docs(report): strategie_attive.html rigenerato su dati freschi (tutti gli 8 asset al 2026-06-12)

- parquet rinfrescati post-fix downloader: BTC+ETH 1h/15m/5m completi via v2,
  alt 1h incrementali (erano fermi al 28-29/05, panel multi-asset incoerenti)
- make_strategy_doc.yearly_stats: clamp di j (l'engine live-path lascia j>=n
  per il trade aperto al bordo serie -> IndexError coi dati freschi)
- header v1.1.26, card XS01 con phase-tranching, metodologia con verita'
  d'esecuzione/netting. Backtest canonico STABILE su +2 settimane di dati:
  FULL Sharpe 7.34 / DD 3.46 — OOS 10.07 / 1.48 (identico al 2026-06-11)

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

.gitignore

@@ -17,3 +17,22 @@ data/processed/
 *.pth
 notebooks/.ipynb_checkpoints/
 data/paper_trades/
+data/portfolio_paper/
+data/portfolio_paper_stats/
+data/portfolios/
+
+# stato locale di tooling (non condiviso)
+.claude/
+.omc/
+
+# dati regime (DVOL/funding/feature cache, rigenerabili)
+data/regime/
+_disp_scratch/
+data/regime/dispersion_features.parquet
+
+# storico catena opzioni importato da cerbero-bite (rigenerabile: options_fetcher.py)
+data/options/
+data/_reset_backup/
+
+# game artifacts (log/json di scripts/games e gate)
+data/games/

API_REFERENCE.md

@@ -292,3 +292,40 @@ curl -X POST http://localhost:9000/mcp-bybit/tools/get_ticker \
 
 Per lo schema completo dei body di richiesta e risposta:
 <http://localhost:9000/apidocs>.
+
+---
+
+## 15. Discovery strumenti — schemi `get_instruments` / `get_markets` / `get_historical`
+
+Schemi dei body verificati sull'OpenAPI live (usati da `src/data/instruments.py`).
+
+### Lista strumenti
+| Exchange | Tool | Body | Risposta (campi utili) |
+|---|---|---|---|
+| Deribit | `get_instruments` | `{currency:"any", kind:"future", offset:int, limit:100}` (paginato, `has_more`) | `instruments[].name` (es. `BTC-PERPETUAL`, `SOL_USDC-PERPETUAL`), `expiry`, `tick_size` |
+| Bybit | `get_instruments` | `{category:"linear", symbol?}` | `instruments[]`: `symbol`, `status`, `base_coin`, `quote_coin` |
+| Hyperliquid | `get_markets` | `{}` | lista `{asset, mark_price, funding_rate, open_interest, volume_24h, max_leverage}` |
+
+### Storico OHLCV (`get_historical`, chiave `candles` uniforme `{timestamp(ms),open,high,low,close,volume}`)
+| Exchange | Body |
+|---|---|
+| Deribit | `{instrument, start_date:"YYYY-MM-DD", end_date, resolution}` — resolution `1/5/15/60/1D` |
+| Bybit | `{symbol, category:"linear", interval:"1/5/15/60/D", start:int_ms, end:int_ms, limit}` |
+| Hyperliquid | `{asset|instrument, start_date, end_date, resolution:"1m/5m/15m/1h/1d", limit}` |
+
+### Simboli Deribit
+- BTC/ETH → perpetui **inverse**: `BTC-PERPETUAL`, `ETH-PERPETUAL`
+- Altcoin → perpetui **lineari USDC**: `<COIN>_USDC-PERPETUAL` (es. `SOL_USDC-PERPETUAL`)
+- Trappola: `LTC-PERPETUAL`/`ADA-PERPETUAL` non esistono; `SOL-PERPETUAL` esiste ma è un contratto sbagliato (prezzo ~9.6 vs SOL reale ~82).
+
+### Validazione (lato progetto)
+`src/data/instruments.py` valida ogni strumento sui dati storici realmente
+raccoglibili — esistenza, congruenza OHLC, not-flat, liquidità (volume daily) e
+**congruenza prezzo cross-exchange** (scostamento dalla mediana del base-coin ≤5%).
+Solo gli exchange con feed affidabile sono inclusi: **Deribit** e **Hyperliquid**
+(esclusi Alpaca/stocks e **Bybit**, il cui feed testnet è farlocco). Output in
+`data/instruments_registry.json`; il downloader scarica **solo** strumenti validati.
+
+> **Testnet.** Il token osservatore punta a testnet (`"testnet": true` nei ticker):
+> i prezzi possono divergere dal mainnet. La congruenza cross-exchange via mediana
+> è il filtro che scarta i feed incongrui prima di usarli per backtest/trading.

CLAUDE.md

@@ -17,44 +17,95 @@ Progetto di ricerca: riconoscimento pattern frattali per trading algoritmico su
 ## Struttura
 
 ```
-src/data/              → download e caricamento dati (downloader.py)
+src/data/              → download e caricamento dati
+  downloader.py        → download/caricamento parquet (gate: solo strumenti validati)
+  instruments.py       → discovery + validazione strumenti per exchange, registry
 src/fractal/           → indicatori frattali (patterns.py, indicators.py, similarity.py)
 src/backtest/          → engine di backtesting (engine.py)
 src/strategies/        → classe base Strategy ABC + indicatori condivisi
   base.py              → Strategy, Signal, BacktestResult, YearlyStats
   indicators.py        → keltner_ratio, detect_squeezes, ema, atr, rv, correlation
 src/live/              → paper trading live multi-strategia
-  multi_runner.py      → orchestratore: carica YAML, fetch candele, tick worker
-  strategy_worker.py   → worker indipendente: capital, trade log, stato persistente.
+  multi_runner.py      → orchestratore: carica YAML (strategies + pairs), fetch candele, tick worker
+  strategy_worker.py   → worker single-leg: capital, trade log, stato persistente.
                          Exit guidati da strategia (TP/SL/max_bars via Signal.metadata),
                          fallback hold_bars/stop -2%. Usa fee_rt della strategia.
+  pairs_worker.py      → worker a 2 GAMBE per PR01 (market-neutral): long A / short B sullo
+                         z-score del log-ratio, exit |z|<=z_exit o max_bars, fee su 2 gambe.
   strategy_loader.py   → import dinamico classi Strategy da scripts/strategies/
-  cerbero_client.py    → client HTTP per Cerbero MCP (Deribit testnet)
+  cerbero_client.py    → client HTTP per Cerbero MCP (Deribit testnet): dati + ordini
+                         (place_order market/reduce_only, get_trade_history, get_positions)
+  execution.py         → ExecutionClient: esecuzione REALE su Deribit (shadow). notional→
+                         amount (lineari USDC + inverse), open/close_amount reduce-only,
+                         verifica sul trade (order_id), fee reali dai trades[]
   signal_engine.py     → squeeze + ML real-time (legacy ML01, ora in waste) + validazione OOS
   telegram_notifier.py → notifiche Telegram per trade
-scripts/strategies/    → strategie con edge validato OOS (solo MR01_bollinger_fade)
+src/portfolio/         → portafogli di prima classe (capitale-pool, backtest+live)
+  base.py              → SleeveSpec, Portfolio (.backtest), load_active_portfolio
+  weighting.py         → schemi pesi: equal/cap/inverse_vol/cluster_rp/manual
+  sleeves.py           → builder unificato equity-per-sleeve (fonte unica, parità report)
+  ledger.py            → PortfolioLedger: capitale/PnL/DD/persistenza+resume
+  runner.py            → PortfolioRunner live (data Cerbero v2, sizing, ribilancio)
+src/version.py         → APP_VERSION (legge il file VERSION) — mostrato nei msg Telegram
+src/strategies/fade_base.py → FadeStrategy + helper: atr, trend_distance, hurst_skip_mask (loss-guard),
+                         exit close-confirm SL via param sl_confirm_atr (EXIT-16)
+scripts/strategies/    → strategie con edge validato OOS: FADE (MR01/MR02/MR07),
+                         HONEST (DIP01/TR01/ROT02), PAIRS (PR01), TSMOM + portafogli (PORT01/02/03);
+                         FR01_hurst_calm_fade.py = record ricerca (robusto ma NON deployato)
+scripts/portfolios/    → definizioni PORT01-06 (_defs.py) + report run() + hourly_report.py (Telegram)
 scripts/waste/         → strategie scartate (W01-W28 + famiglia squeeze SQ/MT/ML/AD/CM/PD)
-scripts/analysis/      → ricerca/validazione OOS fee-aware (strategy_research, oos_validation, ...)
+scripts/analysis/      → ricerca/validazione OOS fee-aware (strategy_research, oos_validation, ...);
+                         regime_fetcher.py + regime_lab.py (DVOL/funding/feature regime per la ricerca);
+                         exit_lab.py + exit_policies/ (harness ricerca exit: cache segnali, train/OOS);
+                         options_fetcher.py + options_chain.py (storico opzioni REALE da cerbero-bite);
+                         option_overlay_lab.py (overlay opzioni prezzato; mr02eth_port06_gate.py = gate swap-sleeve);
+                         pairs15m_*.py (gate/flatcheck/smoke ETH/BTC 15m -> sleeve PR_ETHBTC_15M)
+scripts/games/         → gioco "Blind Traders": 100 agenti ciechi su BTC/ETH anonimi (engine.py,
+                         arena.py epoche+cull, agent_brief.py digest, run_game.py). Origine del BLEND 15m.
+                         Varianti: options_* (strutture in opzioni, BS+skew+DVOL; opt_calibrate da
+                         cerbero-bite), session_* (pattern orari), grid_* (griglie da STRATEGIA_GRIGLIA.md;
+                         gate scripts/analysis/grid_game_gate.py). arena: GAME_NO_LIVE=1 vieta le
+                         strategie gia' deployate (pairs, fade zscore/breakout/momentum)
+scripts/bump_version.py, scripts/deploy.sh → versionamento e deploy (bump+commit+rebuild)
+VERSION                → versione semver (cotta nell'immagine, +1 ad ogni deploy)
 strategies.yml         → config multi-strategy paper trader
 docs/diary/            → diario di ricerca giornaliero
 docs/specs/            → specifiche di design
-data/raw/              → file .parquet OHLCV (gitignored)
+data/raw/              → file .parquet OHLCV (gitignored)  |  data/regime/ → DVOL+funding+feature (gitignored)
+data/options/          → storico catena opzioni per-strike (bid/ask/IV/greche/OI) importato da cerbero-bite (gitignored)
+data/instruments_registry.json → allowlist strumenti validati (gate del downloader)
 ```
 
 ## Comandi
 
 ```bash
 uv sync                                              # installa dipendenze
-uv run python -m src.data.downloader                  # scarica dati storici
-uv run python scripts/strategies/MR01_bollinger_fade.py        # strategia attiva (mean-reversion)
+uv run python -m src.data.downloader                  # scarica dati storici (solo strumenti validati)
+uv run python -m src.data.instruments                 # (ri)costruisci il registry strumenti validati
+uv run python scripts/strategies/MR01_bollinger_fade.py        # backtest una strategia (es. fade)
+uv run python scripts/strategies/PR01_pairs_reversion.py       # backtest pairs market-neutral
 uv run python scripts/analysis/strategy_research.py            # ricerca strategie fee-aware OOS
 uv run python scripts/analysis/oos_validation.py               # perche' la famiglia squeeze e' scartata
-uv run python scripts/analysis/validate_worker_mr01.py         # replay worker reale su MR01
-uv run python -m src.live.multi_runner                # paper trading live multi-strategia
-docker compose up -d                                  # deploy Docker
+uv run python scripts/analysis/report_families.py             # report per anno di tutte le famiglie
+uv run python scripts/analysis/validate_worker_pairs.py        # replay worker 2 gambe == backtest
+uv run python -m src.live.multi_runner                # paper trading live multi-strategia (strategie + pairs)
+uv run python scripts/portfolios/PORT06_master_shape.py   # report backtest portafoglio (default)
+uv run python -m src.portfolio.runner                      # paper trading a PORTAFOGLIO (capitale pool)
+uv run python scripts/analysis/smoke_portfolio.py          # smoke live data layer Cerbero v2
+uv run python scripts/analysis/live_exec_smoke.py          # smoke ESECUZIONE reale (ordine→verifica→fee, testnet)
+uv run python scripts/analysis/live_shadow_smoke.py        # smoke catena shadow nel worker (open/close reali)
+uv run python scripts/analysis/regime_fetcher.py           # fetch DVOL+funding (Deribit mainnet) -> data/regime/
+uv run python scripts/analysis/exit_lab.py                  # (ri)costruisci cache segnali exit-lab + parity check
+./scripts/deploy.sh [patch|minor|major]               # DEPLOY: bump versione + commit + rebuild Docker
 uv run pytest                                         # test
 ```
 
+> **Deploy.** Il sorgente è **COPY nell'immagine Docker** (non montato) → `docker compose restart`
+> NON ricarica il codice: serve **`docker compose up -d --build`** (o `./scripts/deploy.sh`, che bumpa
+> la versione, committa e rebuilda). Il volume `data/` persiste → i worker fanno RESUME dello stato.
+> La **versione** (file `VERSION`, semver, +1 ad ogni deploy via `deploy.sh`) compare nei messaggi
+> Telegram (notifiche trade + report orario) → correli ogni msg al codice che l'ha generato.
+
 ## Dati storici
 
 Scaricati e salvati localmente in Parquet. Per rigenerarli:
@@ -68,6 +119,27 @@ df = load_data("ETH", "15m")  # carica un asset/timeframe
 Fonte primaria: Cerbero MCP (endpoint `/mcp-deribit/tools/get_historical`).
 Token observer: nel file `secrets/observer.token` del progetto CerberoSuite.
 
+### Strumenti & validazione (gate raccolta dati)
+
+`src/data/instruments.py` scopre e **valida** gli strumenti per ogni exchange
+implementato — **Deribit** e **Hyperliquid** (esclusi Alpaca/stocks e **Bybit**,
+il cui feed testnet è farlocco). Per ogni perpetuo enumera via `get_instruments`
+/`get_markets` e verifica sui **dati storici realmente raccoglibili**:
+esistenza, congruenza OHLC, not-flat (scarta contratti morti), liquidità (volume
+daily) e **congruenza prezzo cross-exchange** (scostamento dalla mediana del
+base-coin ≤ 5% → scarta outlier come `SOL-PERPETUAL`=9.6 vs SOL reale ~82).
+
+Output: `data/instruments_registry.json` (strumenti validi, timeframe, start-date).
+**Gate:** `_download_cerbero_range` rifiuta gli strumenti non validati (override
+`allow_unvalidated=True` solo per casi eccezionali). Rigenera con
+`python -m src.data.instruments`.
+
+> **NB testnet.** Il token Cerbero punta a testnet; la congruenza cross-exchange
+> è il filtro che distingue i feed realistici (Deribit, Hyperliquid) da quelli
+> farlocchi (Bybit). Simboli Deribit: BTC/ETH = `<COIN>-PERPETUAL` (inverse);
+> alt = `<COIN>_USDC-PERPETUAL` (lineari USDC). Registry attuale: Deribit 18/106,
+> Hyperliquid 66/74 validi (major liquidi: BTC dal 2018, alt dal 2022).
+
 ## Strategie attive
 
 > **LEZIONE CRITICA (2026-05-28).** L'intera famiglia squeeze-breakout (SQ01-04,
@@ -118,6 +190,65 @@ MR07 46%→21%), edge OOS confermato (vedi `scripts/analysis/risk_management.py`
 Unica eccezione: MR03 BTC, dove il filtro peggiora entrambe → lasciato disattivo.
 Leva non robusta scartate: vol-target sizing e skip-alta-volatilità (peggiorano).
 
+**SWAP filtri fade: hurst→trend (2026-06-07).** Il gate PORT06 sul path live
+(`scripts/analysis/trendmax_port06_impact.py`, parità 1.00000 col canonico) ha mostrato che
+**post-EXIT-16 il loss-guard Hurst è ridondante-dannoso**: EXIT-16 ha eliminato i wick-stop che
+hurst evitava → gli ingressi saltati (66% delle barre!) sono in maggioranza tornati vincenti.
+Su PORT06: LIVE hurst-only FULL Sh 7.23 / OOS 9.35-DD 1.68 vs **TREND-ONLY 7.89 / 9.91-DD 1.20**
+(domina su tutte le metriche; hurst+trend insieme over-filtra: 7.11, metà dei trade; plateau
+trend_max 2.5/3.0/3.5 robusto). TREND-ONLY è la config che la ricerca EXIT-16 aveva davvero
+promosso (entries trend-filtrate, no hurst) e che il live non aveva mai eseguito. **Live ora:
+`trend_max=3.0, ema_long=200` nelle 6 fade di `_defs.py`, `hurst_max` rimosso** (la maschera resta
+in `fade_base`). Monitor: `hourly_report` traccia lo stop-rate per epoca PRE→HURST→TREND.
+Lezione: ri-gateare ogni filtro quando cambia l'exit engine. Diario
+`docs/diary/2026-06-07-trendmax-gate.md`. Il paragrafo sotto resta come record storico:
+
+**Loss-guard Hurst (storico: live dal 2026-06-02 al 2026-06-07, poi sostituito dal filtro trend).** Le fade accettano `hurst_max`: saltano i segnali in
+regime PERSISTENTE/trending (rolling-Hurst ≥ soglia), dove si concentrano stop-loss e perdite
+(diagnosi: stop-rate 43% per hurst>0.55 vs 21% anti-persistente; i peggiori 1% trade hanno hurst
+medio 0.61). Helper `src.strategies.fade_base.hurst_skip_mask` (rolling-Hurst causale **dalle sole
+close** → nessun feed esterno; step=6 per velocità live). **`hurst_max=0.55` attivo sulle 6 fade in
+`_defs.py`**: il test decisivo a livello PORT06 lo conferma — **FULL DD 4.10%→2.39% (quasi dimezzato),
+Sharpe 6.62→6.76, OOS Sharpe 8.89→9.15**. È l'UNICO meccanismo anti-perdite che supera il gate (ADX,
+vol-expansion/vratio, efficiency-ratio, time-stop, vol-target FALLISCONO: tagliano i winner insieme ai
+loser; i claim esterni ADX/ATR-ratio non si replicano su queste fade crypto). NB: il filtro agisce solo
+sul path LIVE (`spec.params`); il backtest canonico (`build_everything`/regression-lock) NON è filtrato
+→ il live farà MEGLIO del backtest sul DD. Ricerca: `scripts/analysis/fade_lossguard_workflow.js`,
+diagnosi `fade_loss_by_regime.py`, diario `docs/diary/2026-06-02-fade-lossguard.md`.
+**Effetto misurato (backtest):** stop-loss fade −67% in numero (1881→621), perdite totali −68%, coda
+−61%→−48% (lo stop-RATE per-trade scende poco, 42→38%: il guard lavora riducendo l'ESPOSIZIONE nel
+regime tossico, non rendendo sicuro ogni trade). **Monitor live:** `hourly_report.py` traccia lo
+stop-rate fade PRIMA/DOPO l'attivazione (14:34 UTC del 2026-06-02) e dà il verdetto su Telegram quando
+il campione DOPO ≥30 (già confermato: stop-rate live PRIMA 42% == backtest 42.1%).
+
+**FIX EXIT-16 live — confirm su barra COMPLETATA (2026-06-05).** Il worker valutava il confirm-SL
+sul prezzo della candela IN FORMAZIONE ad ogni poll → reintroduceva la wick-sensitivity che EXIT-16
+elimina (audit: 2 stop su 3 del crash ETH erano wick-stop che il backtest non avrebbe preso in quel
+momento). Ora `tick` valuta il confirm SOLO sul close dell'ultima barra completata (detection: la
+riga -1 del df è la candela in corso finché `now < ts[-1]+bar_ms`), buf dall'ATR della stessa barra;
+fill al prezzo corrente (≈ stress lag_close_exit, OK in exit-lab); TP intrabar invariato. La concausa
+feed-gap NON è mitigabile lato exit (fill reali ≈ sim) e l'entry-guard post-flat è BOCCIATA (skippare
+i segnali dopo barre flat PEGGIORA tutti gli sleeve ETH: la candela-gap è l'overshoot che la fade
+fada). Aggiunto alert Telegram `STALE_FEED` (≥2 barre 1h flat → notifica + gap % al risveglio, solo
+osservabilità). Diario `docs/diary/2026-06-05-confirm-sl-forming-bar.md`.
+
+**EXIT-16 close-confirm SL (ATTIVO LIVE, 2026-06-04; esteso a DIP01 il 2026-06-07).** Le fade E
+DIP01 accettano `sl_confirm_atr` (live: 0.5 in `_defs.py`): lo SL **intrabar è disattivato** e lo stop scatta solo se il **CLOSE** della barra
+sfonda `sl ∓ 0.5·ATR14`, con uscita al close (TP intrabar al livello e max_bars invariati; in modalità
+confirm il TP ha priorità nel bar). Scoperta della ricerca exit-lab (34 agenti, 23 famiglie esplorate +
+10 verifiche avversariali + test PORT06): **gli stop intrabar da wick sono falsi negativi** — l'overshoot
+che buca lo stop e rientra è esattamente il movimento che la fade fada. Verificato: indipendente dal
+loss-guard Hurst, plateau buffer 0.4-1.0, regge fee 2x/lag/slippage, coda ≈ base nei crash veri (FTX:
++2.4% vs −39% del no-SL puro). **PORT06: FULL Sharpe 6.47→7.84 DD 4.10→2.60, OOS Sharpe 8.82→10.06 DD
+1.30→1.15.** La famiglia "cavalca il prezzo" (trailing/ride/partial-runner, 15 varianti) è invece tutta
+SCARTATA: oltre il TP=media non c'è coda (4ª conferma). Collaterali: l'engine intrabar filla gli stop
+"al livello" anche su gap-through (54% dei casi per stop tight) → bias PRO stop-stretti nelle ricerche
+future; mai deployare strategie con `sl=0` (il fallback −2% del worker non si applicherebbe). Harness
+riusabile `scripts/analysis/exit_lab.py` + policy in `exit_policies/`. Implementazione: `fade_base.backtest`
++ `StrategyWorker.tick` (param `sl_confirm_atr`, None = comportamento storico; il backtest canonico
+`build_everything` resta NON filtrato → il live farà meglio del backtest, come per il loss-guard).
+Diario `docs/diary/2026-06-04-exit-lab.md`.
+
 **Portafoglio.** Diversificare su sotto-conti indipendenti equipesati (le 4 strategie
 × BTC/ETH, pos 0.15 ciascuno) abbatte il DD aggregato: ~14% full / ~10% OOS sul
 paniere di 8 sleeve, contro il 20-70% del singolo. È la vera leva anti-drawdown.
@@ -157,7 +288,14 @@ quest'ultima riconferma la dominanza mean-reversion). Due edge reali:
   (Sharpe 4.36), LTC/ETH (3.08), ADA/ETH (2.69), BTC/LTC (2.36, robusta anche 4h), ETH/SOL
   (1.96, la più debole). Pattern: sempre alt-liquido vs major. Plateau confermato
   (heatmap 20/20 Sharpe>1) + walk-forward (ETH/BTC 11/12 finestre+). **BNB/ETH scartata**
-  (overfit). Corr col mercato ~0.02-0.08. Fee su **2 gambe** (worker da estendere). Verifica: `pairs_research.py`.
+  (overfit). Corr col mercato ~0.02-0.08. Fee su **2 gambe**: worker live implementato
+  (`src/live/pairs_worker.py`, sezione `pairs:` in `strategies.yml`). LOGICA validata
+  (`validate_worker_pairs.py`: replay == backtest ESATTO). LIVE (`live_smoke_pairs.py`,
+  smoke reale Cerbero): **tutte e 5 le coppie con feed live fresco**. Naming Deribit:
+  BTC/ETH = `<COIN>-PERPETUAL` (inverse); alt = `<COIN>_USDC-PERPETUAL` (lineari USDC,
+  storia dal 2022). Trappola: `LTC-PERPETUAL`/`SOL-PERPETUAL` danno vuoto/dati errati →
+  usare sempre `_USDC-PERPETUAL`. Resta da verificare solo liquidità/fill in esecuzione.
+  Verifica edge: `pairs_research.py`.
 - **TSM01** (`scripts/analysis/tsmom_research.py`): TSMOM multi-orizzonte 3/6/12m + risk-off,
   **gross 0.30**, distinto da ROT02 (corr 0.62), DD 15-22%, mai un anno negativo. Robusto
   (36/36 config OOS+) ma diversificatore, non motore di ritorno (rende meno di ROT02).
@@ -167,8 +305,73 @@ grande (`scripts/analysis/combine_v2.py`). **Numeri sobri onesti** (l'OOS singol
 è regime calmo → ottimistico ~50%): worst-DD su 90g rolling **~6%** (non 2.3%), Sharpe
 atteso **~5** (mediana semestrale), ogni anno positivo dal 2021, regge **leva 2x +
 slippage doppio** (CAGR 36%, Sharpe 5.1). Config robusta raccomandata: **MASTER-esteso
-equal-weight, leva 2x, cap pairs ~30-35%** (i pairs sono ~57% del rischio e non ancora
-validati col worker live a 2 gambe). La confluenza multi-TF è stata SCARTATA (overfit).
+equal-weight, leva 2x, cap pairs ~30-35%** (i pairs sono ~57% del rischio; worker live a
+2 gambe implementato, validato e con feed live su tutte e 5 le coppie — resta da
+verificare liquidità/fill in esecuzione reale). La confluenza multi-TF è stata SCARTATA (overfit).
+
+**Pattern del segnale per FORMA (branch `shape_patterns`, 2026-05-29).** Esplorate 5 famiglie
+di *shape forecasting* con agenti paralleli su harness onesto (`scripts/analysis/shape_lab.py`:
+analog kNN causale, no-look-ahead verificato). **4/5 sono RUMORE** (riconfermano la dominanza
+mean-reversion): analog kNN sulla forma grezza (solo BTC-overfit), encoding candele
+UP/DOWN/DOJI+body/shadow (hit-rate ~50%), DTW+template geometrici (DTW *peggiora* l'euclidea;
+template overfit), PIP/pivot/zig-zag (0/48 robuste). Vedi `scripts/analysis/shape_*_research.py`.
+- **SH01 Shape-ML** (`scripts/strategies/SH01_shape_ml.py`): UNICO edge. Una LogisticRegression
+  legge 17 feature di forma (body/shadow, rendimenti, pendenza/curvatura, pos max/min, RSI,
+  estensione) e predice il segno del rendimento a H barre in **walk-forward** (scaler+modello
+  solo sul passato, no leakage). Config **W24 H12 th0.58**. A differenza dello squeeze
+  **regge fee 0.20% RT**. Win-rate ~50% → l'edge è nell'**asimmetria**, non nella frequenza.
+  Validazione (`scripts/analysis/shape_ml_validate.py`): BTC robusto OVUNQUE (expanding +219%/
+  OOS +42% Sharpe 2.72 8-9 anni; rolling 2y +166%/+96%; stress 2x+slippage OK), ETH/ADA
+  robusti solo expanding (secondari), LTC/SOL/XRP scartati. Griglia: **5/27 celle robuste su
+  cresta stretta W24/H8-12** → overfit moderato, scelta la config conservativa. **Valore vero:
+  diversificatore** (corr +0.08 col MASTER); aggiungerlo migliora l'OOS del MASTER (Sharpe
+  4.33→5.10, DD 4.7%→4.2%). NON motore standalone. **LIVE (2026-06-01): gira come StrategyWorker
+  reale** (vedi fix wiring sotto in SCOPE LIVE). Diario: `docs/diary/2026-05-29-shape.md`.
+
+**ARGO / GEX opzioni (analisi 2026-06-01, SCARTATO).** Valutato ARGO (lettura del gamma-exposure dei
+dealer Deribit) come filtro di regime. Esito **NO-GO**: il net-GEX si calcola live (Deribit mainnet
+public API, OI reale ~368k contratti, DVOL/funding storici gratis) ma **lo storico per-strike dell'OI
+non è gratuito → non backtestabile OOS** (stesso muro delle opzioni W18/19/21). Niente evidenza crypto,
+segno fragile, mercato dominato dai perp. Diario `docs/diary/2026-06-01-argo-gex-feasibility.md`.
+
+**Storico opzioni REALE da cerbero-bite (2026-06-09, il muro ARGO è caduto per il periodo recente).**
+Il container **cerbero-bite** (accanto, `/opt/docker/cerbero-bite`) accumula in continuo lo **storico
+per-strike** della catena opzioni Deribit (BTC+ETH) nella tabella `option_chain_snapshots` del suo
+SQLite (`bite-data:/app/data/state.sqlite`, root-only): bid/ask/mid/**IV per-strike**/greche/OI/volume,
+**dal 2026-05-01**, cadenza ~12 min (~110k righe/asset). È esattamente il dato che ARGO/W18-21
+credevano non-gratuito. `scripts/analysis/options_fetcher.py` lo importa via `docker exec` →
+`data/options/{eth,btc}_chain.parquet`; `scripts/analysis/options_chain.py` (`OptionChain`) espone
+loader + `skew_curve()` / `premium_levels()` (aggregati ROBUSTI) + `quote()` causale best-effort.
+**Caveat granularità:** cerbero-bite snapshotta una **fetta rotante** (~1 scadenza per ciclo) → ottimo
+per skew/premi **aggregati**, limitato per il pricing **per-trade** preciso (usare la finestra di
+staleness). **Pannello regime `market_snapshots`** (anch'esso importato → `data/options/market_snapshots.parquet`,
+loader `options_chain.load_market(asset)`; merge causale su prezzo via `options_chain.attach_market(df, asset)`):
+feature REALI pre-calcolate — **spot, dvol, realized_vol_30d, iv_minus_rv (VRP), funding perp/cross,
+`dealer_net_gamma` (net-GEX dealer!), `gamma_flip_level`, oi_delta_pct_4h, liquidation_long/short_risk**.
+È il segnale ARGO/GEX che il progetto dichiarò non-backtestabile: ora accumula, reale e allineato (lo
+`spot` elimina il proxy ATM). **Copertura reale:** spot/dvol dal 2026-03-26 (sparse/daily fino a fine
+aprile), **net-GEX denso orario solo da ~2026-05-01** → ~5-6 settimane, **un singolo regime calmo**:
+analisi esplorativa OK ma NIENTE edge validabile ora (i prior GEX/VRP non si replicano su 9 sett.;
+`liquidation_risk` costante 'low'). Valore FORWARD: rivalutare quando il pannello attraversa
+gamma-flip/liquidazioni/crash con held-out. **NB look-ahead:** usare `attach_market` (merge_asof
+causale, NaN prima della copertura), MAI `astype(int64)` su un timestamp datetime (darebbe ns →
+match all'ultimo snapshot = leak). **Numeri reali misurati (ETH):** skew put 10% OTM = **×1.1** (liquido, spread ~7%, NON ×1.6
+come sembrava da un singolo snapshot a 1g, illiquido); premio reale put 10% OTM ≈ **1.0%/mese** (0.65%/sett),
+catastrofe 15%+ OTM ≈ 0.33%/mese. **Vincolo strutturale:** gli strike **10% OTM a 24h NON esistono**
+(Deribit lista solo near-ATM sui tenor corti) → un overlay **per-trade a 24h è infattibile**; l'unica
+struttura eseguibile è una **put settimanale/mensile standing** (catastrofe-cap di sleeve), da gateare
+coi premi reali. Vedi `docs/diary/2026-06-08-mr02eth-replace-search.md`.
+
+**Frattali del segnale × Regime ARGO (ricerca 100 agenti, 2026-06-02, RECORD).** Cercata una strategia
+che combini un segnale frattale (Hurst/Higuchi/Williams/analog) con un gate di regime (DVOL/VRP/funding).
+Infrastruttura riusabile: `scripts/analysis/regime_fetcher.py` (DVOL+funding da Deribit mainnet →
+**`data/regime/`**, NON `data/raw/` che è solo OHLCV) e `regime_lab.py` (feature regime+frattali causali,
+cache, harness netto-OOS). Esito: **15 strategie robuste e causali, ma NESSUNA batte/migliora il PORT06**
+(diversificatori sovrapposti alle fade). **Finding: il prior ARGO "VRP>0=range=fade" è SMENTITO** —
+l'edge è su **VRP<0 + DVOL bassa**. Il vincitore `FR01_hurst_calm_fade.py` è robusto ma DILUISCE il
+PORT06 (OOS Sharpe 8.89→8.72) → **non deployato** (in `scripts/strategies/` ma NON in MODULE_MAP/yml).
+Il sottoprodotto utile è stato il **loss-guard Hurst** (vedi sopra), che invece MIGLIORA il PORT06.
+Diario `docs/diary/2026-06-02-fractal-argo-search.md`.
 
