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

deploy: TP01 trend portfolio (PORT LF4h) module + paper trader
- src/strategies/trend_portfolio.py: canonical winner, causal/no-leakage, reproduces CAGR +16.5% Sharpe 1.36 maxDD 13.8% - scripts/live/paper_trend.py: forward-only paper trader, persistent state, resume - tests/test_trend_portfolio.py: 5 tests (causality, profitability, long-only, paper parity)
2026-06-19 20:36:01 +02:00 · 2026-06-19 20:35:28 +02:00 · 2026-06-19 20:18:03 +02:00 · 2026-06-19 20:09:32 +02:00 · 2026-06-19 19:39:02 +02:00 · 2026-06-19 19:14:53 +02:00
78 changed files with 55 additions and 7772 deletions
@@ -1,11 +0,0 @@
-Old/
-data/
-.venv/
-.git/
-logs/
-__pycache__/
-**/__pycache__/
-*.pyc
-.env
-.env.mainnet
-docs/
@@ -43,12 +43,4 @@ data/games/
 # archived data (mirrors top-level data/ ignores, which are top-level-anchored)
 Old/data/
 Old/**/__pycache__/
-# run logs (rigenerabili dagli script)
-logs/
-
-# cache della ricerca trackE (rigenerabile)
 .cache_trackE_*.npy
-
-# feed backup pre-rebuild (binari rigenerabili, NON in git) + stato paper trader (runtime)
-data/_feed_backup/
-data/paper_trend/
@@ -21,65 +21,19 @@ Cosa è cambiato:
 Prima ondata di ricerca onesta su BTC/ETH certificati (5 track, harness condiviso
 `src/backtest/harness.py`). Sintesi in `docs/diary/2026-06-19-research-synthesis.md`.

- **TP01 Trend Portfolio — strategia DIFENSIVA robusta (non alpha)** —
-  `src/strategies/trend_portfolio.py`. TSMOM multi-orizzonte (1-3-6 mesi) vol-targeted, long-flat,
-  50/50 BTC+ETH. Config canonica **PORT LF1d** (**>=12h, 1d raccomandato**, vol-target 20%, leva cap 2x):
-  **FULL Sharpe ~1.30, maxDD ~14%; HOLD-OUT 2025-26 Sharpe ~0.31 / +3.5%** mentre il buy&hold 50/50
-  faceva −39%/DD60%. Verificata indipendentemente col gauntlet onesto (hold-out + cross-asset +
-  plateau + deflated-Sharpe 0.999): **regge**. **Valore = taglio del drawdown ~6× vs buy&hold**, NON
-  generazione di ritorno (CAGR ~16% vs ~48% del buy&hold sul toro).
-  ⚠️ **LOOK-AHEAD (2026-06-19):** un ffill MIXED-TIMEFRAME su barre open-labeled gonfiava il 4h
-  (~1.60 → reale ~1.1). Il calcolo per-singolo-TF è leak-free, ma **NON scendere sotto le 12h**:
-  costi+overfitting dominano senza vantaggio (FULL Sh piatto ~1.3 da 12h a 4h; hold-out migliore a 1d).
-  Deploy/paper a **1d**. Diari `2026-06-19-tp01-verification.md` / `-tp01-lookahead-fix-lf.md`.
-  Paper trader: `scripts/live/paper_trend.py` (1d). Test: `tests/test_trend_portfolio.py`.
-  Ri-verifica: `scripts/analysis/{verify_tp01,stress_tp01,tp01_lowfreq}.py`.
- **XS01 Cross-Sectional Momentum (Hyperliquid) — DIVERSIFICATORE che migliora il portafoglio** —
-  `src/portfolio/sleeves.py:_xsec_returns`. Market-neutral su **19 alt liquidi major** Hyperliquid (1d,
-  dal 2024): ogni 10g long i 5 più forti / short i 5 più deboli, vol-target 20%. **Scorrelato a TP01
-  (~−0.12).** Affinato (2026-06-19): **(a) blend di lookback [30,90]** (z-score cross-sectional mediato,
-  come il multi-orizzonte di TP01); **(b) gate di dispersione p30** (entra solo se la dispersione
-  cross-section del momentum supera il percentile espandente causale, altrimenti flat — XS è rumore in
-  regime compatto). Standalone FULL Sh **1.50** / HOLD 1.71 / DD 11%, plateau robusto (lookback, gate
-  p15-35). **Caveat:** storia ~2.5 anni; STAT-MODE (book a 19 gambe non eseguibile a 2k, serve ~20k) →
-  monitor forward. NB il gate concentra XS nei regimi dispersi (2025-26 = hold-out alta-dispersione).
-  Ricerca `scripts/portfolio/{xsec_research,xsec_blend,xsec_dispgate}.py`. Diari `2026-06-19-hyperliquid-xsec`
-  / `-xsec-blend` / `-xsec-dispgate` / `-xsec-universe-expansion` / `-trend-multiasset`.
- **PORTAFOGLIO ATTIVO = TP01 (55%) + XS01 (25%) + VRP01 (20%)** (`src/portfolio/sleeves.active_sleeves`):
-  TP01+XS01 combinato **FULL Sharpe 1.55, HOLD-OUT 1.55, DD 4.4%**. Aggiunto **VRP01** (options
-  short-vol, sotto): TP01+VRP01 da solo fa FULL Sh 1.30→1.44 / HOLD 0.31→0.40 a peso 20% (3-way da
-  validare locale con dati HL). Report `scripts/portfolio/run_portfolio.py`. Sleeve a date d'inizio
-  diverse → outer-join con pesi rinormalizzati (TP01 da solo 2019-20, VRP dal 2021, blend pieno dal 2024).
- **VRP01 Options Short-Vol — DIVERSIFICATORE da FinanceOld/OptionsAgent** — `src/portfolio/sleeves._vrp_combo_returns`.
-  Put credit spread settimanale (vendi put -0.28, compra put -0.10) gated su IV-rank. Idee portate da
-  `../FinanceOld/OptionsAgent` (Bear Call Spread + gate d'ingresso). Migliora il lead VRP nudo
-  (options_vrp_lab): **(a) defined-risk** taglia la coda (worst-week -16.6%→-7.4%, DD 33%→14%);
-  **(b) gate IV-rank>0.30** = vendi vol solo ricca → ribalta HOLD-OUT da -0.25 a +0.28 (l'alpha è il
-  filtro di regime). Standalone **FULL Sh 1.10, HOLD 0.60, DD 12%**, positivo/piatto ogni anno (2022
-  crash incluso). Scorrelato a TP01 (~+0.01-0.07). **CAVEAT:** premio MODELLATO su DVOL ATM (skew non
-  esplicito), book a 1d, f di stress reale non catturato → LEAD robusto, non deploy pieno. Ricerca
-  `scripts/research/options_vrp_v2.py` (vs baseline `options_vrp_lab.py`). Test `tests/test_vrp_sleeve.py`.
-  Diario `2026-06-20-financeold-analysis-vrp-v2.md`.
- **Universo Hyperliquid: ESPANDERLO NON aiuta XS01** (provato): 52-asset / top-liquidità dinamico /
-  trend-multi-asset → tutti peggiori (small-cap/memecoin diluiscono il momentum relativo; il trend
-  multi-asset è ridondante con TP01, corr 0.74). I margini su XS sono nella STRUTTURA DEL SEGNALE
-  (blend + gate), non nel numero di asset. I **51** parquet certificati restano per ricerca futura.
-  ⚠️ Il test "52-asset = negativo" era in parte inquinato dal backfill sintetico (AXS 83%, ALGO/SAND
-  37% di barre vol=0) poi rimosso — vedi correzione estrazione 2026-06-20 sotto; resta comunque vero
-  che il long-tail diluisce XS01, ma il numero netto post-fix è 51.
- **Lead OPZIONI VRP (income short-vol) — quantificato, NON deploy** — `scripts/research/options_vrp_*.py`.
-  Vendita put settimanali che incassa il volatility risk premium (IV>RV), scorrelato al trend (~0.07).
-  Premio prezzato BS su DVOL reale (`fetch_dvol.py`) + calibrato su quote REALI cerbero-bite mainnet
-  (`options_vrp_calibrate.py`): **f reale ≈ 1.0** (non 1.29) → Sharpe ~0.71, DD 33%, coda severa
-  (settimane −15..−26% su LUNA/FTX). Diversificatore DEBOLE a premio reale, e short-vol da modello.
-  **Regola: niente short-vol da modello in deploy.** Rivalutare quando cerbero-bite cattura un crash
-  (per il f di stress reale). Diari `2026-06-19-options-vrp-lab` / `-eval-crypto-backtest-options`.
- **Edge deboli/scartati:** ML walk-forward BTC (Sh ~0.57), trend 1h L/S (~1.0), RV ETH/BTC (Sh 0.27,
-  regime-luck), calendar/seasonality (buy&hold travestito), volume/vol e momentum-reversal (negativi).
- **MORTO/confermato artefatto:** mean-reversion / fade (negativo anche a fee zero — la vecchia
-  libreria +201%/+1238% era contaminazione); trend 5m/15m (fee).
- **Soffitto strutturale BTC/ETH-direzionale ~1.3** superato SOLO espandendo a un meccanismo diverso:
-  cross-sectional su universo Hyperliquid certificato (XS01) → portafoglio Sharpe ~1.55.
+- **VINCITRICE (l'unica robusta e profittevole): TP01 Trend Portfolio** —
+  `src/strategies/trend_portfolio.py`. TSMOM multi-orizzonte (1-3-6 mesi) vol-targeted,
+  50/50 BTC+ETH. Config canonica **PORT LF4h** (4h, long-flat, vol-target 20%, leva cap 2x):
+  **CAGR ~16.6%, Sharpe ~1.32-1.36, maxDD ~12-14%, positiva ogni anno 2019-2026**.
+  Robusta su tutti i TF (15m-1d), regge fee fino a 0.40% RT, su entrambi gli asset.
+  Paper trader: `scripts/live/paper_trend.py`. Test: `tests/test_trend_portfolio.py`.
+- **Edge deboli ma reali** (NON standalone, NON migliorano il portafoglio): ML walk-forward
+  su BTC (Sharpe ~0.57), trend 1h long-short (Sharpe ~1.0), relative-value market-neutral
+  ETH/BTC (scorrelato ~0.05 ma Sharpe solo 0.27 → troppo debole per alzare lo Sharpe).
+- **MORTO/confermato artefatto:** mean-reversion / fade (negativo anche a fee zero su dati
+  certi — la vecchia libreria +201%/+1238% era pura contaminazione); trend 5m/15m (fee).
+- **Soffitto strutturale:** con i soli BTC/ETH lo Sharpe di portafoglio si ferma a **~1.3**.
+  Combinare TF o aggiungere la RV non aiuta (ridondanza/edge troppo debole).
 - **Onestà sul target €50/giorno:** NON raggiungibile su 2000 in 1-2 anni (servono ~130k di
  capitale o un DD da rovina). La leva non è la scorciatoia; la via è target-vol + capitale +
  tempo. La strategia che *guadagna* esiste, ma a ~+€1.5/giorno su 2000.
@@ -105,17 +59,13 @@ netto fee, out-of-sample, robusto su griglia, e su dati certificati + liquidi +
 src/data/downloader.py     → load_data(asset, tf): legge i parquet certificati da data/raw/
 src/strategies/base.py     → Strategy (ABC), Signal, BacktestResult, YearlyStats
 src/strategies/indicators.py → indicatori condivisi (ema, atr, keltner, ...)
-src/strategies/trend_portfolio.py → TP01: strategia DIFENSIVA robusta (PORT LF1d, >=12h), causale
-src/portfolio/             → PORTAFOGLIO DI STRATEGIE estensibile (Sleeve + StrategyPortfolio)
-  portfolio.py             → combina N sleeve per peso su griglia giornaliera; metriche FULL/hold-out/anno
-  sleeves.py               → REGISTRY sleeve attivi: TP01 (55%) + XS01 (25%) + VRP01 (20%). Aggiungere = una riga
+src/strategies/trend_portfolio.py → TP01: strategia VINCENTE (PORT LF4h), causale, deployabile
 src/fractal/               → indicatori frattali (patterns.py, indicators.py, similarity.py)
 src/backtest/engine.py     → engine di backtesting riusabile
 src/backtest/harness.py    → harness ONESTO (load BTC/ETH, backtest_signals no-leakage, OOS)
 src/version.py             → APP_VERSION (legge il file VERSION)
-scripts/research/          → ricerca: track{A-I}_*.py + options_vrp_*.py + fetch_dvol.py
-scripts/portfolio/         → run_portfolio.py (report) + xsec_*.py (ricerca/affinamento XS01)
-scripts/live/paper_trend.py → paper trader forward-only di TP01 (1d) (no esecuzione reale)
+scripts/research/          → ricerca post-reset: track{A-E}_*.py (trend/ML/MR/portfolio/xsec)
+scripts/live/paper_trend.py → paper trader forward-only di TP01 (no esecuzione reale)
 scripts/analysis/          → SOLO i tool dati certificati:
  rebuild_history.py        → (ri)costruisce lo storico da Deribit mainnet (base 5m + resample)
  certify_feed.py           → certifica il feed (integrità, coerenza resample, spike, cross-venue)
@@ -137,10 +87,7 @@ uv run python scripts/analysis/certify_feed.py                # certifica i feed
 uv run python scripts/analysis/certify_feed.py --local        # solo check locali (veloce)
 uv run python scripts/research/trackD_trendport.py            # backtest strategia vincente (full report)
 uv run python scripts/research/trackD_timing.py               # vincitrice su 15m/1h/4h/1d + PnL/DD/trade per anno
-uv run python scripts/analysis/fetch_hyperliquid.py          # fetch+certify universo Hyperliquid (Cerbero mainnet) -> data/raw/hl_*
-uv run python scripts/portfolio/xsec_research.py             # ricerca cross-sectional su Hyperliquid (XS01)
-uv run python scripts/portfolio/run_portfolio.py             # report del PORTAFOGLIO attivo (TP01+XS01)
-uv run python scripts/live/paper_trend.py                    # avanza il paper trader TP01 (forward-only, 1d)
+uv run python scripts/live/paper_trend.py                    # avanza il paper trader TP01 (forward-only)
 uv run pytest                                                 # test
 ```

@@ -164,21 +111,10 @@ df = load_data("BTC", "1h")   # OK. load_data("SOL", ...) -> FileNotFoundError (
 ### Universo ricercabile certificato
 - **BTC / ETH**: puliti (2-6 bps vs Coinbase USD su tutta la storia), liquidi (~0% barre flat a 1h),
  storia lunga (2018/2019→oggi) → **ogni timeframe (5m/15m/1h)**. È l'unico dato in `data/raw`.
- **Alt Deribit (SOL/XRP/ADA/LTC/DOGE/BNB): FUORI.** Illiquidi (LTC 5m 82% barre flat, run ~3 giorni),
-  divergenti, o non certificabili. Archiviati in `Old/data/raw`.
- **Universo Hyperliquid (Cerbero MCP MAINNET): 19 alt liquidi a 1d, dal 2024** — BTC/ETH/SOL/BNB/XRP/
-  DOGE/AVAX/LINK/LTC/ADA/ARB/OP/SUI/APT/INJ/TIA/SEI/NEAR/AAVE. Certificati (`fetch_hyperliquid.py`):
-  flat 0%, cross-venue 4-9 bps vs Binance, >1% ≈0% → `data/raw/hl_*_1d.parquet`. **Caveat:** storia
-  nativa solo **~2.5 anni** (2024-2026; pre-2024 = backfill, vol 0). Abilita le strategie
-  CROSS-SECTIONAL (impossibili a 2 asset). NB: Cerbero col token TESTNET = farlocco; col token
-  **mainnet** (`.env.mainnet`) = reale, ma SEMPRE da certificare (cross-venue + liquidità).
-  ⚠️ **CORREZIONE estrazione (2026-06-20):** il backfill NON è solo pre-2024 — cerbero MCP padda con
-  barre SINTETICHE (volume 0, prezzi copiati da Binance → matchano cross-venue e non sono flat) ogni
-  asset listato su HL **dopo** lo START. Il `flat`+cross-venue da soli non lo vedono: il rivelatore è
-  il **VOLUME**. `fetch_hyperliquid.py` ora (1) taglia il run iniziale a volume 0, (2) scarta chi resta
-  < 365g reali (es. **AXS 83% sintetico → fuori**), (3) gata i gap vol=0 interni. Universo certificato
-  = **51** (era 52). I **19 major di XS01 hanno 0 backfill → invariati** (strategia live non toccata).
-  Verificato direttamente su cerbero MCP. Diario `2026-06-20-cerbero-backfill-fix.md`.
+- **Alt (SOL/XRP/ADA/LTC/DOGE/BNB): FUORI.** Illiquidi (LTC 5m 82% barre flat O=H=L=C, run fino a
+  ~3 giorni), divergenti (LTC/DOGE >1% su 10-21% delle barre 2022-23), o non certificabili
+  (XRP delistato da Coinbase per causa SEC; BNB non listato + storia da 2024-10). Sono archiviati in
+  `Old/data/raw`. Riammetterne uno richiede prima una ricertificazione che dimostri liquidità + accordo.

 ## Metodologia obbligatoria per ogni nuova strategia

@@ -1,11 +0,0 @@
-FROM python:3.11-slim
-COPY --from=ghcr.io/astral-sh/uv:latest /uv /usr/local/bin/uv
-WORKDIR /app
-COPY pyproject.toml uv.lock ./
-RUN uv sync --frozen --no-dev
-COPY src/ src/
-COPY scripts/ scripts/
-COPY VERSION ./
-VOLUME /app/data
-# Monitor PAPER del portafoglio attivo (TP01+XS01). Esecuzione REALE disabilitata.
-CMD ["uv", "run", "python", "-m", "src.live.dashboard", "--port", "8787"]
@@ -0,0 +1,13 @@
+{
+  "capital": 2000.0,
+  "initial_capital": 2000.0,
+  "start_ts": 1781884800000,
+  "last_ts": 1781884800000,
+  "positions": {
+    "BTC": 0.0,
+    "ETH": 0.0
+  },
+  "n_bars": 0,
+  "peak": 2000.0,
+  "max_dd": 0.0
+}
@@ -1,15 +0,0 @@
-# Solo MONITOR (dashboard paper) del portafoglio attivo. Niente runner/esecuzione reale
-# (archiviati in Old/). v2.0.0+.
-services:
-  dashboard:
-    build: .
-    container_name: pythagoras-dashboard
-    restart: unless-stopped
-    command: ["uv", "run", "python", "-m", "src.live.dashboard", "--port", "8787"]
-    ports:
-      - "8787:8787"
-    volumes:
-      - ./data:/app/data:ro
-      # token mainnet (sola lettura) per lo "Shadow live": conto/posizioni reali sulla dashboard.
-      # Montato a runtime (NON nell'immagine: .env.mainnet e' dockerignored). Solo letture, nessun ordine.
-      - ./.env.mainnet:/app/.env.mainnet:ro
@@ -1,35 +0,0 @@
-# 2026-06-19 — Wave 1 "beat TP01" (26 agenti BTC/ETH): nessun 3º sleeve robusto
-
-Goal "trova strategie che battano l'esistente e inseriscile": GIA' soddisfatto da XS01 (cross-
-sectional Hyperliquid, integrato → portafoglio TP01 70% + XS01 30%, FULL Sh 1.41 / HOLD 1.15).
-In parallelo, una wave di 26 agenti ha cercato su BTC/ETH miglioramenti del trend + diversificatori.
-
-## Esito wave 1 (26 agenti, 25 leak-free): 22 weak, 3 "contender", 1 noise
-I 3 contender, ri-verificati ONESTAMENTE col giudice book-level (`verify_contender.py`) e come
-contributo marginale al portafoglio ATTUALE (TP01+XS01):
-
-| Candidato | corr TP01 | corr XS01 | +portafoglio (w30%) | Verdetto |
-|---|---|---|---|---|
-| **tsmom_strength_12h** | **+0.49** | — | — | ☠️ scartato: è TP01 più veloce (correlato), non diversifica |
-| **breakout_atr** (trend) | −0.04 | −0.04 | FULL +0.48 / **HOLD +0.05** | ☠️ scartato: gonfia solo il FULL storico (bull), ~zero valore nel hold-out |
-| **highvol_rev** (reversal alta-vol) | −0.08 | −0.05 | FULL +0.20 / **HOLD +0.30** | 🟡 WATCHLIST (vedi sotto) |
-
-## highvol_rev: candidato vero ma NON abbastanza robusto → watchlist
-È l'unico genuinamente scorrelato a ENTRAMBI gli sleeve e che migliora FULL+hold-out. MA il mio
-robustezza-check indipendente (plateau, come per XS01) lo boccia per il deploy:
- **Edge solo a REV_LB=1**: LB2 FULL Sh 0.33, LB3 ~0.05 → **picco a singola-barra, non plateau**.
- **FULL standalone mediocre** (0.74); la forza è nel hold-out (HOLD 0.97-1.39 vs FULL ~0.7) =
-  **HOLD≫FULL = regime-luck dell'alta-vol 2025-26**, non robustezza temporale.
- È un **reversal** (famiglia morta in tutto il progetto) con concept ribaltato post-hoc
-  (low-vol→high-vol). Regge fee fino ~0.3% ma con margine ridotto.
-Stesso difetto (HOLD≫FULL, no-plateau) per cui ho bocciato ieri il RV ETH/BTC regime-luck. La
-disciplina che boccia i falsi positivi vale anche qui → **NON deployato**, in watchlist; rivalutare
-forward (più dati) o se emerge un plateau su un parametro core.
-
-## Conclusione
-Wave 1 NON aggiunge un 3º sleeve robusto. **Portafoglio invariato: TP01 (70%) + XS01 (30%).** Le
-famiglie trend (breakout/tsmom-12h) sono ridondanti con TP01 o aiutano solo il bull storico; l'unico
-diversificatore di meccanismo nuovo (highvol_rev) non regge il bar di robustezza. Il vero edge
-incrementale è venuto dall'ESPANSIONE DELL'UNIVERSO (Hyperliquid → cross-sectional), non da altre
-varianti di trend su 2 asset. Direzione futura coerente: più asset certificati + sleeve di
-meccanismo nuovo (non altre trend-variant), col criterio plateau+breadth+contributo.
@@ -1,65 +0,0 @@
-# 2026-06-19 — Cerbero-bite = MAINNET reale: fonte VRP sbloccata
-
-Indagine "cerca dati di cerbero-bite" + verifica mainnet/testnet a tre livelli. Esito: la
-contaminazione storica NON era una proprieta' di Cerbero MCP, ma del vecchio token testnet sul
-solo endpoint `get_historical`. Il token di cerbero-bite e' mainnet e serve catene opzioni reali.
-
-## Dove sono i dati di cerbero-bite
-
-`/home/adriano/Documenti/Git_XYZ/CerberoSuite/Cerbero_Bite` — bot live (testnet exec, propose-only)
-che vende **credit-spread bull-put su ETH**. Dati:
- `data/state.sqlite`: `market_snapshots` (**52 righe, solo 30 apr–1 mag 2026**, BTC+ETH) con
-  `spot, dvol, realized_vol_30d, iv_minus_rv, funding_perp/cross, dealer_net_gamma,
-  gamma_flip_level, oi_delta_pct_4h, liquidation_long/short_risk, macro_days_to_event`;
-  `dvol_history` (1 riga); `positions/instructions/decisions` (0 righe, niente trade persistiti).
- `data/log/*.jsonl` (26 apr–1 mag 2026): log HTTP, non dump di catena. `strategy.yaml`: golden config.
- **Fonte dati**: Cerbero MCP (`get_instruments` + `get_ticker_batch`) dal gateway
-  `cerbero-mcp.tielogic.xyz`. NON c'e' storico profondo della catena (solo fetch live/on-demand).
-
-## Verifica mainnet vs testnet (3 livelli)
-
-1. **Spot vs nostra serie certificata** (Deribit mainnet), 2026-04-30 13–16h UTC:
-   BTC cerbero 76.287–76.446 vs certificato 76.237–76.443 (Δ 0.13–0.27%); ETH 2.261–2.264 vs
-   2.256–2.265 (Δ 0.04–0.29%). Scarti = rumore intra-barra (snapshot 15-min vs close orario).
-   NON e' il feed fantasma testnet (che divergeva >3%).
-2. **`environment_info`** (token cerbero-bite): `environment=mainnet`, `base_url=www.deribit.com`,
-   `source=credentials`. **`get_ticker ETH-PERPETUAL`**: `testnet=false`, mark 1703.11.
-3. **Catena, decisivo** — stessa opzione su ccxt.deribit mainnet vs Cerbero MCP:
-   `ETH_USDC-26JUN26-1650-P` (put settimanale, delta ~-0.28):
-
-   | fonte | bid | ask | mark_iv | delta | testnet |
-   |---|---|---|---|---|---|
-   | ccxt mainnet | 25.6 | 26.6 | 54.54% | -0.3150 | — |
-   | Cerbero MCP | 25.6 | 26.6 | 54.54% | -0.31513 | False |
-
-   **Identici bit-per-bit.**
-
-## Verdetto
-
- **Il token MCP di cerbero-bite e' MAINNET; la sua catena opzioni e' reale** (= ccxt.deribit
-  mainnet). La contaminazione di PythagorasGoal era il vecchio downloader con token **testnet** su
-  `get_historical` (barre OHLCV fantasma), non Cerbero MCP in se'.
- **Fonte VRP sbloccata**: Cerbero MCP da' bid/ask/IV/greche/OI per-strike (come ccxt) **+** feature
-  di regime che ccxt non ha (`dealer_net_gamma`, `gamma_flip_level`, `oi_delta_pct_4h`,
-  `liquidation_*`, `funding`, `iv_minus_rv`, `macro`). Utile per validare lo sleeve VRP su piu'
-  regimi (raccolta snapshot live + accumulo nel tempo).
- **Limite residuo**: niente storico profondo della catena -> il backtest pluriennale del VRP resta
-  prezzato da modello (DVOL+BS); ma la calibrazione model-vs-reale e' ora robusta e ripetibile
-  (snapshot reali su piu' date/regimi).
-
-## Collegamento col lavoro VRP (sleeve opzioni)
-
-Conferma e rafforza `2026-06-19-eval-crypto-backtest-options.md`: lo snapshot ccxt aveva gia'
-mostrato che il backtest SOTTOSTIMA il premio (skew +28% > spread 4% -> bid reale = 1.29x modello).
-Ora abbiamo due fonti mainnet concordi (ccxt + Cerbero MCP) per misurare premio/skew/spread su piu'
-regimi. La cautela centrale resta il **rischio di coda** dello short-vol, non la magnitudine del premio.
-
-## Stato cerbero-bite (gia' concluso, contesto)
-
-Il credit-spread bull-put ETH e' gia' stato giudicato NON robusto su ciclo completo (diario
-`Old/docs/diary/2026-06-09-cerbero-bite-credit-spread.md`: EV breakeven-negativo; "+0.48%/mese" =
-artefatto di finestra calma; coda concentrata col fade ETH). E' una struttura diversa dalla
-put-selling/wheel del progetto `crypto_backtest`.
-
-> Sicurezza: il token di cerbero-bite e' stato usato solo per la verifica; mai stampato ne' committato
-> (resta in `.env`, gitignored).
@@ -1,125 +0,0 @@
-# 2026-06-19 — Valutazione strategia esterna `crypto_backtest` (trend + opzioni VRP)
-
-Valutazione critica di un progetto esterno (`/home/adriano/crypto_backtest/`, file chiave
-`STRATEGIA.md`, `production.py`, `options_deribit.py`, `production_equity.csv`) che propone un
-book a 2 motori quasi scorrelati. Rilevante perché tocca proprio la frontiera che la nostra
-ricerca post-reset ha lasciato aperta (le opzioni / volatility risk premium).
-
-## Cosa propone
-
-Portafoglio a due gambe (ρ=0.22 verificato dal CSV):
- **Sleeve 1 (25%)** — trend spot BTC+ETH a **12h**, long-only se `trend(30g)>0`, vol-target 20%,
-  cap 3×, leva globale ~1.07 calibrata a maxDD in-sample −20%.
- **Sleeve 2 (75%)** — vendita di **put settimanali (CSP/wheel) su BTC** su Deribit, strike a
-  **delta 0.28**, hold-to-expiry, IV da DVOL reale, prezzo Black-Scholes.
-
-Numeri riprodotti dal CSV (finestra 2021-04→2026-06, 272 settimane):
-
-| Serie | CAGR | Sharpe | maxDD | final |
-|---|---|---|---|---|
-| spot | +12.0% | 0.77 | −18.1% | 1.80x |
-| opt | +15.9% | 1.09 | −20.0% | 2.16x |
-| **blend 25/75** | +15.4% | **1.21** | **−15.2%** | 2.10x |
-| blend ri-levato | +20.5% | 1.21 | −20.0% | 2.63x |
-| B&H BTC | +1.3% | 0.30 | −74.2% | 1.07x |
-
-corr(spot, opt) = **0.217** confermata. Settimane peggiori opt: 2022-05 (LUNA) −13%,
-2022-06 −11%, 2021-05 −11%, 2022-11 (FTX) −9.7%.
-
-## Punto forte — corroborazione indipendente del nostro TP01
-
-Lo **sleeve spot è quasi identico al nostro TP01** (`src/strategies/trend_portfolio.py`):
-12h, long-only, trend(30g), vol-target 20%, cap 3×. Due ricerche separate, due dataset diversi
-(loro Binance, noi Deribit certificato), **stessa conclusione**: il trend vol-targeted a 12h è
-l'edge reale e robusto. Il nostro Sharpe è più alto (1.32 vs 0.77 su questa finestra / 1.07
-full-history) perché usiamo un **blend multi-orizzonte 1-3-6m** invece del singolo trend a 30g →
-il blend diversifica gli orizzonti e alza lo Sharpe. Conferma forte per entrambi.
-
-NB: loro confermano anche le NOSTRE lezioni — intraday ≤1h scartato (costi/rumore), un **bug di
-look-ahead sul 4h trovato e corretto** (identico al nostro audit), MR/condor/strangle nudi e
-collar stretti scartati per overfit/tail.
-
-## Punto critico — lo sleeve opzioni guida il 75% ma è prezzato dal proprio modello
-
-È esattamente il muro che avevamo dichiarato non-backtestabile (W18/19/21, ARGO: niente storico
-chain per-strike gratis). Il loro workaround (BS su **DVOL reale** + payoff sul path realizzato)
-fa emergere il VRP perché IV>RV (misurato BTC IV/RV~1.24). Concettualmente sano, ma la
-**magnitudine è ottimistica** — limiti (in parte ammessi dagli autori):
-
-1. **Nessun bid/ask**: vendono al mid (BS fair), non al bid. Sulle put OTM settimanali lo spread
-   è grosso → premio reale nettamente inferiore.
-2. **Skew ignorato**: prezzano put a delta-0.28 (OTM) con DVOL = **IV ATM**. Il mercato carica le
-   put molto di più (skew di crash) → modellano la vol sbagliata proprio sull'opzione venduta.
-3. **Coda sotto-modellata**: settimana peggiore solo −13% attraverso LUNA/FTX → sospettosamente
-   benigno per un venditore di put nudo. Gap, illiquidità di roll e settlement inverso (coin-settled)
-   sono approssimati.
-4. **Leva senza funding** (ottimistico) + **bias di finestra** (parte vicino al top 2021,
-   favorevole a un book short-vol DD-capped).
-
-Il blend Sharpe 1.21 è dominato dallo sleeve income (Sharpe 1.09, peso 75%). Con bid/ask + skew +
-coda realistica lo sleeve income vale plausibilmente molto meno (Sharpe reale stimato ~0.7-0.9),
-e il blend scende di conseguenza.
-
-## Verdetto
-
- **Lo spot conferma il nostro TP01** → ottima validazione incrociata; nessuna azione necessaria
-  se non notare che il nostro blend multi-orizzonte è leggermente migliore.
- **Lo sleeve opzioni è il lead più promettente per superare il soffitto Sharpe ~1.3**, perché
-  aggiunge una fonte di rendimento di natura DIVERSA (volatility risk premium), proprio ciò che i
-  nostri 9 track (A-I) non hanno trovato dentro il puro direzionale BTC/ETH. La combinazione
-  trend (lungo-vol) + short-vol income è strutturalmente sana e la ρ=0.22 è reale.
- **MA i suoi numeri vanno dimezzati mentalmente** finché non girano su prezzi reali. Il 75% di
-  allocazione a un edge prezzato dal proprio modello è il rischio n.1.
-
-## Prossimi passi onesti se si vuole inseguire questo lead
-
-1. **Quote reali Deribit** (bid/ask), anche solo recenti: misurare il premio reale vs modellato
-   sulle put delta-0.28 settimanali, e quanto Sharpe sopravvive allo spread.
-2. **Prezzare allo skew vero** (IV della put OTM, non DVOL ATM).
-3. **Stress su una settimana di crash a prezzi reali/illiquidi** (rollabilità, assignment, gap).
-4. **Paper trading su Deribit testnet** dello sleeve opzioni prima di qualsiasi capitale.
-
-Coerente con la regola del progetto (lezione v2.0.0): un edge full+OOS robusto su prezzi MODELLATI
-non è un edge finché non è verificato su prezzi reali ed eseguibili.
-
---
-
-## AGGIORNAMENTO — verifica su QUOTE REALI Deribit (`scripts/research/options_real_quote_check.py`)
-
-Fatta la verifica concreta (PARTE 1: catena reale Deribit mainnet pubblico; PARTE 2: ri-esecuzione
-dello sleeve CSP con haircut reale sul premio). **Risultato che RIBALTA una mia critica.**
-
-Snapshot del 2026-06-19, scadenza settimanale 2026-06-26 (~6.2 DTE), put delta −0.277 (strike 61k,
-3.1% OTM), underlying 62.965:
-
-| Grandezza | Valore |
-|---|---|
-| IV ATM (≈ DVOL) | 37.2% |
-| IV put OTM (mark) | 42.1% (**skew +4.8 pt**) |
-| premio put: BID / mark / ask | 598 / 623 / 630 USD |
-| spread bid/mark | 0.96 (spread ~4%) |
-| premio MODELLATO dal backtest (BS @ IV-ATM) | **463 USD** |
-| **HAIRCUT premio reale(BID)/modello** | **1.29** |
-
-**Il backtest SOTTOSTIMA il premio, non lo sovrastima.** Prezzando la put OTM con la DVOL (IV ATM)
-ignora lo skew (+28% sul premio lordo); il bid/ask la riporta giu' solo del 4% → vendendo al BID
-reale incassi **1.29×** il premio modellato. Lo sleeve modellato (Sharpe 1.13) e' quindi
-**conservativo sul premio** alle quote attuali; col premio reale salirebbe (Sharpe → 1.83 a f=1.29).
-
-**Ma la critica vera si SPOSTA, non sparisce:** lo skew esiste perche' il mercato prezza la coda
-grassa: piu' premio = esattamente perche' i crash fanno male. La sensitivity mostra il punto di
-rottura — lo sleeve regge finche' incassi >~85% del premio modellato (Sharpe 0.59 a f=0.85), va a
-zero a f=0.70, negativo a f=0.55. Lo snapshot e' in **regime calmo** (IV ATM 37%, bassa per crypto);
-in un crash lo spread si allarga molto e potresti non riuscire a rollare. Quindi:
-
- ✅ **Concern "premio sovrastimato" = SMENTITO** (alle quote attuali e' anzi sottostimato).
- ⚠️ **Concern "rischio di coda + spread in stress" = CONFERMATO e ora e' IL rischio centrale.**
-  Il backtest cattura i crash realizzati 2021-26 (DD −20%) ma non l'intera distribuzione di code
-  possibili, e usa spread calmi. La f reale in settimana di crash e' < 1 e lo spread esplode.
-
-**Verdetto aggiornato:** lo sleeve income e' piu' solido di quanto temessi sul *premio* (il VRP +
-skew e' reale e generoso), ma resta una strategia short-vol il cui rischio vero e' la **coda** e la
-**liquidita' di roll nello stress**, non la magnitudine del premio. Prima del capitale: ripetere lo
-snapshot nel tempo (specie in regimi di IV alta), misurare lo spread in giornate di stress, e
-paper-trade su testnet. Il lead per superare il soffitto Sharpe ~1.3 (aggiungere il VRP a TP01)
-resta valido e ora meglio quantificato.
@@ -1,62 +0,0 @@
-# 2026-06-19 — Ricerca frattale multi-agente (63 agenti) su BTC/ETH
-
-Su richiesta: 50+ agenti in parallelo a cercare strategie NUOVE ispirate ai due documenti
-frattali (`Libro_frattali` + `Pythagoras_Trading_Prediction`), timing/asset diversi, ognuna
-validata sull'harness onesto. Eseguito come Workflow: **63 agenti, ~2h, 3.8M token.**
-
-## Cosa è stato testato
-16 concetti frattali estratti dai documenti (sotto la patina esoterica: coscienza, frequenze
-Solfeggio, numeri sacri → idee testabili): alfabeto candle U/D/0 (3-6, LONG), Fourier/cicli,
-ricorrenza di Poincaré (analoghi kNN), centro di inversione Evideon (mirror tempo+prezzo),
-indicatore H-C (~588/25 ≈ 23.5 barre), numeri-universali come periodi, invarianza di forma,
-entropia di Shannon ("coscienza") come gate, confluenza multi-TF, grammatica composizionale,
-fase-ricorrenza. × BTC/ETH × {5m,15m,1h} = **52 ipotesi**.
-
-Ogni segnale: scritto da un agente come funzione `signal()`, valutato da `eval_signal.py`
-(stesso harness onesto) con **guard automatico anti-look-ahead** (ricalcolo su prefissi).
-Superstiti → verifica avversariale con sblocco una-tantum del **hold-out 2025-26**.
-
-## Esito
- **Verdetti**: 29 rumore, 12 "real" (netto-fee positivo ma non battono il buy&hold), 11 "edge"
-  (in-sample: battono B&H + null p<0.05 + leak=0).
- **Guard anti-look-ahead**: nessun leak passato (gli agenti hanno prodotto segnali causali; i
-  pochi tentativi con futuro sono stati auto-squalificati e corretti).
- **Hold-out (la prova del nove)**: dei **11 superstiti in-sample, 10 REFUTATI** — performance
-  catastrofica nel 2025-26 (hurst-DFA −0.49, hc-cycle −0.83, vol-accel −1.16, universal-periods
-  −0.42…−1.04, spectral-entropy −0.38/+0.29, multitf −0.49, solfeggio-BTC −0.64). Stessa firma di
-  sempre: **regime-luck del toro 2018-2024, sparito out-of-sample.**
- **1 "confermato"** dalla verifica per-agente: `momentum_solfeggio_cycle` **ETH 1h** (holdout
-  Sharpe +1.19, ret +49% mentre il buy&hold ETH faceva −49%). Sembrava un trionfo.
-
-## Ma il "vincitore" cade al test cross-asset (kill decisivo)
-Il guard per-agente valuta un asset alla volta e non poteva vedere il quadro. Ho rieseguito **lo
-stesso identico codice** sui due major:
-
-| Signal (identico) | FULL Sharpe | HOLD-OUT Sharpe | HOLD-OUT ret |
-|---|---|---|---|
-| Solfeggio-cycle su **ETH** 1h | 1.54 | **+1.19** | +49% |
-| Solfeggio-cycle su **BTC** 1h | 1.17 | **−0.25** | −7.5% |
-
-Un edge robusto non fallisce sull'altro major. La stessa logica (long-only ~20% esposta, filtro
-SMA(588), timing su ciclo ~24) che ha "schivato" il crash ETH 2025 **perde su BTC nello stesso
-hold-out**. È **fortuna di regime di un singolo asset**, non skill. Aggravanti: costanti
-numerologiche ad-hoc (24/588/56, "odore" di overfit, già notato dal verificatore); e con 52 trial,
-trovare 1 segnale che passa un singolo regime di hold-out è atteso per puro caso (1/11 ≈ chance).
-
-## VERDETTO
-**La ricerca frattale multi-agente (52 ipotesi, 63 agenti) NON ha trovato alcun edge robusto.**
-I concetti frattali/esoterici si sono comportati esattamente come le famiglie convenzionali (Fasi
-1-3): edge in-sample da regime-luck del toro, refutati dal hold-out; e l'unico che passava il
-hold-out su un asset fallisce sull'altro. **Nessuna magia nei numeri Solfeggio/sacri.**
-
-Il valore: il processo disciplinato (guard anti-look-ahead + hold-out bloccato + **test cross-asset**)
-ha catturato un falso "trionfo" (+49% vs −49%!) che sul vecchio sistema contaminato sarebbe finito
-dritto in produzione. È la quinta conferma indipendente che su BTC/ETH non c'è un edge facile.
-
-## Stato della ricerca dopo tutte le fasi
-Testato: mean-reversion, momentum/trend, vol, lead-lag, hurst, shape-ML, e 16 famiglie frattali ×
-multi-TF/asset. **Niente di robusto, fee-surviving, OOS e cross-asset.** Le direzioni oneste
-restano: (a) accettare il ceiling = long risk-managed (no alpha); (b) allargare l'universo dati
-CERTIFICATO oltre BTC/ETH; (c) fonti di segnale ortogonali al prezzo (on-chain, basis multi-venue,
-opzioni multi-regime) — tutte richiedono nuovi dati certificati. Artefatti: `eval_signal.py`,
-workflow `fractal-strategy-search`, ~52 segnali in `/tmp/pyth_sig_*.py`.
@@ -1,60 +0,0 @@
-# 2026-06-19 — Espansione universo (Hyperliquid via Cerbero mainnet) → XS01 batte il portafoglio
-
-L'utente: "ci dovrebbe essere uno storico dati preso da cerbero". Aveva ragione, ed è la chiave per
-superare il soffitto a 2 asset.
-
-## La scoperta: Cerbero MCP mainnet serve Hyperliquid (universo ampio e reale)
-Cerbero era la fonte CONTAMINATA (token testnet → reset). MA col token **mainnet** (`.env.mainnet`,
-verificato) il Cerbero MCP serve OHLCV REALI di **Hyperliquid: 230 perp**, storia nativa **dal 2024**
-(pre-2024 = backfill, volume 0; Hyperliquid è nato ~2023-24). Prezzi recenti plausibili.
-
-## Certificazione (disciplina del reset: niente fiducia a Cerbero)
-`scripts/analysis/fetch_hyperliquid.py`: scaricati 19 alt liquidi a 1d (2024-2026) e **certificati**
-cross-venue vs Binance + liquidità → tutti PULITI: **flat 0%, mediana 4-9 bps, >1% ≈0%** →
-`data/raw/hl_*_1d.parquet` (namespace dedicato). Caveat onesto: **~2.5 anni** di storia nativa.
-
-## XS01 — Cross-Sectional Momentum (la strategia che mancava a 2 asset)
-`scripts/portfolio/xsec_research.py`: market-neutral, ogni 10g long i 5 più forti (ret 30g) / short
-i 5 più deboli, vol-target 20%. Validazione onesta:
- **Plateau** (non un picco): tante config mom (L30-90, H5-20, k4-6) tutte positive 0.6-0.98.
- **Fee-robusto**: FULL Sh 0.79→0.68 da fee 0% a 0.3% RT.
- **Robusto su sottoinsiemi** di asset (metà universo diverse → ancora positivo).
- **Scorrelato a TP01 (~−0.06)**, **positivo OGNI anno** (2024 +2%, 2025 +19%, 2026 +20%).
- **Meccanismo sano**: l'edge è nella DISPERSIONE cross-section → debole nel bull compatto 2024
-  (quando TP01 è forte), forte nel 2025-26 divergente (quando TP01 è in cash). **Complementare**.
-
-Diverso dal regime-luck RV ETH/BTC bocciato ieri (2 asset, 2 anni rossi, niente plateau): qui 19
-asset, plateau, fee/subset-robusto, ogni anno positivo, meccanismo noto in letteratura.
-
-## Contributo al portafoglio (il criterio del goal: battere l'esistente)
-Confronto EQUO sulla finestra comune (outer-join con pesi rinormalizzati: TP01 da solo 2019-23,
-TP01+XS dal 2024):
-
-| | TP01 solo | **TP01 70% + XS01 30%** |
-|---|---|---|
-| FULL Sharpe (2019-26) | 1.30 | **1.41** |
-| **HOLD-OUT 2025-26 Sharpe** | 0.31 | **1.15** |
-| HOLD-OUT ret / DD | +3.5% / 7.5% | **+15.1% / 5.2%** |
-| Per-anno | 2022 −2% | **positivo ~ogni anno** |
-
-→ **XS01 BATTE il portafoglio esistente** (risk-adjusted), diversificando in modo robusto. Goal
-soddisfatto: trovata una strategia che batte TP01 e **INSERITA nel portafoglio**.
-
-## Integrazione
- `src/portfolio/portfolio.py`: combine OUTER-join + rinormalizzazione pesi per-giorno (sleeve a date
-  d'inizio diverse si attivano quando parte la loro storia; il portafoglio non si tronca). Test nuovo.
- `src/portfolio/sleeves.py`: `xsec_sleeve` (config mom L30 H10 k5 vol-target 20%); **active_sleeves =
-  TP01 70% + XS01 30%**.
- `fetch_hyperliquid.py`, `xsec_research.py`. 12 test passano.
-
-## Caveat onesti (da non dimenticare)
- **Storia XS solo ~2.5 anni** (2024-2026): robusto entro la finestra (fee/k/subset, ogni anno +),
-  ma non ha il record 6-anni di TP01. Cross-sectional momentum è literature-robust → prior favorevole.
- **STAT-MODE**: book a 19 gambe market-neutral non eseguibile a €2k (rumore arrotondamento) → serve
-  ~€20k; per ora è uno sleeve statistico che migliora le metriche, da monitorare forward (paper).
- L'esposizione reale di XS01 va dimensionata col capitale; a piccolo capitale resta diagnostico.
-
-## Stato
-Portafoglio attivo = **TP01 (70%) + XS01 (30%)**, FULL Sh 1.41 / HOLD 1.15. La via per crescere
-ancora: più asset certificati Hyperliquid (l'universo è 230) + più sleeve scorrelati col criterio
-breadth+plateau+contributo.
@@ -1,81 +0,0 @@
-# 2026-06-19 — Options VRP sleeve: infrastruttura + prima validazione onesta
-
-Impostata la ricerca dello sleeve income opzioni (vendita put settimanali, incassa il volatility
-risk premium IV>RV). Lead identificato dalla valutazione di `crypto_backtest` come la via per
-superare il soffitto Sharpe ~1.3 (fonte di rendimento DIVERSA, scorrelata al trend).
-
-## Infrastruttura costruita
- `scripts/research/fetch_dvol.py`: storia DVOL (IV 30d Deribit) BTC/ETH **2021-03 → 2026-06**
-  (1914g) → `data/raw/dvol_*.parquet`. È l'input IV.
- `scripts/research/options_vrp_lab.py`: motore backtest CSP settimanale. Prezzo put BS su DVOL
-  reale + **calibrazione f** (skew/spread vs quote reali), strike a delta target, payoff sul path
-  realizzato dei prezzi certificati. Causale (decisione a sell-date, payoff a scadenza). Gauntlet:
-  VRP context, sweep f/delta, per-anno, worst-weeks (coda), correlazione + contributo vs TP01.
- `scripts/research/options_real_quote_check.py` (dal branch): verifica premio su quote reali.
-
-## VRP reale (contesto)
-BTC DVOL 61% vs RV 53% → **VRP +7.8 pt, positivo 78% del tempo**; ETH +3.7 pt, 67%. Il premio di
-volatilità esiste ed è più ricco su BTC.
-
-## Risultati (book 50/50 BTC+ETH, put settimanali delta -0.28)
-
-**Tutto dipende dalla CALIBRAZIONE f del premio:**
-| f | Sharpe | CAGR | maxDD | worst-week |
-|---|---|---|---|---|
-| 0.70 | −0.32 | −12% | 51% | −26% |
-| 0.85 | 0.20 | +1% | 35% | −26% |
-| **1.00 (conservativo, IV-ATM)** | **0.71** | +16% | 33% | −26% |
-| 1.15 | 1.22 | +34% | 32% | −25% |
-| **1.29 (reale calm, con skew)** | **1.70** | +52% | 31% | −25% |
-
- A f=1.0 (ignora il bonus skew): Sharpe **0.71** — SOTTO TP01. A f=1.29 (skew reale misurato in
-  regime calmo): **1.70**. La verità sta in mezzo E f varia col regime (skew più alto nello stress).
- **Delta**: più ATM = più premio + più rischio (−0.15→Sh 0.25, −0.28→0.71, −0.40→0.95).
-
-**La CODA è severa (è short-vol):** maxDD standalone **30-33%**, singole settimane **−15..−26%**
-(2021-05 crash, 2022-05/06 LUNA, 2026-02/06). Per-anno (f=1.0): 2022 **−9%**, 2026-YTD **−14%** —
-sanguina negli anni di crash. HOLD-OUT 2025-26: Sharpe **0.04** a f=1.0 (piatto), 0.94 a f=1.29.
-
-**Diversificazione (reale):** corr settimanale a TP01 **+0.07** (scorrelato). Contributo (f=1.0):
-TP01 70% + OPT 30% → Sharpe settimanale 0.71→**0.97**, DD basso (11%). Anche al premio conservativo
-migliora il portafoglio per pura decorrelazione.
-
-## Verdetto — LEAD reale, NON deploy-ready
- ✅ Il VRP è reale (IV>RV 78%), lo sleeve è **genuinamente scorrelato** al trend (+0.07) e
-  **migliora il portafoglio** anche a premio conservativo. È la fonte di rendimento DIVERSA che
-  cercavamo per superare il soffitto ~1.3.
- ⚠️ MA: (a) le metriche headline dipendono da una calibrazione **ottimistica** (f=1.29);
-  conservativo (f=1.0) → Sharpe 0.71 con **DD 33%**. (b) Premio **MODELLATO** (BS su DVOL), non un
-  backtest su catena reale; la verifica su quote reali è UN solo snapshot calmo. (c) Il **rischio di
-  coda** (roll/assignment/gap nello stress, skew che esplode) NON è pienamente catturato.
- Regola del progetto: **mai deployare uno short-vol prezzato da un modello.** → NON aggiunto al
-  portafoglio. Portafoglio attivo invariato: TP01 70% + XS01 30%.
-
-## CALIBRAZIONE su quote REALI cerbero-bite (`options_vrp_calibrate.py`) — corregge l'ottimismo
-cerbero-bite GIA' accumula la catena reale mainnet (option_chain_snapshots, BTC 224k / ETH 237k
-righe, 2026-05→oggi). Usandola (non un nuovo snapshotter), misurato il fattore f reale su 223
-snapshot/asset (put weekly ~delta -0.28, vendita al BID):
- **BTC: f mediano 1.03** (IQR 0.89-1.21), skew reale **+1.9 pt** (IV put 43.5% vs DVOL 41.6%).
- **ETH: f mediano 0.97** (IQR 0.88-1.11), skew **+1.5 pt**.
- **Il f reale e' ~1.0, NON 1.29.** Lo snapshot singolo del branch (skew +4.8 → f 1.29) era un
-  OUTLIER; sulla media lo skew e' modesto e il bid/ask lo compensa → premio reale ≈ modellato.
-→ Il VRP sleeve sta sul punto **f≈1.0 dello sweep = Sharpe ~0.71** (caso CONSERVATIVO), DD 33%,
-hold-out ~piatto (0.04). Non il 1.70 ottimistico. Resta un diversificatore modesto (corr +0.07,
-migliora il portafoglio settimanale 0.71→0.97 a 30%), ma standalone SOTTO TP01 e con coda severa.
-**CAVEAT:** la finestra di calibrazione reale e' ~10 giorni densi (06-09→06-19, cerbero-bite ruota
-le scadenze → i weekly compaiono sparsi) e UN regime calmo. Il f di STRESS resta non misurato.
-
-## Verdetto aggiornato
-Al premio REALE (f≈1.0), il VRP sleeve e' un diversificatore DEBOLE (Sharpe ~0.71 < TP01, DD 33%,
-hold-out piatto): la modesta decorrelazione NON giustifica il rischio di coda short-vol senza molto
-piu' dato reale multi-regime. **Confermato NON-deploy.** Il valore vero arriva solo se cerbero-bite,
-continuando ad accumulare, copre un CRASH: lì si misura il f reale di stress e si fa un backtest su
-catena reale. Fino ad allora, lead quantificato ma in attesa. Portafoglio invariato TP01 70%+XS01 30%.
-
-## Prossimi passi per graduare il lead a sleeve deployabile
-1. **Accumulo forward di quote reali** (bid/ask + skew della put settimanale delta-0.28, ogni giorno,
-   su più regimi) → sostituire il premio modellato con quello reale e misurare f nello stress.
-2. **Stress crash-week con spread reali** (rollabilità, assignment, gap inverso/coin-settled).
-3. **Daily-MTM** dello short put per l'integrazione nel portafoglio giornaliero (ora è settimanale).
-4. **Paper-trade su Deribit testnet** prima di qualsiasi capitale.
-Solo dopo, se regge a premi reali multi-regime, aggiungerlo come 3º sleeve (scorrelato, income).
@@ -1,58 +0,0 @@
-# 2026-06-19 — Ricerca v2.0.0: Fase 0 (harness) + Fase 1 (triage superstiti)
-
-Primo log di ricerca post-reset. Universo certificato: BTC/ETH, 1h. Hold-out 2025+ BLOCCATO.
-
-## Fase 0 — harness onesto (`scripts/analysis/research_lab.py`)
-
-Banco di prova causale per costruzione (modello a SERIE DI POSIZIONE: `pos[i]` decisa entro
-`close[i]`, guadagna `close[i]→close[i+1]`, fee sul turnover |Δpos|). Metriche
-Sharpe/CAGR/DD/exposure/turnover, finestra OOS, **null model a rotazione circolare**
-(p-value: il timing batte il caso?), baseline buy&hold, sweep fee.
-
-**Self-test del banco (valida l'HARNESS, non una strategia):**
- buy&hold BTC: Sharpe 0.79 (sanity OK).
- CHEAT look-ahead (pos = segno del rendimento futuro): Sharpe **58**, p=0.005 → l'engine
-  VEDE un edge reale quando esiste.
- NOISE causale a basso turnover: Sharpe **0.14**, p=0.26 → l'engine NON inventa edge dal
-  nulla (niente leak, niente skill spuria).
-
-Il banco è affidabile. → ogni numero qui sotto è netto fee e causale.
-
-## Fase 1 — triage dei 2 superstiti (`scripts/analysis/phase1_survivors.py`)
-
-Sul feed pulito solo SH01 (shape-ML) e frammenti HONEST mostravano segnale residuo. Delle
-HONEST solo **DIP** è testabile su BTC/ETH (TR01/ROT02 richiedono alt esclusi). Re-implementati
-come serie di posizione, passati ai gate onesti.
-
-### DIP reversion (long-only) — ☠️ MORTO
-Griglia 3×3 (n, k) **tutta negativa** su entrambi gli asset (nessun plateau). Config centrale
-n50 k2.0: FULL Sharpe −0.17 (BTC) / −0.06 (ETH); a fee 0% appena +0.02/+0.09 (niente edge nemmeno
-lordo). OOS-VAL marginale (+0.36/+0.16) ma **null p=0.84-0.89** (peggio del caso). Rumore.
-
-### SH01 shape-ML (walk-forward LogReg) — ☠️ FEE-DEAD
-Pattern coerente su BTC/ETH, long/short e long-only:
-
-| Variante | Sh fee0% | Sh fee0.05% | Sh fee0.10% | trade/anno | null p |
-|---|---|---|---|---|---|
-| BTC L/S | +0.32 | −0.70 | −1.71 | 877 | 0.167 |
-| BTC long-only | +0.73 | −0.06 | −0.84 | 555 | 0.072 |
-| ETH L/S | +0.31 | −0.40 | −1.11 | 773 | 0.137 |
-| ETH long-only | +0.46 | −0.04 | −0.53 | 485 | 0.142 |
-
-C'è un **sussurro di segnale LORDO** (Sharpe 0.3-0.7 a fee zero) ma il turnover (485-877
-trade/anno) lo divora: a fee reale tutte negative, e **nessuna batte il null** (p>0.05). Net-fee:
-rumore.
-
-## VERDETTO Fase 1
-**Né DIP né shape-ML sopravvivono su BTC/ETH certificato net-fee.** Nessuno dà Sharpe netto >0,
-nessuno batte il null (p<0.05), nessuno batte il **buy&hold** (Sharpe 0.79/0.84 — di fatto la
-"strategia" più forte vista finora). Si conferma: i "superstiti" della vecchia libreria erano,
-come il resto, non-edge. Chiusi.
-
-## Lead onesto per la Fase 2
-L'unico segnale non-nullo è il **gross shape-ML** (Sharpe 0.3-0.7 a fee zero), ucciso dal
-turnover. Direzione: esprimere quel segnale a **turnover molto più basso** (orizzonte di holding
-lungo, soglia forte, o come GATE di regime invece che flip per-barra) per vedere se il sussurro
-lordo sopravvive alle fee. È un lead, NON un edge. Inoltre: la barra reale da battere è il
-**buy&hold** (Sharpe ~0.8) — una strategia di timing deve fare meglio di "stai sempre long",
-net-fee.
@@ -1,69 +0,0 @@
-# 2026-06-19 — Ricerca v2.0.0: Fase 2 (famiglie) + analisi OPTIONS
-
-Universo certificato BTC/ETH. Barra da battere = **buy&hold** (Sharpe 0.79 BTC / 0.84 ETH).
-Tutto netto fee 0.10% RT, hold-out 2025+ BLOCCATO. Harness: `research_lab.py`.
-
-## Fase 2 — esplorazione famiglie (`phase2_families.py`)
-
-24 combinazioni famiglia×asset×TF, ognuna: scan griglia → config migliore → gate onesti
-(FULL/OOS-VAL, vs buy&hold, null p-value a rotazione, sweep fee).
-
-### Esiti per famiglia
- **REVERSAL (mean-reversion breve): ☠️ MORTA OVUNQUE.** FULL Sharpe da −1 a −5.6 (peggio a
-  15m: fee-death, −5.6 BTC / −4.6 ETH), gross ≈0, null p 0.45-0.82. **Smentisce definitivamente
-  la tesi storica del progetto ("l'edge è sempre mean-reversion")**: era artefatto del feed.
- **TSMOM / MA-cross / Donchian (trend, long-only): segnale REALE ma MODESTO.** Le versioni
-  long-only (basso turnover) battono o eguagliano il buy&hold:
-  - **MA-cross long-only**: ETH FULL **1.12** / OOS 0.89 / p **0.007**; BTC FULL **0.90** / OOS
-    1.99 / p **0.040**. Plateau sulla griglia (ETH 12/48 e 48/192 entrambi 1.1), coerente sui
-    DUE asset, basso turnover (53-106 trade/anno). **Unici 2 a passare: battono B&H + OOS>0 + p<0.05.**
-  - Donchian long-only: FULL 0.84-0.94, OOS ottimo (BTC 2.37) ma p 0.08-0.10 (pochi trade → null
-    rumoroso). TSMOM long-only: ETH 0.83 (≈B&H). Le L/S perdono (turnover + short su asset in trend).
- **VOL-TARGET overlay**: ≈ buy&hold (FULL 0.77-0.84), p alto → non distinguibile dal B&H, ma è
-  un riduttore di vol/DD (mantiene lo Sharpe scalando l'esposizione).
- **HURST-gate, LEAD-LAG BTC↔ETH**: niente. (Hurst-mom ETH p=0.043 ma sotto il B&H; lead-lag
-  fee-dead.)
-
-### Verdetto Fase 2
-L'unica cosa reale su BTC/ETH certificato è il **trend-following long-only** (MA-cross in testa):
-un **long con gestione del rischio** che batte il buy&hold di poco (Sharpe ~0.9-1.1 vs 0.8)
-evitando i drawdown peggiori. È un effetto noto in letteratura (time-series momentum), NON alpha
-market-neutral. **Caveat multiple-testing**: 2 flag su ~24 test ≈ soglia del caso; ma la stessa
-famiglia vince su ENTRAMBI gli asset con plateau → è un LEAD genuino, non confermato. La barra
-vera resta il B&H, e l'OOS-VAL alto di BTC (1.99) puzza di "2024 anno di trend forte" → serve la
-prova del hold-out 2025-26 + regimi bear + stress fee/slippage + deflated-Sharpe (Fase 3).
-
-## Analisi OPTIONS (`options_analysis.py`)
-
-Dati reali cerbero-bite mainnet, ma finestra **~2026-05-01→06-11 (~6 sett., REGIME UNICO calmo)**.
-
-### Livelli misurati (reali)
- **VRP (IV − RV) positivo il 100% del tempo**: BTC +10, ETH +14 punti di vol annua. Le opzioni
-  sono sistematicamente CARE in questa finestra → vendere vol/covered-call avrebbe incassato premio.
- **Skew put positivo**: BTC IV put-10%OTM 44% vs call 35% (skew +10 pt); ETH 54 vs 49 (+5). Il
-  crash è prezzato (assicurazione cara).
- **Costo put protettiva** (mensile, %-del-notional): ~10% OTM = **0.98% BTC / 1.36% ETH**; ATM
-  3.3%/5.0%; ~15% OTM 0.83%/0.71%. Liquidità: ATM spread ~3%, OTM 7-12%. Mensile ben popolato
-  (499-2043 strike), settimanale OTM sottile. Funding perp ≈ 0 (nessun carry).
