self.total_trades = 0
+        self.total_wins = 0
+        self.last_bar_ts = 0
+        self.started_at = datetime.now(timezone.utc).isoformat()
+
+        self._load_state()
+        self._save_state()
+
+    # ---------------- persistenza ----------------
+    def _load_state(self):
+        if not self.status_path.exists():
+            self._log("INIT", {"capital": self.capital, "pair": f"{self.asset_a}/{self.asset_b}",
+                               "tf": self.tf, "params": {"n": self.n, "z_in": self.z_in,
+                               "z_exit": self.z_exit, "max_bars": self.max_bars}})
+            return
+        with open(self.status_path) as f:
+            s = json.load(f)
+        self.capital = s.get("capital", self.initial_capital)
+        self.in_position = s.get("in_position", False)
+        self.direction = s.get("direction", 0)
+        self.entry_a = s.get("entry_a", 0.0)
+        self.entry_b = s.get("entry_b", 0.0)
+        self.entry_z = s.get("entry_z", 0.0)
+        self.entry_time = s.get("entry_time", "")
+        self.bars_held = s.get("bars_held", 0)
+        self.total_trades = s.get("total_trades", 0)
+        self.total_wins = s.get("total_wins", 0)
+        self.last_bar_ts = s.get("last_bar_ts", 0)
+        self.started_at = s.get("started_at", self.started_at)
+        self._log("RESUME", {"capital": round(self.capital, 2),
+                             "total_trades": self.total_trades, "in_position": self.in_position})
+
+    def _save_state(self):
+        state = {
+            "capital": round(self.capital, 2), "in_position": self.in_position,
+            "direction": self.direction, "entry_a": self.entry_a, "entry_b": self.entry_b,
+            "entry_z": round(self.entry_z, 4), "entry_time": self.entry_time,
+            "bars_held": self.bars_held, "total_trades": self.total_trades,
+            "total_wins": self.total_wins, "last_bar_ts": self.last_bar_ts,
+            "started_at": self.started_at, "last_update": datetime.now(timezone.utc).isoformat(),
+        }
+        with open(self.status_path, "w") as f:
+            json.dump(state, f, indent=2)
+
+    def _log(self, event: str, data: dict | None = None):
+        entry = {"ts": datetime.now(timezone.utc).isoformat(), "worker": self.worker_id,
+                 "event": event, **(data or {})}
+        with open(self.trades_path, "a") as f:
+            f.write(json.dumps(entry) + "\n")
+        print(f"  [{self.worker_id}] {event}: {json.dumps(data or {}, default=str)}")
+
+    def _notify(self, event: str, data: dict | None = None):
+        notify_event(event, {"worker": self.worker_id, **(data or {})})
+
+    # ---------------- segnale ----------------
+    def _zscore(self, ca: np.ndarray, cb: np.ndarray) -> tuple[np.ndarray, np.ndarray]:
+        r = np.log(ca / cb)
+        ma = pd.Series(r).rolling(self.n).mean().values
+        sd = pd.Series(r).rolling(self.n).std().values
+        z = (r - ma) / np.where(sd == 0, np.nan, sd)
+        dr = np.abs(np.diff(r, prepend=r[0]))
+        return z, dr
+
+    # ---------------- trading ----------------
+    def _open(self, d: int, ca: float, cb: float, z: float):
+        self.in_position = True
+        self.direction = d
+        self.entry_a, self.entry_b, self.entry_z = ca, cb, z
+        self.entry_time = datetime.now(timezone.utc).isoformat()
+        self.bars_held = 0
+        data = {"direction": "long_ratio" if d == 1 else "short_ratio",
+                "long_leg": self.asset_a if d == 1 else self.asset_b,
+                "short_leg": self.asset_b if d == 1 else self.asset_a,
+                "entry_a": round(ca, 4), "entry_b": round(cb, 4), "z": round(z, 3),
+                "capital": round(self.capital, 2)}
+        self._log("OPEN", data); self._notify("OPENED", data)
+
+    def _close(self, ca: float, cb: float, z: float, reason: str):
+        if not self.in_position:
+            return
+        ret_a = (ca - self.entry_a) / self.entry_a
+        ret_b = (cb - self.entry_b) / self.entry_b
+        gross = (ret_a - ret_b) * self.direction * self.leverage
+        fee = 2 * self.fee_rt * self.leverage          # 2 gambe
+        net = gross - fee
+        pnl = self.capital * self.position_size * net
+        self.capital = max(self.capital + pnl, 0.0)
+        is_win = net > 0
+        self.total_trades += 1
+        self.total_wins += is_win
+        acc = self.total_wins / self.total_trades * 100 if self.total_trades else 0
+        data = {"reason": reason, "exit_a": round(ca, 4), "exit_b": round(cb, 4),
+                "z": round(z, 3), "gross_ret": round(gross * 100, 3), "fee": round(fee * 100, 3),
+                "net_return": round(net * 100, 3), "pnl": round(pnl, 2),
+                "capital": round(self.capital, 2), "bars_held": self.bars_held,
+                "win": bool(is_win), "total_trades": self.total_trades, "accuracy": round(acc, 1)}
+        self._log("CLOSE", data); self._notify("CLOSED", data)
+        self.in_position = False
+        self.direction = 0
+        self.entry_a = self.entry_b = self.entry_z = 0.0
+        self.bars_held = 0
+
+    def tick(self, df_a: pd.DataFrame, df_b: pd.DataFrame):
+        """Chiamato ad ogni poll con gli OHLCV aggiornati delle due gambe."""