 **Metodologia obbligatoria per ogni nuova strategia** (per non ripetere l'errore squeeze):
 1. Ingresso eseguibile: direzione e prezzo decisi con dati **fino a `close[i]`**, mai `close[i-1]` con direzione da `i`.
@@ -184,14 +387,141 @@ ma quei numeri sono backtest a leva 3x su 8 anni e includono anni eccezionali (e
 ETH 2024). Stima onesta: il target è *plausibile* su un portafoglio diversificato di
 queste fade, ma va confermato col paper trader live prima di rischiare capitale reale.
 
+## Portafogli
+
+- Un `Portfolio` è un oggetto di prima classe (`src/portfolio/`) con definizione (sleeve + schema pesi) e due facce sulla **STESSA** definizione: `.backtest()` (riusa il builder unico di `sleeves.py` → parità esatta con `report_families`) e live (`PortfolioRunner`: capitale pool condiviso, sizing per peso, ribilancio giornaliero, ledger aggregato in `data/portfolios/{code}/`).
+- **Schemi peso:** `equal` (default), `cap` (tetto per famiglia, es. pairs 33% — config raccomandata), `inverse_vol`, `cluster_rp` (equal fra cluster naturali poi inverse-vol intra-cluster), `manual`. Definiti in `weighting.py`; la chiave cap è la famiglia (PAIRS/FADE/HONEST/SHAPE/TSM/XSEC).
+- **Default `portfolios.yml`:** PORT06 (master+shape), `weighting=cap pairs 0.33 + shape 0.0588`, leva 2x, ribilancio 1D. Backtest PORT06 canonico (dati al 2026-05-28, pre-cap-shape): FULL Sharpe 6.47 DD 4.10% / OOS Sharpe 8.82 DD 1.30%; **con EXIT-16 close-confirm (config live attuale): FULL 7.84 / 2.60%, OOS 10.06 / 1.15%** (i vecchi 6.07/8.19 erano pre-loss-guard/pre-refresh dati). Col cap SHAPE (2026-06-05): FULL 6.43 / 3.96%, OOS 8.58 / 1.36% — assicurazione sulla coda SH01, vedi sotto. Col BLEND ETH/BTC 15m (2026-06-09, v1.1.16, vedi sotto): FULL 7.20 / 3.68%, OOS 9.66 / 1.31% — 18 sleeve. **Con XS01 (2026-06-09, vedi sotto): OOS Sharpe 10.07, FULL DD 3.46 — 19 sleeve** (pool live real-only 15; i 4 book multi-asset TR01/ROT02/TSM01/XS01 girano in statistica).
+- **XS01 — Cross-Sectional Reversion (ATTIVO LIVE 2026-06-09; dispersion-gate v1.1.20, 2026-06-10).**
+  Famiglia nuova XSEC, distinta da pairs (pairwise) e fade (single-asset): ogni `hold=12` ore
+  classifica 8 crypto (UNIVERSE8) per rendimento a `lb=48` ore e va long i perdenti relativi /
+  short i vincenti (peso ∝ −(ret − media cross-section)), market-neutral gross 1, fee 0.20%
+  RT/book (turnover 2). Scorrelato ~0 da pairs e fade. FULL Sharpe ~3.3, plateau lb 12-72 ×
+  hold 6-24; cost-sensitive (muore a ~0.35% RT/book). Gate PORT06: OOS Sharpe 9.66→10.07,
+  FULL DD 3.68→3.46. **Dispersion-gate** (`disp_min=0.0313` = p50 TRAIN): entra solo se la
+  std cross-section del momentum ≥ soglia — diagnostica monotona TRAIN+OOS, plateau p30-p70,
+  standalone Sharpe 2.50→3.46 (regge fee 2x), PORT06 OOS 10.07→10.37 a DD pari. Come
+  trend/hurst sulle fade, il gate agisce SOLO sul path live (backtest canonico non filtrato
+  → il live farà meglio del backtest). 8 gambe → PAPER (niente esecuzione reale a €2k).
+  Worker `CrossSectionalWorker` validato (`validate_xsec_worker`: replay == backtest esatto).
+  **PHASE-TRANCHING (2026-06-11, `tranches=3`)**: la fase del roll non-sovrapposto è arbitraria
+  e da sola muove Sharpe daily FULL 1.52-2.33 / DD 13.8-33% (timing-luck) → live gira con 3
+  sub-book sfasati di hold/3 su capitale comune (PnL/K), ensemble di fase SENZA parametri
+  fittati. Gate `xs01_tranche_gate.py`: plateau K=2 E K=3 promossi (PORT06 OOS Sh 10.07→10.15,
+  DD 1.48→1.38, FULL pari); validatore esteso (K=1 == xsec_sim esatto; K=3 == unione fasi
+  0/4/8 esatto). Solo path live (backtest canonico single-phase). Strategia
+  `scripts/strategies/XS01_cross_sectional.py`, gate `scripts/analysis/xsec_port06_gate.py` /
+  `xs01_dispersion_gate.py`. NB scartata nella stessa tornata: FC01 funding-carry (nessun
+  edge su 6.5 anni). Diari `docs/diary/2026-06-09/10-*`.
+- **BLEND ETH/BTC 15m flat-skip (ATTIVO LIVE v1.1.16, 2026-06-09).** Sleeve `PR_ETHBTC_15M` accanto al 1h: pairs ETH/BTC a **15m** (n=66, z_in=1.674, z_exit=1.0, max_bars=35) a **mezza size** (`params.position_size=0.10`). **Origine: gioco "Blind Traders"** (100 agenti ciechi su BTC/ETH anonimizzati → riscoprono la mean-reversion, vincitore = spread ETH/BTC 15m; `scripts/games/`). Gate PORT06 sul serio: **non duplicato (corr 1h↔15m = 0.37)**, robusto (16/16 celle Sharpe>1), e l'edge **NON è artefatto delle candele flat ETH 15m** (16% storico; filtrandole resta l'83% dello Sharpe). Engine `pairs_research.pairs_sim_flat` con uscita **LIVE-REALIZABLE** (`flat_skip`: niente entry/exit su barre O=H=L=C, esce alla 1a barra pulita), **regression-lock** a `pairs_sim` con flat_skip=False. **Worker validato** (`validate_worker_pairs` a 15m: replay == backtest, 8452 vs 8453 trade; 1h byte-exact). Runner: fetch sub-orario diretto da Cerbero + `pos_for_spec` override **per-sleeve** (params.position_size > famiglia > globale). Mezza size perché a peso pieno il 15m pesava il 25.8% del rischio PORT06 (→ 11.5%, bilanciato col 1h) — blend-tilt prudente sul **caveat slippage** (a slippage realistico il vantaggio di Sharpe regge, quello di DD si assottiglia: il vero banco di prova è il ledger reale shadow). Diari `docs/diary/2026-06-09-pairs15m-*.md`, gate `scripts/analysis/pairs15m_port06_gate.py` / `pairs15m_gate_final.py` / `pairs15m_flatcheck.py`, smoke `pairs15m_live_smoke.py`.
+- **SH01 SENZA STOP-LOSS — by design, CONFERMATO da ricerca (2026-06-05).** Dopo il crash ETH (−15.6% su un trade SH01 live), ricerca multi-agente con harness dedicato `scripts/analysis/sh01_exit_lab.py` (cache segnali walk-forward, engine con **fill gap-aware** `worse(livello, open)`, parity esatta con explore_lab, protocollo train≤2023-11-01/OOS): **11 famiglie di stop testate (ATR intrabar/close-confirm, %, chandelier, breakeven, giveback, loser-timestop, disaster-cap close+intrabar, swing, vol-regime), 0 sopravvissute** al gate (ETH migliorato senza degradare BTC, train E oos, plateau). Pattern: ogni stop stretto abbastanza da toccare la coda ETH rompe BTC; ogni stop largo non arriva alla coda; nei crash il fill è al gap, non al livello (lo stop "protettivo" PEGGIORA la coda OOS). Mitigazione adottata: **cap famiglia SHAPE a 0.0588 in PORT06** (≈ dimezzata; costo OOS Sharpe −0.24, FULL DD −0.14pp) — la prossima coda impatta il conto per metà. NON impostare mai `sl`/`sl_confirm_atr` su SH_BTC/SH_ETH. Direzione futura: liquidity-gate sull'entry (skip dopo feed flat). Diario `docs/diary/2026-06-05-sh01-sl-research.md`.
+- **Data layer Cerbero v2:** `get_historical_v2` unificato + `get_instruments` (naming robusto) + `get_ticker_batch`. Trading su Deribit.
+- **SCOPE LIVE (fase 2 completata):** il runner esegue TUTTI gli sleeve di PORT06. Worker: single `StrategyWorker` (fade MR01/02/07, DIP01, **e SH01**), `PairsWorker` (PR01 2 gambe), e i multi-asset dedicati `BasketTrendWorker` (TR01 4h), `RotationWorker` (ROT02 1d), `TsmomWorker` (TSM01 1d). Il runner fetcha 1h da Cerbero v2 e **resampla a 4h/1d** (lookback dimensionato sui daily: TSM01 usa 252g). Validazione: runner pool/ribilancio/ledger == backtest (`validate_portfolio_runner.py`, identico); worker multi-asset == reference (`validate_honest_workers.py`: TSM01 esatto, ROT02 +1303% canonico, TR01 +32% vs +42% — residuo di convenzione capitale-unico vs media-equity; il bug `mean(rets)` sui soli asset in posizione, che dava −44%, è FIXATO il 2026-06-11: sovrappesava N/k a paniere parziale).
+- **SH01 bootstrap full-history (punto-10, 2026-06-07).** La ri-validazione col train-window del
+  regime live (`sh01_trainwindow_validate.py`) ha mostrato che SH01 a train 365g **NON è robusto**
+  (BTC fee-2x FULL −42%, ETH Sharpe −0.02, trade-rate 22-26% vs 10% validato: LogReg over-confident,
+  soglia inerte — la diagnosi sweep era esatta). L'edge è MONOTONO nella memoria: solo l'expanding
+  full-history passa il gate. Fix live: il runner passa agli sleeve `ml` la storia FULL
+  (`_with_history`: parquet locale + feed, gap-guard con WARN) e `ml_wf_entries(last_block_only=True)`
+  fitta SOLO l'ultimo blocco del walk-forward → segnali **identici per costruzione** al WF completo
+  (parity test esatto), 0.6 s/tick su 73k barre. Manutenzione: tenere fresco il parquet
+  (`download_all()`). MAI ri-tunare la soglia nel regime corto (instabile/incoerente fra asset).
+  Diario `docs/diary/2026-06-07-sh01-trainwindow.md`.
+- **FIX SH01 wiring (2026-06-01).** SH01 gira come **`StrategyWorker` NORMALE** (NON il vecchio `MLWorkerWrapper` di `multi_runner`, che usava il `SignalEngine` **squeeze SCARTATO**: apriva senza metadata ed usciva a `hold_bars=3`, ignorando del tutto SH01_shape_ml). `SH01_shape_ml.generate_signals` fa il walk-forward (retraining) internamente ad ogni tick ed emette `metadata.max_bars=12` → exit a orizzonte via `StrategyWorker.tick`. Serve ≥4000 barre 1h (`_ML_LOOKBACK_DAYS=365`). Vedi `docs/diary/2026-06-01-sh01-wiring-squeeze-bug.md`.
+- **Altri fix StrategyWorker (2026-06-01).** Exit a orizzonte puro per strategie senza TP/SL (`elif self.max_bars`, SH01 esce a H=12 non hold_bars=3); `is_win = net > 0` (win NETTO fee, non lordo); filtro `min_tp_frac` (salta micro-scalp col TP entro le fee); loss-guard `hurst_max=0.55` sulle fade (vedi sopra).
+- **Exit intrabar (fase 3, risolto):** lo `StrategyWorker` ora esce sui TP/SL toccati INTRABAR (high/low della barra, al livello, SL prioritario) come il backtest — non più solo sul close. Allinea fade/DIP01 live al backtest intrabar (`tests/portfolio/test_intrabar_exit.py`). Caveat residuo onesto: nel paper trading l'high/low usato è quello della barra in corso al poll; su un fill reale conterebbe il momento del tocco.
+- **ESECUZIONE REALE — pairs 2 gambe + SH01 (2026-06-08).** Estesa oltre i fade: i **5 pairs PR01**
+  eseguono reale a 2 gambe (`PairsExecutionClient`: open/close long A/short B, leg-risk unwind, MAI
+  close_position; `pairs_enabled: true` acceso a conto flat, v1.1.12); **SH01** (BTC/ETH) esegue
+  single-leg con exit a orizzonte H=12 — niente TP/SL, `_place_real_tp` no-op e `_real_close` chiude
+  tutto market reduce-only, disaster-bracket on-book come unica protezione di coda (v1.1.13). Motivo:
+  SH01 è il diversificatore più decorrelato (senza i 5 sleeve PAPER il DD del portafoglio sale
+  3.96→5.35%). Copertura reale ora 15 sleeve su 19 (fade+DIP+**6 pairs incl. ETH/BTC 15m**+SH01);
+  restano simulati TR01/ROT02/TSM01/XS01 (book multi-asset, bloccati dal capitale: rumore
+  arrotondamento 20-30% a €2k, serve ~€20k). Diari `docs/diary/2026-06-08-pairs-executor.md`.
+- **ESECUZIONE REALE — shadow (v1.0.3, 2026-06-03).** I **6 fade** (MR01/MR02/MR07 × BTC/ETH) eseguono ordini **REALI su Deribit testnet** accanto al fill simulato (*shadow*: sim + reale in parallelo, il sim resta la verità che guida le decisioni). `src/live/execution.py` `ExecutionClient`: `open` (market) + `close_amount` (market **reduce-only della SOLA quota del worker** — i 3 fade BTC condividono lo strumento e le posizioni si nettano per conto, quindi NON si usa `close_position` che flatterebbe le quote altrui); **verifica l'esecuzione sul TRADE** (order_id in `get_trade_history`, non sulla size netta aggregata); **fee REALI lette dai `trades[]`**. Strumenti = **lineari USDC** (`BTC_USDC`/`ETH_USDC-PERPETUAL`, amount nel base-coin, step 0.0001/0.001): scelti perché il **payoff lineare == matematica del backtest** (l'inverse `*-PERPETUAL` introdurrebbe una base 1/prezzo) e fee/PnL sono in USDC. Lo `StrategyWorker` tiene un **ledger reale parallelo** (`real_capital`, persistito) e logga `REAL_OPEN`/`REAL_CLOSE` col confronto **slippage** (prezzo sim vs eseguito) e **fee** (assunta 0.10% vs reale). Config: `portfolios.yml` → `overrides.execution {enabled, sleeves:[MR01,MR02,MR07,DIP01], instruments:{BTC:BTC_USDC-PERPETUAL, ETH:ETH_USDC-PERPETUAL}}` (**DIP01 aggiunto il 2026-06-04**: stesso wiring single-leg, TP resting incluso); pairs/rotation/tsmom/shape restano **simulati** (pairs richiede un executor a 2 gambe con gestione leg-risk; shape non ha TP). **Fee reali misurate = 0.05%/lato = 0.10% RT** (== assunto del backtest, su ETH; BTC inverse era ~0.094%). **Alert Telegram:** `REAL_EXEC_LIVE` (primo ordine reale verificato per worker) + `REAL_OPEN_FAIL`. Smoke (testnet, €0): `scripts/analysis/live_exec_smoke.py` (layer: ordine→verifica→fee) e `live_shadow_smoke.py` (catena worker open/close). **Capitale live portato a 2000** (notional fade ~$35) per ridurre il rumore di arrotondamento su BTC (step lineare ~$6.7). NB: ledger reale ≠ ledger sim — i worker già in posizione sim a un restart non hanno quota reale corrispondente; lo shadow reale parte pulito dalla prossima apertura.
+- **Disaster-bracket on-book + alert outage (v1.1.4, 2026-06-07).** A ogni `REAL_OPEN` dei fade
+  eseguiti il worker piazza uno **STOP_MARKET reduce-only a ~−30%** dall'ingresso (trigger sul mark,
+  `ExecutionClient.place_disaster_sl`, cancellato in `_real_close`): assicurazione per gli outage
+  (poll-loop fermo = exit non valutati), in operatività normale non scatta mai → 0 costo Sharpe.
+  Config `overrides.execution.disaster_sl_pct` (0.30; 0=off). NB: il `set_stop_loss` di cerbero-mcp
+  è un `private/edit` (solo ordini APERTI) → inutilizzabile su market fillati; la cancel di un
+  trigger order risponde `untriggered` (= successo, verificato testnet). Alert Telegram `FEED_OUTAGE`
+  dopo 5 poll falliti consecutivi (con elenco posizioni reali aperte) + notifica di ripresa. I fix
+  di parità della stessa tornata (v1.1.3): TR01 fee×leva + forming-bar TR01/Pairs + WARN
+  `PANEL_SHORT` su TSM01/ROT02; `hourly_report` ora mostra i multi-asset (sezione MULTI-ASSET).
+  Diario `docs/diary/2026-06-07-sweep-fixes.md`.
+- **VERITÀ CONTABILE su netting di conto (v1.1.24, 2026-06-11, da audit live).** Il modello
+  "quote per-worker con reduce-only" si rompe quando worker dello stesso strumento hanno
+  direzioni OPPOSTE (pairs long ETH vs fade short ETH): Deribit cappa/respinge i reduce-only
+  in silenzio. L'audit ha trovato: close fillato 0.078 ma bookato 0.105 (`Fill.amount` era il
+  RICHIESTO), 3 gambe pairs mai eseguite col PnL sim sommato al ledger reale (gamba orfana sul
+  conto, ETH/SOL di fatto short nudo), e il conto short 0.027 ETH più dei libri (riallineato a
+  mano). Fix: (1) `Fill.filled_amount` (fonte `order.filled_amount`) usato da TUTTI i ledger;
+  (2) `REAL_CLOSE_PARTIAL` (log+alert) quando il close filla meno del residuo; (3) pairs:
+  PnL bookato SOLO per le gambe verificate, gamba respinta → `orphan_legs` persistito +
+  alert `PAIR_LEG_ORPHAN`, `applied` solo con ENTRAMBE le gambe (altrimenti sim_fallback
+  dichiarato); (4) `REAL_DIVERGENCE` anche su jsonl (prima solo Telegram); (5) runner:
+  tick isolato per-worker (un'eccezione non salta gli altri; alert `WORKER_ERROR_STREAK` a 5).
+  **RISOLTO in v1.1.25 col NETTING delle chiusure**: `close_amount` tenta il reduce-only
+  (sicurezza storica: un bug di stato filla 0) e riesegue il RESIDUO cappato/respinto in
+  **market puro** — che muove il conto esattamente del delta del libro, cioè netta contro le
+  quote opposte → niente più gambe orfane/close cappati per costruzione (copre anche i pairs
+  via `close_pair`). Il chiamante riceve UN Fill combinato (prezzo medio pesato, fee sommate,
+  `notes` con 'netting'); evento `NET_CLOSE` (log+Telegram) a ogni fallback. La sicurezza
+  persa sul residuo è coperta dal **reconciler orario** (`reconcile_account.py`, cron host
+  :40, alert `ACCOUNT_DRIFT`): conto vs Σ libri+orfani, tolleranza 1.5×step, anti-race.
+  `orphan_legs`/`REAL_CLOSE_PARTIAL` restano come ultima difesa (se fallisce anche il market
+  puro). Test `tests/portfolio/test_netting_close.py`.
+- **TP_PHANTOM — il tocco TP va confermato dal book reale (v1.1.23, 2026-06-11).** Il feed
+  testnet stampa wick anomali che (a) generano segnali fade su ETH e (b) "toccano" il TP
+  intrabar della stessa barra: il sim bookava +4% fantasma a bars_held=0 e `_real_close`
+  chiudeva A MERCATO una posizione il cui resting TP non aveva mai fillato (−fee/spread a
+  giro, 14 giri l'11-06, report Telegram 26/0 vs reale 11/15 — fix conteggio in v1.1.22).
+  Gate in `StrategyWorker._tp_phantom` (zero parametri, verita' d'esecuzione, NON un filtro
+  di strategia): tocco sim + **resting LIMIT a zero fill** + prezzo corrente che non ha
+  raggiunto il livello → exit SOPPRESSA (il limit sul book reale e' l'oracolo: se il prezzo
+  avesse scambiato li', avrebbe fillato); SL close-confirm e max_bars restano attivi.
+  Fill (anche parziale) o prezzo oltre il livello o worker non eseguito → comportamento
+  storico. Fail-open su errori di rete. Log `TP_PHANTOM` dedup per barra + alert Telegram.
+  Test `tests/portfolio/test_tp_phantom.py`.
+- **TP reale = LIMIT reduce-only AL LIVELLO (2026-06-04).** Misurati +235 bps di slippage medio sulle uscite take-profit market-on-poll (sim esce al livello intrabar, il reale chiudeva al poll post-rimbalzo: sim +11.85 vs reale +0.62 USD sui primi 7 close). Fix: a ogni `REAL_OPEN` il worker piazza un **limit reduce-only al TP** (`ExecutionClient.place_tp_limit`, prezzo quantizzato al tick, SOLA quota del worker) → `REAL_TP_RESTING`; a ogni chiusura sim `_real_close` **cancella il resting → riconcilia i fill (anche parziali) via `get_trade_history` per order_id → market reduce-only solo del residuo** → ledger su prezzo combinato. `real_tp_order_id` persistito in `status.json` (resume-safe). Lo **SL resta market-on-poll** (deliberato: i trigger Deribit generano un nuovo order_id al trigger → fill non verificabile per order_id; e sul SL il rimbalzo lavora a favore). Fill da resting = fee **maker ~0%**. Smoke: `live_shadow_smoke.py` (2 scenari, testnet). Diario `docs/diary/2026-06-04-shadow-divergence.md`.
+- **position_size per-famiglia (2026-06-07).** `portfolios.yml` accetta `position_size_family`
+  (chiave = `weighting.family_of`); plumbing `runner.pos_for_spec`. **PAIRS a 0.20** (esposizione
+  0.40 ≈ il validato 0.45): la famiglia è senza stop e col globale 0.5×lev2 girava a ~2.2x il
+  validato (ETH/BTC DD grezzo 78% a quella taglia). PORT06 OOS DD 3.40→1.26% al costo di OOS
+  Sharpe 9.05→8.43 — assicurazione come il cap SHAPE. Gate `pairspos_port06_impact.py`,
+  diario `docs/diary/2026-06-07-pairspos-gate.md`. NB (2026-06-11): il **disaster-cap sullo
+  z** (exit se |z|≥z_stop, griglia pre-registrata 3.0-5.0 su tutte le coppie) è **BOCCIATO**
+  — coda e Sharpe OOS peggiorano ovunque (lo stop realizza la perdita al massimo overshoot e
+  l'engine rientra nello spread divergente: churn di fee), **5ª conferma** che gli stop su
+  mean-reversion sono falsi negativi. Record `scripts/analysis/pairs_zstop_research.py`,
+  diario `docs/diary/2026-06-11-stability-sweep.md`.
+- **REAL-TRUTH ledger (2026-06-10, scelta utente).** Con `overrides.execution.real_truth: true`
+  (ATTIVO) il `capital` dei worker eseguiti si aggiorna col **PnL dei FILL REALI** (fee reali
+  incluse) invece del PnL sim: `_real_close`/`_real_close_pair` ritornano `(real_pnl, applied)` e
+  `_close_position`/`_close` applicano il reale al ledger; il sim resta SOLO diagnostica nel log
+  CLOSE (`pnl_source`/`sim_pnl`/`real_pnl`). Fallback al sim dichiarato (`pnl_source=sim_fallback`)
+  solo se il trade reale non è mai esistito/fillato (REAL_OPEN_FAIL/leg-fail). Equity → pesi →
+  allocazioni → notional derivano così dai soldi veri sul conto (il notional reale era GIÀ la
+  formula sim `capital·ps·lev`; il gap storico sim/reale era contabile: ledger separati + spike
+  print delle candele testnet che il sim bookava e il reale no). Le DECISIONI (entry/exit) restano
+  guidate dal feed; i multi-asset (TR01/ROT02/TSM01/XS01) restano sim per costruzione. Test:
+  `tests/portfolio/test_real_truth.py`. Diario `docs/diary/2026-06-10-real-truth-ledger.md`.
+- **Limite noto:** al ribilancio le posizioni APERTE restano sul loro notional (non travasate); fedele al backtest daily-rebalanced entro il turnover infragiornaliero.
+
 ## Multi-Strategy Paper Trader
 
 Orchestratore che esegue N strategie in parallelo su dati live Cerbero, ognuna con €1000 USDC virtuali indipendenti.
 
-**Config:** `strategies.yml` — lista strategie con asset, tf, sizing, parametri. Attualmente solo MR01 (BTC/ETH 1h).
-**Persistenza:** `data/paper_trades/{strategy}___{asset}__{tf}/` con `trades.jsonl` (append-only) + `status.json` (resume al restart, include tp/sl/max_bars).
+**Config:** `strategies.yml` — due sezioni: `strategies` (single-leg: fade/honest) e
+`pairs` (a 2 gambe). Attive: 6 fade (MR01/MR02/MR07 × BTC/ETH) + 5 coppie PR01.
+**Due worker:** `strategy_worker.py` (single-leg) e `pairs_worker.py` (2 gambe,
+long A / short B sullo z-score del log-ratio, fee su 2 gambe).
+**Persistenza:** `data/paper_trades/{worker_id}/` con `trades.jsonl` (append-only) + `status.json` (resume al restart).
 **Hot-add:** aggiungi riga YAML → `docker compose restart` → storico intatto.
-**Exit strategia:** se un `Signal` porta `tp`/`sl`/`max_bars` in `metadata` (come MR01), il worker esce su take-profit/stop-loss/time-limit a quei livelli; altrimenti usa il fallback `hold_bars`/stop -2%.
+**Exit strategia:** se un `Signal` porta `tp`/`sl`/`max_bars` in `metadata` (come le fade), il worker esce su take-profit/stop-loss/time-limit; i pairs escono su |z|≤z_exit o max_bars.
+**Naming Deribit (feed live):** major = `<COIN>-PERPETUAL` (inverse); alt = `<COIN>_USDC-PERPETUAL` (lineari USDC). Vedi INSTRUMENT_MAP in `multi_runner.py`.
 **Notifiche:** Telegram per ogni trade (richiede `.env` con `TELEGRAM_BOT_TOKEN` e `TELEGRAM_CHAT_ID`).
 
 ## Convenzioni

Dockerfile

@@ -8,9 +8,11 @@ COPY pyproject.toml uv.lock ./
 RUN uv sync --frozen --no-dev
 
 COPY src/ src/
-COPY scripts/strategies/ scripts/strategies/
-COPY strategies.yml strategies.yml
+COPY scripts/ scripts/
+COPY strategies.yml portfolios.yml VERSION ./
 
 VOLUME /app/data
 
+# Default: paper trader multi-strategia. Il servizio "portfolio" in docker-compose
+# sovrascrive il command per il runner a portafoglio (src.portfolio.runner).
 CMD ["uv", "run", "python", "-m", "src.live.multi_runner"]

README.md

@@ -4,7 +4,7 @@ Sistema di riconoscimento pattern frattali e predizione per il trading di cripto
 
 ## Obiettivo
 
-Partendo da un capitale iniziale di €1.000, raggiungere un profitto medio di €50 al giorno entro 6–8 mesi, tramite strategie algoritmiche che combinano analisi frattale, squeeze di volatilità e machine learning.
+Partendo da un capitale iniziale di €1.000, raggiungere un profitto medio di €50 al giorno entro 6–8 mesi, tramite un portafoglio di strategie algoritmiche poco correlate fra loro — mean-reversion, trend/rotazione e spread market-neutral — validate out-of-sample e fee-aware.
 
 ## Risultati
 
@@ -15,18 +15,42 @@ Partendo da un capitale iniziale di €1.000, raggiungere un profitto medio di
 > ingresso onesto (`close[i]`) e fee reali, l'edge sparisce e tutte perdono, anche
 > a fee zero. Dettagli e prove: `scripts/analysis/oos_validation.py`.
 
-Dopo una validazione **out-of-sample, fee-aware** di tutte le famiglie, l'unica con
-edge netto reale è il **mean-reversion** (i breakout *rientrano*, non continuano):
+Dopo una validazione **out-of-sample, fee-aware** di molte famiglie di strategie,
+emergono cinque famiglie con edge netto reale, tutte radicate nella stessa lezione
+(in cripto la **mean-reversion** funziona, la continuazione no) o nella diversificazione:
 
-| Codice | Strategia | Mercato | Edge OOS netto | Max DD | Robustezza |
-|--------|-----------|---------|----------------|--------|------------|
-| **MR01** | Bollinger Fade (mean-reversion) | BTC 1h | **+196 / +201%** | 15% | ✅ |
-| **MR01** | Bollinger Fade (mean-reversion) | ETH 1h | **+251%** | ~25% | ⚠️ DD alto |
+| Famiglia | Meccanismo | Strategie | Profilo (netto OOS) |
+|----------|-----------|-----------|---------------------|
+| **FADE** | mean-reversion intraday 1h (long/short, BTC/ETH) | MR01 Bollinger, MR02 Donchian, MR07 Return-reversal | Acc 52-55%, DD 18-34% |
+| **HONEST** | long-only multi-regime multi-crypto | DIP01 dip-buy, TR01 EMA-trend, ROT02 dual-momentum | CAGR 31-56%, DD 15-27% |
+| **PAIRS** | spread reversion *market-neutral* (2 gambe) | PR01 ETH/BTC, LTC/ETH, ADA/ETH, BTC/LTC, ETH/SOL | Sharpe 2.0-4.4, corr col mercato ~0.05 |
+| **TSMOM** | time-series momentum multi-orizzonte | TSM01 (3/6/12m + risk-off) | diversificatore, DD 15-22% |
+| **SHAPE** | ML walk-forward su feature di *forma* del prezzo | SH01 (LogisticRegression, orizzonte 12 barre) | diversificatore, corr +0.08 col resto |
 
-Netto dopo **fee realistiche Deribit 0.10% RT** (taker), leva 3x, pos 15%, su finestra
-held-out (nov 2023→mag 2026). MR01 è positivo su **tutta** la griglia parametri
-(`n∈{14,20,30,50}` × `k∈{2.0,2.5,3.0}`) e per **ogni** livello di fee 0.00-0.20% RT —
-margine di sicurezza ampio, niente parametro fortunato. Ri-validato col worker live reale.
+Tutti i numeri sono **netti** dopo fee realistiche (Deribit 0.10% RT single-leg, 0.20%
+RT/coppia sui pairs), leva 3x, su finestra held-out. Le strategie sono robuste su griglia
+parametri, sweep fee 0.00-0.20% RT e — per i pairs — validate con **walk-forward** e
+config universale (niente cherry-picking).
+
+### Portafoglio combinato (la vera leva anti-drawdown)
+
+Le famiglie sono **quasi scorrelate fra loro** (~0.05). Combinandole in un unico
+portafoglio equipesato il drawdown crolla sotto quello di ogni singola sleeve:
+
+| Portafoglio | CAGR | Max DD | Sharpe |
+|-------------|------|--------|--------|
+| FADE (6 sleeve) | ~46% | 8% | 3.9 |
+| HONEST (3 sleeve) | ~46% | 13% | 2.2 |
+| **MASTER** (FADE + HONEST, 9) | ~47% | **5%** | 4.2 |
+| **MASTER + PAIRS + TSM01** (15) | ~67% | ~5% | ~6 |
+| **PORT06 live** (17 sleeve, cap pairs 33%, leva 2×, config EXIT-16) | ~79% | **2.6%** | 7.8 (FULL) / 10.1 (OOS) |
+
+> 🔎 **Numeri sobri (anti-overfit).** L'OOS singolo cade nel regime favorevole 2024-25:
+> i valori di Sharpe/DD sopra sono ottimistici di circa il 50%. Da pianificare per le
+> decisioni: **Sharpe atteso ~5**, **worst-drawdown su 90 giorni ~6%**, profilo che regge
+> a leva 2x con slippage raddoppiato. Configurazione raccomandata: equal-weight, leva 2x,
+> con un cap sull'allocazione ai pairs (~30-35%, poiché concentrano ~57% del rischio).
+> Tutto resta da confermare nel paper trading live.
 