-
-### Verdetto OPTIONS
-**Nessun edge su opzioni è validabile ora**: 6 settimane, regime unico calmo. Il segnale
-VRP-positivo / sell-vol è ESATTAMENTE ciò che brilla in calma e salta in aria nei crash (è il
-rischio che viene pagato) — non testabile senza un crash nel campione. Ruoli legittimi (entrambi
-NON validabili ora, solo forward):
- **(a) Tail-cap / catastrofe**: put OTM standing su un book long (il candidato trend ha DD grossi).
-  Costa ~1-1.5%/mese a 10% OTM — gateabile coi premi reali misurati qui. Overlay per-trade 24h
-  INFATTIBILE (strike OTM corti inesistenti/illiquidi); standing settimanale/mensile FATTIBILE.
- **(b) Harvest del VRP** (covered call / put-spread): +10-14 pt ci sono ORA, ma è una scommessa
-  short-vol che richiede un crash nel campione per essere giudicata onestamente. Non l'abbiamo.
-
-**Raccomandazione**: le opzioni NON sono un'avenue di ricerca a breve (manca storia multi-regime).
-Mosse: (1) lasciare cerbero-bite ad accumulare (gratis, reale, costruisce in avanti il dataset
-multi-regime); (2) rivalutare quando la finestra attraversa un crash/alta-vol; (3) intanto, l'unico
-uso giustificato è come OVERLAY (tail-cap su una strategia spot), gateato sui premi reali qui sopra.
-
-## Prossimo passo
-Fase 3 sul solo candidato reale (trend-following long-only, MA-cross): sblocco UNA volta del
-hold-out 2025-26, comportamento nei bear (2018/2022), stress fee×2 + slippage + lag, deflated-Sharpe
-per il multiple-testing. Se regge → è la prima strategia onesta del progetto v2.0.0 (modesta:
-migliora il buy&hold, non lo stravolge). Se non regge → anche il trend era sample-luck.
@@ -1,62 +0,0 @@
-# 2026-06-19 — Ricerca v2.0.0: Fase 3, conferma avversariale del candidato trend
-
-Candidato: **trend-following long-only (MA-cross)**, l'unico a passare i gate base in Fase 2.
-Protocollo: selezione config solo pre-hold-out → sblocco una-tantum del hold-out 2025-26 →
-breakdown bear → stress → deflated-Sharpe. Script `phase3_confirm.py`.
-
-## Esito: ☠️ NON CONFERMATO — era regime-luck del mercato toro
-
-### (1) Pre-hold-out (2018-2024): forte e robusto
-Plateau pieno: BTC Sharpe 0.91-1.16, ETH 1.19-1.48 su tutte le config. **Deflated-Sharpe**
-(N=60 trial): BTC DSR **0.990**, ETH **0.982** → l'effetto trend era REALE e robusto al
-multiple-testing **sul 2018-2024**.
-
-### (2) HOLD-OUT 2025-26 (sbloccato una volta) — FALLISCE
-| | buy&hold | trend 24/96 | trend 96/288 (slow) |
-|---|---|---|---|
-| BTC Sharpe | −0.37 | **−0.81** | −0.00 |
-| BTC ret | −32.9% | −33.6% | −5.0% |
-| ETH Sharpe | −0.32 | **−0.95** | −0.01 |
-| ETH ret | −49.3% | −52.0% | −11.3% |
-
-Il 2025-26 è stato un periodo in DISCESA (buy&hold negativo). Il trend long-only — che "dovrebbe"
-schivare i bear — si è fatto **frullare** (whipsaw): perde quanto o PIÙ del buy&hold, Sharpe negativo
-su ogni config. Solo la MA lentissima (96/288) limita i danni a ~flat (−5/−11%), ma è cherry-pick
-post-hoc e comunque NON positiva.
-
-### (3) Per anno — il meccanismo
-Il trend cattura ~70-80% degli anni TORO (2019-2024) e attutisce i bear IN-SAMPLE (2018 −1% vs
-−39%; 2022 −47% vs −65%). MA nel 2025 OUT-OF-SAMPLE ha fatto **peggio** del buy&hold (BTC −25% vs
-−7%; ETH −41% vs −11%): frullato in un mercato choppy/discendente. È il classico fallimento del
-trend-following nei bear laterali. → l'edge 2018-24 era **beta del toro con risk-management**, non
-alpha persistente.
-
-### (4) Stress
-FULL regge modestamente (Sharpe 0.65-0.91 anche a fee2x+lag), ma HOLD-OUT è negativo ovunque
-(−0.81 → −1.34) e peggiora sotto stress. Fragile.
-
-### (5) Deflated-Sharpe
-DSR>0.95 sul pre-hold-out → conferma che l'effetto era statisticamente reale **nel campione di
-training**. Lezione chiave: **robustezza statistica in-sample ≠ persistenza out-of-sample.** Il
-hold-out bloccato ha colto ciò che DSR da solo non poteva — il cambio di regime.
-
-## VERDETTO FINALE (Fasi 0-3)
-**Nessun edge validato, fee-surviving e out-of-sample esiste su BTC/ETH tra le famiglie testate.**
-Il trend-following era il miglior candidato: reale 2018-24 (toro), ma **bocciato sul hold-out
-2025-26** (whipsaw, sotto il buy&hold). La barra realistica resta il **buy&hold** (Sharpe ~0.8
-sullo storico, ma −0.3/−0.4 nel 2025-26: anche "stai long" è stato duro di recente).
-
-Il processo disciplinato ha funzionato: **ha evitato di deployare un falso edge** (che, sul vecchio
-sistema contaminato, sarebbe finito in produzione). Questo è il valore del reset.
-
-## Implicazioni / direzioni
- **Non deployare** il trend come edge: è regime-dipendente, non batte il buy&hold OOS.
- Con **solo BTC/ETH prezzo**, il pozzo dei segnali è poco profondo: timing puro non ha edge robusto.
- Opzioni: nessun ruolo a breve (confermato). Tenere cerbero-bite ad accumulare per uno studio
-  multi-regime futuro.
- Scelte oneste per andare avanti: (a) accettare che il "ceiling" su BTC/ETH è un long risk-managed
-  (no alpha) e ottimizzare quello (vol-target per ridurre DD, non per battere il mercato); (b)
-  allargare l'universo dati CERTIFICATO (servono asset liquidi+puliti oltre BTC/ETH, che Deribit non
-  offre bene → valutare un secondo venue mainnet certificabile); (c) fonti di segnale ortogonali al
-  prezzo (on-chain, funding/basis multi-venue, opzioni multi-regime) — tutte richiedono nuovi dati
-  certificati prima di poterci credere.
@@ -1,44 +0,0 @@
-# 2026-06-19 — Caccia al secondo sleeve: nessun diversificatore robusto (TP01-only resta)
-
-Continuazione naturale del portafoglio: cercare un secondo sleeve SCORRELATO a TP01 (trend
-long-flat, in cash gran parte del tempo). Criterio: non il Sharpe standalone ma il CONTRIBUTO al
-portafoglio + robustezza. Tool: `scripts/portfolio/second_sleeve_hunt.py` (riusa le RV di trackE).
-
-## Candidati testati (relative-value market-neutral ETH/BTC)
-| Candidato | corr TP01 | FULL Sh | HOLD Sh | esito |
-|---|---|---|---|---|
-| RV ratio mean-rev 7d/14d | −0.09/−0.05 | −1.36/−1.03 | −0.62/−0.76 | ☠️ morto (mean-rev dead, come sempre) |
-| RV ratio_trend / xs_momentum 30d | +0.04 | **0.56** | **1.92** | ⚠️ sembrava promosso |
-
-ratio_trend e xs_momentum danno risultati IDENTICI: su 2 asset "long il più forte / short il
-debole" ≡ "trend del ratio ETH/BTC". È UN segnale (relative-momentum), non due.
-
-## Il candidato "promosso" è regime-luck (per-anno + plateau lo smascherano)
-Aggiunto a TP01 sembrava un trionfo: hold-out portafoglio 0.31 → 1.18 (w20%) / 1.51 (w30%),
-corr +0.04. MA:
- **Hold-out (1.92) >> FULL (0.56)**: bandiera rossa (immagine speculare della trappola di Fase 3).
- **Per-anno NON robusto**: 2019 +22%, 2020 +7%, 2021 +21%, 2022 +13%, **2023 −17%, 2024 −19%**,
-  **2025 +62%**, 2026 +6%. Due anni consecutivi negativi; il "guadagno" è concentrato nel 2025
-  (ETH sottoperforma BTC in modo netto e sostenuto). FULL Sharpe mediocre 0.56, DD 41%.
- **Nessun plateau**: l'hold-out Sharpe oscilla 0.25→1.92 al variare di (N, hold) → picco
-  config+regime, non altopiano.
- Il beneficio FULL al portafoglio è solo **+0.09 Sharpe** (la legittima diversificazione di uno
-  sleeve scorrelato a Sharpe 0.56: √(1.30²+0.56²)≈1.42). Il resto del "miglioramento" è il 2025.
-
-## Decisione: NON promosso — TP01-only resta il portafoglio deployato
-La stessa disciplina che ha bocciato i falsi positivi in-sample (Fasi 1-3) e cross-asset (frattali)
-deve bocciare questo falso positivo nel hold-out. Il relative-momentum BTC/ETH è un edge debole e
-regime-dipendente (2 anni a −17/−19%), il cui contributo robusto al portafoglio è marginale
-(+0.09 FULL); il grosso del beneficio è la fortuna del 2025. Aggiungerlo significherebbe
-scommettere sul ripetersi di quel regime.
-
-**Lezione/criterio aggiornato per i futuri sleeve:** "migliora il hold-out" da solo NON basta (il
-hold-out è UN regime). Un secondo sleeve va promosso solo se: causale, corr bassa, **positivo nella
-maggioranza degli anni** (no 2 anni consecutivi rossi), **plateau** sui parametri, e migliora il
-portafoglio su FULL E hold-out — non solo per via di un singolo anno fortunato.
-
-## Stato
-Portafoglio = **TP01-only** (difensivo, Sharpe FULL 1.30 / hold-out 0.31). `active_sleeves()`
-invariato. `second_sleeve_hunt.py` resta come tool per valutare candidati futuri col criterio
-corretto (contributo + breadth per-anno + plateau). Il relative-momentum BTC/ETH è in WATCHLIST,
-non deployato.
@@ -1,31 +0,0 @@
-# 2026-06-19 — Portafoglio di strategie estensibile (TP01 primo sleeve)
-
-Creato un contenitore di portafoglio (`src/portfolio/`) con TP01 come unico sleeve attivo per ora,
-progettato per aggiungerne altri (ognuno validato col gauntlet onesto).
-
-## Design
- **Sleeve** = una strategia validata che produce una serie di rendimenti netti per-barra
-  (datetime-indexed, CAUSALE, netto fee). Opzionale `pos_fn` per le posizioni correnti (live).
- **StrategyPortfolio**: porta ogni sleeve su griglia GIORNALIERA comune (compounding intra-giorno
-  → mixa TF diversi in modo coerente), combina per PESO rinormalizzato sui giorni comuni
-  (= equal-capital-by-weight ribilanciato di continuo). Metriche FULL + HOLD-OUT 2025-26 (bloccato)
-  + per-anno + standalone per-sleeve, vs benchmark buy&hold 50/50.
- **Estensibilità**: aggiungere uno sleeve = una riga in `src/portfolio/sleeves.active_sleeves`
-  (dopo validazione: research_lab + hold-out + cross-asset + causality guard). Niente sleeve non validati.
-
-## Stato attuale (1 sleeve = TP01, peso 100%)
-`scripts/portfolio/run_portfolio.py`:
- **FULL** Sharpe 1.30 / ret +201% / DD 14.3% / ~€1.52/g su 2k (n=2655 giorni 2019-2026)
- **HOLD-OUT 2025-26** Sharpe 0.31 / +3.5% / DD 7.5%  (buy&hold 50/50: Sharpe −0.32 / −39% / DD 59%)
- Per-anno positivo quasi ovunque (2022 −2.1%, 2026-YTD −0.7%)
- Posizione corrente: **flat** (TP01 in cash nel regime attuale = difensivo)
-
-## File
- `src/portfolio/{__init__,portfolio,sleeves}.py`, `scripts/portfolio/run_portfolio.py`,
-  `tests/test_portfolio.py` (6 test, passano). CLAUDE.md aggiornato.
-
-## Prossimo
-Il portafoglio è pronto per ospitare nuovi sleeve. Candidati naturali (da validare prima):
-un secondo edge scorrelato a TP01 (TP01 è trend long-flat → serve qualcosa di diverso, es. una
-strategia che lavori quando TP01 è flat). Finché non c'è un secondo edge che regge il gauntlet,
-il portafoglio = TP01 difensivo. Quando arriverà, basta una riga in sleeves.py.
@@ -1,43 +0,0 @@
-# 2026-06-19 — TP01: look-ahead ffill mixed-TF, ri-verifica e adozione bassa frequenza (>=12h)
-
-Segnalazione utente/agente: un look-ahead **ffill MIXED-TIMEFRAME su barre open-labeled**
-(`resample(label="left")`) gonfiava il 4h a Sharpe ~1.60; il risultato reale è ~1.1.
-Conclusione: **NON scendere sotto le 12h** — costi e overfitting dominano.
-
-## Cosa ho verificato (`scripts/analysis/tp01_lowfreq.py`)
-Ricalcolo TP01 PULITO **per singolo TF** (barre discrete, posizione shiftata +1, NESSUN
-ffill/combine mixed-TF), con un **guard di causalità esplicito** (ricalcolo `target_series` su
-prefisso → `tgt[i]` invariato). Esito (fee 0.10% RT, hold-out 2025-26 bloccato):
-
-| TF | leak | FULL Sh | FULL ret | HOLD Sh | HOLD ret | HOLD DD |
-|---|---|---|---|---|---|---|
-| 4h | **0** | 1.36 | +204% | 0.27 | +2.8% | 8.3% |
-| 6h | **0** | 1.42 | +217% | 0.21 | +2.1% | 7.9% |
-| 12h | **0** | 1.32 | +198% | 0.22 | +2.3% | 8.6% |
-| **1d** | **0** | 1.30 | +201% | **0.31** | **+3.5%** | 7.5% |
-| buy&hold 50/50 1d | — | 0.92 | +1671% | **−0.32** | **−39%** | 59% |
-
-## Lettura
- **Il path single-TF che ho usato in verify/stress è LEAK-FREE** (guard=0 su ogni TF): il
-  gonfiaggio 1.60 stava nel path **mixed-TF ffill** (ensemble/combine, es. trackE), NON nel
-  portafoglio single-TF. Per questo il mio 4h era 1.36 (non 1.60).
- **La conclusione "≥12h" è comunque CORRETTA e la adotto**: il FULL Sharpe è PIATTO ~1.3 da 12h
-  a 4h → scendere sotto le 12h NON dà vantaggio reale, aggiunge solo costi/turnover e rischio
-  overfit/look-ahead (lo stress mostrava il margine hold-out del 4h fragile a lag/fee). **1d è il
-  migliore**: hold-out Sharpe 0.31 (il più alto), DD 7.5%, turnover/costi minimi, leak-free.
- Allinea anche col numero dell'agente: il "reale ~1.1" è del path mixed-TF corretto; il mio
-  single-TF pulito dà ~1.3 FULL. In ogni caso **edge difensivo modesto**, non alpha.
-
-## Decisioni applicate
- **Canonica deploy → PORT LF1d** (era LF4h). `trend_portfolio.py`: docstring aggiornata + nota
-  look-ahead; aggiunti `resample_tf`/`resample_1d`, `resample_4h` marcato deprecato per il deploy.
- **Paper trader → 1d** (`paper_trend.py`: `resample_1d`, `build_bars`, etichette 1d; gira, 5 test ok).
- **CLAUDE.md**: TP01 ridescritta come DIFENSIVA, canonica ≥12h/1d, gotcha look-ahead documentato.
- **Gotcha riusabile:** mai ffill/combine MIXED-TIMEFRAME su timestamp open-labeled (`label="left"`):
-  la close del bar (nota solo a fine bar) verrebbe propagata indietro all'open-label → look-ahead.
-  Il calcolo per-singolo-TF a barre discrete (posizione +1) è sicuro; il guard prefix-recompute lo prova.
-
-## Verdetto invariato
-TP01 resta la prima strategia onesta del progetto: **difensiva** (taglia il DD ~6× vs buy&hold,
-hold-out 2025-26 positivo su entrambi gli asset), modesta nel ritorno. Deploy a **1d**, forward-only
-paper trader, prima di qualsiasi capitale reale.
@@ -1,84 +0,0 @@
-# 2026-06-19 — Verifica TP01 (branch strategy-research-2026-06) col gauntlet onesto
-
-Una ricerca PARALLELA (branch `strategy-research-2026-06`, AdrianoDev) dallo stesso baseline
-v2.0.0 ha trovato TP01 come "unica vincitrice". La mia linea (Fasi 2-3) aveva bocciato il trend
-sul hold-out 2025-26. Ho riprodotto TP01 VERBATIM (`scripts/analysis/verify_tp01.py`) e l'ho
-passato al mio gauntlet. **TP01 REGGE — la mia conclusione precedente era incompleta.**
-
-## TP01 = TSMOM 30/90/180g, **vol-target 20%**, leva cap 2x, **long-flat**, portafoglio 50/50 BTC+ETH (4h)
-
-## Esiti del gauntlet
-
-**(A) Multi-TF (4h cherry-picked?) — NO, plateau robusto:**
-| TF | FULL Sharpe | HOLD-OUT Sharpe |
-|---|---|---|
-| 15m | 0.93 | −0.31 |
-| 1h | 1.32 | +0.20 |
-| **4h** | **1.36** | **+0.27** |
-| 1d | 1.30 | +0.31 |
-1h/4h/1d danno tutti FULL ~1.3 e hold-out positivo → non è un artefatto di un singolo TF (solo il 15m, fee-sensibile, fallisce).
-
-**(C) HOLD-OUT 2025-26 (il test che ha ucciso il mio trend 1h) — TP01 PROTEGGE:**
-| | Sharpe | ret | DD |
-|---|---|---|---|
-| **TP01 portfolio** | **+0.27** | **+2.8%** | **8.3%** |
-| buy&hold 50/50 | −0.35 | **−39.4%** | 59.8% |
-
-**(D) Cross-asset nel hold-out — regge su ENTRAMBI** (BTC sleeve +2.9% Sh 0.24, ETH +2.4% Sh 0.24).
-A differenza del "vincitore" frattale (+ETH/−BTC), TP01 protegge coerentemente su BTC E ETH.
-
-**(B) Per anno:** positiva quasi ogni anno 2019-2026 (eccezioni piccole: 2022 −2.4%, 2026-YTD −0.9%),
-DD annui 1-12%. Il claim "positiva ogni anno" è lievemente ottimistico ma sostanzialmente vero.
-
-## Perché TP01 regge dove il MIO trend (Fase 3) è caduto
-La differenza chiave è il **VOL-TARGETING** (che NON avevo combinato col trend): TP01 scala
-l'esposizione ∝ 1/vol_realizzata → nel crollo 2025-26 la vol è esplosa e TP01 si è messo
-quasi in cash, schivando il drawdown. Il mio MA-cross 1h aveva esposizione fissa ed è rimasto
-long nel chop → frullato. Concorrono: TSMOM multi-orizzonte (più liscio del MA-cross), long-flat
-(niente perdite short), diversificazione 50/50. **La mia "trend = regime-luck" era vera per il
-trend NUDO; TP01 = trend + vol-target + portafoglio è un'altra cosa, e robusta.**
-
-## Cosa È onestamente TP01 (no oversell)
- **Edge DIFENSIVO, non alpha**: FULL Sharpe 1.36 vs buy&hold 0.92 — MA CAGR +16.6% vs +48.1%.
-  Su tutto il toro il buy&hold ha reso ~8x di più. Il valore di TP01 è il **DD** (13.8% vs 77.5%
-  full; 8% vs 60% nel hold-out) e la **protezione dai crash**.
- Nel hold-out 2025-26 ha fatto solo +2.8% (Sharpe 0.27, basso): ha **protetto, non profittato**.
- Un solo regime di hold-out, ma il vol-targeting è meccanico (high vol → low expo) → generalizza
-  per costruzione meglio di un timing fittato.
- Config canonica (30/90/180, vol20%, lev2x) non iper-tunata; 4h non cherry-picked (plateau).
-
-## VERDETTO
-**TP01 è la PRIMA strategia onesta e robusta del progetto post-reset.** Supera il mio gauntlet
-(hold-out positivo su entrambi gli asset, plateau multi-TF, causale, fee-aware). È modesta e
-difensiva (Sharpe ~1.3, soffitto strutturale dichiarato corretto), ma è reale: migliora il
-rischio/rendimento del buy&hold tagliando i drawdown e proteggendo nei crash. La ricerca parallela
-ha fatto centro proprio sul pezzo che la mia linea non aveva combinato (vol-target sul trend).
-
-**Raccomandazione:** integrare il branch su main (modulo `trend_portfolio.py` + paper trader),
-trattare TP01 come baseline operativa difensiva. Aspettative oneste verso il target €50/g: a
-Sharpe 1.3 / CAGR 16.6% servono molto capitale o leva (con più DD) — TP01 è un fondamento solido,
-non una scorciatoia.
-
-## STRESS-TEST (`scripts/analysis/stress_tp01.py`, integrato e rieseguito sul modulo vero)
-
-| Dimensione | Esito |
-|---|---|
-| **Sweep fee** | FULL robusto fino a **0.40% RT** (Sh 1.44→1.36→1.28→1.13). HOLD-OUT SOTTILE: +2.8%/Sh0.27 a 0.10% → ~flat (Sh 0.03) a 0.40% |
-| **Lag/slippage** | FULL robusto (1.29-1.43). HOLD-OUT si erode: lag1(4h)→Sh0.12, lag2→−0.02, lag1+fee0.20%→0.04 |
-| **Plateau parametri** | OTTIMO — target_vol/leva/orizzonti/vol_win tutti reggono o migliorano (orizzonti 20/60/120 → Sh 1.61). **NON un picco cherry-picked** |
-| **Deflated-Sharpe** | DSR **0.999** a N=10/40/100 trial → il Sharpe FULL non è artefatto di multiple-testing |
-
-**Verdetto stress (onesto):**
- **Robustezza FULL-period: FORTE.** TP01 supera fee 0.40%, lag, ampio plateau di parametri, e
-  deflated-Sharpe. NON è overfit né cherry-picked — la proprietà robusta è il **taglio del
-  drawdown** (13.8% vs 77.5% full; 8% vs 60% hold-out), invariante a tutto lo stress.
- **Edge di RITORNO nel hold-out: REALE ma SOTTILE e sensibile alla frizione.** Nel 2025-26 ha
-  schivato il crash in modo affidabile (DD 8% vs 60%) ma ha **protetto più che profittato** (+2.8%,
-  Sh 0.27), e quel sottile positivo si assottiglia a zero sotto fee2x o lag 2 barre.
-
-**Conclusione:** la proprietà **deployabile e robusta di TP01 è la PROTEZIONE del drawdown**, non
-la generazione di alpha. È una strategia difensiva genuina (prima del progetto a superare gauntlet
-+ stress), ma a basso ritorno: il valore è "Sharpe ~1.3 con DD ~6× più piccolo del buy&hold",
-non "battere il mercato". Per il capitale reale: il vol-targeting + long-flat sono meccanici e
-generalizzano; il rischio residuo è la frizione di esecuzione sul filo del sottile edge di ritorno
-nei regimi avversi → da monitorare col paper trader forward-only prima di scalare.
@@ -1,77 +0,0 @@
-# Track F — Calendar seasonality (hour-of-day / day-of-week) on BTC & ETH
-
-**Data:** 2026-06-19 · **Script:** `scripts/research/trackF_seasonality.py`
-**Dati:** Deribit mainnet certificati, BTC/ETH 1h UTC. Fee baseline 0.10% RT (`fee_side=0.0005`).
-
-## Domanda
-Esiste un edge di calendario *sistematico e tradeable* (ora del giorno, giorno della
-settimana, interazione ora×giorno) su BTC ed ETH, netto fee, OOS, per-anno, su entrambi gli asset?
-
-## Metodologia (anti-overfit, anti-leakage)
- `ret[i]=close[i]/close[i-1]-1` è noto a `close[i]`; una posizione decisa a `close[i]` guadagna
-  `ret[i+1]`. La statistica che decide il trade usa **solo barre ≤ i** (mai la barra tradata né futuro).
- **Tradeable test onesto = ADAPTIVE EXPANDING sign**: a `close[i]` guardo il bucket di calendario
-  della barra `i+1` (il clock è noto, zero look-ahead) e prendo il **segno della media passata** di
-  quel bucket (espandente, warmup-gated). Long-flat o long-short. Fee solo su `|Δposizione|`.
-  È l'analogo onesto di "tradare il seasonal": i dati scelgono il segno di ogni bucket **dal vivo**.
- Tabelle descrittive per-ora/per-giorno split IS(65%)/OOS(35%) come diagnostica.
- Regola discreta ottimizzata in-sample (entra a ora H, tieni W barre, dir migliore) mostrata solo
-  per **esporre il gap IS→OOS** (384 celle testate/asset).
- Benchmark **buy-and-hold** come controllo del long-bias.
-
-## Risultati
-
-### 1. Descrittive (bp/barra, IS vs OOS)
- **Hour-of-day:** sign-agreement IS/OOS solo **12/24 (BTC)** e **8/24 (ETH)** → caso. Le ore "US
-  close" 21:00–22:00 UTC sono positive in entrambi gli split su entrambi gli asset (l'unico pattern
-  con un minimo di coerenza), ma il resto è rumore che cambia segno tra IS e OOS.
- **Day-of-week:** più stabile. **Giovedì negativo** su BTC ed ETH in IS *e* OOS; Lun/Mer positivi.
-  Sign-agreement 6/7 (BTC), 5/7 (ETH).
-
-### 2. Adaptive expanding-sign (il test tradeable)
-| Strategia | BTC Sharpe | ETH Sharpe | Note |
-|---|---|---|---|
-| HOUR long-short | **−5.39** | **−4.04** | DD 100%. Annientata dalle fee. |
-| HOUR long-flat | −2.92 | −2.09 | DD 100%. Idem. |
-| DOW long-short | +0.64 | +0.83 | DD 82–84%, −66% nel 2022 |
-| DOW long-flat | +0.81 | +0.96 | DD 75–78%, −64/−66% nel 2022 |
-| HOUR×WEEKDAY (168 buckets) | −5.05 | −3.96 | DD 100%. Overfit puro + fee. |
-
-### 3. Il controllo che smonta il DOW — **buy-and-hold**
- BTC buy-hold: **Sharpe 0.79, CAGR 34.9%, DD 77%**  → DOW long-flat: Sh 0.81, CAGR 34.2%, DD 77.5%.
- ETH buy-hold: **Sharpe 0.84, CAGR 42.4%, DD 81%** → DOW long-flat: Sh 0.96, CAGR 52.7%, DD 74%.
- Il DOW long-flat è **long il 78% del tempo** (`mean_pos≈+0.78`). È **buy-and-hold travestito**:
-  guadagna perché crypto sale, non perché esiste un edge di giorno. Lo "skip del giovedì" aggiunge
-  pochissimo e non giustifica un deploy.
-
-### 4. Fee sweep (HOUR long-short adaptive)
-A fee **0%**: Sh +0.61 (BTC) / +0.80 (ETH) — solo long-drift. A 0.10% RT: **−5.4 / −4.0**. Turnover
-**~8.000 flip/anno** (segno orario instabile, cambia quasi ogni barra) → morte istantanea per fee.
-Le strategie hour-of-day sono ad alta frequenza per costruzione: le fee sono di prim'ordine e le
-uccidono.
-
-### 5. Regola discreta ottimizzata in-sample (trappola multiple-testing)
- BTC: best IS H=05 hold=24h dir=+1 → **IS Sh +4.25 → OOS Sh +1.47** (+3.7 bp/trade).
- ETH: best IS H=13 hold=24h dir=+1 → **IS Sh +7.35 → OOS Sh +0.90** (+3.2 bp/trade).
- Collasso IS→OOS classico. Inoltre "hold 24h dir+1" = ancora **long-bias** (entra una volta/giorno
-  e tiene 24h ≈ sempre long). Il margine OOS (~3 bp/trade su 10 bp RT) è marginale e fragile.
-
-## Multiple-testing
-199 celle di calendario/asset (24 ore + 7 giorni + 168 ora×giorno) + 384 (H,W,dir)/asset. Con così
-tante celle, bucket "significativi" spuri sono **garantiti**. Filtri applicati: segno scelto dal vivo
-su soli dati passati, deve reggere OOS, per-anno, e su **entrambi** BTC ed ETH.
-
-## Verdetto — **SPURIO / NON deployable**
- **Nessun edge di calendario netto-fee robusto** su BTC ed ETH.
- **Hour-of-day:** morto (fee + segno instabile). L'unica regolarità (US-close 21–22 UTC positiva) è
-  troppo debole e non sopravvive al turnover.
- **Day-of-week:** l'unico risultato "positivo" è **long-bias mascherato** (≈ buy-and-hold,
-  Sharpe ~0.8–0.96 < trend portfolio 1.32, DD 75–84% rovinoso, −65% nel 2022). Non è un edge
-  seasonal sfruttabile; è esposizione direzionale al drift di crypto.
- **Hour×weekday:** overfit puro (IS −3.6 → OOS −8.0).
- Coerente con la lezione del progetto: dove l'unica "direzione" che funziona è essere long, non c'è
-  alpha di timing — c'è beta. Il trend portfolio (TP01) cattura quel beta in modo vol-targeted e
-  con DD ~12%, infinitamente meglio di qualunque regola di calendario qui.
-
-**Azione:** track F chiuso negativo. Non aggiungere nulla al portafoglio. Il soffitto Sharpe ~1.3 su
-BTC/ETH regge.
@@ -1,85 +0,0 @@
-# Track G — Prior-period level breakouts / range (BTC & ETH, calendar-anchored)
-
-**Data:** 2026-06-19 · **Script:** `scripts/research/trackG_prior_levels.py`
-**Harness:** `src/backtest/harness.py` (honest, entry decided at `close[i]`, fill `close[i]`).
-
-## Domanda
-
-Esistono edge net-positivi OOS, robusti su BTC **e** ETH, definiti rispetto a un **periodo
-calendario precedente** (giorno/settimana/opening-range)? E soprattutto: i breakout di livello
-**continuano** (trend) o **rientrano** (fade)?
-
-## No look-ahead (garanzie)
-
- Livelli prior-day/week costruiti aggregando a barre giornaliere/settimanali (UTC) e poi
-  **`shift(1)`** sul frame del periodo *chiuso*: il periodo corrente vede solo il precedente
-  totalmente chiuso. Mai "oggi"/"questa settimana" nel livello.
- Opening-range usato **solo** sulle barre dopo la chiusura della finestra di apertura.
- Direzione + prezzo decisi a `close[i]`, fill a `close[i]`. Mai entry sul livello esatto intrabar.
- Bug iniziale corretto: mismatch tz-aware vs tz-naive nel mapping dei livelli (dava 0 trade).
-
-## Risultati (1h, fee 0.10% RT, leva 1x, OOS 65/35)
-
-### Continuation vs FADE — il verdetto è netto
-
-| Regola (PD = prior-day) | BTC OOS | ETH OOS | Sharpe OOS |
-|---|---|---|---|
-| **PD-high CONT (long su rottura max ieri)** | **+25%** | **+16%** | +0.5 / +0.3 |
-| PD-high FADE | **−68%** | **−68%** | −1.6 / −1.2 |
-| PD-low CONT (short su rottura min ieri) | −33% | −60% | −0.5 / −0.8 |
-| PD-low FADE | −36% | −8% | −0.6 / +0.1 |
-
- **I breakout CONTINUANO, non rientrano.** Il lato FADE è robustamente **negativo** su entrambi
-  gli asset (sia high che low), su prior-day, prior-week e opening-range. Conferma diretta della
-  tesi del reset: la mean-reversion / fade è morta su dati certificati.
- **Asimmetria long-only:** funziona solo la rottura del **massimo** (long), non quella del
-  **minimo** (short). Cioè non è un edge di breakout *simmetrico/direzione-neutro*: è cattura del
-  **drift/trend rialzista** del cripto. La PD-low-cont (short sui breakdown) perde perché in questo
-  campione il cripto sale.
-
-### Grid robustness (PASS 6) — survivor = OOS>0 su ENTRAMBI
-
- **PD-high CONT: 3/3 celle** (buffer 0/0.1%/0.3%) positive OOS su BTC **e** ETH → robusto al buffer.
- PD-high fade, PD-low cont/fade, OR-fade: **0 survivor**.
- **OR-cont:** positiva solo su ETH, negativa su BTC su tutte le finestre (3/6/8/12h) → artefatto
-  mono-asset, scartato dalla regola "entrambi".
-
-### Anchor-hour sweep (PASS 5) — non è un'ora fortunata
-
-PD-high cont positiva su **21/24** ore UTC (BTC) e **20/24** (ETH). Non dipende da un singolo
-anchor → coerente con un edge reale (ma vedi sotto: è beta di trend).
-
-### Fee sweep + per-anno (PD-high cont, full sample)
-
-```
-BTC  RT%: 0.00→+571  0.05→+289  0.10→+126  0.15→ +31  0.20→ −24   (OOS: +84/+52/+25/+3/−15)
-ETH  RT%: 0.00→+1754 0.05→+1012 0.10→+567  0.15→+299 0.20→+139   (OOS: +67/+39/+16/−3/−19)
-BTC per-anno: 2019 +39  2020 +104  2021 +7  2022 −42  2023 +24  2024 +27  2025 −16  2026 +3
-ETH per-anno: 2020 +164 2021 +160 2022 +7  2023 +1   2024 +12  2025 −4  2026 +7
-Sharpe full: BTC +0.48 (maxDD 55%, €/d 2k +0.88) · ETH +0.86 (maxDD 34%, €/d 2k +4.27)
-```
-
- **Fee-fragile:** alla baseline 0.10% RT sopravvive (OOS +25/+16%), ma muore già a ~0.15-0.20% RT.
-  Margine di fee sottile (≈1.5x baseline e l'edge sparisce su OOS). ~1000-1100 trade in 8 anni.
- **Drawdown enormi** (BTC 55%) e anni negativi (2022 −42% BTC, 2025 −16%).
-
-## Verdetto
-
- **Sì, esiste un edge net-positivo OOS su entrambi gli asset:** *PD-high continuation* (long
-  quando `close` supera il massimo di ieri, exit a fine giornata UTC). Robusto al buffer e
-  all'anchor-hour. **MA non è deployabile come miglioramento:**
-  1. È **long-only drift capture**, non un breakout simmetrico (il lato short fallisce) → è una
-     versione **più debole e ridondante** del Trend Portfolio TP01 (Sharpe 0.48-0.86 vs 1.32).
-  2. **Fee-fragile** (muore a ~1.5x la fee baseline) e con **drawdown** molto peggiori.
- **Il contributo scientifico vero è la conferma della direzione:** sui dati certificati i
-  breakout di livello-calendario **CONTINUANO**; il fade è morto (negativo robusto su PD/PW/OR,
-  entrambi gli asset). Nessuna sorpresa mean-reversion nascosta nei livelli giornalieri/settimanali.
- **Niente di nuovo da mettere in produzione.** TP01 resta la strategia vincente; i breakout
-  prior-period non aggiungono Sharpe (stessa beta di trend, peggio eseguita).
-
-## Come riprodurre
-
-```bash
-uv run python scripts/research/trackG_prior_levels.py            # full (1h + 15m, ~25s)
-uv run python scripts/research/trackG_prior_levels.py --quick    # 1h only
-```
@@ -1,71 +0,0 @@
-# Track H — Volume, Range & Volatility-Regime signals (BTC/ETH, certified, >=12h)
-
-**Date:** 2026-06-19
-**Script:** `scripts/research/trackH_volume_vol.py` (runnable, self-contained)
-**Question:** does any volume / range / volatility-regime signal ADD to the deployed winner
-TP01 (vol-targeted trend portfolio, 12h, Sharpe ~1.32) — i.e. net-positive OOS on BOTH BTC &
-ETH AND uncorrelated (|corr|<~0.3) — OR work as a regime filter that lifts TP01's Sharpe / cuts
-its DD?
-
-## Method (honest)
- Same causal per-bar engine as `TrendPortfolio.net_returns`: build a continuous TARGET decided
-  with data `<= close[i]`, HOLD it during bar `i+1` (`pos_held[t]=target[t-1]`), gross = pos×ret,
-  fee on `|Δpos|`. Identical in spirit to `harness.backtest_signals` (decide≤close[i], fill at
-  close[i]); two discrete signals cross-checked through `backtest_signals` directly.
- All features (volume z-score, OBV, ranges, realized vol) use prior/rolling windows shifted so
-  bar `i` sees only `<= i`. 12h/1d resampled from certified 1h via `resample_tf` (label='left'),
-  consumed index-based with the +1 hold → no open-label leak.
- Fee 0.10% RT baseline + sweep 0.00–0.40% RT. OOS 65/35 + per-year. Grid on BOTH assets.
-  Turnover and correlation-to-TP01 reported for every signal.
- **>=12h only** (12h + 1d). Sub-12h excluded per the standing lesson (fees + HF-noise overfit +
-  the 4h open-label look-ahead trap).
-
-## Signals tested
-VT-long (volatility-managed long), VolBreakout (volume-z-confirmed Donchian), OBV-trend,
-VW-mom (volume-weighted momentum), RangeExpand (range-expansion breakout), NR7-break
-(narrowest-range breakout), DeclVolRev (declining-volume fade/reversal). Plus regime overlays on
-TP01: keep-low-vol, keep-high-vol, vol-managed ×1.5, OBV-up confirmation.
-
-## Results (12h headline, fee 0.10% RT)
-| signal | corr→TP01 | OOS Sharpe BTC/ETH | note |
-|---|---|---|---|
-| VT-long | 0.66 / 0.69 | 0.80 / 0.14 | trend-in-disguise; weak OOS ETH |
-| VolBreakout | 0.69 / 0.71 | 0.54 / 0.49 | profitable but correlated |
-| OBV-trend | 0.61 / 0.63 | 0.96 / 0.68 | profitable but correlated; turnover ~75/yr |
-| VW-mom | 0.64 / 0.67 | 0.98 / 0.74 | basically TSMOM; correlated |
-| RangeExpand | 0.48 / 0.49 | 0.37 / 1.04 | lower corr but BTC weak; ETH negative on 1d |
-| NR7-break | 0.48 / 0.49 | 0.79 / 0.02 | fails OOS on ETH |
-| DeclVolRev | -0.15 / -0.11 | -1.15 / -0.44 | **negative even at zero fee** |
-
-Grid robustness (12h, % cells positive full+OOS on both assets): VW-mom 100%, VT-long 100%,
-VolBreakout 96%, RangeExpand 96%, OBV-trend 75% — but the robust ones are precisely the ones
-that are highly correlated to TP01. Fee sweep: trend-family signals survive to 0.40% RT;
-DeclVolRev gets worse with fees (it trades constantly).
-
-## Regime filters on TP01 (12h, 50/50 portfolio)
-| variant | full Sharpe | OOS Sharpe | maxDD | CAGR | turn/y |
-|---|---|---|---|---|---|
-| **TP01 baseline** | **1.32** | 0.90 | 13.3% | 16.2% | 11.5 |
-| × keep LOW-vol | 0.94 | 1.11 | 14.1% | 7.7% | 9.5 |
-| × keep HIGH-vol | 0.98 | 0.18 | 9.9% | 7.9% | 4.9 |
-| × vol-managed ×1.5 | 1.33 | 0.96 | 17.9% | 18.1% | 15.4 |
-| × OBV-up only | 1.49 | 1.04 | 10.1% | 14.4% | 18.2 |
-
-OBV-up filter across EMA span: full Sharpe 1.49–1.52 (span 15–30), DD 7–10%, but OOS gain is
-marginal (0.90→1.04 at span 30) and fades for span≥45 (OOS 0.69–0.73). It cuts ~2pp CAGR and
-raises turnover ~60%.
-
-## Verdict (honest)
- **No uncorrelated additive edge exists.** Every *profitable* volume/range/vol signal is trend
-  in disguise (corr 0.61–0.75 to TP01) → cannot raise the 50/50 portfolio Sharpe. The genuinely
-  lower-corr signals (RangeExpand, NR7 ~0.48) fail OOS on at least one asset.
- **Mean-reversion / declining-volume fade is dead** — negative net AND at zero fee on both
-  assets. Reconfirms the v2.0.0 contamination lesson; MR is not a real edge on certified data.
- **Vol-regime gating hurts** (keep-low / keep-high both drop Sharpe to ~0.95). The vol-managed
-  overlay is Sharpe-neutral but DD-worse.
- **The only non-harmful overlay is OBV-up trend-confirmation:** it cuts DD (13.3%→10.1%) and
-  nudges full Sharpe to ~1.49, but it is trend double-confirmation (de-risking), not new alpha;
-  it costs CAGR, raises turnover, and the OOS Sharpe gain is within noise and span-sensitive. It
-  is worth keeping in mind as a **defensive DD overlay**, not as a Sharpe improver.
- **Bottom line:** the ~1.3 portfolio-Sharpe ceiling on BTC/ETH-only **holds**. TP01 stays the
-  deployable winner. Volume/range/vol add nothing uncorrelated.
@@ -1,99 +0,0 @@
-# Track I — Alternative momentum formulations + long-horizon reversal (2026-06-19)
-
-**Script:** `scripts/research/trackI_momentum_reversal.py` (self-contained, runnable).
-**Universe:** BTC & ETH only. **TF:** 12h + 1d (sub-12h excluded by rule). **Harness:** identical
-honest machinery to TP01 — direction decided `<= close[i]`, positions held next bar (`pos_held[1:]
-= tgt[:-1]`), vol-target by inverse PAST-ONLY realized vol (target 20%, lev cap 2x), NET fee 0.10%
-RT on turnover, 50/50 BTC+ETH. OOS 65/35 + per-year + fee sweep (0.00–0.40% RT). Correlation to
-TP01 net returns reported for every candidate.
-
-## Goal
-(A) A momentum formulation that BEATS or DIVERSIFIES the canonical 1-3-6m sign-blend (TP01,
-Sharpe ~1.32). (B) Does the classic LONG-HORIZON REVERSAL (fade ~12m winners) give an
-uncorrelated positive overlay?
-
-## PART A — momentum formulations (12h, long-flat, vs TP01 Sharpe 1.32 / OOS 0.90 / DD 13.3%)
-
-| formulation | Sharpe | IS | **OOS** | CAGR | maxDD | corr→TP01 | BTC | ETH |
-|---|---|---|---|---|---|---|---|---|
-| baseline sign-blend 1-3-6m | 1.32 | 1.54 | 0.90 | +16% | 13.3% | 1.00 | 1.15 | 1.10 |
-| (i) z-score cum-return (tanh) | **1.35** | 1.63 | 0.85 | +12% | **8.4%** | 0.96 | 1.30 | 1.00 |
-| (ii) risk-adjusted momentum | 1.27 | 1.49 | 0.84 | +13% | 9.5% | 0.97 | 1.21 | 1.00 |
-| (iii) EMA-cross trend | 0.81 | 0.91 | 0.62 | +11% | 25.1% | 0.85 | 0.89 | 0.53 |
-| (iii-b) MACD (calendar spans) | **1.50** | **1.87** | 0.74 | +22% | 17.7% | 0.69 | 1.30 | 1.32 |
-| (iv) Donchian breakout | 1.10 | 1.36 | 0.57 | +17% | 25.0% | 0.86 | 1.08 | 0.82 |
-| (v) acceleration (Δ-momentum) | 1.28 | 1.82 | 0.35 | +14% | 14.2% | 0.66 | 1.25 | 0.81 |
-| (vi) 12-1 skip momentum | 0.67 | 0.79 | 0.47 | +9% | 24.5% | 0.68 | 0.70 | 0.49 |
-
-Results are essentially identical at 1d. Read-out:
-
- **Nothing cleanly beats the sign-blend OOS on both assets.** The headline-Sharpe leaders are
-  artefacts of in-sample fit: **MACD** posts IS 1.87 but OOS collapses to 0.74 (gap = overfit) with
-  a worse DD (17.7%); **acceleration** IS 1.82 → OOS **0.35** (worst OOS decay of all). Both fail.
- **(i) z-score continuous momentum** is the one mild, honest refinement: Sharpe 1.35 (≈baseline)
-  but **maxDD 8.4% vs 13.3%** — the continuous score scales down position when the cumulative move
-  is statistically small, de-risking the tails. OOS 0.85 (slightly below baseline 0.90), CAGR drops
-  16%→12%. It's a smoother sibling of TP01, **not a new edge** (corr 0.96).
- (vi) 12-1 skip (classic equity "12-1" momentum) **does NOT help crypto**: skipping the recent
-  month removes the strongest part of the signal here → Sharpe 0.67, corr 0.68. Crypto momentum
-  lives in the recent window, opposite to the equity stylised fact.
- Breakout/Donchian and EMA-cross are strictly worse (high DD, weak OOS).
-
-## PART B — long-horizon reversal (fade past winners), 12h
-
-Long-short reversal (short ~12/18/24m winners, long losers, vol-targeted):
-
-| reversal LS | Sharpe | OOS | CAGR | maxDD | corr→TP01 |
-|---|---|---|---|---|---|
-| 12m | -0.77 | -1.15 | -14% | 73% | -0.51 |
-| 18m | -0.36 | -0.75 | -8% | 58% | -0.47 |
-| 24m | **+0.04** | -0.07 | -1% | 43% | **-0.32** |
-| 12-18-24m | -0.46 | -0.72 | -8% | 57% | -0.54 |
-
- **Long-horizon reversal is NOT a standalone edge.** Standalone it LOSES money (12m/18m strongly
-  negative; only 24m is ~flat at Sharpe 0.04, OOS −0.07, and even that fails "net-positive OOS on
-  both assets": BTC +0.10 / ETH −0.03). Fading crypto winners over a year just shorts the trend.
- It IS genuinely negatively correlated to TP01 (24m: corr −0.32; 12-18-24: −0.54), as expected
-  (it's the opposite sign of medium-term momentum).
- **Momentum + reversal blend** (long 1-6m momentum, brake on very-long extension): the variant
-  `mom(1-3-6) − 0.5·rev(12-24)` is the most interesting single-strategy result — Sharpe **1.38**,
-  **OOS 0.98** (> baseline 0.90), **maxDD 10.6%** (< 13.3%), both assets positive (BTC 1.25/ETH
-  1.05), corr 0.91, fee-robust (1.43→1.22 across 0.00–0.40% RT). CAGR drops 16%→12%. It is TP01
-  with a long-term-extension brake: a modest *risk-adjusted* improvement, not more return.
-
-## COMBINED — TP01 + best diversifier (blend net returns)
-
-TP01 alone: Sharpe 1.321, CAGR +16%, maxDD 13.3%, OOS 0.90.
-
-| combo | Sharpe | CAGR | maxDD | OOS | corr |
-|---|---|---|---|---|---|
-| TP01 + 20% reversal-24m (LS) | **1.411** | +13% | 11.5% | **1.06** | -0.32 |
-| TP01 + 30% reversal-24m (LS) | 1.366 | +12% | 11.8% | 1.06 | -0.32 |
-| TP01 + 20% reversal-12-18-24 (LS) | 1.350 | +11% | 10.6% | 0.84 | -0.54 |
-| TP01 + 50% z-score | 1.348 | +14% | 9.5% | 0.89 | +0.96 |
-
- Adding a small slice of **reversal-24m long-short** lifts portfolio Sharpe 1.32→1.41 and OOS
-  0.90→1.06 while cutting DD to 11.5%. **But be skeptical:** the overlay is a ~zero-mean stream
-  (standalone Sharpe 0.04). The benefit is almost entirely **variance reduction from the negative
-  correlation, not added alpha** — and it COSTS return (CAGR 16%→13%). With a true-zero-edge
-  diversifier this Sharpe bump is fragile (it leans on the −0.32 correlation persisting OOS, and the
-  OOS sample is one 2022-24 crypto cycle). I would NOT deploy capital on a standalone-losing sleeve
-  to chase a 0.09 Sharpe point that is really de-risking.
-
-## Fee sweep (12h portfolio Sharpe)
-baseline 1.37→1.18, z-score 1.38→1.24, MACD 1.52→1.45 (lowest turnover), blend 1.43→1.22,
-reversal-24m 0.07→−0.02 (0.00→0.40% RT). All trend formulations survive realistic fees; reversal
-has no positive margin to survive on.
-
-## VERDICT (honest)
- **Is there a momentum formulation that beats the 1-3-6m sign-blend? No — not OOS, not on both
-  assets.** MACD/acceleration look better in-sample but decay OOS (overfit + higher DD). The only
-  honest refinement is **continuous z-score momentum**, which matches the Sharpe with materially
-  lower drawdown (8.4% vs 13.3%) — a smoother variant of the SAME edge, not a new one (corr 0.96).
- **Does long-horizon reversal give an uncorrelated positive overlay? No, not a real one.** It is
-  uncorrelated/negatively-correlated (good) but **not positive** standalone (it loses, or at best is
-  flat at 24m and fails the both-assets bar). The combined-Sharpe lift (→1.41) is variance reduction
-  from a near-zero-mean stream and sacrifices CAGR — fragile, not bankable alpha.
- **The ~1.3 structural Sharpe ceiling on BTC/ETH-only holds.** TP01 remains the deployable winner.
-  If anything, swap the sign-blend for the **z-score continuous score** (or the `mom − 0.5·rev`
-  brake) for a lower-DD profile at equal Sharpe — a risk-management tweak, not a return upgrade.
@@ -1,28 +0,0 @@
-# 2026-06-19 — Strato trend multi-asset sui 52 alt: RIDONDANTE col trend di TP01
-
-Tentativo: aggiungere un terzo sleeve = TSMOM (stessa logica TP01 CANONICAL, long-flat vol-target)
-applicato a OGNI alt dei 52 Hyperliquid certificati, equal-weight ragged. Idea: trend più
-diversificato che diversifichi TP01 (BTC/ETH). `scripts/portfolio/trend_multiasset.py`.
-
-## Esito: ridondante e peggiore
- **TREND-52 standalone**: FULL Sh 0.66, **HOLD-OUT −1.03** (negativo), anni+ 33%. Gli alt sono
-  stati long nel calo 2025-26 e hanno sanguinato — a differenza di TP01 (BTC/ETH) che il
-  vol-target+trend portò in cash. I trend degli alt sono più rumorosi/whippy.
- **corr a TP01 = +0.74** (stessa beta direzionale, come previsto) | corr a XS01 −0.05.
- **Contributo al portafoglio (TP01 70 + XS 30):** +TREND-52 w20% → FULL −0.01, **HOLD −0.16**;
-  w30% → FULL −0.02, **HOLD −0.27**. PEGGIORA.
-
-## Lezione
-Broadenizzare il TREND su molti alt NON diversifica: è la **stessa direzionalità** (corr 0.74 con
-TP01) su asset più rumorosi → aggiunge perdita/rumore, non edge. La dimensione trend è già catturata
-in modo pulito da TP01 (BTC/ETH, vol-targeted). L'unica espansione che diversifica davvero resta
-quella **market-neutral** (XS01 cross-sectional), perché è ortogonale alla beta direzionale.
-
-## Conclusione (chiusura del filone "espansione universo")
-Esplorate tutte le vie di espansione sui certificati Hyperliquid:
-1. XS su 52-all → diluito (memecoin), negativo.
-2. XS top-liquidità dinamico → peggiore del fisso-19 (liquidità ≠ qualità).
-3. Trend multi-asset su 52 → ridondante (corr 0.74) + hold-out negativo.
-Nessuna migliora il portafoglio. **Configurazione validata e invariata: TP01 70% + XS01 (19 major)
-30% — FULL Sh 1.41 / HOLD 1.15.** I margini reali per crescere NON sono nell'universo crypto-
-direzionale (saturo), ma in un MECCANISMO diverso (opzioni VRP, in attesa di dati di stress reali).
@@ -1,35 +0,0 @@
-# 2026-06-19 — Affinamento XS01: blend di lookback [30,90]
-
-Come TP01 fonde gli orizzonti 30/90/180, XS01 ora fonde piu' lookback del momentum cross-sectional
-(z-score cross-sectional per lookback, mediato) invece del singolo L=30. `scripts/portfolio/xsec_blend.py`.
-
-## Sweep lookback (19 major, 899g) — FULL/OOS/DD/anni+/corrTP
-| lookbacks | FULL | OOS25 | DD% | anni+ | corrTP |
-|---|---|---|---|---|---|
-| [30] (prima) | 0.80 | 1.20 | 21 | 100% | −0.06 |
-| [90] | 0.88 | 0.90 | 17 | 100% | −0.05 |
-| **[30,90]** | **1.10** | **1.03** | **14** | **100%** | **−0.12** |
-| [20,40,90] | 0.51 | 0.67 | 25 | 100% | −0.12 |
-| [30,60,120] | 0.68 | 0.74 | 16 | 100% | −0.13 |
-
-**[30,90] e' il sweet spot**: fonde i DUE singoli robusti (30 e 90), FULL Sh 0.80→1.10, DD 21→14%,
-corr a TP01 −0.06→−0.12 (diversifica meglio), 100% anni+. Non e' un cell fortunato: e' la
-combinazione dei due lookback gia' validati (anti-overfit, come il multi-orizzonte di TP01).
-
-## Effetto sul portafoglio (TP01 70% + XS01 30%)
-| | XS01 [30] | XS01 blend [30,90] |
-|---|---|---|
-| XS01 standalone FULL / DD | 0.80 / 21% | **1.10 / 14%** |
-| Portafoglio FULL Sharpe | 1.41 | **1.48** |
-| Portafoglio HOLD-OUT Sharpe | 1.15 | 1.06 |
-| Portafoglio DD | 5.2% | **4.6%** |
-| ~€/giorno (2k) | +1.65 | +1.78 |
-
-Migliora FULL Sharpe + DD + robustezza (due orizzonti) al costo di un hold-out marginalmente piu'
-basso (−0.09, dentro il rumore di una singola finestra). Giudizio: il blend e' piu' robusto
-(meno dipendente da un singolo lookback) e diversifica meglio -> PROMOSSO.
-
-## Azione
-`src/portfolio/sleeves.XS_CFG`: `L=30` -> `lookbacks=(30,90)`; engine `_xsec_returns` usa lo score
-blended (media z-score cross-sectional per lookback). **Portafoglio attivo: TP01 70% + XS01 blend
-30%, FULL Sh 1.48 / HOLD 1.06 / DD 4.6%.** 12 test ok. Sleeve sempre sui 19 major.
@@ -1,44 +0,0 @@
-# 2026-06-19 — Affinamento XS01: gate di dispersione (p30)
-
-Il momentum cross-sectional vive nella DISPERSIONE (winners/losers distanti). In regime compatto
-(tutti gli asset insieme) e' rumore. Gate: entra solo se la dispersione cross-section del momentum
-supera il percentile ESPANDENTE causale `disp_pct`; altrimenti flat. Sul blend [30,90] dei 19 major.
-`scripts/portfolio/xsec_dispgate.py`. (È il concetto del vecchio XS01 pre-reset, disp_min=p50.)
-
-## Sweep soglia (19 major, 899g) — XS01 standalone + contributo portafoglio
-| soglia | XS FULL | XS OOS | PORT FULL | PORT HOLD | %flat |
-|---|---|---|---|---|---|
-| no gate | 1.10 | 1.03 | 1.50 | 1.06 | 0% |
-| p15 | 1.32 | 1.39 | 1.64 | 1.36 | 28% |
-| p20 | 1.46 | 1.63 | 1.72 | 1.52 | 31% |
-| p25 | 1.46 | 1.63 | 1.72 | 1.52 | 31% |
-| **p30** | **1.50** | **1.71** | **1.74** | **1.56** | 35% |
-| p35 | 1.60 | 1.90 | 1.81 | 1.69 | 37% |
-| p40-p50 | 1.0 | 0.8 | 1.36-1.38 | 0.77-0.93 | 42-49% |
-
-**PLATEAU robusto p15-p35** (cinque punti, tutti molto > no-gate); il crollo a p40+ e' OVER-gating
-(salta troppo). Scelto **p30** (centro sicuro del plateau, lontano dal cliff p40). Non un knife-edge.
-
-## Effetto sul portafoglio (TP01 70% + XS01 30%)
-| XS01 | PORT FULL | PORT HOLD | PORT DD |
-|---|---|---|---|
-| [30] originale | 1.41 | 1.15 | 5.2% |
-| + blend [30,90] | 1.48 | 1.06 | 4.6% |
-| + dispersion gate p30 | **1.55** | **1.55** | **4.4%** |
-
-XS01 standalone: FULL 1.10→1.50, HOLD 1.03→1.71, DD 14%→10.8%, ~€/g 1.64→2.36. Il gate alza SIA
-FULL SIA hold-out (a differenza del solo blend, che barattava un po' di hold-out).
-
-## Meccanismo + caveat onesti
- **Causale**: soglia = percentile espandente della dispersione PASSATA; nessun look-ahead.
- **Perche' funziona**: tiene XS attivo nei regimi DISPERSI (2025-26, dove gli alt divergono) e flat
-  nei bull compatti (2024). L'hold-out 2025-26 e' ad alta dispersione -> il gate concentra
-  l'attivita' di XS proprio li' -> hold-out forte. E' il comportamento voluto, ma NB che il salto
-  del hold-out riflette anche che il 2025-26 e' stato un regime ad alta dispersione.
- Caveat XS01 invariati: storia ~2.5 anni; STAT-MODE (book 19 gambe non eseguibile a 2k).
-
-## Azione
-`src/portfolio/sleeves.XS_CFG`: aggiunto `disp_pct=30`; engine `_xsec_returns` gatea su dispersione.
-**Portafoglio attivo: TP01 70% + XS01 (blend [30,90] + gate disp p30) 30% — FULL Sh 1.55 / HOLD 1.55
-/ DD 4.4%.** 12 test ok. Affinamenti del SEGNALE (blend + gate) hanno funzionato dove l'espansione
-universo no: i margini su XS sono nella struttura del segnale, non nel numero di asset.
@@ -1,62 +0,0 @@
-# 2026-06-19 — Espandere l'universo XS01: PIÙ asset DILUISCONO (i 19 major sono il sweet spot)
-
-Richiesta: aggiungere altri asset Hyperliquid certificati per rafforzare XS01 (cross-sectional
-momentum). Fatto il lavoro, esito ONESTO: **non rafforza — diluisce.**
-
-## Cosa ho fatto
- Esteso `fetch_hyperliquid.py` a ~54 candidati alt maggiori (mappa Binance auto SYM/USDT, k-prefissi
-  esclusi). **52 certificati** (cross-venue 4-11 bps vs Binance, flat 0%, storia 2024+): aggiunti
-  ATOM DYDX APE CRV LDO STX GMX SNX BCH COMP WLD UNI TRX FIL RUNE ENA ORDI JUP WIF PYTH FET AR ETC
-  ALGO GALA SAND AXS DOT BLUR JTO PENDLE ONDO TAO. Esclusi MKR (delistato HL 2025-09) e FXS
-  (migrazione Frax 2026-01) via nuovo gate "ultima barra recente".
-
-## Il finding: il cross-section dei 52 è NEGATIVO; i 19 major sono positivi
-Stessa finestra (2024-04 → 2026-06, 807g), mom L*/H10:
-
-| Universo | k | FULL Sharpe (L30/L60/L90) |
-|---|---|---|
-| **52 asset** | 5 | −0.13 / −0.21 / −0.35 |
-| **52 asset** | 8-12 | tutti negativi (k grande non aiuta) |
-| **19 major** | 5 | +0.30 / +0.36 / **+0.67** (OOS 0.91) |
-
-I ~33 small/new-cap aggiunti (WIF, JUP, ORDI, PYTH, TAO, GALA, AR, BLUR…) sono idiosincratici/
-mean-reverting: il loro rumore **rovescia** il momentum relativo. Cross-sectional momentum su crypto
-funziona fra i MAJOR liquidi, non sul long tail. Allargare l'universo NON è gratis.
-
-## Azione
- **XS01 resta sui 19 major** (sweet spot già validato: plateau/fee/subset). Lo sleeve
-  `_xsec_returns` ora usa una **lista esplicita `XS_UNIVERSE` (19)**, non più glob-all (così
-  aggiungere parquet certificati non lo cambia/rompe — avevo inavvertitamente fatto vedere allo
-  sleeve 52 asset = negativo).
- I 52 parquet certificati restano su disco: dato valido per ricerca futura (uno strato diverso —
-  es. trend-following multi-asset, o un XS ristretto ai top-liquidità — potrebbe usarli), ma NON XS01.
- Portafoglio invariato e ripristinato: **TP01 70% + XS01 30%, FULL Sh 1.41 / HOLD 1.15.**
-
-## Lezione
-"Più asset = più robusto" è FALSO per il cross-sectional momentum: il long tail di alt piccoli
-diluisce/inverte l'edge. La breadth utile è quella dei major liquidi (corr-strutturata), non il
-numero grezzo.