+        if df_a is None or df_b is None or df_a.empty or df_b.empty:
+            return
+        m = df_a[["timestamp", "close"]].rename(columns={"close": "ca"}).merge(
+            df_b[["timestamp", "close"]].rename(columns={"close": "cb"}), on="timestamp", how="inner"
+        ).sort_values("timestamp").reset_index(drop=True)
+        if len(m) < self.n + 2:
+            return
+        ca, cb = m["ca"].values, m["cb"].values
+        z, dr = self._zscore(ca, cb)
+        i = len(m) - 1
+        cur_ts = int(m["timestamp"].iloc[i])
+        zi = z[i]
+        if np.isnan(zi):
+            self._save_state(); return
+
+        if self.in_position:
+            if cur_ts > self.last_bar_ts:
+                self.bars_held += 1
+                self.last_bar_ts = cur_ts
+            if abs(zi) <= self.z_exit:
+                self._close(float(ca[i]), float(cb[i]), float(zi), "mean_revert")
+            elif self.bars_held >= self.max_bars:
+                self._close(float(ca[i]), float(cb[i]), float(zi), "time_limit")
+            self._save_state()
+            return
+
+        # flat: cerca ingresso (no look-ahead: z[i] usa solo dati <= i)
+        if dr[i] <= self.jump_max:
+            if zi <= -self.z_in:
+                self._open(1, float(ca[i]), float(cb[i]), float(zi)); self.last_bar_ts = cur_ts
+            elif zi >= self.z_in:
+                self._open(-1, float(ca[i]), float(cb[i]), float(zi)); self.last_bar_ts = cur_ts
+        self._save_state()
+
+    @property
+    def status_summary(self) -> str:
+        acc = self.total_wins / self.total_trades * 100 if self.total_trades else 0
+        pos = ("LONG " + self.asset_a if self.direction == 1
+               else "SHORT " + self.asset_a if self.direction == -1 else "FLAT")
+        return (f"{self.worker_id}: €{self.capital:.0f} | {self.total_trades}t {acc:.0f}% | {pos}")

strategies.yml

@@ -90,3 +90,43 @@ strategies:
       max_bars: 24
       trend_max: 3.0       # salta fade contro trend estremo (|close-EMA200|/ATR>3): Acc+ DD-
       ema_long: 200
+
+# ---------------------------------------------------------------------------
+# PR01 — PAIRS market-neutral spread reversion (worker a 2 GAMBE: src/live/pairs_worker.py)
+# Config UNIVERSALE n50 z2 zx0.75 mb72 (anti-overfit, validata walk-forward).
+# fee_rt 0.001/gamba -> 0.20% RT/coppia.
+# FEED LIVE (verificato 2026-05-29): tutti i leg disponibili su Deribit via Cerbero con
+# il naming corretto -> BTC/ETH = "<COIN>-PERPETUAL" (inverse), alt = "<COIN>_USDC-PERPETUAL"
+# (lineari USDC, storia dal 2022). Tutte e 5 le coppie tradabili live. ETH/SOL la piu'
+# debole (DD ~63%, storia SOL piu' corta) -> peso ridotto consigliato.
+pairs:
+  - name: PR01_pairs_reversion
+    a: ETH
+    b: BTC
+    tf: 1h
+    enabled: true
+    params: {n: 50, z_in: 2.0, z_exit: 0.75, max_bars: 72, jump_max: 0.08}
+  - name: PR01_pairs_reversion
+    a: LTC
+    b: ETH
+    tf: 1h
+    enabled: true
+    params: {n: 50, z_in: 2.0, z_exit: 0.75, max_bars: 72, jump_max: 0.08}
+  - name: PR01_pairs_reversion
+    a: ADA
+    b: ETH
+    tf: 1h
+    enabled: true
+    params: {n: 50, z_in: 2.0, z_exit: 0.75, max_bars: 72, jump_max: 0.08}
+  - name: PR01_pairs_reversion
+    a: BTC
+    b: LTC
+    tf: 1h
+    enabled: true
+    params: {n: 50, z_in: 2.0, z_exit: 0.75, max_bars: 72, jump_max: 0.08}
+  - name: PR01_pairs_reversion        # la piu' debole (peso ridotto)
+    a: ETH
+    b: SOL
+    tf: 1h
+    enabled: true
+    params: {n: 50, z_in: 2.0, z_exit: 0.75, max_bars: 72, jump_max: 0.08}