 ## Come funziona
 
@@ -42,6 +66,21 @@ di prezzo **rientrano verso la media** più di quanto proseguano:
 
 Nessun look-ahead: direzione e livelli sono calcolati con dati fino a `close[i]`.
 
+### Le altre famiglie
+
+- **FADE** (oltre MR01): MR02 fada la rottura del canale Donchian verso il centro;
+  MR07 fada il movimento di barra estremo misurato in deviazioni standard dei
+  rendimenti. Stessa logica di reversione, indicatori indipendenti.
+- **HONEST** (long-only, multi-crypto): DIP01 compra i dip estremi e rivende al
+  recupero; TR01 segue il trend con incrocio di EMA su un paniere; ROT02 ruota ogni
+  giorno sui tre asset col momentum più forte, andando in cash quando BTC è sotto la
+  sua media (risk-off). Coprono i regimi di trend e rotazione, complementari alle fade.
+- **PAIRS** (market-neutral): scommette sul rientro verso la media del log-ratio fra
+  due cripto (z-score). Long su una, short sull'altra: l'esposizione netta al mercato è
+  quasi nulla (correlazione ~0.02), il che la rende un diversificatore eccellente.
+- **TSMOM**: tiene gli asset con momentum positivo persistente su più orizzonti
+  (3/6/12 mesi), con overlay risk-off. Rende meno ma è poco correlato, utile in ensemble.
+
 ### Perché lo squeeze breakout è stato abbandonato
 
 L'ipotesi originale era opposta — *continuazione* dopo la compressione di volatilità
@@ -70,20 +109,30 @@ PythagorasGoal/
 │   ├── strategies/        # Classe base Strategy ABC + indicatori condivisi
 │   │   ├── base.py        # Strategy, Signal, BacktestResult, YearlyStats
 │   │   └── indicators.py  # keltner_ratio, detect_squeezes, ema, atr, rv, corr
-│   └── live/              # Paper trading live su Deribit testnet
-│       ├── multi_runner.py     # Orchestratore multi-strategia
-│       ├── strategy_worker.py  # Worker indipendente con stato persistente
-│       ├── strategy_loader.py  # Import dinamico classi Strategy
-│       ├── cerbero_client.py   # Client HTTP per Cerbero MCP
-│       ├── signal_engine.py    # Squeeze + ML real-time (legacy) + validazione OOS
-│       └── telegram_notifier.py
+│   ├── live/              # Paper trading live su Deribit testnet
+│   │   ├── multi_runner.py     # Orchestratore multi-strategia (strategie + pairs)
+│   │   ├── strategy_worker.py  # Worker single-leg con stato persistente
+│   │   ├── pairs_worker.py     # Worker a 2 gambe per i pairs (market-neutral)
+│   │   ├── strategy_loader.py  # Import dinamico classi Strategy
+│   │   ├── cerbero_client.py   # Client HTTP per Cerbero MCP
+│   │   ├── signal_engine.py    # Squeeze + ML real-time (legacy) + validazione OOS
+│   │   └── telegram_notifier.py
+│   └── portfolio/         # Portafogli di prima classe (capitale condiviso, backtest + live)
+│       ├── base.py        # SleeveSpec, Portfolio (.backtest), load_active_portfolio
+│       ├── weighting.py   # Schemi di ponderazione: equal, cap, inverse_vol, cluster_rp, manual
+│       ├── sleeves.py     # Builder unificato equity-per-sleeve (fonte unica, parità report)
+│       ├── ledger.py      # PortfolioLedger: PnL/DD aggregati, persistenza e resume
+│       └── runner.py      # PortfolioRunner live (Cerbero v2, sizing, ribilancio giornaliero)
 ├── scripts/
-│   ├── strategies/        # Strategie con edge validato OOS (solo MR01_bollinger_fade)
-│   ├── waste/             # Strategie scartate (W01-W28 + famiglia squeeze SQ/MT/ML/AD/CM/PD)
-│   └── analysis/          # Ricerca/validazione OOS fee-aware (strategy_research, oos_validation, ...)
+│   ├── strategies/        # Strategie con edge validato OOS (FADE, HONEST, PAIRS, TSMOM + portafogli)
+│   ├── portfolios/        # Definizioni PORT01-06 e report run() dei portafogli di prima classe
+│   ├── waste/             # Strategie scartate (squeeze SQ/MT/ML/AD/CM/PD, MR03, ROT01, W01-W28)
+│   └── analysis/          # Ricerca/validazione OOS fee-aware, gestione rischio, report
 ├── strategies.yml         # Config multi-strategy paper trader
 ├── data/
-│   └── raw/               # Parquet OHLCV (gitignored, ~70 MB)
+│   ├── raw/               # Parquet OHLCV (gitignored, ~70 MB)
+│   └── regime/            # DVOL + funding (Deribit mainnet) + cache feature regime (gitignored)
+├── VERSION                # versione semver (cotta nell'immagine, mostrata nei msg Telegram)
 ├── docs/
 │   ├── diary/             # Diario di ricerca giornaliero
 │   └── specs/             # Specifiche di design
@@ -94,32 +143,73 @@ PythagorasGoal/
 
 ## Strategie attive
 
-Tutte le strategie estendono `src.strategies.base.Strategy` (`generate_signals() → backtest()`).
+Le strategie single-asset estendono `src.strategies.base.Strategy`
+(`generate_signals() → backtest()`); i pairs hanno un worker dedicato a 2 gambe.
 
-| Codice | Script | Tipo | Descrizione |
-|--------|--------|------|-------------|
-| **MR01** | `MR01_bollinger_fade.py` | Mean-reversion | Fada la banda di Bollinger, TP alla media, SL ad ATR. Unica con edge netto validato OOS. |
+| Codice | Script | Famiglia | Descrizione |
+|--------|--------|----------|-------------|
+| **MR01** | `MR01_bollinger_fade.py` | FADE | Fada la banda di Bollinger, TP alla media, SL ad ATR |
+| **MR02** | `MR02_donchian_fade.py` | FADE | Fada la rottura del canale Donchian, TP al centro |
+| **MR07** | `MR07_return_reversal.py` | FADE | Fada il movimento di barra estremo (z dei rendimenti) |
+| **DIP01** | `DIP01_dip_reversion.py` | HONEST | Dip-buy long-only su z-score estremo |
+| **TR01** | `TR01_ema_trend.py` | HONEST | EMA 20/100 trend-following su paniere cripto (4h) |
+| **ROT02** | `ROT02_dual_momentum.py` | HONEST | Rotazione cross-sectional top-3 + risk-off (1d) |
+| **PR01** | `PR01_pairs_reversion.py` | PAIRS | Spread reversion market-neutral su 5 coppie |
+| **TSM01** | `tsmom_research.py` | TSMOM | Time-series momentum multi-orizzonte + risk-off |
+| **SH01** | `SH01_shape_ml.py` | SHAPE | LogisticRegression walk-forward su 17 feature di forma, orizzonte 12 barre (diversificatore) |
 
-La famiglia squeeze (SQ01-04, ML01, MT01, PD01, CM01, AD01) è in `scripts/waste/`:
-edge storico = artefatto di look-ahead (vedi sezione *Come funziona*).
+Le fade applicano tre protezioni live: un **filtro trend** (`trend_max`/`ema_long`,
+salta i segnali col prezzo troppo esteso rispetto alla EMA200), un **loss-guard Hurst**
+(`hurst_max=0.55`, salta i segnali in regime persistente/trending dove si concentrano gli stop-loss
+— dimezza il drawdown del portafoglio, calcolato dalle sole close) e l'**EXIT-16 close-confirm SL**
+(`sl_confirm_atr=0.5`, 2026-06-04: lo stop scatta solo se la barra *chiude* oltre `sl ∓ 0.5·ATR14` —
+gli stop intrabar da wick erano falsi negativi, l'overshoot che buca lo stop è proprio il movimento
+che la fade fada; a livello PORT06 porta l'OOS Sharpe da 8.82 a 10.06). Più un filtro `min_tp_frac`
+che scarta i micro-scalp col take-profit entro il costo delle fee. Le tre protezioni sono
+complementari: Hurst toglie il regime tossico, il trend-filter gli ingressi sovra-estesi, il
+close-confirm i falsi stop. Portafogli pronti: `PORT01`
+(honest), `PORT02` (fade), `PORT03` (master fade+honest), **`PORT06`** (master esteso, default live).
 
-Per eseguire il backtest della strategia:
+**Scartate** (in `scripts/waste/`): la famiglia squeeze (SQ01-04, ML01, MT01, PD01,
+CM01, AD01 — artefatto di look-ahead), MR03 Keltner (debole/ridondante con MR01) e
+ROT01 (dominata da ROT02).
+
+### Comandi utili
 
 ```bash
+# Backtest di una strategia
 uv run python scripts/strategies/MR01_bollinger_fade.py
-```
+uv run python scripts/strategies/PR01_pairs_reversion.py
 
-Per la ricerca/validazione fee-aware out-of-sample:
+# Ricerca e validazione fee-aware out-of-sample
+uv run python scripts/analysis/strategy_research.py      # screening famiglie + deep-dive fade
+uv run python scripts/analysis/strategy_research_v2.py   # MR02 / MR03 / MR07
+uv run python scripts/analysis/oos_validation.py         # perche' la famiglia squeeze e' scartata
+uv run python scripts/analysis/pairs_research.py         # ricerca + verifica no-look-ahead dei pairs
 
-```bash
-uv run python scripts/analysis/strategy_research.py     # screening famiglie + deep-dive MR01
-uv run python scripts/analysis/oos_validation.py        # perche' la famiglia squeeze e' scartata
-uv run python scripts/analysis/validate_worker_mr01.py  # replay del worker live su MR01
+# Gestione rischio, combinazione, report
+uv run python scripts/analysis/risk_management.py        # filtro trend + portafoglio fade
+uv run python scripts/analysis/combine_portfolio.py      # combinare fade + honest
+uv run python scripts/analysis/combine_v2.py             # master esteso con pairs + TSM01
+uv run python scripts/analysis/report_families.py        # report per anno di tutte le famiglie
+
+# Validazione dei worker live (replay == backtest)
+uv run python scripts/analysis/validate_worker_mr01.py   # worker single-leg su MR01
+uv run python scripts/analysis/validate_worker_pairs.py  # worker a 2 gambe sui pairs
+uv run python scripts/analysis/live_smoke_pairs.py       # smoke test feed live reale dei pairs
 ```
 
 ## Paper Trading Live
 
-Il multi-strategy runner esegue N strategie in parallelo su dati live da Cerbero MCP, ognuna con €1000 USDC virtuali indipendenti. Se un `Signal` porta `tp`/`sl`/`max_bars` in `metadata` (come MR01), il worker chiude su take-profit alla media / stop-loss ad ATR / time-limit; altrimenti usa il fallback `hold_bars`/stop -2%.
+Il multi-strategy runner esegue N strategie in parallelo su dati live da Cerbero MCP,
+ognuna con €1000 USDC virtuali indipendenti. Gestisce due tipi di worker:
+
+- **Single-leg** (`strategy_worker.py`): per le strategie direzionali. Se un `Signal`
+  porta `tp`/`sl`/`max_bars` in `metadata` (come le fade), chiude su take-profit /
+  stop-loss / time-limit; altrimenti usa il fallback `hold_bars`/stop -2%.
+- **Due gambe** (`pairs_worker.py`): per i pairs market-neutral. Apre long su una gamba
+  e short sull'altra, esce sul rientro dello z-score o per time-limit, conta le fee su
+  entrambe le gambe. Validato: il replay storico coincide *esattamente* col backtest.
 
 ### Avvio
 
@@ -141,19 +231,24 @@ defaults:
   position_size: 0.15
   leverage: 3
 
-strategies:
+strategies:                       # strategie single-leg
   - name: MR01_bollinger_fade
     asset: BTC
     tf: 1h
     enabled: true
-    params:
-      bb_window: 50
-      k: 2.5
-      sl_atr: 2.0
-      max_bars: 24
+    params: { bb_window: 50, k: 2.5, sl_atr: 2.0, max_bars: 24, trend_max: 3.0, ema_long: 200 }
+
+pairs:                            # strategie a 2 gambe (market-neutral)
+  - name: PR01_pairs_reversion
+    a: ETH
+    b: BTC
+    tf: 1h
+    enabled: true
+    params: { n: 50, z_in: 2.0, z_exit: 0.75, max_bars: 72, jump_max: 0.08 }
 ```
 
-Per aggiungere una strategia: nuova riga in `strategies.yml`, poi `docker compose restart`. Lo storico delle strategie esistenti rimane intatto.
+Per aggiungere una strategia: nuova riga in `strategies.yml` (sezione `strategies` o
+`pairs`), poi `docker compose restart`. Lo storico delle strategie esistenti rimane intatto.
 
 ### Persistenza
 
@@ -168,6 +263,94 @@ data/paper_trades/
 
 Notifiche Telegram per ogni trade (richiede `TELEGRAM_BOT_TOKEN` e `TELEGRAM_CHAT_ID` in `.env`).
 
+## Paper Trading a Portafoglio
+
+Accanto al multi-strategy runner originale — in cui ogni strategia gestisce autonomamente il proprio conto virtuale da €1.000 — il progetto dispone ora di un **paper trader a portafoglio** (`src/portfolio/`) che tratta l'insieme delle strategie come un unico organismo con un capitale condiviso.
+
+### Come funziona
+
+La definizione di un portafoglio (`SleeveSpec` + schema di peso) ha due facce sulla stessa sorgente dati:
+
+- **Backtest** (`.backtest()`): ricostruisce le equity-curve di ogni sleeve tramite il builder unificato in `sleeves.py`, le pondera secondo lo schema scelto e calcola le metriche aggregate (CAGR, Sharpe, max DD). La parità con i report prodotti da `report_families.py` è garantita dalla fonte unica.
+- **Live** (`PortfolioRunner`): ogni ora il runner scarica le candele aggiornate via Cerbero v2, calcola i pesi correnti, avvia i worker appropriati per ogni sleeve attiva e registra il PnL aggregato nel ledger (`data/portfolios/{code}/`). Il ledger persiste tra i riavvii.
+
+### Schemi di ponderazione
+
+Il modulo `weighting.py` mette a disposizione cinque schemi: `equal` (default), `cap` (tetto per famiglia — p.es. `pairs: 0.33` per limitare la concentrazione), `inverse_vol` (pesi inversamente proporzionali alla volatilità storica), `cluster_rp` (equal tra cluster naturali poi inverse-vol all'interno del cluster) e `manual` (pesi liberi). Lo schema si specifica in `portfolios.yml` insieme al codice portafoglio e alla leva.
+
+### Portafoglio di default: PORT06
+
+La configurazione raccomandata è **PORT06** (`scripts/portfolios/PORT06_master_shape.py`): portafoglio master esteso che include tutte e sei le famiglie (FADE, HONEST, PAIRS, TSMOM, SHAPE), con schema `cap` che limita i pairs al 33% del capitale per moderare la loro concentrazione di rischio. Backtest canonico (dati al 2026-05-28): Sharpe 6.47 (FULL) / 8.82 (OOS), drawdown massimo 4.10% (FULL) / 1.30% (OOS), leva 2×; **con la config live attuale (EXIT-16 close-confirm): Sharpe 7.84 / 10.06, DD 2.60% / 1.15%**.
+
+### Scope live
+
+Il runner esegue **tutti e 17 gli sleeve** di PORT06: **fade** (MR01, MR02, MR07 × BTC/ETH),
+**honest** (DIP01, TR01-basket 4h, ROT02-rotation 1d), **pairs** (PR01, cinque coppie),
+**TSMOM** (TSM01 1d) e **shape** (SH01 × BTC/ETH). Worker dedicati: `StrategyWorker` (single-leg, fade/
+dip/**shape**), `PairsWorker` (2 gambe), `BasketTrendWorker`, `RotationWorker`, `TsmomWorker`. Il runner
+fetcha 1h da Cerbero v2 e resampla a 4h/1d; il pool di capitale, il ribilancio giornaliero e il ledger
+sono validati == backtest.
+
+> **SH01 (2026-06-01):** gira come `StrategyWorker` normale (il walk-forward è interno a
+> `generate_signals`). Il vecchio `MLWorkerWrapper` usava il `SignalEngine` **squeeze scartato** —
+> rimosso. **Loss-guard Hurst (2026-06-02):** le fade saltano i segnali in regime persistente
+> (rolling-Hurst ≥ 0.55), dove si concentrano gli stop-loss — dimezza il drawdown del portafoglio
+> (FULL 4.1%→2.4%; stop-loss fade −67% in numero, perdite totali −68%). Calcolato dalle sole close,
+> attivo live (`hurst_max` nei params). Il report orario su Telegram **monitora lo stop-rate fade
+> prima/dopo l'attivazione** e dà il verdetto automatico quando il campione è sufficiente.
+
+### Esecuzione reale (shadow, Deribit testnet)
+
+Sette sleeve single-leg — le **6 fade** (MR01/MR02/MR07 × BTC/ETH) e **DIP01** (dal 2026-06-04) —
+eseguono ordini **reali su Deribit testnet** accanto al fill simulato (*shadow*: il sim resta la
+verità che guida le decisioni; il reale misura la fattibilità). Punti chiave:
+
+- **Strumenti lineari USDC** (`BTC_USDC`/`ETH_USDC-PERPETUAL`): payoff lineare = matematica del
+  backtest; fee e PnL in USDC. Quantizzazione `Decimal` di amount (step) e prezzi (tick).
+- **Take-profit reale = limit reduce-only AL livello** (v1.0.7): piazzato all'apertura, copre la
+  sola quota del worker (gli strumenti sono condivisi fra worker e nettati per conto); alla
+  chiusura il worker cancella il resting, riconcilia i fill dal trade history per `order_id` e
+  chiude a market solo il residuo. Fix della divergenza misurata: il market-on-poll usciva
+  +235 bps oltre il livello TP. Fill da resting = fee maker (~0%).
+- **Stop-loss close-confirm** (v1.1.0): uscita al close che sfonda il livello → market
+  reduce-only al poll (nessun ordine stop sul book, per scelta: i trigger Deribit generano un
+  nuovo order_id allo scatto, non verificabile, e i wick non devono stoppare).
+- **Verifica sul trade** (order_id in `get_trade_history`), fee reali dai `trades[]`, ledger
+  reale parallelo persistito (`real_capital`), eventi `REAL_OPEN`/`REAL_TP_RESTING`/`REAL_CLOSE`
+  nel log + alert Telegram (`REAL_EXEC_LIVE`, `REAL_OPEN_FAIL`).
+- Config in `portfolios.yml` → `overrides.execution {enabled, sleeves, instruments}`.
+  **Pairs/rotation/TSMOM/shape restano simulati**: i pairs richiedono un executor a 2 gambe
+  (leg-risk), i multi-asset un rebalance-to-target; roadmap nel diario.
+
+### Versione & deploy
+
+Ogni deploy ha una **versione** (file `VERSION`, semver) che compare nei messaggi Telegram (notifiche
+trade + report orario), così correli ogni messaggio al codice che l'ha generato. Il sorgente è **cotto
+nell'immagine** → per aggiornare il live serve un **rebuild**, non un semplice restart:
+
+```bash
+./scripts/deploy.sh           # bump patch (1.0.0 → 1.0.1) + commit + rebuild + ricrea container
+./scripts/deploy.sh minor     # 1.0.x → 1.1.0
+```
+
+Il volume `data/` persiste tra i deploy → i worker fanno RESUME dello stato (capitale, posizioni aperte).
+
+### Avvio del paper trader a portafoglio
+
+```bash
+# Backtest del portafoglio di default (PORT06)
+uv run python scripts/portfolios/PORT06_master_shape.py
+
+# Paper trading live a portafoglio
+uv run python -m src.portfolio.runner
+
+# Report orario su Telegram (stato + stop-rate fade prima/dopo loss-guard) — via cron
+uv run python scripts/portfolios/hourly_report.py
+
+# Smoke test del data layer Cerbero v2
+uv run python scripts/analysis/smoke_portfolio.py
+```
+
 ## Setup
 
 ```bash
@@ -194,12 +377,41 @@ uv run python -m src.live.multi_runner
 
 ## Dati
 
-| Asset | Timeframe | Candele | Copertura |
-|-------|-----------|---------|-----------|
-| BTC | 5m / 15m / 1h | 883K / 294K / 74K | 2018-01 → oggi |
-| ETH | 5m / 15m / 1h | 882K / 294K / 74K | 2018-01 → oggi |
+| Asset | Timeframe | Copertura |
+|-------|-----------|-----------|
+| BTC, ETH | 5m / 15m / 1h | 2018-01 → oggi |
+| SOL, LTC, ADA, XRP, BNB, DOGE | 15m / 1h | 2019-2022 → oggi (variabile per asset) |
 
-Fonte primaria: Deribit perpetual via Cerbero MCP. Fallback: Binance spot via ccxt. Formato: Apache Parquet.
+Fonte primaria: perpetual Deribit via Cerbero MCP. Fallback: Binance spot via ccxt.
+Formato: Apache Parquet (in `data/raw/`, gitignored).
+
+> **Nota sul naming Deribit (per il feed live).** I major sono perpetui *inverse*
+> (`BTC-PERPETUAL`, `ETH-PERPETUAL`); gli altcoin sono perpetui *lineari USDC*
+> (`SOL_USDC-PERPETUAL`, `LTC_USDC-PERPETUAL`, …) con storia dal 2022. Attenzione:
+> `LTC-PERPETUAL`/`ADA-PERPETUAL` non esistono e `SOL-PERPETUAL` restituisce dati
+> errati — per gli altcoin usare sempre la forma `_USDC-PERPETUAL`.
+
+### Discovery & validazione strumenti
+
+`src/data/instruments.py` scopre e **valida** gli strumenti disponibili sugli
+exchange implementati — **Deribit** e **Hyperliquid** (esclusi Alpaca/stocks e
+**Bybit**, feed testnet inaffidabile). Ogni perpetuo viene testato sui dati
+storici realmente raccoglibili: esistenza, congruenza OHLC, contratto non-morto,
+liquidità e **congruenza prezzo cross-exchange** (mediana per base-coin, tolleranza
+5%) — così feed farlocchi e contratti sbagliati (es. `SOL-PERPETUAL`=9.6) vengono
+scartati. Il risultato è `data/instruments_registry.json` (strumenti validi +
+timeframe + data d'inizio).
+
+**Solo gli strumenti validati possono essere scaricati**: il downloader ha un gate
+(`_download_cerbero_range`) che rifiuta quelli non nel registry. Rigenera con:
+
+```bash
+uv run python -m src.data.instruments
+```
+
+Simboli Deribit: BTC/ETH = `<COIN>-PERPETUAL` (inverse); altcoin =
+`<COIN>_USDC-PERPETUAL` (lineari USDC). Registry attuale (testnet): Deribit 18/106
+validi (major liquidi, BTC dal 2018), Hyperliquid 66/74.
 
 ## Riferimenti
 

STRATEGIA_GRIGLIA.md

@@ -0,0 +1,212 @@
+# Strategia di Grid Trading — Versione Corretta
+
+> Documento di specifica della strategia. Descrive *cosa* deve fare il bot e *perché*,
+> non l'implementazione. È il riferimento da cui partire per riscrivere il codice in
+> modo sicuro e testabile.
+
+---
+
+## 1. Obiettivo
+
+Estrarre profitto dalla **volatilità di un asset all'interno di un intervallo di prezzo
+(range)**, comprando automaticamente quando il prezzo scende e vendendo quando risale,
+secondo livelli predefiniti (la "griglia").
+
+La griglia **non prevede** la direzione del mercato: monetizza le oscillazioni. Funziona
+quando il prezzo oscilla; perde quando il prezzo prende un trend deciso. Tutta la
+progettazione che segue serve a massimizzare il primo caso e a limitare i danni nel
+secondo.
+
+---
+
+## 2. Principi corretti (cosa cambia rispetto al bot originale)
+
+| Aspetto | Bot originale (sbagliato) | Versione corretta |
+|---|---|---|
+| Asset | Shitcoin illiquida (LAND) | Coppia liquida (es. ETH/USDT, BNB/USDT) |
+| Passo griglia | Assoluto in USDT (`GRID_STEP=3`) | **Percentuale** sul prezzo |
+| Livelli | Mobili, inseguono il prezzo | **Fissi** dentro un range definito |
+| Protezione perdite | Nessuna | **Stop-loss** sotto il range + **take-profit** sopra |
+| Slippage | `amountOutMin = 0` (nessuna) | Calcolato da `getAmountsOut` − tolleranza |
+| Break-even fee | Ignorato | Passo griglia **> costo round-trip** |
+| Capitale | Tutto, senza limiti | Allocazione fissa, suddivisa per livello |
+| Chiave privata | In chiaro nel `.env` | Keystore cifrato o input a runtime |
+| Validazione | Nessuna | **Backtest** + **testnet** prima del capitale reale |
+
+---
+
+## 3. Definizione della griglia
+
+### 3.1 Parametri di ingresso
+
+| Parametro | Significato | Esempio |
+|---|---|---|
+| `PAIR` | Coppia da tradare (base/quote) | `ETH/USDT` |
+| `RANGE_LOW` | Estremo inferiore del range | `2800` |
+| `RANGE_HIGH` | Estremo superiore del range | `3400` |
+| `GRID_LEVELS` | Numero di livelli nella griglia | `12` |
+| `CAPITAL_QUOTE` | Capitale totale in quote (USDT) | `1200` |
+| `STOP_LOSS` | Prezzo sotto cui il bot chiude tutto e si ferma | `2650` |
+| `TAKE_PROFIT` | Prezzo sopra cui il bot chiude tutto e si ferma | `3550` |
+| `SLIPPAGE_BPS` | Tolleranza slippage in basis point (50 = 0,5%) | `50` |
+| `FEE_BPS` | Fee del DEX in basis point (PancakeSwap = 25) | `25` |
+
+### 3.2 Costruzione dei livelli (griglia geometrica)
+
+I livelli vanno spaziati in **percentuale**, non in valore assoluto. Una griglia
+geometrica mantiene lo stesso rendimento percentuale per ogni gradino, indipendentemente
+dal prezzo.
+
+```
+ratio = (RANGE_HIGH / RANGE_LOW) ^ (1 / GRID_LEVELS)
+livello[i] = RANGE_LOW * ratio ^ i        per i = 0 .. GRID_LEVELS
+```
+
+Esempio (`RANGE_LOW=2800`, `RANGE_HIGH=3400`, `GRID_LEVELS=12`):
+`ratio ≈ 1,0163` → passo di circa **1,63% per gradino**.
+
+### 3.3 Capitale per livello
+
+```
+quote_per_livello = CAPITAL_QUOTE / GRID_LEVELS
+```
+
+Ogni livello di acquisto impegna `quote_per_livello`. Il capitale è suddiviso in anticipo:
+il bot **non** può comprare più di quanto allocato, e non scende mai sotto zero.
+
+---
+
+## 4. Vincolo di break-even (regola anti-fee)
+
+Una griglia con passi troppo fitti perde: le fee di ogni round-trip (compra + vendi) si
+mangiano il profitto. **Il passo percentuale della griglia deve superare il costo totale
+di un round-trip.**
+
+```
+costo_round_trip ≈ 2 * (FEE_BPS + SLIPPAGE_BPS) / 10000        (in frazione)
+passo_griglia    = ratio - 1
+
+VINCOLO:  passo_griglia  >  costo_round_trip * margine_sicurezza   (margine ≥ 1,5)
+```
+
+Esempio con `FEE_BPS=25`, `SLIPPAGE_BPS=50`:
+`costo_round_trip ≈ 2 * (25+50)/10000 = 1,5%`. Con margine 1,5 → il passo deve essere
+**≥ 2,25%**. Se la griglia geometrica dà 1,63%, **è troppo fitta**: vanno ridotti i
+`GRID_LEVELS` o allargato il range finché il vincolo è rispettato. Il bot deve rifiutarsi
+di partire se il vincolo non è soddisfatto.
+
+---
+
+## 5. Logica operativa
+
+### 5.1 Inizializzazione
+1. Validare i parametri: `RANGE_LOW < prezzo_attuale < RANGE_HIGH`, vincolo di break-even
+   rispettato, capitale disponibile sul wallet.
+2. Verificare la coppia: liquidità sufficiente, contratto non honeypot (controllo
+   obbligatorio, non opzionale), token con decimali noti.
+3. Costruire i livelli (§3.2) e marcare ognuno come `attivo`/`riempito`.
+4. Allocare il capitale (§3.3).
+
+### 5.2 Ciclo principale
+A ogni tick (es. ogni nuovo blocco, o ogni N secondi):
+
+```
+prezzo = prezzo_corrente(PAIR)
+
+# --- guardie di uscita: hanno priorità su tutto ---
+SE prezzo <= STOP_LOSS:
+    vendi_tutta_la_posizione()        # con slippage protetto
+    ferma il bot, log "STOP-LOSS"
+SE prezzo >= TAKE_PROFIT:
+    vendi_tutta_la_posizione()
+    ferma il bot, log "TAKE-PROFIT"
+
+# --- logica griglia ---
+PER ogni livello L:
+    SE prezzo attraversa L verso il basso  E  L non è ancora riempito:
+        compra quote_per_livello   # con amountOutMin protetto
+        marca L come riempito
+    SE prezzo attraversa L verso l'alto  E  il livello sotto è riempito:
+        vendi la quantità di quel livello   # con amountOutMin protetto
+        marca quel livello come libero
+```
+
+I livelli sono **fissi** (calcolati una volta), non inseguono il prezzo. Questo rende il
+comportamento prevedibile e backtestabile.
+
+### 5.3 Calcolo `amountOutMin` (protezione slippage — obbligatoria)
+
+Mai passare `0`. Prima di ogni swap:
+
+```
+atteso = router.getAmountsOut(amountIn, path)[ultimo]
+amountOutMin = atteso * (10000 - SLIPPAGE_BPS) / 10000
+```
+
+Se la transazione non rientra nella tolleranza, deve **fallire** (revert), non eseguire a
+qualsiasi prezzo.
+
+---
+
+## 6. Gestione del rischio
+
+1. **Stop-loss obbligatorio** sotto `RANGE_LOW`. È la differenza tra "strategia" e
+   "gambling": senza stop-loss un trend ribassista svuota il wallet.
+2. **Take-profit** sopra `RANGE_HIGH` per chiudere quando il prezzo esce dal range al
+   rialzo (la griglia avrebbe già venduto tutto; il take-profit evita di restare esposti).
+3. **Capitale segregato**: usare un wallet dedicato, con solo il capitale destinato alla
+   strategia. Mai il wallet principale.
+4. **Limite di gas e prezzo gas** ragionevoli, ricalcolati dinamicamente (no valori fissi
+   obsoleti).
+5. **Kill-switch manuale**: comando per fermare il bot e liquidare in qualsiasi momento.
+6. **Idempotenza/recupero**: se il bot si riavvia, deve ricostruire lo stato dei livelli
+   (riempiti/liberi) dal saldo on-chain, non ripartire da zero.
+
+---
+
+## 7. Validazione prima del capitale reale
+
+Nessun fondo reale prima di aver superato, in ordine:
+
+1. **Backtest** su dati storici della coppia (almeno alcuni mesi, includendo sia fasi
+   laterali sia un trend marcato), misurando: PnL netto **dopo** fee e slippage,
+   max drawdown, numero di trade, comportamento allo stop-loss.
+2. **Paper trading / simulazione** in tempo reale, senza eseguire ordini veri.
+3. **Testnet** (BSC testnet) con la stessa logica e router di test, per verificare
+   l'esecuzione on-chain end-to-end.
+4. **Mainnet con capitale minimo** (es. l'equivalente di pochi euro) per la prima
+   settimana, poi scalare solo se i risultati combaciano col backtest.
+
+---
+
+## 8. Quando NON usare questa strategia
+
+- Asset illiquido o a rischio rug-pull/honeypot.
+- Mercato in trend forte e prolungato (la griglia perde: lo stop-loss limita il danno ma
+  non genera profitto).
+- Passo griglia che non rispetta il vincolo di break-even (§4).
+- Capitale che non puoi permetterti di perdere.
+
+---
+
+## 9. Parametri di esempio (configurazione di partenza prudente)
+
+```
+PAIR          = BNB/USDT          # coppia liquida su PancakeSwap
+RANGE_LOW     = 580
+RANGE_HIGH    = 720
+GRID_LEVELS   = 8                 # passo ≈ 2,7% > break-even
+CAPITAL_QUOTE = 400               # USDT, su wallet dedicato
+STOP_LOSS     = 545               # ~6% sotto RANGE_LOW
+TAKE_PROFIT   = 760               # ~5,5% sopra RANGE_HIGH
+SLIPPAGE_BPS  = 50                # 0,5%
+FEE_BPS       = 25                # PancakeSwap v2
+```
+
+Verifica break-even: passo ≈ 2,7% > `1,5 × (2×0,75%) = 2,25%` ✅
+
+---
+
+*Questo documento descrive la strategia. L'implementazione (ethers v6, gestione sicura
+della chiave, calcolo slippage, stato persistente, backtester) va sviluppata a parte,
+con test, e validata secondo §7 prima di qualsiasi capitale reale.*