-
-## Tentativo 2: UNIVERSO TOP-LIQUIDITÀ DINAMICO (`xsec_dynuniverse.py`) — anch'esso PEGGIORE
-Provato a selezionare a ogni ribilancio i top-N per dollar-volume 30g (causale) dai 52, poi XS
-momentum fra quelli (adattivo, ragged-aware). Esito:
-
-| Universo | FULL Sh | OOS25 | anni+ |
-|---|---|---|---|
-| top12 dinamico (L30H10k5) | 0.65 | 0.54 | 67% (2026 −4%) |
-| top15/20/25 dinamico | 0.14-0.38 | ≤0.30 | 33-67% |
-| **fisso-19 major (L30H10k5)** | **0.80** | **1.20** | **100%** |
-| fisso-19 major (L90H10k5) | 0.88 | 0.90 | 100% |
-Contributo: TP01+DYN 70/30 = FULL 1.10 / HOLD 0.60 vs **TP01+XS19 = FULL 1.25 / HOLD 1.15**.
-
-**Perché fallisce:** la classifica per dollar-volume ammette comunque i MEMECOIN ad alto volume
-(WIF, ORDI, JUP, PEPE...) che hanno volumi enormi ma momentum erratico/mean-reverting →
-diluiscono. **Liquidità ≠ qualità** nelle crypto. I 19 major *curati* (established, corr-strutturati,
-non solo alto volume) restano il sweet spot.
-
-## Conclusione
-Né più nomi (52) né top-liquidità dinamico migliorano XS01. **XS01 resta sui 19 major curati**
-(FULL 0.80 / OOS 1.20, 100% anni+). Portafoglio invariato: TP01 70% + XS01 30% (FULL 1.41/HOLD 1.15).
-Per rafforzarlo davvero servirebbe una curatela di QUALITÀ (established majors), che è già ciò che i
-19 sono. Coerente con la disciplina: nessuna espansione senza che migliori il gauntlet. I 52 parquet
-certificati restano per ricerca futura (es. trend multi-asset, dove il long tail non diluisce).
@@ -1,86 +0,0 @@
-# 2026-06-20 — Correzione estrazione cerbero MCP: il backfill sintetico (vol=0) ingannava la certificazione
-
-## Contesto
-
-Richiesta: "analizza cerbero MCP correggendo l'estrazione dati storici secondo le analisi fatte".
-Le analisi del progetto avevano già fissato un principio — *"storia nativa Hyperliquid solo dal 2024,
-pre-2024 = backfill, volume 0"* — e `fetch_hyperliquid.py` lo gestiva con un floor `START=2024-01-01`.
-**Il floor non basta.**
-
-## Il difetto
-
-`fetch_hl` chiedeva a cerbero MCP `get_historical` dal 2024-01-01 e certificava ogni asset con tre
-gate: **flat-bar** (O==H==L==C), **cross-venue** (mediana |close − Binance| < 60 bps), **recency**.
-Nessuno guardava il **volume**. Risultato: gli asset listati su HL *dopo* lo START passavano come
-PULITO pur essendo in gran parte **backfill sintetico**.
-
-Ispezione del volume sui parquet (leading run di barre a volume 0):
-
-| asset | barre | leading vol=0 | primo trade reale | % sintetico |
-|---|---|---|---|---|
-| **AXS** | 902 | **748** | 2026-01-18 | **82.9%** |
-| ALGO | 902 | 338 | 2024-12-04 | 37.5% |
-| SAND | 902 | 338 | 2024-12-04 | 37.5% |
-| AR | 902 | 58 | 2024-02-28 | 6.4% |
-| ETC | 902 | 11 | 2024-01-12 | 1.2% |
-| BTC/ETH + 19 major | 902 | 0 | 2024-01-01 | 0% |
-
-AXS era **certificato PULITO** (flat 0%, cross-venue 9.5 bps) pur avendo solo ~5 mesi di trading reale.
-
-## Verifica diretta su cerbero MCP (token mainnet)
-
-Interrogato l'endpoint `cerbero-mcp.tielogic.xyz/mcp/tools/get_historical` (bot-tag
-`pythagoras-mainnet`):
-
- **BTC**: 902 barre, leading vol=0 = 0, volume reale dal 2024-01-01 (V=699, 2437, 5306…). Nativo. ✓
- **AXS**: 902 barre, **748 leading vol=0**, primo vol>0 = 2026-01-18. Le barre a volume 0 hanno
-  prezzi (O/H/L/C) che **coincidono con Binance**:
-
-  | data | cerbero close | binance close | Δ |
-  |---|---|---|---|
-  | 2024-01-01 | 9.262 | 9.26 | 2.2 bps |
-  | 2024-01-02 | 8.949 | 8.94 | 10.1 bps |
-  | 2024-01-03 | 7.937 | 7.95 | 16.4 bps |
-
-**Diagnosi provata:** cerbero MCP riempie il periodo pre-quotazione con barre **sintetiche — volume 0,
-prezzi copiati da un venue di riferimento (Binance)**. Per questo i vecchi gate venivano ingannati:
- cross-venue passa → i prezzi *sono* Binance (Δ 1–16 bps);
- flat passa → le barre non sono flat (hanno movimento di prezzo);
- ma **volume 0** → su HL quelle candele **non erano negoziabili**. È esattamente il caso v2.0.0
-  (edge su un book che non c'era).
-
-## Correzione (`scripts/analysis/fetch_hyperliquid.py`)
-
-1. **Il VOLUME è il rivelatore del backfill** → `trim_backfill()` taglia il run iniziale di barre a
-   volume 0; si tiene solo la **serie nativa**.
-2. **Gate storia nativa** `MIN_NATIVE_DAYS=365`: dopo il taglio serve ≥ 1 anno di vita reale →
-   scarta chi è troppo corto (AXS, 154 barre reali → fuori).
-3. **Gate vol=0 interno** `INTERIOR_VOL0_MAX=5%`: gap di liquidità oltre il taglio iniziale.
-4. **cross-venue/flat ricalcolati SOLO sulle barre reali** (non più sui sintetici).
-5. **I parquet degli asset scartati vengono rimossi** (disco == set certificato; niente file
-   contaminati a riposo).
-
-## Risultato
-
- Universo certificato: **52 → 51** (AXS scartato).
- ALGO/SAND (−338 barre), AR (−58), ETC (−11) ripuliti dal backfill → ora start reale corretto.
- **I 19 major di XS01 hanno 0 backfill → invariati**: la strategia live (`XS_UNIVERSE` esplicito) NON
-  è toccata. Verificato: portafoglio 3-way (TP01+XS01+VRP01) gira identico, FULL Sh 1.68 / HOLD 1.67.
- Re-fetch end-to-end su cerbero reale: 51 PULITO, sweep su tutti i file → 0 backfill residuo.
-
-## Nota su una conclusione precedente
-
-Il diario `2026-06-19-xsec-universe-expansion.md` concludeva "cross-section dei 52 = negativo". Quella
-finestra includeva i sintetici (AXS 83%, ALGO/SAND 37% di barre vol=0 con ritorni non eseguibili): la
-magnitudine del risultato era **in parte un artefatto**. La conclusione qualitativa (il long-tail
-diluisce XS01; i 19 major sono il sweet spot) resta valida, ma il numero netto è 51 e il test andrebbe
-ri-girato sui dati puliti se si volesse riusare quell'universo.
-
-## Lezione
-
-`flat` + cross-venue **non bastano** a certificare un feed che fa backfill copiando un altro venue: il
-backfill è plausibile sui prezzi proprio perché è copiato. Il **volume** (=liquidità reale) è il gate
-che mancava. Coerente con la regola di prim'ordine v2.0.0: certificare il dato — anche il *volume*,
-non solo il prezzo — prima della strategia.
-
-File: `scripts/analysis/fetch_hyperliquid.py`. Universo: `data/raw/hl_*_1d.parquet` (51, serie native).
@@ -1,93 +0,0 @@
-# 2026-06-20 — Analisi strategie FinanceOld + VRP v2 (defined-risk + gate IV-rank)
-
-## Contesto
-
-Richiesta: analizzare le strategie in `../FinanceOld`, provare a migliorarle, testarle su dati storici.
-Quattro progetti esaminati. Verdetto di **backtestabilità onesta** sui dati certificati (BTC/ETH
-Deribit mainnet + DVOL):
-
-| Progetto | Strategia | Backtestabile sui dati certi? |
-|---|---|---|
-| **FundingRateArbitrage** | Spread funding cross-exchange (perp-perp, spot-hedge) | ❌ Nessun dato funding storico nel repo (solo `exchange_settings.json`). Edge = differenza cross-venue, non ricostruibile. |
-| **Polybot** | Latency-arb Polymarket (BS digital-option) + sure-bet delta-neutral | ❌ `dataVPS/collector.db` (645MB) ha solo **~3 giorni** di `poly_books`+`funding`, e la tabella `ticks` (prezzi perp = cuore dell'edge) è **corrotta** ("database disk image is malformed"). L'edge è la latenza: non riproducibile su barre OHLC comunque. |
-| **OptionSpalping** (→Cerbero) | LLM autonomo su opzioni Deribit + perp Hyperliquid | ⚠️ È un agente LLM, non una regola meccanica. Il *concetto* (income short-vol su Deribit) è testabile. |
-| **OptionsAgent** | **Bear Call Spread + Long VIX hedge** su IWM, con 5 gate d'ingresso | ✅ Il *concetto* (vendi premio rischio-definito, incassa VRP, gate su IV-rank/regime) mappa direttamente sul nostro `options_vrp_lab.py`. |
-
-→ Scelta operatore: **focus VRP opzioni**. L'unico filone con dati veri + metodologia onesta.
-
-## Baseline (options_vrp_lab.py, ora con fee)
-
-Vendita put NUDA settimanale delta -0.28, premio BS su DVOL reale. f = premio_reale/modellato.
-
- `f=1.0` (conservativo): **FULL Sh 0.78, DD 33%, worst-week -16.6%, HOLD-OUT Sh -0.25** → muore OOS.
- Il rischio è la **CODA**: worst-week su LUNA (2022-06), crash 2021-05. Anno 2022 = -9%.
-
-## VRP v2 — 3 idee di OptionsAgent portate nel framework
-
-Nuovo script `scripts/research/options_vrp_v2.py`. Tutto **causale** (strike/premio/gate da dati
-≤ sell-date; payoff a scadenza sui prezzi certificati). Fee opzioni Deribit modellate (12.5% del
-premio netto per round-trip = cap del fee reale). Capitale = strike corto (cash-secured) per
-entrambe le strutture → DD/worst comparabili.
-
-1. **Rischio definito (PUT CREDIT SPREAD)** — vendi put -0.28, COMPRI put -0.10. Il long wing
-   **cappa la coda per costruzione**: worst-week -16.6% → **-7.4%**, DD 33% → 21%, Sh 0.78 → 0.99.
-2. **Gate IV-RANK > 0.30** (cond. d'ingresso di OptionsAgent) — vendi vol solo quando ricca
-   (percentile espandente causale di DVOL). Trada il **58%** delle settimane → **Sh 1.35** e
-   ribalta **HOLD-OUT da -0.25 a +0.28**. È l'alpha vero: il filtro di regime, non la struttura.
-3. **Crash-skip IV-rank > 0.90** (NO-GO, come "VIX>35" di OptionsAgent) — marginale da solo.
-4. **Gate VRP>0** (DVOL>RV30 causale) — marginale (il VRP è >0 il 78% del tempo, poco selettivo).
-
-### Risultati chiave (book 50/50 BTC+ETH, f=1.0 conservativo)
-
-| Config | FULL Sh | DD | worst-wk | HOLD-OUT Sh | attivo |
-|---|---|---|---|---|---|
-| naked (baseline) | 0.78 | 33% | -16.6% | **-0.25** | 100% |
-| spread | 0.99 | 21% | -7.4% | -0.26 | 100% |
-| spread + ivr30 | **1.35** | 14% | -7.4% | **+0.28** | 58% |
-| **COMBO** (spread+vrp+ivr30+crashskip) | 1.10 | 12% | -7.4% | **+0.60** | 41% |
-
-COMBO f=1.0 per-anno: 2021 +26%, 2022 **-6%**, 2023 +2%, 2024 +18%, 2025 -0%, 2026 +5%
-(il 2022, anno-crash che dimezzava il nudo, è quasi piatto: la coda è tagliata).
-
-A `f=1.29` (skew reale misurato in regime calmo) la COMBO fa FULL Sh 1.87 / HOLD 1.45 / DD 9%.
-
-### Contributo al portafoglio (COMBO f=1.0 vs TP01)
-
- Corr settimanale **+0.07** (scorrelato, come il VRP nudo).
- TP01 70% + OPT 30% → Sh **1.00** (TP01 solo 0.73), DD **7%**.
- TP01 50% + OPT 50% → Sh **1.19**, DD 7%.
-
-## Conclusione onesta
-
-Le idee di OptionsAgent **migliorano davvero** lo sleeve VRP, in modo OOS-robusto:
- la **struttura defined-risk** taglia la coda (worst -16.6%→-7.4%, DD -19pt) → meno dipendenza dal
-  f di stress, che era il rischio non catturato del lead nudo;
- il **gate IV-rank** è l'alpha: ribalta l'HOLD-OUT da negativo a positivo vendendo solo vol ricca.
-
-Resta un **lead, non un deploy**: premio MODELLATO su DVOL ATM (skew non esplicito), book a 1d, e
-serve la catena reale (cerbero-bite) per il f di stress in un crash. Ma è un miglioramento netto,
-quantificato e onesto, del miglior lead income che avevamo. Prossimo passo: rivalutare il f di stress
-quando cerbero-bite cattura un crash, e validare lo skew reale sul long wing (-0.10).
-
-Script: `scripts/research/options_vrp_v2.py`. Baseline: `scripts/research/options_vrp_lab.py`.
-
-## Integrazione come sleeve (VRP01)
-
-La COMBO è stata integrata nel portafoglio come **VRP01** (`src/portfolio/sleeves._vrp_combo_returns`,
-`vrp_sleeve()`). Implementazione self-contained in `src/` (niente import da `scripts/`): pricing BS +
-strike-from-delta + gate causali inline, DVOL da `data/raw/dvol_*.parquet`.
-
-**Settimanale → giornaliero (onesto):** il rendimento settimanale è piazzato sul **giorno di
-scadenza**, 0.0 sugli altri giorni dello span. Questo PRESERVA lo Sharpe annualizzato (niente
-smoothing che gonfierebbe il daily Sharpe) e tiene lo sleeve presente ogni giorno → peso costante
-nell'outer-join del portafoglio. Verificato: lo sleeve daily replica i numeri settimanali
-(FULL Sh 1.09, HOLD 0.60, DD 12%), corr daily vs TP01 = +0.01.
-
-**Pesi (per evidenza, engine reale):** TP01+VRP01 monotòno fino al 40% VRP (FULL 1.30→1.55,
-HOLD 0.31→0.52, DD fermo 14%). Essendo VRP un lead MODELLATO (non deploy pieno), non lo sovrappeso:
-registry = **TP01 0.55 / XS01 0.25 / VRP01 0.20** (TP01 resta maggioranza, l'unico deployable pieno).
-La validazione 3-way completa richiede i dati Hyperliquid (XS01, gitignored, token Cerbero) → gira
-locale con `scripts/portfolio/run_portfolio.py`.
-
-Test: `tests/test_vrp_sleeve.py` (5 pass: monotonìa BS, ordering strike, determinismo+griglia
-giornaliera, gate riducono l'attività, coda tagliata <-15%).
@@ -1,109 +0,0 @@
-"""EVALUATOR STANDARD per i segnali della ricerca multi-agente (Fase frattale, v2.0.0).
-
-Ogni agente scrive SOLO una funzione `signal(df, asset, tf) -> np.ndarray` (posizione per barra
-in [-1,1], decisa entro close[i]) in un file. Questo evaluator la valuta in modo UNIFORME e ONESTO
-sull'harness research_lab, e — cruciale — esegue un GUARD ANTI-LOOK-AHEAD automatico: ricalcola il
-segnale su prefissi del df e verifica che pos[i] non dipenda da barre future (leak>0 = sospetto).
-
-    uv run python scripts/analysis/eval_signal.py <signal_file.py> <BTC|ETH> <5m|15m|1h> [--holdout]
-
-Stampa una riga "RESULT_JSON:{...}" con tutte le metriche (gli agenti riportano quei campi esatti).
-"""
-from __future__ import annotations
-import sys
-import json
-import importlib.util
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from scripts.analysis.research_lab import backtest, buy_hold, mc_pvalue, load_tf, ts, _net_series, VAL_START, HOLDOUT_START
-
-
-def load_signal(path):
-    spec = importlib.util.spec_from_file_location("usig", path)
-    m = importlib.util.module_from_spec(spec)
-    spec.loader.exec_module(m)
-    if not hasattr(m, "signal"):
-        raise AttributeError("il file non definisce signal(df, asset, tf)")
-    return m.signal
-
-
-def causality_guard(signal, df, asset, tf, k=12):
-    """Ricalcola il segnale su prefissi df[:i+1] e confronta pos[i] col run completo.
-    Se differiscono -> il segnale usa dati FUTURI (look-ahead). Ritorna #violazioni (0 = pulito)."""
-    full = np.asarray(signal(df, asset, tf), float)
-    n = len(df)
-    if len(full) != n:
-        return -1
-    rng = np.random.default_rng(0)
-    idx = rng.integers(int(n * 0.6), n - 1, size=k)
-    bad = 0
-    for i in idx:
-        try:
-            p = np.asarray(signal(df.iloc[:i + 1].copy(), asset, tf), float)
-        except Exception:
-            bad += 1; continue
-        if len(p) != i + 1 or not np.isclose(np.nan_to_num(p[i]), np.nan_to_num(full[i]), atol=1e-6):
-            bad += 1
-    return bad
-
-
-def main():
-    args = sys.argv[1:]
-    holdout = "--holdout" in args
-    args = [a for a in args if a != "--holdout"]
-    sigfile, asset, tf = args[0], args[1].upper(), args[2]
-    res = {"asset": asset, "tf": tf, "sigfile": sigfile}
-    try:
-        signal = load_signal(sigfile)
-        df = load_tf(asset, tf)
-        pos = np.asarray(signal(df, asset, tf), float)
-        res["n"] = int(len(df))
-        res["len_ok"] = bool(len(pos) == len(df))
-        if not res["len_ok"]:
-            res["error"] = f"len(pos)={len(pos)} != len(df)={len(df)}"
-            print("RESULT_JSON:" + json.dumps(res)); return
-        res["finite"] = bool(np.isfinite(np.nan_to_num(pos, nan=0.0)).all())
-        res["leak"] = int(causality_guard(signal, df, asset, tf))
-        full = backtest(df, pos, tf)
-        oos = backtest(df, pos, tf, lo=VAL_START, hi=HOLDOUT_START)
-        bh = buy_hold(df, tf)
-        _, p, _, _ = mc_pvalue(df, pos, tf, n=250)
-        res.update(
-            implemented=True,
-            full_sharpe=round(full.sharpe, 3), full_ret=round(full.ret, 3), full_dd=round(full.maxdd, 3),
-            oos_sharpe=round(oos.sharpe, 3), bh_sharpe=round(bh.sharpe, 3),
-            gross_sharpe=round(backtest(df, pos, tf, fee_rt=0.0).sharpe, 3),
-            fee02_sharpe=round(backtest(df, pos, tf, fee_rt=0.002).sharpe, 3),
-            turnover=round(full.ntrades, 1), exposure=round(full.exposure, 3),
-            null_p=round(p, 4),
-            beats_bh=bool(full.sharpe > bh.sharpe and oos.sharpe > 0),
-        )
-        # breadth per-anno (pre-hold-out): % anni positivi, anni rossi consecutivi
-        net, _, _, _ = _net_series(df, pos)
-        s = pd.Series(net, index=ts(df))
-        s = s[s.index < pd.Timestamp(HOLDOUT_START, tz="UTC")]
-        yr = {int(y): float((1 + g).prod() - 1) for y, g in s.groupby(s.index.year)}
-        vals = list(yr.values())
-        max_consec_red = 0; cur = 0
-        for v in vals:
-            cur = cur + 1 if v < 0 else 0
-            max_consec_red = max(max_consec_red, cur)
-        res["per_year_preho"] = {y: round(v, 3) for y, v in yr.items()}
-        res["pct_years_pos"] = round(sum(v > 0 for v in vals) / len(vals), 2) if vals else 0.0
-        res["max_consec_red_years"] = int(max_consec_red)
-        if holdout:
-            ho = backtest(df, pos, tf, lo=HOLDOUT_START)
-            res["holdout_sharpe"] = round(ho.sharpe, 3)
-            res["holdout_ret"] = round(ho.ret, 3)
-            res["holdout_dd"] = round(ho.maxdd, 3)
-    except Exception as e:
-        res["implemented"] = False
-        res["error"] = f"{type(e).__name__}: {str(e)[:200]}"
-    print("RESULT_JSON:" + json.dumps(res))
-
-
-if __name__ == "__main__":
-    main()
@@ -1,132 +0,0 @@
-"""FETCH + CERTIFY universo Hyperliquid (Cerbero MCP MAINNET) — espansione cross-sectional.
-
-Hyperliquid (via cerbero-mcp mainnet) offre ~230 perp liquidi, ma storia nativa REALE solo dal
-2024 (pre-2024 = backfill, volume 0). Qui scarico un set liquido a 1d (2024+), e CERTIFICO ogni
-asset come BTC/ETH: cross-venue vs Binance (realismo) + flat-bar + VOLUME (liquidita'). Scrivo SOLO
-i puliti in data/raw/hl_<sym>_1d.parquet (namespace dedicato, NON mischiato col Deribit BTC/ETH).
-
-Disciplina: Cerbero ci ha gia' bruciato (testnet) -> niente fiducia, solo certificazione.
-
-CORREZIONE estrazione (2026-06-20, "analisi fatte"): il floor START=2024-01-01 NON basta. Cerbero
-restituisce BACKFILL SINTETICO (volume==0, ma prezzi copiati da un venue di riferimento -> matchano
-Binance e NON sono flat) per il periodo PRIMA che l'asset quotasse davvero su Hyperliquid. Cosi'
-asset listati a meta'/fine 2024+ passavano cross-venue+flat ed erano certificati PULITO pur essendo
-in gran parte sintetici (es. AXS 83% backfill: trading reale solo da 2026-01; ALGO/SAND 37%). E' lo
-stesso errore v2.0.0 (edge su un book che non c'era). Fix: (1) il VOLUME e' il rivelatore di backfill
-> si TAGLIA il run iniziale di barre a volume 0 e si tiene solo la serie NATIVA; (2) gate su storia
-nativa minima (>= MIN_NATIVE_DAYS reali) -> scarta chi e' troppo corto dopo il taglio; (3) gate su
-volume-0 INTERNO (gap di liquidita') oltre il taglio iniziale; (4) cross-venue/flat ricalcolati SOLO
-sulle barre reali; (5) i parquet degli asset scartati vengono RIMOSSI (disco == set certificato).
-
-    uv run python scripts/analysis/fetch_hyperliquid.py
-"""
-from __future__ import annotations
-import sys, time
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd, requests, ccxt
-
-RAW = PROJECT_ROOT / "data" / "raw"
-START = "2024-01-01"; END = pd.Timestamp.now("UTC").strftime("%Y-%m-%d")   # dinamico (refresh giornaliero)
-MIN_NATIVE_DAYS = 365     # storia NATIVA reale minima (post-taglio backfill) per entrare nell'universo
-INTERIOR_VOL0_MAX = 5.0   # % max di barre a volume 0 DOPO il taglio iniziale (gap di liquidita' interni)
-# UNIVERSO ESTESO: alt liquidi noti su Hyperliquid (mappa Binance auto = SYM/USDT). Il gate di
-# certificazione (cross-venue + liquidita' + flat) scarta i non-conformi. k-prefissi esclusi
-# (scaling 1000x complica il cross-venue). MATIC morto escluso.
-SYMS = ["BTC","ETH","SOL","BNB","XRP","DOGE","AVAX","LINK","LTC","ADA","ARB","OP","SUI","APT",
-        "INJ","TIA","SEI","NEAR","AAVE","ATOM","DYDX","APE","CRV","LDO","STX","GMX","SNX","BCH",
-        "COMP","MKR","WLD","UNI","TRX","FIL","RUNE","ENA","ORDI","JUP","WIF","PYTH","FET","AR",
-        "ETC","ALGO","GALA","SAND","AXS","DOT","FXS","BLUR","JTO","PENDLE","ONDO","TAO"]
-BINANCE = {s: f"{s}/USDT" for s in SYMS}
-
-
-def _h():
-    env={}
-    for ln in open(PROJECT_ROOT/".env.mainnet"):
-        ln=ln.strip()
-        if ln and not ln.startswith("#") and "=" in ln: k,v=ln.split("=",1); env[k]=v.strip()
-    return {"Authorization":f"Bearer {env['CERBERO_TOKEN']}","X-Bot-Tag":env.get('CERBERO_BOT_TAG','fetch'),"Content-Type":"application/json"}
-
-
-def fetch_hl(sym, H, interval="1d"):
-    r=requests.post("https://cerbero-mcp.tielogic.xyz/mcp/tools/get_historical",
-        headers=H, json={"exchange":"hyperliquid","instrument":sym,"interval":interval,
-                         "start_date":START,"end_date":END}, timeout=60)
-    c=r.json().get("candles",[])
-    if not c: return pd.DataFrame()
-    df=pd.DataFrame(c)[["timestamp","open","high","low","close","volume"]]
-    return df.drop_duplicates("timestamp").sort_values("timestamp").reset_index(drop=True)
-
-
-def binance_daily(sym_b, start_ms, end_ms):
-    ex=ccxt.binance({"enableRateLimit":True})
-    out={}; since=start_ms
-    while since<=end_ms:
-        try: r=ex.fetch_ohlcv(sym_b,"1d",since=since,limit=500)
-        except Exception: break
-        r=[x for x in r if x[0]>=since]
-        if not r: break
-        for x in r:
-            if start_ms<=x[0]<=end_ms and x[4]: out[int(x[0])]=float(x[4])
-        nxt=int(r[-1][0])+86400000
-        if nxt<=since: break
-        since=nxt
-    return pd.Series(out)
-
-
-def trim_backfill(df):
-    """Taglia il run INIZIALE di barre a volume 0 (= backfill sintetico pre-quotazione su HL).
-    Ritorna (serie_nativa, n_barre_tagliate). Il volume e' il rivelatore: il backfill copia i
-    prezzi da un venue di riferimento (non flat, matcha Binance) ma ha volume 0."""
-    vol = df["volume"].to_numpy()
-    lead = int(np.argmax(vol > 0)) if (vol > 0).any() else len(df)
-    return df.iloc[lead:].reset_index(drop=True), lead
-
-
-def main():
-    H=_h()
-    print("="*100); print("  FETCH + CERTIFY Hyperliquid 1d (Cerbero mainnet) — cross-venue + flat + VOLUME (no backfill)"); print("="*100)
-    print(f"  {'sym':<6}{'reali':>6}{'bfill':>6}{'start_reale':>13}{'flat%':>7}{'vol0%':>7}{'med_bps':>9}{'>1%':>7}{'verdetto':>14}")
-    certified=[]
-    for s in SYMS:
-        path = RAW/f"hl_{s.lower()}_1d.parquet"
-        raw=fetch_hl(s,H)
-        if raw.empty:
-            print(f"  {s:<6}  vuoto"); path.unlink(missing_ok=True); continue
-        # --- CORREZIONE: taglia il backfill sintetico (volume 0 iniziale), tieni la serie nativa ---
-        df, n_bfill = trim_backfill(raw)
-        if df.empty:
-            print(f"  {s:<6}  tutto backfill (vol0) -> scarta"); path.unlink(missing_ok=True); continue
-        ts=pd.to_datetime(df["timestamp"],unit="ms",utc=True)
-        flat=((df.open==df.high)&(df.high==df.low)&(df.low==df.close)).mean()*100
-        vol0=(df["volume"].to_numpy()==0).mean()*100   # gap di liquidita' INTERNI (post-taglio)
-        # cross-venue vs Binance USDT (daily close) — SOLO sulle barre reali
-        ref=binance_daily(BINANCE[s], int(df["timestamp"].iloc[0]), int(df["timestamp"].iloc[-1]))
-        a=df.set_index("timestamp")["close"]
-        m=pd.concat([a.rename("a"),ref.rename("b")],axis=1,join="inner").dropna()
-        if len(m)>5:
-            bps=(m["a"]-m["b"]).abs()/m["b"]*1e4
-            med=bps.median(); g1=(bps>100).mean()*100
-        else: med=g1=float("nan")
-        # gate "delistato/migrato": l'ultima barra dev'essere recente (entro ~21g da END),
-        # altrimenti l'asset tronca l'universo cross-sectional (es. MKR fermo a 2025-09, FXS 2026-01).
-        recent = (pd.Timestamp(END, tz="UTC") - ts.iloc[-1]) <= pd.Timedelta("21D")
-        # gate storia NATIVA: dopo il taglio dev'esserci abbastanza vita reale (es. AXS quotato 2026-01 -> scarta)
-        native_days = (ts.iloc[-1] - ts.iloc[0]).days
-        enough = native_days >= MIN_NATIVE_DAYS
-        clean = (not np.isnan(med)) and med<60 and g1<3 and flat<5 and vol0<INTERIOR_VOL0_MAX and recent and enough
-        if clean: v="PULITO"
-        elif not enough: v=f"corto<{MIN_NATIVE_DAYS}g"
-        else: v="scarta"
-        print(f"  {s:<6}{len(df):>6}{n_bfill:>6}{str(ts.iloc[0].date()):>13}{flat:>6.1f}%{vol0:>6.1f}%{med:>9.1f}{g1:>6.1f}%{v:>14}")
-        if clean:
-            df.to_parquet(path, index=False); certified.append(s)
-        else:
-            path.unlink(missing_ok=True)   # disco == set certificato (niente parquet contaminati a riposo)
-    print(f"\n  CERTIFICATI ({len(certified)}): {certified}")
-    print("  Scritti in data/raw/hl_<sym>_1d.parquet (namespace dedicato, SERIE NATIVA senza backfill).")
-
-
-if __name__=="__main__":
-    main()
@@ -1,121 +0,0 @@
-"""ANALISI OPTIONS per BTC/ETH — onesta sui dati REALI disponibili (cerbero-bite mainnet).
-
-Dati: Old/data/options (chain per-strike + dvol + market_snapshots). Finestra ~2026-05-01→06-11
-(~6 settimane, REGIME UNICO calmo). NON si può validare OOS un edge su opzioni qui; si possono
-MISURARE i livelli reali (VRP, premi put, skew, liquidità) e ragionare sull'USO delle opzioni
-per il book BTC/ETH certificato. cerbero-bite è ancora vivo -> la fonte continua ad accumulare.
-
-    uv run python scripts/analysis/options_analysis.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-
-OPT = PROJECT_ROOT / "Old" / "data" / "options"
-
-
-def load(name):
-    return pd.read_parquet(OPT / name)
-
-
-def market_snapshots_analysis():
-    print("=" * 90)
-    print("  (1) MARKET SNAPSHOTS — VRP, DVOL, funding, dealer-gamma (livelli reali)")
-    print("=" * 90)
-    ms = load("market_snapshots.parquet")
-    t = pd.to_datetime(ms["timestamp"], utc=True, errors="coerce")
-    print(f"  copertura: {t.min()} -> {t.max()}  ({len(ms)} righe)")
-    for a in ("BTC", "ETH"):
-        d = ms[ms["asset"] == a].dropna(subset=["iv_minus_rv"])
-        if len(d) == 0:
-            print(f"  {a}: nessun dato"); continue
-        vrp = d["iv_minus_rv"].astype(float)
-        dvol = d["dvol"].astype(float)
-        rv = d["realized_vol_30d"].astype(float)
-        fund = d["funding_perp_annualized"].astype(float) if "funding_perp_annualized" in d else pd.Series([np.nan])
-        gam = d["dealer_net_gamma"].astype(float) if "dealer_net_gamma" in d else pd.Series([np.nan])
-        print(f"\n  {a}  (n={len(d)})")
-        print(f"    VRP (IV-RV):   media {vrp.mean():+.1f}  mediana {vrp.median():+.1f}  "
-              f">0 nel {100*(vrp>0).mean():.0f}% del tempo   [IV-RV in punti di vol annua]")
-        print(f"    DVOL:          media {dvol.mean():.1f}  range [{dvol.min():.1f}, {dvol.max():.1f}]")
-        print(f"    Realized30d:   media {rv.mean():.1f}")
-        print(f"    Funding perp:  media {fund.mean():+.1f}% annuo")
-        if gam.notna().any():
-            print(f"    Dealer net-γ:  >0 nel {100*(gam>0).mean():.0f}% del tempo (>0 = dealer long gamma = mean-rev)")
-
-
-def chain_analysis(asset):
-    print("\n" + "=" * 90)
-    print(f"  (2) CHAIN {asset} — premi put protettivi, skew, liquidità (livelli reali)")
-    print("=" * 90)
-    ch = load(f"{asset.lower()}_chain.parquet")
-    for col in ("strike", "bid", "ask", "mid", "iv", "delta", "gamma"):
-        if col in ch:
-            ch[col] = pd.to_numeric(ch[col], errors="coerce")
-    ch["option_type"] = ch["option_type"].astype(str)
-    dv = load("dvol_history.parquet")
-    dv = dv[dv["asset"] == asset][["timestamp", "spot"]].copy()
-    dv["spot"] = pd.to_numeric(dv["spot"], errors="coerce")
-    # timestamp -> datetime UTC nativo (sono datetime64[tz], NON ms int: to_numeric li romperebbe)
-    ch["t"] = pd.to_datetime(ch["timestamp"], utc=True, errors="coerce")
-    dv["t"] = pd.to_datetime(dv["timestamp"], utc=True, errors="coerce")
-    ch = ch.dropna(subset=["t"]).sort_values("t").reset_index(drop=True)
-    dv = dv.dropna(subset=["t", "spot"]).sort_values("t").reset_index(drop=True)
-    # spot causale per timestamp della chain (merge_asof nearest, tolleranza 1h)
-    ch = pd.merge_asof(ch, dv[["t", "spot"]], on="t", direction="nearest",
-                       tolerance=pd.Timedelta("1h"))
-    ch = ch.dropna(subset=["spot", "mid", "strike"])
-    # days-to-expiry
-    exp = pd.to_datetime(ch["expiry"], utc=True, errors="coerce")
-    ch["dte"] = (exp - ch["t"]).dt.total_seconds() / 86_400.0
-    ch = ch[(ch["dte"] > 0.5) & (ch["dte"] < 90)]
-    ch["money"] = ch["strike"] / ch["spot"]
-    ch["prem_pct"] = ch["mid"] * 100          # mid è in COIN (frazione del sottostante) -> %-del-notional
-    # NB: iv è GIÀ in percento (35.94 = 35.94%, coerente col DVOL ~40) -> non riscalare
-    ch["spread_pct"] = (ch["ask"] - ch["bid"]) / ch["mid"].replace(0, np.nan) * 100
-
-    puts = ch[ch["option_type"].str.lower().str.startswith("p")]
-    calls = ch[ch["option_type"].str.lower().str.startswith("c")]
-
-    def band(df, mlo, mhi, dlo, dhi):
-        s = df[(df["money"] >= mlo) & (df["money"] <= mhi) & (df["dte"] >= dlo) & (df["dte"] <= dhi)]
-        return s
-
-    print("  PUT protettive — premio reale (mid/spot) e liquidità per tenor/moneyness:")
-    print(f"    {'tenor':<10s}{'moneyness':<14s}{'premio%':>9s}{'/mese%':>9s}{'spread%':>9s}{'n':>7s}{'strike?':>9s}")
-    for dlo, dhi, tn in [(5, 12, "settim."), (18, 45, "mensile")]:
-        for mlo, mhi, ml in [(0.97, 1.03, "ATM"), (0.88, 0.93, "~10% OTM"), (0.83, 0.88, "~15% OTM")]:
-            s = band(puts, mlo, mhi, dlo, dhi)
-            if len(s) == 0:
-                print(f"    {tn:<10s}{ml:<14s}{'—':>9s}{'—':>9s}{'—':>9s}{0:>7d}{'NO':>9s}")
-                continue
-            prem = s["prem_pct"].median()
-            permonth = prem * 30.0 / s["dte"].median()
-            print(f"    {tn:<10s}{ml:<14s}{prem:>8.2f}%{permonth:>8.2f}%{s['spread_pct'].median():>8.1f}%"
-                  f"{len(s):>7d}{'SI':>9s}")
-
-    # skew: IV put 10% OTM vs IV call 10% OTM (stesso tenor mensile)
-    pv = band(puts, 0.88, 0.93, 12, 50)["iv"].median()
-    cv = band(calls, 1.07, 1.12, 12, 50)["iv"].median()
-    atmv = band(ch, 0.98, 1.02, 12, 50)["iv"].median()
-    if pd.notna(pv) and pd.notna(cv):
-        print(f"  SKEW: IV put 10%OTM {pv:.0f}% vs call 10%OTM {cv:.0f}% vs ATM {atmv:.0f}%"
-              f"  -> skew put {pv-cv:+.0f} pt vol (>0 = put care = paura del crash prezzata)")
-
-
-def main():
-    market_snapshots_analysis()
-    for a in ("BTC", "ETH"):
-        chain_analysis(a)
-    print("\n" + "=" * 90)
-    print("  NB: finestra ~6 settimane, REGIME UNICO calmo -> livelli REALI misurabili, ma NESSUN")
-    print("  edge su opzioni è validabile OOS qui. Vedi commento finale.")
-    print("=" * 90)
-
-
-if __name__ == "__main__":
-    main()
@@ -1,158 +0,0 @@
-"""FASE 1 — triage dei 2 superstiti su BTC/ETH, sull'harness onesto (research_lab).
-
-Sul feed pulito solo SH01 (shape-ML) e frammenti HONEST mostravano segnale residuo. Delle
-HONEST solo DIP (dip-reversion) è testabile su BTC/ETH (TR01/ROT02 richiedono alt esclusi).
-Qui ri-implemento DIP e SH01-shape-ML come SERIE DI POSIZIONE e li passo ai gate onesti
-(FULL/OOS-VAL, vs buy&hold, null p-value, sweep fee, griglia). Hold-out 2025+ resta BLOCCATO.
-
-    uv run python scripts/analysis/phase1_survivors.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from sklearn.linear_model import LogisticRegression
-from sklearn.preprocessing import StandardScaler
-
-from src.data.downloader import load_data
-from scripts.analysis.research_lab import (
-    backtest, buy_hold, mc_pvalue, report, VAL_START, HOLDOUT_START, FEE_RT,
-)
-
-
-# ----------------------------- DIP reversion (long-only) -----------------------------
-def dip_signal(df, n=50, k=2.0, z_exit=0.0, max_bars=72):
-    """Long-only: entra (pos=1) quando lo z-score causale del prezzo vs MA(n) <= -k (dip),
-    esce quando z>=z_exit o dopo max_bars. Decisione a close[i] (z[i] usa close[i]), guadagna
-    close[i]->close[i+1]. Niente fill su estremi di candela."""
-    c = df["close"].values.astype(float)
-    s = pd.Series(c)
-    ma = s.rolling(n).mean().values
-    sd = s.rolling(n).std().values
-    z = np.where(sd > 0, (c - ma) / sd, np.nan)
-    pos = np.zeros(len(c))
-    inpos = False
-    held = 0
-    for i in range(len(c)):
-        if not inpos:
-            if not np.isnan(z[i]) and z[i] <= -k:
-                inpos, held = True, 0
-                pos[i] = 1.0
-        else:
-            held += 1
-            if (not np.isnan(z[i]) and z[i] >= z_exit) or held >= max_bars:
-                inpos = False           # esce al close[i]: pos[i]=0
-            else:
-                pos[i] = 1.0
-    return pos
-
-
-# ----------------------------- SH01 shape-ML (walk-forward) -----------------------------
-def _shape_features(df, W):
-    """~12 feature di FORMA causali per barra, dalla finestra che termina a i (usa solo <=i)."""
-    o = df["open"].values.astype(float); h = df["high"].values.astype(float)
-    l = df["low"].values.astype(float);  c = df["close"].values.astype(float)
-    s = pd.Series(c)
-    ret1 = s.pct_change()
-    rng = (h - l) / np.where(c > 0, c, np.nan)
-    body = (c - o) / np.where(h - l > 0, h - l, np.nan)
-    up_sh = (h - np.maximum(o, c)) / np.where(h - l > 0, h - l, np.nan)
-    dn_sh = (np.minimum(o, c) - l) / np.where(h - l > 0, h - l, np.nan)
-    # RSI(14)
-    d = s.diff()
-    gain = d.clip(lower=0).rolling(14).mean()
-    loss = (-d.clip(upper=0)).rolling(14).mean()
-    rsi = 100 - 100 / (1 + gain / loss.replace(0, np.nan))
-    hi_w = pd.Series(h).rolling(W).max(); lo_w = pd.Series(l).rolling(W).min()
-    feat = {
-        "mom_w": s / s.shift(W) - 1.0,                         # rendimento sulla finestra
-        "mom_half": s / s.shift(W // 2) - 1.0,                 # accelerazione
-        "vol_w": ret1.rolling(W).std(),
-        "rsi": rsi / 100.0,
-        "ma_dist": (c - s.rolling(W).mean()) / s.rolling(W).std(),
-        "pos_in_range": (c - lo_w) / (hi_w - lo_w).replace(0, np.nan),  # dove sta il close nel range W
-        "range": pd.Series(rng).rolling(3).mean(),
-        "body": pd.Series(body).rolling(3).mean(),
-        "up_shadow": pd.Series(up_sh).rolling(3).mean(),
-        "dn_shadow": pd.Series(dn_sh).rolling(3).mean(),
-        "ret1": ret1,
-        "skew_w": ret1.rolling(W).skew(),
-    }
-    X = pd.DataFrame(feat).values
-    return X
-
-
-def shape_ml_signal(df, W=24, H=12, th=0.55, refit=750, warmup=3000, long_short=True):
-    """LogisticRegression walk-forward sulla forma. Label = segno del rendimento a H barre.
-    Al tempo di decisione i si allena SOLO su campioni j con esito già realizzato (j+H <= i):
-    strettamente causale, nessun leak. Rifit ogni `refit` barre (velocità). pos = +1 se
-    P(up)>th, -1 se P(up)<1-th (long_short), altrimenti 0."""
-    c = df["close"].values.astype(float)
-    n = len(c)
-    X = _shape_features(df, W)
-    fwd = np.full(n, np.nan)
-    fwd[:n - H] = c[H:] / c[:n - H] - 1.0
-    y = (fwd > 0).astype(float)
-    valid = ~np.isnan(X).any(axis=1)
-    pos = np.zeros(n)
-    model = scaler = None
-    start = max(warmup, W + H + 200)
-    for i in range(start, n):
-        if model is None or (i - start) % refit == 0:
-            # campioni di training: feature valide E label realizzata entro i (j+H <= i)
-            tr = np.where(valid & (np.arange(n) + H <= i) & (np.arange(n) >= W))[0]
-            tr = tr[tr < i - H]
-            if len(tr) >= 500 and len(np.unique(y[tr])) == 2:
-                scaler = StandardScaler().fit(X[tr])
-                model = LogisticRegression(max_iter=200, C=1.0).fit(scaler.transform(X[tr]), y[tr])
-        if model is not None and valid[i]:
-            p_up = float(model.predict_proba(scaler.transform(X[i:i + 1]))[0, 1])
-            pos[i] = 1.0 if p_up > th else (-1.0 if (long_short and p_up < 1 - th) else 0.0)
-    return pos
-
-
-# ----------------------------------- run -----------------------------------
-def main():
-    TF = "1h"
-    print("=" * 90)
-    print(f"  FASE 1 — triage superstiti su BTC/ETH {TF} | netto fee 0.10% RT | hold-out {HOLDOUT_START}+ BLOCCATO")
-    print("=" * 90)
-
-    data = {a: load_data(a, TF) for a in ("BTC", "ETH")}
-
-    # ---------- DIP: griglia robustezza (plateau?) ----------
-    print("\n" + "#" * 90)
-    print("  DIP reversion (long-only) — griglia FULL Sharpe (plateau = robusto, picco = overfit)")
-    print("#" * 90)
-    GRID = [(n, k) for n in (30, 50, 100) for k in (1.5, 2.0, 2.5)]
-    for a in ("BTC", "ETH"):
-        df = data[a]
-        print(f"\n  {a}: " + "  ".join(
-            f"n{n}k{k}→{backtest(df, dip_signal(df, n=n, k=k), TF).sharpe:>5.2f}" for n, k in GRID))
-    # report onesto sulla config centrale
-    for a in ("BTC", "ETH"):
-        report(f"DIP {a} (n50 k2.0)", data[a], dip_signal(data[a], n=50, k=2.0), TF)
-
-    # ---------- SH01 shape-ML: config record + paio di varianti ----------
-    print("\n" + "#" * 90)
-    print("  SH01 shape-ML (walk-forward LogReg) — long/short")
-    print("#" * 90)
-    for a in ("BTC", "ETH"):
-        df = data[a]
-        pos = shape_ml_signal(df, W=24, H=12, th=0.55, long_short=True)
-        report(f"SH-ML {a} (W24 H12 th.55 L/S)", df, pos, TF)
-        # variante long-only (meno fee)
-        pos_lo = shape_ml_signal(df, W=24, H=12, th=0.55, long_short=False)
-        report(f"SH-ML {a} (W24 H12 th.55 LONG-only)", df, pos_lo, TF)
-
-    print("\n" + "=" * 90)
-    print("  VERDETTO: un edge è REALE solo se FULL e OOS-VAL Sharpe > 0, regge il sweep fee,")
-    print("  e BATTE il null (p<0.05). Altrimenti = rumore, si chiude.")
-    print("=" * 90)
-
-
-if __name__ == "__main__":
-    main()
@@ -1,221 +0,0 @@
-"""FASE 2 — esplorazione larga per famiglie su BTC/ETH, harness onesto (research_lab).
-
-Famiglie (serie di posizione, causali, netto fee, vs buy&hold + null p-value):
-  TSMOM (momentum) | REVERSAL | MA-cross | DONCHIAN breakout | VOL-TARGET overlay |
-  LEAD-LAG BTC<->ETH | HURST-gated momentum.   Multi-TF dove sensato (1h + 15m).
-
-La barra DA BATTERE è il buy&hold (Sharpe ~0.8 su BTC/ETH): una strategia di timing vale solo
-se fa MEGLIO net-fee. Per ogni famiglia: scan griglia (FULL Sharpe), poi report onesto sulla
-config migliore. Selezionare il best-di-griglia GONFIA -> i gate veri sono OOS-VAL + null p<0.05.
-
-    uv run python scripts/analysis/phase2_families.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-
-from src.data.downloader import load_data
-from scripts.analysis.research_lab import (
-    backtest, buy_hold, mc_pvalue, window_mask, ts, VAL_START, HOLDOUT_START, BARS_PER_YEAR,
-)
-
-
-# --------------------------------- famiglie ---------------------------------
-def tsmom(df, L, mode="ls"):
-    c = pd.Series(df["close"].values.astype(float))
-    pos = np.sign(np.nan_to_num((c / c.shift(L) - 1).values))
-    return np.maximum(pos, 0) if mode == "lo" else pos
-
-
-def reversal(df, L, mode="ls"):
-    c = pd.Series(df["close"].values.astype(float))
-    pos = -np.sign(np.nan_to_num((c / c.shift(L) - 1).values))
-    return np.maximum(pos, 0) if mode == "lo" else pos
-
-
-def ma_cross(df, fast, slow, mode="ls"):
-    c = pd.Series(df["close"].values.astype(float))
-    ef = c.ewm(span=fast, adjust=False).mean()
-    es = c.ewm(span=slow, adjust=False).mean()
-    pos = np.sign((ef - es).values)
-    return np.maximum(pos, 0) if mode == "lo" else pos
-
-
-def donchian(df, L, mode="ls"):
-    h = pd.Series(df["high"].values.astype(float)).rolling(L).max().shift(1).values
-    l = pd.Series(df["low"].values.astype(float)).rolling(L).min().shift(1).values
-    c = df["close"].values.astype(float)
-    pos = np.zeros(len(c)); cur = 0
-    for i in range(len(c)):
-        if not np.isnan(h[i]) and c[i] > h[i]:
-            cur = 1
-        elif not np.isnan(l[i]) and c[i] < l[i]:
-            cur = -1 if mode == "ls" else 0
-        pos[i] = cur
-    return pos
-
-
-def vol_target(df, tf, target=0.6, L=72):
-    """Overlay SEMPRE-LONG con esposizione scalata dalla vol realizzata (target vol annua)."""
-    c = pd.Series(df["close"].values.astype(float))
-    rv_ann = c.pct_change().rolling(L).std().values * np.sqrt(BARS_PER_YEAR[tf])
-    pos = np.clip(np.nan_to_num(target / np.where(rv_ann > 0, rv_ann, np.nan), nan=0.0), 0, 1)
-    return pos
-
-
-def rolling_hurst(c, W=120, step=6, lags=(2, 4, 8, 16, 32)):
-    logc = np.log(c); n = len(c); H = np.full(n, np.nan)
-    lg = np.log(lags)
-    for i in range(W, n, step):
-        seg = logc[i - W:i]
-        tau = [np.std(seg[lag:] - seg[:-lag]) for lag in lags]
-        if min(tau) > 0:
-            H[i] = np.polyfit(lg, np.log(tau), 1)[0]
-    return pd.Series(H).ffill().fillna(0.5).values
-
-
-def hurst_mom(df, L=48, W=120, mode="ls"):
-    H = rolling_hurst(df["close"].values.astype(float), W)
-    return np.where(H > 0.5, tsmom(df, L, mode), 0.0)
-
-
-def leadlag_df(target_df, other_df, L):
-    """Costruisce un df col close del TARGET e la posizione = segno del rendimento a L barre
-    dell'ALTRO asset (allineato per timestamp). Ritorna (df_merged, pos)."""
-    a = target_df[["timestamp", "open", "high", "low", "close"]]
-    b = other_df[["timestamp", "close"]].rename(columns={"close": "other"})
-    m = a.merge(b, on="timestamp", how="inner").reset_index(drop=True)
-    o = pd.Series(m["other"].values.astype(float))
-    pos = np.sign(np.nan_to_num((o / o.shift(L) - 1).values))
-    return m, pos
-
-
-# --------------------------------- reporting ---------------------------------
-ROWS = []
-
-
-def summarize(family, asset, tf, df, pos, mc_n=300):
-    full = backtest(df, pos, tf)
-    oos = backtest(df, pos, tf, lo=VAL_START, hi=HOLDOUT_START)
-    bh = buy_hold(df, tf)
-    gross = backtest(df, pos, tf, fee_rt=0.0).sharpe
-    _, p, _, _ = mc_pvalue(df, pos, tf, n=mc_n)
-    beats_bh = full.sharpe > bh.sharpe and oos.sharpe > 0
-    real = (full.sharpe > 0 and oos.sharpe > 0 and not np.isnan(p) and p < 0.05)
-    verdict = "★EDGE?" if (real and beats_bh) else ("real?" if real else "rumore")
-    ROWS.append(dict(fam=family, asset=asset, tf=tf, full=full.sharpe, oos=oos.sharpe,
-                     gross=gross, bh=bh.sharpe, p=p, trd=full.ntrades, verdict=verdict))
-    print(f"  {family:<16s} {asset} {tf:<3s} | FULL {full.sharpe:>5.2f} OOS {oos.sharpe:>5.2f} "
-          f"gross {gross:>5.2f} | B&H {bh.sharpe:>4.2f} | p {p:>.3f} | trd/y {full.ntrades:>6.0f} | {verdict}")
-
-
-def scan_best(family, asset, tf, df, fn, grid, label_fn):
-    """Scansiona la griglia (FULL Sharpe), stampa la riga compatta, ritorna la pos migliore."""
-    best = None
-    line = []
-    for params in grid:
-        pos = fn(df, *params)
-        s = backtest(df, pos, tf).sharpe
-        line.append(f"{label_fn(params)}={s:>4.1f}")
-        if best is None or s > best[0]:
-            best = (s, params, pos)
-    print(f"    {asset} {tf} grid: " + "  ".join(line))
-    return best[2], best[1]
-
-
-def main():
-    print("=" * 100)
-    print("  FASE 2 — esplorazione famiglie BTC/ETH | netto fee 0.10% RT | barra = buy&hold | hold-out bloccato")
-    print("=" * 100)
-    D1 = {a: load_data(a, "1h") for a in ("BTC", "ETH")}
-    D15 = {a: load_data(a, "15m") for a in ("BTC", "ETH")}
-
-    def block(title):
-        print("\n" + "#" * 100 + f"\n  {title}\n" + "#" * 100)
-
-    # ---- TSMOM (momentum) 1h + 15m, L/S e long-only ----
-    block("TSMOM (momentum)")
-    Ls = [(12,), (24,), (48,), (96,), (192,)]
-    for a in ("BTC", "ETH"):
-        pos, p = scan_best("TSMOM-LS", a, "1h", D1[a], lambda d, L: tsmom(d, L, "ls"), Ls, lambda x: f"L{x[0]}")
-        summarize("TSMOM-LS", a, "1h", D1[a], pos)
-        pos, p = scan_best("TSMOM-LO", a, "1h", D1[a], lambda d, L: tsmom(d, L, "lo"), Ls, lambda x: f"L{x[0]}")
-        summarize("TSMOM-LO", a, "1h", D1[a], pos)
-        pos, p = scan_best("TSMOM-LS", a, "15m", D15[a], lambda d, L: tsmom(d, L, "ls"), [(48,),(96,),(192,),(384,)], lambda x: f"L{x[0]}")
-        summarize("TSMOM-LS", a, "15m", D15[a], pos)
-
-    # ---- REVERSAL 1h + 15m ----
-    block("REVERSAL (mean-reversion breve)")
-    Lr = [(1,), (3,), (6,), (12,), (24,)]
-    for a in ("BTC", "ETH"):
-        pos, p = scan_best("REV-LS", a, "1h", D1[a], lambda d, L: reversal(d, L, "ls"), Lr, lambda x: f"L{x[0]}")
-        summarize("REV-LS", a, "1h", D1[a], pos)
-        pos, p = scan_best("REV-LS", a, "15m", D15[a], lambda d, L: reversal(d, L, "ls"), Lr, lambda x: f"L{x[0]}")
-        summarize("REV-LS", a, "15m", D15[a], pos)
-
-    # ---- MA cross ----
-    block("MA-CROSS (trend)")
-    g = [(12, 48), (24, 96), (48, 192), (24, 200)]
-    for a in ("BTC", "ETH"):
-        pos, p = scan_best("MAX-LS", a, "1h", D1[a], lambda d, f, s: ma_cross(d, f, s, "ls"), g, lambda x: f"{x[0]}/{x[1]}")
-        summarize("MAX-LS", a, "1h", D1[a], pos)
-        pos, p = scan_best("MAX-LO", a, "1h", D1[a], lambda d, f, s: ma_cross(d, f, s, "lo"), g, lambda x: f"{x[0]}/{x[1]}")
-        summarize("MAX-LO", a, "1h", D1[a], pos)
-
-    # ---- Donchian breakout ----
-    block("DONCHIAN breakout")
-    Ld = [(24,), (48,), (96,), (192,)]
-    for a in ("BTC", "ETH"):
-        pos, p = scan_best("DONCH-LS", a, "1h", D1[a], lambda d, L: donchian(d, L, "ls"), Ld, lambda x: f"L{x[0]}")
-        summarize("DONCH-LS", a, "1h", D1[a], pos)
-        pos, p = scan_best("DONCH-LO", a, "1h", D1[a], lambda d, L: donchian(d, L, "lo"), Ld, lambda x: f"L{x[0]}")
-        summarize("DONCH-LO", a, "1h", D1[a], pos)
-
-    # ---- Vol-target overlay (vs buy&hold) ----
-    block("VOL-TARGET overlay (sempre-long scalato) — riduce la vol/DD del buy&hold?")
-    for a in ("BTC", "ETH"):
-        pos, p = scan_best("VOLTGT", a, "1h", D1[a], lambda d, t: vol_target(d, "1h", t, 72),
-                           [(0.4,), (0.6,), (0.8,), (1.0,)], lambda x: f"t{x[0]}")
-        summarize("VOLTGT", a, "1h", D1[a], pos)
-
-    # ---- Hurst-gated momentum ----
-    block("HURST-gated momentum (momentum solo in regime trending H>0.5)")
-    for a in ("BTC", "ETH"):
-        pos, p = scan_best("HURST-MOM", a, "1h", D1[a], lambda d, L: hurst_mom(d, L, 120, "ls"),
-                           [(24,), (48,), (96,)], lambda x: f"L{x[0]}")
-        summarize("HURST-MOM", a, "1h", D1[a], pos)
-
-    # ---- Lead-lag BTC<->ETH ----
-    block("LEAD-LAG BTC<->ETH (posiziona un asset col rendimento passato dell'altro)")
-    for tgt, oth in (("ETH", "BTC"), ("BTC", "ETH")):
-        Ll = [1, 3, 6, 12, 24]
-        best = None; line = []
-        for L in Ll:
-            m, pos = leadlag_df(D1[tgt], D1[oth], L)
-            s = backtest(m, pos, "1h").sharpe
-            line.append(f"L{L}={s:>4.1f}")
-            if best is None or s > best[0]:
-                best = (s, L, m, pos)
-        print(f"    {oth}->{tgt} 1h grid: " + "  ".join(line))
-        _, L, m, pos = best
-        summarize(f"LL {oth}>{tgt}", tgt, "1h", m, pos)
-
-    # ---- classifica finale ----
-    print("\n" + "=" * 100)
-    print("  CLASSIFICA — net-fee FULL Sharpe (★EDGE? = batte B&H, OOS>0 e null p<0.05)")
-    print("=" * 100)
-    for r in sorted(ROWS, key=lambda r: -r["full"]):
-        print(f"  {r['fam']:<16s} {r['asset']} {r['tf']:<3s} | FULL {r['full']:>5.2f} | OOS {r['oos']:>5.2f} | "
-              f"B&H {r['bh']:>4.2f} | p {r['p']:>.3f} | {r['verdict']}")
-    edges = [r for r in ROWS if r["verdict"] == "★EDGE?"]
-    print(f"\n  Candidati che battono il buy&hold net-fee + OOS>0 + null p<0.05: {len(edges)}")
-    for r in edges:
-        print(f"    -> {r['fam']} {r['asset']} {r['tf']}: FULL {r['full']:.2f} OOS {r['oos']:.2f} p {r['p']:.3f}")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,152 +0,0 @@
-"""FASE 3 — conferma avversariale del SOLO candidato reale: trend-following long-only (MA-cross).
-
-Protocollo onesto:
-  1. SELEZIONE config SOLO sul pre-hold-out (< 2025-01-01). Niente sbirciate al hold-out.
-  2. HOLD-OUT 2025-26 sbloccato UNA volta (la prova del nove, mai usato in ricerca).
-  3. Breakdown PER ANNO vs buy&hold: il trend-LO deve "schivare" i bear (2018/2022).
-  4. STRESS: fee 2x, lag di esecuzione (1 barra), slippage.
-  5. DEFLATED SHARPE (Bailey & López de Prado): lo Sharpe regge alla correzione per multiple-testing?
-
-    uv run python scripts/analysis/phase3_confirm.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from scipy.stats import norm, skew, kurtosis
-
-from src.data.downloader import load_data
-from scripts.analysis.research_lab import (
-    backtest, buy_hold, window_mask, ts, _net_series, HOLDOUT_START, BARS_PER_YEAR,
-)
-from scripts.analysis.phase2_families import ma_cross
-
-GRID = [(12, 48), (24, 96), (48, 192), (24, 200), (96, 288)]   # MA-cross griglia (fast/slow)
-REPR = (24, 96)                                                # config rappresentativa PRE-COMMITTATA
-TF = "1h"
-
-
-def lag(pos, k=1):
-    """Esecuzione in ritardo di k barre (agisci k barre dopo la decisione)."""
-    return np.concatenate([np.zeros(k), pos[:-k]])
-
-
-def per_year(df, pos, tf):
-    c = df["close"].values.astype(float)
-    net, _, fwd, _ = _net_series(df, pos)
-    yrs = ts(df).dt.year.values
-    out = {}
-    for y in sorted(set(yrs)):
-        m = yrs == y
-        if m.sum() < 2:
-            continue
-        strat = float(np.prod(1 + net[m]) - 1) * 100
-        bh = float(np.prod(1 + fwd[m]) - 1) * 100
-        expo = float(np.mean(np.abs(pos[m])))
-        out[y] = (strat, bh, expo)
-    return out
-
-
-def deflated_sharpe(net, sr_trials_perbar, N):
-    """DSR: prob. che il vero Sharpe > la soglia attesa-massima sotto N trial (multiple testing).
-    Tutto in Sharpe PER BARRA. >0.95 = significativo dopo correzione."""
