feat(analysis): report_families.py - riepilogo strategie/famiglie per anno + integrazione

Report consolidato: (A) Ret%/anno per famiglia (FADE/HONEST/PAIRS/TSM01) e portafogli,
(B) Ret%/anno per ogni strategia singola (15 sleeve), (C) analisi di integrazione delle
nuove famiglie nel MASTER (+pairs/+TSM01/esteso) con correlazioni, (D) numeri sobri e
raccomandazione (leva 2x, cap pairs 30-35%).

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

CLAUDE.md

@@ -126,20 +126,50 @@ 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 da estendere). Verifica: `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 e non ancora
+validati col worker live a 2 gambe). 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/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/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 +1,78 @@
+"""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.
+
+LIMITE OPERATIVO: e' una strategia a 2 gambe (long un perp + short l'altro), il worker
+attuale e' single-leg. Per tradarla serve: (a) eseguibilita' short del perp B su
+Deribit/Bybit, (b) gestione 2 ordini + fee doppie. Finche' il worker non supporta
+2 gambe, PR01 resta validata in backtest ma non wired nel paper trader.
+"""
+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():