VERSION

@@ -0,0 +1 @@
+1.1.26

docker-compose.yml

@@ -1,17 +1,20 @@
 services:
-  paper-trader:
+  portfolio:
     build: .
-    container_name: pythagoras-multi
+    container_name: pythagoras-portfolio
     restart: unless-stopped
+    command: ["uv", "run", "python", "-m", "src.portfolio.runner"]
     volumes:
       - ./data:/app/data
-      - ./strategies.yml:/app/strategies.yml:ro
+      - ./portfolios.yml:/app/portfolios.yml:ro
     env_file:
       - .env
     environment:
       - PYTHONUNBUFFERED=1
     healthcheck:
-      test: ["CMD", "python", "-c", "import os; assert any(f.endswith('status.json') for r,d,fs in os.walk('/app/data/paper_trades') for f in fs)"]
+      test: ["CMD", "python", "-c", "import os; assert any(f.endswith('status.json') for r,d,fs in os.walk('/app/data/portfolios') for f in fs)"]
       interval: 120s
       timeout: 10s
       retries: 3
+    labels:
+      - com.centurylinklabs.watchtower.enable=false

docs/TODO.md

@@ -0,0 +1,128 @@
+# TODO — prossimi passi
+
+> Raccolta dei follow-up aperti. Aggiornato 2026-06-11 (XS01 dispersion-gate live v1.1.20;
+> real-truth ledger attivo; reset portafoglio 2026-06-10).
+
+## Stato esecuzione per sleeve (REALE vs SIMULATO)
+
+**REALE (shadow su Deribit testnet, REAL-TRUTH: il ledger segue i fill reali) — 15 sleeve:**
+- 6 fade (MR01/MR02/MR07 × BTC/ETH) + DIP01_BTC → single-leg, v1.0.3+
+- 6 pairs PR01 (ETH/BTC, LTC/ETH, ADA/ETH, BTC/LTC, ETH/SOL + ETH/BTC 15m) → 2 gambe,
+  v1.1.12 (2026-06-08); il 15m dal v1.1.16 (2026-06-09)
+- SH01 × BTC/ETH → single-leg, exit a orizzonte (no TP/SL), v1.1.13 (2026-06-08)
+
+**SIMULATO (paper, NON esegue reale) — 4 book multi-asset, fuori dal capitale-pool:**
+- TR01 / ROT02 / TSM01 / XS01 → bloccati dal CAPITALE (rumore arrotondamento)
+
+## Esecuzione reale — pezzi mancanti
+
+- [x] ~~Executor a 2 gambe per i PAIRS~~ — FATTO + ATTIVO (v1.1.12, 2026-06-08).
+- [x] ~~SH01 in reale~~ — FATTO (v1.1.13, 2026-06-08): l'infrastruttura no-TP esisteva già
+      (_place_real_tp no-op senza TP, _real_close chiude tutto market reduce-only a orizzonte).
+      Bastava accettare kind 'ml' in _exec_for + SH01 in execution.sleeves. Disaster-bracket
+      on-book = unica protezione di coda. Test SH01 open/close reale OK.
+- [ ] **Multi-asset in reale** (SIMULATO: TR01/ROT02/TSM01/XS01) — **SBLOCCATO DA CAPITALE ≥ ~€20k**.
+      Strumenti USDC tutti esistenti (BNB/DOGE/XRP inclusi), ma a €2k il rumore di arrotondamento
+      per-asset è 20-30% (DOGE/XRP/SOL step grandi in $, esposizione frammentata su 5-8 asset) →
+      l'esecuzione reale misurerebbe il rumore dei lotti, non la strategia. Serve un
+      `BasketExecutionClient` (ribilancio delta multi-strumento, long-only, netting con fade+pairs
+      sui simboli condivisi). Beneficio limitato (~19% del portafoglio, diversificatori spesso
+      flat) → bassa priorità anche a capitale alto. Analisi: chat 2026-06-08.
+
+## Capitale (decisione utente, non codice)
+
+- [ ] **Valutare aumento capitale a €5.000-10.000** per togliere il rumore di arrotondamento.
+      A €2.000 il rumore BTC per trade è ~2.4% (morde); soglie: ~€4.800 (<1%), ~€9.500 (<0.5%,
+      "punto dolce"), ~€19.000 (trascurabile). Le commissioni invece sono % e neutre al capitale.
+      Col real-truth ledger il rumore di arrotondamento entra DIRETTAMENTE nell'equity → più
+      capitale = ledger più fedele alla strategia. Riguarda i 15 sleeve che eseguono reale.
+
+## Follow-up dal code-review (bassa priorità, non urgenti)
+
+- [x] ~~forming-bar su ROT02/TSM01~~ — GIÀ FIXATO (v1.1.10, 2026-06-08): `_panel` condiviso
+      scarta la barra in formazione via `last_bar_is_forming`. Item rimasto stantio nel TODO.
+- [ ] **ancora bfill di `_daily_equity`** — QUANTIFICATO 2026-06-11 (`daily_equity_bfill_impact.py`):
+      **NON materiale, lasciare documentato**. PORT06 OOS invariato per costruzione (il bias vive
+      in testa alla serie, pre-SPLIT; ΔSharpe +0.001, ΔDD 0.000); FULL DD leggermente OTTIMISTICO
+      (3.46→3.67 col fix: il primo trade DIP01 2021, −3.75%, è nascosto dal bfill). Nessun verdetto
+      di gate a rischio (bias identico nei due bracci A-vs-B, si cancella). Unica eccezione OOS:
+      TSM01 (primo punto equity post-SPLIT, −0.014 Sh). Correggere SOLO in un eventuale refactor
+      del builder daily, OVUNQUE in un colpo (~12 file di gate replicano la convenzione) e
+      ri-baselinando i canonici nello stesso commit. CAVEAT per gate futuri: finestre IDX che
+      partono a metà storia amplificano il bug → usare lì la convenzione carry-forward corretta.
+- [x] ~~convenzione TR01 worker vs reference~~ — ERA UN BUG, FIXATO (2026-06-11): `mean(rets)`
+      sui soli asset in posizione sovrappesava N/k a paniere parziale (con 1 long: 0.45 del
+      capitale invece di 0.09). Fix: `sum(rets)/len(universe)` (equal-weight 1/N canonico).
+      Replay post-fix: +32% vs reference +42% (residuo = convenzione capitale-unico vs
+      media-equity, dichiarata). Diario `2026-06-11-stability-sweep.md`.
+- [x] ~~engine duplicato nei 3 gate~~ — FATTO (2026-06-11): fattorizzato in
+      `scripts/analysis/_port06_gate_common.py` (`build_trades_variant` versione trendmax =
+      superset con hurst_mask/trend_max parametrici, `equity_from_trades`, `port_metrics`,
+      `dd`); i 3 gate importano da lì. Nessuna drift di matematica trovata fra le copie
+      (solo firme/docstring). Output dei 3 gate verificato BYTE-IDENTICO prima/dopo.
+      `dip_trades` (DIP01) NON è una copia ma un sibling deliberato (long-only, orig_gap,
+      j clampato) → resta nel suo script, documentato nel modulo comune.
+- [ ] **epoche hardcoded in `hourly_report.lossguard_section`** (LOSSGUARD_SINCE, TRENDSWAP_SINCE):
+      ogni nuova epoca-filtro richiede di editare la funzione. Derivarle da deploy history/config.
+
+## Code-review 2026-06-11 sera (8a2b065..) — finding DEFERITI (i confermati critici sono fixati in v1.1.26)
+
+- [ ] **RESTING reduce-only esposti al netting** (TP limit + disaster-SL): se un worker opposto
+      apre DOPO il piazzamento, il resting può fillare parziale o essere respinto — il fallback
+      netting copre solo i close sincroni. È il pezzo "position manager / sotto-conti" già noto;
+      lo scenario peggiore è il disaster-SL cappato proprio nel crash per cui esiste.
+- [ ] **Lifecycle `orphan_legs`**: append-only — un orfano risolto a mano (o da reset_flatten)
+      resta nello status e MASCHERA per compensazione un drift vero futuro (falso negativo del
+      reconciler). Serve un comando di risoluzione (`--resolve-orphan`) e/o reset_flatten che
+      azzeri anche lo stato reale nei status.json. Idem: il PnL della chiusura manuale di un
+      orfano non viene mai bookato in real_capital (diagnostica shadow divergente).
+- [ ] **TP_PHANTOM residuo**: `resting_fills` guarda solo le ultime 100 righe di trade-history
+      per strumento — su conto molto attivo un fill TP reale può scivolare fuori finestra →
+      falso phantom persistente (sim resta in posizione, reale flat). Mitigato dal quantize
+      conservativo (v1.1.26); fix vero = endpoint order-state in cerbero-mcp.
+- [ ] **Validazione feed a monte** (altitudine): TP_PHANTOM copre solo i tocchi TP dei single-leg;
+      le ENTRY spike-driven, lo SL close-confirm su close spike e lo z dei pairs restano esposti
+      ai wick fantasma del feed testnet. Un validatore barre nel data layer coprirebbe tutti i
+      consumer con un meccanismo solo (su mainnet il fenomeno non esiste: priorità bassa finché
+      si resta su testnet, gli eventi TP_PHANTOM/NET_CLOSE ne misurano la frequenza).
+- [ ] **Contratto dello schema status.json**: reconcile (`src/live/books.py`), hourly_report e i
+      worker condividono lo schema per convenzione implicita — books.py è ora la fonte unica per
+      i campi `real_*`, ma un helper `worker.real_book()` usato da _save e dai reader chiuderebbe
+      la classe di bug. Pulizia: `_tp_hit` helper per i 4 siti di tocco TP duplicati; port_metrics
+      ri-biforcato in xs01_tranche_gate/pairs30m_gate (importare da _port06_gate_common);
+      splits3/metriche duplicate nei games engine (estrarre in scripts/games/engine.py).
+
+## Ricerca dispersion/correlation (2026-06-08, 165 agenti) — follow-up opzionale
+
+- [x] ~~Gate PORT06 di `index_comp_disp` W=168~~ — FATTO (2026-06-08): PROMOSSO MARGINALE.
+      Decorrela bene (corr 0.06 col MASTER) ma OOS PIATTO (Sharpe −0.01). **Documentato e
+      rimandato** (non deployato): gate in `dispersion_edges/gate_index_comp_disp.py`,
+      riprendere solo se si costruisce una famiglia DISP più ampia. Diario aggiornato.
+
+## Monitoraggio (osservare, non agire subito)
+
+- [ ] **Churn da spike-print testnet su ETH (2026-06-11)**: il feed testnet stampa wick
+      anomali sulla barra 1h ETH che (a) generano segnali short MR01/MR07 (lo spike È lo
+      z-score estremo) e (b) "toccano" il TP intrabar della stessa barra → il sim booka
+      +4% fantasma a bars_held=0, il reale apre+chiude pagando solo fee/spread (~−0.17€
+      a giro, 14 giri oggi ≈ −2.3€). Il real-truth ledger contabilizza GIUSTO (per questo
+      esiste) e il report orario ora conta i win dal flag reale. MITIGATO in v1.1.23:
+      gate `TP_PHANTOM` (il tocco TP deve essere confermato dal fill del resting sul book
+      reale, o dal prezzo oltre il livello) → niente più chiusure a mercato su wick
+      fantasma. Resta l'ENTRY spike-driven (il segnale stesso nasce dal wick): NON
+      filtrarlo nei segnali (= fit su artefatto testnet); osservare la frequenza dei log
+      TP_PHANTOM — se cresce, valutare un gate di QUALITÀ FEED nel data layer.
+
+- [ ] **FADE in coda storica (2026-06-11)**: il rolling 120g equal-weight delle 6 fade è al
+      **2° percentile** della propria storia (−1.0% vs p5 +0.4%); il PORT06 complessivo resta
+      in variazione normale (19-28° pct). NESSUN ritocco parametri (= fit sul regime corrente);
+      osservare se rientra. Follow-up tecnico: alert di drift per-FAMIGLIA nel `hourly_report`
+      (precomputare la distribuzione storica dei rolling-return di famiglia dal backtest
+      canonico → confrontare il rolling live; notifica sotto p5).
+- [ ] **PnL live post-swap trend** (epoca TREND in `hourly_report`): verdetto stop-rate fade a n>=30.
+- [ ] **SH01 post-bootstrap**: il trade-rate live deve scendere da ~25% a ~10% delle barre
+      (selettività della soglia ripristinata). Controllare nel report orario.
+- [ ] **MR02_ETH**: ultima posizione aperta SENZA disaster-SL (aperta pre-v1.1.4). Si chiuderà
+      normalmente; le prossime aperture avranno il bracket.
+- [ ] **parquet fresco per SH01 bootstrap**: oggi al 2026-05-28, il feed copre 365g → margine ~11
+      mesi. Rilanciare `download_all()` periodicamente (WARN automatico se il gap supera il lookback).

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

@@ -0,0 +1,84 @@
+# Diario — 2026-05-29 — Pattern del segnale per FORMA (analog/shape forecasting)
+
+## Obiettivo
+
+Verificare se la **forma** del segnale (la morfologia recente del prezzo) permette di
+prevedere l'andamento successivo, e ricavarne edge verso il target €1000 → €50/giorno.
+Esplorazione onesta (no look-ahead, netto fee, OOS) con **agenti paralleli**, ognuno su
+una famiglia di forma indipendente, tutti sullo stesso harness shape (`scripts/analysis/
+shape_lab.py`, che riusa l'engine netto-fee+OOS di `explore_lab.py`). Branch `shape_patterns`.
+
+## Harness
+
+`shape_lab.py` — analog forecasting causale: a ogni barra `i` si guarda la forma recente
+`W` (closes z-normalizzati fino a `close[i]`), si cercano nel passato le `K` finestre più
+simili **il cui esito a `H` barre era già noto prima di `i`** (KDTree ricostruito ogni
+`rebuild` barre → niente O(N²)), si prevede la direzione = segno del rendimento medio degli
+analoghi. **No-look-ahead verificato** (perturbare il futuro non cambia la forma a `i`,
+max diff 0.0). Baseline forma grezza: marginale e **muore sulle fee** (W24H12K50: FULL
++112% / OOS +48% ma a 0.20% RT → −72%; troppi trade, exp 74%, win 49.5%).
+
+## Famiglie esplorate (5) ed esito onesto
+
+| Famiglia | Esito | Note |
+|---|---|---|
+| Analog kNN (forma grezza, selettività) | ❌ RUMORE | Solo BTC-overfit, non robusto ≥2 asset |
+| Encoding candele (UP/DOWN/DOJI + body/shadow) | ❌ RUMORE | Hit-rate condizionale ~50%, segno incoerente fra asset |
+| DTW + template geometrici (M/W, testa-spalle, V, U) | ❌ RUMORE | DTW *peggiora* l'euclidea; template overfit (FULL ok, OOS crolla) |
+| PIP / pivot / zig-zag (geometria svolte) | ❌ RUMORE | 0/48 config robuste; le rotture S/R rientrano (riconferma MR) |
+| **Feature-vector + ML walk-forward** | ✅ **EDGE REALE** | LogisticRegression sulla forma, fee-robusto |
+
+4 famiglie su 5 sono rumore: riconfermano che la forma grezza non contiene edge
+direzionale eseguibile e che l'unico edge "classico" resta la mean-reversion (fade/pairs).
+
+## L'edge: SH01 — Shape-ML
+
+Una **LogisticRegression** legge 17 feature di forma (body/shadow ratio, rendimenti,
+pendenza/curvatura del path, posizione di max/min, RSI, estensione) e predice il segno del
+rendimento a `H` barre. **Walk-forward rigoroso**: scaler+modello fittati solo sul passato
+con esito noto, poi predicono il blocco corrente; si entra a `close[i]` se la probabilità
+≥ soglia. Causalità verificata con check espliciti (feature e predizioni invarianti al
+futuro). Il GradientBoosting dà edge equivalente ma è ~60× più lento → si usa il logit.
+
+A differenza della famiglia squeeze (che moriva anche a fee zero), **questo edge
+sopravvive a fee 0.20% RT**. Win-rate ~50% → l'edge è nell'**asimmetria** (quando indovina
+la direzione i moti sono più grandi), non nella frequenza.
+
+### Validazione dura (config W24 H12 th0.58, netto fee, leva 3x, pos 0.15, OOS 30%)
+
+- **Multi-asset expanding**: robusti **BTC** (FULL +219% / OOS +42% / Sharpe 2.72 / DD 23%
+  / 8-9 anni+ / accOOS 56%), **ETH** (+80% / +144% / Sharpe 1.21, più volatile), **ADA**
+  (+707% / +57% / Sharpe 3.22). Scartati LTC/SOL/XRP (perdono netti).
+- **Walk-forward rolling (train fisso 2 anni)**: regge **solo BTC** (+166% / +96% / Sharpe
+  2.05). L'edge si appoggia in parte alla memoria lunga → BTC è il più solido.
+- **Stress leva 2x + slippage doppio (0.20% RT)**: BTC OK (+40% / +17% / Sharpe 1.24),
+  ETH marginale (+7% / +73% / Sharpe 0.37).
+- **Griglia (W,H,thresh) su BTC**: **5/27 celle robuste**, su una **cresta** stretta (W24,
+  H8-12), non altopiano largo → rischio overfit moderato. Per prudenza si sceglie la config
+  robusta sul maggior numero di test (W24 H12 th0.58), non il PnL massimo (W24 H8 rende di
+  più ma accOOS ~49% = più drift che segnale).
+
+### Il valore vero: diversificatore di portafoglio
+
+Correlazione daily col MASTER **+0.08** (quasi scorrelato). Aggiungere lo sleeve shape
+(BTC+ETH) al MASTER migliora l'OOS: **Sharpe 4.33 → 5.10, DD 4.7% → 4.2%** (FULL: Sharpe
+4.23 → 4.37, DD 5.2% → 4.3%). Non è un motore standalone (per-asset troppo stretto fuori
+da BTC), ma un **free-lunch** da aggiungere al paniere.
+
+## Artefatti
+
+- `scripts/analysis/shape_lab.py` — harness analog/forma causale.
+- `scripts/analysis/shape_{analog,candle,template,pivot,ml}_research.py` — le 5 ricerche.
+- `scripts/analysis/shape_ml_validate.py` — validazione dura del candidato ML.
+- `scripts/strategies/SH01_shape_ml.py` — la strategia (Strategy + run() riproducibile).
+- Aggiunta a `MODULE_MAP` (caricabile per backtest).
+
+## Conclusione e prossimi passi
+
+La forma del segnale **non** predice in modo grezzo (4/5 famiglie rumore), ma un modello
+lineare sulle feature di forma in walk-forward onesto **sì**, soprattutto su BTC, e vale
+come diversificatore quasi-scorrelato del MASTER. Da fare prima del live:
+1. **Worker con retraining periodico** (lo StrategyWorker attuale è a regola fissa; SH01
+   riallena il modello → serve un loop tipo legacy signal_engine).
+2. Validazione live-path (replay worker == backtest) come fatto per i pairs.
+3. Decidere il peso nel MASTER-esteso (cap, leva) col paper trader.

docs/diary/2026-05-31-exit-study.md

@@ -0,0 +1,68 @@
+# 2026-05-31 — Studio sugli EXIT delle fade: scalping, TP dinamico, TP-ATR
+
+> Innescato da una domanda operativa ("un TP è stato raggiunto, non si poteva
+> scalpare / fare un TP dinamico?"). Studio fee-aware su MR02 (Donchian fade,
+> segnali invariati `n=20 sl_atr=2.0 max_bars=24`, fee 0.10% RT, leva 3x). Tre
+> alternative di uscita misurate contro il baseline attuale (**TP = centro del
+> canale**). Verdetto: **il design attuale è già ottimale; nessuna alternativa lo batte.**
+
+## 1. "Scalping" = timeframe più veloce (15m vs 1h)
+A fee 0.10% il 15m rende di più in lordo (~4× più trade), MA è molto più **fragile**:
+
+| | trade | PnL @0% | @0.10% | @0.20% | DD @0.10% |
+|---|--:|--:|--:|--:|--:|
+| BTC 1h | 2041 | +22.768 | +16.645 | +10.522 | 29% |
+| BTC 15m | 8251 | +65.286 | +40.533 | +15.780 | 29% |
+| ETH 15m | 9388 | +120.103 | +91.939 | +63.775 | **62%** |
+
+Da 0% a 0.20% il 15m perde **~76%** del profitto (vs 54% del 1h) e il DD esplode
+(ETH 15m → 93% a 0.20%). 4× più trade = 4× più fee + slippage (non modellato, ma
+peggiore su book sottili). **L'1h è scelto per il margine di sicurezza, non per il PnL
+lordo.** Lo scalping vero (<0.3% target) è in pieno territorio "morte da fee".
+
+## 2. TP dinamico / trailing ("lascia correre il vincitore")
+Stessi segnali, exit per trailing a k·ATR dal massimo favorevole invece del TP fisso:
+
+| policy | BTC win% | ETH win% | equity |
+|--------|---------:|---------:|--------|
+| FIXED (centro, attuale) | **48%** | **49%** | 🟢 di gran lunga il migliore |
+| TRAIL (lascia correre) | 36% | 36% | 🔴 azzerato |
+| MID+TRAIL | 47% | 47% | 🔴 peggio |
+
+Il win-rate crolla 48%→36%: i trade che avrebbero incassato il TP fanno andata-e-ritorno
+e stoppano fuori. **Concettuale:** l'edge della fade è la reversione *fino* alla media;
+una volta toccata, l'edge è esaurito. Lasciar correre *oltre* = scommettere sulla
+continuazione, che sui perp crypto NON ha edge (rientra). È la stessa logica per cui
+SMA/ORB/WR (continuazione) hanno fallito: **let-it-run = trend = il lato perdente.**
+
+## 3. TP scalato all'ATR (TP = entry + dir·m·ATR, SL fisso 2 ATR → R:R = m/2)
+| Config | win% | avg %/trade | Sharpe | sumRet% |
+|--------|-----:|-----------:|-------:|--------:|
+| **BTC MID (attuale)** | 48% | **0.816** | **3.8** | **1664** |
+| BTC ATR m=0.5 (RR0.25) | **77%** | −0.081 | −1.0 | −217 |
+| BTC ATR m=1.0 | 67% | 0.192 | 1.6 | 465 |
+| BTC ATR m=2.0 | 53% | 0.563 | 3.0 | 1199 |
+| BTC ATR m=3.0 | 46% | 0.679 | 3.0 | 1331 |
+| **ETH MID (attuale)** | 49% | **1.738** | **7.5** | **4169** |
+| ETH ATR m=0.5 | 77% | 0.041 | 0.5 | 134 |
+| ETH ATR m=3.0 | 46% | 1.082 | 4.7 | 2515 |
+
+OOS (ultimo 30%) identico: **MID** batte ogni `m` (BTC MID avg 1.14/Sh 3.2; ETH MID avg
+4.43/Sh 10.9). Due lezioni:
+- **TP stretto (m=0.5) = trappola dello scalping quantificata:** win-rate **77%** ma edge
+  **zero/negativo** (BTC −0.08%/trade). I rari stop a 2 ATR spazzano via le micro-vincite,
+  la fee mangia il resto. **Win-rate alto ≠ edge.**
+- **Nessun multiplo ATR fisso batte il centro del canale**, su avg/trade E Sharpe, FULL e OOS,
+  entrambi gli asset.
+
+## Verdetto unificato
+Il **TP al centro del canale è ottimale** perché è un target *adattivo alla struttura*: un
+multiplo fisso di ATR misura solo *quanta* vol c'è, ma ignora *dove* sta la media; il centro
+adatta al punto reale di reversione **ed è già scalato alla volatilità** (il canale si allarga
+in regime volatile). Per una mean-reversion il punto giusto dove chiudere è **la media — niente
+prima, niente dopo.** Tre alternative escluse coi numeri (15m, trailing, TP-ATR) → la scelta
+di design corrente è blindata.
+
+> Nota metodologica ricorrente: diffidare del **win-rate alto**. Il segnale vero è
+> rendimento-medio-per-trade × Sharpe; un TP stretto regala win-rate e nasconde l'assenza
+> di edge. (Stesso tranello dei guru: backtest cherry-picked ad alta % di vincite.)

docs/diary/2026-05-31-live-status.md

@@ -0,0 +1,70 @@
+# 2026-05-31 — Stato trade LIVE PORT06 (paper trading)
+
+> Snapshot verificato del paper trader a portafoglio (`src.portfolio.runner`, Docker
+> `pythagoras-portfolio`). Dati da `data/portfolios/PORT06/` + log del container.
+> Avvio container: 2026-05-29 18:37 UTC. Snapshot: 2026-05-31 13:20 UTC (~43h).
+
+## Riepilogo capitale
+| Metrica | Valore |
+|---------|--------|
+| Capitale iniziale | €1000.00 (17 sleeve equal-weight, ~€58.82 ciascuno) |
+| `total_capital` (realizzato, ultimo rebal 00:00) | **€1000.09** (+0.09) |
+| Equity mark-to-market (live) | **€1000.36** (+0.036%) |
+| Peggior punto toccato | −€0.01 |
+| **Max DD** | **0.40%** |
+| Container | running, healthy, 0 restart |
+
+## Trade chiusi (storia completa dallo startup: 10 trade, 9W/1L)
+| # | Sleeve | Uscita | Net % | PnL € | Esito |
+|---|--------|--------|------:|------:|:---:|
+| 1 | PR01 ETH/SOL | mean_revert | +0.503 | +0.040 | W |
+| 2 | PR01 ETH/SOL | mean_revert | +0.683 | +0.060 | W |
+| 3 | SH01 BTC (ML) | hold_limit | −0.462 | −0.040 | L |
+| 4 | SH01 BTC (ML) | hold_limit | +0.017 | +0.000 | W |
+| 5 | PR01 ETH/SOL | mean_revert | +0.488 | +0.040 | W |
+| 6 | PR01 ETH/SOL | mean_revert | +0.284 | +0.030 | W |
+| 7 | PR01 LTC/ETH | mean_revert | +0.745 | +0.070 | W |
+| 8 | PR01 BTC/LTC | mean_revert | +0.434 | +0.040 | W |
+| 9 | MR02 ETH fade | take_profit | +0.995 | +0.090 | W |
+| 10 | SH01 ETH (ML) | hold_limit | +0.742 | +0.070 | W |
+| | **TOTALE** | | | **+0.400** | **90% win** |
+
+### Aggregato per sleeve (trade chiusi)
+| Sleeve | n | win | acc% | PnL € |
+|--------|--:|----:|----:|------:|
+| PR01 ETH/SOL | 4 | 4 | 100 | +0.170 |
+| MR02 ETH fade | 1 | 1 | 100 | +0.090 |
+| PR01 LTC/ETH | 1 | 1 | 100 | +0.070 |
+| SH01 ETH (ML) | 1 | 1 | 100 | +0.070 |
+| PR01 BTC/LTC | 1 | 1 | 100 | +0.040 |
+| SH01 BTC (ML) | 2 | 1 | 50 | −0.040 |
+
+Motore del PnL finora: **pairs PR01** (market-neutral, mean_revert rapidi 1-6 barre) +
+una fade **MR02** su take_profit. Unica perdita: SH01 BTC (ML) su hold_limit (fisiologico,
+edge nell'asimmetria, win-rate ~50%). Sleeve daily (ROT02/TSM01/TR01) e diverse fade non
+hanno ancora chiuso trade (orizzonte più lungo / pochi segnali in ~2 giorni).
+
+## Posizioni aperte (3)
+| Sleeve | Dir | Entry | Capitale |
+|--------|-----|------:|---------:|
+| MR02 BTC fade | short | 73969.0 | €58.83 |
+| MR02 ETH fade | long | 2016.15 | €58.92 |
+| SH01 BTC (ML) | long | 73811.5 | €58.83 |
+
+## Verifica (check 2026-05-31)
+- **0 anomalie** sui 10 CLOSE: `net = gross − fee` rispettato, flag `win` coerente col
+  PnL, fee sempre presente (pairs 0.4% su 2 gambe, fade 0.10% RT).
+- **Uscite = backtest**: tutti i CLOSE pairs sono `mean_revert` con **|z| ≤ 0.75** al close
+  (0.363/0.605/0.684/0.619/0.656) = esattamente `z_exit=0.75` di PR01; MR02 esce a TP al
+  livello. Il worker live replica la regola del backtest.
+- **Riconciliazione**: +0.40 realizzato vs +0.09 `total_capital` NON è un errore — è il
+  timing del ribilancio giornaliero (`total_capital` snapshotta a 00:00, le posizioni
+  aperte restano sul notional fino al rebal; CLAUDE.md). L'equity MtM live (+0.36) è il
+  numero corrente, confermato da `equity.jsonl`.
+
+## Lettura onesta
+Campione minuscolo (**~2 giorni, 10 trade**) → il PnL (+€0.40 realizzato, +€0.36 MtM) è a
+livello di **rumore**: non se ne deduce performance. Quello che il check conferma a questo
+stadio è che il sistema è **sano e fedele**: esecuzione corretta, costi reali inclusi,
+uscite conformi al backtest, DD trascurabile (0.40%), 0 errori/restart. L'edge si
+manifesterà solo su orizzonte settimane/mesi. Monitor Docker attivo per down/unhealthy/restart.