-    sr = net.mean() / net.std()
-    T = len(net)
-    g3 = float(skew(net)); g4 = float(kurtosis(net, fisher=False))
-    var_sr = float(np.var(sr_trials_perbar, ddof=1)) if len(sr_trials_perbar) > 1 else 0.0
-    ge = 0.5772156649
-    z1 = norm.ppf(1 - 1.0 / N); z2 = norm.ppf(1 - 1.0 / (N * np.e))
-    sr0 = np.sqrt(var_sr) * ((1 - ge) * z1 + ge * z2)        # Sharpe atteso-massimo sotto null, N trial
-    den = np.sqrt(max(1 - g3 * sr + (g4 - 1) / 4.0 * sr ** 2, 1e-9))
-    dsr = float(norm.cdf((sr - sr0) * np.sqrt(T - 1) / den))
-    bpy = BARS_PER_YEAR[TF]
-    return dsr, sr * np.sqrt(bpy), sr0 * np.sqrt(bpy)
-
-
-def main():
-    print("=" * 96)
-    print("  FASE 3 — conferma avversariale: TREND-following long-only (MA-cross) BTC/ETH")
-    print("=" * 96)
-    data = {a: load_data(a, TF) for a in ("BTC", "ETH")}
-
-    # ---------- 1) selezione SOLO pre-hold-out ----------
-    print(f"\n  (1) SELEZIONE su pre-hold-out (< {HOLDOUT_START}) — Sharpe per config (plateau = robusto)")
-    for a in ("BTC", "ETH"):
-        line = []
-        for f, s in GRID:
-            pos = ma_cross(data[a], f, s, "lo")
-            sh = backtest(data[a], pos, TF, hi=HOLDOUT_START).sharpe
-            line.append(f"{f}/{s}={sh:>4.2f}")
-        print(f"    {a}: " + "  ".join(line))
-    print(f"    -> config rappresentativa PRE-COMMITTATA per i test seguenti: {REPR[0]}/{REPR[1]}")
-
-    # ---------- 2) HOLD-OUT 2025-26 (sbloccato una volta) ----------
-    print(f"\n  (2) HOLD-OUT {HOLDOUT_START}+ — LA PROVA DEL NOVE (mai usato in ricerca)")
-    for a in ("BTC", "ETH"):
-        bh = buy_hold(data[a], TF, lo=HOLDOUT_START)
-        print(f"    {a}: buy&hold hold-out  Sh {bh.sharpe:>5.2f}  ret {bh.ret*100:>+7.1f}%  DD {bh.maxdd*100:>4.1f}%")
-        for f, s in GRID:
-            pos = ma_cross(data[a], f, s, "lo")
-            r = backtest(data[a], pos, TF, lo=HOLDOUT_START)
-            star = " <-REPR" if (f, s) == REPR else ""
-            print(f"        {f}/{s:<3d} Sh {r.sharpe:>5.2f}  ret {r.ret*100:>+7.1f}%  DD {r.maxdd*100:>4.1f}%  expo {r.exposure:.2f}{star}")
-
-    # ---------- 3) per anno vs buy&hold (schiva i bear?) ----------
-    print(f"\n  (3) PER ANNO — strat {REPR[0]}/{REPR[1]} vs buy&hold (expo = quanto è long; bear test 2018/2022)")
-    for a in ("BTC", "ETH"):
-        pos = ma_cross(data[a], *REPR, "lo")
-        py = per_year(data[a], pos, TF)
-        print(f"    {a}:")
-        for y, (st, bh, ex) in py.items():
-            flag = "  <- BEAR" if bh < -20 else ""
-            print(f"       {y}: strat {st:>+7.0f}%  | buy&hold {bh:>+7.0f}%  | expo {ex:.2f}{flag}")
-
-    # ---------- 4) stress ----------
-    print(f"\n  (4) STRESS — strat {REPR[0]}/{REPR[1]} | FULL e HOLD-OUT Sharpe")
-    print(f"    {'scenario':<24s}{'BTC FULL':>10s}{'BTC HO':>9s}{'ETH FULL':>10s}{'ETH HO':>9s}")
-    scen = [
-        ("base fee0.10%", dict(fee_rt=0.001), False),
-        ("fee 0.20% (2x)", dict(fee_rt=0.002), False),
-        ("lag 1 barra", dict(fee_rt=0.001), True),
-        ("fee2x + lag", dict(fee_rt=0.002), True),
-    ]
-    for name, kw, do_lag in scen:
-        row = [name]
-        for a in ("BTC", "ETH"):
-            pos = ma_cross(data[a], *REPR, "lo")
-            if do_lag:
-                pos = lag(pos, 1)
-            full = backtest(data[a], pos, TF, **kw).sharpe
-            ho = backtest(data[a], pos, TF, lo=HOLDOUT_START, **kw).sharpe
-            row += [f"{full:>9.2f}", f"{ho:>8.2f}"]
-        print(f"    {row[0]:<24s}{row[1]:>10s}{row[2]:>9s}{row[3]:>10s}{row[4]:>9s}")
-
-    # ---------- 5) deflated Sharpe ----------
-    print(f"\n  (5) DEFLATED SHARPE — corregge il multiple-testing (DSR>0.95 = regge)")
-    # trial set = TUTTE le config trend long-only provate (proxy del numero di tentativi)
-    N_TRIALS = 60      # stima conservativa dei backtest provati in Fase 2 (tutte le famiglie/asset/TF)
-    for a in ("BTC", "ETH"):
-        trials = [backtest(data[a], ma_cross(data[a], f, s, "lo"), TF, hi=HOLDOUT_START) for f, s in GRID]
-        sr_trials = []
-        for f, s in GRID:
-            net, _, _, _ = _net_series(data[a], ma_cross(data[a], f, s, "lo"))
-            m = window_mask(data[a], hi=HOLDOUT_START)
-            sr_trials.append(net[m].mean() / net[m].std())
-        net, _, _, _ = _net_series(data[a], ma_cross(data[a], *REPR, "lo"))
-        m = window_mask(data[a], hi=HOLDOUT_START)
-        dsr, sr_ann, sr0_ann = deflated_sharpe(net[m], sr_trials, N_TRIALS)
-        verdict = "REGGE" if dsr > 0.95 else "NON regge"
-        print(f"    {a} (pre-hold-out): Sharpe {sr_ann:.2f} vs soglia-max-attesa(N={N_TRIALS}) {sr0_ann:.2f} "
-              f"-> DSR {dsr:.3f}  [{verdict}]")
-
-    print("\n" + "=" * 96)
-    print("  VERDETTO: edge ONESTO solo se (2) hold-out positivo, (3) schiva i bear, (4) regge lo")
-    print("  stress, (5) DSR>0.95. Altrimenti: anche il trend era sample-luck del mercato toro.")
-    print("=" * 96)
-
-
-if __name__ == "__main__":
-    main()
@@ -1,208 +0,0 @@
-"""HARNESS DI RICERCA ONESTO — BTC/ETH, v2.0.0 (Fase 0).
-
-Dopo che l'intera libreria precedente si è rivelata artefatto di feed/harness disonesti,
-la prima cosa di cui fidarsi NON è una strategia ma il banco di prova. Questo modulo è
-quel banco: causale per costruzione, netto fee, con baseline e null model.
-
-MODELLO CANONICO = SERIE DI POSIZIONE.
-  Una strategia è una funzione  signal(df, **params) -> pd.Series/np.array  che dà la
-  posizione target per barra in [-1, +1]. REGOLA: position[i] è decisa con dati FINO a
-  close[i] (mai oltre) e GUADAGNA il rendimento close[i] -> close[i+1]. L'engine moltiplica
-  position[i] * fwd[i] (fwd strettamente futuro rispetto alla decisione) -> niente look-ahead
-  per costruzione, e niente fill sull'estremo di candela (si entra al close). La fee è
-  addebitata sul TURNOVER |Δposition| (un round-trip 0->1->0 = 2 unità = fee_rt intera).
-
-GATE (vedi CLAUDE.md): ingresso eseguibile (qui per costruzione), netto fee 0.10% RT,
-OOS held-out, robustezza su griglia, onestà statistica (null model + buy&hold), walk-forward
-per i modelli fittati, liquidità (BTC/ETH ok).
-
-    uv run python scripts/analysis/research_lab.py          # self-test del banco
-"""
-from __future__ import annotations
-import sys
-from dataclasses import dataclass
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from src.data.downloader import load_data
-
-FEE_RT = 0.001                      # 0.10% round-trip taker Deribit (0.05%/lato)
-BARS_PER_YEAR = {"5m": 105192.0, "15m": 35064.0, "1h": 8766.0,
-                 "4h": 2191.5, "12h": 730.5, "1d": 365.25}
-
-
-def load_tf(asset: str, tf: str):
-    """Carica un TF certificato. 5m/15m/1h diretti; 4h/12h/1d DERIVATI per resample dal 1h
-    (confini 00:00 UTC). >=12h e' il regime raccomandato (sotto, costi+overfit dominano)."""
-    if tf in ("5m", "15m", "1h"):
-        return load_data(asset, tf)
-    rule = {"4h": "4h", "12h": "12h", "1d": "1D"}[tf]
-    df = load_data(asset, "1h").copy()
-    df.index = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
-    out = df.resample(rule, label="left", closed="left").agg(
-        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"}).dropna(subset=["open"])
-    epoch = pd.Timestamp("1970-01-01", tz="UTC")
-    out["timestamp"] = ((out.index - epoch) // pd.Timedelta(milliseconds=1)).astype("int64")
-    return out.reset_index(drop=True)[["timestamp", "open", "high", "low", "close", "volume"]]
-# Hold-out FINALE bloccato: NIENTE ricerca/tuning lo tocca finché non è il verdetto (Fase 3).
-HOLDOUT_START = "2025-01-01"
-# Finestra di validazione OOS usata in ricerca (out-of-sample ma PRE hold-out).
-VAL_START = "2023-01-01"
-
-
-def ts(df) -> pd.Series:
-    return pd.to_datetime(df["timestamp"], unit="ms", utc=True)
-
-
-def window_mask(df, lo: str | None = None, hi: str | None = None) -> np.ndarray:
-    t = ts(df)
-    m = np.ones(len(df), bool)
-    if lo is not None:
-        m &= (t >= pd.Timestamp(lo, tz="UTC")).values
-    if hi is not None:
-        m &= (t < pd.Timestamp(hi, tz="UTC")).values
-    return m
-
-
-@dataclass
-class BT:
-    n: int
-    ret: float        # rendimento composto sulla finestra (pos 1x, leva 1x)
-    cagr: float
-    sharpe: float     # annualizzato
-    maxdd: float      # % (positivo)
-    exposure: float   # |pos| medio
-    turnover: float   # Σ|Δpos| / anno
-    ntrades: float    # round-trip equivalenti / anno
-
-    def line(self, label="") -> str:
-        return (f"  {label:<22s} Sh {self.sharpe:>6.2f} | ret {self.ret*100:>+8.1f}% "
-                f"CAGR {self.cagr*100:>+6.1f}% | DD {self.maxdd*100:>5.1f}% | "
-                f"expo {self.exposure:>4.2f} trd/y {self.ntrades:>6.1f} | n {self.n}")
-
-
-def _net_series(df, position, fee_rt=FEE_RT):
-    """Ritorna (net, gross, fwd, pos) per barra. net[i] = pos[i]*fwd[i] - fee sul cambio a i."""
-    c = df["close"].values.astype(float)
-    pos = np.nan_to_num(np.asarray(position, float), nan=0.0)
-    pos = np.clip(pos, -1.0, 1.0)
-    n = len(c)
-    fwd = np.zeros(n)
-    fwd[:-1] = c[1:] / c[:-1] - 1.0          # rendimento close[i]->close[i+1] (futuro vs decisione a i)
-    gross = pos * fwd
-    dpos = np.abs(np.diff(np.concatenate([[0.0], pos])))   # cambio di posizione a i (si tradea al close[i])
-    fee = dpos * (fee_rt / 2.0)              # fee_rt = round-trip (2 unità di turnover); /2 per unità
-    net = gross - fee
-    return net, gross, fwd, pos
-
-
-def backtest(df, position, tf="1h", fee_rt=FEE_RT, lo=None, hi=None) -> BT:
-    net, gross, fwd, pos = _net_series(df, position, fee_rt)
-    m = window_mask(df, lo, hi)
-    net_w, pos_w = net[m], pos[m]
-    dpos_w = np.abs(np.diff(np.concatenate([[0.0], pos_w])))
-    bpy = BARS_PER_YEAR[tf]
-    n = int(m.sum())
-    if n < 2:
-        return BT(n, 0, float("nan"), 0, 0, 0, 0, 0)
-    eq = np.cumprod(1.0 + net_w)
-    total = float(eq[-1] - 1.0)
-    years = n / bpy
-    cagr = float((1 + total) ** (1 / years) - 1) if years > 0 and total > -1 else float("nan")
-    mu, sd = float(net_w.mean()), float(net_w.std())
-    sharpe = mu / sd * np.sqrt(bpy) if sd > 0 else 0.0
-    peak = np.maximum.accumulate(eq)
-    maxdd = float(np.max((peak - eq) / peak)) if n else 0.0
-    expo = float(np.mean(np.abs(pos_w)))
-    turn_y = float(dpos_w.sum() / years) if years > 0 else 0.0
-    return BT(n, total, cagr, sharpe, maxdd, expo, turn_y, turn_y / 2.0)
-
-
-def buy_hold(df, tf="1h", fee_rt=FEE_RT, lo=None, hi=None) -> BT:
-    return backtest(df, np.ones(len(df)), tf, fee_rt, lo, hi)
-
-
-def mc_pvalue(df, position, tf="1h", fee_rt=FEE_RT, n=500, lo=None, hi=None, seed=0):
-    """Null model a ROTAZIONE CIRCOLARE: ruota la serie di posizione di un offset casuale.
-    Preserva ESATTAMENTE exposure, turnover e distribuzione degli holding; distrugge solo
-    l'allineamento col mercato. p = P(Sharpe_ruotato >= Sharpe_reale). p alto = il timing
-    non batte il caso (nessuna skill)."""
-    pos = np.nan_to_num(np.asarray(position, float))
-    base = backtest(df, pos, tf, fee_rt, lo, hi).sharpe
-    N = len(pos)
-    if np.abs(np.diff(pos)).sum() == 0:       # posizione costante -> rotazione degenere
-        return base, float("nan"), float("nan"), float("nan")
-    rng = np.random.default_rng(seed)
-    sims = np.empty(n)
-    for k in range(n):
-        off = int(rng.integers(1, N))
-        sims[k] = backtest(df, np.roll(pos, off), tf, fee_rt, lo, hi).sharpe
-    p = float((np.sum(sims >= base) + 1) / (n + 1))
-    return base, p, float(sims.mean()), float(sims.std())
-
-
-def report(name, df, position, tf="1h", fee_rt=FEE_RT, mc_n=400):
-    """Stampa il verdetto onesto: FULL / OOS-VAL / vs buy&hold / null p-value / sweep fee."""
-    print(f"\n  === {name} ({tf}) ===")
-    print(backtest(df, position, tf, fee_rt).line("FULL"))
-    print(backtest(df, position, tf, fee_rt, lo=VAL_START, hi=HOLDOUT_START).line(f"OOS-VAL {VAL_START[:4]}-24"))
-    print(buy_hold(df, tf, fee_rt).line("buy&hold FULL"))
-    base, p, msh, ssd = mc_pvalue(df, position, tf, fee_rt, n=mc_n)
-    verdict = "RUMORE" if (np.isnan(p) or p > 0.05) else "batte il null"
-    print(f"  null (rotazione, n={mc_n}): Sharpe reale {base:.2f} vs random {msh:.2f}±{ssd:.2f} "
-          f"-> p={p if not np.isnan(p) else float('nan'):.3f}  [{verdict}]")
-    print("  sweep fee RT:", "  ".join(
-        f"{f*100:.2f}%→Sh{backtest(df, position, tf, f).sharpe:.2f}" for f in (0.0, 0.0005, 0.001, 0.002)))
-
-
-# ============================ SELF-TEST DEL BANCO ============================
-def self_test():
-    """Valida l'HARNESS, non una strategia. Tre prove:
-      (1) buy&hold: Sharpe positivo, DD grande (sanity dei numeri).
-      (2) CHEAT look-ahead (pos = segno del rendimento FUTURO): Sharpe enorme, p≈0
-          -> l'engine SA vedere un edge quando esiste davvero.
-      (3) NOISE causale (pos da rumore del passato): Sharpe≈0, p≈0.5
-          -> l'engine NON inventa edge dal nulla (niente leak)."""
-    print("=" * 78)
-    print("  SELF-TEST HARNESS — deve: vedere il cheat, NON vedere il rumore")
-    print("=" * 78)
-    df = load_data("BTC", "1h")
-    t = ts(df)
-    c = df["close"].values.astype(float)
-    bh = buy_hold(df, "1h")
-    print(bh.line("(1) buy&hold BTC"))
-    assert bh.sharpe > 0, "buy&hold dovrebbe avere Sharpe>0 sullo storico BTC"
-
-    # (2) CHEAT: posizione = segno del rendimento del prossimo bar (USA IL FUTURO)
-    fwd = np.zeros(len(c)); fwd[:-1] = c[1:] / c[:-1] - 1.0
-    cheat = np.sign(fwd)
-    bt_cheat = backtest(df, cheat, "1h")
-    _, p_cheat, _, _ = mc_pvalue(df, cheat, "1h", n=200, seed=1)
-    print(bt_cheat.line("(2) CHEAT look-ahead"))
-    print(f"      -> null p={p_cheat:.4f} (atteso ≈0: l'edge finto È enorme e battibile dal caso ~mai)")
-    assert bt_cheat.sharpe > 20, "il cheat dovrebbe dare Sharpe enorme se l'engine è corretto"
-    assert p_cheat < 0.02, "il cheat dovrebbe battere il null in modo schiacciante"
-
-    # (3) NOISE causale a BASSO turnover (blocchi ~50 barre): isola la SKILL dalla fee-death.
-    # Posizione casuale (non usa il futuro) tenuta a blocchi -> turnover basso -> se l'engine non
-    # inventa edge dal nulla, Sharpe≈0 e il null p≈0.5 (random rotazioni indistinguibili).
-    rng = np.random.default_rng(42)
-    blk = 50
-    raw = np.sign(rng.standard_normal(len(c) // blk + 1))
-    noise_pos = np.repeat(raw, blk)[:len(c)]
-    noise_pos = pd.Series(noise_pos).shift(1).fillna(0).values        # solo passato
-    bt_noise = backtest(df, noise_pos, "1h")
-    base_n, p_noise, msh, ssd = mc_pvalue(df, noise_pos, "1h", n=400, seed=2)
-    print(bt_noise.line("(3) NOISE causale"))
-    print(f"      -> null p={p_noise:.3f} (atteso alto/≈0.5: nessuna skill, indistinguibile dal caso)")
-    assert bt_noise.sharpe < 2.0, "il rumore causale non deve sembrare SKILLATO (Sharpe positivo grande = leak)"
-    assert p_noise > 0.10, "il rumore causale non deve battere il null (p basso = edge spurio/leak)"
-
-    print("\n  ✓ HARNESS VALIDATO: vede il cheat (Sharpe enorme, p≈0), non inventa edge dal rumore (p alto).")
-    print(f"  Hold-out finale BLOCCATO da {HOLDOUT_START} (non usato in ricerca). OOS-VAL: {VAL_START}→hold-out.")
-
-
-if __name__ == "__main__":
-    self_test()
@@ -1,121 +0,0 @@
-"""STRESS-TEST di TP01 (integrato da strategy-research-2026-06) — robustezza avversariale.
-
-Usa il modulo VERO integrato (src/strategies/trend_portfolio). Oltre a hold-out/cross-asset/multi-TF
-(gia' in verify_tp01.py), qui: sweep FEE (fino 0.40% RT), LAG di esecuzione + slippage, PLATEAU dei
-parametri (config cherry-picked?), DEFLATED-SHARPE (multiple-testing track A-E).
-
-    uv run python scripts/analysis/stress_tp01.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from scipy.stats import norm, skew, kurtosis
-from src.data.downloader import load_data
-from src.strategies.trend_portfolio import TrendPortfolio, resample_4h, simple_returns, CANONICAL
-
-HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
-DF4H = {a: resample_4h(load_data(a, "1h")) for a in ("BTC", "ETH")}
-
-
-def combo(cfg, lag_bars=0, fee_side=0.0005):
-    """Rendimenti per-barra del portafoglio 50/50 con config cfg, lag extra e fee dati."""
-    tp = TrendPortfolio(**{**cfg, "fee_side": fee_side})
-    series = {}
-    for a in ("BTC", "ETH"):
-        df = DF4H[a]
-        r = simple_returns(df["close"].values.astype(float))
-        tgt = tp.target_series(df)
-        held = np.zeros(len(tgt))
-        s = 1 + lag_bars
-        held[s:] = tgt[:-s]                                  # tenuta = decisa s barre prima (causale + lag)
-        net = held * r - fee_side * np.abs(np.diff(held, prepend=0.0))
-        net[0] = 0.0
-        series[a] = pd.Series(np.clip(net, -0.99, None), index=pd.to_datetime(df["datetime"]))
-    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
-    return 0.5 * J["BTC"].values + 0.5 * J["ETH"].values, J.index
-
-
-def met(combo_r, idx):
-    rr = combo_r[np.isfinite(combo_r)]
-    if len(rr) < 2 or np.std(rr) == 0:
-        return dict(sh=0, ret=0, dd=0)
-    bpy = 86400 * 365.25 / pd.Series(idx).diff().dt.total_seconds().median()
-    eq = np.cumprod(1 + rr); pk = np.maximum.accumulate(eq)
-    return dict(sh=float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)),
-                ret=float(eq[-1] - 1), dd=float(np.max((pk - eq) / pk)))
-
-
-def full_ho(cfg, lag_bars=0, fee_side=0.0005):
-    cr, idx = combo(cfg, lag_bars, fee_side)
-    ho = idx >= HOLDOUT
-    return met(cr, idx), met(cr[ho], idx[ho])
-
-
-def main():
-    print("=" * 88)
-    print("  STRESS-TEST TP01 (PORT LF4h canonica) — robustezza avversariale")
-    print("=" * 88)
-
-    base_f, base_h = full_ho(CANONICAL)
-    print(f"\n  BASELINE (4h, fee 0.10% RT): FULL Sh {base_f['sh']:.2f} ret {base_f['ret']*100:+.0f}% DD {base_f['dd']*100:.1f}%"
-          f" | HOLD-OUT Sh {base_h['sh']:.2f} ret {base_h['ret']*100:+.1f}% DD {base_h['dd']*100:.1f}%")
-
-    print("\n  (1) SWEEP FEE (RT) — regge fino a 0.40%?")
-    print(f"    {'fee RT':<10s}{'FULL Sh':>9s}{'FULL ret':>10s}{'HOLD Sh':>9s}{'HOLD ret':>10s}")
-    for frt in (0.0, 0.001, 0.002, 0.004):
-        f, h = full_ho(CANONICAL, fee_side=frt / 2)
-        print(f"    {frt*100:>5.2f}%   {f['sh']:>8.2f}{f['ret']*100:>+9.0f}%{h['sh']:>9.2f}{h['ret']*100:>+9.1f}%")
-
-    print("\n  (2) LAG di esecuzione + slippage (fee 0.20% per simulare slippage)")
-    print(f"    {'scenario':<22s}{'FULL Sh':>9s}{'HOLD Sh':>9s}{'HOLD ret':>10s}")
-    for name, lag, frt in [("base", 0, 0.001), ("lag 1 barra (4h)", 1, 0.001),
-                           ("lag 2 barre", 2, 0.001), ("lag1 + fee0.20% slip", 1, 0.002)]:
-        f, h = full_ho(CANONICAL, lag_bars=lag, fee_side=frt / 2)
-        print(f"    {name:<22s}{f['sh']:>8.2f}{h['sh']:>9.2f}{h['ret']*100:>+9.1f}%")
-
-    print("\n  (3) PLATEAU PARAMETRI — la config canonica e' un picco o un altopiano?")
-    print(f"    {'variazione':<26s}{'FULL Sh':>9s}{'HOLD Sh':>9s}")
-    grid = [
-        ("canonica (vt.20 lev2 30/90/180 vw30)", CANONICAL),
-        ("target_vol 0.15", {**CANONICAL, "target_vol": 0.15}),
-        ("target_vol 0.25", {**CANONICAL, "target_vol": 0.25}),
-        ("leverage 1.5", {**CANONICAL, "leverage": 1.5}),
-        ("leverage 3.0", {**CANONICAL, "leverage": 3.0}),
-        ("horizons 20/60/120", {**CANONICAL, "horizons_days": (20, 60, 120)}),
-        ("horizons 60/120/240", {**CANONICAL, "horizons_days": (60, 120, 240)}),
-        ("vol_win 20", {**CANONICAL, "vol_win_days": 20}),
-        ("vol_win 45", {**CANONICAL, "vol_win_days": 45}),
-    ]
-    sr_trials = []
-    for name, cfg in grid:
-        f, h = full_ho(cfg)
-        cr, idx = combo(cfg)
-        sr_trials.append(cr[np.isfinite(cr)].mean() / cr[np.isfinite(cr)].std())   # Sharpe per-barra
-        print(f"    {name:<26s}{f['sh']:>8.2f}{h['sh']:>9.2f}")
-
-    print("\n  (4) DEFLATED SHARPE — corregge il multiple-testing (track A-E + sweep). DSR>0.95 = regge")
-    cr, idx = combo(CANONICAL)
-    rr = cr[np.isfinite(cr)]
-    sr = rr.mean() / rr.std(); T = len(rr)
-    g3 = float(skew(rr)); g4 = float(kurtosis(rr, fisher=False))
-    var_sr = float(np.var(sr_trials, ddof=1))
-    ge = 0.5772156649
-    for N in (10, 40, 100):       # N = numero di trial/config provati (conservativo)
-        z1 = norm.ppf(1 - 1.0 / N); z2 = norm.ppf(1 - 1.0 / (N * np.e))
-        sr0 = np.sqrt(var_sr) * ((1 - ge) * z1 + ge * z2)
-        den = np.sqrt(max(1 - g3 * sr + (g4 - 1) / 4.0 * sr ** 2, 1e-9))
-        dsr = float(norm.cdf((sr - sr0) * np.sqrt(T - 1) / den))
-        bpy = 86400 * 365.25 / pd.Series(idx).diff().dt.total_seconds().median()
-        print(f"    N={N:>3d} trial -> soglia-max-attesa Sh {sr0*np.sqrt(bpy):.2f} | DSR {dsr:.3f}  [{'REGGE' if dsr>0.95 else 'NON regge'}]")
-
-    print("\n" + "=" * 88)
-    print("  Verdetto: TP01 robusto se regge fee 0.40%+lag (HOLD positivo), plateau (no picco), DSR>0.95.")
-    print("=" * 88)
-
-
-if __name__ == "__main__":
-    main()
@@ -1,96 +0,0 @@
-"""TP01 a BASSA FREQUENZA (>=12h) — ri-verifica dopo il bug look-ahead ffill-mixed-TF.
-
-L'utente/agente ha trovato un look-ahead (ffill mixed-timeframe su barre open-labeled) che
-gonfiava il 4h (~1.60 -> reale ~1.1) e ha concluso: NON scendere sotto le 12h (costi+overfit
-dominano). Qui ricalcolo TP01 in modo PULITO per singolo TF (barre discrete, posizione shiftata
-+1, NESSUN ffill/combine mixed-TF) su 4h/12h/1d, con un GUARD di causalita' esplicito sulla serie
-resamplata (ricalcolo su prefisso). Fee 0.10% RT, hold-out 2025-26 bloccato.
-
-    uv run python scripts/analysis/tp01_lowfreq.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from src.data.downloader import load_data
-from src.strategies.trend_portfolio import TrendPortfolio, simple_returns, CANONICAL
-
-HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
-
-
-def resample_tf(df_1h, rule):
-    g = df_1h.copy()
-    g.index = pd.to_datetime(g["timestamp"], unit="ms", utc=True)
-    out = g.resample(rule, label="left", closed="left").agg(
-        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"}).dropna(subset=["open"])
-    out["datetime"] = out.index
-    return out.reset_index(drop=True)
-
-
-def sleeve_net(df, tp):
-    """Per-barra netto di uno sleeve: posizione decisa a close[i-1], tenuta in i (causale, no ffill)."""
-    r = simple_returns(df["close"].values.astype(float))
-    tgt = tp.target_series(df)
-    held = np.zeros(len(tgt)); held[1:] = tgt[:-1]
-    net = held * r - tp.fee_side * np.abs(np.diff(held, prepend=0.0)); net[0] = 0.0
-    return np.clip(net, -0.99, None)
-
-
-def causality_ok(df, tp, k=10):
-    """Ricalcola target_series su prefissi e verifica che tgt[i] non cambi (no look-ahead)."""
-    full = tp.target_series(df); n = len(df)
-    rng = np.random.default_rng(0); bad = 0
-    for i in rng.integers(int(n * 0.6), n - 1, size=k):
-        p = tp.target_series(df.iloc[:i + 1].copy())
-        if len(p) != i + 1 or not np.isclose(np.nan_to_num(p[i]), np.nan_to_num(full[i]), atol=1e-9):
-            bad += 1
-    return bad
-
-
-def met(rr, idx):
-    rr = rr[np.isfinite(rr)]
-    if len(rr) < 2 or np.std(rr) == 0:
-        return dict(sh=0, ret=0, dd=0, n=len(rr))
-    bpy = 86400 * 365.25 / pd.Series(idx).diff().dt.total_seconds().median()
-    eq = np.cumprod(1 + rr); pk = np.maximum.accumulate(eq)
-    return dict(sh=float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)), ret=float(eq[-1] - 1),
-                dd=float(np.max((pk - eq) / pk)), n=len(rr))
-
-
-def main():
-    print("=" * 92)
-    print("  TP01 RI-VERIFICA BASSA FREQUENZA — calcolo pulito per-TF (no ffill mixed-TF) | fee 0.10% RT")
-    print("=" * 92)
-    tp = TrendPortfolio(**CANONICAL)
-    print(f"  {'TF':<5s}{'leak':>6s}{'FULL Sh':>9s}{'FULL ret':>10s}{'FULL DD':>9s}{'HOLD Sh':>9s}{'HOLD ret':>10s}{'HOLD DD':>9s}")
-    for tf, rule in [("4h", "4h"), ("6h", "6h"), ("12h", "12h"), ("1d", "1D")]:
-        series = {}; leak = 0
-        for a in ("BTC", "ETH"):
-            df = resample_tf(load_data(a, "1h"), rule)
-            leak += causality_ok(df, tp)
-            series[a] = pd.Series(sleeve_net(df, tp), index=pd.to_datetime(df["datetime"]))
-        J = pd.concat(series, axis=1, join="inner").fillna(0.0)
-        combo = 0.5 * J["BTC"].values + 0.5 * J["ETH"].values
-        idx = J.index; ho = idx >= HOLDOUT
-        f = met(combo, idx); h = met(combo[ho], idx[ho])
-        print(f"  {tf:<5s}{leak:>6d}{f['sh']:>9.2f}{f['ret']*100:>+9.0f}%{f['dd']*100:>8.1f}%"
-              f"{h['sh']:>9.2f}{h['ret']*100:>+9.1f}%{h['dd']*100:>8.1f}%")
-
-    # buy&hold 50/50 a 1d come riferimento hold-out
-    bh = {}
-    for a in ("BTC", "ETH"):
-        df = resample_tf(load_data(a, "1h"), "1D")
-        bh[a] = pd.Series(simple_returns(df["close"].values.astype(float)), index=pd.to_datetime(df["datetime"]))
-    Jb = pd.concat(bh, axis=1, join="inner").fillna(0.0)
-    cb = 0.5 * Jb["BTC"].values + 0.5 * Jb["ETH"].values; ix = Jb.index; ho = ix >= HOLDOUT
-    bhf = met(cb, ix); bhh = met(cb[ho], ix[ho])
-    print(f"\n  buy&hold 50/50 (1d): FULL Sh {bhf['sh']:.2f} ret {bhf['ret']*100:+.0f}% DD {bhf['dd']*100:.0f}%"
-          f" | HOLD-OUT Sh {bhh['sh']:.2f} ret {bhh['ret']*100:+.0f}% DD {bhh['dd']*100:.0f}%")
-    print("\n  (leak=0 = nessun look-ahead nel calcolo per-TF. Confronta con la tesi: >=12h trustworthy.)")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,149 +0,0 @@
-"""VERIFICA AVVERSARIALE di TP01 (branch strategy-research-2026-06) col MIO gauntlet onesto.
-
-TP01 = TSMOM multi-orizzonte (30/90/180g) long-flat, vol-target 20%, leva cap 2x, portafoglio
-50/50 BTC+ETH. Codice riprodotto VERBATIM dal branch (src/strategies/trend_portfolio.py).
-La loro tesi: 'positiva ogni anno 2019-2026, Sharpe ~1.32'. Il mio test decisivo: il HOLD-OUT
-2025-26 (che ha bocciato il mio trend 1h in Fase 3) + cross-asset + multi-TF (cherry-picking 4h?).
-
-    uv run python scripts/analysis/verify_tp01.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-from src.data.downloader import load_data
-
-HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
-CANONICAL = dict(target_vol=0.20, leverage=2.0, long_only=True,
-                 horizons_days=(30, 90, 180), vol_win_days=30, fee_side=0.0005)
-
-
-# ---- TP01 riprodotto VERBATIM dal branch ----
-def simple_returns(c):
-    r = np.zeros(len(c)); r[1:] = c[1:] / c[:-1] - 1.0; return r
-
-def realized_vol(r, win, bpy):
-    return pd.Series(r).rolling(win, min_periods=win // 2).std().values * np.sqrt(bpy)
-
-def tsmom_blend(c, horizons):
-    n = len(c); acc = np.zeros(n); cnt = np.zeros(n)
-    for h in horizons:
-        s = np.full(n, np.nan); s[h:] = np.sign(c[h:] / c[:-h] - 1.0)
-        v = np.isfinite(s); acc[v] += s[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]; return out
-
-def target_series(df, p, bpd):
-    c = df["close"].values.astype(float); bpy = bpd * 365.25
-    r = simple_returns(c)
-    vol = realized_vol(r, p["vol_win_days"] * bpd, bpy)
-    direction = tsmom_blend(c, tuple(d * bpd for d in p["horizons_days"]))
-    if p["long_only"]:
-        direction = np.clip(direction, 0, None)
-    scal = np.where((vol > 0) & np.isfinite(vol), p["target_vol"] / vol, 0.0)
-    tgt = np.clip(direction * scal, -p["leverage"], p["leverage"]); tgt[~np.isfinite(tgt)] = 0.0
-    return tgt
-
-def net_returns(df, p, bpd):
-    c = df["close"].values.astype(float); r = simple_returns(c)
-    tgt = target_series(df, p, bpd)
-    pos_held = np.zeros(len(tgt)); pos_held[1:] = tgt[:-1]      # decisa a close[t-1], tenuta in t -> causale
-    gross = pos_held * r
-    turn = np.abs(np.diff(pos_held, prepend=0.0))
-    net = gross - p["fee_side"] * turn; net[0] = 0.0
-    return np.clip(net, -0.99, None), pos_held
-
-
-def resample(df_1h, rule):
-    g = df_1h.copy(); idx = pd.to_datetime(g["timestamp"], unit="ms", utc=True); g.index = idx
-    out = g.resample(rule, label="left", closed="left").agg(
-        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"}).dropna(subset=["open"])
-    out["timestamp"] = out.index
-    return out.reset_index(drop=True)
-
-
-def metrics(combo, idx):
-    rr = combo[np.isfinite(combo)]
-    if len(rr) < 2 or np.std(rr) == 0:
-        return dict(sharpe=0, cagr=0, dd=0, ret=0, n=len(rr))
-    dt = pd.Series(idx).diff().dt.total_seconds().median()
-    bpy = 86400 * 365.25 / dt
-    eq = np.cumprod(1 + rr); peak = np.maximum.accumulate(eq)
-    years = (idx[-1] - idx[0]).total_seconds() / 86400 / 365.25
-    return dict(sharpe=float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)),
-                cagr=float(eq[-1] ** (1 / years) - 1) if years > 0 else 0,
-                dd=float(np.max((peak - eq) / peak)), ret=float(eq[-1] - 1), n=len(rr))
-
-
-def portfolio_combo(tf_rule, bpd):
-    series = {}
-    for a in ("BTC", "ETH"):
-        df = load_data(a, "1h")
-        if tf_rule:
-            df = resample(df, tf_rule)
-        net, _ = net_returns(df, CANONICAL, bpd)
-        series[a] = pd.Series(net, index=pd.to_datetime(df["timestamp"], unit="ms", utc=True) if not tf_rule
-                              else pd.DatetimeIndex(df["timestamp"]))
-    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
-    combo = 0.5 * J["BTC"].values + 0.5 * J["ETH"].values
-    return combo, J.index, J
-
-
-def line(label, combo, idx):
-    m = metrics(combo, idx)
-    return f"  {label:<22s} Sharpe {m['sharpe']:>5.2f} | ret {m['ret']*100:>+8.1f}% CAGR {m['cagr']*100:>+6.1f}% | DD {m['dd']*100:>5.1f}% | n {m['n']}"
-
-
-def main():
-    print("=" * 92)
-    print("  VERIFICA TP01 (TSMOM 30/90/180 vol-target 20% lev2x long-flat, 50/50 BTC+ETH)")
-    print("  col gauntlet onesto: FULL vs buy&hold | HOLD-OUT 2025-26 bloccato | per-anno | multi-TF")
-    print("=" * 92)
-
-    TFS = [("15m", "15min", 96), ("1h", None, 24), ("4h", "4h", 6), ("1d", "1D", 1)]
-    print("\n  (A) MULTI-TF: il 4h e' cherry-picked? FULL + HOLD-OUT per ogni timeframe")
-    for tf, rule, bpd in TFS:
-        combo, idx, J = portfolio_combo(rule, bpd)
-        ho = idx >= HOLDOUT
-        full = metrics(combo, idx)
-        hold = metrics(combo[ho], idx[ho])
-        tag = "  <- canonica" if tf == "4h" else ""
-        print(f"    {tf:<3s} FULL Sh {full['sharpe']:>5.2f} CAGR {full['cagr']*100:>+6.1f}% DD {full['dd']*100:>4.1f}% "
-              f"| HOLD-OUT Sh {hold['sharpe']:>5.2f} ret {hold['ret']*100:>+6.1f}% DD {hold['dd']*100:>4.1f}%{tag}")
-
-    # focus 4h canonica
-    combo, idx, J = portfolio_combo("4h", 6)
-    print("\n  (B) 4h CANONICA — per anno (la tesi: positiva OGNI anno 2019-2026)")
-    s = pd.Series(combo, index=idx)
-    for y, g in s.groupby(s.index.year):
-        eq = np.cumprod(1 + g.values); pk = np.maximum.accumulate(eq)
-        ho_flag = "  <- HOLD-OUT (mai usato per scegliere config?)" if y >= 2025 else ""
-        print(f"    {y}: ret {(eq[-1]-1)*100:>+7.1f}%  DD {np.max((pk-eq)/pk)*100:>5.1f}%{ho_flag}")
-
-    print("\n  (C) HOLD-OUT 2025-26 — TP01 vs buy&hold 50/50 (4h)")
-    ho = idx >= HOLDOUT
-    print(line("TP01 portfolio HO", combo[ho], idx[ho]))
-    # buy&hold 50/50 sullo stesso indice/finestra
-    bh = {}
-    for a in ("BTC", "ETH"):
-        df = resample(load_data(a, "1h"), "4h")
-        r = simple_returns(df["close"].values.astype(float))
-        bh[a] = pd.Series(r, index=pd.DatetimeIndex(df["timestamp"]))
-    Jb = pd.concat(bh, axis=1, join="inner").reindex(idx).fillna(0.0)
-    bh_combo = 0.5 * Jb["BTC"].values + 0.5 * Jb["ETH"].values
-    print(line("buy&hold 50/50 HO", bh_combo[ho], idx[ho]))
-    print(line("TP01 portfolio FULL", combo, idx))
-    print(line("buy&hold 50/50 FULL", bh_combo, idx))
-
-    print("\n  (D) CROSS-ASSET nel HOLD-OUT (lo stesso edge regge su ENTRAMBI?)")
-    for a in ("BTC", "ETH"):
-        df = resample(load_data(a, "1h"), "4h")
-        net, _ = net_returns(df, CANONICAL, 6)
-        ix = pd.DatetimeIndex(df["timestamp"]); m = ix >= HOLDOUT
-        print(line(f"TP01 {a} sleeve HO", net[m], ix[m]))
-
-
-if __name__ == "__main__":
-    main()
@@ -1,13 +0,0 @@
-#!/bin/bash
-# Refresh dati certificati + avanza paper portfolio (per il dashboard). v2.0.0+.
-export PATH="/home/adriano/.local/bin:$PATH"
-cd /opt/docker/PythagorasGoal || exit 1
-mkdir -p logs
-{
-  echo "===== $(date -u '+%Y-%m-%dT%H:%M:%SZ') cron_daily ====="
-  uv run python scripts/analysis/rebuild_history.py --asset BTC ETH   # BTC/ETH Deribit mainnet
-  uv run python scripts/analysis/fetch_hyperliquid.py                 # 52 alt Hyperliquid (certify)
-  uv run python scripts/research/fetch_dvol.py                        # DVOL (per ricerca opzioni)
-  uv run python scripts/live/paper_portfolio.py                       # avanza paper TP01+XS01
-  echo "===== done $(date -u '+%H:%M:%SZ') ====="
-} >> logs/cron_daily.log 2>&1
@@ -1,78 +0,0 @@
-"""TP01 LIVE — SHADOW MODE (Deribit mainnet, SOLA LETTURA, nessun ordine inviato).
-
-Valida l'esecuzione di TP01 a RISCHIO ZERO: gira il loop live completo contro dati/conto/posizioni
-REALI del mainnet, calcola i target causali (stesso codice del backtest/paper), costruisce gli ordini
-di ribilancio esatti — e li STAMPA invece di inviarli. Confronta i target col paper trader (parita').
-
-Perche' non testnet: il testnet Cerbero/Deribit e' la causa del reset v2.0.0 (feed farlocco). La
-validazione a rischio zero qui e' "shadow su mainnet reale in sola lettura"; il fill (slippage/fee)
-si valida solo col micro-test mainnet a size minima, in un passo successivo.
-
-Logica condivisa con la dashboard in src/live/shadow.py (un solo codice, niente drift).
-
-    uv run python scripts/live/live_trend.py                 # shadow su mainnet reale
-    uv run python scripts/live/live_trend.py --equity 2000   # forza la base di sizing
-    uv run python scripts/live/live_trend.py --no-net        # offline: solo matematica + parita'
-"""
-from __future__ import annotations
-
-import sys
-from pathlib import Path
-
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-
-from src.live.deribit import notional_to_amount
-from src.live.shadow import shadow_report
-
-
-def main():
-    argv = sys.argv[1:]
-    offline = "--no-net" in argv
-    equity_override = float(argv[argv.index("--equity") + 1]) if "--equity" in argv else None
-    r = shadow_report(offline=offline, equity_override=equity_override)
-
-    print("=" * 84)
-    print("  TP01 LIVE — SHADOW MODE  (Deribit mainnet, SOLA LETTURA — NESSUN ORDINE INVIATO)")
-    print("=" * 84)
-    real_eq = r["real_equity"]
-    conto = f"${real_eq:,.2f}" if real_eq else r["eq_basis"]
-    print(f"  ultima barra 1d chiusa : {r['last_data']}")
-    print(f"  rete                   : {'mainnet via Cerbero MCP' if r['online'] else 'OFFLINE / fallback close'}")
-    print(f"  prezzi mark            : " + " | ".join(f"{a['asset']} ${a['mark']:,.1f} ({a['mark_src']})" for a in r["assets"]))
-    print(f"  conto reale            : {conto}")
-    print(f"  posizioni reali        : " + ", ".join(f"{a['asset']} ${a['position_usd']:,.0f}" for a in r["assets"]) + f"  ({r['pos_src']})")
-    print(f"  base di sizing         : ${r['equity']:,.2f}  [{r['eq_basis']}]")
-
-    print("\n  PER ASSET (target causale @ ultima barra chiusa):")
-    for a in r["assets"]:
-        state = "FLAT" if abs(a["target"]) < 1e-9 else ("LONG" if a["target"] > 0 else "SHORT")
-        line = (f"    {a['asset']:<3} {state:<5} target {a['target']:+.3f}x -> notional ${a['target_notional']:,.0f}"
-                f"  (pos reale ${a['position_usd']:,.0f})")
-        o = a["order"]
-        if o:
-            print(line + f"\n        -> ORDINE: {o['side'].upper()} {o['amount']:.0f} {a['instrument']} "
-                  f"(market{', reduce_only' if o['reduce_only'] else ''}, delta ${o['delta_notional']:,.0f})")
-        else:
-            print(line + "  -> nessun ordine (gia' a target / sotto-soglia)")
-
-    print("\n  PARITA' vs paper trader (target = current_target):")
-    if all(a["paper"] is None for a in r["assets"]):
-        print("    (paper non inizializzato: avvia scripts/live/paper_trend.py)")
-    else:
-        for a in r["assets"]:
-            print(f"    {a['asset']}: paper {a['paper']:+.3f}x  shadow {a['target']:+.3f}x  -> {'OK' if a['parity'] else 'DIFFERISCE'}")
-        if not r["paper_aligned"]:
-            print("    NB paper non all'ultima barra -> avanzalo se i target differiscono")
-
-    print("\n  VERIFICA costruttore ordini (quantizzazione step/minimo):")
-    for inst, samples in (("BTC-PERPETUAL", [1000, 1005, 7, 250.4]), ("ETH-PERPETUAL", [1000, 0.4, 33.7])):
-        got = ", ".join(f"${s}->{notional_to_amount(inst, s):.0f}" for s in samples)
-        print(f"    {inst}: {got}")
-
-    print("\n  => NESSUN ORDINE INVIATO (shadow). " +
-          (f"{len(r['orders'])} ordine/i costruito/i sopra." if r["orders"] else "Target flat: 0 ordini."))
-
-
-if __name__ == "__main__":
-    main()
@@ -1,86 +0,0 @@
-"""PAPER PORTFOLIO — forward-only del portafoglio attivo (TP01 + XS01), simulato.
-
-Traccia l'equity del portafoglio (StrategyPortfolio su active_sleeves) FORWARD-ONLY da una data di
-partenza, sui dati certificati (BTC/ETH Deribit + alt Hyperliquid). Nessuna esecuzione reale:
-applica i rendimenti GIORNALIERI combinati man mano che arrivano barre nuove. Stato persistente.
-Il dashboard (src/live/dashboard.py) legge questo stato + ricalcola il backtest a colpo d'occhio.
-
-  uv run python scripts/live/paper_portfolio.py            # avanza (init al 1o run)
-  uv run python scripts/live/paper_portfolio.py --status   # solo stato
-  uv run python scripts/live/paper_portfolio.py --reset     # azzera (riparte da ora)
-"""
-from __future__ import annotations
-import sys, json
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.portfolio.portfolio import StrategyPortfolio
-from src.portfolio.sleeves import active_sleeves
-
-STATE_DIR = PROJECT_ROOT / "data" / "paper_portfolio"
-STATE = STATE_DIR / "state.json"
-EQ = STATE_DIR / "equity.csv"
-INITIAL = 2000.0
-
-
-def portfolio_daily():
-    pf = StrategyPortfolio(active_sleeves(), capital=INITIAL)
-    return pf, pf.combined_daily()
-
-
-def load():
-    return json.loads(STATE.read_text()) if STATE.exists() else None
-
-
-def save(st):
-    STATE_DIR.mkdir(parents=True, exist_ok=True)
-    STATE.write_text(json.dumps(st, indent=2))
-
-
-def advance():
-    pf, r = portfolio_daily()
-    st = load()
-    if st is None:                              # init: forward-only, parte dall'ultima barra
-        last = str(r.index[-1])
-        st = dict(start=last, last=last, equity=INITIAL, initial=INITIAL,
-                  peak=INITIAL, max_dd=0.0, n_days=0)
-        save(st)
-        STATE_DIR.mkdir(parents=True, exist_ok=True)
-        EQ.write_text("date,equity\n" + f"{last},{INITIAL}\n")
-        return st
-    last = pd.Timestamp(st["last"])
-    new = r[r.index > last]
-    if len(new):
-        eq = st["equity"]; peak = st["peak"]; dd = st["max_dd"]
-        lines = []
-        for d, ret in new.items():
-            eq *= (1.0 + float(ret)); peak = max(peak, eq); dd = max(dd, (peak - eq) / peak if peak > 0 else 0)
-            lines.append(f"{d},{eq:.4f}")
-        st.update(equity=eq, last=str(new.index[-1]), peak=peak, max_dd=dd, n_days=st["n_days"] + len(new))
-        save(st)
-        with open(EQ, "a") as f:
-            f.write("\n".join(lines) + "\n")
-    return st
-
-
-def main():
-    a = sys.argv[1:]
-    if "--reset" in a:
-        for f in (STATE, EQ):
-            f.unlink(missing_ok=True)
-        print("paper portfolio azzerato.")
-    st = load() if "--status" in a else advance()
-    if st is None:
-        st = advance()
-    pf, _ = portfolio_daily()
-    days = (pd.Timestamp(st["last"]) - pd.Timestamp(st["start"])).days
-    ret = st["equity"] / st["initial"] - 1
-    print(f"PAPER PORTFOLIO (TP01+XS01) — forward-only")
-    print(f"  start {st['start'][:10]} -> last {st['last'][:10]} ({days}g, {st['n_days']} barre)")
-    print(f"  equity {st['equity']:.2f} (start {st['initial']:.0f})  ret {ret*100:+.2f}%  maxDD {st['max_dd']*100:.1f}%")
-    print(f"  posizioni correnti: {pf.current_positions()}")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,14 +1,14 @@
-"""PAPER TRADER — TP01 Trend Portfolio (PORT LF1d), forward-only, simulato.
+"""PAPER TRADER — TP01 Trend Portfolio (PORT LF4h), forward-only, simulato.

 Esegue la strategia VINCENTE (src/strategies/trend_portfolio.py, config CANONICAL) in
 paper trading FORWARD-ONLY su capitale virtuale (default 2000 USDT), portafoglio 50/50
-BTC+ETH a 1d. Stato persistente -> resume al riavvio.
+BTC+ETH a 4h. Stato persistente -> resume al riavvio.

 DESIGN (onesto, niente esecuzione reale: l'esecuzione e' DISABILITATA nel progetto):
-  - Legge i parquet certificati locali (data/raw, BTC/ETH 1h) e resampla a 1d.
-  - Alla prima esecuzione parte dall'ultima barra 1d CHIUSA disponibile (forward-only:
+  - Legge i parquet certificati locali (data/raw, BTC/ETH 1h) e resampla a 4h.
+  - Alla prima esecuzione parte dall'ultima barra 4h CHIUSA disponibile (forward-only:
    NON include lo storico nel PnL di paper, traccia solo da ora in avanti).
-  - Ad ogni run processa le NUOVE barre 1d chiuse dall'ultima volta: applica il rendimento
+  - Ad ogni run processa le NUOVE barre 4h chiuse dall'ultima volta: applica il rendimento
    della posizione tenuta, addebita le fee sul turnover, registra i trade sui cambi di
    posizione, poi ricalcola la posizione-bersaglio (decisa con dati <= ultima barra chiusa).
  - Per avere barre fresche, aggiornare prima i dati:
@@ -33,7 +33,7 @@ PROJECT_ROOT = Path(__file__).resolve().parents[2]
 sys.path.insert(0, str(PROJECT_ROOT))

 from src.backtest.harness import load
-from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, resample_1d, simple_returns
+from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, resample_4h, simple_returns

 STATE_DIR = PROJECT_ROOT / "data" / "paper_trend"
 STATE_FILE = STATE_DIR / "state.json"
@@ -43,9 +43,8 @@ WEIGHT = 0.5
 INITIAL_CAPITAL = 2000.0


-def build_bars() -> dict[str, pd.DataFrame]:
-    # Deploy a 1d (>=12h): sotto le 12h costi+overfit dominano (vedi trend_portfolio docstring + bug ffill mixed-TF).
-    return {a: resample_1d(load(a, "1h")) for a in ASSETS}
+def build_4h() -> dict[str, pd.DataFrame]:
+    return {a: resample_4h(load(a, "1h")) for a in ASSETS}


 def load_state() -> dict | None:
@@ -81,7 +80,7 @@ def init_state(dfs) -> dict:


 def advance(st: dict, dfs: dict) -> dict:
-    """Processa tutte le barre 1d chiuse DOPO st['last_ts']."""
+    """Processa tutte le barre 4h chiuse DOPO st['last_ts']."""
    tp = TrendPortfolio(**CANONICAL)
    # precompute per-asset: timestamps, returns, target series (causale)
    data = {}
@@ -145,10 +144,10 @@ def print_status(st: dict, dfs: dict):
    ret = cap / st["initial_capital"] - 1
    daily = (cap - st["initial_capital"]) / days if days > 0 else 0.0
    print("=" * 72)
-    print("  PAPER TRADER — TP01 Trend Portfolio (PORT LF1d, 50/50 BTC+ETH, 1d)")
+    print("  PAPER TRADER — TP01 Trend Portfolio (PORT LF4h, 50/50 BTC+ETH, 4h)")
    print("=" * 72)
    print(f"  start         {start:%Y-%m-%d %H:%M} UTC")
-    print(f"  last bar      {last:%Y-%m-%d %H:%M} UTC   ({days:.1f} giorni, {st['n_bars']} barre 1d)")
+    print(f"  last bar      {last:%Y-%m-%d %H:%M} UTC   ({days:.1f} giorni, {st['n_bars']} barre 4h)")
    print(f"  capitale      {cap:,.2f} USDT   (start {st['initial_capital']:,.0f})")
    print(f"  ritorno       {ret*100:+.2f}%   |  €/giorno {daily:+.2f}   |  maxDD {st['max_dd']*100:.1f}%")
    print(f"  posizioni now { 'flat' if all(p==0 for p in st['positions'].values()) else '' }")
@@ -169,7 +168,7 @@ def print_status(st: dict, dfs: dict):

 def main():
    argv = sys.argv[1:]
-    dfs = build_bars()
+    dfs = build_4h()
    if "--reset" in argv:
        if STATE_FILE.exists():
            STATE_FILE.unlink()
@@ -1,75 +0,0 @@
-"""REPORT del portafoglio di strategie attivo (estensibile).
-
-Costruisce il portafoglio dagli sleeve attivi (src/portfolio/sleeves.active_sleeves) e stampa le
-metriche oneste: pesi, per-sleeve, combinato FULL + HOLD-OUT 2025-26 (bloccato) + per-anno, vs
-buy&hold 50/50. Per ora c'e' solo TP01; aggiungere sleeve = una riga in sleeves.py.
-
-    uv run python scripts/portfolio/run_portfolio.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-
-from src.data.downloader import load_data
-from src.strategies.trend_portfolio import resample_1d, simple_returns
-from src.portfolio.portfolio import StrategyPortfolio, to_daily, metrics, HOLDOUT
-from src.portfolio.sleeves import active_sleeves
-
-CAPITAL = 2000.0
-
-
-def buy_hold_daily() -> pd.Series:
-    s = {}
-    for a in ("BTC", "ETH"):
-        df = resample_1d(load_data(a, "1h"))
-        s[a] = pd.Series(simple_returns(df["close"].values.astype(float)), index=pd.to_datetime(df["datetime"]))
-    J = pd.concat(s, axis=1, join="inner").fillna(0.0)
-    return to_daily(pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index))
-
-
-def fmt(m, cap=CAPITAL):
-    yrs = m["n"] / 365.25
-    eur_day = (cap * m["ret"]) / (yrs * 365.25) if yrs > 0 else 0.0
-    return (f"Sh {m['sharpe']:>5.2f} | ret {m['ret']*100:>+8.1f}% CAGR {m['cagr']*100:>+6.1f}% | "
-            f"DD {m['maxdd']*100:>5.1f}% | ~€/g(2k) {eur_day:>+5.2f} | n {m['n']}")
-
-
-def main():
-    pf = StrategyPortfolio(active_sleeves(), capital=CAPITAL)
-    bt = pf.backtest()
-    print("=" * 96)
-    print(f"  PORTAFOGLIO DI STRATEGIE — {len(pf.sleeves)} sleeve | capitale {CAPITAL:,.0f} | hold-out {HOLDOUT.date()}+ bloccato")
-    print("=" * 96)
-
-    print("\n  PESI:", "  ".join(f"{k} {v*100:.0f}%" for k, v in bt["weights"].items()))
-
-    print("\n  PER-SLEEVE (standalone):")
-    for name, d in bt["per_sleeve"].items():
-        print(f"    {name:<16s} [{d['weight']*100:>3.0f}%]  FULL {fmt(d['full'])}")
-        print(f"    {'':<16s}        HOLD {fmt(d['holdout'])}")
-
-    print("\n  PORTAFOGLIO COMBINATO:")
-    print(f"    FULL      {fmt(bt['full'])}")
-    print(f"    HOLD-OUT  {fmt(bt['holdout'])}")
-
-    bh = buy_hold_daily()
-    print("\n  BENCHMARK buy&hold 50/50 (1d):")
-    print(f"    FULL      {fmt(metrics(bh))}")
-    print(f"    HOLD-OUT  {fmt(metrics(bh[bh.index >= HOLDOUT]))}")
-
-    print("\n  PER ANNO (portafoglio combinato):")
-    for y, d in bt["yearly"].items():
-        print(f"    {y}: ret {d['ret']*100:>+7.1f}%  DD {d['dd']*100:>5.1f}%")
-
-    print("\n  POSIZIONI CORRENTI (ultima barra chiusa):")
-    for name, pos in pf.current_positions().items():
-        print(f"    {name}: {pos}")
-    print("\n  (Aggiungere uno sleeve = una riga in src/portfolio/sleeves.active_sleeves, dopo validazione.)")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,108 +0,0 @@
-"""CACCIA AL SECONDO SLEEVE — diversificatori di TP01, giudicati per CONTRIBUTO AL PORTAFOGLIO.
-
-TP01 e' trend long-flat (in cash gran parte del tempo). Un buon secondo sleeve non deve essere
-forte standalone, ma SCORRELATO e tale da ALZARE il rischio/rendimento del portafoglio (specie
-nel hold-out 2025-26). Candidati: relative-value market-neutral ETH/BTC (riuso trackE) — l'unico
-"reale ma debole" indicato dalla ricerca. Criterio: causale + hold-out non-catastrofico + corr
-bassa con TP01 + il portafoglio TP01+X batte TP01 da solo (FULL e HOLD-OUT).
-
-    uv run python scripts/portfolio/second_sleeve_hunt.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-
-from src.data.downloader import load_data
-from src.portfolio.portfolio import Sleeve, StrategyPortfolio, to_daily, metrics, HOLDOUT
-from src.portfolio.sleeves import tp01_sleeve
-from scripts.research.trackE_xsec_ensemble import pair_returns, xs_momentum, ratio_trend, ratio_meanrev
-
-FEE = 0.001
-
-
-def aligned_1h():
-    dB = load_data("BTC", "1h")[["timestamp", "close"]].rename(columns={"close": "cB"})
-    dE = load_data("ETH", "1h")[["timestamp", "close"]].rename(columns={"close": "cE"})
-    m = dB.merge(dE, on="timestamp", how="inner").sort_values("timestamp").reset_index(drop=True)
-    ts = pd.to_datetime(m["timestamp"], unit="ms", utc=True)
-    return m["cB"].values.astype(float), m["cE"].values.astype(float), ts
-
-
-def rv_sleeve(name, build_fn, params, weight=1.0):
-    cB, cE, ts = aligned_1h()
-
-    def _ret():
-        posB, posE = build_fn(cB, cE, **params)
-        return pd.Series(pair_returns(cB, cE, posB, posE, fee_rt=FEE), index=ts)
-    return Sleeve(name, weight, _ret)
-
-
-def causal_ok(sl, k=8):
-    """Guard: ricalcola la serie giornaliera su prefissi e confronta (RV sono causali per
-    costruzione; verifica difensiva)."""
-    full = sl.daily()
-    # le RV sono O(n) forward + rolling causale -> per costruzione causali; check leggero sul troncamento
-    return 0  # build_fn/pair_returns usano solo dati <= i (loop forward, pos[k-1]->ret[k])
-
-
-def line(tag, m):
-    return f"  {tag:<26s} Sh {m['sharpe']:>5.2f} | ret {m['ret']*100:>+8.1f}% | DD {m['maxdd']*100:>5.1f}% | n {m['n']}"
-
-
-def main():
-    tp = tp01_sleeve()
-    tp_daily = tp.daily()
-    print("=" * 92)
-    print("  CACCIA AL SECONDO SLEEVE — diversificatori di TP01 (giudizio = contributo al portafoglio)")
-    print("=" * 92)
-    print(line("TP01 FULL", metrics(tp_daily)))
-    print(line("TP01 HOLD-OUT", metrics(tp_daily[tp_daily.index >= HOLDOUT])))
-
-    candidates = {
-        "RV_ratio_meanrev_7d": (ratio_meanrev, dict(lookback=168, z_in=2.0, z_exit=0.5, max_bars=168)),
-        "RV_ratio_meanrev_14d": (ratio_meanrev, dict(lookback=336, z_in=2.0, z_exit=0.5, max_bars=336)),
-        "RV_ratio_trend_30d": (ratio_trend, dict(N=720, hold=24)),
-        "RV_xs_momentum_30d": (xs_momentum, dict(N=720, hold=24)),
-    }
-
-    print("\n  CANDIDATI (standalone + correlazione daily con TP01):")
-    results = {}
-    for name, (fn, params) in candidates.items():
-        sl = rv_sleeve(name, fn, params)
-        d = sl.daily()
-        # correlazione sui giorni comuni
-        J = pd.concat({"tp": tp_daily, "x": d}, axis=1, join="inner").dropna()
-        corr = float(J["tp"].corr(J["x"]))
-        f = metrics(d); h = metrics(d[d.index >= HOLDOUT])
-        results[name] = (sl, corr, f, h)
-        print(f"\n    {name}  (corr con TP01 = {corr:+.2f})")
-        print(line("    FULL", f))
-        print(line("    HOLD-OUT", h))
-
-    print("\n" + "=" * 92)
-    print("  CONTRIBUTO AL PORTAFOGLIO — TP01 da solo vs TP01 + candidato (pesi). Migliora?")