docs/diary/2026-05-31-options-rejected.md

@@ -0,0 +1,51 @@
+# 2026-05-31 — Copertura opzioni: idee testate e SCARTATE (record anti-ripetizione)
+
+> Record delle conclusioni. Il **codice** di queste prove è stato testato e poi
+> scartato (non conservato nel repo): qui restano i numeri e il *perché*, così da
+> non ri-testare le stesse idee in futuro. Motore di pricing usato: Black-Scholes
+> r=0 + IV stimata onestamente = RV × moltiplicatore VRP ≥ 1 (il compratore
+> SOVRAPPAGA, come in W18-W21), fee Deribit reali (0.03%/gamba + ~0.10% slippage).
+
+## TL;DR
+**La copertura opzioni non genera edge nuovo per questo progetto.** I due edge
+disponibili (trend e mean-reversion) sono già catturati **50-100× più a buon
+mercato dai perp** (fee 0.10% RT) di quanto facciano le opzioni (premio + VRP +
+asimmetria coda). Comprare premio perde contro il VRP crypto; venderlo paga le
+code grasse. Cappare la perdita su una strategia senza expectancy positiva limita
+solo *quanto* perdi: **non esiste il pasto gratis "leva alta + perdite coperte".**
+
+## 1. Overlay opzioni su PORT06 — non fattibile
+Mismatch di orizzonte: l'edge di PORT06 è intraday (hold fade ~9h). Carry ATM 9h
+≈ **0.96%** del notional vs edge fade per-trade **0.10-0.30%** → costo 3-10× l'edge.
+La coda di PORT06 è già piccola (DD ~5%) e market-neutral (pairs ~57% del rischio):
+poco da assicurare. La copertura giusta era già lì (diversificazione + stop), gratis.
+
+## 2. Strategie nuove a copertura opzioni
+- **OH01 — direzionale (TSMOM) + opzione protettiva / sola opzione.** Frontiera
+  iso-rischio: il **perp NON coperto domina a ogni livello di rischio** (Sharpe 0.90
+  vs 0.33-0.57; CAGR +33% vs negativo). Comprare protezione su un trend perde per il
+  carry/VRP (il trend-following è "long vol" nel *payoff*, non comprando opzioni).
+- **OH02 — spread di credito su mean-reversion (vendi premio = VRP a favore).**
+  La copertura funziona (perdita cappata, DD basso, win-rate 73-80%: la reversione è
+  reale). Ma **expectancy ~0/leggermente negativa**: il 27% di trade dove il movimento
+  *continua* (code grasse) costa ~5× ogni vincita. Un trend filter porta solo *singole
+  celle* a +1-2% (overfit: config diversa per asset). Non robusto.
+
+## 3. V5 — Bull Call Spread / debit spread (stile Casario)
+È **la migliore struttura long-premium**: rischio definito funziona (worstRoll −13%
+vs −64% della call secca, DD 54% vs 94%). **Ma net-negativo in crypto** (BTC −2.2%
+full / −13.5% OOS) e il perp non coperto lo batte. Sweep larghezza: spread più larghi
+rendono di più → **cappare l'upside toglie le code grasse che pagano il premio**.
+**Verdetto:** valido **sulle AZIONI** (vol/VRP bassi, uptrend puliti da screener), NON
+in crypto. Casario ha ragione nel suo dominio (equity), non trasferibile ai perp crypto.
+
+## 4. V4 — Box strategy (max/min giorno prima, supply/demand) → SKIP
+Core tradabile = **fadare gli estremi del canale = MR02** (già live). La candela di
+conferma (doji/hammer/rejection) = pattern di rigetto = rumore (vedi diario TA). Nessun
+edge nuovo: costruirlo ri-deriverebbe solo MR02.
+
+## Cosa servirebbe per un vero edge a opzioni (fuori scope attuale)
+Non direzione né reversione (già coperte dai perp), ma un edge *specifico delle opzioni*:
+dislocazioni della superficie IV/skew, o gestione attiva (chiusura al 50% del credito,
+roll). Richiede storico prezzi opzioni reale (qui assente, prezzi sintetici da BS) e un
+feed greche/IV che il `CerberoClient` oggi non espone.

docs/diary/2026-05-31-ta-classic-rejected.md

@@ -0,0 +1,43 @@
+# 2026-05-31 — 3 strategie TA "classiche": testate e SCARTATE (record anti-ripetizione)
+
+> Record delle conclusioni. Codice testato e poi scartato (non conservato nel repo).
+> Strategie da contenuti trading-guru: (1) SMA20/200 trend+pullback, (2) Opening Range
+> Breakout "ironclad", (3) "Weakness rectangle" reversal (ICT). Testate con la
+> metodologia onesta del progetto: ingresso eseguibile a `close[i]`, SL/TP intrabar,
+> fee Deribit 0.10% RT, leva 3x, OOS(ultimo 30%), griglia robustezza, sweep fee.
+
+## TL;DR — tutte e 3 NO EDGE (negative anche a fee ZERO)
+Tutte e tre **direzionali/continuazione**, tutte negative su BTC/ETH, su tutta la
+griglia, **anche a fee 0%** → il problema è il *segnale* (avg_R per-trade ≤ 0), non i
+costi. Riconfermano la lezione centrale: *sui perp crypto i breakout/continuazione
+rientrano; l'unico edge robusto è la mean-reversion.*
+
+| Strategia | Tipo | avg_R @ fee0 | Motivo |
+|-----------|------|--------------|--------|
+| **SMA01** MA-pullback | continuazione | −0.15 BTC / −0.07 ETH | win ~30% (serve ~40% a R:R 2) |
+| **ORB01** opening-range breakout | breakout | −0.10…−0.19 | crypto 24/7: manca l'asta d'apertura, ragione d'essere dell'ORB |
+| **WR01** weakness rectangle | reversal→continuazione | ≈ −0.05/−0.00 | R:R "5:1" illusorio (win cala in proporzione); le weakness vengono travolte |
+
+> Verificato indipendentemente (reimplementazione minima SMA01): a fee 0 avg_R
+> −0.15/−0.07. Il −100% di CAGR è solo l'edge negativo composto a leva 3x su migliaia
+> di trade, non un bug.
+
+## Tentativo di MIGLIORAMENTO — ribaltarle sul lato fade
+Miglioramento *di principio* (non tuning): visto che perdono perché sono continuazione,
+ribaltate sul **fade** (l'unico lato con edge in crypto).
+
+| versione fade | edge? (avg_R@fee0) | verdetto |
+|---------------|--------------------|----------|
+| **SMA02** fade dell'estensione→SMA20 | **+** (0.04…0.36) | = **MR01 inferiore** (FULL 1h negativo, Sharpe 0.4-0.9 vs 2.7+) |
+| **ORB02** fade del breakout del range | **+** (win 35%→50-66%) | = **MR02/MR07** senza controlli di rischio (DD 90-100%) |
+| **WR02** weakness come reversione | **≈0** | **rumore**, non una fade-family nascosta |
+
+- Il flip restituisce segno positivo a 2/3 (riconferma *fade > continuazione*) **ma nulla
+  di additivo**: SMA02/ORB02 sono ri-scoperte inferiori di strategie già live; WR02 è rumore.
+- **Ipotesi "SMA200 piatta = meglio fadare" SMENTITA**: il regime *range* non batte il fade
+  semplice; semmai il regime *trend* dà avg_R migliore ma con time-in-market 0.5-9%.
+
+## Lezione metodologica
+La prova del nove è l'**avg_R a fee 0**: se una strategia perde anche senza costi, il
+problema è il segnale e nessun tuning la salva. Le strategie che funzionano restano
+MR01/MR02/MR07 (fade) + PR01 (pairs) + PORT06 — l'edge è mean-reversion + diversificazione.

docs/diary/2026-06-01-sh01-horizon-exit-bug.md

@@ -0,0 +1,81 @@
+# 2026-06-01 — Bugfix: SH01 usciva a 3 barre invece di H=12 (exit a orizzonte)
+
+> Diagnosi partita da un check sulla debolezza apparente di **SH01_BTC** nel paper
+> trading live PORT06 (accuratezza 33,3% su 3 trade). Non era sfortuna statistica:
+> era un bug di exit nello `StrategyWorker`.
+
+## Sintomo
+
+Nel live PORT06 (Docker `pythagoras-portfolio`), SH01_BTC mostrava 3 trade tutti
+`long`, **tutti chiusi con `reason: "hold_limit"` a `bars_held: 3`**, con `tp: null
+sl: null`:
+
+| # | entry | exit | bars | net % | esito |
+|---|-------|------|------|------:|:---:|
+| 1 | 73529.5 | 73433.0 | 3 | −0,46% | ❌ |
+| 2 | 73759.5 | 73839.5 | 3 | +0,02% | ✅ |
+| 3 | 73811.5 | 73766.0 | 3 | −0,32% | ❌ |
+
+`oos_signal_precision` nei log di TRAIN scendeva 55,6% → 50,0% → 43,3%.
+
+## Causa
+
+SH01 (`scripts/strategies/SH01_shape_ml.py`, config **W24 H12 th0.58**) è una
+strategia **horizon-only**: predice il segno del rendimento a **H=12 barre** ed esce a
+H barre. I suoi Signal portano `metadata={"max_bars": H}` (=12) e **nessun TP/SL**.
+
+Nello `StrategyWorker.tick()` la logica di uscita era:
+
+```python
+if self.tp and self.sl:          # SH01: False (tp=sl=0)
+    ... usa self.max_bars ...     #   -> max_bars=12 consultato SOLO qui
+elif self.bars_held >= self.hold_bars:   # fallback legacy hold_bars=3
+    self._close_position(..., "hold_limit")   # SH01 finiva QUI
+```
+
+`self.max_bars` (=12, settato correttamente in `_open_position`) era onorato **solo
+dentro il ramo `tp and sl`**. Senza TP/SL, SH01 cadeva sul fallback `hold_bars=3` e
+chiudeva a 3 barre. L'edge di SH01 — per CLAUDE.md è nell'**asimmetria sull'orizzonte
+H, non nella frequenza** (win-rate ~50%) — non aveva tempo di realizzarsi: tagliato a
+3/12, degenera in rumore.
+
+Solo SH01 (BTC+ETH) era colpito: tutte le fade (MR01/MR02/MR07, DIP01) portano
+tp+sl+max_bars e usano il ramo intrabar corretto.
+
+## Fix
+
+`src/live/strategy_worker.py`: aggiunto un ramo per l'exit a orizzonte puro, prima del
+fallback `hold_bars`:
+
+```python
+elif self.max_bars:
+    # Exit puro a orizzonte (strategie senza TP/SL, es. SH01 shape-ML H=12):
+    # onora max_bars dalla metadata del Signal, non il fallback hold_bars=3.
+    if self.bars_held >= self.max_bars:
+        self._close_position(current_price, "time_limit")
+```
+
+Le fade restano invariate (entrano nel ramo `tp and sl`).
+
+## Verifica
+
+- Nuovo test `tests/portfolio/test_horizon_exit.py` (2 casi): con `max_bars=12` resta
+  in posizione a 3 barre; esce a 12 con `reason: "time_limit"` e `bars_held: 12`.
+- Suite completa: **43 passed**.
+- Container riavviato: **tutti i 17 sleeve RESUME puliti**, inclusa una posizione
+  SH01_ETH short aperta che ora seguirà l'exit a 12 barre.
+
+## Atteso d'ora in poi
+
+I trade SH01 nei log mostreranno `reason: "time_limit"` con `bars_held: 12` invece di
+`hold_limit / 3`. Il 33% di accuratezza era un artefatto dell'exit prematuro; ora la
+strategia gira sull'orizzonte su cui è validata (BTC OOS Sharpe 2,72, expanding).
+Resta comunque un **diversificatore** del MASTER, non un motore di ritorno standalone.
+
+## Lezione
+
+Il backtest di SH01 (`fade_base`/engine onesto) esce a H barre via `max_bars`; il
+worker live deve replicarlo. Quando una strategia non porta TP/SL ma solo un
+orizzonte, il fallback `hold_bars` del worker la **falsa silenziosamente**. Verificare
+sempre che la convenzione di exit del worker live coincida con quella del backtest
+validato — non solo l'ingresso.

docs/diary/2026-06-01-sh01-wiring-squeeze-bug.md

@@ -0,0 +1,71 @@
+# 2026-06-01 — SH01 live eseguiva la strategia SBAGLIATA (squeeze scartato), non shape-ML
+
+> Scoperto verificando perché SH01 continuava a chiudere a `hold_limit/3` **anche dopo**
+> il rebuild col fix horizon-exit. Il fix era corretto ma in un **ramo morto**: SH01 live
+> non passava da `StrategyWorker.tick()`.
+
+## Sintomo
+
+Dopo il deploy del fix SH01 (exit a H=12), un close SH01_BTC delle 12:00 era ancora
+`reason=hold_limit bars=3` (perdita −1,27%). Il fix non aveva effetto sul path reale.
+
+## Causa (bug di wiring, più grave del previsto)
+
+`src/portfolio/runner.py` importava `MLWorkerWrapper` da **`src/live/multi_runner.py`** e
+ci avvolgeva lo sleeve SH01:
+
+```python
+if spec.kind == "ml":
+    return MLWorkerWrapper(worker, {"retrain_hours": 24})
+```
+
+Ma quel wrapper è **legacy, per la famiglia squeeze ML01** (scartata, vedi CLAUDE.md):
+- usa `SignalEngine` = squeeze-detection + GradientBoosting (NON SH01_shape_ml);
+- ha una `tick()` propria che apre con un `Signal` **nudo** (niente tp/sl/max_bars) ed
+  esce con `if bars_held >= hold_bars: close("hold_limit")` → ignora del tutto la
+  strategia caricata e il fix horizon.
+
+Quindi lo sleeve "SH01" del portafoglio live **non eseguiva shape-ML**: eseguiva il
+motore squeeze scartato. I log `TRAIN OK / oos_signal_precision` venivano da lì. Il
+`worker` con strategy=SH01_shape_ml era costruito ma la sua `generate_signals` non
+veniva **mai** chiamata.
+
+## Fix
+
+SH01 (`kind="ml"`) ora gira come **StrategyWorker normale**: `SH01_shape_ml.generate_signals`
+fa il walk-forward (retraining) **internamente** ad ogni tick (`ml_wf_entries`) ed emette
+`metadata.max_bars=H=12` → gli exit passano per `StrategyWorker.tick()` e il fix horizon
+si applica davvero.
+
+```python
+# runner.py: niente più MLWorkerWrapper per kind="ml"
+return StrategyWorker(strategy=strategy, asset=spec.asset, tf=spec.tf, ...)
+```
+
+**Lookback dati.** `ml_wf_entries` ha `train_min=4000` → servono ≥4000 barre 1h prima di
+produrre segnali (con 90g/2160 barre → 0 segnali, runtime 0.01s — il falso "muto"). Le
+candele 1h di BTC/ETH già arrivano a 440g (le richiede TSM01/ROT02 a 1d), ma per non
+dipendere da quella coincidenza ho aggiunto `_ML_LOOKBACK_DAYS=365`: gli asset usati da
+sleeve ml fetchano ≥365g (~8760 barre). Costo `generate_signals` su 365g: **0,17–0,24s**
+(modello logit) → trascurabile sul poll 60s.
+
+**Verifica.** Build SH01 → `StrategyWorker` con `strategy.name=="SH01_shape_ml"`, niente
+attributo `engine` (regression test `test_build_ml_sh01_is_plain_strategyworker`). Smoke
+su 365g: 766–1786 segnali, tutti `max_bars=12`; tick live 0,17s. `ml_wf_entries` non
+predice mai l'ultima barra (`n-1`) ma fino a `n-2` = esattamente la condizione di apertura
+del worker (`idx >= last_idx-1`) → apre quando il segnale è fresco. Suite: 51 passed.
+
+**Stato live.** SH01 BTC/ETH erano flat: contatori resettati a 0 (capitale preservato
+58,76/58,78), vecchi trade squeeze archiviati in `trades_squeeze_archive.jsonl`. Rebuild
++ recreate: 14 worker RESUME puliti, container healthy, nessun log TRAIN/squeeze, zero
+errori.
+
+## Lezione
+
+1. **Verificare il path REALE, non solo il codice del fix.** Il fix horizon era giusto ma
+   SH01 non lo attraversava. Un fix non testato end-to-end sul percorso vivo è un fix
+   presunto. (Mi ero fidato del rebuild senza confermare il reason dei close SH01.)
+2. Riusare un wrapper legacy "perché c'è" è un rischio: `MLWorkerWrapper` di multi_runner
+   era per la famiglia squeeze scartata, non per shape-ML.
+3. Un modello ML "muto" può essere solo **fame di dati** (train_min), non un bug logico:
+   controllare sempre la dimensione della finestra prima di concludere.

docs/diary/2026-06-01-tp-min-edge.md

@@ -0,0 +1,89 @@
+# 2026-06-01 — "Win" che perdono: metrica netto-fee + filtro TP edge-minimo
+
+> Partito da un'osservazione dell'utente sui trade live PORT06: **ci sono close con
+> `win=True` ma `pnl` negativo**. Due problemi distinti, entrambi risolti.
+
+## Problema 1 — la metrica `win` mentiva (lordo invece di netto)
+
+In `strategy_worker.py::_close_position`:
+
+```python
+trade_return = price_change * direction          # LORDO, prima delle fee
+net = trade_return * leverage - fee_rt * leverage
+pnl = capital * position_size * net              # corretto (netto)
+is_win = trade_return > 0                         # BUG: usa il LORDO
+```
+
+`is_win` scattava appena il prezzo si muoveva di un soffio a favore, **prima delle
+fee**. Capitale e PnL erano giusti (netti); solo la metrica `win`/`accuracy` era
+gonfiata.
+
+**Quantificazione (51 close live):** 39 win dichiarate (76,5%) → **13 falsi win**
+(`win=True` ma `pnl≤0`) → accuratezza **netta reale 52,9%**. PnL realizzato +€0,77
+(resta positivo: lo trascinano i pairs).
+
+**Fix:** `is_win = net > 0`. + `tests/portfolio/test_win_net_of_fees.py` (mossa
+sotto-fee = non win; oltre-fee = win; perdita = non win).
+
+**Riconciliazione contatori persistiti:** i `total_wins` su disco erano gonfiati dal
+vecchio conteggio lordo. Ricalcolati come `net_return>0` dai `trades.jsonl`:
+**MR01_BTC 7→1, DIP01_BTC 7→1** (gli unici toccati; tutti gli altri già coerenti).
+Capitale invariato.
+
+## Problema 2 — i 13 falsi win erano tutti MR01_BTC / DIP01_BTC in take_profit
+
+Causa: in `MR01_bollinger_fade` e `DIP01_dip_buy` il **TP è la media** (`tp = ma[i]`)
+e l'entry è a `close[i]` appena fuori banda. Nel regime BTC **piatto** (inchiodato
+~73.700 per ore, vol bassissima) la media è a pochi dollari dall'entry → il TP cade
+**dentro** il costo round-trip (0,10%): colpire il TP = perdita netta garantita.
+
+**Meccanismo del fix (importante).** "Spostare il TP più in là" NON garantisce di non
+perdere: il prezzo rientra solo fino alla media, non oltre → si finirebbe su SL/time-
+limit, perdendo di più. La mossa provabilmente non-perdente è un **filtro di edge
+minimo**: se `|tp − entry|/entry ≤ min_tp_frac` non si apre la trade. Break-even
+esatto = `fee_rt` (= 0,10%, indipendente dalla leva, perché
+`ret = mossa·lev − fee_rt·lev > 0 ⇔ mossa > fee_rt`).
+
+**Implementazione:** parametro `min_tp_frac` (default 0.0 = off) in **tutte le 4 fade**
+(MR01 banda, MR02 midpoint canale, MR07 ATR-scaled) e DIP01; salta i segnali sotto
+soglia. Cablato negli sleeve live a **0.0015 (1,5× fee)** in `_defs.py` (`MIN_TP_FRAC`).
+
+**Validazione backtest (BTC+ETH 1h, config sleeve, min_tp_frac ∈ {0,.001,.0015,.002}):**
+neutro su tutte e 4 le fade.
+- MR01: 0 trade rimossi (BTC +8028€, ETH +10395€) — metriche identiche.
+- DIP01 BTC: −1 trade a 0.002, **migliora** (+7492→+7522€, DD 26,3→25,9%).
+- MR02 BTC: −1 trade a 0.0015 (pnl invariato +12198€), ETH 0 rimossi.
+- MR07 BTC/ETH: 0 rimossi (TP ATR-scaled sempre ben oltre le fee nello storico).
+
+Conclusione: i micro-scalp sotto-fee **non esistono nel campione storico** — sono un
+artefatto del regime attuale. Il filtro è **puro upside**: neutro sul backtest validato,
+protettivo dal vivo. (Le 12 trade live incriminate, tutte MR01/DIP01 BTC, avevano gap
+~0,026%, ben sotto 0,15% → tutte bloccate.)
+
++ `tests/portfolio/test_min_tp_frac.py` (monotonia + ogni superstite ha gap > soglia
++ default-off invariato).
+
+## Nota deploy — il codice è COTTO nell'immagine, non montato
+
+Scoperta durante il deploy: `docker-compose.yml` monta solo `./data` e
+`./portfolios.yml`; il sorgente (`src/`, `scripts/`) è `COPY` nel Dockerfile. Quindi
+**`docker compose restart` NON ricarica le modifiche al codice** — serve
+`docker compose up -d --build`. Conseguenza retroattiva: anche il fix SH01
+horizon-exit di stamattina è andato live solo con questo rebuild. Da ricordare per ogni
+futura modifica ai worker. Il volume `./data` persiste → i 14 worker fanno RESUME
+puliti dopo il rebuild (capitale e posizioni intatti).
+
+## Stato finale
+
+- `is_win = net > 0` live; contatori riconciliati (MR01/DIP01 BTC 1/9).
+- Filtro `min_tp_frac=0.0015` live su tutti i fade + DIP01 (attivo solo MR01/DIP01).
+- Fix SH01 horizon-exit ora **effettivamente** live (rebuild).
+- Suite: 49 passed. Container ricostruito, healthy, 14 sleeve in RESUME.
+
+## Lezione
+
+1. Una metrica di "win" deve essere **netto fee**, altrimenti l'accuracy è teatro.
+2. Quando il TP è dentro il costo di transazione, la trade è persa in partenza: meglio
+   **non prenderla** che ritoccare il TP.
+3. Per i worker live in Docker: **rebuild**, non restart. Il restart ricarica solo lo
+   stato dal volume, non il codice.

docs/diary/2026-06-02-fade-lossguard.md

@@ -0,0 +1,67 @@
+# 2026-06-02 — Loss-guard per le fade: filtro Hurst (regime persistente)
+
+> Goal: limitare le perdite delle fade in "bassa vol". Diagnosi empirica + ricerca web + workflow
+> 11 agenti + test decisivo a livello PORT06. Branch `feat/fade-lossguard`.
+
+## Riformulazione del problema (la premessa era imprecisa)
+
+Diagnosi su 3022 trade fade (MR01/MR02/MR07 × BTC/ETH, 2021+): **le perdite NON si concentrano in
+bassa vol** — anzi il terzile low-DVOL è net positivo (+2,30%/trade). Il vero driver è il **regime
+PERSISTENTE/trending**, misurato dall'Hurst:
+- somma perdite peggiore: **hurst>0,55** (−2695% in low-vol, dominante in ogni terzile vol)
+- **stop-rate 43% per hurst>0,55 vs 21% per hurst<0,45** (anti-persistente) — 2x
+- peggiori 1% trade: Hurst medio 0,61 (77% con hurst>0,55, solo 13% in bassa-DVOL)
+
+## Ricerca web (confermata e smentita dai dati reali)
+- **Hurst regime filter** (MR solo H<0,45, evitare H>0,55): **CONFERMATO** sui dati reali. ✅
+- **ADX** (PF 1,62 sotto 20 vs −0,74 sopra 30): **NON si replica** — ADX-skip uccide l'edge
+  (Sharpe 4,82→0,99) e lo stop-rate non scende. ❌
+- **vol-expansion ATR-ratio>1,5 (−72% perdite)**: **NON si replica** — alza DD e stop-rate. ❌
+- **time-stop ~15 barre**: riduce stop-rate ma alza il DD full → non passa standalone. ❌
+
+## Workflow 11 agenti — meccanismi testati
+| Meccanismo | OOS Sharpe (base→filt) | DD full | Buon loss-guard? |
+|---|---|---|---|
+| **Hurst-SKIP h<0,55** | 4,82→4,96 ↑ | 24,3→13,8% ↓ | **SÌ** |
+| **Hurst-SIZE 1/0,5/0,25** | 4,65→5,32 ↑ (full) | 33,6→11,3% maxDD ↓ | **SÌ** |
+| ADX-skip | 4,82→0,99 ✗ | — | NO (uccide edge) |
+| vol-expansion vratio | 4,82→4,04 | 24,3→27,5% ✗ | NO |
+| Kaufman ER, time-stop, vol-target, DVOL-rising, combo | tutti ↓ o DD↑ | — | NO |
+
+**Solo l'Hurst** isola chirurgicamente il regime tossico; gli altri sono "dimmer uniformi" che
+tagliano winner insieme ai loser (gate FR01 fallito).
+
+## TEST DECISIVO a livello PORT06 — SUPERATO ✅
+
+Applicato l'Hurst-skip alle 6 fade dentro il PORT06 intero (equal-weight, le altre 11 sleeve
+invariate):
+
+| Portafoglio | FULL Sharpe | FULL DD | OOS Sharpe | OOS DD | OOS ret |
+|-------------|:--:|:--:|:--:|:--:|:--:|
+| PORT06 baseline | 6,62 | 4,10% | 8,89 | 1,22% | +175% |
+| **+ Hurst-skip h<0,55** | **6,76** | **2,39%** | **9,15** | 1,54% | +158% |
+| + Hurst-skip h<0,50 | 6,61 | 2,08% | 9,02 | 1,54% | +150% |
+
+**A differenza di FR01 (che diluiva), il filtro Hurst MIGLIORA il PORT06**: FULL Sharpe ↑, **FULL
+DD quasi dimezzato (4,10→2,39%)**, OOS Sharpe ↑ (8,89→9,15). Costo: OOS DD +0,3pp (resta minuscolo),
+OOS ret −17pp. **h<0,55 è il pick** (0,50 taglia più ritorno). Non aumenta il profitto: è puro
+**rischio** — dimezza il DD mantenendo/alzando lo Sharpe.
+
+## Implementazione
+Aggiunto `hurst_skip_mask` in `src/strategies/fade_base.py` (rolling-Hurst causale dalle SOLE close)
++ parametro `hurst_max` (default None=off) in MR01/MR02/MR07. Test: `test_hurst_lossguard.py`.
+
+**Vantaggio operativo decisivo vs FR01:** l'Hurst si calcola **dalle sole close** → nessun feed
+DVOL/regime live necessario. Lo `StrategyWorker` lo computa inline dai dati che già ha → **deployabile
+senza nuova infrastruttura**, basta settare `hurst_max: 0.55` nei params degli sleeve fade.
+
+## Da fare per attivarlo live (deploy)
+1. Settare `hurst_max: 0.55` nei params delle fade in `_defs.py` (sleeve live) + aggiornare i params
+   fade del backtest (`combine_portfolio`/`report_families`) per PARITÀ + rigenerare il
+   regression-lock PORT06 (i numeri canonici cambiano: DD 4,9→~2,4%).
+2. Verificare che il rolling-Hurst live nel worker coincida col backtest (stessa finestra 100,
+   stesso stepping causale).
+3. Rebuild immagine Docker (`up -d --build`, non restart) + verifica RESUME.
+
+Default attuale: `hurst_max` OFF → zero impatto su backtest/parità/live finché non lo si attiva
+esplicitamente. Il SISTEMA è trovato e validato; l'attivazione è una decisione di deploy.

docs/diary/2026-06-02-fractal-argo-search.md

@@ -0,0 +1,89 @@
+# 2026-06-02 — Ricerca a 100 agenti: Frattali del segnale × Regime ARGO
+
+> Workflow multi-agente (171 agenti, 8,4M token, ~7h) per cercare una strategia che combini
+> un SEGNALE FRATTALE con un GATE/INTERAZIONE DI REGIME ARGO (DVOL/funding/VRP), validata OOS.
+> Branch: `feat/fractal-argo-search`. Substrato e codice sul branch, niente impatto su main/live.
+
+## Substrato costruito
+- `regime_fetcher.py`: DVOL (2021-03→oggi) + funding (2019→oggi) BTC/ETH da **Deribit mainnet
+  public** (no-auth, OI/IV reali — non il testnet farlocco di Cerbero).
+- `regime_lab.py`: allineamento regime↔prezzo **causale no-look-ahead** (merge_asof backward),
+  feature regime (dvol_pct, **vrp=dvol−rv**, funding_z, dvol_chg) + frattali (rolling Hurst,
+  Higuchi FD, vol-ratio, Williams pivot), cache feature precalcolate, validazione netto-fee OOS
+  via `explore_lab`. Bug corretto in corsa: `vrp` annualizzava la realized-vol sempre come 1h →
+  rotta su 4h/1d (sempre negativa); fix per timeframe.
+- `fractal_argo_workflow.js`: 84 agenti griglia (7 famiglie frattali × 6 angoli regime × BTC/ETH)
+  + 8 wildcard + verifica avversariale dei survivor + sintesi.
+
+## Verdetto
+
+**Esistono edge frattale×regime reali, causali, robusti** (15 confermati dalla batteria
+avversariale: audit look-ahead bit-esatto, cross-asset, split alternativo, fee 0.2% RT, plateau).
+**MA nessuno batte PORT06 standalone** (OOS Sharpe 8,19 / DD 2,3%): sono **diversificatori a
+bassa esposizione** (1,5-8%, ~100-460 trade), profilo SH01/pairs.
+
+### Top candidati confermati
+| Strategia | Asset/TF | OOS Sharpe | OOS DD | trade |
+|-----------|----------|:--:|:--:|:--:|
+| FRAC-VRP multiscala (chop × VRP<0) | ETH 1h | 5,55 | 11% | 184 |
+| HigVRP-Fade (Higuchi alto × VRP<0) | BTC 1h | 4,55 | 7,2% | 286 |
+| **HurstCalmFade (hurst<0,55 × dvol<0,4)** | BTC 1h | **3,73** | 5,1% | 198 |
+| WILD8 Pivot-Hurst | BTC 4h | 3,87 | 10% | 482 |
+| AnalogFundingFade (kNN forma × funding) | ETH 4h | 2,15 | 9,3% | 229 |
+
+## Il finding chiave (controintuitivo): il prior ARGO è SMENTITO
+
+La tesi naïve **"VRP>0 = GEX+ = range = fade" FALLISCE** sistematicamente. L'edge robusto e
+ripetuto è su **VRP<0** (vol implicita *sottoprezzata* vs realizzata → mean-reversion whippy) e su
+**DVOL bassa**, l'opposto del brief. Gate invertito VRP>0 → Sharpe −2,08/−1,30 su entrambi gli
+asset. È il risultato più solido di tutta la ricerca, look-ahead-clean (lag-1/3/6 robusto).
+
+## Cosa aggiunge valore vs cosa è decorativo
+- **Load-bearing (confermato per ablazione):** VRP<0; hurst-low × dvol-low (HurstCalmFade taglia
+  DD OOS 17%→5%); funding_z estremo |fz|≥1,8 (analog ETH 4h).
+- **Decorativo (DD-reducer, non interazione):** dvol_chg, dvol_high/low e funding come gate spesso
+  riducono solo esposizione senza migliorare il segno.
+
+## Cosa è RUMORE (conferma i priori del progetto)
+- Frattali da soli (angolo=none): hurst/Higuchi/vratio/chop/candle/analog intraday → non robusti
+  (DD 30-90%, muoiono di fee). Conferma `shape_lab`.
+- Momentum/breakout gateato (hurst>0,6, dvol-rising): catastrofico (Sharpe −2…−7) → riconferma
+  dominanza mean-reversion, i breakout rientrano.
+- ARGO-GEX nella direzione attesa (VRP>0): perde. Coerente con W18/19/21 scartate.
+- Pivot-fade non-laggato (frac_up[i]): artefatto squeeze-like, va sempre laggato a i−2.
+
+## Vincitore selezionato + test decisivo
+
+**FR01 HurstCalmFade BTC 1h** (`scripts/strategies/FR01_hurst_calm_fade.py`): il più verificato,
+DD più basso (5,1% OOS), generalizza a ETH. **Test di correlazione decisivo** (la domanda che
+conta: aggiungerlo migliora il PORT06 o è ridondante?): correlazione daily-returns coi fade
+esistenti **MR01 +0,17 / MR02 +0,08 / MR07 −0,03** → **BASSA, quasi-ortogonale**, NON ridondante.
+Passa il gate → vale l'inserimento come diversificatore.
+
+## Onestà finale
+L'edge frattale×regime è **reale, causale, robusto** ma è sempre **mean-reversion già nota
+condizionata dal regime (VRP<0 / hurst-low / dvol-low)**, non un motore ortogonale nuovo. Valore =
+**riduzione DD aggregato come sleeve a bassa esposizione**. La correlazione bassa lo qualifica come
+diversificatore reale.
+
+## TEST DECISIVO SUL MASTER — VERDETTO FINALE: NON deployare
+
+Misurato il contributo marginale di FR01 al PORT06 intero (equal-weight, `master_corr`):
+
+| Portafoglio | FULL Sharpe | OOS Sharpe | OOS DD | OOS ret |
+|-------------|:--:|:--:|:--:|:--:|
+| PORT06 (17 sleeve) | 6,62 | **8,89** | 1,2% | +175% |
+| PORT06 + FR01 (19) | 6,55 | **8,72** | 1,1% | +156% |
+
+**FR01 NON migliora il PORT06: lo DILUISCE** (OOS Sharpe 8,89→8,72, OOS ret +175%→+156%; DD
+marginalmente meglio 1,2→1,1% ma a costo di Sharpe). Corr FR01 vs MASTER +0,18 (BTC)/+0,23 (ETH).
+
+**Causa + nota di onestà metrica:** lo Sharpe "3,73" dei report del workflow è **per-trade/annuale**
+(`explore_lab`); quello rilevante per il portafoglio è lo **Sharpe daily-return** (`combine`), che per
+FR01 è solo **~1,85/1,53** — troppo basso per muovere un PORT06 a 8,89. È "ridondanza robusta":
+mean-reversion regime-gated che si sovrappone a ciò che il MASTER già fa.
+
+**ESITO: il search a 100 agenti ha trovato strategie robuste e causali, ma NESSUNA migliora il
+PORT06.** Non deployare FR01 né i candidati gemelli. Valore del progetto resta nell'estendere
+fade/pairs validati. Tutto resta come RECORD DI RICERCA sul branch (non si merge in produzione).
+Wiring DVOL live e walk-forward: non necessari, deploy abbandonato.

docs/diary/2026-06-04-exit-lab.md

@@ -0,0 +1,176 @@
+# 2026-06-04 — EXIT LAB: ricerca massiva exit dinamiche (34 agenti) → EXIT-16 close-confirm SL PROMOSSO
+
+## Obiettivo
+
+Cercare exit migliori per le fade attive: TP dinamici, SL dinamici/protettivi,
+meccanismi per "cavalcare il prezzo". Mandato: ≥20 agenti con specifiche
+differenti, guardia anti-overfitting, test su tutto lo storico disponibile.
+
+**Esito in una riga: "cavalcare" non esiste (17ª conferma), ma la ricerca ha
+trovato una cosa più grossa — LO STOP-LOSS INTRABAR FISSO È IL COMPONENTE CHE
+DISTRUGGE PIÙ VALORE NELLE FADE, e la forma robusta del fix (SL confermato in
+chiusura, EXIT-16) è PROMOSSA a livello PORT06: OOS Sharpe 8.82→10.06,
+FULL DD 4.10→2.60.**
+
+## Infrastruttura (riusabile)
+
+- `scripts/analysis/exit_lab.py` — harness CONDIVISO: cache segnali live-params
+  delle 3 fade (`data/cache/exit_lab_signals.pkl`, 73.6k barre 1h 2018→2026-05,
+  BTC+ETH), engine intrabar identico a `fade_base` (parità verificata al punto
+  percentuale su tutti e 6 gli sleeve), contratto anti-look-ahead esplicito
+  (`levels(j)` solo dati ≤ j-1; `after_bar(j)` sul close = eseguibile al poll),
+  protocollo train/OOS (selezione parametri SOLO su pre-2023-11; OOS letto una
+  volta), fill parziali, `ExitPolicy` pluggable.
+- `scripts/analysis/exit_policies/` — 23 policy + 10 script di verifica.
+- `scripts/analysis/exit16_port06_impact.py` — replay canonico `build_trades`/
+  `fade_daily_equity` con parità ESATTA (corr 1.00000) + innesto EXIT-16 +
+  ricalcolo PORT06 (cap pairs 0.33, leva 2x).
+
+## Fase 1 — Explore: 23 agenti, una famiglia ciascuno
+
+Tally: **3 PROMISING, 5 NEUTRAL, 15 REJECT.**
+
+REJECT (la famiglia "cavalca il prezzo" è stata falcidiata): trail_atr_ride,
+trail_pct, breakeven, sar_trail, tp_decay, tp_extend_momentum, tp_moving_mean,
+partial_tp_trail, hurst_exit, giveback, loser_timestop, donchian_trail,
+ema_cross_exit, vol_rescale, sl_tp_ride. Autopsia ricorrente: **il TP delle
+fade sta ALLA MEDIA; lì il movimento è esaurito per costruzione → oltre quel
+punto non c'è coda da cavalcare** (il runner finiva oltre il TP ~3% delle
+volte). Caso da manuale `trail_atr_ride`: train 5/6 a favore, **OOS 0/6**
+(MR01 ETH ret 134%→1%) — senza l'embargo train/OOS l'avremmo promosso.
+
+NEUTRAL: ratchet, sl_tighten, z_overshoot, wide_sl_trail, swing_stop
+(miglioramenti misti, mai 5/6).
+
+PROMISING — tre meccanismi diversi, UNA stessa tesi ("gli stop intrabar da
+wick sono falsi negativi: l'overshoot che buca lo stop è esattamente ciò che
+la fade vuole fadare, e rientra"):
+- **EXIT-02 trail_atr_keep_tp** (chandelier k=1.5 + TP fisso): 6/6 train, 5/6 OOS.
+- **EXIT-16 close_confirm_sl** (SL solo se la barra CHIUDE oltre sl0±0.5·ATR):
+  **6/6 train E 6/6 OOS**, plateau.
+- **EXIT-22 no_sl** (diagnostica: SL rimosso): 6/6+6/6, plateau monotono
+  perfetto `SL stretto < base < SL 2x < niente SL`.
+
+## Fase 2 — Verify: 10 avversari (leakage / overfit / stress × 3 + tail-risk)
+
+- **EXIT-02 CONFUTATO (2/3).** (a) Overfit: è **Pareto-dominato da no_sl a
+  ZERO parametri** su tutti i 6 sleeve OOS (Sharpe base→trail→noSL: MR01 BTC
+  2.77→3.08→5.67; MR02 ETH 12.35→11.41→17.24 — il trail PEGGIORA lo sleeve di
+  punta) → overfit di selezione: la forma parametrizzata sbagliata di una tesi
+  giusta. (b) Leakage: codice pulito MA **scoperta di metodo: il 54% degli
+  stop del trail è GAP-THROUGH** (l'open del bar è già oltre il livello;
+  gap mediano 62-174 bps): l'engine che filla gli stop "al livello" SOVRASTIMA
+  ogni policy a stop stretti; col fill realistico `worse(level, open)` il
+  confronto si ribalta. **Da oggi ogni ricerca con stop tight deve modellare
+  il gap-through.** Lo SL largo della base ne è quasi immune.
+- **EXIT-16 SUPERA 4/4.** Leakage: contratto pulito, robusto a 1-3 bar di lag
+  e al fill a `open[j+1]` (esce deliberatamente tardi → il timing fine è
+  irrilevante per costruzione). Overfit: plateau monotono su buffer 0.4→1.0
+  FUORI griglia, il ponte SL-largo k=1.5→4 converge, 4 finestre temporali ok,
+  e **indipendente dal loss-guard Hurst** (segnali rigenerati senza guard:
+  la tesi regge anche nel regime trending). Stress: fee 2x 6/6, slippage
+  20 bps simmetrico 6/6, bear 2021-22 ok.
+- **EXIT-22 invalidato SENZA mitigazione (tail-risk).** p99 MAE ~raddoppia
+  (MR01 ETH −38.8→−59.7%); finestra FTX 2022-11: MR02 ETH **−39% (worst −48%,
+  MAE −70%)** dove la base faceva +2.7% uscendo in 2-3 barre. E un fatto di
+  wiring: con `sl=0` il worker cade nel ramo `elif max_bars` → **il fallback
+  −2% è codice morto: no_sl live girerebbe SENZA ALCUNO stop**. Il disaster-SL
+  4× tiene ~95% del ritorno ma il worst pooled resta −47%.
+- **Raccomandazione convergente del tail-auditor: EXIT-16** — neutralizza
+  quasi tutta la coda DA SOLO (p99/worst ≈ base; FTX: +2.4%) mantenendo
+  l'immunità ai wick. Mai usare uno stop stretto −2% come fallback (cappa
+  l'edge insieme alla coda).
+
+## Fase 3 — Test decisivo a livello PORT06 (path canonico)
+
+Replay di `build_trades`/`fade_daily_equity` con **parità ESATTA** (corr
+1.00000, ritorni identici, PORT06 base == `Portfolio.backtest()` al centesimo:
+FULL 6.47/4.10%, OOS 8.82/1.30% — i numeri 6.07/8.19 citati in CLAUDE.md sono
+pre-refresh-dati). Poi SOLO il ramo SL sostituito col close-confirm 0.5·ATR:
+
+| PORT06 | FULL Sharpe | FULL DD | FULL CAGR | OOS Sharpe | OOS DD | OOS CAGR |
+|--------|------------|---------|-----------|-----------|--------|----------|
+| base | 6.47 | 4.10% | 61% | 8.82 | 1.30% | 86% |
+| **EXIT-16** | **7.84** | **2.60%** | **79%** | **10.06** | **1.15%** | **102%** |
+
+Gate (lo stesso del loss-guard Hurst): **PROMOSSO** — migliora OGNI metrica,
+FULL e OOS. Per-sleeve: ritorni FULL ~4-10x (MR01 BTC 299→1963%) e DD giù su
+5/6 (eccezione MR02 ETH +3.4pp, assorbita in aggregato).
+
+## Verdetto e piano di deploy (DA FARE, non ancora implementato)
+
+**EXIT-16 close_confirm_sl, buffer 0.5·ATR14, SOLO sulle 6 fade.**
+1. Param `sl_confirm_atr=0.5` nelle fade (default None = comportamento
+   attuale, per non rompere i backtest canonici/regression-lock).
+2. `FadeStrategy.backtest` + `StrategyWorker.tick`: disattivare l'uscita
+   intrabar a sl0; aggiungere il ramo sul CLOSE del bar (long: esci se
+   `close < sl0 − 0.5·ATR14`; short speculare). TP intrabar e max_bars
+   INVARIATI. ATR14 causale già disponibile.
+3. Shadow reale: nessun nuovo tipo d'ordine (il close-confirm esce al close
+   del worker → market reduce-only come oggi; il limit resting al TP di
+   v1.0.7 resta identico).
+4. DIP01/pairs/rotation/tsmom/shape NON toccati.
+
+## Caveat onesti
+
+- L'uscita al close può essere PEGGIO di sl0 sui veri sfondamenti (già nei
+  numeri del backtest, ma la coda dipende dai gap: campione 1h crypto,
+  stress estremi sottorappresentati).
+- Niente stop fisico sul book → rischio gap/disconnessione fra i poll
+  (mitigazione possibile in futuro: disaster-SL intrabar a 4× come cintura,
+  costa ~5% del guadagno).
+- avg_bars +~18% (esposizione su; già nei numeri via non-overlap).
+- I numeri per-sleeve FULL (ret 4-10x) vanno letti col solito sconto del
+  compounding su 8 anni; la decisione è presa sul gate PORT06, non su quelli.
+
+## Scoperte collaterali da NON perdere
+
+1. **Gap-through fill**: l'engine intrabar filla gli stop al livello anche
+   quando l'open è già oltre → bias sistematico PRO stop-stretti. Aggiungere
+   il fill `worse(level, open)` all'harness prima di future ricerche su stop.
+2. **Wiring worker**: una strategia con `sl=0`+`max_bars` gira nel ramo
+   `elif max_bars` → il fallback −2% non si applica. Oggi nessuna strategia
+   attiva emette sl=0, ma il ramo va reso esplicito se mai si deployasse
+   una policy senza SL.
+3. Il prior ladder di stamattina è confermato e generalizzato: 4 conferme
+   indipendenti che oltre il TP non c'è nulla da cavalcare.
+
+## Costi della ricerca
+
+34 agenti (23 explore + 10 verify + 1 PORT06), ~1.65M token subagente,
+~70 minuti wall-clock su 2 core. Workflow: `exit-policy-explore`
+(wf_4b23e922-f48) + `exit-policy-verify` (wf_f2bb98df-c43).
+
+## IMPLEMENTATO E DEPLOYATO (sera stessa, v1.1.0)
+
+Param `sl_confirm_atr` (default None = comportamento storico):
+- `src/strategies/fade_base.py` `FadeStrategy.backtest` + `scripts/strategies/
+  MR01_bollinger_fade.py` (ha un backtest proprio, duplicato storico — patch
+  identica): ramo close-confirm al posto dell'SL intrabar; TP intrabar e
+  max_bars invariati; in modalità confirm il TP ha priorità nel bar (come la
+  policy validata in exit_lab).
+- `src/live/strategy_worker.py` `tick`: con `sl_confirm_atr` nei params dello
+  sleeve, TP intrabar al livello come prima; stop SOLO se `close` sfonda
+  `sl ∓ buf·ATR14(df)`, uscita al prezzo corrente (reason `stop_loss`
+  invariata → il monitor stop-rate di `hourly_report` continua a funzionare).
+- `scripts/portfolios/_defs.py`: `SL_CONFIRM_ATR = 0.5` sulle 6 fade (path
+  live, come `hurst_max`). Il backtest canonico resta NON filtrato.
+- Test: `tests/portfolio/test_close_confirm_sl.py` (wick non stoppa; breach
+  sul close stoppa al close; TP intrabar resta; buffer regge; regressione
+  senza param). 59/59 verdi.
+
+**Nota onesta dal sanity-check sul path GREZZO (nessun filtro):** il ritorno
+esplode (MR02 ETH cap 366k→3.0M) ma il **DD per-sleeve SALE** (MR01 BTC
+32→52%): senza trend-filter/hurst il close-confirm tiene posizione anche nei
+trend profondi. La riduzione di DD vive nella config live (trend_max 3.0 +
+hurst 0.55) e nella diversificazione — esattamente ciò che il test PORT06
+canonico ha misurato (DD 4.10→2.60). Le tre protezioni sono COMPLEMENTARI:
+hurst toglie l'esposizione al regime tossico, il trend-filter gli ingressi
+sovra-estesi, il close-confirm i falsi stop da wick.
+
+**Monitoraggio live:** lo stop-rate fade su `hourly_report` dovrebbe scendere
+sotto il ~38% atteso post-hurst; gli stop avranno exit leggermente oltre il
+livello (uscita al close), i TP restano al livello (e nello shadow reale al
+limit reduce-only di v1.0.7).
+
+Deploy: commit `a2579d2` (+ research `ad65a0b`), release v1.1.0.

docs/diary/2026-06-04-partial-tp-ladder.md

@@ -0,0 +1,63 @@
+# 2026-06-04 — Exit ladder (80% del TP → esci 80%, runner con stop dinamico): SCARTATO
+
+## La proposta
+
+"E se all'80% del TP usciamo con l'80% della posizione, mettiamo uno SL dinamico
+su quella soglia (profitto lockato) e lasciamo correre il 20% restante?"
+
+Idea: uscita scalare — bancare prima la maggior parte del profitto (la soglia
+all'80% viene toccata più spesso del TP pieno) e tenere un runner free-ride con
+worst-case alla soglia, best-case oltre il TP.
+
+## Il test (onesto, stessi segnali)
+
+`scripts/analysis/partial_tp_ladder.py`: replay intrabar degli STESSI segnali
+delle 3 fade (params live: `trend_max=3.0, ema_long=200, hurst_max=0.55,
+min_tp_frac=0.0015`), engine identico a `fade_base` (ingresso a `close[i]`,
+SL pieno prioritario nello stesso bar, fee 0.10% RT × leva 3 — il ladder NON
+paga fee extra: due uscite ma stesso notional). Convenzioni conservative: se il
+bar che tocca la soglia chiude oltre (rientro), il runner è stoppato subito.
+Griglia: base vs ladder (f=0.8 q=0.8 — la proposta —, f=0.8 q=0.5, f=0.5 q=0.5),
+FULL + OOS (nov 2023→), BTC+ETH.
+
+## Risultati (proposta f0.8 q0.8)
+
+| Sleeve | ret% FULL base→ladder | DD% | ret% OOS | win% OOS |
+|---|---|---|---|---|
+| MR01 BTC | 92 → 92 | 13.8 → 10.0 | 41 → 39 | 60 → 65 |
+| MR01 ETH | 194 → 195 | 16.5 → 15.3 | 134 → 147 | 70 → 75 |
+| MR02 BTC | 129 → 112 | 19.0 → 17.2 | 66 → 54 | 55 → 59 |
+| **MR02 ETH** | **2135 → 1319** | 16.2 → 12.7 | **893 → 651** | 75 → 80 |
+| MR07 BTC | 78 → 78 | 6.8 → 5.2 | 43 → 40 | 64 → 66 |
+| MR07 ETH | 115 → 96 | 10.6 → 10.6 | 68 → 64 | 66 → 70 |
+
+## Verdetto: NO-GO (gate fallito)
+
+1. **Il runner non corre.** Su centinaia di trade finisce oltre il TP quasi mai
+   (~3% dei partial; 0-15 casi per sleeve) e viene **stoppato alla soglia nel
+   ~60% dei tocchi**. È la fisica mean-reversion: il TP delle fade sta ALLA
+   MEDIA — lì il movimento è esaurito per costruzione. Il runner è un
+   trend-follow della coda, e i breakout rientrano (lezione squeeze).
+2. **Il costo è concentrato sui winner migliori**: ogni TP pieno ora esce
+   all'80% della strada sulla quota grossa → MR02 ETH (lo sleeve più forte)
+   −38% ret FULL / −27% OOS. Sharpe per-trade ~piatto: non migliora il
+   rischio/rendimento, scambia ritorno con DD.
+3. **Quello che compra** (win-rate +4-5pp, DD −1-4pp) è lo stesso profilo del
+   **vol-target sizing già scartato** ("abbassa il DD ma sacrifica ritorno");
+   il lavoro anti-DD lo fa già il loss-guard Hurst, che il gate l'ha passato
+   perché taglia SOLO i loser.
+
+Nota dal grid: `f0.5 q0.5` su MR07 ETH fa Sharpe OOS 6.58 / win 82%, ma
+distrugge MR02 (2135→531) → nessuna variante robusta su tutti gli sleeve,
+niente cherry-picking per-sleeve.
+
+Argomento esecutivo in più: il ladder raddoppierebbe la complessità dello
+shadow appena deployato (v1.0.7: limit reduce-only al TP) — due resting order
+per posizione, due riconciliazioni, e lo stop dinamico avrebbe il problema dei
+trigger Deribit (nuovo order_id al trigger → fill non verificabile per
+order_id).
+
+**Conferma della lezione di famiglia:** i tweak d'exit che toccano i winner
+falliscono il gate (time-stop, vol-target, ADX, vratio… e ora il ladder);
+l'unico anti-perdite che passa resta il loss-guard Hurst, che riduce
+l'esposizione nel regime tossico senza toccare le uscite.

docs/diary/2026-06-04-shadow-divergence.md

@@ -0,0 +1,92 @@
+# 2026-06-04 — Shadow execution: divergenza sim/reale misurata + TODO limit reduce-only
+
+## Deploy v1.0.6
+
+Fix float deployata (`74670da` + release): `_quantize_step` con `Decimal` in
+`src/live/execution.py` — `72*0.001 = 0.07200000000000001` causava `Invalid params`
+su Deribit (1 `REAL_OPEN_FAIL` su MR07 il 2026-06-03). Resume pulito al restart.
+
+## Misura della divergenza sim vs reale (primi 7 close shadow)
+
+**Bilancio: PnL sim +11.85 USD vs reale +0.62 USD → delta −11.22 USD.**
+Le fee NON sono il problema ($0.63 totali = 0.05%/lato, esattamente l'assunto del
+backtest). Il problema è tutto nel **timing delle uscite**.
+
+- **Aperture allineate**: slippage da −8 a +27 bps, mediana ~±7 bps. OK.
+- **Chiusure take-profit: +235 bps di slippage medio** (MR07 ETH short: +257/+267/+283/+333 bps).
+  Causa strutturale, non liquidità: il sim esce *al livello TP* intrabar (come il
+  backtest), il reale chiude **a mercato solo al poll del tick**, quando il prezzo è
+  già rientrato (TP toccato a ~1790, fill reale a ~1840). Sim +3 USD a trade, reale ~0.
+- **Stop-loss: stessa meccanica ma a favore** (MR02 SL: −0.68 reale vs −2.87 sim).
+  Le fade però hanno più TP che SL → netto negativo.
+- **2 `REAL_CLOSE` non verificate** (order_id null, fallback su stima sim). Venue flat
+  (`get_positions()=[]`), nessuna posizione orfana — ma sorvegliare i prossimi close.
+
+**Implicazione onesta: l'edge di MR07 non sopravvive all'esecuzione market-on-poll.**
+Il backtest assume il fill al livello TP; il reale incassa il prezzo post-rimbalzo.
+
+## TODO (richiesto, da implementare)
+
+Nello shadow-execution (`src/live/execution.py` + `StrategyWorker`): all'apertura
+della posizione reale piazzare su Deribit un **LIMIT reduce-only appoggiato al
+livello TP** (e idealmente stop-market per lo SL), invece di chiudere a mercato al
+poll — così il fill reale replica l'assunzione intrabar del backtest.
+
+Dettagli da considerare:
+- cancellare/aggiornare l'ordine resting se il sim esce per `max_bars` o al restart (resume);
+- i 3 fade BTC condividono lo strumento (posizioni nettate per conto): il limit
+  reduce-only deve coprire la SOLA quota del worker, come già fa `close_amount`;
+- verificare il fill del resting order via `get_trade_history` (order_id), come per i market.
+
+## IMPLEMENTATO (sera): LIMIT reduce-only al TP
+
+**Flusso nuovo.** A ogni `REAL_OPEN` verificato il worker piazza subito un
+**limit reduce-only al livello TP** (lato opposto, stesso `amount` della SOLA
+quota del worker — strumento condiviso fra i 3 fade per coin) → evento
+`REAL_TP_RESTING` (o `REAL_TP_FAIL` → si resta sul vecchio market-on-poll).
+Alla chiusura sim, qualunque sia la ragione, `_real_close` ora:
+1. **cancella** il resting (innocuo se già fillato — e dopo il cancel nessun
+   fill può più arrivare, niente race);
+2. **riconcilia i fill** (anche parziali) dal `get_trade_history` per order_id
+   (stessa fonte autorevole dei market), con retry se il cancel risulta
+   "già fillato" ma la history è in ritardo;
+3. chiude a **market reduce-only solo la quota residua** (exit non-TP:
+   stop_loss/time_limit, o TP non raggiunto sullo strumento d'esecuzione);
+4. ledger reale su **prezzo d'uscita combinato** (media pesata fill-TP +
+   market) e fee sommate. `REAL_CLOSE` logga `tp_order_id`,
+   `tp_filled_amount`, `market_amount`.
+
+**Dettagli del TODO coperti:**
+- `max_bars`/`stop_loss` → il cancel è il passo 1 di ogni chiusura;
+- restart → `real_tp_order_id` è **persistito** in `status.json`: al resume il
+  resting resta in book e la prima chiusura lo riconcilia normalmente;
+- quota del worker → il limit usa lo stesso `amount` dell'apertura (mai
+  `close_position`); il residuo è ri-quantizzato allo step (Decimal) dentro
+  `close_amount` (niente artefatti float tipo `0.072-0.024`);
+- prezzi limit quantizzati al **tick** dello strumento (`quantize_price`,
+  BTC_USDC 0.5 / ETH_USDC 0.05 — Deribit rifiuta prezzi off-tick).
+
+**SL: niente stop-market, decisione deliberata.** (a) Su Deribit un trigger
+order, quando scatta, genera l'ordine eseguito con un **nuovo order_id** → il
+fill non sarebbe verificabile via `get_trade_history` per order_id (il
+requisito di verifica); (b) la misura di stamattina mostra che sul SL il
+market-on-poll lavora **a favore** (il rimbalzo riduce la perdita). Lo SL resta
+quindi market-on-poll.
+
+**Bonus fee.** Quando il TP filla da resting il fill è **maker** (~0% su
+Deribit) invece di taker 0.05% — il reale farà meglio dell'assunto 0.10% RT
+sulle uscite TP.
+
+**Verifica.** `live_shadow_smoke.py` esteso ai due percorsi e passato su
+testnet: (A) resting in book → exit `time_limit` → cancel + market fallback,
+conto flat; (B) TP già crossato → fill immediato del limit, chiusura
+riconciliata dalla history **senza ordine market** (`market_amount=0`),
+prezzo persino migliore del TP (+48 bps, taker sul cross). 54 test pytest OK.
+
+**Caveat residuo onesto.** Se il processo muore DOPO il fill del resting e
+PRIMA della chiusura sim, il worker al resume riconcilia al prossimo exit sim
+(corretto); ma nell'intervallo la quota reale è già chiusa mentre il sim la
+crede aperta — finestra breve e solo contabile. Inoltre il TP del sim è sul
+feed (`BTC-PERPETUAL` inverse) mentre il limit vive sul lineare USDC: la base
+fra i due può far fillare/non fillare il limit a cavallo del livello — il
+fallback market copre il caso.

docs/diary/2026-06-05-confirm-sl-forming-bar.md

@@ -0,0 +1,67 @@
+# Diario — 2026-06-05 — Fix EXIT-16 live: confirm sul close di barra COMPLETATA + alert STALE_FEED
+
+## Innesco
+
+Crash ETH 2026-06-05: gli stop MR01/MR02 ETH sono scattati molto sotto il livello
+nominale (MR02: sl 1636.28 → exit 1600.45; MR01: sl 1610.75 → exit 1594.35).
+Analisi delle due concause dichiarate:
+
+1. **EXIT-16 close-confirm** (by design): uscita al close oltre `sl ∓ 0.5·ATR14`,
+   non al livello — costo accettato e MODELLATO nel backtest validato (7.84/10.06).
+2. **Feed gappato**: ETH testnet flat ~2h (1656.80/1655.55, 13:00–14:50 UTC), poi
+   una candela 14:55 da 1634 a 1600 — nessun prezzo esisteva tra SL ed exit. I fill
+   REALI confermano (1600.2 / 1589.7, slippage −1.6/−29 bps): non è un bug, è il mercato.
+
+## Scoperta: divergenza implementativa REALE nel worker
+
+Audit dei 3 stop ETH del 2026-06-04/05 contro le candele:
+
+| Stop live | Close barra COMPLETATA al momento | Confirm | Verdetto |
+|---|---|---|---|
+| MR02 06:03 @1672.9 | 1682.25 (05:00) | ~1675.4 | **wick-stop**: il backtest NON avrebbe stoppato lì |
+| MR02 15:00 @1600.45 | 1600.05 (14:00) | ~1621 | legittimo, fill ≈ backtest |
+| MR01 15:01 @1594.35 | 1600.05 (14:00) | ~1594.4 | **wick-stop**: il backtest NON avrebbe stoppato lì |
+
+**2 su 3 erano valutazioni sulla barra IN FORMAZIONE**: `tick` confrontava
+`current_price` (close istantaneo della candela in corso al poll) con `sl − buf`.
+Il backtest (`fade_base`) valuta il confirm SOLO sul close di barra completata
+`c[j]`. La differenza reintroduce live esattamente la wick-sensitivity che EXIT-16
+elimina: un dip infrabarra sotto il confirm stoppava anche se la barra chiudeva
+sopra (e nei dip-che-rientrano la fade vince — è il suo edge). Live sarebbe stato
+strutturalmente PIÙ stop-prone del backtest validato.
+
+## Fix (`strategy_worker.py`, ramo sl_confirm_atr)
+
+- Il confirm è valutato sul **close dell'ultima barra COMPLETATA**: l'ultima riga
+  del df è la candela in corso finché non è trascorsa la sua durata
+  (`now_ms < ts[-1] + bar_ms`, `bar_ms` = mediana dei delta timestamp → regge 1h/4h/1d).
+- Il `buf` usa l'ATR14 alla stessa barra completata (prima: barra in formazione).
+- Il **fill resta al prezzo corrente** al poll (lag ≈ stress `lag_close_exit`,
+  superato in exit-lab). TP intrabar sulla barra in corso INVARIATO (= backtest).
+- Test nuovi in `test_close_confirm_sl.py` (sezione FIX 2026-06-05): il dip della
+  candela in corso non stoppa; il breach della completata stoppa anche se rimbalzato;
+  TP intrabar invariato. NB fixture: timestamp in ms ESPLICITI
+  (`Timestamp.now()` è risoluzione µs → `astype int64 // 10**6` darebbe secondi).
+
+## Concausa feed: entry-guard TESTATA e BOCCIATA, solo osservabilità
+
+Quantificato (1h, storico completo): segnali fade subito dopo barre flat = BTC
+0.2–0.9%, **ETH 3.4–11.8%**. Backtest con skip di quei segnali (config live,
+sl_confirm 0.5): **PEGGIORA tutti gli sleeve ETH** (MR01 +1344→+1256, MR02
++2372→+2250, MR07 +740→+621; BTC ~invariato). La candela-gap post-flat è
+l'overshoot che la fade fada con profitto — e i fill reali post-crash lo
+confermano (riaperture a −1.9 bps di slippage). **Niente skip degli ingressi.**
+
+Aggiunto invece **alert Telegram `STALE_FEED`** (`runner._check_stale_feed`):
+notifica quando un asset ha ≥2 barre 1h complete flat (worker ciechi) e al
+risveglio col **gap %** del primo prezzo reale. Una notifica per episodio
+(dedup per asset). Solo osservabilità, zero effetto sulle decisioni.
+
+## Cosa NON è stato toccato (e perché)
+
+- Il **costo del confirm** (uscita al close, non al livello nominale) resta: è il
+  trade-off validato di EXIT-16 (FULL 6.47→7.84, OOS 8.82→10.06) — i wick-stop
+  evitati pagano molto più dei close-stop più profondi.
+- Il **gap-through** non è mitigabile lato exit: nessun prezzo esisteva tra SL ed
+  exit (fill reali ≈ sim). L'unica protezione strutturale resta la diversificazione
+  (17 sleeve) + i cap di famiglia.