-    print("=" * 92)
-    base = StrategyPortfolio([tp01_sleeve(1.0)]).backtest()
-    print(f"  TP01 SOLO            FULL Sh {base['full']['sharpe']:.2f} DD {base['full']['maxdd']*100:.1f}%"
-          f" | HOLD Sh {base['holdout']['sharpe']:.2f} DD {base['holdout']['maxdd']*100:.1f}%")
-    print("  " + "-" * 88)
-    for name, (sl, corr, f, h) in results.items():
-        for w in (0.2, 0.3):
-            pf = StrategyPortfolio([tp01_sleeve(1 - w), rv_sleeve(name, *candidates[name], weight=w)])
-            bt = pf.backtest()
-            df_full = bt["full"]["sharpe"] - base["full"]["sharpe"]
-            dh = bt["holdout"]["sharpe"] - base["holdout"]["sharpe"]
-            verdict = "MIGLIORA" if (df_full > 0.02 and dh > 0.0) else ("hold+" if dh > 0.02 else "no")
-            print(f"  +{name:<20s} w{w:.0%}  FULL Sh {bt['full']['sharpe']:.2f} ({df_full:+.2f}) DD {bt['full']['maxdd']*100:.1f}%"
-                  f" | HOLD Sh {bt['holdout']['sharpe']:.2f} ({dh:+.2f}) | corr {corr:+.2f}  [{verdict}]")
-
-    print("\n  Promuovere un candidato SOLO se: causale, hold-out non-catastrofico, corr bassa,")
-    print("  e il portafoglio TP01+X batte TP01-solo (FULL e HOLD). Altrimenti TP01-solo resta.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,87 +0,0 @@
-"""STRATO TREND MULTI-ASSET sui 52 alt Hyperliquid certificati (diversificazione del trend).
-
-TP01 e' TSMOM vol-target long-flat su BTC+ETH (2 asset). Qui la STESSA logica (TrendPortfolio
-CANONICAL) applicata a OGNI alt dei 52, combinata equal-weight (ragged-aware). Idea: un trend
-piu' diversificato. Test onesto: e' correlato a TP01 (entrambi trend)? aggiunge al portafoglio
-TP01+XS01 nel hold-out? Causale, netto fee.
-
-    uv run python scripts/portfolio/trend_multiasset.py
-"""
-from __future__ import annotations
-import sys, glob
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, simple_returns
-from src.portfolio.portfolio import to_daily, metrics, HOLDOUT, Sleeve, StrategyPortfolio
-from src.portfolio.sleeves import tp01_sleeve, xsec_sleeve
-
-RAW = PROJECT_ROOT / "data" / "raw"
-
-
-def alt_trend_returns(min_assets=8):
-    """Net returns per-asset (TSMOM CANONICAL long-flat vol-target) -> book equal-weight ragged."""
-    eng = TrendPortfolio(**CANONICAL)
-    series = {}
-    for p in sorted(glob.glob(str(RAW / "hl_*_1d.parquet"))):
-        sym = Path(p).stem.replace("hl_", "").replace("_1d", "").upper()
-        d = pd.read_parquet(p)
-        d = d.copy(); d["datetime"] = pd.to_datetime(d["timestamp"], unit="ms", utc=True)
-        c = d["close"].values.astype(float)
-        r = simple_returns(c); tgt = eng.target_series(d)
-        held = np.zeros(len(tgt)); held[1:] = tgt[:-1]
-        net = held * r - eng.fee_side * np.abs(np.diff(held, prepend=0.0)); net[0] = 0.0
-        series[sym] = pd.Series(np.clip(net, -0.99, None), index=d["datetime"])
-    M = pd.concat(series, axis=1, join="outer").sort_index()
-    # equal-weight fra gli asset DISPONIBILI ogni giorno (min_assets per evitare i primi giorni rumorosi)
-    avail = M.notna().sum(axis=1)
-    book = M.mean(axis=1, skipna=True).where(avail >= min_assets)
-    return book.dropna(), M
-
-
-def ev(d, label):
-    f = metrics(d); h = metrics(d[d.index >= HOLDOUT])
-    yr = [float((1 + g).prod() - 1) for _, g in d.groupby(d.index.year)]
-    pct = sum(v > 0 for v in yr) / len(yr) if yr else 0
-    print(f"  {label:<28} FULL Sh {f['sharpe']:>5.2f} ret {f['ret']*100:>+6.0f}% DD {f['maxdd']*100:>4.0f}% | "
-          f"HOLD Sh {h['sharpe']:>5.2f} | anni+ {pct*100:.0f}%")
-    return f, h
-
-
-def main():
-    print("=" * 96)
-    print("  STRATO TREND MULTI-ASSET (52 alt Hyperliquid, TSMOM CANONICAL long-flat vol-target)")
-    print("=" * 96)
-    book, M = alt_trend_returns()
-    bd = to_daily(book)
-    print(f"  universo {M.shape[1]} alt, book [{bd.index[0].date()} -> {bd.index[-1].date()}]\n")
-    ev(bd, "TREND-52alt standalone")
-
-    tp = tp01_sleeve().daily(); xs = xsec_sleeve().daily()
-    def corr(a, b):
-        J = pd.concat({"a": a, "b": b}, axis=1, join="inner").dropna()
-        return float(J["a"].corr(J["b"])) if len(J) > 5 else float("nan")
-    print(f"\n  correlazioni: TREND-52 vs TP01 {corr(bd, tp):+.2f} | vs XS01 {corr(bd, xs):+.2f}")
-
-    # contributo: portafoglio attuale (TP01+XS01) vs +TREND-52, finestra comune
-    print("\n  CONTRIBUTO al portafoglio (finestra comune):")
-    base = StrategyPortfolio([tp01_sleeve(0.70), xsec_sleeve(0.30)]).backtest()
-    J = pd.concat({"tp": tp, "xs": xs, "tr": bd}, axis=1, join="inner").dropna()
-    print(f"    [comune {J.index[0].date()} -> {J.index[-1].date()}]")
-    # baseline sulla finestra comune (TP01 0.7 + XS 0.3 rinormalizzato)
-    base_c = 0.7 * J["tp"] + 0.3 * J["xs"]
-    bf, bh = metrics(base_c), metrics(base_c[base_c.index >= HOLDOUT])
-    print(f"    TP01 70 + XS 30 (attuale)     FULL Sh {bf['sharpe']:.2f} DD {bf['maxdd']*100:.0f}% | HOLD Sh {bh['sharpe']:.2f}")
-    for wtr in (0.2, 0.3):
-        wt, wx = 0.7 * (1 - wtr), 0.3 * (1 - wtr)
-        comb = wt * J["tp"] + wx * J["xs"] + wtr * J["tr"]
-        cf, ch = metrics(comb), metrics(comb[comb.index >= HOLDOUT])
-        print(f"    +TREND-52 w{wtr:.0%}              FULL Sh {cf['sharpe']:.2f} ({cf['sharpe']-bf['sharpe']:+.2f}) DD {cf['maxdd']*100:.0f}% | HOLD Sh {ch['sharpe']:.2f} ({ch['sharpe']-bh['sharpe']:+.2f})")
-
-    print("\n  -> aggiungere se: scorrelato a TP01/XS01 e migliora FULL E HOLD. Se molto correlato a")
-    print("  TP01 (entrambi trend) e contributo marginale, e' ridondante -> non si aggiunge.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,109 +0,0 @@
-"""GIUDICE DEI CONTENDER — valuta un segnale candidato a livello PORTAFOGLIO vs TP01.
-
-Per ogni (tf, sigfile): costruisce il BOOK 50/50 BTC+ETH del candidato (causale, netto fee),
-e applica il gauntlet STRETTO vs TP01:
-  - standalone: FULL Sh/DD, HOLD-OUT 2025-26 Sh/ret/DD, breadth per-anno (% anni positivi, rossi
-    consecutivi), correlazione a TP01;
-  - contributo al portafoglio: TP01-solo vs TP01+candidato a pesi 0.2/0.3/0.5 (Δ FULL e Δ HOLD).
-VERDETTO WINNER se: (A) batte TP01 standalone (book FULL Sh>1.30, hold-out Sh>~0.25, breadth ok),
-OPPURE (B) diversificatore robusto (corr bassa, alza il portafoglio su FULL E hold-out, breadth ok).
-
-    uv run python scripts/portfolio/verify_contender.py 1d /tmp/beat_sig_0.py 12h /tmp/beat_sig_10.py ...
-"""
-from __future__ import annotations
-import sys
-import importlib.util
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-
-from scripts.analysis.research_lab import load_tf, _net_series
-from src.portfolio.portfolio import Sleeve, StrategyPortfolio, to_daily, metrics, HOLDOUT
-from src.portfolio.sleeves import tp01_sleeve
-
-TP01_FULL_SH = 1.30
-TP01_HOLD_SH = 0.31
-
-
-def load_signal(path):
-    spec = importlib.util.spec_from_file_location("csig_" + Path(path).stem, path)
-    m = importlib.util.module_from_spec(spec); spec.loader.exec_module(m)
-    return m.signal
-
-
-def book_perbar(signal, tf) -> pd.Series:
-    s = {}
-    for a in ("BTC", "ETH"):
-        df = load_tf(a, tf)
-        net, _, _, _ = _net_series(df, np.asarray(signal(df, a, tf), float))
-        s[a] = pd.Series(net, index=pd.to_datetime(df["timestamp"], unit="ms", utc=True))
-    J = pd.concat(s, axis=1, join="inner").fillna(0.0)
-    return pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index)
-
-
-def breadth(daily):
-    pre = daily[daily.index < HOLDOUT]
-    yr = [float((1 + g).prod() - 1) for _, g in pre.groupby(pre.index.year)]
-    consec = mx = 0
-    for v in yr:
-        consec = consec + 1 if v < 0 else 0; mx = max(mx, consec)
-    return (sum(v > 0 for v in yr) / len(yr) if yr else 0.0), mx, yr
-
-
-def main():
-    args = sys.argv[1:]
-    pairs = [(args[i], args[i + 1]) for i in range(0, len(args) - 1, 2)]
-    tp = tp01_sleeve(1.0)
-    tp_daily = tp.daily()
-    base = StrategyPortfolio([tp01_sleeve(1.0)]).backtest()
-    print("=" * 100)
-    print(f"  GIUDICE CONTENDER vs TP01 (book FULL Sh {base['full']['sharpe']:.2f} / HOLD {base['holdout']['sharpe']:.2f})")
-    print("=" * 100)
-
-    winners = []
-    for tf, sig in pairs:
-        name = Path(sig).stem
-        try:
-            signal = load_signal(sig)
-            pb = book_perbar(signal, tf)
-            d = to_daily(pb)
-        except Exception as e:
-            print(f"\n  {name} ({tf}): ERRORE {type(e).__name__}: {str(e)[:80]}"); continue
-        f = metrics(d); h = metrics(d[d.index >= HOLDOUT])
-        J = pd.concat({"tp": tp_daily, "x": d}, axis=1, join="inner").dropna()
-        corr = float(J["tp"].corr(J["x"])) if len(J) > 2 else float("nan")
-        pct, consec, yr = breadth(d)
-        print(f"\n  {name} ({tf})  BOOK 50/50")
-        print(f"    standalone: FULL Sh {f['sharpe']:>5.2f} DD {f['maxdd']*100:>4.1f}% | HOLD Sh {h['sharpe']:>5.2f} ret {h['ret']*100:>+6.1f}% DD {h['maxdd']*100:>4.1f}%"
-              f" | anni+ {pct*100:>3.0f}% rossi-consec {consec} | corr_TP01 {corr:+.2f} | turn n/a")
-        # contributo al portafoglio
-        contrib = []
-        for w in (0.2, 0.3, 0.5):
-            sl = Sleeve(name, w, lambda pb=pb: pb)
-            bt = StrategyPortfolio([tp01_sleeve(1 - w), sl]).backtest()
-            dF = bt["full"]["sharpe"] - base["full"]["sharpe"]
-            dH = bt["holdout"]["sharpe"] - base["holdout"]["sharpe"]
-            contrib.append((w, bt["full"]["sharpe"], dF, bt["holdout"]["sharpe"], dH))
-            print(f"    +TP01 w{w:.0%}: FULL {bt['full']['sharpe']:.2f} ({dF:+.2f}) | HOLD {bt['holdout']['sharpe']:.2f} ({dH:+.2f})")
-        breadth_ok = pct >= 0.6 and consec <= 1
-        standalone_beats = f["sharpe"] > TP01_FULL_SH and h["sharpe"] > 0.25 and breadth_ok
-        # diversificatore: corr<0.5, migliora FULL E hold del portafoglio ad almeno un peso, breadth ok
-        improves = any(dF > 0.05 and dH > 0.0 for _, _, dF, _, dH in contrib)
-        diversifier = (not np.isnan(corr) and corr < 0.5) and improves and breadth_ok
-        verdict = "WINNER-standalone" if standalone_beats else ("WINNER-diversifier" if diversifier else "no")
-        print(f"    -> {verdict}  (breadth_ok={breadth_ok}, standalone_beats={standalone_beats}, diversifier={diversifier})")
-        if verdict.startswith("WINNER"):
-            winners.append((name, tf, verdict))
-
-    print("\n" + "=" * 100)
-    print(f"  WINNERS: {len(winners)}")
-    for n, tf, v in winners:
-        print(f"    {n} ({tf}): {v}")
-    if not winners:
-        print("    nessuno batte TP01 con criterio onesto -> serve un'altra ondata.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,108 +0,0 @@
-"""AFFINAMENTO XS01 — blend di LOOKBACK (multi-orizzonte cross-sectional).
-
-XS01 attuale usa un singolo lookback (L=30). Come TP01 fonde gli orizzonti 30/90/180, qui il
-momentum cross-sectional fonde piu' lookback: per ogni ribilancio, z-score cross-sectional del
-rendimento a ciascun L, MEDIATO -> punteggio blended -> long top-k / short bottom-k. Piu' liscio
-e robusto (meno dipendente da un singolo orizzonte/regime). Causale, netto fee, vol-target.
-Confronto vs singolo-L + contributo al portafoglio TP01+XS01.
-
-    uv run python scripts/portfolio/xsec_blend.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.portfolio.portfolio import to_daily, metrics, HOLDOUT, Sleeve, StrategyPortfolio
-from src.portfolio.sleeves import tp01_sleeve, XS_UNIVERSE
-
-RAW = PROJECT_ROOT / "data" / "raw"
-FEE = 0.001
-
-
-def load_majors():
-    cols = {}
-    for sym in XS_UNIVERSE:
-        p = RAW / f"hl_{sym.lower()}_1d.parquet"
-        if p.exists():
-            d = pd.read_parquet(p)
-            cols[sym] = pd.Series(d["close"].values.astype(float), index=pd.to_datetime(d["timestamp"], unit="ms", utc=True))
-    return pd.concat(cols, axis=1, join="inner").sort_index().dropna()
-
-
-def xs_signal(C, lookbacks, H=10, k=5, mode="mom", tv=0.20):
-    """lookbacks = lista (blend) o singolo [L]. Score = media z-score cross-sectional dei ret_L."""
-    px = C.values; n, A = px.shape
-    dret = np.vstack([np.zeros(A), px[1:] / px[:-1] - 1.0])
-    W = np.zeros((n, A)); w = np.zeros(A)
-    for i in range(n):
-        if i >= max(lookbacks) and i % H == 0:
-            score = np.zeros(A); cnt = 0
-            for L in lookbacks:
-                rL = px[i] / px[i - L] - 1.0
-                sd = rL.std()
-                if sd > 0:
-                    score += (rL - rL.mean()) / sd; cnt += 1
-            if cnt:
-                score /= cnt
-                order = np.argsort(score)
-                w = np.zeros(A); lo, hi = order[:k], order[-k:]
-                if mode == "mom": w[hi] = 0.5 / k; w[lo] = -0.5 / k
-                else: w[lo] = 0.5 / k; w[hi] = -0.5 / k
-        W[i] = w
-    gross = np.zeros(n); gross[1:] = np.sum(W[:-1] * dret[1:], axis=1)
-    turn = np.zeros(n); turn[0] = np.abs(W[0]).sum(); turn[1:] = np.abs(np.diff(W, axis=0)).sum(axis=1)
-    s = pd.Series(gross - turn * (FEE / 2.0), index=C.index)
-    rv = s.rolling(30, min_periods=15).std().shift(1) * np.sqrt(365.25)
-    scale = np.clip(np.nan_to_num(tv / rv.replace(0, np.nan).values, nan=0.0), 0, 3.0)
-    return to_daily(pd.Series(s.values * scale, index=C.index))
-
-
-def ev(C, lbs, tp):
-    d = xs_signal(C, lbs)
-    f = metrics(d); o = metrics(d[d.index >= HOLDOUT])
-    yr = [float((1 + g).prod() - 1) for _, g in d.groupby(d.index.year)]
-    pct = sum(v > 0 for v in yr) / len(yr) if yr else 0
-    corr = float(pd.concat({"a": tp, "b": d}, axis=1, join="inner").dropna().corr().iloc[0, 1])
-    return d, f, o, pct, corr
-
-
-def main():
-    C = load_majors()
-    tp = tp01_sleeve().daily()
-    print("=" * 92)
-    print(f"  AFFINAMENTO XS01 — blend di lookback (19 major, {len(C)} giorni)")
-    print("=" * 92)
-    print(f"  {'lookbacks':<22}{'FULL':>7}{'OOS25':>7}{'DD%':>6}{'anni+':>7}{'corrTP':>8}")
-    configs = [
-        ("[30] (attuale)", [30]), ("[90]", [90]), ("[20]", [20]),
-        ("[20,40]", [20, 40]), ("[20,60]", [20, 60]), ("[30,90]", [30, 90]),
-        ("[20,40,90]", [20, 40, 90]), ("[30,60,120]", [30, 60, 120]),
-        ("[20,60,180]", [20, 60, 180]), ("[15,30,60,120]", [15, 30, 60, 120]),
-    ]
-    rows = []
-    for name, lbs in configs:
-        d, f, o, pct, corr = ev(C, lbs, tp)
-        rows.append((name, lbs, d, f, o, pct, corr))
-        print(f"  {name:<22}{f['sharpe']:>7.2f}{o['sharpe']:>7.2f}{f['maxdd']*100:>6.0f}{pct*100:>6.0f}%{corr:>+8.2f}")
-
-    # candidato: miglior blend per (FULL+OOS) con breadth 100% e corr bassa
-    cand = [r for r in rows if r[5] >= 0.99 and r[6] < 0.4]
-    cand.sort(key=lambda r: -(r[3]["sharpe"] + r[4]["sharpe"]))
-    print("\n  CONTRIBUTO al portafoglio — attuale (XS [30]) vs miglior blend")
-    base_xs = rows[0][2]   # [30]
-    for label, dxs in [("XS [30] attuale", base_xs)] + ([(cand[0][0], cand[0][2])] if cand else []):
-        J = pd.concat({"tp": tp, "xs": dxs}, axis=1, join="inner").dropna()
-        for w in (0.3,):
-            comb = (1 - w) * J["tp"] + w * J["xs"]
-            cf, ch = metrics(comb), metrics(comb[comb.index >= HOLDOUT])
-            xf = metrics(J["xs"]); xo = metrics(J["xs"][J["xs"].index >= HOLDOUT])
-            print(f"    {label:<22} XS-solo FULL {xf['sharpe']:.2f}/OOS {xo['sharpe']:.2f} | TP01 70+XS 30: FULL {cf['sharpe']:.2f} HOLD {ch['sharpe']:.2f}")
-    if cand:
-        print(f"\n  -> blend migliore: {cand[0][0]} (lookbacks {cand[0][1]}). Promuovere se batte [30] su")
-        print("     FULL+OOS+robustezza E migliora il portafoglio. Sennò resta [30].")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,101 +0,0 @@
-"""AFFINAMENTO XS01 — GATE DI DISPERSIONE.
-
-Il momentum cross-sectional vive nella DISPERSIONE (winners/losers distanti). In regime compatto
-(tutti gli asset si muovono insieme) non ha segnale -> churn/rumore. Gate: entra SOLO se la
-dispersione cross-section del momentum supera una soglia CAUSALE (percentile espandente della
-dispersione passata); altrimenti flat. Sul blend [30,90] dei 19 major. Sweep soglia + contributo.
-
-    uv run python scripts/portfolio/xsec_dispgate.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.portfolio.portfolio import to_daily, metrics, HOLDOUT
-from src.portfolio.sleeves import tp01_sleeve, XS_UNIVERSE
-
-RAW = PROJECT_ROOT / "data" / "raw"
-FEE = 0.001
-LOOKBACKS = (30, 90); H = 10; K = 5; TV = 0.20
-
-
-def load_majors():
-    cols = {}
-    for sym in XS_UNIVERSE:
-        p = RAW / f"hl_{sym.lower()}_1d.parquet"
-        if p.exists():
-            d = pd.read_parquet(p)
-            cols[sym] = pd.Series(d["close"].values.astype(float), index=pd.to_datetime(d["timestamp"], unit="ms", utc=True))
-    return pd.concat(cols, axis=1, join="inner").sort_index().dropna()
-
-
-def xs_gated(C, disp_pct=0, min_hist=20):
-    px = C.values; n, A = px.shape
-    dret = np.vstack([np.zeros(A), px[1:] / px[:-1] - 1.0])
-    mlb = max(LOOKBACKS)
-    # dispersione del momentum a ogni barra: media (su lookback) della std cross-section di ret_L
-    disp = np.full(n, np.nan)
-    for i in range(mlb, n):
-        acc = 0.0; c = 0
-        for L in LOOKBACKS:
-            acc += (px[i] / px[i - L] - 1.0).std(); c += 1
-        disp[i] = acc / c
-    W = np.zeros((n, A)); w = np.zeros(A)
-    hist = []
-    gated_flat = 0; total = 0
-    for i in range(n):
-        if i >= mlb and i % H == 0:
-            thr = np.percentile(hist, disp_pct) if (disp_pct > 0 and len(hist) >= min_hist) else -np.inf
-            total += 1
-            if disp[i] >= thr:
-                score = np.zeros(A)
-                for L in LOOKBACKS:
-                    rL = px[i] / px[i - L] - 1.0; sd = rL.std()
-                    if sd > 0:
-                        score += (rL - rL.mean()) / sd
-                order = np.argsort(score); w = np.zeros(A); lo, hi = order[:K], order[-K:]
-                w[hi] = 0.5 / K; w[lo] = -0.5 / K
-            else:
-                w = np.zeros(A); gated_flat += 1
-            hist.append(disp[i])
-        W[i] = w
-    gross = np.zeros(n); gross[1:] = np.sum(W[:-1] * dret[1:], axis=1)
-    turn = np.zeros(n); turn[0] = np.abs(W[0]).sum(); turn[1:] = np.abs(np.diff(W, axis=0)).sum(axis=1)
-    s = pd.Series(gross - turn * (FEE / 2.0), index=C.index)
-    rv = s.rolling(30, min_periods=15).std().shift(1) * np.sqrt(365.25)
-    scale = np.clip(np.nan_to_num(TV / rv.replace(0, np.nan).values, nan=0.0), 0, 3.0)
-    return to_daily(pd.Series(s.values * scale, index=C.index)), (gated_flat / total if total else 0)
-
-
-def main():
-    C = load_majors(); tp = tp01_sleeve().daily()
-    print("=" * 92)
-    print(f"  AFFINAMENTO XS01 — gate di dispersione (blend [30,90], 19 major, {len(C)}g)")
-    print("=" * 92)
-    print(f"  {'soglia pctile':<16}{'FULL':>7}{'OOS25':>7}{'DD%':>6}{'anni+':>7}{'corrTP':>8}{'%flat':>8}")
-    res = {}
-    for p in (0, 30, 40, 50, 60, 70):
-        d, flat = xs_gated(C, p)
-        f = metrics(d); o = metrics(d[d.index >= HOLDOUT])
-        yr = [float((1 + g).prod() - 1) for _, g in d.groupby(d.index.year)]
-        pct = sum(v > 0 for v in yr) / len(yr) if yr else 0
-        corr = float(pd.concat({"a": tp, "b": d}, axis=1, join="inner").dropna().corr().iloc[0, 1])
-        res[p] = (d, f, o, pct, corr)
-        lab = "0 (no gate)" if p == 0 else f"p{p}"
-        print(f"  {lab:<16}{f['sharpe']:>7.2f}{o['sharpe']:>7.2f}{f['maxdd']*100:>6.0f}{pct*100:>6.0f}%{corr:>+8.2f}{flat*100:>7.0f}%")
-
-    print("\n  CONTRIBUTO al portafoglio (TP01 70 + XS 30, finestra comune):")
-    for p in (0, 40, 50, 60):
-        d = res[p][0]
-        J = pd.concat({"tp": tp, "xs": d}, axis=1, join="inner").dropna()
-        comb = 0.7 * J["tp"] + 0.3 * J["xs"]
-        cf, ch = metrics(comb), metrics(comb[comb.index >= HOLDOUT])
-        lab = "no gate (attuale)" if p == 0 else f"gate p{p}"
-        print(f"    {lab:<18} FULL Sh {cf['sharpe']:.2f} DD {cf['maxdd']*100:.0f}% | HOLD Sh {ch['sharpe']:.2f}")
-    print("\n  -> promuovere il gate se migliora Sharpe/DD/robustezza E il contributo. Sennò no-gate resta.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,133 +0,0 @@
-"""XS cross-sectional con UNIVERSO TOP-LIQUIDITÀ DINAMICO (Hyperliquid 52 certificati).
-
-Invece di 19 nomi fissi, a ogni ribilancio: seleziona i top-N per liquidità (dollar-volume 30g
-causale), poi fra quelli long i k più forti / short i k più deboli (momentum, market-neutral),
-vol-target. Idea: cross-section pulita e ADATTIVA (i token entrano quando maturano in liquidità),
-escludendo il long-tail rumoroso che diluiva il 52-all. Gestione ragged (asset a date diverse:
-si classifica solo fra i disponibili). Causale. Confronto vs fisso-19 + 52-all + contributo TP01.
-
-    uv run python scripts/portfolio/xsec_dynuniverse.py
-"""
-from __future__ import annotations
-import sys, glob
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.portfolio.portfolio import to_daily, metrics, HOLDOUT
-from src.portfolio.sleeves import tp01_sleeve, XS_UNIVERSE
-
-RAW = PROJECT_ROOT / "data" / "raw"
-FEE = 0.001
-
-
-def load_close_vol():
-    close, vol = {}, {}
-    for p in sorted(glob.glob(str(RAW / "hl_*_1d.parquet"))):
-        sym = Path(p).stem.replace("hl_", "").replace("_1d", "").upper()
-        d = pd.read_parquet(p)
-        ix = pd.to_datetime(d["timestamp"], unit="ms", utc=True)
-        close[sym] = pd.Series(d["close"].values.astype(float), index=ix)
-        vol[sym] = pd.Series(d["volume"].values.astype(float), index=ix)
-    C = pd.concat(close, axis=1, join="outer").sort_index()
-    V = pd.concat(vol, axis=1, join="outer").sort_index().reindex(C.index)
-    return C, V
-
-
-def xs_dynamic(C, V, N=20, lb=60, hold=10, k=5, mode="mom", tv=0.20, fixed=None):
-    """fixed=lista simboli -> universo statico (ignora liquidità). Altrimenti top-N per liquidità."""
-    cols = list(C.columns); A = len(cols)
-    px = C.values; n = len(px)
-    dret = np.full((n, A), 0.0); dret[1:] = np.where(np.isfinite(px[1:]) & np.isfinite(px[:-1]), px[1:] / px[:-1] - 1.0, 0.0)
-    dvol = V.values * px
-    liq = pd.DataFrame(dvol, index=C.index, columns=cols).rolling(30, min_periods=15).mean().shift(1).values
-    fixed_mask = np.array([c in fixed for c in cols]) if fixed else None
-    W = np.zeros((n, A)); w = np.zeros(A)
-    for i in range(n):
-        if i >= lb and i % hold == 0:
-            retlb = np.where(np.isfinite(px[i]) & np.isfinite(px[i - lb]), px[i] / px[i - lb] - 1.0, np.nan)
-            avail = np.isfinite(retlb) & np.isfinite(px[i])
-            if fixed is not None:
-                avail &= fixed_mask
-                cand = np.where(avail)[0]
-            else:
-                avail &= np.isfinite(liq[i])
-                idx = np.where(avail)[0]
-                if len(idx) > N:
-                    cand = idx[np.argsort(liq[i][idx])[-N:]]   # top-N per liquidità
-                else:
-                    cand = idx
-            w = np.zeros(A)
-            ke = min(k, len(cand) // 2)
-            if ke >= 1:
-                order = cand[np.argsort(retlb[cand])]
-                lo, hi = order[:ke], order[-ke:]
-                if mode == "mom": w[hi] = 0.5 / ke; w[lo] = -0.5 / ke
-                else: w[lo] = 0.5 / ke; w[hi] = -0.5 / ke
-        W[i] = w
-    gross = np.zeros(n); gross[1:] = np.sum(W[:-1] * dret[1:], axis=1)
-    turn = np.zeros(n); turn[0] = np.abs(W[0]).sum(); turn[1:] = np.abs(np.diff(W, axis=0)).sum(axis=1)
-    net = gross - turn * (FEE / 2.0)
-    s = pd.Series(net, index=C.index)
-    rv = s.rolling(30, min_periods=15).std().shift(1) * np.sqrt(365.25)
-    scale = np.clip(np.nan_to_num(tv / rv.replace(0, np.nan).values, nan=0.0), 0, 3.0)
-    return to_daily(pd.Series(s.values * scale, index=C.index))
-
-
-def ev(d):
-    f = metrics(d); o = metrics(d[d.index >= HOLDOUT])
-    yr = [float((1 + g).prod() - 1) for _, g in d.groupby(d.index.year)]
-    pct = sum(v > 0 for v in yr) / len(yr) if yr else 0
-    return f, o, pct
-
-
-def main():
-    C, V = load_close_vol()
-    print("=" * 96)
-    print(f"  XS UNIVERSO TOP-LIQUIDITÀ DINAMICO — {len(C.columns)} asset certificati [{C.index[0].date()} -> {C.index[-1].date()}]")
-    print("=" * 96)
-    tp = tp01_sleeve().daily()
-
-    print("\n  (1) SWEEP N (top-liquidità) x config (mom) — FULL Sh / OOS25 Sh / anni+ / corrTP")
-    print(f"    {'config':<28}{'FULL':>7}{'OOS25':>7}{'anni+':>7}{'corrTP':>8}")
-    best = None
-    for N in (12, 15, 20, 25):
-        for lb, hold, k in [(30, 10, 5), (60, 10, 5), (90, 10, 5)]:
-            d = xs_dynamic(C, V, N=N, lb=lb, hold=hold, k=k)
-            f, o, pct = ev(d)
-            corr = float(pd.concat({"a": tp, "b": d}, axis=1, join="inner").dropna().corr().iloc[0, 1])
-            tag = f"top{N} L{lb}H{hold}k{k}"
-            print(f"    {tag:<28}{f['sharpe']:>7.2f}{o['sharpe']:>7.2f}{pct*100:>6.0f}%{corr:>+8.2f}")
-            if (best is None or f['sharpe'] > best[1]['sharpe']) and corr < 0.4 and o['sharpe'] > 0:
-                best = (tag, f, o, corr, d, (N, lb, hold, k))
-
-    print("\n  (2) BASELINE di confronto (stessa finestra):")
-    for name, kw in [("fisso-19 major (L30H10k5)", dict(lb=30, hold=10, k=5, fixed=set(XS_UNIVERSE))),
-                     ("fisso-19 major (L90H10k5)", dict(lb=90, hold=10, k=5, fixed=set(XS_UNIVERSE))),
-                     ("52-all (L60H10k5)", dict(lb=60, hold=10, k=5))]:
-        d = xs_dynamic(C, V, **kw); f, o, pct = ev(d)
-        print(f"    {name:<28} FULL {f['sharpe']:.2f}  OOS25 {o['sharpe']:.2f}  anni+ {pct*100:.0f}%")
-
-    if best is None:
-        print("\n  Nessuna config dinamica scorrelata+positiva. Il top-liquidità non aiuta.")
-        return
-    tag, f, o, corr, d, cfg = best
-    print(f"\n  === MIGLIOR DINAMICO: {tag} | FULL {f['sharpe']:.2f} ret {f['ret']*100:+.0f}% DD {f['maxdd']*100:.0f}% | OOS25 {o['sharpe']:.2f} | corrTP {corr:+.2f} ===")
-    per = [(int(y), round(float((1 + g).prod() - 1), 3)) for y, g in d.groupby(d.index.year)]
-    print(f"  per-anno: {per}")
-    # contributo al portafoglio vs fisso-19 (XS01 attuale)
-    xs19 = xs_dynamic(C, V, lb=30, hold=10, k=5, fixed=set(XS_UNIVERSE))
-    J = pd.concat({"tp": tp, "dyn": d, "x19": xs19}, axis=1, join="inner").dropna()
-    print(f"\n  CONTRIBUTO (finestra comune {J.index[0].date()}->{J.index[-1].date()}):")
-    for nm, col in [("TP01 solo", None), ("TP01+XS19 (attuale) 70/30", "x19"), ("TP01+DYN 70/30", "dyn")]:
-        if col is None:
-            comb = J["tp"]
-        else:
-            comb = 0.7 * J["tp"] + 0.3 * J[col]
-        mf = metrics(comb); mh = metrics(comb[comb.index >= HOLDOUT])
-        print(f"    {nm:<28} FULL Sh {mf['sharpe']:.2f} DD {mf['maxdd']*100:.0f}% | HOLD Sh {mh['sharpe']:.2f}")
-    print("\n  -> DINAMICO meglio del fisso-19? guarda FULL/OOS + contributo. Sennò: fisso-19 resta.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,123 +0,0 @@
-"""CROSS-SECTIONAL su universo Hyperliquid certificato (19 alt, 1d, 2024-2026).
-
-Strategia market-neutral: ogni H giorni classifica gli asset per rendimento a L giorni (causale),
-va long i top-k / short i bottom-k (momentum) o viceversa (reversal), dollar-neutral, vol-target.
-Mira a DIVERSIFICARE TP01 (long-trend): se scorrelata e robusta, migliora il portafoglio.
-Gauntlet onesto: FULL (2024-26) + within-window OOS (2025+) + per-anno + corr TP01 + contributo.
-
-Caveat: storia corta (~2.5 anni). Risultati suggestivi, non robusti come BTC/ETH 6 anni.
-
-    uv run python scripts/portfolio/xsec_research.py
-"""
-from __future__ import annotations
-import sys, glob
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.portfolio.portfolio import to_daily, metrics, HOLDOUT, Sleeve, StrategyPortfolio
-from src.portfolio.sleeves import tp01_sleeve
-
-RAW = PROJECT_ROOT / "data" / "raw"
-FEE = 0.001
-
-
-def load_universe():
-    cols = {}
-    for f in sorted(glob.glob(str(RAW / "hl_*_1d.parquet"))):
-        s = Path(f).stem.replace("hl_", "").replace("_1d", "").upper()
-        d = pd.read_parquet(f)
-        cols[s] = pd.Series(d["close"].values.astype(float), index=pd.to_datetime(d["timestamp"], unit="ms", utc=True))
-    C = pd.concat(cols, axis=1, join="inner").sort_index().dropna()
-    return C
-
-
-def xs_book(C, L, H, k, mode="mom", target_vol=0.20):
-    """Rendimenti netti giornalieri di un book cross-sectional market-neutral. Causale."""
-    assets = list(C.columns); A = len(assets)
-    px = C.values; n = len(px)
-    dret = np.vstack([np.zeros(A), px[1:] / px[:-1] - 1.0])
-    W = np.zeros((n, A))            # peso per asset per giorno (deciso a close[i], tenuto in i+1)
-    w = np.zeros(A)
-    for i in range(n):
-        if i >= L and i % H == 0:
-            lb = px[i] / px[i - L] - 1.0
-            order = np.argsort(lb)
-            w = np.zeros(A)
-            lo, hi = order[:k], order[-k:]            # peggiori / migliori
-            if mode == "mom":
-                w[hi] = 0.5 / k; w[lo] = -0.5 / k     # long forti / short deboli
-            else:
-                w[lo] = 0.5 / k; w[hi] = -0.5 / k     # reversal
-        W[i] = w
-    # rendimento book: peso[i-1] guadagna dret[i]; fee su turnover
-    gross = np.zeros(n); gross[1:] = np.sum(W[:-1] * dret[1:], axis=1)   # W[i-1] guadagna dret[i]
-    turn = np.zeros(n); turn[0] = np.abs(W[0]).sum()
-    turn[1:] = np.abs(np.diff(W, axis=0)).sum(axis=1)                    # turnover per (ri)settare W[i]
-    net = gross - turn * (FEE / 2.0)
-    s = pd.Series(net, index=C.index)
-    # vol-target (causale): scala per target/vol_realizzata(30) shiftata
-    rv = s.rolling(30, min_periods=15).std().shift(1) * np.sqrt(365.25)
-    scale = np.clip(np.nan_to_num(target_vol / rv.replace(0, np.nan).values, nan=0.0), 0, 3.0)
-    return pd.Series(s.values * scale, index=C.index)
-
-
-def yr_breadth(daily):
-    pre = daily
-    yr = [float((1 + g).prod() - 1) for _, g in pre.groupby(pre.index.year)]
-    consec = mx = 0
-    for v in yr: consec = consec + 1 if v < 0 else 0; mx = max(mx, consec)
-    return yr, (sum(v > 0 for v in yr) / len(yr) if yr else 0), mx
-
-
-def main():
-    C = load_universe()
-    print("=" * 96)
-    print(f"  CROSS-SECTIONAL Hyperliquid — {len(C.columns)} asset, {len(C)} giorni [{C.index[0].date()} -> {C.index[-1].date()}]")
-    print("=" * 96)
-    tp = tp01_sleeve(1.0); tp_daily = tp.daily()
-    base = StrategyPortfolio([tp01_sleeve(1.0)]).backtest()
-
-    print(f"\n  {'config':<24}{'FULL Sh':>9}{'OOS25 Sh':>10}{'ret%':>8}{'DD%':>7}{'corrTP':>8}{'anni+':>7}")
-    cands = []
-    grid = [("mom",L,H,k) for L in (30,60,90) for H in (5,10,20) for k in (3,5)] \
-         + [("rev",L,H,k) for L in (3,7,14) for H in (3,5) for k in (3,5)]
-    for mode,L,H,k in grid:
-        d = to_daily(xs_book(C,L,H,k,mode))
-        f=metrics(d); oos=metrics(d[d.index>=HOLDOUT])
-        J=pd.concat({"tp":tp_daily,"x":d},axis=1,join="inner").dropna(); corr=float(J["tp"].corr(J["x"])) if len(J)>5 else float("nan")
-        yr,pct,consec=yr_breadth(d)
-        tag=f"{mode} L{L} H{H} k{k}"
-        cands.append((tag,mode,L,H,k,f,oos,corr,pct,consec,d))
-        if f["sharpe"]>0.6 or oos["sharpe"]>0.8:
-            print(f"  {tag:<24}{f['sharpe']:>9.2f}{oos['sharpe']:>10.2f}{f['ret']*100:>+8.0f}{f['maxdd']*100:>7.1f}{corr:>+8.2f}{pct*100:>6.0f}%")
-
-    # migliore per OOS Sharpe (con corr bassa) come candidato diversificatore
-    good=[c for c in cands if not np.isnan(c[7]) and abs(c[7])<0.4 and c[5]["sharpe"]>0.5 and c[6]["sharpe"]>0]
-    good.sort(key=lambda c:-(c[6]["sharpe"]))
-    print(f"\n  Candidati scorrelati(<0.4) e positivi (FULL>0.5, OOS>0): {len(good)}")
-    print("\n  === TOP candidato come DIVERSIFICATORE di TP01 ===")
-    if not good:
-        print("  nessun candidato cross-sectional robusto+scorrelato. Universo corto.")
-        return
-    tag,mode,L,H,k,f,oos,corr,pct,consec,d = good[0]
-    print(f"  {tag}: FULL Sh {f['sharpe']:.2f} ret {f['ret']*100:+.0f}% DD {f['maxdd']*100:.1f}% | OOS25 Sh {oos['sharpe']:.2f} | corr TP01 {corr:+.2f} | anni+ {pct*100:.0f}% rossi-consec {consec}")
-    per=[(y,round(v,3)) for y,(v) in zip([yy for yy,_ in d.groupby(d.index.year)], yr_breadth(d)[0])]
-    print(f"  per-anno: {per}")
-    # CONFRONTO EQUO: sulla finestra COMUNE (2024-2026), TP01-solo vs TP01+XS
-    J = pd.concat({"tp": tp_daily, "xs": d}, axis=1, join="inner").dropna()
-    tpw, xsw = J["tp"], J["xs"]
-    bw_f = metrics(tpw); bw_h = metrics(tpw[tpw.index >= HOLDOUT])
-    print(f"\n  [finestra comune {J.index[0].date()}->{J.index[-1].date()}]")
-    print(f"  TP01 SOLO (su finestra comune): FULL Sh {bw_f['sharpe']:.2f} DD {bw_f['maxdd']*100:.1f}% | HOLD Sh {bw_h['sharpe']:.2f}")
-    for w in (0.2, 0.3, 0.5):
-        comb = (1 - w) * tpw + w * xsw
-        cf = metrics(comb); ch = metrics(comb[comb.index >= HOLDOUT])
-        print(f"  +XS w{w:.0%}: FULL {cf['sharpe']:.2f} ({cf['sharpe']-bw_f['sharpe']:+.2f}) DD {cf['maxdd']*100:.1f}%"
-              f" | HOLD {ch['sharpe']:.2f} ({ch['sharpe']-bw_h['sharpe']:+.2f})")
-    print("\n  WINNER-diversifier se: corr bassa, e TP01+XS batte TP01-solo (FULL E HOLD) sulla finestra comune,")
-    print("  con breadth per-anno ok. Altrimenti no (e attenzione: storia XS solo ~2.5 anni).")
-
-
-if __name__=="__main__":
-    main()
@@ -1,58 +0,0 @@
-"""FETCH storia DVOL (Deribit Volatility Index) — input IV per lo sleeve opzioni VRP.
-
-DVOL = vol implicita 30d annualizzata di Deribit (l'IV "ATM" del mercato). Public API, no auth.
-Limite 1000 punti/richiesta -> paginazione all'indietro. Salva data/raw/dvol_<asset>.parquet
-(colonne: timestamp ms, close = DVOL%). Usato come IV per prezzare BS le opzioni nel backtest VRP;
-la RV viene dai nostri prezzi certificati. VRP = IV - RV.
-
-    uv run python scripts/research/fetch_dvol.py
-"""
-from __future__ import annotations
-import sys, time
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import requests, pandas as pd
-
-URL = "https://www.deribit.com/api/v2/public/get_volatility_index_data"
-RAW = PROJECT_ROOT / "data" / "raw"
-
-
-def fetch(cur, res=86400):
-    end = int(time.time() * 1000)
-    floor = int(pd.Timestamp("2020-06-01", tz="UTC").timestamp() * 1000)
-    rows = {}
-    guard = 0
-    while end > floor and guard < 60:
-        guard += 1
-        r = requests.get(URL, params={"currency": cur, "start_timestamp": floor,
-                                       "end_timestamp": end, "resolution": res}, timeout=40)
-        data = r.json().get("result", {}).get("data", [])
-        if not data:
-            break
-        for ts, o, h, l, c in data:
-            rows[int(ts)] = float(c)
-        earliest = min(int(x[0]) for x in data)
-        if earliest >= end:
-            break
-        end = earliest - 1
-    if not rows:
-        return pd.DataFrame()
-    df = pd.DataFrame(sorted(rows.items()), columns=["timestamp", "close"])
-    return df
-
-
-def main():
-    for cur in ("BTC", "ETH"):
-        df = fetch(cur)
-        if df.empty:
-            print(f"{cur}: VUOTO"); continue
-        ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
-        df.to_parquet(RAW / f"dvol_{cur.lower()}.parquet", index=False)
-        print(f"{cur}: {len(df)} giorni  [{ts.iloc[0].date()} -> {ts.iloc[-1].date()}]  "
-              f"DVOL media {df['close'].mean():.1f}  range [{df['close'].min():.1f}, {df['close'].max():.1f}]  "
-              f"-> data/raw/dvol_{cur.lower()}.parquet")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,187 +0,0 @@
-"""VERIFICA SLEEVE OPZIONI su QUOTE REALI Deribit — quanto Sharpe sopravvive a bid/ask + skew.
-
-Lo sleeve income della strategia esterna `crypto_backtest` (vendita di put settimanali CSP su
-BTC, delta 0.28) e' backtestato su prezzi MODELLATI: Black-Scholes prezzato con DVOL = IV ATM, e
-si incassa il premio "fair" (mid). Due gap reali NON catturati:
-  (1) BID/ASK: vendendo si incassa il BID, non il mid.
-  (2) SKEW: una put OTM (delta 0.28) ha IV piu' alta della ATM (DVOL) -> il modello prezza la put
-      con la vol sbagliata.
-
-Questo script:
-  PARTE 1 (rete, Deribit mainnet pubblico): scarica la catena REALE della scadenza ~settimanale,
-    trova la put a delta ~0.28, e misura:
-      - premio reale incassabile (BID, in USD)  vs  premio modellato (BS @ IV ATM)
-      - skew: IV della put OTM (mark) vs IV ATM (mark)
-      - spread: bid/mark
-      - HAIRCUT netto  f = premio_bid_reale / premio_BS@ATM
-  PARTE 2 (locale): ri-esegue lo sleeve CSP settimanale (dati + modulo del progetto esterno) con
-    il premio moltiplicato per f -> Sharpe/CAGR/maxDD reali stimati, vs i modellati.
-
-NB ONESTO: e' UNO SNAPSHOT (la catena di oggi). Lo spread si allarga nello stress; lo skew varia.
-Va ripetuto nel tempo per robustezza. Ma misura direttamente i due gap col mercato vero.
-
-    uv run python scripts/research/options_real_quote_check.py
-"""
-from __future__ import annotations
-
-import sys
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-
-EXT = Path("/home/adriano/crypto_backtest")
-sys.path.insert(0, str(EXT))
-
-PUT_DELTA = 0.28
-CYCLE_DAYS = 7
-ANN = 365
-
-
-def fetch_real_chain():
-    import ccxt
-    ex = ccxt.deribit({"enableRateLimit": True})
-    ex.load_markets()
-    puts = [m for m in ex.markets.values()
-            if m.get("option") and m["base"] == "BTC" and m["optionType"] == "put"]
-    calls = [m for m in ex.markets.values()
-             if m.get("option") and m["base"] == "BTC" and m["optionType"] == "call"]
-    # expiries -> pick the one closest to CYCLE_DAYS days out
-    now = pd.Timestamp.utcnow().tz_localize(None)
-    def exp_dt(m):
-        return pd.to_datetime(m["symbol"].split("-")[1], format="%y%m%d")
-    exps = sorted(set(exp_dt(m) for m in puts))
-    target = now + pd.Timedelta(days=CYCLE_DAYS)
-    expiry = min(exps, key=lambda e: abs((e - target).days))
-    dte = (expiry - now).days + (expiry - now).seconds / 86400
-    chain_puts = [m for m in puts if exp_dt(m) == expiry]
-    chain_calls = [m for m in calls if exp_dt(m) == expiry]
-    print(f"  scadenza scelta: {expiry.date()}  (DTE ~{dte:.1f}g, target {CYCLE_DAYS}g)  "
-          f"strikes put: {len(chain_puts)}")
-
-    def tick(m):
-        try:
-            t = ex.fetch_ticker(m["symbol"])
-            i = t["info"]
-            g = i.get("greeks") or {}
-            return dict(symbol=m["symbol"], strike=float(m["strike"]),
-                        delta=float(g.get("delta", "nan")), mark_iv=float(i.get("mark_iv", "nan")),
-                        bid=float(i.get("best_bid_price") or 0), ask=float(i.get("best_ask_price") or 0),
-                        mark=float(i.get("mark_price") or 0),
-                        S=float(i.get("underlying_price") or i.get("index_price") or 0))
-        except Exception:
-            return None
-
-    rows = [r for r in (tick(m) for m in chain_puts) if r and np.isfinite(r["delta"])]
-    callrows = [r for r in (tick(m) for m in chain_calls) if r and np.isfinite(r["delta"])]
-    return expiry, dte, pd.DataFrame(rows), pd.DataFrame(callrows)
-
-
-def bs_put(S, K, T, sigma):
-    from scipy.stats import norm
-    if T <= 0 or sigma <= 0:
-        return max(0.0, K - S)
-    d1 = (np.log(S / K) + 0.5 * sigma ** 2 * T) / (sigma * np.sqrt(T))
-    d2 = d1 - sigma * np.sqrt(T)
-    return K * norm.cdf(-d2) - S * norm.cdf(-d1)
-
-
-def measure_haircut(dte, puts, calls):
-    S = puts["S"].iloc[0]
-    T = dte / ANN
-    # ATM IV: option with |delta| closest to 0.5 (use calls+puts mark_iv near ATM)
-    allo = pd.concat([puts.assign(typ="P"), calls.assign(typ="C")], ignore_index=True)
-    atm = allo.iloc[(allo["delta"].abs() - 0.5).abs().argsort()[:4]]
-    atm_iv = atm["mark_iv"].mean() / 100.0
-    # delta-0.28 put (delta negative)
-    p = puts.iloc[(puts["delta"] - (-PUT_DELTA)).abs().argsort()[:1]].iloc[0]
-    K = p["strike"]
-    put_iv = p["mark_iv"] / 100.0
-    # premiums in USD (Deribit option price is in BTC)
-    bid_usd = p["bid"] * S
-    mark_usd = p["mark"] * S
-    ask_usd = p["ask"] * S
-    bs_atm_usd = bs_put(S, K, T, atm_iv)        # cio' che il backtest assume (DVOL=ATM, incassa mid)
-    bs_skew_usd = bs_put(S, K, T, put_iv)        # BS alla vol REALE della put (isola lo skew)
-
-    print("\n  --- MISURA SU QUOTE REALI (snapshot) ---")
-    print(f"  underlying S = {S:,.0f}  strike(delta~-0.28) K = {K:,.0f}  ({(1-K/S)*100:.1f}% OTM)  delta {p['delta']:.3f}")
-    print(f"  IV ATM (DVOL-equivalente) = {atm_iv*100:.1f}%   IV put OTM (mark) = {put_iv*100:.1f}%   "
-          f"skew +{(put_iv-atm_iv)*100:.1f} pt")
-    print(f"  premio put (USD):  BID {bid_usd:,.1f}   mark {mark_usd:,.1f}   ask {ask_usd:,.1f}")
-    print(f"  spread bid/mark = {(p['bid']/p['mark']) if p['mark']>0 else float('nan'):.3f}   "
-          f"(ask-bid)/mark = {((p['ask']-p['bid'])/p['mark']) if p['mark']>0 else float('nan'):.3f}")
-    print(f"  modellato dal backtest  BS@IV-ATM = {bs_atm_usd:,.1f} USD   (BS@IV-put-reale = {bs_skew_usd:,.1f})")
-    f_bid = bid_usd / bs_atm_usd if bs_atm_usd > 0 else float("nan")
-    f_mark = mark_usd / bs_atm_usd if bs_atm_usd > 0 else float("nan")
-    print(f"  HAIRCUT premio:  reale(BID)/modello = {f_bid:.3f}   |  mark/modello = {f_mark:.3f}")
-    print(f"  -> lo skew ALZA il premio lordo (+{(bs_skew_usd/bs_atm_usd-1)*100:.0f}% vs ATM), ma il "
-          f"BID/ask lo riporta a {f_bid*100:.0f}% del modello.")
-    return f_bid
-
-
-def csp_sleeve_haircut(f):
-    """Ri-esegue lo sleeve CSP settimanale (dati+modulo esterni) con premio * f."""
-    import options_deribit as od
-    px = pd.read_csv(EXT / "data/BTCUSDT.csv", parse_dates=["date"]).set_index("date")["close"]
-    dvol = pd.read_csv(EXT / "data/DVOL_BTC.csv", parse_dates=["date"]).set_index("date")["close"]
-    iv = od.build_iv(px, "BTC", dvol)
-    d0 = dvol.index[0]
-    px, iv = px[px.index >= d0], iv[iv.index >= d0]
-
-    def sim(prem_mult, m=0.63):
-        idx = px.index
-        locs = list(range(0, len(idx) - CYCLE_DAYS, CYCLE_DAYS))
-        T = CYCLE_DAYS / ANN
-        rows = []
-        for i in locs:
-            S0, S1, sig = px.iloc[i], px.iloc[i + CYCLE_DAYS], iv.iloc[i]
-            if not (np.isfinite(S0) and np.isfinite(S1) and np.isfinite(sig)):
-                continue
-            Kp = od.strike_for_delta(S0, T, sig, PUT_DELTA, call=False)
-            pp = od.bs_price(S0, Kp, T, sig, call=False) * prem_mult   # <-- haircut sul premio
-            fee = od.option_fee(S0, pp) + (od.SETTLE_FEE * S0 if S1 < Kp else 0)
-            pnl = pp - max(Kp - S1, 0.0) - fee
-            rows.append((idx[i + CYCLE_DAYS], m * pnl / S0))
-        s = pd.Series({d: r for d, r in rows}).sort_index()
-        return s
-
-    def met(s, name):
-        eq = (1 + s).cumprod()
-        cpy = ANN / CYCLE_DAYS
-        yrs = len(s) / cpy
-        cagr = eq.iloc[-1] ** (1 / yrs) - 1 if eq.iloc[-1] > 0 else -1
-        sh = s.mean() / s.std() * np.sqrt(cpy)
-        dd = (eq / eq.cummax() - 1).min()
-        print(f"  {name:<34s} CAGR {cagr*100:>+6.1f}%  Sharpe {sh:>5.2f}  maxDD {dd*100:>6.1f}%  win {(s>0).mean()*100:>3.0f}%")
-        return sh
-
-    print("\n  --- RI-ESECUZIONE SLEEVE CSP con HAIRCUT REALE (m=0.63, hold-to-expiry) ---")
-    print(f"  finestra {px.index[0].date()} -> {px.index[-1].date()}  (DVOL reale)")
-    sh_model = met(sim(1.00), "modello (premio pieno, BS@DVOL)")
-    sh_real = met(sim(f), f"reale stimato (premio x{f:.2f} = BID)")
-    # sensitivity
-    for ff in (0.85, 0.70, 0.55):
-        met(sim(ff), f"sensitivity premio x{ff:.2f}")
-    print(f"\n  => con haircut reale f={f:.2f}: Sharpe sleeve {sh_model:.2f} -> {sh_real:.2f}")
-    return sh_model, sh_real
-
-
-def main():
-    print("=" * 92)
-    print("# VERIFICA SLEEVE OPZIONI su QUOTE REALI DERIBIT — quanto Sharpe sopravvive")
-    print("=" * 92)
-    try:
-        expiry, dte, puts, calls = fetch_real_chain()
-        f = measure_haircut(dte, puts, calls)
-    except Exception as e:
-        print(f"  [rete] impossibile scaricare la catena reale ({type(e).__name__}: {e})")
-        print("  uso haircut di letteratura f=0.70 (spread+skew tipici su put OTM settimanali)")
-        f = 0.70
-    f = float(np.clip(f, 0.3, 1.2))
-    csp_sleeve_haircut(f)
-    print("\n  CAVEAT: snapshot singolo; spread peggiora nello stress; ripetere nel tempo + testnet.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,83 +0,0 @@
-"""CALIBRAZIONE VRP su quote REALI cerbero-bite — misura f e skew, non li assume.
-
-cerbero-bite accumula la catena Deribit mainnet reale (option_chain_snapshots). Qui, per ogni
-snapshot, prendo la put piu' vicina a delta -0.28 (DTE settimanale), confronto il BID REALE
-(vendita conservativa) col premio MODELLATO (BS su DVOL, IV-ATM) -> fattore f = reale/modellato,
-e skew = IV_put_reale - DVOL. Pinna empiricamente dove sta il VRP sleeve sullo sweep f.
-
-Input: /tmp/cb_puts.csv (export da cerbero-bite). Finestra ~2026-05 -> oggi (un regime, mainnet).
-
-    uv run python scripts/research/options_vrp_calibrate.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from scripts.research.options_vrp_lab import bs_put
-from scripts.analysis.research_lab import load_tf
-
-CSV = "/tmp/cb_puts.csv"
-
-
-def spot_series(asset):
-    px = load_tf(asset, "1h")
-    return pd.Series(px["close"].values.astype(float),
-                     index=pd.to_datetime(px["timestamp"], unit="ms", utc=True)).sort_index()
-
-
-def dvol_series(asset):
-    d = pd.read_parquet(PROJECT_ROOT / "data" / "raw" / f"dvol_{asset.lower()}.parquet")
-    return pd.Series(d["close"].values.astype(float),
-                     index=pd.to_datetime(d["timestamp"], unit="ms", utc=True)).sort_index()
-
-
-def main():
-    df = pd.read_csv(CSV, names=["ts", "asset", "strike", "expiry", "bid", "mid", "iv", "delta"])
-    df["ts"] = pd.to_datetime(df["ts"], utc=True, errors="coerce")
-    df["expiry"] = pd.to_datetime(df["expiry"], utc=True, errors="coerce")
-    for c in ("strike", "bid", "mid", "iv", "delta"):
-        df[c] = pd.to_numeric(df[c], errors="coerce")
-    df = df.dropna(subset=["ts", "expiry", "strike", "bid", "iv", "delta"])
-    df["dte"] = (df["expiry"] - df["ts"]).dt.total_seconds() / 86400.0
-    df = df[(df["dte"] >= 4) & (df["dte"] <= 10) & (df["bid"] > 0)]
-
-    print("=" * 92)
-    print("  CALIBRAZIONE VRP su QUOTE REALI (cerbero-bite mainnet) — put weekly ~delta -0.28")
-    print("=" * 92)
-    for asset in ("BTC", "ETH"):
-        d = df[df["asset"] == asset].copy()
-        if d.empty:
-            print(f"\n  {asset}: nessun dato"); continue
-        # per snapshot, la put piu' vicina a delta -0.28
-        d["dd"] = (d["delta"] - (-0.28)).abs()
-        pick = d.sort_values("dd").groupby("ts").first().reset_index().sort_values("ts")
-        S = spot_series(asset); V = dvol_series(asset)
-        Sdf = pd.DataFrame({"ts": S.index.as_unit("ns"), "spot": S.values}).sort_values("ts")
-        Vdf = pd.DataFrame({"ts": V.index.as_unit("ns"), "dvol": V.values}).sort_values("ts")
-        pick = pick.sort_values("ts").reset_index(drop=True)
-        pts = pick[["ts"]].copy()
-        pts["ts"] = pts["ts"].dt.as_unit("ns")
-        pick["spot"] = pd.merge_asof(pts, Sdf, on="ts", direction="nearest", tolerance=pd.Timedelta("2h"))["spot"].values
-        pick["dvol"] = pd.merge_asof(pts, Vdf, on="ts", direction="nearest", tolerance=pd.Timedelta("2D"))["dvol"].values
-        pick = pick.dropna(subset=["spot", "dvol"])
-        # premio reale (vendo al BID, in coin -> frazione del sottostante) vs modellato BS@DVOL
-        pick["real_pct"] = pick["bid"] * 100.0
-        pick["model_pct"] = pick.apply(lambda r: bs_put(r["spot"], r["strike"], r["dte"] / 365.25, r["dvol"] / 100.0) / r["spot"] * 100.0, axis=1)
-        pick = pick[pick["model_pct"] > 0]
-        pick["f"] = pick["real_pct"] / pick["model_pct"]
-        pick["skew"] = pick["iv"] - pick["dvol"]
-        print(f"\n  {asset}  (snapshot validi={len(pick)}, {pick['ts'].iloc[0].date()} -> {pick['ts'].iloc[-1].date()})")
-        print(f"    delta medio {pick['delta'].mean():+.2f} | DTE medio {pick['dte'].mean():.1f}g | moneyness medio {(pick['strike']/pick['spot']).mean():.3f}")
-        print(f"    IV put reale {pick['iv'].mean():.1f}% vs DVOL {pick['dvol'].mean():.1f}%  -> SKEW medio {pick['skew'].mean():+.1f} pt")
-        print(f"    premio reale(BID) {pick['real_pct'].mean():.2f}% vs modellato(IV-ATM) {pick['model_pct'].mean():.2f}%")
-        print(f"    FATTORE f = reale/modellato:  mediana {pick['f'].median():.2f}  IQR [{pick['f'].quantile(.25):.2f}, {pick['f'].quantile(.75):.2f}]  (range {pick['f'].min():.2f}-{pick['f'].max():.2f})")
-
-    print("\n  -> f e' il punto reale sullo sweep di options_vrp_lab (Sh: f1.0=0.71, f1.29=1.70).")
-    print("  CAVEAT: finestra mag-giu 2026 = UN regime (niente crash) -> f calmo. In stress lo skew")
-    print("  sale (piu' premio) MA la coda colpisce: il f di stress va misurato quando arriva un crash.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,150 +0,0 @@
-"""OPTIONS VRP LAB — sleeve income: vendita put settimanali (CSP) che incassa il VRP (IV>RV).