docs/diary/2026-06-05-sh01-sl-research.md

@@ -0,0 +1,99 @@
+# Diario — 2026-06-05 — SL su SH01: ricerca multi-agente (verdetto: NO-SL, cap del peso)
+
+## Innesco
+
+Crash ETH del 2026-06-05 (1742→1546, −11%, con feed testnet FLAT ~2h e gap 1655→1600):
+SH01 ETH si è preso la coda intera, **−15.6% in un trade** (long 1727.8 → time_limit 1594.35,
+leva 2x) — il singolo trade peggiore del portafoglio live. SH01 non ha TP/SL per design
+(exit solo a orizzonte H=12). Domanda: esiste uno SL che taglia le code senza distruggere
+l'edge (win ~50%, edge tutto nell'asimmetria dei winner)?
+
+## Numeri storici per anno (config live W24 H12 th0.58, netto fee 0.10% RT, leva 3x)
+
+Somma per-trade in pp (leva 3x); equity-level ≈ ×0.15.
+
+| Anno | BTC | ETH |
+|---|---:|---:|
+| 2018 | −65.8 | +73.7 |
+| 2019 | +87.7 | −19.3 |
+| 2020 | +194.0 | **−293.1** |
+| 2021 | +301.3 | +67.4 |
+| 2022 | +64.3 | +79.1 |
+| 2023 | +17.4 | +20.6 |
+| 2024 | +110.0 | +108.1 |
+| 2025 | +76.8 | +539.7 |
+| 2026 | +59.0 | −29.5 |
+
+BTC = motore robusto (8/9 anni+). ETH = fragile (DD 61%, win 48.8%): la coda non
+protetta è un problema STRUTTURALE di ETH, non solo dell'episodio live.
+
+## Infrastruttura (riusabile)
+
+`scripts/analysis/sh01_exit_lab.py` — harness onesto stile exit-lab:
+- cache segnali walk-forward (`data/cache/sh01_exit_lab.pkl`, 7248 BTC + 7386 ETH entries);
+- engine intrabar con **fill GAP-AWARE**: stop fillato a `worse(livello, open[j])`, non
+  "al livello" — chiude il bias PRO-stop-stretti documentato il 2026-06-04 (54% di fill
+  ottimisti) e modella il caso reale del crash (gap 1655→1600 senza scambi intermedi);
+- modalità stop `intrabar` e `close` (close-confirm stile EXIT-16), `after_bar` per
+  policy discrezionali, stress `lag_close_exit` (poll in ritardo);
+- parity ESATTA con `explore_lab.simulate` (BTC +218.50%/1531 trade, ETH +80.13%/1257);
+- protocollo: TRAIN fino 2023-11-01 (selezione SOLO lì, plateau ≥3 celle), OOS una volta.
+
+Baseline (orizzonte puro): BTC TRAIN +127%/dd23/shrp2.09/worst−5.5 | OOS +41%/8/2.18/−3.1.
+ETH TRAIN **−26%/dd61/shrp−0.16/worst−14.9** | OOS +143%/7/**3.60**/−4.6.
+
+## Esito: 11 famiglie testate, 0 sopravvissute
+
+Policy in `scripts/analysis/sh01_exit_policies/` (01-10 dagli agenti + 11 dal
+completeness-probe della sintesi):
+
+| # | Famiglia | Verdetto |
+|---|---|---|
+| 01 | ATR fisso intrabar (k 1–5) | NO: 0/7 celle migliorative sul train |
+| 02 | ATR fisso close-confirm (k 1–5) | NO: k=4 migliora ETH train (shrp −0.16→+0.62, DD 61→41, worst −8.4) MA ETH-OOS peggiora (shrp 3.60→2.32, worst −6.6) |
+| 03 | % fisso (1–5%, 2 modi) | NO: BTC↓, ETH-OOS ret 52% del baseline |
+| 04 | Chandelier trailing | NO: cella isolata; ETH-OOS tutto peggio (4ª bocciatura della famiglia trailing) |
+| 05 | Breakeven ratchet | NO: 0 celle migliorative |
+| 06 | Giveback (profit-protection) | NO: dormiente sulle code (worst invariato), taglia winner BTC |
+| 07 | Loser time-stop (m,x) | NO: ETH-OOS shrp↓ DD↑, BTC↓ |
+| 08 | Disaster-cap LARGO close-confirm (k 3–6) | NO: k=4 plateau sul train ma ETH-OOS DD 7→11-15%, ret 59-74%; FABBRICA short da stop a −44/−54% |
+| 09 | Swing strutturale | NO: 0/18 celle |
+| 10 | Stop condizionale vol-regime | NO: il migliore dei falliti (ETH-OOS shrp 3.28 vs 3.60) ma BTC train <95% |
+| 11 | Disaster-cap LARGO **intrabar** (k 5–12) | NO: k=10 cella isolata; BTC-OOS shrp 2.18→**0.92**, worst −3.1→−11.4 (il fill gap-aware rende lo stop più tossico del no-stop) |
+
+**Pattern (5ª conferma della lezione exit-lab):** ogni stop abbastanza stretto da toccare
+la coda ETH intacca il motore BTC; ogni stop abbastanza largo da risparmiare BTC non
+arriva mai alla coda ETH. Per un segnale win~50% con edge nell'asimmetria dei winner,
+OGNI SL taglia i winner-in-drawdown insieme ai loser. In più il fill gap-aware mostra
+che proprio nei crash (quando lo stop servirebbe) il fill è al gap, non al livello:
+lo stop intrabar largo PEGGIORA la coda OOS di BTC invece di proteggerla.
+
+## Decisione
+
+- **NO SL su SH01** (né `sl` né `sl_confirm_atr` per SH_BTC/SH_ETH: corretto E sicuro —
+  il fallback −2% del worker si applica solo se `sl` è presente).
+- **La leva giusta è il PESO**: cap della famiglia SHAPE nel weighting di PORT06
+  (`weighting.py` supporta già `caps` per famiglia, come PAIRS 0.33). Dimezzare la quota
+  SHAPE ≈ dimezza l'impatto della prossima coda −15% sul conto, a costo ~nullo di Sharpe
+  (SH01 è un diversificatore, corr +0.08 col MASTER).
+- **APPLICATO E DEPLOYATO (stesso giorno):** `caps={"PAIRS": 0.33, "SHAPE": 0.0588}` in
+  `_defs.py` (SHAPE 11.8%→5.9%, ≈ mezzo sleeve equal; SH_BTC=SH_ETH=0.0294, somma pesi 1.0,
+  verificato). Quantificato sul backtest PORT06:
+
+  | Config | FULL Sharpe | FULL DD | CAGR | OOS Sharpe | OOS DD |
+  |---|---:|---:|---:|---:|---:|
+  | precedente (SHAPE 11.8%) | 6.47 | 4.10% | 61.2% | 8.82 | 1.30% |
+  | **cap SHAPE 5.9% (scelto)** | 6.43 | 3.96% | 62.1% | 8.58 | 1.36% |
+  | SHAPE rimosso | 6.30 | 3.88% | 63.0% | 8.26 | 1.41% |
+
+  Il costo (−0.24 OOS Sharpe) è il premio dell'assicurazione su una coda che il backtest
+  daily NON modella (gap di feed, flat testnet). Rimuovere SHAPE costa troppo (8.26).
+
+## Direzioni future (fuori scope SL, annotate dalla sintesi)
+
+1. **Liquidity/staleness-gate sull'ENTRY** (skip ingressi dopo finestre di feed flat —
+   il flat 2h ha preceduto il gap del 2026-06-05): la direzione più promettente per il
+   gap-through specifico, merita uno studio dedicato.
+2. Vol-target sizing per-trade su SH01 (sulle fade fallì, su SH01 mai testato).
+3. SL solo-ETH: scartato anche concettualmente (il beneficio coda ETH è marginale/nullo
+   OOS in TUTTE le famiglie — non è un problema di uniformità del meccanismo).

docs/diary/2026-06-06-improvement-sweep.md

@@ -0,0 +1,71 @@
+# 2026-06-06 — Improvement sweep multi-agente (review live PORT06)
+
+> Ricerca multi-agente del 2026-06-06 (106 agenti, 196 finding grezzi, 60 verificati avversarialmente, 37 validi / 23 uccisi).
+> Workflow: port06-improvement-sweep (wf_56b7d4de-a06).
+
+
+## 1. Quadro d'insieme
+
+Il sistema PORT06 gira correttamente nella struttura (17 sleeve, runner pool/ledger == backtest), ma la review ha trovato **due classi sistematiche di problemi**, non bug isolati.
+
+**(a) Divergenze live-vs-backtest per omissione di protezione.** Il pattern documentato del progetto è "il live AGGIUNGE protezione che il backtest canonico non ha" (Hurst, EXIT-16) → il live fa meglio del backtest sul DD. Qui si trova il contrario in più punti: il filtro `trend_max=3.0` è ON nel backtest canonico ma **OFF in produzione su tutte e 6 le fade** (base.py:91 / _defs.py:35-38); il cap `SHAPE=0.0588` v1.1.2 è **inerte** (sovrascritto da portfolios.yml) → SH01 gira a **2x peso** senza stop-loss; EXIT-16 non è esteso a DIP01 (l'unico sleeve BTC che esegue davvero); la forming-bar lesson non è portata a TR01 né a PairsWorker. Diversi diari (2026-06-04-partial-tp-ladder.md:15, 2026-06-04-exit-lab.md) documentano config che il codice NON implementa.
+
+**(b) Calibrazione/sizing che diverge dal validato.** SH01 fa fuoco sul 25% delle barre vs 2.9% validato (th0.58 inerte per train-window troppo corto); i pairs girano a `pos=0.5` mentre tutta la validazione PR01 è `pos=0.15` (DD ~3.3x); TR01 sotto-carica le fee 2x (manca il fattore leva).
+
+Tema ricorrente onesto: **la maggior parte delle "scoperte" sono ripristini di config già validate, non nuovo alpha.** I bug di config (cap, trend_max) vanno corretti subito; ogni cambio di *strategia* deve passare il gate PORT06/OOS (precedente FR01: robusto-individualmente ≠ migliora PORT06).
+
+## 2. P0 — Protezione capitale / gap live
+
+| Titolo | Cosa fare | Evidenza | Effort |
+|---|---|---|---|
+| **Cap SHAPE 0.0588 inerte → SH01 a 2x peso** | `load_active_portfolio` deve fare **deep-merge** dei caps (partire da `p.caps` e aggiornare con `ov["caps"]`), oppure ridichiarare il dict completo in `portfolios.yml:7` come `{PAIRS:0.33, SHAPE:0.0588}`. Ri-snapshot pesi, confermare sum=1.0. SH01 non ha SL by-design e ha già subìto un −15.6% live: il cap è l'UNICA protezione coda. | `src/portfolio/base.py:91-93` setattr sovrascrive caps; `portfolios.yml:7` `{PAIRS:0.33}`; `scripts/portfolios/_defs.py:75` `{PAIRS:0.33,SHAPE:0.0588}`; live `data/portfolios/PORT06/status.json` SH_BTC=SH_ETH=0.0588 (totale 0.1176 = 2.0x intended). Backtest canonico usa il cap giusto (FULL 6.43/OOS 8.58) → è una rottura di parità. | low |
+
+> Nota: la stessa correzione risolve anche il sotto-peso ~9% di tutti gli altri non-pairs (0.0588 live vs 0.0647 intended); il rischio materiale è solo SHAPE.
+
+## 3. P1 — Alto valore, testabile subito
+
+| Titolo | Cosa fare | Evidenza | Effort |
+|---|---|---|---|
+| **`trend_max=3.0` OFF in produzione su tutte le 6 fade** | Aggiungere `"trend_max":3.0, "ema_long":200` alla SleeveSpec FADE `_defs.py:36-37`. Ripristina la config del backtest canonico (look-ahead-free, EMA200 causale). MR02/MR07 lo onorano (non lo ignorano). Ri-validare a livello PORT06 (template `exit16_port06_impact.py`) perché Hurst+trend si sovrappongono. | `_defs.py:35-38` (no trend_max); `MR01_bollinger_fade.py:61` `get('trend_max')`→None; `combine_portfolio.py:47` canonico usa trend_max=3.0; `risk_management.py:242` lo applica a tutte e 3. Live: MR01_ETH/MR02_ETH hanno fadato il crash ETH 06-05 più volte (long@1658.9 poi long@1592.8 in caduta 1727→1517), tutti stoppati (trades.jsonl). Misurato (live-hurst-on, 3x): MR02_ETH DD 27.3%→16.2%, WR +8pp, Sharpe +1.34 (return ~dimezzato — trade-off DD/return). | low |
+| **Disaster-bracket on-book durante outage feed** | Il poll-loop intero è in un try/except: in un outage le posizioni REALI restano **senza stop sul book e senza valutazione exit**. Piazzare un bracket lontano (~−30%) su Deribit per i fade eseguiti [MR01,MR02,MR07,DIP01] via `cerbero_client.py:137 set_stop_loss` (esiste, non cablato). Non spara mai in operatività normale → 0 costo Sharpe; pura assicurazione. | `runner.py:246-298` (try/except unico, sleep su errore); ETH gap p99.9=996bps, max=3301bps, peggior 3h −3492bps (`data/raw/eth_1h.parquet`); REAL_OPEN 06-05 verificati; `docs/diary/2026-06-04-exit-lab.md:119-121` lo segnala, mai implementato. Caveat: nei crash il fill è al gap, non al livello → cappa ma non al trigger. | low-med |
+| **SH01 th0.58 inerte: fa fuoco sul 25% delle barre vs 2.9% validato** | **Ri-validare SH01 OOS con train-window pari al regime live (~8760 barre)** invece dell'expanding full-history. La LogReg su train piccolo è over-confident (mean max-proba 0.582 vs 0.536). NON limitarsi ad alzare th (la calibrazione resta sbagliata). Se l'edge non sopravvive nel regime live, riconsiderare SH01. | misurato: small-train frac≥0.58 = 44.8% vs full 3.8%; live-window 1197 entry (49.9% long) vs 139 (71.9% long), trade-rate 25.1% vs 2.9%. `SH01_shape_ml.py:60` th=0.58; tutta la validazione (`shape_ml_validate.py`) usa training expanding. È la causa meccanica del WR live 1/9. Blast radius limitato dal cap SHAPE (vedi P0). | low (test) |
+| **Pairs a pos=0.5 vs validazione pos=0.15 (DD ~3.3x)** | Introdurre un `position_size` per-famiglia (plumb `SleeveSpec`/`build_worker_for`, runner.py:43-89) e portare i pairs a **0.15-0.25**. Ri-eseguire `combine` alla pos live prima del deploy. I pairs sono la famiglia a DD-grezzo più alto (ETH/BTC 47.6%) e **senza stop** (exit solo |z|≤z_exit o max_bars). | `portfolios.yml:14` pos=0.5; `pairs_worker.py:157` pnl=cap*pos*net; `pairs_research.py:29` POS=0.15; live ADA/ETH 06-05 net −8.52% = −4.26% sleeve (sarebbe −1.28% a 0.15). Choice deliberata (commento yaml), ma diverge dal validato. | low-med |
+| **TR01: fee sotto-caricate 2x (manca leva)** | Moltiplicare il termine fee per `self.leverage` (basket_trend_worker.py:69) per allinearlo al return leveraged (riga 67) e al reference `fee=FEE_RT/2*LEV` (honest_improve2.py:150). | worker fee/flip 1.5e-05 vs corretto 3.0e-05 (POS0.15/LEV2/N5) = 2.0x. tsmom/rotation_worker sono consistenti → TR01 è l'unico difettoso. Drag assoluto piccolo (low turnover) ma bias ottimistico mono-direzionale che gonfia total_capital nel rebalance. | low |
+| **PairsWorker agisce sulla barra IN FORMAZIONE** | Portare la EXIT-16 forming-bar logic ai pairs: calcolare `bar_ms` da `median(diff(ts))` e valutare z sull'ultima barra COMPLETA (entry+exit), come `strategy_worker.py:445-447`. | `pairs_worker.py:185` i=len(m)-1, :195 exit, :204-207 entry su barra in formazione; backtest `pairs_research.py:69-75` solo close settled; `validate_worker_pairs.py` non esercita il path → divergenza non testata. | low |
+| **TR01 valuta crossover EMA sulla barra 4h in formazione** | In `tick` scartare la barra in formazione (`k=-1 if now_ms≥ts[-1]+bar_ms else -2`) e valutare il segnale sull'ultima 4h COMPLETA; correggere ANCHE il booking del return (riga 66 legge la finestra in formazione). | `basket_trend_worker.py:60-72` legge `[-1]` (forming); reference `honest_improve2.py:152` `range(n-1)` solo completi. Evidenza: SOL flip 0→1@85.66 poi 1→0@77.72 a 59min, stessa finestra 08-12 UTC (−9.3% intra-window glitch). Fix incompleto se si tocca solo il segnale. | low |
+| **DIP01 senza EXIT-16 (ed è l'unico sleeve BTC che esegue reale)** | Aggiungere `"sl_confirm_atr":0.5` (e valutare `hurst_max`) ai params DIP01 `_defs.py:41-42` (il worker lo legge già, zero codice). **Ri-validare sul grid OOS proprio di DIP01 + a livello PORT06 con engine gap-aware** prima del deploy (DD standalone sale BTC 23→37%). | `_defs.py:41-42` DIP01 ha solo {min_tp_frac}; worker gira il branch intrabar wick-sensitive (`strategy_worker.py:466`) invece del close-confirm (:429). Riproducibile: BTC FULL 299→726/OOS 60→168, ETH FULL 187→898/OOS 221→255. I 3 fade BTC sono flat (0 ordini reali); DIP01_BTC è l'UNICO BTC con round-trip reale → gap non teorico. | low (fix) / med (validazione) |
+| **TSM01 252d lookback: shortfall su un asset tronca l'inner-join sotto need=253, tick() esce in silenzio** | Aggiungere un WARN/Telegram quando `panel<need` (gated su "era già operativo" per evitare falsi positivi al cold-start). Coprire anche RotationWorker (stesso silent return). | `runner.py:37` 1d=440; `tsmom_worker.py:53-55` need=253, return muto; `rotation_worker._panel how='inner'` tronca al più corto; live margine 188 (OK ora) → latente, non attivo. | low |
+| **Osservabilità: TR01/ROT02/TSM01 invisibili in hourly_report** | `hourly_report.collect()` filtra su chiavi (`event`, `in_position`) che i worker multi-asset non emettono → 100% delle loro righe scartate. Aggiungere `in_position` ai `_save()` dei 3 worker e/o esporre `status_summary` (long correnti + giorni-dall'ultimo-flip). Distingue "flat in chop" da "wiring rotto". | TR01 2 record (entrambi 06-03, lo SOL whipsaw), flat da allora; ROT02/TSM01 0 trade (rispettivamente cash / risk-off da 06-01, by-design). `hourly_report.py:105,111`; worker `_log`/`_save` senza `event`/`in_position`. | low |
+| **MR07 reale: ripristino-fill non esercitato (short-side TP-resting mai testato)** | Smoke testnet `live_shadow_smoke.py` con `direction=-1` per esercitare il limit reduce-only BUY sotto mercato (può crossare subito → path `resting_fills`). MR07 (+ tutti i worker) ha 0 TP-resting filled finora → reconciliation completamente non testata in produzione. | MR07_ETH 5-6 REAL_OPEN tutti 06-03 PRE-fix (TP-resting 2026-06-04); +257/267/283/333bps slippage legacy (sunk, non ricorrente). Tutti i REAL_TP_RESTING verificati sono side=buy (long); il path short non è mai stato esercitato né in ledger né negli smoke. `strategy_worker.py:253` `_place_real_tp`. | low |
+
+## 4. P2 — Filoni di ricerca
+
+- **MR01 ETH k=2.0 vs k=2.5 deployato.** k=2.0 è uniformemente meglio OOS su ETH (no-filtro +1238% vs +487%; trend-filtrato +569% vs +196%) e neutro su BTC sotto filtro live. Non è nuovo overfit: è il config per-asset *documentato* (MR01:15-16) che il k=2.5 universale ha silenziosamente abbandonato. Da confermare a livello PORT06 con i param live (hurst/sl_confirm). `risk_management.py:40,44`.
+- **Limit-order maker entry sui fade — NO-GO confermato.** Strutturalmente infattibile: il segnale fade fa fuoco quando il close ha già bucato la banda (mediana 33bps sotto); un buy-limit al livello è marketable→taker; un limit più profondo manca i winner che rimbalzano in 1-4 min. Negativo-EV, non implementare. `MR01_bollinger_fade.py:84,93`; live MR07_ETH 5 open→TP in ~1.4min.
+
+## 5. P3 / Scartati in verifica
+
+- **Commento errato in `_defs.py:17-18`** ("MR02/MR07 ignorano min_tp_frac") — falso (lo leggono e applicano, MR02:46,72), ma il filtro è di fatto inerte su MR02/MR07 nel campione → solo igiene doc, no PnL.
+- **TSM01 inerte (0 trade da 06-03)** — corretto by-design (BTC sotto SMA100 dal 06-01 + tutti gli asset consensus negativo). Solo diagnostica; NON redistribuire il capitale (riduce la diversificazione quando il regime gira).
+- **Time-limit fade NON sono un leak** — myth-busting: il bucket max_bars è net-positivo OOS (+118÷+195bps, +154%/+335% totale); il vero loser è lo SL (già gestito). NON accorciare max_bars.
+- **Fill max_bars next-open vs close** — wash misurato (5/6 sleeve identici); il worker già filla ~next-open. Nessuna azione.
+- **SH01 H=12 fuori scope `exit_lab.py`** — routing: usare `sh01_exit_lab.py` (gap-aware) per qualsiasi studio orizzonte SH01. Clarificazione, non bug.
+- **PairsWorker bars_held conta poll-con-nuovo-ts non barre reali** — latente (0 time_limit su 9 close), bite solo dopo outage >2h con z ancora oltre soglia; rischio di introdurre exit-anticipato se bar_ms via median-diff su feed testnet flaky → usare bar_ms fisso. Igiene, bassa priorità.
+
+## 6. Piano consigliato (2 settimane)
+
+**Settimana 1 — protezione capitale e parità (config-only, niente cambio di strategia):**
+
+1. **Giorno 1 — P0 cap SHAPE.** Deep-merge dei caps in `base.py:91`; ri-snapshot pesi PORT06, confermare SH totale=0.0588, sum=1.0, nessuno sleeve affamato. Verificare contro il backtest canonico (FULL 6.43/OOS 8.58). Questo dimezza l'esposizione SH01-no-SL già colpito dalla coda.
+2. **Giorno 1-2 — TR01 fee 2x + forming-bar (TR01 e Pairs).** Fix puramente di parità/contabilità, nessun gate OOS necessario (avvicinano il live al backtest validato). Coprire il silent-return TSM01/Rotation con WARN.
+3. **Giorno 2-3 — disaster-bracket on-book + osservabilità outage.** Cablare `set_stop_loss` lontano (~−30%) sui 4 fade eseguiti; aggiungere alert su N poll falliti consecutivi con `real_in_position=True` e log del gap% al risveglio. Smoke testnet (€0). Pura assicurazione coda, 0 costo Sharpe.
+4. **Giorno 3 — osservabilità report** (TR01/ROT02/TSM01 in hourly_report) + smoke MR07 short-side TP-resting.
+
+**Settimana 2 — ripristini di config validata, ognuno dietro il gate PORT06/OOS:**
+
+5. **Giorno 4-6 — `trend_max=3.0` sulle 6 fade.** Implementare in `_defs.py`, poi **ri-eseguire il gate PORT06** (template `exit16_port06_impact.py`) misurando trend-ON+hurst+EXIT-16 vs attuale trend-OFF: deploy SOLO se Sharpe OOS non peggiora e DD scende (sovrapposizione hurst+trend va quantificata).
+6. **Giorno 6-8 — pos pairs per-famiglia.** Plumbing `SleeveSpec.position_size`; ri-eseguire `combine` a pos live (target 0.15-0.25); scegliere il punto sul trade-off DD/ritorno; deploy.
+7. **Giorno 8-10 — DIP01 EXIT-16+hurst.** Validare sul grid OOS proprio di DIP01 (famiglia honest, meccanismi tarati su fade) **con engine gap-aware**, poi gate PORT06. Deploy solo se passa entrambi.
+8. **Giorno 10-12 — SH01 ri-validazione train-window.** Ri-eseguire validazione con train cap ~8760 barre (regime live). Se l'edge sopravvive → tarare th/calibrazione su slice held-out; se non sopravvive → riconsiderare SH01 (NON ri-tunare il th a forza). **Mai impostare sl/sl_confirm_atr su SH.**
+
+Filoni P2 (MR01 k ETH) e cleanup P3 in coda, opportunistici. Regola trasversale: i punti 1-4 sono fix di bug/parità e vanno per primi; 5-8 toccano il comportamento di trading e **nessuno va in produzione senza superare il gate OOS + PORT06** (precedente FR01: robusto individualmente ≠ migliora il portafoglio).

docs/diary/2026-06-07-dip01-exit16.md

@@ -0,0 +1,49 @@
+# 2026-06-07 — DIP01 EXIT-16: PROMOSSO (gate gap-aware, il più netto della serie)
+
+Punto 9 della roadmap sweep: DIP01 era l'unico sleeve BTC con esecuzione REALE
+round-trip e girava ancora sul branch SL intrabar wick-sensitive. EXIT-16 era
+validato SOLO sulle fade: estensione a una strategia honest dietro doppio gate
+(grid proprio di DIP01 + PORT06), con engine GAP-AWARE come da lezione exit-lab.
+
+## Metodo (`scripts/analysis/dip01_exit16_impact.py`)
+
+- Parità con la equity canonica: corr **1.00000**, ret +322% identico.
+- **Engine gap-aware**: nel ramo orig lo SL filla a `worse(livello, open[j])` —
+  l'engine canonico filla "al livello" anche su gap-through (54% dei casi per stop
+  tight) e regalerebbe al ramo intrabar un vantaggio fittizio.
+- Grid 3×3×2 (z_in × sl_atr × max_bars) su BTC (deployato) ed ETH (robustezza);
+  train (pre 2024-10-12) e OOS separati. Buffer plateau {0.4, 0.5, 0.75, 1.0}.
+- NB `hurst_max` NON valutato su DIP01: il gate trendmax dello stesso giorno ha
+  mostrato che è ridondante-dannoso post-EXIT-16.
+
+### Trappola di metodo trovata: l'ancora bfill di `_daily_equity`
+
+La prima parità falliva (corr 0.9956, −16pp) con **engine identici** (662 trade,
+stessi return, stesso capitale finale). Causa: la convenzione canonica
+`_daily_equity` (serie a punti trade-exit → `reindex(IDX).ffill().bfill()`)
+**ancora il primo valore della finestra al PRIMO trade dentro IDX** (es. 942.54
+dopo le perdite di gennaio 2021), non al capitale portato avanti dall'ultimo trade
+del 2020 (979.23). Il mio replay hourly era più "corretto" ma per parità va
+replicata la convenzione. **Finding aperto**: questo bias tocca le metriche
+canoniche di TUTTI gli sleeve a punti-trade (honest/pairs/tsm) — l'ancoraggio
+distorce leggermente il punto di partenza della finestra. Da valutare a parte se
+correggerlo OVUNQUE in un colpo solo (cambierebbe i numeri canonici di riferimento).
+
+## Risultati
+
+- **Grid BTC: 36/36** (EXIT-16 ≥ orig gap-aware in train E OOS in tutte le 18
+  celle). OOS Sharpe ~2-4x (cella canonica 1.47→3.48), DD giù in 14/18 celle.
+- **Grid ETH: 35/36** (unica eccezione la cella estrema z3.0/sl3.0/mb48, marginale).
+- **Plateau buffer piatto**: OOS DD 6.4% identico da 0.4 a 1.0; scelto 0.5 (== fade).
+- **PORT06**: FULL Sharpe 6.43→6.61, DD 3.96→3.58 | OOS Sharpe 8.58→8.77, DD
+  1.36→1.34. Migliora tutto. **PROMOSSO**.
+
+È la 5ª conferma indipendente del principio EXIT-16: gli stop intrabar da wick
+sono falsi negativi per le strategie mean-reversion — l'overshoot che buca lo
+stop è il movimento che si sta comprando.
+
+## Deploy
+
+`_defs.py`: `"sl_confirm_atr": 0.5` nei params DIP01_BTC (il worker legge già il
+param — zero codice). Live path: TP intrabar invariato, SL solo su close confermato,
+disaster-bracket on-book già attivo per gli outage.

docs/diary/2026-06-07-pairspos-gate.md

@@ -0,0 +1,46 @@
+# 2026-06-07 — Gate position_size PAIRS: 0.5 → 0.20 (assicurazione, come il cap SHAPE)
+
+Punto 8 della roadmap improvement-sweep: i pairs giravano col `position_size`
+GLOBALE 0.5 a leva 2 (esposizione 1.0 della fetta) mentre TUTTA la validazione PR01
+è a pos 0.15 lev 3 (esposizione 0.45) — ~2.2x il validato su una famiglia **senza
+stop** (exit solo |z|≤z_exit o max_bars). Scelta deliberata (commento yml) ma mai
+gateata. Evidenza live: ADA/ETH 2026-06-05 net −8.52% = −4.26% di sleeve in un trade.
+
+## Metodo
+
+`scripts/analysis/pairspos_port06_impact.py`: le 5 equity pairs ricostruite con
+`pairs_sim` alla **leva live (2x)** su griglia pos {0.50, 0.25, 0.20, 0.15},
+innestate nel PORT06 canonico (pesi cap PAIRS 0.33 + SHAPE 0.0588). Parità
+verificata: `pairs_sim(0.15, lev3)` == equity canoniche (corr 1.00000, 5/5).
+
+## Risultati
+
+| pos | esp. | FULL Sh / DD | CAGR | OOS Sh / DD | fam DD | worst pair DD grezzo |
+|---|---|---|---|---|---|---|
+| 0.50 (live) | 1.00 | 6.69 / 4.77% | 130% | 9.05 / 3.40% | 14.0% | ETH/BTC 78% |
+| 0.25 | 0.50 | 6.50 / 4.04% | 67% | 8.69 / 1.54% | 7.2% | 51% |
+| **0.20** | **0.40** | 6.33 / 3.90% | 57% | 8.43 / **1.26%** | 5.8% | 44% |
+| 0.15 | 0.30 | 6.03 / 3.78% | 47% | 7.99 / 1.33% | 4.3% | 35% |
+
+Letture:
+- Il gate meccanico (OOS Sharpe non peggiora) **boccia ogni riduzione**: ovvio —
+  ridurre l'esposizione di una famiglia che in-sample non è mai esplosa costa sempre
+  Sharpe. Ma il +130% CAGR / +2.6e9% compounded di ETH/BTC a pos 0.5 è fantasia da
+  compounding: dice solo che il tail event non è ancora successo in-sample.
+- **0.20 è il ginocchio**: OOS DD 1.26% batte anche 0.15 (1.33% — oltre il ginocchio
+  si taglia ritorno senza guadagnare DD); esposizione 0.40 ≈ il validato 0.45.
+- Decisione di tipo assicurativo, identica al precedente cap SHAPE (adottato pagando
+  −0.24 OOS Sharpe).
+
+## Decisione (utente): pos PAIRS = 0.20
+
+Implementazione:
+- `runner.pos_for_spec(sid, global_ps, family_overrides)` — override per-famiglia
+  (chiave = `weighting.family_of`), plumbato in `build_worker_for`.
+- `portfolios.yml`: `position_size_family: {PAIRS: 0.20}` (globale 0.5 invariato
+  per fade/dip/shape).
+- Test: `test_pos_for_spec_family_override`, `test_build_pairs_worker_position_size`.
+
+Nota di transizione: la posizione LTC/ETH aperta al deploy (entrata a sizing 0.5)
+verrà chiusa col pos nuovo 0.20 → il pnl % sleeve di quel singolo trade è bookato
+alla taglia nuova (one-time, conservativo).

docs/diary/2026-06-07-sh01-trainwindow.md

@@ -0,0 +1,51 @@
+# 2026-06-07 — SH01 punto-10: il regime live (train 365g) NON è robusto → bootstrap full-history
+
+Punto 10 della roadmap sweep: ri-validare SH01 col train-window del regime live
+(~8760 barre, il `_ML_LOOKBACK_DAYS=365` del runner) invece dell'expanding
+full-history usato da tutta la validazione storica.
+
+## Ri-validazione (`scripts/analysis/sh01_trainwindow_validate.py`)
+
+`ml_wf_entries(train_window=...)` rolling su storia piena ≈ il regime live.
+Protocollo explore_lab (FULL / OOS 30% / sweep fee / anni positivi), W24 H12 th0.58.
+
+| BTC train | trade-rate | FULL / OOS | Sharpe | fee 0.2%: FULL/OOS | anni+ | robusto |
+|---|---|---|---|---|---|---|
+| 8760 (live) | **21.7%** | +82 / +74 | 1.31 | **−42** / +20 | 6/9 | ❌ |
+| 17520 (2y) | 15.4% | +166 / +96 | 2.05 | +9 / +47 | 6/9 | ❌ |
+| 26280 (3y) | 11.8% | +348 / +95 | 3.09 | +109 / +61 | 7/9 | ❌ |
+| EXPANDING | 9.8% | +219 / +42 | 2.72 | +60 / +26 | 8/9 | ✅ |
+
+ETH a tw=8760: **FULL −33%, Sharpe −0.02** (lancio di moneta che paga fee).
+
+Conferme: (a) la diagnosi del sweep era esatta (trade-rate 22-26% live vs 10%
+validato — soglia inerte per over-confidence su train piccolo); (b) la
+progressione è MONOTONA: l'edge di SH01 *è* la memoria lunga; (c) lo sweep della
+soglia nel regime corto dà risultati instabili e incoerenti fra asset → ri-tunare
+th sarebbe curve-fitting sul rumore di calibrazione (come da warning del piano).
+
+## Decisione (utente): bootstrap full-history
+
+Ripristinare in live ESATTAMENTE il regime validato (expanding full-history):
+
+1. **`ml_wf_entries(last_block_only=True)`** — fitta/predice SOLO l'ultimo blocco
+   del walk-forward. I confini dei blocchi sono deterministici (start + k·retrain)
+   e al worker servono solo i segnali recenti → le entries dell'ultimo blocco sono
+   **identiche per costruzione** al tail del WF completo (parity test esatto in
+   `tests/portfolio/test_sh01_last_block.py`). Costo live: **0.6 s/tick** su 73k
+   barre (1 fit LogReg) vs ~140 fit del WF completo.
+2. **Bootstrap storia nel runner**: per gli sleeve `ml` il tick riceve
+   `concat(parquet_locale < feed_start, feed_live)` (`runner._with_history`).
+   Gap-guard: se il parquet è stantio oltre il lookback del feed → solo feed +
+   WARN una-tantum (meglio il regime corto dichiarato che una serie col buco).
+   Manutenzione: tenere fresco il parquet con `download_all()` (oggi al 2026-05-28,
+   il feed copre 365g → margine ~11 mesi).
+3. `_defs.py`: `params={"last_block_only": True}` sugli sleeve SHAPE (solo path
+   live; il backtest canonico resta WF completo).
+
+Effetto atteso live: trade-rate SH01 da ~25% a ~10% delle barre, selettività
+della soglia ripristinata, WR atteso ≈ validazione (acc OOS ~56% BTC).
+Il monitor naturale è il report orario (SH01 farà MENO trade).
+
+Nota: `_ML_LOOKBACK_DAYS` resta 365 (il feed serve comunque per le barre recenti
+e come fallback se il parquet è stantio).