-
-Aggira il muro "niente catena storica gratis" come crypto_backtest: prezza le put con Black-Scholes
-sulla DVOL REALE (IV storica Deribit, data/raw/dvol_*.parquet) + CALIBRAZIONE su quote reali
-(fattore f: la verifica su quote reali ha trovato premio reale ~1.29x il modellato a IV-ATM per via
-dello skew, al netto dello spread). Payoff sul path REALIZZATO dei prezzi certificati. Causale: la
-decisione (strike/premio) usa solo dati <= sell-date; il payoff realizza a scadenza.
-
-Onesto: e' SHORT-VOL, il rischio vero e' la CODA (crash). Riporto worst-weeks (LUNA/FTX), per-anno,
-sweep su f (sensitivity del premio reale) e delta. NON e' un deploy: e' la prima validazione del lead.
-
-    uv run python scripts/research/options_vrp_lab.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from scipy.stats import norm
-from scripts.analysis.research_lab import load_tf
-
-HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
-WK_PER_YEAR = 365.25 / 7.0
-
-
-def bs_put(S, K, T, sig):
-    if T <= 0 or sig <= 0:
-        return max(K - S, 0.0)
-    d1 = (np.log(S / K) + 0.5 * sig ** 2 * T) / (sig * np.sqrt(T))
-    d2 = d1 - sig * np.sqrt(T)
-    return K * norm.cdf(-d2) - S * norm.cdf(-d1)        # r=0
-
-
-def strike_from_delta(S, T, sig, target_delta=-0.28):
-    # delta_put = -N(-d1) = target -> d1 = -N^{-1}(-target)
-    d1 = -norm.ppf(-target_delta)
-    return S * np.exp(0.5 * sig ** 2 * T - d1 * sig * np.sqrt(T))
-
-
-def load_series(asset):
-    px = load_tf(asset, "1d")
-    s = pd.Series(px["close"].values.astype(float), index=pd.to_datetime(px["timestamp"], unit="ms", utc=True))
-    dv = pd.read_parquet(PROJECT_ROOT / "data" / "raw" / f"dvol_{asset.lower()}.parquet")
-    d = pd.Series(dv["close"].values.astype(float), index=pd.to_datetime(dv["timestamp"], unit="ms", utc=True))
-    J = pd.concat({"px": s, "dvol": d}, axis=1, join="inner").sort_index().dropna()
-    return J
-
-
-def put_sell_weekly(asset, delta=-0.28, f=1.0, tenor_d=7):
-    """Vendita CSP settimanale. Ritorna serie di rendimenti SETTIMANALI (su collaterale K) indicizzata
-    alla data di scadenza. Causale: strike/premio da DVOL e prezzo a sell-date; payoff a scadenza."""
-    J = load_series(asset)
-    px = J["px"].values; dv = J["dvol"].values / 100.0; idx = J.index
-    n = len(px); T = tenor_d / 365.25
-    rets = {}
-    i = 30
-    while i + tenor_d < n:
-        S0 = px[i]; sig = dv[i]
-        K = strike_from_delta(S0, T, sig, delta)
-        prem = bs_put(S0, K, T, sig) * f
-        S1 = px[i + tenor_d]
-        pnl = prem - max(0.0, K - S1)        # short put: incassi premio, paghi se finisce ITM
-        rets[idx[i + tenor_d]] = pnl / K     # rendimento su collaterale cash-secured
-        i += tenor_d
-    return pd.Series(rets)
-
-
-def m_weekly(r):
-    r = r.dropna()
-    if len(r) < 3 or r.std() == 0:
-        return dict(sh=0, cagr=0, dd=0, n=len(r))
-    eq = np.cumprod(1 + r.values); pk = np.maximum.accumulate(eq)
-    yrs = len(r) / WK_PER_YEAR
-    return dict(sh=float(r.mean() / r.std() * np.sqrt(WK_PER_YEAR)),
-                cagr=float(eq[-1] ** (1 / yrs) - 1) if yrs > 0 and eq[-1] > 0 else 0,
-                dd=float(np.max((pk - eq) / pk)), n=len(r))
-
-
-def per_year(r):
-    out = {}
-    for y, g in r.groupby(r.index.year):
-        eq = np.cumprod(1 + g.values)
-        out[int(y)] = float(eq[-1] - 1)
-    return out
-
-
-def main():
-    print("=" * 96)
-    print("  OPTIONS VRP LAB — vendita put settimanali (CSP), premio BS su DVOL reale + calibrazione f")
-    print("=" * 96)
-
-    # contesto VRP: IV (DVOL) vs RV realizzata
-    for a in ("BTC", "ETH"):
-        J = load_series(a)
-        rv = J["px"].pct_change().rolling(30).std() * np.sqrt(365.25) * 100
-        vrp = (J["dvol"] - rv).dropna()
-        print(f"  {a}: DVOL media {J['dvol'].mean():.0f}% | RV30 media {rv.mean():.0f}% | VRP media {vrp.mean():+.1f} pt, >0 nel {100*(vrp>0).mean():.0f}% del tempo")
-
-    print("\n  (1) SWEEP CALIBRAZIONE f (delta -0.28, weekly) — book 50/50 BTC+ETH")
-    print(f"    {'f':>6}{'Sh':>7}{'CAGR':>8}{'maxDD':>8}{'worst-wk':>10}")
-    for f in (0.70, 0.85, 1.0, 1.15, 1.29):
-        rB = put_sell_weekly("BTC", f=f); rE = put_sell_weekly("ETH", f=f)
-        book = pd.concat({"B": rB, "E": rE}, axis=1, join="inner").mean(axis=1)
-        mm = m_weekly(book); worst = book.min()
-        tag = "  <- reale(calm)" if f == 1.29 else ("  <- conservativo" if f == 1.0 else "")
-        print(f"    {f:>6.2f}{mm['sh']:>7.2f}{mm['cagr']*100:>+7.0f}%{mm['dd']*100:>7.1f}%{worst*100:>+9.1f}%{tag}")
-
-    print("\n  (2) SWEEP DELTA (f=1.0 conservativo) — book 50/50")
-    print(f"    {'delta':>7}{'Sh':>7}{'CAGR':>8}{'maxDD':>8}")
-    for dl in (-0.15, -0.28, -0.40):
-        rB = put_sell_weekly("BTC", delta=dl); rE = put_sell_weekly("ETH", delta=dl)
-        book = pd.concat({"B": rB, "E": rE}, axis=1, join="inner").mean(axis=1)
-        mm = m_weekly(book)
-        print(f"    {dl:>7.2f}{mm['sh']:>7.2f}{mm['cagr']*100:>+7.0f}%{mm['dd']*100:>7.1f}%")
-
-    # config centrale: delta -0.28, f=1.0 (conservativo) e f=1.29 (reale misurato)
-    print("\n  (3) PER ANNO + WORST WEEKS (delta -0.28, book 50/50) — il rischio e' la CODA")
-    for f in (1.0, 1.29):
-        rB = put_sell_weekly("BTC", f=f); rE = put_sell_weekly("ETH", f=f)
-        book = pd.concat({"B": rB, "E": rE}, axis=1, join="inner").mean(axis=1)
-        py = per_year(book)
-        worst = book.nsmallest(5)
-        print(f"\n    f={f}: per-anno " + "  ".join(f"{y}:{v*100:+.0f}%" for y, v in py.items()))
-        print(f"           worst weeks: " + "  ".join(f"{d.date()}:{v*100:.0f}%" for d, v in worst.items()))
-        full = m_weekly(book); ho = m_weekly(book[book.index >= HOLDOUT])
-        print(f"           FULL Sh {full['sh']:.2f} CAGR {full['cagr']*100:+.0f}% DD {full['dd']*100:.0f}% | HOLD-OUT Sh {ho['sh']:.2f}")
-
-    # correlazione e contributo vs TP01 (resampling settimanale)
-    print("\n  (4) CORRELAZIONE + CONTRIBUTO vs TP01 (settimanale; f=1.0 conservativo)")
-    from src.portfolio.sleeves import tp01_sleeve
-    tp = tp01_sleeve().daily()
-    tp_wk = (1 + tp).resample("7D").prod() - 1
-    rB = put_sell_weekly("BTC"); rE = put_sell_weekly("ETH")
-    opt = pd.concat({"B": rB, "E": rE}, axis=1, join="inner").mean(axis=1)
-    opt_wk = opt.copy(); opt_wk.index = opt_wk.index.to_period("W").to_timestamp()
-    tp_wk2 = tp_wk.copy(); tp_wk2.index = tp_wk2.index.to_period("W").to_timestamp()
-    Jc = pd.concat({"tp": tp_wk2, "opt": opt_wk}, axis=1, join="inner").dropna()
-    corr = float(Jc["tp"].corr(Jc["opt"])) if len(Jc) > 5 else float("nan")
-    print(f"    corr settimanale opt vs TP01 = {corr:+.2f}  (atteso ~0.2)")
-    for w in (0.3, 0.5):
-        comb = (1 - w) * Jc["tp"] + w * Jc["opt"]
-        mt = m_weekly(Jc["tp"]); mc = m_weekly(comb)
-        print(f"    TP01 {1-w:.0%} + OPT {w:.0%}: Sh {mc['sh']:.2f} (TP01-solo {mt['sh']:.2f}) DD {mc['dd']*100:.0f}%")
-    print("\n  NB onesto: short-vol -> guarda i worst-weeks e gli anni di crash. Premio MODELLATO; il")
-    print("  rischio coda/roll in stress NON e' pienamente catturato. Lead, non deploy.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,180 +0,0 @@
-"""OPTIONS VRP v2 — migliora lo sleeve short-vol con le idee di FinanceOld/OptionsAgent.
-
-Baseline (options_vrp_lab): vendita put NUDA settimanale delta -0.28, premio BS su DVOL reale.
-f=1.0 -> Sh 0.71, DD 33%, worst-week -26%, HOLD-OUT Sh 0.04 (muore OOS). Il rischio e' la CODA.
-
-OptionsAgent (Bear Call Spread + VIX hedge su IWM) porta 3 idee testabili qui:
-  (A) RISCHIO DEFINITO: invece della put nuda, PUT CREDIT SPREAD (vendi put delta -0.28, COMPRI put
-      piu' OTM delta -0.10). Cap la coda: max perdita = width - premio netto. Capitale = width (margine
-      reale di un defined-risk). Lo Sharpe e' scale-free; DD/worst-week sul width (capitale vero a rischio).
-  (B) GATE VRP/IV-RANK: vendi vol SOLO quando e' ricca. Gate causale su:
-        - vrp:   DVOL[i] - RV30(causale) > 0          (premio > vol realizzata recente)
-        - ivr:   IV-rank = percentile espandente di DVOL[i] in DVOL[:i] > soglia
-      "Solo se IV Rank > 30%" e' una delle 5 condizioni d'ingresso di OptionsAgent.
-  (C) CRASH-SKIP: vai flat se DVOL gia' esploso sopra un percentile alto (vol-spike = NO-GO, come
-      "VIX>35 -> NO-GO" di OptionsAgent). Evita di vendere nel pieno del crash.
-
-Tutto CAUSALE: strike/premio/gate usano solo dati <= sell-date; payoff realizza a scadenza sui prezzi
-certificati. Fee Deribit opzioni: 0.03% del NOTIONAL per gamba (cap 12.5% del premio) -> qui modellate
-come costo per-trade sul premio. NON deploy: lead quantificato e onesto.
-
-    uv run python scripts/research/options_vrp_v2.py
-"""
-from __future__ import annotations
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from scripts.research.options_vrp_lab import bs_put, strike_from_delta, load_series, m_weekly, per_year
-
-HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
-WK_PER_YEAR = 365.25 / 7.0
-# fee Deribit opzioni: 0.0003 * spot per contratto, cap 12.5% del premio. Per uno spread sono 2 gambe.
-# Modellata come frazione del premio netto incassato (conservativa: usa il cap come ordine di grandezza).
-FEE_FRAC_OF_PREMIUM = 0.125    # 12.5% del premio netto, per ROUND-TRIP delle gambe (worst-case del cap)
-
-
-def _rv30(px: np.ndarray, i: int) -> float:
-    """RV annualizzata causale dagli ultimi 30 rendimenti giornalieri (fino a i incluso)."""
-    if i < 31:
-        return np.nan
-    r = np.diff(np.log(px[i - 30:i + 1]))
-    return float(np.std(r) * np.sqrt(365.25))
-
-
-def _ivrank(dv: np.ndarray, i: int) -> float:
-    """IV-rank causale: percentile di dv[i] nella storia espandente dv[:i]."""
-    if i < 60:
-        return np.nan
-    hist = dv[:i]
-    return float((hist < dv[i]).mean())
-
-
-def vrp_spread_weekly(asset, short_delta=-0.28, long_delta=-0.10, f=1.0, tenor_d=7,
-                      defined_risk=True, gate_vrp=False, gate_ivr=0.0, crash_skip=1.01,
-                      with_fee=True):
-    """Vendita settimanale di put credit spread (o nuda se defined_risk=False), con gate causali.
-    Ritorna serie di rendimenti settimanali su CAPITALE A RISCHIO (width per lo spread, K per la nuda)."""
-    J = load_series(asset)
-    px = J["px"].values; dv_pct = J["dvol"].values; dv = dv_pct / 100.0; idx = J.index
-    n = len(px); T = tenor_d / 365.25
-    rets = {}
-    i = 60                                   # serve storia per RV/IV-rank
-    while i + tenor_d < n:
-        S0 = px[i]; sig = dv[i]
-        # --- GATE causali (decisi a sell-date) ---
-        skip = False
-        if gate_vrp:
-            rv = _rv30(px, i)
-            if not np.isnan(rv) and (sig - rv) <= 0:       # VRP non positivo -> non vendere
-                skip = True
-        if gate_ivr > 0:
-            ivr = _ivrank(dv, i)
-            if not np.isnan(ivr) and ivr < gate_ivr:        # IV troppo bassa -> non vendere
-                skip = True
-        if crash_skip < 1.0:
-            ivr = _ivrank(dv, i)
-            if not np.isnan(ivr) and ivr > crash_skip:      # vol gia' esplosa -> NO-GO
-                skip = True
-        if skip:
-            rets[idx[i + tenor_d]] = 0.0                     # flat: nessun rischio quella settimana
-            i += tenor_d
-            continue
-        # --- struttura ---
-        Ks = strike_from_delta(S0, T, sig, short_delta)      # put venduta
-        prem_s = bs_put(S0, Ks, T, sig) * f
-        S1 = px[i + tenor_d]
-        if defined_risk:
-            Kl = strike_from_delta(S0, T, sig, long_delta)   # put comprata (piu' OTM, strike piu' basso)
-            prem_l = bs_put(S0, Kl, T, sig) * f
-            net_prem = prem_s - prem_l
-            width = Ks - Kl
-            payoff = max(0.0, Ks - S1) - max(0.0, Kl - S1)    # quanto pago netto a scadenza
-            pnl = net_prem - payoff
-            cap = Ks       # cash-secured: stesso capitale del baseline nudo -> DD/worst comparabili,
-            #                il long wing CAPPA la coda (la differenza dal nudo e' solo la coda tagliata)
-        else:
-            pnl = prem_s - max(0.0, Ks - S1)
-            cap = Ks
-            net_prem = prem_s
-        if with_fee:
-            pnl -= FEE_FRAC_OF_PREMIUM * abs(net_prem)
-        rets[idx[i + tenor_d]] = pnl / cap
-        i += tenor_d
-    return pd.Series(rets)
-
-
-def book(fn, **kw):
-    rB = fn("BTC", **kw); rE = fn("ETH", **kw)
-    return pd.concat({"B": rB, "E": rE}, axis=1, join="inner").mean(axis=1)
-
-
-def report(name, b):
-    full = m_weekly(b); ho = m_weekly(b[b.index >= HOLDOUT])
-    worst = b.min(); active = float((b != 0).mean())
-    py = per_year(b)
-    print(f"  {name:<34} FULL Sh {full['sh']:>5.2f} CAGR {full['cagr']*100:>+4.0f}% DD {full['dd']*100:>3.0f}% "
-          f"worst {worst*100:>+5.1f}% | HOLD Sh {ho['sh']:>5.2f} | attivo {active*100:>3.0f}%")
-    return full, ho, py
-
-
-def main():
-    print("=" * 104)
-    print("  OPTIONS VRP v2 — defined-risk spread + gate VRP/IV-rank + crash-skip (idee OptionsAgent)")
-    print("=" * 104)
-    print("  Fee opzioni Deribit modellate: 12.5%% del premio netto per round-trip (cap del fee reale).\n")
-
-    print("  (0) BASELINE — put NUDA delta -0.28 (riproduce options_vrp_lab, ora CON fee)")
-    report("naked f=1.0 (no gate)", book(vrp_spread_weekly, defined_risk=False, f=1.0))
-    report("naked f=1.29 (reale-calm)", book(vrp_spread_weekly, defined_risk=False, f=1.29))
-
-    print("\n  (1) RISCHIO DEFINITO — put credit spread -0.28/-0.10 (cap coda), capitale=width")
-    for f in (1.0, 1.29):
-        report(f"spread f={f}", book(vrp_spread_weekly, defined_risk=True, f=f))
-
-    print("\n  (2) + GATE VRP>0 (vendi solo se DVOL>RV30 causale)")
-    for f in (1.0, 1.29):
-        report(f"spread+vrp f={f}", book(vrp_spread_weekly, defined_risk=True, f=f, gate_vrp=True))
-
-    print("\n  (3) + GATE IV-RANK > 0.30 (vendi solo vol ricca; cond. d'ingresso OptionsAgent)")
-    for f in (1.0, 1.29):
-        report(f"spread+ivr30 f={f}", book(vrp_spread_weekly, defined_risk=True, f=f, gate_ivr=0.30))
-
-    print("\n  (4) + CRASH-SKIP IV-rank>0.90 (NO-GO se vol gia' esplosa)")
-    for f in (1.0, 1.29):
-        report(f"spread+crashskip f={f}", book(vrp_spread_weekly, defined_risk=True, f=f, crash_skip=0.90))
-
-    print("\n  (5) COMBO — spread + vrp + ivr30 + crash-skip (tutti i filtri, f=1.0 conservativo)")
-    full, ho, py = report("COMBO f=1.0", book(vrp_spread_weekly, defined_risk=True, f=1.0,
-                                              gate_vrp=True, gate_ivr=0.30, crash_skip=0.90))
-    print("     per-anno: " + "  ".join(f"{y}:{v*100:+.0f}%" for y, v in py.items()))
-    full, ho, py = report("COMBO f=1.29", book(vrp_spread_weekly, defined_risk=True, f=1.29,
-                                               gate_vrp=True, gate_ivr=0.30, crash_skip=0.90))
-    print("     per-anno: " + "  ".join(f"{y}:{v*100:+.0f}%" for y, v in py.items()))
-
-    # contributo al portafoglio TP01
-    print("\n  (6) CORRELAZIONE + CONTRIBUTO vs TP01 (COMBO f=1.0)")
-    from src.portfolio.sleeves import tp01_sleeve
-    tp = tp01_sleeve().daily()
-    tp_wk = (1 + tp).resample("7D").prod() - 1
-    opt = book(vrp_spread_weekly, defined_risk=True, f=1.0, gate_vrp=True, gate_ivr=0.30, crash_skip=0.90)
-    opt_wk = opt.copy(); opt_wk.index = opt_wk.index.to_period("W").to_timestamp()
-    tp_wk2 = tp_wk.copy(); tp_wk2.index = tp_wk2.index.to_period("W").to_timestamp()
-    Jc = pd.concat({"tp": tp_wk2, "opt": opt_wk}, axis=1, join="inner").dropna()
-    corr = float(Jc["tp"].corr(Jc["opt"])) if len(Jc) > 5 else float("nan")
-    print(f"    corr settimanale opt vs TP01 = {corr:+.2f}")
-    for w in (0.3, 0.5):
-        comb = (1 - w) * Jc["tp"] + w * Jc["opt"]
-        mt = m_weekly(Jc["tp"]); mc = m_weekly(comb)
-        print(f"    TP01 {1-w:.0%} + OPT {w:.0%}: Sh {mc['sh']:.2f} (TP01-solo {mt['sh']:.2f}) DD {mc['dd']*100:.0f}%")
-
-    print("\n  NB onesto: capitale=strike corto (cash-secured) per entrambe -> DD/worst comparabili al nudo.")
-    print("  Il defined-risk CAPPA la coda (-16.6%->-7.4% worst, DD 33%->14-21%) RIDUCENDO la dipendenza")
-    print("  dal f di stress (la coda e' tagliata per costruzione). Il gate IV-rank e' l'alpha: vendere")
-    print("  solo vol ricca (58%% delle settimane) ribalta l'HOLD-OUT da -0.25 a +0.28 (f=1.0). Premio")
-    print("  MODELLATO su DVOL ATM (no skew). Lead quantificato, non deploy (serve catena reale + f di stress).")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,118 +0,0 @@
-"""ADVERSARIAL LOOK-AHEAD / EXECUTION-LAG AUDIT of the trend portfolio across timeframes.
-
-Motivation (2026-06-19): a look-ahead bug (ffill mixed-timeframe on open-labeled bars) can
-inflate sub-daily Sharpe (e.g. 4h to ~1.6 vs a real ~1.1). This audit stress-tests OUR pipeline:
-
-  1. EXECUTION LAG: standard book holds the position decided at close[i] during bar i+1.
-     We re-run with an EXTRA bar of delay (held during i+2) — i.e. you cannot trade exactly at
-     the close; there is one bar of slippage/latency. A genuine slow-trend edge barely moves; a
-     timing artifact collapses. We sweep lag = 1 (standard) and 2 (conservative).
-  2. RELABEL TEST: resample with label='left' (open-labeled, our default) vs label='right'
-     (close-labeled). The realized Sharpe must be (near) identical; a large gap => the labeling
-     leaks information.
-
-Conclusion target: identify the timeframe below which costs + lag dominate (don't deploy there).
-
-Run:  uv run python scripts/research/trackD_lookahead_audit.py
-"""
-from __future__ import annotations
-
-import sys
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-
-sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
-
-from src.backtest.harness import load
-from src.strategies.trend_portfolio import simple_returns, realized_vol, tsmom_blend
-
-ASSETS = ["BTC", "ETH"]
-FEE_SIDE = 0.0005
-TARGET_VOL = 0.20
-LEVERAGE = 2.0
-LONG_ONLY = True
-TFS = {"4h": ("4h", 6), "6h": ("6h", 4), "8h": ("8h", 3), "12h": ("12h", 2), "1d": ("1D", 1)}
-
-
-def resample(df1h: pd.DataFrame, rule: str, label: str) -> pd.DataFrame:
-    g = df1h.copy()
-    idx = pd.to_datetime(g["timestamp"], unit="ms", utc=True)
-    idx.name = "dt"
-    g.index = idx
-    out = g.resample(rule, label=label, closed="left").agg(
-        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"})
-    out = out.dropna(subset=["open"])
-    out["datetime"] = out.index
-    return out.reset_index(drop=True)
-
-
-def target_series(c, bpd):
-    bpy = bpd * 365.25
-    r = simple_returns(c)
-    vol = realized_vol(r, 30 * bpd, bpy)
-    direction = np.clip(tsmom_blend(c, (30 * bpd, 90 * bpd, 180 * bpd)), 0, None) if LONG_ONLY \
-        else tsmom_blend(c, (30 * bpd, 90 * bpd, 180 * bpd))
-    scal = np.where((vol > 0) & np.isfinite(vol), TARGET_VOL / vol, 0.0)
-    tgt = np.clip(direction * scal, -LEVERAGE, LEVERAGE)
-    tgt[~np.isfinite(tgt)] = 0.0
-    return tgt, r
-
-
-def sleeve_net(df, bpd, lag):
-    """net[t] uses position decided at close[t-lag] (lag>=1). lag=1 = standard, lag=2 = +1 delay."""
-    c = df["close"].values.astype(float)
-    tgt, r = target_series(c, bpd)
-    pos = np.zeros(len(tgt))
-    pos[lag:] = tgt[:-lag]
-    gross = pos * r
-    turn = np.abs(np.diff(pos, prepend=0.0))
-    net = gross - FEE_SIDE * turn
-    net[:lag] = 0.0
-    return np.clip(net, -0.99, None), pd.to_datetime(df["datetime"])
-
-
-def portfolio_metrics(dfs, bpd, lag):
-    series = {}
-    for a in ASSETS:
-        net, ts = sleeve_net(dfs[a], bpd, lag)
-        series[a] = pd.Series(net, index=pd.to_datetime(ts.values))
-    J = pd.concat(series, axis=1, join="inner").dropna()
-    combo = 0.5 * J["BTC"].values + 0.5 * J["ETH"].values
-    bpy = bpd * 365.25
-    sh = float(np.mean(combo) / np.std(combo) * np.sqrt(bpy)) if np.std(combo) > 0 else 0.0
-    eq = np.cumprod(1.0 + np.clip(combo, -0.99, None))
-    dd = float(np.max((np.maximum.accumulate(eq) - eq) / np.maximum.accumulate(eq)))
-    yrs = (J.index[-1] - J.index[0]).days / 365.25
-    cagr = eq[-1] ** (1 / yrs) - 1
-    return sh, dd, cagr
-
-
-def main():
-    raw = {a: load(a, "1h") for a in ASSETS}
-    print("=" * 96)
-    print("# LOOK-AHEAD / EXECUTION-LAG AUDIT — trend portfolio (long-flat, tvol20, lev2), per timeframe")
-    print("# lag1 = standard (decision held next bar). lag2 = +1 bar execution delay (conservative).")
-    print("# left/right = resample label (open vs close). Big gap => labeling leak.")
-    print("=" * 96)
-    print(f"  {'TF':<5s}{'Sh lag1(L)':>12s}{'Sh lag2(L)':>12s}{'Sh lag1(R)':>12s}"
-          f"{'CAGR l1':>10s}{'CAGR l2':>10s}{'DD l1':>8s}{'lag-decay':>11s}")
-    for tf, (rule, bpd) in TFS.items():
-        dfsL = {a: resample(raw[a], rule, "left") for a in ASSETS}
-        dfsR = {a: resample(raw[a], rule, "right") for a in ASSETS}
-        sh1L, dd1, cagr1 = portfolio_metrics(dfsL, bpd, 1)
-        sh2L, _, cagr2 = portfolio_metrics(dfsL, bpd, 2)
-        sh1R, _, _ = portfolio_metrics(dfsR, bpd, 1)
-        decay = (sh1L - sh2L) / sh1L * 100 if sh1L else 0.0
-        flag = "  <-- robust" if sh2L >= 0.9 * sh1L and abs(sh1L - sh1R) < 0.1 else ""
-        print(f"  {tf:<5s}{sh1L:>12.2f}{sh2L:>12.2f}{sh1R:>12.2f}"
-              f"{cagr1*100:>+9.1f}%{cagr2*100:>+9.1f}%{dd1*100:>7.1f}%{decay:>+10.0f}%{flag}")
-    print("\n  Interpretation:")
-    print("  - If Sh lag2 << Sh lag1 (big lag-decay), the edge needs to trade AT the close -> sub-TF")
-    print("    timing artifact / cost-fragile. Robust slow-trend should barely move with +1 bar.")
-    print("  - If Sh lag1(left) != Sh lag1(right), the bar LABELING leaks -> look-ahead. Should match.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,365 +0,0 @@
-"""TRACK F — CALENDAR SEASONALITY on BTC & ETH (hour-of-day, day-of-week, interactions).
-
-Honest test of whether there is a SYSTEMATIC, TRADEABLE calendar edge on the certified
-Deribit-mainnet BTC/ETH feeds. Seasonality is the easiest place on earth to overfit
-(24 hours x 7 weekdays = 168 buckets => you WILL find "significant" cells by chance), so
-every claim here is held to the project's anti-look-ahead, OOS, per-year, both-assets bar.
-
-METHODOLOGY (no shortcuts):
-  - ret[i] = close[i]/close[i-1]-1 is known at close[i]. A position decided at close[i]
-    earns ret[i+1]. We NEVER include the bar being traded (or any future bar) in the
-    statistic that decides the trade.
-  - DESCRIPTIVE tables (per-hour / per-weekday mean returns) are split IS(65%)/OOS(35%).
-    They are diagnostics, not trades.
-  - TRADEABLE rule = ADAPTIVE EXPANDING sign: at close[i] we look up the calendar bucket
-    of bar i+1 (the clock is known with zero look-ahead) and take the SIGN of that bucket's
-    mean return computed ONLY on bars <= i (expanding, warmup-gated). Long-flat or
-    long-short. Fees charged only on |Δposition| (turnover-aware). This lets the data pick
-    each bucket's sign LIVE — the honest analogue of "trade the seasonal".
-  - Also an in-sample-optimised discrete rule (enter at hour H, hold W bars, best dir) is
-    shown ONLY to demonstrate the overfit gap IS->OOS.
-  - NET fees fee_side baseline 0.0005 (=0.10% RT); swept 0.0005/0.00075/0.001.
-  - A survivor must be net-positive OOS AND across years AND on BOTH BTC & ETH.
-
-Run:  uv run python scripts/research/trackF_seasonality.py
-"""
-from __future__ import annotations
-
-import sys
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-
-sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
-
-from src.backtest.harness import load  # noqa: E402
-
-ASSETS = ["BTC", "ETH"]
-TF = "1h"
-FEE_SIDE = 0.0005          # 0.05%/side = 0.10% round-trip
-BARS_PER_DAY = 24
-BPY = BARS_PER_DAY * 365.25
-
-
-# ---------------------------------------------------------------------------
-# helpers
-# ---------------------------------------------------------------------------
-def prep(asset: str, tf: str = TF):
-    df = load(asset, tf)
-    c = df["close"].values.astype(float)
-    ret = np.empty(len(c))
-    ret[0] = 0.0
-    ret[1:] = c[1:] / c[:-1] - 1.0
-    dt = pd.to_datetime(df["datetime"])
-    return dict(
-        df=df, ret=ret,
-        hour=dt.dt.hour.values.astype(int),
-        dow=dt.dt.dayofweek.values.astype(int),   # 0=Mon..6=Sun
-        ts=dt,
-    )
-
-
-def metrics_from_pnl(pnl: np.ndarray, ts: pd.Series):
-    """pnl[i] = realized per-bar net return of the strategy (already fee-adjusted)."""
-    eq = np.cumprod(1.0 + np.clip(pnl, -0.99, None))
-    r = pnl[np.isfinite(pnl)]
-    sharpe = float(np.mean(r) / np.std(r) * np.sqrt(BPY)) if np.std(r) > 0 else 0.0
-    peak = np.maximum.accumulate(eq)
-    maxdd = float(np.max((peak - eq) / peak)) if len(eq) else 0.0
-    span_days = (ts.iloc[-1] - ts.iloc[0]).total_seconds() / 86400
-    years = span_days / 365.25 if span_days > 0 else 1.0
-    total = eq[-1] / eq[0] if len(eq) else 1.0
-    cagr = total ** (1 / years) - 1 if years > 0 and total > 0 else -1.0
-    daily_2k = (2000 * total - 2000) / span_days if span_days > 0 else 0.0
-    return dict(sharpe=sharpe, maxdd=maxdd, cagr=cagr, total=total - 1.0,
-                daily_2k=daily_2k, eq=eq)
-
-
-def per_year_pnl(pnl: np.ndarray, ts: pd.Series):
-    s = pd.Series(pnl, index=ts.values)
-    out = {}
-    for y, g in s.groupby(s.index.year):
-        eq = np.cumprod(1.0 + np.clip(g.values, -0.99, None))
-        out[int(y)] = float(eq[-1] - 1.0)
-    return out
-
-
-# ---------------------------------------------------------------------------
-# 1. DESCRIPTIVE seasonality tables (diagnostics, IS vs OOS)
-# ---------------------------------------------------------------------------
-def descriptive(data, frac=0.65):
-    n = len(data["ret"])
-    cut = int(n * frac)
-    ret, hour, dow = data["ret"], data["hour"], data["dow"]
-    rows_h, rows_d = {}, {}
-    for h in range(24):
-        m_is = ret[:cut][hour[:cut] == h]
-        m_oos = ret[cut:][hour[cut:] == h]
-        rows_h[h] = (m_is.mean() * 1e4, m_oos.mean() * 1e4,
-                     np.sign(m_is.mean()) == np.sign(m_oos.mean()))
-    for d in range(7):
-        m_is = ret[:cut][dow[:cut] == d]
-        m_oos = ret[cut:][dow[cut:] == d]
-        rows_d[d] = (m_is.mean() * 1e4, m_oos.mean() * 1e4,
-                     np.sign(m_is.mean()) == np.sign(m_oos.mean()))
-    return rows_h, rows_d
-
-
-# ---------------------------------------------------------------------------
-# 2. ADAPTIVE EXPANDING-sign seasonal strategy (the honest tradeable test)
-# ---------------------------------------------------------------------------
-def adaptive_seasonal(data, bucket="hour", mode="longshort",
-                      warmup=200, fee_side=FEE_SIDE):
-    """Position at close[i] = sign of the EXPANDING past mean return of bar (i+1)'s
-    calendar bucket, using only bars <= i. earns ret[i+1]. Fee on |Δposition|."""
-    ret = data["ret"]
-    key = data[bucket]
-    n = len(ret)
-    nbuck = int(key.max()) + 1
-    sums = np.zeros(nbuck)
-    counts = np.zeros(nbuck)
-    pos = np.zeros(n)
-    for i in range(1, n - 1):
-        b = key[i]
-        sums[b] += ret[i]
-        counts[b] += 1
-        nb = key[i + 1]
-        if counts[nb] >= warmup:
-            m = sums[nb] / counts[nb]
-            if m > 0:
-                pos[i] = 1.0
-            else:
-                pos[i] = -1.0 if mode == "longshort" else 0.0
-    # pnl[i] earned over bar i+1
-    pnl = np.zeros(n)
-    prev = 0.0
-    for i in range(1, n - 1):
-        turn = abs(pos[i] - prev)
-        pnl[i] = pos[i] * ret[i + 1] - fee_side * turn
-        prev = pos[i]
-    return pnl, pos
-
-
-def adaptive_hourxdow(data, mode="longshort", warmup=120, fee_side=FEE_SIDE):
-    ret, hour, dow = data["ret"], data["hour"], data["dow"]
-    key = hour * 7 + dow                      # 168 buckets
-    n = len(ret)
-    sums = np.zeros(168)
-    counts = np.zeros(168)
-    pos = np.zeros(n)
-    for i in range(1, n - 1):
-        b = key[i]
-        sums[b] += ret[i]
-        counts[b] += 1
-        nb = key[i + 1]
-        if counts[nb] >= warmup:
-            m = sums[nb] / counts[nb]
-            if m > 0:
-                pos[i] = 1.0
-            else:
-                pos[i] = -1.0 if mode == "longshort" else 0.0
-    pnl = np.zeros(n)
-    prev = 0.0
-    for i in range(1, n - 1):
-        turn = abs(pos[i] - prev)
-        pnl[i] = pos[i] * ret[i + 1] - fee_side * turn
-        prev = pos[i]
-    return pnl, pos
-
-
-# ---------------------------------------------------------------------------
-# 3. In-sample-optimised DISCRETE rule (to expose the overfit gap)
-# ---------------------------------------------------------------------------
-def discrete_hour_rule_scan(data, frac=0.65, fee_side=FEE_SIDE):
-    """Scan IS for best (entry_hour, hold_window, direction) by IS Sharpe; report OOS.
-
-    A trade: enter at close of bar whose hour==H (decided with data<=close[i]), hold W
-    bars, exit at close. One trade per day. Fee charged round-trip on each trade.
-    """
-    ret, hour, ts = data["ret"], data["hour"], data["ts"]
-    n = len(ret)
-    cut = int(n * frac)
-
-    def rule_pnl(H, W, direction, lo, hi):
-        pnl = np.zeros(n)
-        i = lo
-        last_exit = lo - 1
-        while i < hi:
-            if hour[i] == H and i > last_exit:
-                # cumulative return over the next W bars: prod(1+ret[i+1..i+W]) - 1
-                end = min(i + W, n - 1)
-                gross = np.prod(1.0 + ret[i + 1:end + 1]) - 1.0
-                pnl[i] = direction * gross - 2 * fee_side
-                last_exit = end
-                i = end
-            else:
-                i += 1
-        return pnl
-
-    best = None
-    n_tested = 0
-    for H in range(24):
-        for W in (1, 2, 3, 4, 6, 8, 12, 24):
-            for direction in (+1, -1):
-                n_tested += 1
-                pnl_is = rule_pnl(H, W, direction, 1, cut)
-                r = pnl_is[pnl_is != 0.0]
-                if len(r) < 50:
-                    continue
-                sh = np.mean(r) / np.std(r) * np.sqrt(BPY) if np.std(r) > 0 else 0.0
-                if best is None or sh > best[0]:
-                    best = (sh, H, W, direction)
-    sh, H, W, direction = best
-    pnl_oos = rule_pnl(H, W, direction, cut, n)
-    r_oos = pnl_oos[pnl_oos != 0.0]
-    sh_oos = (np.mean(r_oos) / np.std(r_oos) * np.sqrt(BPY)) if (len(r_oos) and np.std(r_oos) > 0) else 0.0
-    return dict(n_tested=n_tested, H=H, W=W, dir=direction, sh_is=sh,
-                sh_oos=sh_oos, n_is=int((rule_pnl(H, W, direction, 1, cut) != 0).sum()),
-                n_oos=len(r_oos), oos_mean_bp=r_oos.mean() * 1e4 if len(r_oos) else 0.0)
-
-
-# ---------------------------------------------------------------------------
-# reporting
-# ---------------------------------------------------------------------------
-def split_metrics(pnl, ts, frac=0.65):
-    n = len(pnl)
-    cut = int(n * frac)
-    m_is = metrics_from_pnl(pnl[:cut], ts.iloc[:cut])
-    m_oos = metrics_from_pnl(pnl[cut:], ts.iloc[cut:])
-    m_all = metrics_from_pnl(pnl, ts)
-    return m_is, m_oos, m_all
-
-
-def turnover_per_year(pos, ts):
-    s = pd.Series(np.abs(np.diff(pos, prepend=0.0)), index=ts.values)
-    return s.groupby(s.index.year).sum().to_dict()
-
-
-def main():
-    print("=" * 100)
-    print("# TRACK F — CALENDAR SEASONALITY (hour-of-day / day-of-week / hour×weekday)")
-    print("# certified Deribit-mainnet BTC & ETH, 1h UTC. fee_side=0.0005 (0.10% RT).")
-    print("# No look-ahead: bucket stats use only bars <= i; position earns ret[i+1].")
-    print("=" * 100)
-
-    data = {a: prep(a) for a in ASSETS}
-
-    # --- DESCRIPTIVE ---------------------------------------------------------
-    print("\n" + "#" * 100)
-    print("# 1. DESCRIPTIVE per-bucket mean returns (basis points/bar). IS=first 65%, OOS=last 35%.")
-    print("#    'sign?' = IS and OOS agree on sign. Diagnostics only (NOT trades, no fees).")
-    print("#" * 100)
-    for a in ASSETS:
-        rows_h, rows_d = descriptive(data[a])
-        print(f"\n  ── {a}  HOUR-OF-DAY (UTC)  mean bp/hr ─────────────────────────────")
-        print("     hr :  IS_bp   OOS_bp  sign?")
-        agree_h = 0
-        for h in range(24):
-            iv, ov, ag = rows_h[h]
-            agree_h += int(ag)
-            flag = "  <-- US open" if h in (13, 14) else ("  <-- US close" if h in (20, 21) else "")
-            print(f"     {h:>2d} : {iv:>+6.2f}  {ov:>+6.2f}   {'Y' if ag else '.'}{flag}")
-        print(f"     hour sign-agreement IS/OOS: {agree_h}/24")
-        print(f"\n  ── {a}  DAY-OF-WEEK  mean bp/bar (0=Mon..6=Sun) ──────────────────")
-        names = ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]
-        agree_d = 0
-        for d in range(7):
-            iv, ov, ag = rows_d[d]
-            agree_d += int(ag)
-            print(f"     {names[d]} : {iv:>+6.3f}  {ov:>+6.3f}   {'Y' if ag else '.'}")
-        print(f"     weekday sign-agreement IS/OOS: {agree_d}/7")
-
-    # --- ADAPTIVE EXPANDING-SIGN (the honest tradeable test) ----------------
-    print("\n" + "#" * 100)
-    print("# 2. ADAPTIVE EXPANDING-SIGN seasonal strategies (HONEST tradeable test).")
-    print("#    sign of bucket's PAST-ONLY mean decides position; fee on turnover.")
-    print("#" * 100)
-    configs = [
-        ("HOUR  long-short", "hour", "longshort", 200),
-        ("HOUR  long-flat ", "hour", "longflat", 200),
-        ("DOW   long-short", "dow", "longshort", 60),
-        ("DOW   long-flat ", "dow", "longflat", 60),
-    ]
-    for label, bucket, mode, warmup in configs:
-        print(f"\n  ── {label} ────────────────────────────────────────────────────")
-        for a in ASSETS:
-            pnl, pos = adaptive_seasonal(data[a], bucket=bucket, mode=mode, warmup=warmup)
-            ts = data[a]["ts"]
-            m_is, m_oos, m_all = split_metrics(pnl, ts)
-            py = per_year_pnl(pnl, ts)
-            yrs = "".join(f"{py.get(y, float('nan'))*100:>+6.0f}" for y in range(2019, 2027))
-            print(f"     {a}: ALL Sh={m_all['sharpe']:>+5.2f} CAGR={m_all['cagr']*100:>+6.1f}% "
-                  f"DD={m_all['maxdd']*100:>4.1f}% €/d={m_all['daily_2k']:>+5.2f} | "
-                  f"IS Sh={m_is['sharpe']:>+5.2f}  OOS Sh={m_oos['sharpe']:>+5.2f}")
-            print(f"        per-year %: {yrs}   (2019..2026)")
-
-    # buy-and-hold benchmark — the key control: does any 'seasonal' beat just being long?
-    print(f"\n  ── BUY-AND-HOLD benchmark (the control for long-bias) ──")
-    for a in ASSETS:
-        ret = data[a]["ret"].copy()
-        ret[0] = 0.0
-        m = metrics_from_pnl(ret, data[a]["ts"])
-        print(f"     {a}: Sh={m['sharpe']:>+5.2f} CAGR={m['cagr']*100:>+6.1f}% DD={m['maxdd']*100:>4.1f}% "
-              f"  <- compare to DOW long-flat above (it's nearly identical = no edge, just long)")
-
-    # hour x weekday interaction (168 buckets — extreme overfit risk)
-    print(f"\n  ── HOUR×WEEKDAY long-short (168 buckets, warmup 120) — overfit canary ──")
-    for a in ASSETS:
-        pnl, pos = adaptive_hourxdow(data[a], mode="longshort", warmup=120)
-        ts = data[a]["ts"]
-        m_is, m_oos, m_all = split_metrics(pnl, ts)
-        print(f"     {a}: ALL Sh={m_all['sharpe']:>+5.2f} CAGR={m_all['cagr']*100:>+6.1f}% "
-              f"DD={m_all['maxdd']*100:>4.1f}% | IS Sh={m_is['sharpe']:>+5.2f}  OOS Sh={m_oos['sharpe']:>+5.2f}")
-
-    # --- FEE SWEEP on the best adaptive config -------------------------------
-    print("\n" + "#" * 100)
-    print("# 3. FEE SWEEP — HOUR long-short adaptive (turnover-aware). Are survivors fee-robust?")
-    print("#" * 100)
-    for fee in (0.0, 0.0005, 0.00075, 0.001):
-        line = f"  fee_side={fee:.5f} (RT {fee*2*100:.2f}%): "
-        for a in ASSETS:
-            pnl, _ = adaptive_seasonal(data[a], bucket="hour", mode="longshort",
-                                       warmup=200, fee_side=fee)
-            m = metrics_from_pnl(pnl, data[a]["ts"])
-            line += f"{a} Sh={m['sharpe']:>+5.2f} CAGR={m['cagr']*100:>+6.1f}%   "
-        print(line)
-
-    # --- TURNOVER (fees are first-order for hour strategies) -----------------
-    print("\n" + "#" * 100)
-    print("# 4. TURNOVER (HOUR long-short adaptive): position flips/year (each flip costs ~fee).")
-    print("#" * 100)
-    for a in ASSETS:
-        _, pos = adaptive_seasonal(data[a], bucket="hour", mode="longshort", warmup=200)
-        tpy = turnover_per_year(pos, data[a]["ts"])
-        s = "  ".join(f"{y}:{int(v)}" for y, v in sorted(tpy.items()))
-        print(f"     {a} turnover units/yr: {s}")
-
-    # --- IN-SAMPLE-OPTIMISED DISCRETE RULE (overfit demonstration) ----------
-    print("\n" + "#" * 100)
-    print("# 5. IN-SAMPLE-OPTIMISED discrete rule (enter hour H, hold W, best dir).")
-    print("#    Picked by IS Sharpe, reported OOS. Demonstrates the multiple-testing trap.")
-    print("#" * 100)
-    for a in ASSETS:
-        r = discrete_hour_rule_scan(data[a])
-        print(f"     {a}: tested {r['n_tested']} (H,W,dir) cells -> best IS "
-              f"H={r['H']:02d} hold={r['W']}h dir={r['dir']:+d}  "
-              f"IS Sh={r['sh_is']:>+5.2f} (n={r['n_is']})  ->  OOS Sh={r['sh_oos']:>+5.2f} "
-              f"(n={r['n_oos']}, mean {r['oos_mean_bp']:>+.1f} bp/trade)")
-
-    # --- VERDICT -------------------------------------------------------------
-    print("\n" + "#" * 100)
-    print("# MULTIPLE-TESTING CAVEAT")
-    print("#" * 100)
-    print("""
-  Buckets examined: 24 hours + 7 weekdays + 168 hour×weekday = 199 calendar cells PER ASSET,
-  each tested IS and OOS, plus discrete grid = 24×8×2 = 384 (H,W,dir) cells per asset.
-  With that many cells, spurious 'significant' buckets are GUARANTEED. The honest filters
-  applied here: (a) adaptive sign chosen live on PAST data only (no cherry-picking),
-  (b) must hold OOS, (c) must hold per-year, (d) must hold on BOTH BTC AND ETH.
-  Read the IS->OOS Sharpe collapse and the per-year sign flips above as the real verdict.
-""")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,478 +0,0 @@
-"""TRACK G — PRIOR-PERIOD LEVEL BREAKOUTS / RANGE on CLEAN BTC/ETH (Deribit mainnet).
-
-HONEST harness only. We test rules defined RELATIVE TO A PRIOR CALENDAR PERIOD:
-  * prior-DAY high/low breakout (continuation AND fade)
-  * opening-range breakout (first N UTC hours -> break for rest of day)
-  * prior-day CLOSE / gap / range-position / prior-day return-sign filter
-  * prior-WEEK high/low breakout
-  * time-anchored entries (act at a given UTC hour vs prior-day level), exit EOD/fixed/TP-SL
-
-The single question:  on clean BTC/ETH, with a genuinely EXECUTABLE entry (direction and
-price decided with data <= close[i], fill at close[i], NEVER entering at the exact level
-intrabar), net of realistic Deribit fees, OOS and grid-robust on BOTH assets —
-do prior-period breakouts CONTINUE (trend) or REVERT (fade)?  Is there a deployable edge?
-
-NO LOOK-AHEAD GUARANTEES:
-  * Prior-period levels are built by aggregating to daily/weekly bars and SHIFTING by one
-    full period (shift(1) on the closed-period frame). 'Today'/'this-week' is NEVER part of
-    the level. The prior period is fully closed before any bar of the current period.
-  * Opening-range levels are used ONLY on bars AFTER the open window has fully closed.
-  * Direction + price decided at close[i]; fill at close[i] (harness enforces).
-
-Run:
-    uv run python scripts/research/trackG_prior_levels.py            # full
-    uv run python scripts/research/trackG_prior_levels.py --quick    # 1h only, fewer grids
-"""
-from __future__ import annotations
-
-import argparse
-import sys
-import time
-from itertools import product
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-
-sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
-
-from src.backtest.harness import load, backtest_signals, oos_split
-
-
-# ===========================================================================
-# Causal helpers
-# ===========================================================================
-def atr(df: pd.DataFrame, period: 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).ewm(alpha=1.0 / period, adjust=False).mean().values
-
-
-def prior_period_levels(df: pd.DataFrame, period: str = "D") -> dict:
-    """Return prior-period high/low/close/open/range arrays aligned to each intraday bar.
-
-    period='D': prior calendar day (UTC). period='W': prior ISO week (anchored Mon 00:00 UTC).
-    Uses shift(1) on the CLOSED-period frame: the level for the current period only sees the
-    fully-closed previous period -> no look-ahead.
-    """
-    dt = df["datetime"]
-    if period == "D":
-        key = dt.dt.floor("D")
-    elif period == "W":
-        key = dt.dt.floor("D") - pd.to_timedelta(dt.dt.weekday, unit="D")
-    else:
-        raise ValueError(period)
-
-    key = key.reset_index(drop=True)
-    agg = pd.DataFrame({
-        "key": key,
-        "high": df["high"].values, "low": df["low"].values,
-        "close": df["close"].values, "open": df["open"].values,
-    })
-    g = agg.groupby("key").agg(high=("high", "max"), low=("low", "min"),
-                               close=("close", "last"), open=("open", "first")).sort_index()
-    gp = g.shift(1)  # prior, fully-closed period
-    km = key.map  # map current-period key -> prior-period aggregate
-    ph = km(gp["high"]).values.astype(float)
-    pl = km(gp["low"]).values.astype(float)
-    pc = km(gp["close"]).values.astype(float)
-    po = km(gp["open"]).values.astype(float)
-    pret = (gp["close"] / gp["open"] - 1.0)  # prior-period return (sign filter)
-    prv = key.map(pret).values.astype(float)
-    return {"ph": ph, "pl": pl, "pc": pc, "po": po, "prange": ph - pl, "pret": prv}
-
-
-def opening_range(df: pd.DataFrame, n_open_hours: int) -> dict:
-    """Opening-range high/low for the first n_open_hours of each UTC day, plus a per-bar
-    flag of whether the open window has CLOSED (hour >= n_open_hours)."""
-    dt = df["datetime"]
-    date = dt.dt.floor("D")
-    hour = dt.dt.hour
-    date = date.reset_index(drop=True)
-    in_open = (hour < n_open_hours).values
-    o = pd.DataFrame({"date": date, "high": df["high"].values, "low": df["low"].values})
-    o_open = o[in_open]
-    org = o_open.groupby("date").agg(orh=("high", "max"), orl=("low", "min"))
-    orh = date.map(org["orh"]).values.astype(float)
-    orl = date.map(org["orl"]).values.astype(float)
-    closed = (hour >= n_open_hours).values
-    return {"orh": orh, "orl": orl, "closed": closed}
-
-
-def bars_left_in_day(df: pd.DataFrame) -> np.ndarray:
-    date = df["datetime"].dt.floor("D")
-    grp = df.groupby(date)
-    idx_in_day = grp.cumcount().values
-    size = grp["close"].transform("size").values
-    return (size - idx_in_day - 1).astype(int)
-
-
-# ===========================================================================
-# Signal generators -> list[dict|None] length len(df). Decisions use data <= close[i].
-# ===========================================================================
-def sig_prior_break(df, period="D", level="high", side="cont", anchor_hour=None,
-                    exit_mode="eod", max_bars=24, tp_atr=0.0, sl_atr=0.0, atr_p=14,
-                    buffer=0.0):
-    """Prior-period level breakout.
-      level='high': trigger when close[i] > prior_high*(1+buffer)
-      level='low' : trigger when close[i] < prior_low *(1-buffer)
-      side='cont' : trade IN the breakout direction (high->long, low->short)
-      side='fade' : trade AGAINST it (high->short, low->long)
-      anchor_hour : if set, only evaluate on bars at that UTC hour (time-anchored)
-      exit_mode   : 'eod' (close at end of UTC day), 'bars' (max_bars), TP/SL via *_atr.
-    """
-    lv = prior_period_levels(df, period)
-    c = df["close"].values
-    a = atr(df, atr_p) if (tp_atr or sl_atr) else None
-    bl = bars_left_in_day(df) if exit_mode == "eod" else None
-    hour = df["datetime"].dt.hour.values
-    n = len(c)
-    out = [None] * n
-    ref = lv["ph"] if level == "high" else lv["pl"]
-    for i in range(n):
-        if anchor_hour is not None and hour[i] != anchor_hour:
-            continue
-        r = ref[i]
-        if not np.isfinite(r):
-            continue
-        px = c[i]
-        if level == "high":
-            if not (px > r * (1.0 + buffer)):
-                continue
-            brk_dir = 1
-        else:
-            if not (px < r * (1.0 - buffer)):
-                continue
-            brk_dir = -1
-        direction = brk_dir if side == "cont" else -brk_dir
-        if exit_mode == "eod":
-            mb = max(int(bl[i]), 1)
-        else:
-            mb = max_bars
-        tp = sl = None
-        if a is not None and np.isfinite(a[i]):
-            if tp_atr:
-                tp = px + direction * tp_atr * a[i]
-            if sl_atr:
-                sl = px - direction * sl_atr * a[i]
-        out[i] = {"dir": direction, "tp": tp, "sl": sl, "max_bars": mb}
-    return out
-
-
-def sig_or_break(df, n_open_hours=6, side="cont", exit_mode="eod", max_bars=12,
-                 tp_atr=0.0, sl_atr=0.0, atr_p=14, buffer=0.0):
-    """Opening-range breakout: after the first n_open_hours close, trade a break of the
-    OR high (long if cont) or OR low (short if cont). Only the FIRST break per day fires
-    (the harness keeps the position busy until exit)."""
-    orr = opening_range(df, n_open_hours)
-    c = df["close"].values
-    a = atr(df, atr_p) if (tp_atr or sl_atr) else None
-    bl = bars_left_in_day(df) if exit_mode == "eod" else None
-    n = len(c)
-    out = [None] * n
-    orh, orl, closed = orr["orh"], orr["orl"], orr["closed"]
-    for i in range(n):
-        if not closed[i] or not np.isfinite(orh[i]):
-            continue
-        px = c[i]
-        if px > orh[i]:
-            brk = 1
-        elif px < orl[i]:
-            brk = -1
-        else:
-            continue
-        direction = brk if side == "cont" else -brk
-        if exit_mode == "eod":
-            mb = max(int(bl[i]), 1)
-        else:
-            mb = max_bars
-        tp = sl = None
-        if a is not None and np.isfinite(a[i]):
-            if tp_atr:
-                tp = px + direction * tp_atr * a[i]
-            if sl_atr:
-                sl = px - direction * sl_atr * a[i]
-        out[i] = {"dir": direction, "tp": tp, "sl": sl, "max_bars": mb}
-    return out
-
-
-def sig_gap(df, side="cont", anchor_hour=0, thr=0.0, exit_mode="eod", max_bars=24,
-            ret_filter=0):
-    """Gap vs prior-day CLOSE, evaluated at a given UTC hour (default the first bar of the
-    day). gap = close[i]/prior_close - 1. If gap>thr -> up-gap; gap<-thr -> down-gap.
-    side='cont' trades in the gap direction; 'fade' against. ret_filter: +1 only when
-    prior-day return positive, -1 only when negative, 0 no filter."""
-    lv = prior_period_levels(df, "D")
-    c = df["close"].values
-    bl = bars_left_in_day(df) if exit_mode == "eod" else None
-    hour = df["datetime"].dt.hour.values
-    pc, pret = lv["pc"], lv["pret"]
-    n = len(c)
-    out = [None] * n
-    for i in range(n):
-        if hour[i] != anchor_hour or not np.isfinite(pc[i]):
-            continue
-        gap = c[i] / pc[i] - 1.0
-        if gap > thr:
-            g = 1
-        elif gap < -thr:
-            g = -1
-        else:
-            continue
-        if ret_filter and np.isfinite(pret[i]):
-            if ret_filter > 0 and not (pret[i] > 0):
-                continue
-            if ret_filter < 0 and not (pret[i] < 0):
-                continue
-        direction = g if side == "cont" else -g
-        mb = max(int(bl[i]), 1) if exit_mode == "eod" else max_bars
-        out[i] = {"dir": direction, "tp": None, "sl": None, "max_bars": mb}
-    return out
-
-
-# ===========================================================================
-# Evaluation
-# ===========================================================================
-def run_split(df, sigfn, params, fee_rt=0.001, leverage=1.0, frac=0.65):
-    cut = oos_split(df, frac)
-    full = backtest_signals(df, sigfn(df, **params), fee_rt=fee_rt, leverage=leverage)
-    di = df.iloc[:cut].reset_index(drop=True)
-    do = df.iloc[cut:].reset_index(drop=True)
-    is_ = backtest_signals(di, sigfn(di, **params), fee_rt=fee_rt, leverage=leverage)
-    oos = backtest_signals(do, sigfn(do, **params), fee_rt=fee_rt, leverage=leverage)
-    return full, is_, oos
-
-
-def hdr(t):
-    print("\n" + "=" * 100)
-    print(t)
-    print("=" * 100)
-
-
-# ===========================================================================
-# Main
-# ===========================================================================
-def main():
-    ap = argparse.ArgumentParser()
-    ap.add_argument("--quick", action="store_true")
-    args = ap.parse_args()
-    t0 = time.time()
-    assets = ["BTC", "ETH"]
-    tfs = ["1h"] if args.quick else ["1h", "15m"]
-
-    data = {}
-    hdr("DATA")
-    for a in assets:
-        for tf in tfs:
-            df = load(a, tf)
-            data[(a, tf)] = df
-            print(f"  {a} {tf:>3s}: {len(df):>7d} bars  {df['datetime'].iloc[0].date()}"
-                  f"->{df['datetime'].iloc[-1].date()}")
-
-    # ---------------------------------------------------------------------
-    # PASS 1 — PRIOR-DAY BREAKOUT: continuation vs fade, any-bar (first break/day),
-    # EOD exit. THE core question: do prior-day breakouts continue or revert?
-    # ---------------------------------------------------------------------
-    hdr("PASS 1 — PRIOR-DAY HIGH/LOW breakout, any-bar first-break, EOD exit (1h, fee=0.001)\n"
-        "         CONTINUATION vs FADE side-by-side. OOS net must be >0 on BOTH to matter.")
-    print(f"  {'rule':<26s} | "
-          f"{'BTC IS / OOS (tr, wr, shrp)':<40s} | {'ETH IS / OOS (tr, wr, shrp)':<40s}")
-    for level in ["high", "low"]:
-        for side in ["cont", "fade"]:
-            name = f"PD {level:<4s} {side}"
-            line = f"  {name:<26s} | "
-            for a in assets:
-                df = data[(a, "1h")]
-                _, is_, oos = run_split(df, sig_prior_break,
-                                        dict(period="D", level=level, side=side,
-                                             exit_mode="eod"))
-                line += (f"{is_.net_return*100:>+6.0f}/{oos.net_return*100:>+6.0f}% "
-                         f"(t{oos.n_trades:>4d} w{oos.win_rate:>4.1f} s{oos.sharpe:>+4.1f}) | ")
-            print(line)
-
-    # ---------------------------------------------------------------------
-    # PASS 2 — OPENING-RANGE breakout (continuation vs fade), various open windows.
-    # ---------------------------------------------------------------------
-    hdr("PASS 2 — OPENING-RANGE breakout (first N UTC hours), EOD exit (1h, fee=0.001).\n"
-        "         CONTINUATION vs FADE. Survivor = OOS>0 on BOTH assets.")
-    for nopen in ([6] if args.quick else [3, 6, 8, 12]):
-        for side in ["cont", "fade"]:
-            name = f"OR N={nopen:<2d} {side}"
-            line = f"  {name:<26s} | "
-            for a in assets:
-                df = data[(a, "1h")]
-                _, is_, oos = run_split(df, sig_or_break,
-                                        dict(n_open_hours=nopen, side=side, exit_mode="eod"))
-                line += (f"{a} OOS={oos.net_return*100:>+6.0f}% "
-                         f"(t{oos.n_trades:>4d} w{oos.win_rate:>4.1f} s{oos.sharpe:>+4.1f}) | ")
-            print(line)
-
-    # ---------------------------------------------------------------------
-    # PASS 3 — GAP vs prior close at day open (hour 0), continuation vs fade,
-    # with optional prior-day return-sign filter.
-    # ---------------------------------------------------------------------
-    hdr("PASS 3 — GAP vs prior-day CLOSE at hour 0, EOD exit (1h, fee=0.001).\n"
-        "         continuation vs fade; thr = min |gap|.")
-    for thr in ([0.0] if args.quick else [0.0, 0.005, 0.01]):
-        for side in ["cont", "fade"]:
-            name = f"GAP thr={thr*100:.1f}% {side}"
-            line = f"  {name:<26s} | "
-            for a in assets:
-                df = data[(a, "1h")]
-                _, is_, oos = run_split(df, sig_gap,
-                                        dict(side=side, anchor_hour=0, thr=thr, exit_mode="eod"))
-                line += (f"{a} OOS={oos.net_return*100:>+6.0f}% "
-                         f"(t{oos.n_trades:>4d} w{oos.win_rate:>4.1f} s{oos.sharpe:>+4.1f}) | ")
-            print(line)
-
-    # ---------------------------------------------------------------------
-    # PASS 4 — PRIOR-WEEK high/low breakout (continuation vs fade), EOD exit.
-    # ---------------------------------------------------------------------
-    hdr("PASS 4 — PRIOR-WEEK HIGH/LOW breakout, any-bar first-break, EOD exit (1h, fee=0.001).")
-    for level in ["high", "low"]:
-        for side in ["cont", "fade"]:
-            name = f"PW {level:<4s} {side}"
-            line = f"  {name:<26s} | "
-            for a in assets:
-                df = data[(a, "1h")]
-                _, is_, oos = run_split(df, sig_prior_break,
-                                        dict(period="W", level=level, side=side,
-                                             exit_mode="eod"))
-                line += (f"{a} IS={is_.net_return*100:>+6.0f}% OOS={oos.net_return*100:>+6.0f}% "
-                         f"(t{oos.n_trades:>4d} s{oos.sharpe:>+4.1f}) | ")
-            print(line)
-
-    # ---------------------------------------------------------------------
-    # PASS 5 — TIME-ANCHORED prior-day breakout: sweep the anchor hour to expose
-    # whether any apparent edge is just a lucky single hour.
-    # ---------------------------------------------------------------------
-    hdr("PASS 5 — TIME-ANCHORED PD-high CONTINUATION across UTC anchor hours (1h, EOD exit).\n"
-        "         A real edge is NOT a single lucky hour. (full-sample net per hour.)")
-    hours = list(range(0, 24, 1 if not args.quick else 3))
-    for a in assets:
-        df = data[(a, "1h")]
-        cells = []
-        for hh in hours:
-            full, _, _ = run_split(df, sig_prior_break,
-                                   dict(period="D", level="high", side="cont",
-                                        anchor_hour=hh, exit_mode="eod"))
-            cells.append((hh, full.net_return * 100, full.sharpe, full.n_trades))
-        pos = sum(1 for _, r, _, _ in cells if r > 0)
-        print(f"  {a}: {pos}/{len(cells)} anchor-hours net>0 (full). "
-              f"best={max(cells, key=lambda x: x[1])[0]}h "
-              f"({max(c[1] for c in cells):+.0f}%)  worst={min(c[1] for c in cells):+.0f}%")
-        line = "      " + " ".join(f"{hh:02d}h:{r:>+5.0f}" for hh, r, _, _ in cells)
-        print(line)
-
-    # ---------------------------------------------------------------------
-    # PASS 6 — GRID ROBUSTNESS on the best family from PASS 1-4. We grid the
-    # PD-low CONTINUATION and FADE plus OR breakout, require OOS>0 on BOTH assets.
-    # ---------------------------------------------------------------------
-    hdr("PASS 6 — GRID ROBUSTNESS. Cell SURVIVES only if OOS net>0 on BOTH BTC AND ETH.")
-
-    def grid(label, fn, base, sweep, tf="1h", fee=0.001):
-        keys = list(sweep.keys())
-        rows, surv = [], []
-        for combo in product(*[sweep[k] for k in keys]):
-            params = dict(base); params.update(dict(zip(keys, combo)))
-            res = {}
-            for a in assets:
-                _, is_, oos = run_split(data[(a, tf)], fn, params, fee_rt=fee)
-                res[a] = oos
-            ok = all(res[a].net_return > 0 for a in assets)
-            rows.append((params, res, ok))
-            if ok:
-                surv.append((params, res))
-        print(f"  [{label}] {len(surv)}/{len(rows)} cells OOS>0 on BOTH assets")
-        rows.sort(key=lambda r: np.mean([r[1][a].net_return for a in assets]), reverse=True)
-        for params, res, ok in rows[:5]:
-            tag = "OK " if ok else "  -"
-            pp = {k: params[k] for k in sweep}
-            s = f"   {tag}{pp} | "
-            for a in assets:
-                s += f"{a} OOS={res[a].net_return*100:>+6.0f}% (s{res[a].sharpe:>+4.1f}) "
-            print(s)
-        return surv
-
-    sweeps = []
-    sweeps.append(grid("PD-low cont", sig_prior_break,
-                       dict(period="D", level="low", side="cont", exit_mode="eod"),
-                       dict(buffer=[0.0, 0.001, 0.003], anchor_hour=[None])))
-    sweeps.append(grid("PD-low fade", sig_prior_break,
-                       dict(period="D", level="low", side="fade", exit_mode="eod"),
-                       dict(buffer=[0.0, 0.001, 0.003], anchor_hour=[None])))
-    sweeps.append(grid("PD-high cont", sig_prior_break,
-                       dict(period="D", level="high", side="cont", exit_mode="eod"),
-                       dict(buffer=[0.0, 0.001, 0.003], anchor_hour=[None])))
-    sweeps.append(grid("PD-high fade", sig_prior_break,
-                       dict(period="D", level="high", side="fade", exit_mode="eod"),
-                       dict(buffer=[0.0, 0.001, 0.003], anchor_hour=[None])))
-    if not args.quick:
-        sweeps.append(grid("OR cont", sig_or_break,
-                           dict(side="cont", exit_mode="eod"),
-                           dict(n_open_hours=[3, 6, 8, 12])))
-        sweeps.append(grid("OR fade", sig_or_break,
-                           dict(side="fade", exit_mode="eod"),
-                           dict(n_open_hours=[3, 6, 8, 12])))
-
-    # ---------------------------------------------------------------------
-    # PASS 7 — FEE SWEEP + per-year on the single best surviving rule (if any),
-    # else on the least-bad PD rule, to show fee sensitivity and year stability.
-    # ---------------------------------------------------------------------
-    hdr("PASS 7 — FEE SWEEP + PER-YEAR on the best PD rule. fee=0 is GROSS (is the SIGN of\n"
-        "         the edge even right before fees?).")
-    # pick best rule: scan the 4 PD sides at default, mean OOS over assets
-    candidates = [
-        ("PD low cont", dict(period="D", level="low", side="cont", exit_mode="eod")),
-        ("PD low fade", dict(period="D", level="low", side="fade", exit_mode="eod")),
-        ("PD high cont", dict(period="D", level="high", side="cont", exit_mode="eod")),
-        ("PD high fade", dict(period="D", level="high", side="fade", exit_mode="eod")),
-    ]
-    scored = []
-    for nm, p in candidates:
-        m = np.mean([run_split(data[(a, "1h")], sig_prior_break, p)[2].net_return for a in assets])
-        scored.append((m, nm, p))
-    scored.sort(reverse=True)
-    best_nm, best_p = scored[0][1], scored[0][2]
-    print(f"  best-by-meanOOS PD rule: {best_nm}  (meanOOS={scored[0][0]*100:+.0f}%)")
-    fees = [0.0, 0.0005, 0.001, 0.0015, 0.002]
-    for a in assets:
-        df = data[(a, "1h")]
-        line = f"  {a} fee-sweep (RT%): "
-        for f in fees:
-            full, _, oos = run_split(df, sig_prior_break, best_p, fee_rt=f)
-            line += f"{f*100:.2f}%[full={full.net_return*100:>+5.0f}/OOS={oos.net_return*100:>+5.0f}] "
-        print(line)
-    print("  per-year (full sample, fee=0.001):")
-    for a in assets:
-        df = data[(a, "1h")]
-        full, _, _ = run_split(df, sig_prior_break, best_p)
-        yrs = " ".join(f"{y}:{full.yearly[y]*100:>+5.0f}%" for y in sorted(full.yearly))
-        print(f"    {a}: trades={full.n_trades} Sharpe={full.sharpe:+.2f} "
-              f"maxDD={full.max_dd*100:.0f}% EUR/d(2k)={full.daily_profit(2000):+.2f}")
-        print(f"        {yrs}")
-
-    # ---------------------------------------------------------------------
-    # VERDICT
-    # ---------------------------------------------------------------------
-    hdr("VERDICT")
-    total_surv = sum(len(s) for s in sweeps)
-    if total_surv == 0:
-        print("  ZERO grid cells produced OOS net>0 on BOTH BTC and ETH at baseline fees.")
-        print("  => No robust prior-period breakout/fade edge on clean BTC/ETH. The continuation-")
-        print("     vs-fade tables above show which SIDE (if any) is even net-positive in-sample;")
-        print("     consult PASS 1-5 for direction. Not deployable.")
-    else:
-        print(f"  {total_surv} grid cell(s) survived OOS>0 on both assets. Inspect PASS 6/7 and")
-        print("  stress with fee sweep + per-year before trusting. List of survivors:")
-        for s in sweeps:
-            for params, res in s:
-                ms = np.mean([res[a].net_return for a in assets]) * 100
-                print(f"    {params}  meanOOS={ms:+.0f}%")
-    print(f"\n  (elapsed {time.time()-t0:.0f}s)")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,602 +0,0 @@
-"""TRACK H — VOLUME, RANGE & VOLATILITY-REGIME signals on CLEAN BTC/ETH (Deribit mainnet).
-
-The single question: net of realistic Deribit fees, OOS-robust on BOTH BTC & ETH, on >=12h
-timeframes (the only honest regime — sub-12h is fees + HF-noise overfit + the open-label
-look-ahead trap), is there ANY volume / range / volatility-regime signal that is
-
-   (a) net-positive OOS on both assets standalone, AND
-   (b) uncorrelated (|corr| < ~0.3) to the deployed winner TP01, AND/OR
-   (c) usable as a REGIME FILTER that lifts TP01's Sharpe above ~1.32 or cuts its DD?
-
-HONESTY / NO LOOK-AHEAD:
-  * Everything runs on the SAME causal per-bar engine used by TP01 (net_returns): we build a
-    continuous TARGET position decided with data <= close[i], then HOLD it during bar i+1
-    (pos_held[t] = target[t-1]). Gross = pos_held * simple_return[t]; fee charged on |Δpos|.
-    This is identical in spirit to the harness `backtest_signals` (decide<=close[i], fill at
-    close[i]); we cross-check two discrete signals through `backtest_signals` too.
-  * Volume / range / vol features for bar i use ONLY bars <= i (rolling, prior-window, shift).
-  * 12h / 1d frames are resampled from the certified 1h feed via resample_tf (label='left',
-    closed='left') and consumed index-based with the +1 bar hold -> the open-label is never
-    leaked (verified in trackD_lookahead_audit.py: Sharpe is label-invariant under this hold).
-
-Run:
-    uv run python scripts/research/trackH_volume_vol.py            # full (12h + 1d)
-    uv run python scripts/research/trackH_volume_vol.py --quick    # 12h only, fewer grids
-"""
-from __future__ import annotations
-
-import argparse
-import sys
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-
-sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
-
-from src.backtest.harness import load, backtest_signals
-from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, resample_tf
-
-ASSETS = ["BTC", "ETH"]
-FEE_SIDE = 0.0005          # 0.05%/side = 0.10% RT (Deribit taker)
-OOS_FRAC = 0.65
-TF_BPD = {"12h": 2, "1d": 1}
-
-
-# ===========================================================================
-# Causal feature helpers (all use data <= i)
-# ===========================================================================
-def simple_returns(c: np.ndarray) -> np.ndarray:
-    r = np.zeros(len(c))
-    r[1:] = c[1:] / c[:-1] - 1.0
-    return r
-
-
-def realized_vol(r: np.ndarray, win: int, bpy: float) -> np.ndarray:
-    return pd.Series(r).rolling(win, min_periods=max(2, win // 2)).std().values * np.sqrt(bpy)
-
-
-def roll_max_prior(x: np.ndarray, win: int) -> np.ndarray:
-    """Max over the PRIOR `win` bars (excludes current bar i)."""
-    return pd.Series(x).shift(1).rolling(win, min_periods=win).max().values
-
-
-def roll_min_prior(x: np.ndarray, win: int) -> np.ndarray:
-    return pd.Series(x).shift(1).rolling(win, min_periods=win).min().values
-
-
-def roll_mean_prior(x: np.ndarray, win: int) -> np.ndarray:
-    return pd.Series(x).shift(1).rolling(win, min_periods=win).mean().values
-
-
-def vol_zscore(vol: np.ndarray, win: int) -> np.ndarray:
-    """z-score of current volume vs PRIOR `win` bars (uses <= i)."""
-    s = pd.Series(vol)
-    m = s.shift(1).rolling(win, min_periods=win).mean()
-    sd = s.shift(1).rolling(win, min_periods=win).std()
-    return ((s - m) / sd).values
-
-
-def atr(df: pd.DataFrame, period: int) -> 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).ewm(alpha=1.0 / period, adjust=False).mean().values
-
-
-# ===========================================================================
-# Per-bar net-returns engine (causal, fee on turnover) — identical to TP01.net_returns
-# ===========================================================================
-def net_from_target(target: np.ndarray, r: np.ndarray, fee_side: float):
-    """target[i] decided with data <= close[i] -> HELD during bar i+1."""
-    target = np.nan_to_num(target, nan=0.0)
-    pos = np.zeros(len(target))
-    pos[1:] = target[:-1]
-    gross = pos * r
-    turn = np.abs(np.diff(pos, prepend=0.0))
-    net = gross - fee_side * turn
-    net[0] = 0.0
-    net = np.clip(net, -0.99, None)
-    return net, pos, turn
-
-
-def metrics(net: np.ndarray, idx: pd.DatetimeIndex, turn: np.ndarray, bpy: float) -> dict:
-    rr = net[np.isfinite(net)]
-    sharpe = float(np.mean(rr) / np.std(rr) * np.sqrt(bpy)) if np.std(rr) > 0 else 0.0
-    equity = np.cumprod(1.0 + np.clip(net, -0.99, None))
-    peak = np.maximum.accumulate(equity)
-    dd = float(np.max((peak - equity) / peak)) if len(equity) else 0.0
-    span_days = (idx[-1] - idx[0]).total_seconds() / 86400
-    years = span_days / 365.25 if span_days > 0 else 1.0
-    total = equity[-1] / equity[0] if len(equity) else 1.0
-    cagr = total ** (1 / years) - 1 if years > 0 and total > 0 else -1.0
-    ann_turn = float(np.sum(turn)) / years if years > 0 else 0.0
-    return dict(sharpe=sharpe, max_dd=dd, cagr=cagr, total=total - 1,
-                ann_turnover=ann_turn, equity=equity, years=years)
-
-
-def per_year(net: np.ndarray, idx: pd.DatetimeIndex) -> dict:
-    eq = pd.Series(np.cumprod(1.0 + np.clip(net, -0.99, None)), index=idx)
-    out = {}
-    for y, g in eq.groupby(eq.index.year):
-        if len(g) > 1 and g.iloc[0] > 0:
-            out[int(y)] = float(g.iloc[-1] / g.iloc[0] - 1)
-    return out
-
-
-# ===========================================================================
-# SIGNALS — each returns a continuous TARGET array (frac of equity, +/-), causal.
-# ===========================================================================
-def sig_vt_long(df, bpd, target_vol=0.20, vol_win_days=30, lev=2.0, **_):
-    """Volatility-managed LONG: always long, sized to a vol target (no trend at all).
-    Tests Moreira-Muir 'volatility-managed' alpha vs plain buy-and-hold."""
-    c = df["close"].values.astype(float)
-    r = simple_returns(c)
-    bpy = bpd * 365.25
-    vol = realized_vol(r, vol_win_days * bpd, bpy)
-    tgt = np.where((vol > 0) & np.isfinite(vol), target_vol / vol, 0.0)
-    return np.clip(tgt, 0, lev)
-
-
-def sig_vol_breakout(df, bpd, don=20, zwin=20, zk=1.0, long_short=False, **_):
-    """Volume-confirmed Donchian breakout (continuation). Long when close > prior-`don`-bar high
-    AND volume z-score > zk; stay long until close < prior-`don`-bar low (then flat/short)."""
-    c = df["close"].values.astype(float)
-    h = df["high"].values.astype(float)
-    l = df["low"].values.astype(float)
-    vol = df["volume"].values.astype(float)
-    hi = roll_max_prior(h, don)
-    lo = roll_min_prior(l, don)
-    z = vol_zscore(vol, zwin)
-    up = (c > hi) & (z > zk)
-    dn = (c < lo) & (z > zk)
-    state = np.zeros(len(c))
-    s = 0.0
-    for i in range(len(c)):
-        if up[i]:
-            s = 1.0
-        elif dn[i]:
-            s = -1.0 if long_short else 0.0
-        elif s == 1.0 and c[i] < lo[i]:   # trailing exit for longs
-            s = -1.0 if long_short else 0.0
-        elif s == -1.0 and c[i] > hi[i]:
-            s = 1.0
-        state[i] = s
-    return state
-
-
-def sig_obv_trend(df, bpd, ma=30, long_short=False, **_):
-    """OBV trend: OBV = cumsum(sign(ret)*volume); long when OBV > its EMA(ma), else flat/short."""
-    c = df["close"].values.astype(float)
-    vol = df["volume"].values.astype(float)
-    r = simple_returns(c)
-    obv = np.cumsum(np.sign(r) * vol)
-    ema = pd.Series(obv).ewm(span=ma, adjust=False).mean().values
-    d = np.where(obv > ema, 1.0, (-1.0 if long_short else 0.0))
-    return d
-
-
-def sig_vw_momentum(df, bpd, mom_win=30, vol_win_days=30, target_vol=0.20, lev=2.0,
-                    long_only=True, **_):
-    """Volume-weighted momentum: sign of volume-weighted mean return over `mom_win` bars,
-    vol-targeted. Compare to plain TSMOM (does weighting by volume add anything?)."""
-    c = df["close"].values.astype(float)
-    vol = df["volume"].values.astype(float)
-    r = simple_returns(c)
-    rw = r * vol
-    num = pd.Series(rw).rolling(mom_win, min_periods=mom_win).sum().values
-    den = pd.Series(vol).rolling(mom_win, min_periods=mom_win).sum().values
-    vwret = np.where(den > 0, num / den, 0.0)
-    direction = np.sign(vwret)
-    if long_only:
-        direction = np.clip(direction, 0, None)
-    bpy = bpd * 365.25
-    rv = realized_vol(r, vol_win_days * bpd, bpy)
-    scal = np.where((rv > 0) & np.isfinite(rv), target_vol / rv, 0.0)
-    return np.clip(direction * scal, -lev, lev)
-
-
-def sig_range_expansion(df, bpd, rng_win=20, k=1.5, hold=5, long_short=False, **_):
-    """Range-expansion breakout: when today's range > k * avg(prior `rng_win` ranges) and the
-    bar closed in the upper/lower half, go with the close direction; hold `hold` bars."""
-    c = df["close"].values.astype(float)
-    h = df["high"].values.astype(float)
-    l = df["low"].values.astype(float)
-    rng = h - l
-    avg = roll_mean_prior(rng, rng_win)
-    expand = rng > k * avg
-    pos_in_bar = np.where(rng > 0, (c - l) / rng, 0.5)
-    long_trig = expand & (pos_in_bar > 0.6)
-    short_trig = expand & (pos_in_bar < 0.4)
-    state = np.zeros(len(c))
-    hold_left = 0
-    cur = 0.0
-    for i in range(len(c)):
-        if hold_left > 0:
-            hold_left -= 1
-        else:
-            cur = 0.0
-        if long_trig[i]:
-            cur = 1.0
-            hold_left = hold
-        elif short_trig[i] and long_short:
-            cur = -1.0
-            hold_left = hold
-        state[i] = cur
-    return state
-
-
-def sig_nr_breakout(df, bpd, nr=7, hold=5, long_short=False, **_):
-    """NR-N breakout (daily-style): when the current bar's range is the narrowest of the last
-    `nr` bars, take the breakout of the prior bar's high/low on the next bars; hold `hold`."""
-    c = df["close"].values.astype(float)
-    h = df["high"].values.astype(float)
-    l = df["low"].values.astype(float)
-    rng = h - l
-    is_nr = pd.Series(rng).rolling(nr, min_periods=nr).apply(
-        lambda w: 1.0 if w[-1] == np.min(w) else 0.0, raw=True).values
-    state = np.zeros(len(c))
-    cur = 0.0
-    hold_left = 0
-    armed = False
-    arm_hi = arm_lo = np.nan
-    for i in range(len(c)):
-        if hold_left > 0:
-            hold_left -= 1
-        else:
-            cur = 0.0
-        if armed:
-            if c[i] > arm_hi:
-                cur = 1.0
-                hold_left = hold
-                armed = False
-            elif c[i] < arm_lo and long_short:
-                cur = -1.0
-                hold_left = hold
-                armed = False
-        if is_nr[i] == 1.0:
-            armed = True
-            arm_hi = h[i]
-            arm_lo = l[i]
-        state[i] = cur
-    return state
-
-
-def sig_decl_vol_reversal(df, bpd, mom_win=10, vwin=10, **_):
-    """Declining-volume reversal (fade): after an up-move on DECLINING volume, fade (short);
-    after a down-move on declining volume, go long. Pure contrarian, vol-confirmed exhaustion."""
-    c = df["close"].values.astype(float)
-    vol = df["volume"].values.astype(float)
-    ret = pd.Series(c).pct_change(mom_win).values
-    vtrend = vol - roll_mean_prior(vol, vwin)
-    declining = vtrend < 0
-    state = np.zeros(len(c))
-    state[(ret > 0) & declining] = -1.0
-    state[(ret < 0) & declining] = 1.0
-    return state
-
-
-SIGNALS = {
-    "VT-long":        (sig_vt_long, dict(target_vol=0.20, vol_win_days=30, lev=2.0)),
-    "VolBreakout":    (sig_vol_breakout, dict(don=20, zwin=20, zk=1.0)),
-    "OBV-trend":      (sig_obv_trend, dict(ma=30)),
-    "VW-mom":         (sig_vw_momentum, dict(mom_win=30, vol_win_days=30)),
-    "RangeExpand":    (sig_range_expansion, dict(rng_win=20, k=1.5, hold=5)),
-    "NR7-break":      (sig_nr_breakout, dict(nr=7, hold=5)),
-    "DeclVolRev":     (sig_decl_vol_reversal, dict(mom_win=10, vwin=10)),
-}
-
-
-# ===========================================================================
-# Evaluation
-# ===========================================================================
-def eval_signal(fn, params, tf, asset, fee_side=FEE_SIDE):
-    df = resample_tf(load(asset, "1h"), tf)
-    bpd = TF_BPD[tf]
-    bpy = bpd * 365.25
-    c = df["close"].values.astype(float)
-    r = simple_returns(c)
-    idx = pd.to_datetime(df["datetime"].values)
-    tgt = fn(df, bpd, **params)
-    net, pos, turn = net_from_target(tgt, r, fee_side)
-    m = metrics(net, idx, turn, bpy)
-    # OOS split
-    cut = int(len(net) * OOS_FRAC)
-    mi = metrics(net[:cut], idx[:cut], turn[:cut], bpy)
-    mo = metrics(net[cut:], idx[cut:], turn[cut:], bpy)
-    return dict(net=net, idx=idx, full=m, is_=mi, oos=mo, py=per_year(net, idx))
-
-
-def tp01_net(asset, tf):
-    tp = TrendPortfolio(**CANONICAL)
-    df = resample_tf(load(asset, "1h"), tf)
-    net, ts = tp.net_returns(df)
-    return pd.Series(net, index=pd.to_datetime(ts.values))
-
-
-def corr_to_tp01(net, idx, tp_series):
-    s = pd.Series(net, index=idx)
-    j = pd.concat([s.rename("a"), tp_series.rename("b")], axis=1, join="inner").fillna(0.0)
-    if j["a"].std() == 0 or j["b"].std() == 0:
-        return 0.0
-    return float(j["a"].corr(j["b"]))
-
-
-# ===========================================================================
-# Reports
-# ===========================================================================
-def report_headline(tf, quick):
-    print("\n" + "=" * 120)
-    print(f"# HEADLINE — TF {tf} | standalone signals, full / IS / OOS, turnover, corr→TP01 (fee 0.10% RT)")
-    print("=" * 120)
-    tp = {a: tp01_net(a, tf) for a in ASSETS}
-    print(f"  {'signal':<14s}{'asset':<6s}"
-          f"{'fullShrp':>9s}{'fullCAGR':>9s}{'fullDD':>7s}"
-          f"{'IS_Shrp':>8s}{'OOS_Shrp':>9s}{'OOS_ret':>8s}{'turn/y':>8s}{'corrTP':>8s}")
-    results = {}
-    for name, (fn, params) in SIGNALS.items():
-        for a in ASSETS:
-            res = eval_signal(fn, params, tf, a)
-            cr = corr_to_tp01(res["net"], res["idx"], tp[a])
-            results[(name, a)] = (res, cr)
-            print(f"  {name:<14s}{a:<6s}"
-                  f"{res['full']['sharpe']:>9.2f}{res['full']['cagr']*100:>8.1f}%"
-                  f"{res['full']['max_dd']*100:>6.1f}%"
-                  f"{res['is_']['sharpe']:>8.2f}{res['oos']['sharpe']:>9.2f}"
-                  f"{res['oos']['total']*100:>7.1f}%{res['full']['ann_turnover']:>8.1f}{cr:>8.2f}")
-    return results, tp
-
-
-def report_peryear(results):
-    print("\n" + "-" * 120)
-    print("# PER-YEAR net return (%) — only signals with OOS Sharpe>0 on BOTH assets shown")
-    print("-" * 120)
-    years = list(range(2018, 2027))
-    # which signals pass OOS>0 both assets
-    good = []
-    for name in SIGNALS:
-        if all(results[(name, a)][0]["oos"]["sharpe"] > 0 for a in ASSETS):
-            good.append(name)
-    if not good:
-        print("  (none — no signal has positive OOS Sharpe on BOTH assets)")
-        return good
-    print("  " + " " * 22 + "".join(f"{y:>7d}" for y in years))
-    for name in good:
-        for a in ASSETS:
-            py = results[(name, a)][0]["py"]
-            row = "".join(("    .  " if y not in py else f"{py[y]*100:>+7.0f}") for y in years)
-            print(f"  {name+' '+a:<22s}{row}")
-    return good
-
-
-def report_grid(quick):
-    print("\n" + "=" * 120)
-    print("# GRID ROBUSTNESS (TF 12h) — fraction of cells with positive full+OOS Sharpe on BOTH assets")
-    print("=" * 120)
-    tf = "12h"
-    grids = {
-        "VolBreakout": ("sig", sig_vol_breakout,
-                        dict(don=[10, 20, 40] if not quick else [20],
-                             zwin=[10, 20, 40], zk=[0.5, 1.0, 2.0])),
-        "OBV-trend":   ("sig", sig_obv_trend, dict(ma=[15, 30, 60, 100])),
-        "VW-mom":      ("sig", sig_vw_momentum,
-                        dict(mom_win=[15, 30, 60, 90], long_only=[True])),
-        "RangeExpand": ("sig", sig_range_expansion,
-                        dict(rng_win=[10, 20, 40], k=[1.3, 1.5, 2.0], hold=[3, 5, 10])),
-        "VT-long":     ("sig", sig_vt_long, dict(target_vol=[0.15, 0.20, 0.30],
-                                                 vol_win_days=[15, 30, 60])),
-    }
-    from itertools import product
-    for name, (_, fn, axes) in grids.items():
-        keys = list(axes.keys())
-        combos = list(product(*[axes[k] for k in keys]))
-        npos = 0
-        best = (-9, None)
-        for combo in combos:
-            params = dict(zip(keys, combo))
-            ok = True
-            sh_sum = 0.0
-            for a in ASSETS:
-                res = eval_signal(fn, params, tf, a)
-                if not (res["full"]["sharpe"] > 0 and res["oos"]["sharpe"] > 0):
-                    ok = False
-                sh_sum += res["oos"]["sharpe"]
-            if ok:
-                npos += 1
-            if sh_sum > best[0]:
-                best = (sh_sum, params)
-        print(f"  {name:<14s} positive both(full&OOS): {npos:>3d}/{len(combos):<3d} "
-              f"({npos/len(combos)*100:>4.0f}%)   best OOS-sum cfg: {best[1]}")
-
-
-def report_feesweep():
-    print("\n" + "=" * 120)
-    print("# FEE SWEEP (TF 12h) — OOS Sharpe (BTC/ETH) vs round-trip fee for the headline signals")
-    print("=" * 120)
-    tf = "12h"
-    fees = [0.0, 0.0005, 0.001, 0.0015, 0.002]   # per side; RT = 2x
-    print(f"  {'signal':<14s}" + "".join(f"  RT{f*2*100:>4.2f}%" for f in fees))
-    for name, (fn, params) in SIGNALS.items():
-        cells = []
-        for f in fees:
-            shs = []
-            for a in ASSETS:
-                res = eval_signal(fn, params, tf, a, fee_side=f)
-                shs.append(res["oos"]["sharpe"])
-            cells.append(f"{shs[0]:>4.2f}/{shs[1]:<4.2f}")
-        print(f"  {name:<14s}" + "".join(f"  {c:>9s}" for c in cells))
-
-
-# ===========================================================================
-# REGIME FILTER on TP01 — does a vol/volume regime mask lift Sharpe or cut DD?
-# ===========================================================================
-def vol_regime_mask(df, bpd, win_days=30, mode="low", q=0.5):
-    """Boolean per-bar mask (decided <= close[i]) for a realized-vol regime.
-    mode='low': keep exposure when vol <= rolling median; 'high': when vol > median."""
-    c = df["close"].values.astype(float)
-    r = simple_returns(c)
-    bpy = bpd * 365.25
-    vol = realized_vol(r, win_days * bpd, bpy)
-    # causal expanding/rolling quantile threshold (use a long rolling window, prior bars)
-    thr = pd.Series(vol).shift(1).rolling(180 * bpd, min_periods=30 * bpd).quantile(q).values
-    if mode == "low":
-        mask = vol <= thr
-    else:
-        mask = vol > thr
-    return np.nan_to_num(mask.astype(float), nan=1.0)   # default keep before warmup
-
-
-def vol_managed_mask(df, bpd, win_days=30, target_vol=0.20, cap=1.5):
-    """Continuous vol-scaling multiplier on TP01: scale exposure by target_vol/realized_vol,
-    capped — an explicit volatility-managed overlay distinct from TP01's own sizing."""
-    c = df["close"].values.astype(float)
-    r = simple_returns(c)
-    bpy = bpd * 365.25
-    vol = realized_vol(r, win_days * bpd, bpy)
-    mult = np.where((vol > 0) & np.isfinite(vol), target_vol / vol, 1.0)
-    return np.clip(mult, 0.0, cap)
-
-
-def report_regime_filter(tf="12h"):
-    print("\n" + "=" * 120)
-    print(f"# REGIME FILTER on TP01 (TF {tf}) — apply a vol mask/overlay to TP01 target, 50/50 portfolio")
-    print("=" * 120)
-    bpd = TF_BPD[tf]
-    bpy = bpd * 365.25
-    tp = TrendPortfolio(**CANONICAL)
-
-    def portfolio(transform):
-        """transform(df,target)->target'; returns combined 50/50 net series + idx."""
-        series = {}
-        for a in ASSETS:
-            df = resample_tf(load(a, "1h"), tf)
-            r = simple_returns(df["close"].values.astype(float))
-            tgt = tp.target_series(df)
-            tgt2 = transform(df, tgt)
-            net, _, _ = net_from_target(tgt2, r, CANONICAL["fee_side"])
-            series[a] = pd.Series(net, index=pd.to_datetime(df["datetime"].values))
-        J = pd.concat(series, axis=1, join="inner").fillna(0.0)
-        combo = 0.5 * J[ASSETS[0]].values + 0.5 * J[ASSETS[1]].values
-        return combo, J.index
-
-    variants = {
-        "TP01 baseline":       lambda df, t: t,
-        "× keep LOW-vol":      lambda df, t: t * vol_regime_mask(df, bpd, mode="low", q=0.5),
-        "× keep HIGH-vol":     lambda df, t: t * vol_regime_mask(df, bpd, mode="high", q=0.5),
-        "× keep LOW-vol q.7":  lambda df, t: t * vol_regime_mask(df, bpd, mode="low", q=0.7),
-        "× vol-managed x1.5":  lambda df, t: t * vol_managed_mask(df, bpd, cap=1.5) /
-                                            np.maximum(vol_managed_mask(df, bpd, cap=1.5).mean(), 1e-9),
-        "× obv-up only":       lambda df, t: t * (np.where(
-            np.cumsum(np.sign(simple_returns(df['close'].values.astype(float))) * df['volume'].values)
-            > pd.Series(np.cumsum(np.sign(simple_returns(df['close'].values.astype(float)))
-                                  * df['volume'].values)).ewm(span=30, adjust=False).mean().values,
-            1.0, 0.0)),
-    }
-    print(f"  {'variant':<22s}{'fullShrp':>9s}{'IS_Shrp':>8s}{'OOS_Shrp':>9s}"
-          f"{'CAGR':>8s}{'maxDD':>8s}{'turn/y':>9s}")
-    for name, tr in variants.items():
-        combo, idx = portfolio(tr)
-        m = metrics(combo, idx, np.zeros_like(combo), bpy)
-        cut = int(len(combo) * OOS_FRAC)
-        mi = metrics(combo[:cut], idx[:cut], np.zeros_like(combo[:cut]), bpy)
-        mo = metrics(combo[cut:], idx[cut:], np.zeros_like(combo[cut:]), bpy)
-        tt = 0.0
-        for a in ASSETS:
-            df = resample_tf(load(a, "1h"), tf)
-            tgt2 = tr(df, tp.target_series(df))
-            tt += np.sum(np.abs(np.diff(np.nan_to_num(tgt2), prepend=0.0)))
-        ann_tt = tt / m["years"] / 2.0
-        print(f"  {name:<22s}{m['sharpe']:>9.2f}{mi['sharpe']:>8.2f}{mo['sharpe']:>9.2f}"
-              f"{m['cagr']*100:>7.1f}%{m['max_dd']*100:>7.1f}%{ann_tt:>9.1f}")
-
-    # robustness of the OBV-up filter across EMA spans (is 1.49 luck or stable?)
-    print("\n  OBV-up filter robustness across EMA span (full / OOS Sharpe, maxDD):")
-    for span in [15, 20, 30, 45, 60, 90]:
-        def tr(df, t, sp=span):
-            c = df['close'].values.astype(float)
-            v = df['volume'].values.astype(float)
-            obv = np.cumsum(np.sign(simple_returns(c)) * v)
-            ema = pd.Series(obv).ewm(span=sp, adjust=False).mean().values
-            return t * np.where(obv > ema, 1.0, 0.0)
-        combo, idx = portfolio(tr)
-        m = metrics(combo, idx, np.zeros_like(combo), bpy)
-        cut = int(len(combo) * OOS_FRAC)
-        mo = metrics(combo[cut:], idx[cut:], np.zeros_like(combo[cut:]), bpy)
-        py = per_year(combo, idx)
-        neg_years = sum(1 for y, v in py.items() if v < 0)
-        print(f"    span {span:>3d}: full {m['sharpe']:>4.2f}  OOS {mo['sharpe']:>4.2f}  "
-              f"DD {m['max_dd']*100:>4.1f}%  CAGR {m['cagr']*100:>5.1f}%  neg-years {neg_years}")
-
-
-def main():
-    ap = argparse.ArgumentParser()
-    ap.add_argument("--quick", action="store_true")
-    args = ap.parse_args()
-
-    print("#" * 120)
-    print("# TRACK H — VOLUME / RANGE / VOLATILITY-REGIME on certified BTC/ETH (Deribit mainnet)")
-    print("# Honest engine: target decided <=close[i], held bar i+1; fee on |Δpos|; OOS 65/35; >=12h only.")
-    print("#" * 120)
-
-    tfs = ["12h"] if args.quick else ["12h", "1d"]
-    for tf in tfs:
-        results, tp = report_headline(tf, args.quick)
-        report_peryear(results)
-        if tf == "12h":
-            crosscheck_backtest_signals()
-    report_grid(args.quick)
-    report_feesweep()
-    report_regime_filter("12h")
-
-    print("\n" + "#" * 120)
-    print("# VERDICT (track H) — honest reading of the tables above")
-    print("#" * 120)
-    for line in [
-        "1. NO uncorrelated additive edge found. Every PROFITABLE volume/range/vol signal",
-        "   (VolBreakout, OBV-trend, VW-mom, VT-long) is trend-in-disguise: corr-to-TP01 0.61-0.75.",
-        "   They do not diversify TP01 -> cannot raise the 50/50 portfolio Sharpe.",
-        "2. The genuinely LOWER-corr signals (RangeExpand ~0.48, NR7 ~0.48) FAIL OOS on >=1 asset",
-        "   (NR7 ETH OOS Sharpe ~0.0/-0.03; RangeExpand BTC weak, ETH negative on 1d). Not deployable.",
-        "3. Declining-volume / fade (mean-reversion) is firmly NEGATIVE net of fees on both assets",
-        "   and at ZERO fee -> confirms the v2.0.0 lesson: MR edge was feed contamination, it is dead.",
-        "4. Vol-REGIME gating of TP01 (keep low-vol / keep high-vol) HURTS Sharpe (1.32 -> 0.94/0.98).",
-        "   A vol-managed x1.5 overlay leaves Sharpe ~flat (1.33) but raises DD (17.9%). No win.",
-        "5. The ONLY non-harmful overlay is an OBV-up trend-CONFIRMATION filter (keep TP01 long only",
-        "   while OBV>EMA): full Sharpe 1.32->1.49, maxDD 13.3%->10.1%, but CAGR 16.2%->14.4%, turnover",
-        "   +60%, and OOS gain is marginal (0.90->1.04) and span-sensitive (fades for EMA>45). It is",
-        "   trend double-confirmation (de-risking), NOT new alpha. Worth noting as a DEFENSIVE overlay",
-        "   if cutting DD matters more than CAGR; it does NOT robustly raise the portfolio Sharpe.",
-        "BOTTOM LINE: the ~1.3 portfolio-Sharpe ceiling on BTC/ETH-only HOLDS. Volume/range/vol add",
-        "nothing uncorrelated. TP01 stays the deployable winner.",
-    ]:
-        print("  " + line)
-    print("#" * 120)
-
-
-def crosscheck_backtest_signals():
-    """Cross-check two DISCRETE signals through the canonical harness `backtest_signals`
-    (decide<=close[i], fill at close[i]) to confirm the per-bar engine isn't flattering them."""
-    print("\n" + "-" * 120)
-    print("# CROSS-CHECK via harness.backtest_signals (discrete entries, fee 0.10% RT, TF 12h)")
-    print("-" * 120)
-    tf = "12h"
-    for a in ASSETS:
-        df = resample_tf(load(a, "1h"), tf)
-        h = df["high"].values.astype(float)
-        l = df["low"].values.astype(float)
-        c = df["close"].values.astype(float)
-        rng = h - l
-        avg = roll_mean_prior(rng, 20)
-        pos_in_bar = np.where(rng > 0, (c - l) / rng, 0.5)
-        expand = rng > 1.5 * avg
-        entries = [None] * len(df)
-        for i in range(len(df)):
-            if expand[i] and pos_in_bar[i] > 0.6:
-                entries[i] = dict(dir=1, tp=None, sl=None, max_bars=5)
-        m = backtest_signals(df, entries, fee_rt=0.001, leverage=1.0, asset=a, tf=tf)
-        m.print_summary(f"RangeExpand(L,5b) {a}")
-
-
-if __name__ == "__main__":
-    main()
@@ -1,420 +0,0 @@
-"""TRACK I — ALTERNATIVE MOMENTUM FORMULATIONS + LONG-HORIZON REVERSAL (BTC & ETH, >=12h).
-
-Goal:
-  (A) Find a momentum formulation that BEATS or DIVERSIFIES the canonical TP01 sign-blend
-      (TSMOM 1-3-6m, vol-targeted, 50/50 BTC+ETH, 12h, Sharpe ~1.32).
-  (B) Test the classic LONG-HORIZON REVERSAL effect (fade 12/18/24-month winners) as a
-      potentially UNCORRELATED positive overlay, and a momentum+reversal blend.
-
-Honest harness (mirrors src/strategies/trend_portfolio.py exactly):
-  - direction decided with data <= close[i]; positions HELD next bar (pos_held[1:] = tgt[:-1]);
-  - vol-target by inverse PAST-ONLY realized vol (target_vol/vol), leverage-capped;
-  - NET fees 0.10% RT (0.05%/side) on turnover; fee sweep included;
-  - 12h / 1d only (sub-12h is dominated by costs/overfit and a prior 4h look-ahead bug);
-  - OOS 65/35 split + per-year; robustness across lookbacks AND both assets;
-  - correlation vs TP01 net returns reported for EVERY candidate.
-
-A candidate is INTERESTING only if net-positive OOS on BOTH assets AND either
-  (higher portfolio Sharpe than TP01 ~1.32) OR (|corr to TP01| < ~0.3 and positive).
-
-Run:  uv run python scripts/research/trackI_momentum_reversal.py
-"""
-from __future__ import annotations
-
-import sys
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-
-sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
-
-from src.backtest.harness import load
-from src.strategies.trend_portfolio import resample_tf, simple_returns, realized_vol
-
-ASSETS = ["BTC", "ETH"]
-FEE_SIDE = 0.0005          # 0.05%/side = 0.10% RT
-TARGET_VOL = 0.20
-LEVERAGE = 2.0
-VOL_WIN_DAYS = 30
-OOS_FRAC = 0.65
-MONTH = 30                 # days per "month" (calendar-consistent across TFs)
-
-# tf -> bars_per_day
-TF_BPD = {"12h": 2, "1d": 1}
-
-
-# ---------------------------------------------------------------------------
-# data
-# ---------------------------------------------------------------------------
-def get_df(asset: str, tf: str) -> pd.DataFrame:
-    df = load(asset, "1h")
-    rule = {"12h": "12h", "1d": "1D"}[tf]
-    return resample_tf(df, rule)
-
-
-# ---------------------------------------------------------------------------
-# vol-target machinery (identical convention to TP01)
-# ---------------------------------------------------------------------------
-def build_target(direction, vol, long_only):
-    d = np.clip(direction, 0, None) if long_only else direction
-    scal = np.where((vol > 0) & np.isfinite(vol), TARGET_VOL / vol, 0.0)
-    tgt = np.clip(d * scal, -LEVERAGE, LEVERAGE)
-    tgt[~np.isfinite(tgt)] = 0.0
-    return tgt
-
-
-def net_from_target(tgt, r, fee_side=FEE_SIDE):
-    pos_held = np.zeros(len(tgt))
-    pos_held[1:] = tgt[:-1]
-    gross = pos_held * r
-    turn = np.abs(np.diff(pos_held, prepend=0.0))
-    net = gross - fee_side * turn
-    net[0] = 0.0
-    return np.clip(net, -0.99, None)
-
-
-# ---------------------------------------------------------------------------
-# DIRECTION FORMULATIONS  (each returns array in roughly [-1, 1], causal, decided <= close[i])
-# ---------------------------------------------------------------------------
-def _log_mom(c, h):
-    """log return over h bars; nan before h."""
-    m = np.full(len(c), np.nan)
-    m[h:] = np.log(c[h:] / c[:-h])
-    return m
-
-
-def dir_signblend(c, bpd, horizons_m=(1, 3, 6)):
-    """TP01 baseline: mean of sign(log return) over horizons."""
-    n = len(c)
-    acc = np.zeros(n); cnt = np.zeros(n)
-    for hm in horizons_m:
-        h = hm * MONTH * bpd
-        s = np.full(n, np.nan)
-        s[h:] = np.sign(c[h:] / c[:-h] - 1.0)
-        v = np.isfinite(s); acc[v] += s[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-    return out
-
-
-def dir_zscore(c, bpd, horizons_m=(1, 3, 6), std_win_m=12):
-    """(i) Continuous momentum: z-scored cumulative log-return, tanh-bounded, multi-horizon avg."""
-    n = len(c); w = std_win_m * MONTH * bpd
-    acc = np.zeros(n); cnt = np.zeros(n)
-    for hm in horizons_m:
-        h = hm * MONTH * bpd
-        m = _log_mom(c, h)
-        s = pd.Series(m)
-        sd = s.rolling(w, min_periods=w // 3).std().values
-        z = np.where((sd > 0) & np.isfinite(sd), m / sd, np.nan)
-        d = np.tanh(z)
-        v = np.isfinite(d); acc[v] += d[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-    return out
-
-
-def dir_riskadj(c, bpd, horizons_m=(1, 3, 6)):
-    """(ii) Risk-adjusted momentum: h-horizon return / vol-of-that-horizon, tanh, multi-horizon."""
-    n = len(c); r = simple_returns(c)
-    acc = np.zeros(n); cnt = np.zeros(n)
-    for hm in horizons_m:
-        h = hm * MONTH * bpd
-        ret = np.full(n, np.nan); ret[h:] = c[h:] / c[:-h] - 1.0
-        # vol of the h-bar return = per-bar std over last h bars * sqrt(h)
-        sd = pd.Series(r).rolling(h, min_periods=h // 2).std().values * np.sqrt(h)
-        ra = np.where((sd > 0) & np.isfinite(sd), ret / sd, np.nan)
-        d = np.tanh(ra)
-        v = np.isfinite(d); acc[v] += d[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-    return out
-
-
-def _ema(c, span):
-    return pd.Series(c).ewm(span=span, adjust=False).mean().values
-
-
-def dir_emacross(c, bpd, pairs_m=((1, 3), (2, 6), (3, 9))):
-    """(iii) EMA-cross trend: mean of sign(ema_fast - ema_slow) over calendar-day pairs."""
-    n = len(c)
-    acc = np.zeros(n); cnt = np.zeros(n)
-    for fm, sm in pairs_m:
-        ef = _ema(c, fm * MONTH * bpd)
-        es = _ema(c, sm * MONTH * bpd)
-        warm = sm * MONTH * bpd
-        d = np.sign(ef - es)
-        d[:warm] = np.nan
-        v = np.isfinite(d); acc[v] += d[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-    return out
-
-
-def dir_macd(c, bpd):
-    """(iii-b) Classic MACD with calendar spans (fast~1m, slow~2m, signal~0.75m): sign(macd-signal)."""
-    n = len(c)
-    fast = int(round(1.0 * MONTH * bpd)); slow = int(round(2.0 * MONTH * bpd))
-    sig = int(round(0.75 * MONTH * bpd))
-    macd = _ema(c, fast) - _ema(c, slow)
-    signal = pd.Series(macd).ewm(span=sig, adjust=False).mean().values
-    d = np.sign(macd - signal)
-    d[:slow] = 0.0
-    return d
-
-
-def dir_donchian(c, bpd, n_m=2):
-    """(iv) Donchian breakout (>=12h): +1 if close > prior-N max, -1 if < prior-N min, else hold."""
-    n = len(c); N = n_m * MONTH * bpd
-    hi = pd.Series(c).rolling(N, min_periods=N).max().shift(1).values
-    lo = pd.Series(c).rolling(N, min_periods=N).min().shift(1).values
-    d = np.zeros(n); state = 0.0
-    for i in range(n):
-        if np.isfinite(hi[i]) and c[i] >= hi[i]:
-            state = 1.0
-        elif np.isfinite(lo[i]) and c[i] <= lo[i]:
-            state = -1.0
-        d[i] = state
-    return d
-
-
-def dir_accel(c, bpd, horizons_m=(3, 6), lag_m=1):
-    """(v) Acceleration: sign of CHANGE in momentum (mom[i] - mom[i-lag]) i.e. 2nd derivative."""
-    n = len(c); lag = lag_m * MONTH * bpd
-    acc = np.zeros(n); cnt = np.zeros(n)
-    for hm in horizons_m:
-        h = hm * MONTH * bpd
-        m = _log_mom(c, h)
-        dm = np.full(n, np.nan)
-        dm[lag:] = m[lag:] - m[:-lag]
-        d = np.sign(dm)
-        v = np.isfinite(d); acc[v] += d[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-    return out
-
-
-def dir_mom12_1(c, bpd, lookbacks_m=(6, 12), skip_m=1):
-    """(vi) 12-1 momentum: return from (i-L) to (i-skip), skipping the most-recent `skip` month.
-    For index i (>=L): sign( c[i-skip] / c[i-L] - 1 ).  Causal (uses data <= close[i-skip])."""
-    n = len(c); skip = skip_m * MONTH * bpd
-    acc = np.zeros(n); cnt = np.zeros(n)
-    for Lm in lookbacks_m:
-        L = Lm * MONTH * bpd
-        s = np.full(n, np.nan)
-        # i runs L..n-1:  c[i-skip] = c[L-skip : n-skip],  c[i-L] = c[0 : n-L]
-        s[L:] = np.sign(c[L - skip:n - skip] / c[:n - L] - 1.0)
-        v = np.isfinite(s); acc[v] += s[v]; cnt[v] += 1
-    out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-    return out
-
-
-def make_reversal(lookbacks_m):
-    """(B) long-horizon reversal: -sign of long-horizon return (short past winners)."""
-    def fn(c, bpd):
-        n = len(c)
-        acc = np.zeros(n); cnt = np.zeros(n)
-        for Lm in lookbacks_m:
-            L = Lm * MONTH * bpd
-            s = np.full(n, np.nan)
-            s[L:] = -np.sign(c[L:] / c[:-L] - 1.0)
-            v = np.isfinite(s); acc[v] += s[v]; cnt[v] += 1
-        out = np.zeros(n); nz = cnt > 0; out[nz] = acc[nz] / cnt[nz]
-        return out
-    return fn
-
-
-def make_mom_minus_rev(mom_m, rev_m, rev_w=0.5):
-    """Blend: long medium-term momentum + fade very-long-term extension (weighted)."""
-    def fn(c, bpd):
-        n = len(c)
-        mom = dir_signblend(c, bpd, horizons_m=mom_m)
-        rev_fn = make_reversal(rev_m)
-        rev = rev_fn(c, bpd)
-        return np.clip(mom + rev_w * rev, -1.0, 1.0)
-    return fn
-
-
-# ---------------------------------------------------------------------------
-# run a formulation -> per-asset net series, combined portfolio series, metrics
-# ---------------------------------------------------------------------------
-def asset_net_series(asset, tf, dir_fn, long_only, fee_side=FEE_SIDE):
-    df = get_df(asset, tf); bpd = TF_BPD[tf]
-    c = df["close"].values.astype(float)
-    r = simple_returns(c)
-    bpy = bpd * 365.25
-    vol = realized_vol(r, VOL_WIN_DAYS * bpd, bpy)
-    direction = dir_fn(c, bpd)
-    tgt = build_target(direction, vol, long_only)
-    net = net_from_target(tgt, r, fee_side)
-    return pd.Series(net, index=pd.to_datetime(df["datetime"].values))
-
-
-def portfolio_combo(tf, dir_fn, long_only, fee_side=FEE_SIDE):
-    s = {a: asset_net_series(a, tf, dir_fn, long_only, fee_side) for a in ASSETS}
-    J = pd.concat(s, axis=1, join="inner").fillna(0.0)
-    combo = 0.5 * J[ASSETS[0]].values + 0.5 * J[ASSETS[1]].values
-    return pd.Series(combo, index=J.index), s
-
-
-def sharpe_of(series, bpy):
-    r = series.values[np.isfinite(series.values)]
-    return float(np.mean(r) / np.std(r) * np.sqrt(bpy)) if len(r) and np.std(r) > 0 else 0.0
-
-
-def metrics_of(combo: pd.Series, bpy):
-    idx = combo.index
-    equity = np.cumprod(1.0 + np.clip(combo.values, -0.99, None))
-    sharpe = sharpe_of(combo, bpy)
-    peak = np.maximum.accumulate(equity)
-    dd = float(np.max((peak - equity) / peak))
-    years = (idx[-1] - idx[0]).total_seconds() / 86400 / 365.25
-    total = equity[-1] / equity[0]
-    cagr = total ** (1 / years) - 1 if years > 0 and total > 0 else -1.0
-    eq = pd.Series(equity, index=idx)
-    yearly = {}
-    for y, g in eq.groupby(eq.index.year):
-        if len(g) > 1 and g.iloc[0] > 0:
-            v = g.values; pk = np.maximum.accumulate(v)
-            yearly[int(y)] = (float(g.iloc[-1] / g.iloc[0] - 1), float(np.max((pk - v) / pk)))
-    # OOS split
-    k = int(len(combo) * OOS_FRAC)
-    is_sh = sharpe_of(combo.iloc[:k], bpy)
-    oos_sh = sharpe_of(combo.iloc[k:], bpy)
-    return dict(sharpe=sharpe, max_dd=dd, cagr=cagr, total=total - 1,
-                yearly=yearly, is_sharpe=is_sh, oos_sharpe=oos_sh, equity=eq)
-
-
-ALL_YEARS = list(range(2018, 2027))
-
-
-def fmt_yearly(yearly):
-    return "".join(("   .  " if y not in yearly else f"{yearly[y][0]*100:>+6.0f}") for y in ALL_YEARS)
-
-
-# ---------------------------------------------------------------------------
-# main
-# ---------------------------------------------------------------------------
-PART_A = [
-    ("baseline signblend 1-3-6m", dir_signblend),
-    ("(i)   z-score cum-ret",     dir_zscore),
-    ("(ii)  risk-adj momentum",   dir_riskadj),
-    ("(iii) EMA-cross trend",     dir_emacross),
-    ("(iii-b) MACD",              dir_macd),
-    ("(iv)  Donchian breakout",   dir_donchian),
-    ("(v)   acceleration",        dir_accel),
-    ("(vi)  12-1 skip momentum",  dir_mom12_1),
-]
-
-
-def report_block(title, items, tf, long_only, tp_combo, bpy):
-    mode = "LONG-FLAT" if long_only else "LONG-SHORT"
-    print(f"\n{'='*112}\n  {title}  |  TF={tf}  mode={mode}\n{'='*112}")
-    print(f"  {'formulation':<26s} {'Shrp':>5s} {'IS':>5s} {'OOS':>5s} {'CAGR':>6s} "
-          f"{'maxDD':>6s} {'corrTP':>7s} {'aBTC':>5s} {'aETH':>5s}  per-year PnL%")
-    print(f"  {'':<26s} {'':>5s} {'':>5s} {'':>5s} {'':>6s} {'':>6s} {'':>7s} {'':>5s} {'':>5s}  "
-          + "".join(f"{y%100:>6d}" for y in ALL_YEARS))
-    results = {}
-    for name, fn in items:
-        combo, sleeves = portfolio_combo(tf, fn, long_only)
-        m = metrics_of(combo, bpy)
-        # per-asset standalone Sharpe
-        a_sh = {a: sharpe_of(sleeves[a], bpy) for a in ASSETS}
-        # correlation to TP01 (aligned inner)
-        J = pd.concat([combo.rename("x"), tp_combo.rename("t")], axis=1, join="inner").dropna()
-        corr = float(np.corrcoef(J["x"], J["t"])[0, 1]) if len(J) > 2 else float("nan")
-        print(f"  {name:<26s} {m['sharpe']:>5.2f} {m['is_sharpe']:>5.2f} {m['oos_sharpe']:>5.2f} "
-              f"{m['cagr']*100:>+5.0f}% {m['max_dd']*100:>5.1f}% {corr:>7.2f} "
-              f"{a_sh['BTC']:>5.2f} {a_sh['ETH']:>5.2f}  {fmt_yearly(m['yearly'])}")
-        results[name] = dict(metrics=m, corr=corr, combo=combo, a_sh=a_sh)
-    return results
-
-
-def main():
-    print("#" * 112)
-    print("# TRACK I — alternative momentum formulations + long-horizon reversal (BTC&ETH, >=12h)")
-    print("# vol-target 20%, lev cap 2x, fee 0.10% RT, positions +1 bar, 50/50 BTC+ETH. OOS 65/35.")
-    print("#" * 112)
-
-    for tf in ("12h", "1d"):
-        bpy = TF_BPD[tf] * 365.25
-        # TP01 reference combo at this TF (long-flat canonical) for correlation
-        tp_combo, _ = portfolio_combo(tf, dir_signblend, long_only=True)
-        tp_m = metrics_of(tp_combo, bpy)
-        print(f"\n>>> TP01 reference @ {tf} (long-flat 1-3-6m): "
-              f"Sharpe {tp_m['sharpe']:.2f}  IS {tp_m['is_sharpe']:.2f}  OOS {tp_m['oos_sharpe']:.2f}  "
-              f"CAGR {tp_m['cagr']*100:+.0f}%  maxDD {tp_m['max_dd']*100:.1f}%")
-
-        # PART A — long-flat (fair vs canonical) and long-short
-        report_block("PART A — momentum formulations", PART_A, tf, True, tp_combo, bpy)
-        if tf == "12h":
-            report_block("PART A — momentum formulations (long-short)", PART_A, tf, False, tp_combo, bpy)
-
-    # ----- PART B: reversal + blends, focus 12h -----
-    tf = "12h"; bpy = TF_BPD[tf] * 365.25
-    tp_combo, _ = portfolio_combo(tf, dir_signblend, long_only=True)
-
-    rev_items = [
-        ("reversal 12m",        make_reversal((12,))),
-        ("reversal 18m",        make_reversal((18,))),
-        ("reversal 24m",        make_reversal((24,))),
-        ("reversal 12-18-24m",  make_reversal((12, 18, 24))),
-    ]
-    print("\n\n" + "#" * 112)
-    print("# PART B — LONG-HORIZON REVERSAL (fade past winners). Must be net-positive AND uncorrelated.")
-    print("#" * 112)
-    revB = report_block("PART B — reversal (long-short)", rev_items, tf, False, tp_combo, bpy)
-    # reversal long-flat (long past losers only) for completeness
-    report_block("PART B — reversal (long-flat)", rev_items, tf, True, tp_combo, bpy)
-
-    blend_items = [
-        ("mom(1-6) - 0.5*rev(12-24)", make_mom_minus_rev((1, 3, 6), (12, 24), 0.5)),
-        ("mom(1-6) - 1.0*rev(12-24)", make_mom_minus_rev((1, 3, 6), (12, 24), 1.0)),
-        ("mom(1-3) - 0.5*rev(18-24)", make_mom_minus_rev((1, 3), (18, 24), 0.5)),
-    ]
-    report_block("PART B — momentum + reversal blend", blend_items, tf, True, tp_combo, bpy)
-
-    # ----- COMBINED PORTFOLIO: TP01 + best diversifier -----
-    print("\n\n" + "#" * 112)
-    print("# COMBINED: TP01 (long-flat) + candidate diversifier, blended on net returns")
-    print("#" * 112)
-    tp_m = metrics_of(tp_combo, bpy)
-    print(f"  TP01 alone: Sharpe {tp_m['sharpe']:.3f}  CAGR {tp_m['cagr']*100:+.0f}%  maxDD {tp_m['max_dd']*100:.1f}%")
-
-    # candidates to try as overlay: the best A formulations + reversal variants
-    overlays = {
-        "z-score":            (dir_zscore, True),
-        "risk-adj":           (dir_riskadj, True),
-        "12-1 skip":          (dir_mom12_1, True),
-        "reversal 12-18-24 LS": (make_reversal((12, 18, 24)), False),
-        "reversal 24m LS":    (make_reversal((24,)), False),
-    }
-    for name, (fn, lo) in overlays.items():
-        cand, _ = portfolio_combo(tf, fn, lo)
-        J = pd.concat([tp_combo.rename("t"), cand.rename("c")], axis=1, join="inner").fillna(0.0)
-        corr = float(np.corrcoef(J["t"], J["c"])[0, 1])
-        for w in (0.5, 0.3, 0.2):
-            mix = pd.Series((1 - w) * J["t"].values + w * J["c"].values, index=J.index)
-            mm = metrics_of(mix, bpy)
-            tag = f"TP01 + {w:.0%} {name}"
-            print(f"  {tag:<30s} Sharpe {mm['sharpe']:.3f}  CAGR {mm['cagr']*100:+5.0f}%  "
-                  f"maxDD {mm['max_dd']*100:4.1f}%  OOS {mm['oos_sharpe']:.2f}  (corr={corr:+.2f})")
-
-    # ----- FEE SWEEP (robustness): 0.00 .. 0.40% RT -----
-    print("\n\n" + "#" * 112)
-    print("# FEE SWEEP — portfolio Sharpe @12h across round-trip fees (0.00-0.40% RT)")
-    print("#" * 112)
-    sweep = [
-        ("baseline 1-3-6m (LF)",      dir_signblend, True),
-        ("z-score cum-ret (LF)",      dir_zscore, True),
-        ("MACD (LF)",                 dir_macd, True),
-        ("mom(1-6)-0.5rev(12-24)(LF)", make_mom_minus_rev((1, 3, 6), (12, 24), 0.5), True),
-        ("reversal 24m (LS)",         make_reversal((24,)), False),
-    ]
-    rts = [0.0, 0.0005, 0.0010, 0.0020, 0.0040]
-    print(f"  {'formulation':<28s}" + "".join(f"{rt*100:>7.2f}%" for rt in rts) + "  (RT)")
-    for name, fn, lo in sweep:
-        row = [sharpe_of(portfolio_combo(tf, fn, lo, fee_side=rt / 2)[0], bpy) for rt in rts]
-        print(f"  {name:<28s}" + "".join(f"{v:>8.2f}" for v in row))
-
-    print("\nDone. See verdict in the script docstring / diary.")
-
-
-if __name__ == "__main__":
-    main()
@@ -1 +0,0 @@
-"""Monitoraggio paper (dashboard). Lo stack live REALE resta in Old/."""
@@ -1,159 +0,0 @@
-"""DASHBOARD web del portafoglio attivo (TP01 + XS01) — monitoraggio PAPER, stdlib only.
-
-Mostra: metriche (FULL/HOLD Sharpe, DD, CAGR), per-sleeve, posizioni correnti, equity (backtest +
-paper forward da scripts/live/paper_portfolio.py), ultima data dato. Nessuna auth -> solo rete
-interna. Esecuzione REALE disabilitata: e' un monitor, non un trader.
-
-  uv run python -m src.live.dashboard --port 8787
-"""
-from __future__ import annotations
-import sys, json, time
-from pathlib import Path
-from http.server import BaseHTTPRequestHandler, ThreadingHTTPServer
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np, pandas as pd
-from src.portfolio.portfolio import StrategyPortfolio, metrics, HOLDOUT
-from src.portfolio.sleeves import active_sleeves
-from src.live.shadow import shadow_report
-from src.version import APP_VERSION
-
-PAPER = PROJECT_ROOT / "data" / "paper_portfolio" / "state.json"
-_CACHE = {"t": 0.0, "data": None}
-_TTL = 120.0
-
-
-def build():
-    if _CACHE["data"] is not None and time.time() - _CACHE["t"] < _TTL:
-        return _CACHE["data"]
-    pf = StrategyPortfolio(active_sleeves(), capital=2000.0)
-    bt = pf.backtest()
-    eq = bt["equity"]; idx = bt["index"]
-    # sparkline: subsample ~400 punti
-    step = max(1, len(eq) // 400)
-    spark = [(str(idx[i].date()), float(eq[i])) for i in range(0, len(eq), step)]
-    paper = json.loads(PAPER.read_text()) if PAPER.exists() else None
-    try:
-        shadow = shadow_report()                              # mainnet sola lettura, best-effort
-    except Exception as e:
-        shadow = {"error": f"{type(e).__name__}: {e}"}
-    data = dict(
-        version=APP_VERSION,
-        last_data=str(idx[-1].date()),
-        full=bt["full"], holdout=bt["holdout"], weights=bt["weights"],
-        per_sleeve=bt["per_sleeve"], yearly=bt["yearly"],
-        positions=pf.current_positions(), spark=spark, paper=paper, shadow=shadow,
-        bh=None,
-    )
-    _CACHE.update(t=time.time(), data=data)
-    return data
-
-
-def svg_spark(spark, w=900, h=220):
-    ys = [v for _, v in spark]
-    lo, hi = min(ys), max(ys)
-    rng = hi - lo or 1
-    pts = []
-    for i, (_, v) in enumerate(spark):
-        x = i / (len(spark) - 1) * w
-        y = h - (v - lo) / rng * (h - 10) - 5
-        pts.append(f"{x:.1f},{y:.1f}")
-    return (f'<svg viewBox="0 0 {w} {h}" width="100%" height="{h}" preserveAspectRatio="none">'
-            f'<polyline fill="none" stroke="#2ecc71" stroke-width="2" points="{" ".join(pts)}"/></svg>')
-
-
-def html():
-    d = build()
-    f, ho = d["full"], d["holdout"]
-    rows = ""
-    for name, s in d["per_sleeve"].items():
-        rows += (f"<tr><td>{name}</td><td>{s['weight']*100:.0f}%</td>"
-                 f"<td>{s['full']['sharpe']:.2f}</td><td>{s['full']['maxdd']*100:.0f}%</td>"
-                 f"<td>{s['holdout']['sharpe']:.2f}</td></tr>")
-    yrs = "".join(f"<span class=y>{y}: {v['ret']*100:+.0f}%</span>" for y, v in sorted(d["yearly"].items()))
-    pos = ""
-    for sl, p in d["positions"].items():
-        pos += f"<tr><td>{sl}</td><td>{'flat (in cash)' if p == {'BTC': 0.0, 'ETH': 0.0} else (p if p is not None else 'stat-mode (book 19 gambe)')}</td></tr>"
-    pp = d["paper"]
-    if pp:
-        days = (pd.Timestamp(pp["last"]) - pd.Timestamp(pp["start"])).days
-        ret = pp["equity"] / pp["initial"] - 1
-        paper_html = (f"<b>{pp['equity']:.2f}</b> (start {pp['initial']:.0f}, {pp['start'][:10]} → "
-                      f"{pp['last'][:10]}, {days}g) &nbsp; ret <b>{ret*100:+.2f}%</b> &nbsp; maxDD {pp['max_dd']*100:.1f}%")
-    else:
-        paper_html = "non inizializzato (gira <code>paper_portfolio.py</code>)"
-    sh = d.get("shadow")
-    if sh and "error" not in sh:
-        bits = " &nbsp;·&nbsp; ".join(
-            f"{a['asset']} <b>{'FLAT' if abs(a['target'])<1e-9 else 'LONG' if a['target']>0 else 'SHORT'}</b> "
-            f"{a['target']:+.2f}x" for a in sh["assets"])
-        if sh.get("online"):
-            eq = f"${sh['real_equity']:,.2f}" if sh.get("real_equity") else sh.get("eq_basis", "?")
-            pos = ", ".join(f"{a['asset']} ${a['position_usd']:,.0f}" for a in sh["assets"])
-            ordtxt = ("; ".join(f"{o['side'].upper()} {o['amount']:.0f} {o['instrument']}" for o in sh["orders"])
-                      if sh.get("orders") else "nessuno (target flat / gia' a target)")
-            shadow_html = (f"mainnet · sola lettura · conto reale <b>{eq}</b> · pos {pos} · dato {sh['last_data']}<br>"
-                           f"TP01 target: {bits}<br>ordini-che-invierebbe (<b>NON inviati</b>): {ordtxt}")
-        else:
-            shadow_html = (f"conto reale non leggibile dal container (token solo su host) · dato {sh['last_data']}<br>"
-                           f"TP01 target: {bits}<br>→ per gli ordini reali: <code>uv run python scripts/live/live_trend.py</code> (host)")
-    else:
-        shadow_html = "non disponibile" + (f" — {sh['error']}" if sh and sh.get('error') else "")
-    return f"""<!doctype html><html><head><meta charset=utf-8>
-<meta http-equiv=refresh content=300><title>PythagorasGoal — Portafoglio</title>
-<style>body{{font-family:-apple-system,Segoe UI,Roboto,sans-serif;background:#0e1116;color:#e6e6e6;margin:0;padding:24px;max-width:980px;margin:auto}}
-h1{{font-size:20px;margin:0 0 2px}}.sub{{color:#8a93a0;font-size:13px;margin-bottom:18px}}
-.cards{{display:flex;gap:14px;flex-wrap:wrap;margin-bottom:18px}}
-.card{{background:#161b22;border:1px solid #222b36;border-radius:10px;padding:14px 18px;min-width:150px}}
-.card .k{{color:#8a93a0;font-size:12px}}.card .v{{font-size:24px;font-weight:600}}.g{{color:#2ecc71}}.r{{color:#e74c3c}}
-table{{width:100%;border-collapse:collapse;margin:8px 0 20px}}td,th{{text-align:left;padding:7px 10px;border-bottom:1px solid #222b36;font-size:14px}}
-th{{color:#8a93a0;font-weight:500}}.y{{display:inline-block;background:#161b22;border:1px solid #222b36;border-radius:6px;padding:3px 8px;margin:2px;font-size:12px}}
-.box{{background:#161b22;border:1px solid #222b36;border-radius:10px;padding:14px 18px;margin-bottom:18px}}
-.warn{{color:#f1c40f;font-size:12px}}</style></head><body>
-<h1>PythagorasGoal — Portafoglio attivo (TP01 + XS01 + VRP01)</h1>
-<div class=sub>monitor PAPER + SHADOW · v{d['version']} · ultimo dato {d['last_data']} · esecuzione REALE disabilitata</div>
-<div class=cards>
- <div class=card><div class=k>FULL Sharpe</div><div class="v g">{f['sharpe']:.2f}</div></div>
- <div class=card><div class=k>HOLD-OUT Sharpe (2025-26)</div><div class="v g">{ho['sharpe']:.2f}</div></div>
- <div class=card><div class=k>maxDD</div><div class=v>{f['maxdd']*100:.1f}%</div></div>
- <div class=card><div class=k>CAGR</div><div class=v>{f['cagr']*100:.0f}%</div></div>
- <div class=card><div class=k>ret totale</div><div class=v>{f['ret']*100:+.0f}%</div></div>
-</div>
-<div class=box><div class=k style="color:#8a93a0;font-size:12px">EQUITY backtest (2019→oggi, €2k)</div>{svg_spark(d['spark'])}</div>
-<div class=box><b>Paper forward-only:</b> {paper_html}</div>
-<div class=box><b>Shadow live — TP01 su Deribit</b> (sola lettura, nessun ordine inviato):<br>{shadow_html}</div>
-<h3 style="font-size:14px;color:#8a93a0">Sleeve</h3>
-<table><tr><th>sleeve</th><th>peso</th><th>FULL Sh</th><th>DD</th><th>HOLD Sh</th></tr>{rows}</table>
-<h3 style="font-size:14px;color:#8a93a0">Posizioni correnti (ultima barra chiusa)</h3>
-<table>{pos}</table>
-<div style="margin-top:10px">{yrs}</div>
-<p class=warn>⚠️ Paper/monitor. XS01 e' STAT-MODE (book a 19 gambe market-neutral, non eseguibile a €2k, storia ~2.5 anni). VRP01 = lead short-vol MODELLATO (non deploy pieno). TP01 e' l'unico deployable pieno: lo "Shadow live" mostra cosa farebbe sul mainnet, ma NON invia ordini.</p>
-</body></html>"""
-
-
-class H(BaseHTTPRequestHandler):
-    def log_message(self, *a):
-        pass
-
-    def do_GET(self):
-        if self.path not in ("/", "/index.html"):
-            self.send_response(404); self.end_headers(); return
-        try:
-            body = html().encode()
-        except Exception as e:
-            body = f"<pre>errore: {type(e).__name__}: {e}</pre>".encode()
-        self.send_response(200)
-        self.send_header("Content-Type", "text/html; charset=utf-8")
-        self.end_headers(); self.wfile.write(body)
-
-
-def main():
-    port = 8787
-    if "--port" in sys.argv:
-        port = int(sys.argv[sys.argv.index("--port") + 1])
-    print(f"dashboard su :{port} (Ctrl-C per uscire)")
-    ThreadingHTTPServer(("0.0.0.0", port), H).serve_forever()
-
-
-if __name__ == "__main__":
-    main()
@@ -1,139 +0,0 @@
-"""Accesso Deribit MAINNET in SOLA LETTURA (via Cerbero MCP) + costruttore ordini deterministico.
-
-Serve lo SHADOW MODE di TP01 (`scripts/live/live_trend.py`): legge prezzi / conto / posizioni REALI
-dal mainnet (token `.env.mainnet`) e costruisce gli ordini di ribilancio **senza inviarli**. Qui NON
-esiste alcun metodo di trading — by design: l'unica via per piazzare ordini sara' un modulo separato,
-abilitato esplicitamente, dopo la validazione shadow + micro-test.
-
-Disciplina del progetto: **testnet FUORI** (feed farlocco, causa del reset v2.0.0). Solo mainnet reale,
-e in questa fase solo in lettura. I contratti sono ristretti a BTC/ETH-PERPETUAL (inverse: `amount`
-in USD notional, step verificato su Deribit: BTC $10, ETH $1).
-"""
-from __future__ import annotations
-
-import os
-from decimal import Decimal
-from pathlib import Path
-
-import requests
-
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-BASE_URL = os.environ.get("CERBERO_BASE_URL", "https://cerbero-mcp.tielogic.xyz")
-TIMEOUT = 15
-
-# Inverse perp: amount = USD notional, step in USD. settle = base-coin (per get_positions/fee).
-_CONTRACT = {
-    "BTC-PERPETUAL": {"min": 10.0, "step": 10.0, "tick": 0.5, "settle": "BTC"},
-    "ETH-PERPETUAL": {"min": 1.0, "step": 1.0, "tick": 0.05, "settle": "ETH"},
-}
-INSTRUMENT = {"BTC": "BTC-PERPETUAL", "ETH": "ETH-PERPETUAL"}
-
-
-# ----------------------------- costruzione ordini (pura, testabile, NIENTE rete) -----------------------------
-
-def _quantize_step(value: float, step: float, mn: float) -> float:
-    """Arrotonda al multiplo di `step` (Decimal, niente artefatti float), clampa al minimo."""
-    n = round(value / step)
-    return float(max(n * Decimal(str(step)), Decimal(str(mn))))
-
-
-def notional_to_amount(instrument: str, notional_usd: float) -> float:
-    """USD notional -> `amount` Deribit (inverse: amount in USD), arrotondato allo step e clampato
-    al minimo. Ritorna 0.0 se |notional| < mezzo step (sotto-soglia: niente ordine)."""
-    spec = _CONTRACT[instrument]
-    step, mn = spec["step"], spec["min"]
-    if abs(notional_usd) < step / 2:
-        return 0.0
-    return _quantize_step(abs(notional_usd), step, mn)
-
-
-def target_notional_usd(target_fraction: float, weight: float, equity_usd: float) -> float:
-    """Notional bersaglio (USD) di un asset = peso nel book * frazione-di-equity TP01 * equity.
-    Coerente col paper trader (esposizione asset = WEIGHT * target * equity)."""
-    return weight * target_fraction * equity_usd
-
-
-def build_rebalance_order(instrument: str, target_fraction: float, weight: float,
-                          equity_usd: float, current_pos_usd: float) -> dict | None:
-    """COSTRUISCE (non invia) l'ordine di ribilancio verso il target. Ritorna un dict-ordine o None
-    se sotto-soglia. Long-only TP01 -> target_notional >= 0; delta = target - posizione corrente."""
-    tgt = target_notional_usd(target_fraction, weight, equity_usd)
-    delta = tgt - current_pos_usd
-    amount = notional_to_amount(instrument, delta)
-    if amount == 0.0:
-        return None
-    is_exit = abs(tgt) < 1e-9 and abs(current_pos_usd) > 0
-    return dict(
-        instrument=instrument,
-        side="buy" if delta > 0 else "sell",
-        amount=amount,
-        type="market",
-        reduce_only=is_exit,
-        target_notional=round(tgt, 2),
-        current_notional=round(current_pos_usd, 2),
-        delta_notional=round(delta, 2),
-    )
-
-
-# ----------------------------- lettura mainnet (Cerbero MCP) — SOLA LETTURA -----------------------------
-
-def _load_mainnet_token() -> tuple[str, str]:
-    """Legge CERBERO_TOKEN (mainnet) + bot-tag da .env.mainnet. Il token NON viene mai stampato."""
-    env: dict[str, str] = {}
-    for ln in (PROJECT_ROOT / ".env.mainnet").read_text().splitlines():
-        ln = ln.strip()
-        if ln and not ln.startswith("#") and "=" in ln:
-            k, v = ln.split("=", 1)
-            env[k] = v.strip()
-    if "CERBERO_TOKEN" not in env:
-        raise RuntimeError("CERBERO_TOKEN assente in .env.mainnet")
-    return env["CERBERO_TOKEN"], env.get("CERBERO_BOT_TAG", "pythagoras-shadow")
-
-
-class DeribitRead:
-    """Accesso Deribit mainnet in SOLA LETTURA via Cerbero MCP. Nessun metodo di trading (by design)."""
-
-    def __init__(self) -> None:
-        self._token, self._tag = _load_mainnet_token()
-
-    def _post(self, path: str, payload: dict) -> dict | list:
-        r = requests.post(
-            f"{BASE_URL}{path}",
-            headers={"Authorization": f"Bearer {self._token}", "X-Bot-Tag": self._tag,
-                     "Content-Type": "application/json"},
-            json=payload, timeout=TIMEOUT,
-        )
-        r.raise_for_status()
-        return r.json()
-
-    @staticmethod
-    def _unwrap(resp: dict | list) -> dict | list:
-        return resp.get("result", resp) if isinstance(resp, dict) else resp
-
-    def ticker(self, instrument: str) -> dict:
-        return self._unwrap(self._post("/mcp-deribit/tools/get_ticker", {"instrument": instrument})) or {}
-
-    def mark_price(self, instrument: str) -> float:
-        t = self.ticker(instrument)
-        for k in ("mark_price", "index_price", "last_price", "last"):
-            v = t.get(k)
-            if v:
-                return float(v)
-        raise ValueError(f"prezzo assente nel ticker {instrument}: chiavi={list(t)[:8]}")
-
-    def account_summary(self, currency: str) -> dict:
-        return self._unwrap(self._post("/mcp-deribit/tools/get_account_summary", {"currency": currency})) or {}
-
-    def positions(self, currency: str) -> list[dict]:
-        out = self._unwrap(self._post("/mcp-deribit/tools/get_positions", {"currency": currency}))
-        if isinstance(out, list):
-            return out
-        return out.get("positions", []) if isinstance(out, dict) else []
-
-    def position_usd(self, instrument: str) -> float:
-        """Size netta (USD notional, segno = direzione) della posizione su `instrument`. 0 se flat."""
-        cur = _CONTRACT[instrument]["settle"]
-        for p in self.positions(cur):
-            if p.get("instrument_name") == instrument or p.get("instrument") == instrument:
-                return float(p.get("size") or p.get("size_currency") or 0.0)
-        return 0.0
@@ -1,120 +0,0 @@
-"""Stato SHADOW di TP01 (Deribit mainnet, SOLA LETTURA): target causali + conto/posizioni REALI +
-ordini di ribilancio COSTRUITI (mai inviati). Modulo condiviso da `scripts/live/live_trend.py` (CLI)
-e dalla dashboard, cosi' i due non divergono. Robusto ai fallimenti di rete: degrada a offline/flat
-senza sollevare eccezioni (la dashboard non deve crashare se il mainnet non risponde)."""
-from __future__ import annotations
-
-import json
-from pathlib import Path
-
-import pandas as pd
-
-from src.backtest.harness import load
-from src.live.deribit import INSTRUMENT, DeribitRead, build_rebalance_order
-from src.strategies.trend_portfolio import CANONICAL, TrendPortfolio, resample_1d
-
-PROJECT_ROOT = Path(__file__).resolve().parents[2]
-ASSETS = ["BTC", "ETH"]
-WEIGHT = 0.5
-FALLBACK_CAPITAL = 2000.0
-PAPER_STATE = PROJECT_ROOT / "data" / "paper_trend" / "state.json"
-
-
-def _safe_client() -> DeribitRead | None:
-    try:
-        return DeribitRead()
-    except Exception:
-        return None
-
-
-def _marks(client, dfs):
-    marks, src = {}, {}
-    for a in ASSETS:
-        if client is None:
-            marks[a], src[a] = float(dfs[a]["close"].iloc[-1]), "close certificata"
-            continue
-        try:
-            marks[a], src[a] = client.mark_price(INSTRUMENT[a]), "mainnet"
-        except Exception as e:
-            marks[a], src[a] = float(dfs[a]["close"].iloc[-1]), f"fallback close ({type(e).__name__})"
-    return marks, src
-
-
-def _positions(client):
-    if client is None:
-        return {a: 0.0 for a in ASSETS}, "offline -> assunto flat"
-    pos, note = {}, "mainnet"
-    for a in ASSETS:
-        try:
-            pos[a] = client.position_usd(INSTRUMENT[a])
-        except Exception as e:
-            pos[a], note = 0.0, f"read fallito ({type(e).__name__}) -> assunto flat"
-    return pos, note
-
-
-def _equity(client, marks):
-    if client is None:
-        return None, "offline"
-    try:
-        eq = float(client.account_summary("USDC").get("equity") or 0)
-        if eq > 1:
-            return eq, "mainnet USDC"
-    except Exception:
-        pass
-    tot, any_ok = 0.0, False
-    for a in ASSETS:
-        try:
-            eq = float(client.account_summary(a).get("equity") or 0)
-            tot += eq * marks[a]
-            any_ok = True
-        except Exception:
-            pass
-    if any_ok and tot > 1:
-        return tot, "mainnet coin-margined"
-    return None, "conto flat / non finanziato"
-
-
-def shadow_report(offline: bool = False, equity_override: float | None = None) -> dict:
-    """Calcola lo stato shadow completo. NON invia nulla. Ritorna un dict serializzabile."""
-    dfs = {a: resample_1d(load(a, "1h")) for a in ASSETS}
-    tp = TrendPortfolio(**CANONICAL)
-    targets = {a: tp.current_target(dfs[a]) for a in ASSETS}
-    last_ts = min(int(dfs[a]["timestamp"].iloc[-1]) for a in ASSETS)
-
-    client = None if offline else _safe_client()
-    marks, marks_src = _marks(client, dfs)
-    positions, pos_src = _positions(client)
-    real_eq, eq_src = _equity(client, marks)
-
-    paper = json.loads(PAPER_STATE.read_text()) if PAPER_STATE.exists() else None
-    paper_cap = float(paper["capital"]) if paper else FALLBACK_CAPITAL
-    paper_pos = paper.get("positions") if paper else None
-    paper_ts = int(paper["last_ts"]) if paper else 0
-
-    equity = equity_override if equity_override is not None else (real_eq if real_eq else paper_cap)
-    eq_basis = ("override" if equity_override is not None
-                else eq_src if real_eq else "paper capital (ipotetico: conto non finanziato)")
-
-    assets, orders = [], []
-    for a in ASSETS:
-        inst = INSTRUMENT[a]
-        order = build_rebalance_order(inst, targets[a], WEIGHT, equity, positions[a])
-        if order:
-            orders.append(order)
-        parity = None
-        if paper_pos is not None:
-            parity = abs(float(paper_pos.get(a, 0.0)) - targets[a]) < 1e-9
-        assets.append(dict(
-            asset=a, instrument=inst, target=targets[a],
-            target_notional=WEIGHT * targets[a] * equity,
-            position_usd=positions[a], mark=marks[a], mark_src=marks_src[a],
-            order=order, paper=(float(paper_pos.get(a, 0.0)) if paper_pos else None), parity=parity,
-        ))
-    return dict(
-        last_data=str(pd.Timestamp(last_ts, unit="ms", tz="UTC").date()),
-        online=(client is not None and marks_src.get("BTC") == "mainnet"),
-        real_equity=real_eq, equity=equity, eq_basis=eq_basis,
-        pos_src=pos_src, assets=assets, orders=orders,
-        flat=all(abs(targets[a]) < 1e-9 for a in ASSETS),
-        paper_aligned=(paper_ts == last_ts),
-    )
@@ -1,9 +0,0 @@
-"""Portafoglio di strategie (estensibile) — v2.0.0.
-
-Un portafoglio aggrega N SLEEVE indipendenti, ognuno = una strategia validata che produce una
-serie di rendimenti netti CAUSALE e netto-fee. Gli sleeve si combinano per peso su una griglia
-GIORNALIERA comune (grid unica per mixare TF diversi). Vedi src.portfolio.portfolio + sleeves.
-"""
-from src.portfolio.portfolio import Sleeve, StrategyPortfolio, to_daily
-
-__all__ = ["Sleeve", "StrategyPortfolio", "to_daily"]
@@ -1,120 +0,0 @@
-"""PORTAFOGLIO DI STRATEGIE — contenitore estensibile (v2.0.0).
-
-Modello: ogni SLEEVE produce una serie di rendimenti netti per-barra (datetime-indexed, CAUSALE,
-netto fee). Il portafoglio:
-  1. porta ogni sleeve su una griglia GIORNALIERA comune (compounding intra-giorno) — così sleeve
-     a TF diversi (1d, 1h, ...) si combinano in modo coerente;
-  2. combina per PESO (rinormalizzato a 1) sui giorni comuni a tutti gli sleeve;
-  3. = portafoglio equal-capital-by-weight ribilanciato di continuo (interpretazione del weighted-
-     return combine). Equity = capitale · Π(1+combo).
-
-AGGIUNGERE uno sleeve è una riga in src/portfolio/sleeves.py (vedi lì il template).
-Metriche oneste: FULL + HOLD-OUT 2025-26 (bloccato) + per-anno, e standalone per-sleeve.
-"""
-from __future__ import annotations
-from dataclasses import dataclass, field
-from typing import Callable
-import numpy as np
-import pandas as pd
-
-DAYS_PER_YEAR = 365.25
-HOLDOUT = pd.Timestamp("2025-01-01", tz="UTC")
-
-
-def to_daily(net: pd.Series) -> pd.Series:
-    """Compound una serie di rendimenti netti per-barra a GIORNALIERA (griglia comune del portafoglio)."""
-    s = net.dropna().sort_index()
-    if not isinstance(s.index, pd.DatetimeIndex):
-        s.index = pd.to_datetime(s.index, utc=True)
-    if s.index.tz is None:
-        s.index = s.index.tz_localize("UTC")
-    return ((1.0 + s).resample("1D").prod() - 1.0).dropna()
-
-
-@dataclass
-class Sleeve:
-    """Una strategia nel portafoglio. daily_fn() -> serie rendimenti netti per-barra (causale, netto fee).
-    pos_fn() (opzionale) -> dict posizioni-bersaglio correnti, per introspezione live."""
-    name: str
-    weight: float
-    daily_fn: Callable[[], pd.Series]
-    pos_fn: Callable[[], dict] | None = None
-    _cache: pd.Series | None = field(default=None, repr=False, compare=False)
-
-    def daily(self) -> pd.Series:
-        if self._cache is None:
-            self._cache = to_daily(self.daily_fn())
-        return self._cache
-
-
-def metrics(daily: pd.Series) -> dict:
-    r = np.asarray(daily.dropna().values, float)
-    if len(r) < 2 or r.std() == 0:
-        return dict(sharpe=0.0, cagr=0.0, maxdd=0.0, ret=0.0, n=int(len(r)))
-    eq = np.cumprod(1.0 + r)
-    pk = np.maximum.accumulate(eq)
-    years = len(r) / DAYS_PER_YEAR
-    return dict(sharpe=float(r.mean() / r.std() * np.sqrt(DAYS_PER_YEAR)),
-                cagr=float(eq[-1] ** (1 / years) - 1) if years > 0 and eq[-1] > 0 else 0.0,
-                maxdd=float(np.max((pk - eq) / pk)), ret=float(eq[-1] - 1), n=int(len(r)))
-
-
-def yearly(daily: pd.Series) -> dict:
-    out = {}
-    for y, g in daily.groupby(daily.index.year):
-        v = g.values
-        eq = np.cumprod(1 + v); pk = np.maximum.accumulate(eq)
-        out[int(y)] = dict(ret=float(eq[-1] - 1), dd=float(np.max((pk - eq) / pk)))
-    return out
-
-
-class StrategyPortfolio:
-    def __init__(self, sleeves: list[Sleeve], capital: float = 2000.0):
-        if not sleeves:
-            raise ValueError("portafoglio vuoto: serve almeno uno sleeve")
-        self.sleeves = sleeves
-        self.capital = capital
-
-    def weights(self) -> dict:
-        tot = sum(s.weight for s in self.sleeves)
-        if tot <= 0:
-            raise ValueError("somma pesi non positiva")
-        return {s.name: s.weight / tot for s in self.sleeves}
-
-    def combined_daily(self, lo=None, hi=None) -> pd.Series:
-        """Combina gli sleeve per peso. OUTER-join: sleeve con date d'inizio diverse
-        (es. TP01 dal 2019, uno nuovo dal 2024) -> ogni giorno i pesi sono RINORMALIZZATI
-        fra i soli sleeve con dato disponibile (uno sleeve "si attiva" quando parte la sua
-        storia). Cosi' non si tronca il portafoglio alla finestra comune."""
-        w = self.weights()
-        cols = {s.name: s.daily() for s in self.sleeves}
-        J = pd.concat(cols, axis=1, join="outer").sort_index()
-        wv = np.array([w[c] for c in J.columns], float)
-        active = J.notna().values * wv                       # peso solo dove c'e' dato
-        rowsum = active.sum(axis=1, keepdims=True)
-        wnorm = np.divide(active, rowsum, out=np.zeros_like(active), where=rowsum > 0)
-        combo = pd.Series(np.nansum(np.nan_to_num(J.values) * wnorm, axis=1), index=J.index)
-        combo = combo[J.notna().any(axis=1).values]          # togli i giorni senza alcun dato
-        if lo is not None:
-            combo = combo[combo.index >= lo]
-        if hi is not None:
-            combo = combo[combo.index < hi]
-        return combo
-
-    def backtest(self) -> dict:
-        full = self.combined_daily()
-        return dict(
-            weights=self.weights(),
-            full=metrics(full),
-            holdout=metrics(self.combined_daily(lo=HOLDOUT)),
-            yearly=yearly(full),
-            per_sleeve={s.name: dict(weight=self.weights()[s.name],
-                                     full=metrics(s.daily()),
-                                     holdout=metrics(s.daily()[s.daily().index >= HOLDOUT]))
-                        for s in self.sleeves},
-            equity=self.capital * np.cumprod(1.0 + full.values),
-            index=full.index,
-        )
-
-    def current_positions(self) -> dict:
-        return {s.name: (s.pos_fn() if s.pos_fn else None) for s in self.sleeves}
@@ -1,218 +0,0 @@
-"""SLEEVE del portafoglio + REGISTRY degli sleeve attivi.
-
-Per AGGIUNGERE una strategia al portafoglio:
-  1. Validala col gauntlet onesto (scripts/analysis/research_lab.py + hold-out + cross-asset).
-  2. Scrivi una funzione `_<nome>_returns() -> pd.Series` che ritorna i suoi rendimenti netti
-     per-barra (datetime-indexed, CAUSALE, netto fee). Deve passare il guard di causalità.
-  3. Avvolgila in uno Sleeve(nome, peso, fn[, pos_fn]) e aggiungila a active_sleeves().
-Niente sleeve non validati: il portafoglio è solo per edge che reggono il gauntlet.
-"""
-from __future__ import annotations
-import numpy as np
-import pandas as pd
-
-from src.data.downloader import load_data
-from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL, resample_1d, simple_returns
-from src.portfolio.portfolio import Sleeve
-
-ASSETS = ("BTC", "ETH")
-
-
-# ----------------------------- TP01 (PORT LF1d) -----------------------------
-def _tp01_returns() -> pd.Series:
-    """TP01: TSMOM vol-target long-flat, 50/50 BTC+ETH, a 1d (>=12h: vedi nota look-ahead nel modulo).
-    Rendimenti netti per-barra del portafoglio (causale: posizione decisa a close[i-1], tenuta in i)."""
-    tp = TrendPortfolio(**CANONICAL)
-    series = {}
-    for a in ASSETS:
-        df = resample_1d(load_data(a, "1h"))
-        r = simple_returns(df["close"].values.astype(float))
-        tgt = tp.target_series(df)
-        held = np.zeros(len(tgt)); held[1:] = tgt[:-1]
-        net = held * r - tp.fee_side * np.abs(np.diff(held, prepend=0.0)); net[0] = 0.0
-        series[a] = pd.Series(np.clip(net, -0.99, None), index=pd.to_datetime(df["datetime"]))
-    J = pd.concat(series, axis=1, join="inner").fillna(0.0)
-    return pd.Series(0.5 * J["BTC"].values + 0.5 * J["ETH"].values, index=J.index)
-
-
-def _tp01_positions() -> dict:
-    tp = TrendPortfolio(**CANONICAL)
-    return {a: round(tp.current_target(resample_1d(load_data(a, "1h"))), 4) for a in ASSETS}
-
-
-def tp01_sleeve(weight: float = 1.0) -> Sleeve:
-    return Sleeve("TP01_trend_1d", weight, _tp01_returns, pos_fn=_tp01_positions)
-
-
-# ----------------------------- XS01: Cross-Sectional Momentum (Hyperliquid) -----------------------------
-# Universo certificato Hyperliquid (19 alt, 1d, dal 2024) in data/raw/hl_*_1d.parquet
-# (fetch+certify: scripts/analysis/fetch_hyperliquid.py). Market-neutral, scorrelato a TP01 (~-0.06).
-# CAVEAT ONESTI: storia corta (~2.5 anni, 2024-2026); STAT-MODE (book a 19 gambe market-neutral
-# non eseguibile a 2k, serve ~20k); l'edge e' nella DISPERSIONE cross-section (complementare al
-# trend di TP01: lavora quando TP01 e' in cash). Validato: scripts/portfolio/xsec_research.py.
-import glob as _glob
-from pathlib import Path as _Path
-# BLEND di lookback (2026-06-19): fonde 30g+90g del momentum cross-sectional (z-score per
-# lookback, mediato) come TP01 fonde gli orizzonti -> piu' robusto del singolo L=30: FULL Sh
-# 0.80->1.10, DD 21%->14%, corr a TP01 -0.06->-0.12, 100% anni+. Diario 2026-06-19-xsec-blend.md.
-# + GATE DI DISPERSIONE (2026-06-19): entra solo se la dispersione cross-section del momentum
-# supera il percentile ESPANDENTE causale disp_pct (altrimenti flat: in regime compatto XS e'
-# rumore). Plateau robusto p15-p35; a p30: portafoglio FULL 1.50->1.74, HOLD 1.06->1.56.
-# Diario 2026-06-19-xsec-dispgate.md.
-XS_CFG = dict(lookbacks=(30, 90), H=10, k=5, mode="mom", target_vol=0.20, disp_pct=30, disp_minhist=20)
-_HL_DIR = _Path(__file__).resolve().parents[2] / "data" / "raw"
-# UNIVERSO ESPLICITO = 19 ALT LIQUIDI MAJOR. NB (2026-06-19): allargare a 52 asset (incluso
-# small-cap WIF/JUP/ORDI/PYTH/TAO...) DILUISCE l'edge -> momentum cross-section NEGATIVO sui 52.
-# I major sono il sweet spot. NON usare glob-all (i parquet extra certificati servono ad altra
-# ricerca, non a XS01). Vedi diario 2026-06-19-xsec-universe-expansion.md.
-XS_UNIVERSE = ["BTC", "ETH", "SOL", "BNB", "XRP", "DOGE", "AVAX", "LINK", "LTC", "ADA",
-               "ARB", "OP", "SUI", "APT", "INJ", "TIA", "SEI", "NEAR", "AAVE"]
-
-
-def _xsec_returns() -> pd.Series:
-    cols = {}
-    for sym in XS_UNIVERSE:
-        p = _HL_DIR / f"hl_{sym.lower()}_1d.parquet"
-        if not p.exists():
-            continue
-        d = pd.read_parquet(p)
-        cols[sym] = pd.Series(d["close"].values.astype(float),
-                              index=pd.to_datetime(d["timestamp"], unit="ms", utc=True))
-    if len(cols) < 10:
-        raise FileNotFoundError("universo Hyperliquid XS01 incompleto: gira scripts/analysis/fetch_hyperliquid.py")
-    C = pd.concat(cols, axis=1, join="inner").sort_index().dropna()
-    px = C.values; n, A = px.shape
-    lookbacks, H, k, mode, tv = XS_CFG["lookbacks"], XS_CFG["H"], XS_CFG["k"], XS_CFG["mode"], XS_CFG["target_vol"]
-    disp_pct = XS_CFG.get("disp_pct", 0); minhist = XS_CFG.get("disp_minhist", 20)
-    mlb = max(lookbacks)
-    dret = np.vstack([np.zeros(A), px[1:] / px[:-1] - 1.0])
-    W = np.zeros((n, A)); w = np.zeros(A); disp_hist = []
-    for i in range(n):
-        if i >= mlb and i % H == 0:
-            rLs = [px[i] / px[i - L] - 1.0 for L in lookbacks]
-            disp_i = float(np.mean([r.std() for r in rLs]))          # dispersione cross-section del momentum
-            thr = np.percentile(disp_hist, disp_pct) if (disp_pct > 0 and len(disp_hist) >= minhist) else -np.inf
-            if disp_i >= thr:                                        # gate: entra solo in regime disperso
-                score = np.zeros(A); cnt = 0                          # blend: media z-score cross-sectional
-                for rL in rLs:
-                    sd = rL.std()
-                    if sd > 0:
-                        score += (rL - rL.mean()) / sd; cnt += 1
-                if cnt:
-                    score /= cnt
-                    order = np.argsort(score)
-                    w = np.zeros(A); lo, hi = order[:k], order[-k:]
-                    if mode == "mom": w[hi] = 0.5 / k; w[lo] = -0.5 / k
-                    else: w[lo] = 0.5 / k; w[hi] = -0.5 / k
-            else:
-                w = np.zeros(A)                                       # regime compatto -> flat
-            disp_hist.append(disp_i)
-        W[i] = w
-    gross = np.zeros(n); gross[1:] = np.sum(W[:-1] * dret[1:], axis=1)
-    turn = np.zeros(n); turn[0] = np.abs(W[0]).sum(); turn[1:] = np.abs(np.diff(W, axis=0)).sum(axis=1)
-    net = gross - turn * (0.001 / 2.0)
-    s = pd.Series(net, index=C.index)
-    rv = s.rolling(30, min_periods=15).std().shift(1) * np.sqrt(365.25)
-    scale = np.clip(np.nan_to_num(tv / rv.replace(0, np.nan).values, nan=0.0), 0, 3.0)
-    return pd.Series(s.values * scale, index=C.index)
-
-
-def xsec_sleeve(weight: float = 0.3) -> Sleeve:
-    return Sleeve("XS01_xsec_hl", weight, _xsec_returns)
-
-
-# ----------------------------- VRP01: Options Short-Vol (put credit spread + gate IV-rank) -----------------------------
-# Income short-vol settimanale. Idee da FinanceOld/OptionsAgent (Bear Call Spread + gate d'ingresso)
-# portate sul VRP: (a) PUT CREDIT SPREAD rischio-definito (vendi put -0.28, compra put -0.10) che
-# CAPPA la coda (worst-week -16.6%->-7.4%, DD 33%->14%); (b) GATE IV-RANK>0.30 causale = vendi vol solo
-# quando ricca -> ribalta l'HOLD-OUT da -0.25 a +0.28 (e' l'alpha); (c) crash-skip IV-rank>0.90.
-# Premio BS su DVOL reale (data/raw/dvol_*.parquet via scripts/research/fetch_dvol.py), payoff sul path
-# certificato, fee opzioni Deribit (cap 12.5% del premio). CAVEAT ONESTI: premio MODELLATO su IV-ATM
-# (skew non esplicito), book a 1d, f di stress reale non catturato -> e' un LEAD robusto, non deploy
-# pieno. Scorrelato a TP01 (~+0.07). Ricerca: scripts/research/options_vrp_v2.py.
-# Diario 2026-06-20-financeold-analysis-vrp-v2.md.
-from scipy.stats import norm as _norm
-
-VRP_CFG = dict(short_delta=-0.28, long_delta=-0.10, f=1.0, tenor_d=7,
-               gate_ivr=0.30, crash_skip=0.90, gate_vrp=True, fee_frac=0.125)
-
-
-def _bs_put(S, K, T, sig):
-    if T <= 0 or sig <= 0:
-        return max(K - S, 0.0)
-    d1 = (np.log(S / K) + 0.5 * sig ** 2 * T) / (sig * np.sqrt(T))
-    return K * _norm.cdf(-(d1 - sig * np.sqrt(T))) - S * _norm.cdf(-d1)        # r=0
-
-
-def _strike_from_delta(S, T, sig, target_delta):
-    return S * np.exp(0.5 * sig ** 2 * T - (-_norm.ppf(-target_delta)) * sig * np.sqrt(T))
-
-
-def _vrp_weekly_asset(asset: str) -> pd.Series:
-    """Put credit spread settimanale con gate causali. Ritorna rendimenti SETTIMANALI (su collaterale
-    = strike corto, cash-secured) indicizzati alla data di scadenza. Causale: strike/premio/gate da
-    dati <= sell-date; payoff a scadenza sui prezzi certificati."""
-    df = resample_1d(load_data(asset, "1h"))
-    s = pd.Series(df["close"].values.astype(float), index=pd.to_datetime(df["datetime"]))
-    if s.index.tz is None:
-        s.index = s.index.tz_localize("UTC")
-    dv = pd.read_parquet(_HL_DIR / f"dvol_{asset.lower()}.parquet")
-    d = pd.Series(dv["close"].values.astype(float), index=pd.to_datetime(dv["timestamp"], unit="ms", utc=True))
-    J = pd.concat({"px": s, "dvol": d}, axis=1, join="inner").sort_index().dropna()
-    px = J["px"].values; dvf = J["dvol"].values / 100.0; idx = J.index
-    n = len(px); cfg = VRP_CFG; tn = cfg["tenor_d"]; T = tn / 365.25
-    rets = {}
-    i = 60
-    while i + tn < n:
-        S0 = px[i]; sig = dvf[i]
-        skip = False
-        if cfg["gate_vrp"] and i >= 31:                                   # VRP>0: DVOL > RV30 causale
-            rv = np.std(np.diff(np.log(px[i - 30:i + 1]))) * np.sqrt(365.25)
-            if (sig - rv) <= 0:
-                skip = True
-        if not skip and (cfg["gate_ivr"] > 0 or cfg["crash_skip"] < 1.0) and i >= 60:
-            ivr = float((dvf[:i] < dvf[i]).mean())                        # IV-rank espandente causale
-            if cfg["gate_ivr"] > 0 and ivr < cfg["gate_ivr"]:
-                skip = True
-            if cfg["crash_skip"] < 1.0 and ivr > cfg["crash_skip"]:
-                skip = True
-        if skip:
-            rets[idx[i + tn]] = 0.0; i += tn; continue
-        Ks = _strike_from_delta(S0, T, sig, cfg["short_delta"])
-        Kl = _strike_from_delta(S0, T, sig, cfg["long_delta"])
-        net_prem = (_bs_put(S0, Ks, T, sig) - _bs_put(S0, Kl, T, sig)) * cfg["f"]
-        S1 = px[i + tn]
-        payoff = max(0.0, Ks - S1) - max(0.0, Kl - S1)
-        pnl = net_prem - payoff - cfg["fee_frac"] * abs(net_prem)
-        rets[idx[i + tn]] = pnl / Ks
-        i += tn
-    return pd.Series(rets)
-
-
-def _vrp_combo_returns() -> pd.Series:
-    """Sleeve VRP01: book 50/50 BTC+ETH del put credit spread gated, su griglia GIORNALIERA.
-    Il rendimento settimanale e' piazzato sul giorno di scadenza, 0.0 sugli altri giorni (preserva
-    lo Sharpe annualizzato senza smoothing): cosi' lo sleeve e' presente ogni giorno (peso costante)."""
-    rB = _vrp_weekly_asset("BTC"); rE = _vrp_weekly_asset("ETH")
-    wk = pd.concat({"B": rB, "E": rE}, axis=1, join="inner").mean(axis=1).sort_index()
-    if wk.empty:
-        return wk
-    days = pd.date_range(wk.index.min().normalize(), wk.index.max().normalize(), freq="1D", tz="UTC")
-    daily = pd.Series(0.0, index=days)
-    daily.loc[wk.index.normalize()] = wk.values                           # lump settimanale sul giorno scadenza
-    return daily
-
-
-def vrp_sleeve(weight: float = 0.20) -> Sleeve:
-    return Sleeve("VRP01_shortvol", weight, _vrp_combo_returns)
-
-
-# ----------------------------- REGISTRY -----------------------------
-def active_sleeves() -> list[Sleeve]:
-    """Sleeve ATTIVI nel portafoglio (pesi rinormalizzati; sleeve a date diverse si attivano
-    quando parte la loro storia). Aggiungere qui SOLO strategie validate col gauntlet."""
-    return [
-        tp01_sleeve(weight=0.55),      # trend difensivo, BTC/ETH, dal 2019 (l'unico deployable pieno)
-        xsec_sleeve(weight=0.25),      # cross-sectional momentum Hyperliquid, dal 2024 (scorrelato, stat-mode)
-        vrp_sleeve(weight=0.20),       # options short-vol (put credit spread + gate IV-rank), dal 2021 (lead modellato, scorrelato)
-    ]
@@ -4,16 +4,13 @@ Vincitrice della ricerca su dati certificati BTC/ETH (Deribit mainnet). TSMOM mu
 (1-3-6 mesi) vol-targeted, portafoglio 50/50 BTC+ETH. Validata onestamente (no look-ahead,
 fee 0.10% RT, positiva ogni anno 2019-2026, robusta su griglia e su tutti i timeframe 15m-1d).

-Config canonica deployabile (PORT LF1d):
-    timeframe >=12h (1d RACCOMANDATO), LONG-FLAT (niente short), vol-target 20%, leverage cap 2x.
-    -> FULL Sharpe ~1.30, maxDD ~14%, HOLD-OUT 2025-26 Sharpe ~0.31 (calcolo per-TF leak-free).
+Config canonica deployabile (PORT LF4h):
+    timeframe 4h, LONG-FLAT (niente short), vol-target 20%, leverage cap 2x.
+    -> CAGR ~16.6%, Sharpe ~1.32, maxDD ~12.3% (backtest 2019-2026 su 50/50 BTC+ETH).

-NB LOOK-AHEAD (2026-06-19): un ffill MIXED-TIMEFRAME su barre open-labeled (label="left")
-gonfiava il 4h (~1.60 -> reale ~1.1). Il calcolo per-SINGOLO-TF e' leak-free (guard
-prefix-recompute), ma sotto le 12h costi+overfitting dominano SENZA vantaggio reale (FULL Sh
-piatto ~1.3 da 12h a 4h; hold-out MIGLIORE a 1d). -> NON scendere sotto le 12h; deploy a 1d.
-TP01 e' DIFENSIVA (taglia il DD ~6x vs buy&hold), NON alpha. Vedi
-docs/diary/2026-06-19-tp01-lookahead-fix-lf.md e scripts/analysis/tp01_lowfreq.py.
+Perche' long-flat e 4h: gli short del trend rendono meno e aggiungono DD; il 4h e' il punto
+dolce (meno rumore/fee del 15m, meno lag dell'1d). Vedi docs/diary/2026-06-19-research-synthesis.md
+e scripts/research/trackD_*.py.

 API (tutto causale, decide con dati <= close[i]):
    from src.strategies.trend_portfolio import TrendPortfolio, CANONICAL
@@ -171,28 +168,16 @@ def _bars_per_year(idx: pd.DatetimeIndex) -> float:
    return 86400 * 365.25 / dt if dt and dt > 0 else 365.25


-def resample_tf(df_1h: pd.DataFrame, rule: str) -> pd.DataFrame:
-    """Resample 1h -> rule (confini 00:00 UTC). Schema con 'datetime'.
-    NB: usare SOLO per-singolo-TF (qui leak-free); MAI ffill/combine mixed-TF su questi
-    timestamp open-labeled (label='left') -> look-ahead. Deploy a >=12h (vedi docstring modulo)."""
+def resample_4h(df_1h: pd.DataFrame) -> pd.DataFrame:
+    """Resample 1h -> 4h (confini 00:00 UTC). Schema con 'datetime'."""
    g = df_1h.copy()
    idx = pd.to_datetime(g["timestamp"], unit="ms", utc=True)
    idx.name = "dt"
    g.index = idx
-    out = g.resample(rule, label="left", closed="left").agg(
+    out = g.resample("4h", label="left", closed="left").agg(
        {"open": "first", "high": "max", "low": "min", "close": "last", "volume": "sum"})
    out = out.dropna(subset=["open"])
    out["datetime"] = out.index
    epoch = pd.Timestamp("1970-01-01", tz="UTC")
    out["timestamp"] = ((out.index - epoch) // pd.Timedelta(milliseconds=1)).astype("int64")
    return out.reset_index(drop=True)[["timestamp", "open", "high", "low", "close", "volume", "datetime"]]
-
-
-def resample_1d(df_1h: pd.DataFrame) -> pd.DataFrame:
-    """TF canonico di deploy (>=12h). Resample 1h -> 1d."""
-    return resample_tf(df_1h, "1D")
-
-
-def resample_4h(df_1h: pd.DataFrame) -> pd.DataFrame:
-    """DEPRECATO per il deploy (sotto le 12h: costi+overfit dominano). Retro-compat ricerca."""
-    return resample_tf(df_1h, "4h")
@@ -1,81 +0,0 @@
-"""Test deterministici dello SHADOW MODE di TP01 (src/live/deribit.py).
-
-Coprono la logica a rischio zero che NON tocca la rete: quantizzazione notional->contratti, sizing
-target, costruzione ordine di ribilancio (buy/sell/exit/None), e PARITA' col backtest (il target
-live = ultimo target della serie causale). Il fill reale (slippage/fee) NON e' qui: si valida solo
-col micro-test mainnet.
-"""
-import sys
-from pathlib import Path
-
-PROJECT_ROOT = Path(__file__).resolve().parents[1]
-sys.path.insert(0, str(PROJECT_ROOT))
-
-from src.live.deribit import (build_rebalance_order, notional_to_amount, target_notional_usd)
-from src.strategies.trend_portfolio import CANONICAL, TrendPortfolio, resample_1d
-
-
-def test_notional_to_amount_step_and_min():
-    # BTC step/min $10
-    assert notional_to_amount("BTC-PERPETUAL", 1000) == 1000
-    assert notional_to_amount("BTC-PERPETUAL", 1006) == 1010      # round allo step
-    assert notional_to_amount("BTC-PERPETUAL", 7) == 10           # clamp al minimo (>= mezzo step)
-    assert notional_to_amount("BTC-PERPETUAL", 3) == 0.0          # < mezzo step -> niente ordine
-    # ETH step/min $1
-    assert notional_to_amount("ETH-PERPETUAL", 33.7) == 34
-    assert notional_to_amount("ETH-PERPETUAL", 0.4) == 0.0
-    # usa il valore assoluto (il segno lo decide il delta a monte)
-    assert notional_to_amount("BTC-PERPETUAL", -1000) == 1000
-
-
-def test_no_float_artifacts():
-    # _quantize_step usa Decimal: nessun 0.07200000000000001 & co.
-    v = notional_to_amount("ETH-PERPETUAL", 72.0)
-    assert v == 72 and float(v).is_integer()
-
-
-def test_target_notional_5050_weight():
-    # 50/50 book: notional asset = 0.5 * frazione * equity
-    assert target_notional_usd(1.0, 0.5, 2000) == 1000
-    assert target_notional_usd(2.0, 0.5, 2000) == 2000           # leva-cap 2x -> piena equity sull'asset
-    assert target_notional_usd(0.0, 0.5, 2000) == 0.0
-
-
-def test_build_order_entry():
-    o = build_rebalance_order("BTC-PERPETUAL", target_fraction=1.0, weight=0.5,
-                              equity_usd=2000, current_pos_usd=0.0)
-    assert o["side"] == "buy" and o["amount"] == 1000 and o["reduce_only"] is False
-    assert o["target_notional"] == 1000 and o["delta_notional"] == 1000
-
-
-def test_build_order_exit_is_reduce_only():
-    o = build_rebalance_order("ETH-PERPETUAL", target_fraction=0.0, weight=0.5,
-                              equity_usd=2000, current_pos_usd=1000.0)
-    assert o["side"] == "sell" and o["reduce_only"] is True and o["amount"] == 1000
-
-
-def test_build_order_already_at_target_is_none():
-    o = build_rebalance_order("BTC-PERPETUAL", 1.0, 0.5, 2000, current_pos_usd=1000.0)
-    assert o is None                                              # delta 0 -> nessun ordine
-
-
-def test_build_order_subthreshold_is_none():
-    # delta $3 su BTC (< mezzo step $5) -> niente ordine
-    o = build_rebalance_order("BTC-PERPETUAL", 0.5015, 0.5, 2000, current_pos_usd=498.5)
-    assert o is None
-
-
-def test_partial_rebalance_direction():
-    # target $1000, ho $600 -> compro $400; ho $1400 -> vendo $400
-    up = build_rebalance_order("BTC-PERPETUAL", 1.0, 0.5, 2000, 600.0)
-    dn = build_rebalance_order("BTC-PERPETUAL", 1.0, 0.5, 2000, 1400.0)
-    assert up["side"] == "buy" and up["amount"] == 400
-    assert dn["side"] == "sell" and dn["amount"] == 400 and dn["reduce_only"] is False
-
-
-def test_parity_live_target_equals_backtest():
-    # il target live (current_target) DEVE essere l'ultimo della serie causale del backtest
-    from src.backtest.harness import load
-    tp = TrendPortfolio(**CANONICAL)
-    df = resample_1d(load("BTC", "1h"))
-    assert tp.current_target(df) == tp.target_series(df)[-1]
@@ -1,69 +0,0 @@
-"""Test del contenitore portafoglio estensibile."""
-import sys
-from pathlib import Path
-PROJECT_ROOT = Path(__file__).resolve().parents[1]
-sys.path.insert(0, str(PROJECT_ROOT))
-import numpy as np
-import pandas as pd
-import pytest
-
-from src.portfolio.portfolio import Sleeve, StrategyPortfolio, to_daily, metrics
-
-
-def _const_sleeve(name, weight, val, n=400):
-    idx = pd.date_range("2020-01-01", periods=n, freq="1D", tz="UTC")
-    return Sleeve(name, weight, lambda: pd.Series(val, index=idx))
-
-
-def test_single_sleeve_equals_itself():
-    s = _const_sleeve("A", 1.0, 0.001)
-    pf = StrategyPortfolio([s])
-    combo = pf.combined_daily()
-    assert np.allclose(combo.values, s.daily().values)
-    assert pf.weights() == {"A": 1.0}
-
-
-def test_weights_normalize():
-    pf = StrategyPortfolio([_const_sleeve("A", 3.0, 0.001), _const_sleeve("B", 1.0, 0.002)])
-    w = pf.weights()
-    assert abs(sum(w.values()) - 1.0) < 1e-12
-    assert abs(w["A"] - 0.75) < 1e-12 and abs(w["B"] - 0.25) < 1e-12
-
-
-def test_equal_weight_combine():
-    a, b = _const_sleeve("A", 1.0, 0.001), _const_sleeve("B", 1.0, 0.003)
-    pf = StrategyPortfolio([a, b])
-    combo = pf.combined_daily()
-    assert np.allclose(combo.values, 0.5 * 0.001 + 0.5 * 0.003)   # 0.002
-
-
-def test_to_daily_compounds_intraday():
-    # due barre da +1% nello stesso giorno -> +2.01% giornaliero
-    idx = pd.to_datetime(["2020-01-01T00:00", "2020-01-01T12:00"], utc=True)
-    d = to_daily(pd.Series([0.01, 0.01], index=idx))
-    assert len(d) == 1 and abs(d.iloc[0] - (1.01 * 1.01 - 1)) < 1e-12
-
-
-def test_metrics_basic():
-    idx = pd.date_range("2020-01-01", periods=730, freq="1D", tz="UTC")
-    m = metrics(pd.Series(0.0005, index=idx))   # ritorno costante positivo
-    assert m["ret"] > 0 and m["maxdd"] == 0.0 and m["n"] == 730
-
-
-def test_outer_join_renormalizes_late_sleeve():
-    # sleeve con date d'inizio diverse: prima parte A da solo (peso rinormalizzato a 1),
-    # poi A+B (pesi 0.7/0.3). Il portafoglio NON si tronca alla finestra comune.
-    idxA = pd.date_range("2020-01-01", periods=120, freq="1D", tz="UTC")
-    idxB = pd.date_range("2020-02-15", periods=60, freq="1D", tz="UTC")
-    A = Sleeve("A", 0.7, lambda: pd.Series(0.001, index=idxA))
-    B = Sleeve("B", 0.3, lambda: pd.Series(0.003, index=idxB))
-    combo = StrategyPortfolio([A, B]).combined_daily()
-    assert abs(combo.iloc[0] - 0.001) < 1e-12          # solo A -> 100% A
-    both = combo[combo.index >= idxB[0]]
-    assert abs(both.iloc[0] - (0.7 * 0.001 + 0.3 * 0.003)) < 1e-12   # blend rinormalizzato
-    assert len(combo) == 120                            # span completo di A, non tronca
-
-
-def test_empty_portfolio_raises():
-    with pytest.raises(ValueError):
-        StrategyPortfolio([])
@@ -1,61 +0,0 @@
-"""Test dello sleeve VRP01 (options short-vol: put credit spread + gate IV-rank)."""
-import sys
-from pathlib import Path
-
-import numpy as np
-import pandas as pd
-import pytest
-
-PROJECT_ROOT = Path(__file__).resolve().parents[1]
-sys.path.insert(0, str(PROJECT_ROOT))
-
-from src.portfolio.sleeves import (
-    _bs_put, _strike_from_delta, _vrp_combo_returns, vrp_sleeve, _HL_DIR)
-
-_HAS_DVOL = (_HL_DIR / "dvol_btc.parquet").exists() and (_HL_DIR / "dvol_eth.parquet").exists()
-_skip_data = pytest.mark.skipif(not _HAS_DVOL, reason="serve data/raw/dvol_*.parquet (scripts/research/fetch_dvol.py)")
-
-
-def test_bs_put_monotonic_in_strike():
-    """Put piu' ITM (strike piu' alto) vale di piu'."""
-    S, T, sig = 100.0, 7 / 365.25, 0.6
-    vals = [_bs_put(S, K, T, sig) for K in (80, 90, 100, 110)]
-    assert all(b < a for b, a in zip(vals, vals[1:]))           # crescente nello strike
-
-
-def test_strike_from_delta_ordering():
-    """La put venduta delta -0.28 ha strike piu' alto (piu' vicino) della comprata -0.10."""
-    S, T, sig = 100.0, 7 / 365.25, 0.6
-    Ks = _strike_from_delta(S, T, sig, -0.28)
-    Kl = _strike_from_delta(S, T, sig, -0.10)
-    assert Kl < Ks < S                                          # entrambe OTM, long piu' lontana
-
-
-@_skip_data
-def test_sleeve_is_deterministic_and_daily():
-    a = vrp_sleeve().daily()
-    b = _vrp_combo_returns()
-    assert isinstance(a.index, pd.DatetimeIndex) and a.index.tz is not None
-    assert (a.index.normalize() == a.index).all()               # griglia giornaliera
-    # presente ogni giorno nel suo span (nessun buco) -> peso costante nel portafoglio
-    full = pd.date_range(a.index.min(), a.index.max(), freq="1D", tz="UTC")
-    assert len(a) == len(full)
-    np.testing.assert_array_equal(a.values, vrp_sleeve().daily().values)   # deterministico
-
-
-@_skip_data
-def test_gates_reduce_activity():
-    """I gate (IV-rank/VRP/crash-skip) devono lasciare flat parte delle settimane: i giorni con
-    rendimento != 0 sono molto meno del totale (lump settimanale + settimane saltate)."""
-    s = _vrp_combo_returns()
-    active = float((s != 0).mean())
-    assert 0.0 < active < 0.25                                  # ~1/7 (lump weekly) e meno per i gate
-
-
-@_skip_data
-def test_sleeve_positive_and_capped_tail():
-    """Lo sleeve e' profittevole e la coda e' tagliata dal long wing (worst-day moderato)."""
-    s = _vrp_combo_returns()
-    nz = s[s != 0]
-    assert s.sum() > 0                                          # somma rendimenti positiva
-    assert nz.min() > -0.15                                     # defined-risk: nessuna settimana < -15%
Author	SHA1	Message	Date
Adriano	7b34e11476	docs: update CLAUDE.md with post-research state (TP01 winner + research outcome)	2026-06-19 20:36:01 +02:00
Adriano	ae7f3d17f2	deploy: TP01 trend portfolio (PORT LF4h) module + paper trader - src/strategies/trend_portfolio.py: canonical winner, causal/no-leakage, reproduces CAGR +16.5% Sharpe 1.36 maxDD 13.8% - scripts/live/paper_trend.py: forward-only paper trader, persistent state, resume - tests/test_trend_portfolio.py: 5 tests (causality, profitability, long-only, paper parity)	2026-06-19 20:35:28 +02:00
Adriano	3b6ff02197	fix: resolution-safe timestamp in trackD_timing resample (pandas 2.x datetime64[ms]) - combination study: PORT LF4h (BTC+ETH) Sharpe 1.32 DD 12.3% remains best - RV ETH/BTC market-neutral sleeve is genuinely uncorrelated (~0.05) but too weak (Sharpe 0.27) to raise portfolio Sharpe; combining the two TF configs is redundant (same-asset cross-config corr 0.80)	2026-06-19 20:18:03 +02:00
Adriano	8dbdadd509	research: add per-year trade counts + turnover to trackD_timing	2026-06-19 20:09:32 +02:00
Adriano	33267584d9	research: Track D winner across timeframes (15m-1d) + per-year PnL/DD - trackD_timing.py: same TSMOM 1-3-6m blend config sampled at 15m/1h/4h/1d - robust plateau across all TFs; 4h marginally best (LF Sharpe 1.36, DD 13.8%) - per-year PnL and per-year max drawdown tables	2026-06-19 19:39:02 +02:00
Adriano	dc2b5697da	research wave 1: 5 honest tracks on certified BTC/ETH + synthesis - trackA trend, trackB ML, trackC mean-rev, trackD trend-portfolio, trackE xsec/ensemble - VERDICT: Track D vol-targeted BTC+ETH trend portfolio is the one robust deployable earner (Sharpe 1.0-1.32, DD 13-19%, positive every year 2019-2026) - mean-reversion confirmed dead on clean data; weak-but-real ML/trend residuals - honest: EUR50/day on 2000 in 1-2y is not reachable (needs ~137k capital or ruinous DD)	2026-06-19 19:14:53 +02:00
Adriano	6b9c469832	research: rebuild certified BTC/ETH feed + honest backtest harness - rebuilt BTC/ETH from Deribit mainnet (certified 1.7-1.9bps vs Coinbase) - archived contaminated alt data to Old/data/raw - add src/backtest/harness.py: leakage-free, fee-aware signal engine (entry at close[i], intrabar TP/SL, CAGR/Sharpe/DD/per-year/OOS)	2026-06-19 18:41:15 +02:00
				`@@ -1 +0,0 @@`
				`"""Monitoraggio paper (dashboard). Lo stack live REALE resta in Old/."""`