docs/diary/2026-06-07-sweep-fixes.md

@@ -0,0 +1,101 @@
+# 2026-06-07 — Implementazione fix improvement-sweep (P0 + punti 2-6, settimana 1)
+
+Implementati e deployati i fix "settimana 1" del piano dello sweep 2026-06-06
+(tutti fix di parità/protezione/osservabilità, nessun cambio di strategia → nessun
+gate OOS richiesto). Versioni: v1.1.3 (punti 1-4), v1.1.4 (punti 5-6).
+
+## P0 — cap SHAPE 0.0588 ripristinato (v1.1.3)
+
+`portfolios.yml` ridichiara il dict caps COMPLETO `{PAIRS: 0.33, SHAPE: 0.0588}`
+(l'override sostituisce interamente i caps di `_defs.py` via setattr in
+`base.py:load_active_portfolio` — footgun ora commentato nel yml). Verificato live
+post-restart: SH_BTC+SH_ETH = 0.0588 totale (prima 0.1176 = 2x intended), non-cappati
+risaliti a 0.0647, sum = 1.0 — parità col backtest canonico (FULL 6.43 / OOS 8.58).
+
+## Punti 2-4 — parità worker multi-asset (v1.1.3)
+
+- **TR01 fee × leva**: `POS · LEV · fee_rt/2` per flip come il reference
+  `honest_improve2._tr_basket_daily:150` (prima sotto-caricata 2x).
+- **TR01 forming-bar**: crossover EMA E booking del return solo su barre 4h COMPLETE
+  (riga -1 = candela in corso finché non è trascorsa la sua durata, pattern EXIT-16).
+  Evidenza live che non può più ripetersi: flip SOL 0→1→0 in 59min stessa finestra 4h.
+- **PairsWorker forming-bar**: entry ED exit sul close di barra COMPLETA, come il
+  backtest `pairs_research` (close settled).
+- **TSM01/ROT02 silent-return**: WARN log + Telegram `PANEL_SHORT` quando il panel
+  inner-join è sotto il lookback (helper condiviso `_warn_panel_short` in
+  rotation_worker), gated su "era già operativo", una notifica per episodio.
+
+Verifiche: 72 test (7 nuovi), `validate_worker_pairs` ESATTO, `validate_honest_workers`
+invariato. **Nota onesta**: TR01 replay worker −44% vs reference +42% è IDENTICO
+pre/post fix → divergenza di convenzione pre-esistente (capitale-unico con
+`mean(rets)` solo sugli asset in posizione vs media-equity 1/N del reference).
+Da rivisitare a parte: "stesso ordine di grandezza" oggi non regge più.
+
+## Punto 5 — disaster-bracket on-book + alert outage (v1.1.4)
+
+Durante un outage (poll-loop in except) le posizioni REALI restavano senza stop sul
+book e senza valutazione exit. Ora:
+
+- **`ExecutionClient.place_disaster_sl`**: STOP_MARKET reduce-only a ~−30%
+  dall'ingresso (trigger sul mark), piazzato a ogni REAL_OPEN sui fade eseguiti
+  (MR01/MR02/MR07/DIP01) e cancellato in `_real_close` (prima del TP-reconcile).
+  In operatività normale non scatta mai → 0 costo Sharpe; nei crash il fill è al
+  gap (cappa la coda, non la elimina). Config: `overrides.execution.disaster_sl_pct`
+  (default 0.30, 0 = off). `real_dsl_order_id` persistito (resume-safe).
+- **SCOPERTA**: il `set_stop_loss` di cerbero-mcp è un `private/edit` Deribit (solo
+  ordini APERTI) → inutilizzabile su market già fillati; il bracket va piazzato come
+  trigger order autonomo via `place_order(type="stop_market")` (già supportato).
+- **Semantica cancel trigger order** (verificata su testnet): la cancel risponde con
+  lo stato AL MOMENTO della cancel (`untriggered` = successo; il re-cancel dà
+  `order_not_found`); `error` = non più in book (probabile trigger scattato → il
+  market a valle filla 0 e REAL_CLOSE esce verified=False).
+- **Alert `FEED_OUTAGE`**: dopo 5 poll falliti consecutivi (~5 min) Telegram con
+  l'elenco delle posizioni reali aperte; notifica di ripresa con durata.
+
+Smoke testnet (`live_shadow_smoke.py`, esteso): 4 scenari long+short — il path
+**short-side TP-resting** (BUY limit reduce-only) non era MAI stato esercitato.
+Tutti verdi: resting/cross-immediato due lati, DSL piazzato/cancellato (verificato
+zero ordini orfani sul book), conto flat a fine smoke.
+
+## Punto 6 — osservabilità multi-asset (v1.1.4)
+
+- `in_position` aggiunto ai `_save()` di TR01/ROT02/TSM01.
+- `hourly_report`: nuova sezione **MULTI-ASSET** (book corrente | ultimo flip |
+  freschezza status) — prima i 3 worker erano invisibili nel report (collect()
+  filtra su event/in_position che non emettevano): impossibile distinguere
+  "flat/risk-off by-design" da "wiring rotto". I multi-asset sono esclusi dalla
+  tabella IN CORSO (assume entry/bars single-leg).
+
+## Code review multi-agente del giorno stesso (v1.1.7)
+
+Review a 7 angoli su `8c4e1cd..HEAD` + check trades live. Il candidato top dei finder
+("stop_market senza trigger") è REFUTATO: cerbero-mcp traduce `price→trigger_price +
+trigger=mark_price` e in produzione 2 DSL erano armati + 1 ciclo completo pulito.
+Quattro fix applicati:
+
+1. **Alert `REAL_DIVERGENCE`** (|slippage sim/reale| ≥ 100bps a open/close). Scoperta
+   dal check trades: alle 10:37 uno **spike print testnet** (candela 10:00 H=65618 con
+   O/C~62400) ha fatto shortare alle 3 fade BTC un close fantasma a 65266.5 — il reale
+   ha fillato correttamente a ~62395 (−440bps) ma il sim ha bookato +2.26 mai esistiti
+   (MR07 reale −0.13). Prima passava in silenzio.
+2. **`FEED_OUTAGE` anche su feed degradato senza eccezione** (HTTP 200 con candles
+   vuote → i worker saltavano il tick in silenzio e lo streak restava 0). Helper unico
+   `_outage_tick` (fix anche dell'incoerenza chiavi minuti/durata_min).
+3. **`src/live/bars.py`**: detection forming-bar UNIFICATA (era copiata in 4 punti,
+   con `_check_stale_feed` che hardcodava 1h). È l'invariante di sicurezza di EXIT-16:
+   ora vive in un posto solo, testato (`test_bars.py`).
+4. **DSL cancel hardening**: retry su errore transitorio + alert Telegram
+   `REAL_DSL_CANCEL_FAIL` se lo stop resta forse ORFANO sul book (prima l'id veniva
+   dimenticato in silenzio → lo stop stantio poteva colpire la posizione successiva);
+   `order_not_found` = probabile trigger durante outage → solo log (il close a valle
+   esce già verified=False). Test con executor finto (`test_real_close_dsl.py`).
+
+Finding noti NON ancora fixati (in coda): ROT02/TSM01 valutano la candela 1d in
+formazione al primo poll dopo mezzanotte (stessa classe del fix TR01/Pairs, pre-esistente);
+engine dei gate copiato fra i 3 script `*_port06_impact.py`; epoche hourly_report hardcoded.
+
+## Resta in roadmap (settimana 2, OGNUNO dietro gate PORT06/OOS)
+
+trend_max=3.0 sulle 6 fade → pos pairs 0.15-0.25 per-famiglia → DIP01 EXIT-16
+(validazione gap-aware) → SH01 ri-validazione train-window ~8760 barre.
+Follow-up tecnico: divergenza convenzione TR01 worker vs reference (sopra).

docs/diary/2026-06-07-trendmax-gate.md

@@ -0,0 +1,64 @@
+# 2026-06-07 — Gate trend_max sulle fade live: BOCCIATA l'aggiunta, PROMOSSO lo swap hurst→trend
+
+Punto 7 della roadmap improvement-sweep: ripristinare `trend_max=3.0`/`ema_long=200`
+sulle 6 fade live (ON nel backtest canonico, OFF in produzione). Il piano imponeva il
+gate PORT06 perché hurst e trend si sovrappongono. Esito sorprendente ma coerente.
+
+## Metodo
+
+`scripts/analysis/trendmax_port06_impact.py` — engine riusato da `exit16_port06_impact`
+(replay esatto del path canonico, parità verificata: corr 1.00000 e diff 0.00% su tutte
+e 6 le fade) + maschera Hurst IDENTICA al live (`fade_base.hurst_skip_mask`, close-only,
+w=100 step=6 — non la cache regime_lab). Tutte le varianti girano sul **path live**
+(EXIT-16 close-confirm 0.5 attivo); PORT06 con pesi cap canonici (PAIRS 0.33,
+SHAPE 0.0588), OOS da 2024-10-12.
+
+Nota di metodo: il test PORT06 del loss-guard Hurst (`fade_lossguard_port_test`,
+2026-06-02) era su entries GIÀ trend-filtrate E sull'engine PRE-EXIT-16 (SL intrabar).
+La config live reale (hurst senza trend, con EXIT-16) non era MAI stata gateata.
+
+## Risultati (PORT06, fade in path live EXIT-16)
+
+| Variante | FULL Sh | FULL DD | FULL CAGR | OOS Sh | OOS DD | OOS CAGR |
+|---|---|---|---|---|---|---|
+| LIVE (hurst, no trend) | 7.23 | 2.68% | 68% | 9.35 | 1.68% | 92% |
+| CANDIDATO (hurst+trend) | 7.11 | 2.06% | 59% | 9.36 | 1.62% | 83% |
+| **TREND-ONLY 3.0** | 7.89 | 2.46% | 82% | **9.91** | **1.20%** | 103% |
+| NESSUNO (solo EXIT-16) | **8.07** | 3.35% | **105%** | 9.72 | 1.38% | 119% |
+| TREND-2.5 | 7.75 | 2.46% | 76% | 9.76 | 1.20% | 96% |
+| TREND-3.5 | 7.87 | 2.46% | 84% | 9.64 | 1.20% | 103% |
+
+## Letture
+
+1. **CANDIDATO BOCCIATO** (gate formale): il DD scende (2.68→2.06) ma FULL Sharpe
+   −0.12 e CAGR −9pp — over-filtering, i due filtri tagliano lo stesso regime
+   (n trade −50%, es. MR02_ETH 911→436).
+2. **Il loss-guard Hurst è ridondante-dannoso post-EXIT-16**: NESSUNO batte LIVE su
+   Sharpe e ritorno ovunque. Spiegazione meccanica: hurst evitava i regimi stop-heavy
+   saltando gli ingressi; EXIT-16 ha eliminato i wick-stop alla radice → gli ingressi
+   che hurst salta sono in maggioranza tornati vincenti. Il 66% delle barre è oltre
+   soglia hurst → il filtro toglieva metà dell'esposizione per un beneficio che ormai
+   non c'è.
+3. **TREND-ONLY domina LIVE su tutte e 4 le metriche** ed è ESATTAMENTE la config che
+   la ricerca EXIT-16 del 2026-06-04 aveva promosso (entries trend-filtrate, no hurst:
+   FULL 7.84/2.60, OOS 10.06/1.15 — i 7.89/2.46 e 9.91/1.20 di oggi combaciano al
+   netto di refresh dati e cap SHAPE). Il live non aveva mai eseguito quella config.
+4. **Plateau robusto**: trend_max 2.5/3.0/3.5 quasi indistinguibili (OOS DD 1.20
+   identico su tutte) → non è una soglia tunata.
+5. Il trend filter vs NESSUNO è un trade-off deliberato: −23pp CAGR FULL per
+   FULL DD 3.35→2.46 e OOS Sharpe 9.72→9.91. Coerente con la filosofia del progetto
+   (DD control > ritorno marginale).
+
+## Decisione (utente, 2026-06-07)
+
+**SWAP hurst→trend nelle 6 fade live** (`_defs.py`): `trend_max=3.0, ema_long=200`,
+`hurst_max` rimosso. `hurst_skip_mask` resta in `fade_base` (param opzionale).
+Monitor live aggiornato: `hourly_report` ora traccia lo stop-rate per epoca
+PRE (nessun filtro) → HURST → TREND, verdetto a n≥30 nell'epoca TREND.
+
+## Lezione
+
+Ogni meccanismo anti-perdite va RI-gateato quando cambia l'exit engine: hurst era
+genuinamente il migliore sull'engine a SL intrabar (unico su ~10 candidati), ma
+EXIT-16 ne ha assorbito il lavoro. I filtri si valutano sul path live corrente,
+non sui numeri storici di promozione.

docs/diary/2026-06-08-dispersion-correlation-search.md

@@ -0,0 +1,76 @@
+# 2026-06-08 — Ricerca multi-agente: dispersion / correlation index (165 agenti)
+
+Workflow `dispersion-correlation-research` (run wf_72edef49-6d9): 60 celle esplorate
+(15 famiglie × 4 finestre di correlazione W=24/72/168/336), 165 agenti totali, ~10M
+token, verifica avversariale a 2 skeptic su ogni candidato robusto + sintesi.
+
+Infrastruttura riusabile: `scripts/analysis/dispersion_lab.py` — feature REALIZED
+causali (avg pairwise correlation, dispersione cross-sectional, beta vs indice EW,
+componente idiosincratica `rel_A = ret_A − ret_idx`), universo 8-asset, finestra
+comune dal 2022-07-22, cache su disco, no-look-ahead verificato. NB: **niente
+implied** (opzioni non backtestabili — stesso muro ARGO/GEX).
+
+## Esito: 2 edge confermati su 60, 13 famiglie su 15 sono RUMORE
+
+Nessun look-ahead "hard" stile-squeeze (le feature hanno retto la perturbazione del
+futuro ovunque). Il fallimento dominante è **overfit/concentrazione di regime**, non
+leakage. Tre pattern ricorrenti di falso positivo:
+1. **OOS circolare**: le feature esistono solo dal 2022-07 → lo split OOS (ultimo 30%)
+   cade nel bull/calm 2024-25 (il regime che il progetto documenta come ottimistico
+   ~50%); FULL≈OOS non era robustezza ma "quasi tutti i trade in OOS".
+2. **Il gate corr/disp non è quasi mai load-bearing**: in ablazione, togliere il gate
+   spesso MIGLIORA i numeri → è un throttle di esposizione, non alpha (e Hurst-guard +
+   EXIT-16 fanno già quel lavoro).
+3. **Riconferma del prior**: l'edge è sempre mean-reversion del residuo, mai
+   momentum/continuation/breakout cross-sectional.
+
+## I 2 edge reali (entrambi fade del residuo idiosincratico)
+
+- **`index_comp_disp` W=168 (BTC)** — il vero "dispersion-trading realizzato": fade
+  della componente idiosincratica estrema verso l'indice, **gated da alta dispersione**
+  (`disp_168 ≥ quantile 0.7`). rel_len=12, z_thr=1.5, TP=1.0·ATR, SL=1.5·ATR, mb=24.
+  FULL +63% / OOS +36% (fee0.2% +23%), win 66%, Sharpe 2.7-3.0, DD 7-9%, 5/5 anni.
+  È l'UNICA famiglia dove il gate dispersione fa davvero qualcosa.
+- **`rel_idio_fade` W=24** — fade dello z-score di `rel_A` su 24h, exit a tempo (no
+  TP/SL). Cella più pulita BTC z3.0 mb12: win 58.5%, Sharpe 4.40, DD 7%, OOS +98%.
+  Più forte ma è quasi MR07 ri-etichettata in chiave cross-sectional.
+
+Script preservati: `scripts/analysis/dispersion_edges/{index_comp_disp,rel_idio_fade}.py`.
+
+## Raccomandazione: bassa priorità
+
+**Entrambi sono fade-BTC mean-reversion → sovrapposti alle fade MR già deployate.**
+P(migliora PORT06): ~20-25% per index_comp_disp, ~15-20% per rel_idio_fade. Vale la
+**lezione FR01** (robusto-individualmente ≠ migliora-il-portafoglio: FR01 era robusto
+e causale ma diluiva PORT06 OOS Sharpe 8.89→8.72). index_comp_disp ha il profilo trade
+più distinto (win 66%, hold corto, TP vicino) → è l'unico che merita eventualmente un
+gate `combine_v2`/PORT06 formale, misurando corr col MASTER e ΔSharpe/ΔDD. Se non
+decorrela, scartare.
+
+**13 famiglie rumore** (record in `_disp_scratch/`, gitignored): corr_gate_fade/pairs,
+disp_xs_reversal/momentum, corr_spike_btc, corr_meanrev, beta_disp, disp_regime_rot,
+corr_vol_interact, leadlag_corr, corr_trend, disp_compression_breakout, corr_disp_combo
+— tutte MR/fade ri-etichettate, concentrazione 2024-25, o artefatti di feed morto
+(ADA/LTC 97% candele flat). disp_compression_breakout riconferma la lezione squeeze
+(i breakout rientrano).
+
+**Conclusione onesta: nessun nuovo motore di ritorno.** Il dispersion-trading realizzato
+funziona solo come l'ennesima faccia della mean-reversion già sfruttata.
+
+## Gate PORT06 del candidato n.1 (2026-06-08) — PROMOSSO MARGINALE, NON deployato
+
+`scripts/analysis/dispersion_edges/gate_index_comp_disp.py` (config W=168: rel_len=12,
+z_win=336, z_thr=1.5, disp_q=0.7, TP=1.0ATR, SL=1.5ATR, mb=24; equity daily innestata
+come 18° sleeve, pesi cap):
+
+- **Sorpresa positiva**: decorrela DAVVERO. corr daily col candidato: MR01_BTC +0.01,
+  MR02_BTC +0.05, MR07_BTC +0.06, DIP01_BTC +0.02, MASTER(EW) +0.06. Il timore di
+  ridondanza con le fade BTC era infondato (gate dispersione + TP vicino = profilo trade
+  distinto). Standalone 311 trade, FULL +67% / OOS +30%.
+- **Ma beneficio nel rumore**: PORT06 BASE→+DISP: FULL Sharpe 6.43→6.47, FULL DD
+  3.96→3.73 (migliora), **OOS Sharpe 8.58→8.56 (−0.01), OOS DD 1.36→1.40 (+0.04)** —
+  l'OOS è PIATTO. Passa il gate tecnico ma il guadagno è solo nel FULL (regime storico).
+- **Decisione (utente): documenta e rimanda.** NON deployato — wiring (nuova Strategy+worker,
+  famiglia DISP, peso cap) + resterebbe simulato (no executor), per un beneficio OOS nullo.
+  Gate script committato e pronto: riprendere SOLO se si costruisce una famiglia DISP più
+  ampia (più asset/sleeve) che insieme sposti l'OOS. Esito ~20% previsto, confermato.

docs/diary/2026-06-08-mr02eth-replace-search.md

@@ -0,0 +1,130 @@
+# 2026-06-08 — Ricerca sostituto/miglioria a MR02/ETH (127 strategie + opzioni)
+
+## Contesto
+MR02/ETH è lo sleeve a DD più alto della famiglia fade ed è il maggior drag
+dell'esecuzione reale (testnet: −19€ su 7 trade, 0 win, faded un downtrend −14%
+in long poi shortato il rimbalzo — whipsaw classico). Obiettivo: trovare un
+sostituto o una miglioria con ≥100 agenti su strategie differenti, metodologia
+onesta (ingresso eseguibile, fee 0.10% RT, OOS, gate PORT06).
+
+## Cosa è stato fatto
+- **Workflow 1 — 109 strategie ETH distinte** (`mr02eth_search.workflow.js`):
+  gated-fade, mean-reversion alternative, exit, trend-following, volatilità,
+  cross-asset, ML/shape, microstruttura, statistico-robusto. Harness onesto
+  `explore_lab`. Poi **verifica avversariale** dei top-24 (audit look-ahead +
+  re-implementazione indipendente + robustezza). → 26 survivor, **6 confermati**.
+- **Workflow 2 — 18 overlay di OPZIONI** (`mr02eth_options.workflow.js`) +
+  sintesi con audit crash reali. Harness nuovo `option_overlay_lab.py`: opzioni
+  prezzate Black-Scholes sulla **DVOL** reale di Deribit (storica/gratuita,
+  `data/regime/eth_dvol.parquet`), premio dedotto, ipotesi **conservative**
+  (skew_mult sui comprati, uscita anticipata solo a intrinseco).
+- **Gate PORT06** (`mr02eth_port06_gate.py`): swap di MR02_ETH col candidato,
+  equity giornaliera su IDX 2021-2026, ri-misura FULL+OOS Sharpe/DD (cap
+  weighting). Sanity check: MR02 ricostruito col mio engine == canonico (Δ 0.00).
+
+## Risultato (gate PORT06; baseline canonico FULL 6.43/3.96, OOS 8.58/1.36)
+| variante (swap MR02/ETH) | FULL Sh | FULL DD | OOS Sh | OOS DD |
+|---|---|---|---|---|
+| EXIT-16 (config LIVE) | 6.73 | 3.67 | 8.80 | 1.23 |
+| no-SL nudo | 6.76 | 3.68 | 8.87 | 1.23 |
+| no-SL + put/call 10% OTM | 6.78 | 3.64 | 8.86 | 1.23 |
+| varratio_gate (PROMOSSO vs canonico) | 6.41 | 3.73 | 8.53 | 1.36 |
+| choppiness_donch | 6.37 | 3.35 | 8.47 | 1.32 |
+| vrp_neg_dvol_low | 6.36 | 3.22 | 8.37 | 1.43 |
+
+## MIGLIORIA TROVATA (gate vs LIVE EXIT-16, non vs canonico)
+Riferimento onesto = config LIVE EXIT-16 (FULL 6.73/3.67 — OOS 8.80/1.23), non
+l'intrabar-SL canonico che nessuno gira.
+
+| sleeve ETH | ΔFULL Sh | ΔFULL DD | ΔOOS Sh | ΔOOS DD | esito |
+|---|---|---|---|---|---|
+| **no-SL + put/call 10% OTM** | **+0.05** | **−0.03** | **+0.06** | 0.00 | ✅ MIGLIORIA deployabile |
+| no-SL nudo | +0.04 | +0.02 | +0.07 | 0.00 | ✅ migliora ma sl=0 NON deployabile |
+| EXIT16 + put10 | −0.01 | +0.03 | 0.00 | 0.00 | = pari (assicurazione gratis) |
+| varratio / vrp / chop / blend | negativi | | | | peggiorano vs EXIT-16 |
+
+**La miglioria = MR02/ETH no-SL + floor a opzioni 10% OTM** (put sui long, call
+sugli short). Batte il live EXIT-16 in modo PARETO su 3/4 metriche PORT06 (4ª
+piatta). Meccanismo: **rimuovere lo stop** (intrabar/close-confirm su una fade
+mean-reverting sono falsi negativi — overshoot che rientra) e dare la funzione
+dello stop (cap della catastrofe) a un'**opzione comprata** = protezione a
+rischio-definito SENZA il costo whipsaw/falso-stop. Standalone il salto è grande
+(Sharpe 8.45→12.14, OOS DD 13%→7%); a portafoglio è modesto (+0.05/+0.06 Sharpe)
+perché è 1 sleeve su 17, ma è un miglioramento MISURATO e verificato (soglia
+gate +0.03, ottenuto +0.05/+0.06), non rumore.
+
+## Conclusioni (oneste)
+1. **Sostituti/blend: tutti peggiorano vs il live EXIT-16.** I candidati gated
+   (varratio/vrp/choppiness) e i blend within-sleeve battono solo lo strawman
+   canonico, non il live; le loro basse esposizioni diluiscono il motore di
+   ritorno (Sharpe −0.08/−0.44). Lo Sharpe ~20 nell'harness era artefatto di
+   `sqrt(N_trade)` (onesto ~4.3). → **non sostituire né blendare.**
+2. **L'unica miglioria è la coppia no-SL + opzione.** Il no-SL recupera il drag
+   dello stop; l'opzione cappa la coda da **gap-through** che EXIT-16 NON protegge
+   (esce al close DOPO il buco → prende la perdita piena). Audit crash: FTX nov-22
+   −48%→−30%, LUNA-era 2022-09 −63%→−31%, 2018/19 −65%→−30%. Premio ~break-even
+   (paga 156% / incassa 149%). È ciò che rende deployabile il no-SL.
+
+## Azione raccomandata
+- **Deployare MR02/ETH come no-SL + floor a opzioni 10% OTM** (put long / call
+  short, per-trade o settimanale ammortizzato). Batte il live su 3/4 metriche +
+  cappa esplicitamente la coda. **Prima del capitale**: validare prezzi/liquidità/
+  skew per-strike REALI su Deribit testnet (qui pricing BS sintetico sulla DVOL =
+  ATM-IV; stress skew ×1.5 gonfia il premio FULL ma l'OOS regge). Stesso muro
+  non-backtestabile di ARGO/GEX sul per-strike, aggirato col proxy DVOL.
+- Step intermedio a costo zero: **aggiungere subito il floor opzione all'EXIT-16
+  live** (= "pari" sui numeri, ma assicurazione gratis sul gap-through) mentre si
+  valida la transizione a no-SL.
+
+## Addendum 2026-06-09 — validazione su PREZZI REALI + integrazione cerbero-bite
+- Probe live Deribit mainnet (singolo snapshot): sembrava skew ×1.6 e liquidità
+  pessima sul 10% OTM a 1g → l'overlay per-trade pareva bocciato.
+- **cerbero-bite** (container accanto) ha però **lo storico per-strike reale** in
+  `option_chain_snapshots` (SQLite, dal 2026-05-01, ~110k righe/asset, bid/ask/IV/
+  greche/OI, cadenza ~12min). Importato in `data/options/` via `options_fetcher.py`;
+  loader `options_chain.py` (skew_curve/premium_levels/quote causale).
+- **Correzione dai dati reali (5.5 settimane):** skew put 10% OTM = **×1.1** (liquido,
+  spread ~7%) — il ×1.6 del probe era un artefatto del deep-OTM a 1g illiquido. Premio
+  reale 10% OTM ≈ **1.0%/mese**. → la miglioria no-SL+opzione **regge** sui prezzi veri.
+- **MA vincolo strutturale reale:** gli strike **10% OTM a 24h NON esistono** (n=0 in 5.5
+  settimane; Deribit lista solo near-ATM sui tenor corti). L'overlay **per-trade a 24h è
+  infattibile**; l'unica struttura eseguibile è una **put settimanale/mensile standing**
+  (catastrofe-cap di sleeve), da gateare a parte coi premi reali.
+- **Infrastruttura sbloccata:** il muro ARGO/GEX ("opzioni non-backtestabili") è caduto
+  per il periodo recente — d'ora in poi le tesi opzioni si validano su prezzi VERI.
+  Importato anche il pannello `market_snapshots` (spot/VRP/funding/**net-GEX dealer**/
+  gamma-flip/liquidation, dal 2026-03-26) → `data/options/`, loader `options_chain.load_market`.
+
+## Addendum 2 — gate del COLLAR standing (catastrophe-cap auto-finanziato) — NO-GO
+Premi reali → collar = put −13% (1.0%/m) finanziata da call +10% (1.05%/m) ≈ premio netto 0.
+Gate PORT06 (`eth_collar_gate.py`, BS calibrato skew_put 1.12 / skew_call 1.0, sweep OTM/hedge_frac):
+- Il collar **PAGA nei crash** (ETH −40% dic-21 → +6.1%, −30% feb-25 → +6.6%): protezione reale.
+- MA **net-negativo a portafoglio**: taglia il FULL DD (−0.2/−0.3pp) ma **costa Sharpe** (FULL e OOS)
+  e **ALZA l'OOS DD** (+0.18/+0.28pp) — nell'OOS (no crash profondo, qualche rally) la call corta
+  perde e il premio erode. Peggiora il DD che doveva ridurre.
+- **Verdetto: il tail-hedge a opzioni NON conviene a PORT06** (né per-trade né collar). Strutturale:
+  lo sleeve ETH pesa 6.5% → la **diversificazione è già la protezione di coda** (trade −65% =
+  −4% aggregato). La cap auto-finanziata era giusta sul *costo* (~break-even) ma la protezione non
+  vale il costo Sharpe/OOS-DD. Le opzioni si chiudono come **NO-GO empirico su prezzi reali**.
+
+## Deploy della miglioria (2026-06-09): MR02/ETH stop-largo sl_atr 3.0
+Nessun SOSTITUTO batte il live; la MIGLIORIA deployabile e' allargare lo stop EXIT-16.
+Gate stop-width (EXIT-16 close-confirm, swap solo MR02_ETH):
+| sl_atr | FULL Sh | FULL DD | OOS Sh | OOS DD | worst-trade |
+|---|---|---|---|---|---|
+| 2.0 (LIVE) | 6.73 | 3.67 | 8.80 | 1.23 | -48% |
+| **3.0** | **6.77** | **3.30** | **8.82** | 1.23 | **-50%** |
+| 4.0 | 6.78 | 3.49 | 8.82 | 1.23 | -62% |
+| no-SL (sl=0) | 6.76 | 3.68 | 8.87 | 1.23 | -65% (vietato) |
+`sl_atr=3.0` domina il live (FULL DD -0.37pp, Sh +0.04/+0.02) e cattura il beneficio del no-SL
+(gli stop di meta'-discesa sono falsi negativi) MANTENENDO lo stop di catastrofe (worst -50%, non
+-65%) -> regola "mai sl=0" rispettata; 4.0 inizia a perdere la coda. Plateau 2.5-4.0 (tutti > live
+su Sharpe). Override SCOPED a MR02/ETH in `_defs.py` (`_fade_params`); gli altri 5 fade non
+ri-gateati -> invariati. 93/93 test passano. Deploy: `./scripts/deploy.sh` (cambio live).
+
+## Artefatti riusabili
+- `scripts/analysis/option_overlay_lab.py` — overlay opzioni (pricing BS sintetico su DVOL).
+- `scripts/analysis/options_fetcher.py` — import storico opzioni reale da cerbero-bite → data/options/.
+- `scripts/analysis/options_chain.py` — loader + skew/premi reali + lookup causale (`OptionChain`).
+- `scripts/analysis/mr02eth_port06_gate.py` — gate swap-sleeve PORT06.
+- `scripts/analysis/mr02eth_search.workflow.js`, `mr02eth_options.workflow.js`.

docs/diary/2026-06-08-pairs-executor.md

@@ -0,0 +1,53 @@
+# 2026-06-08 — Executor a 2 gambe per i pairs (PairsExecutionClient)
+
+Implementato il pezzo di esecuzione reale più impegnativo rimasto: l'esecuzione
+shadow a 2 gambe per la famiglia PAIRS (29% del portafoglio, finora solo simulata).
+
+## Cosa
+
+- **`execution.PairsExecutionClient`**: compone l'`ExecutionClient` single-leg.
+  - `open_pair(inst_a, inst_b, direction, notional)`: piazza le 2 gambe (long A/short B
+    o viceversa) a market, verifica per-gamba sul trade; **LEG-RISK**: se UNA sola gamba
+    filla → UNWIND (richiude la fillata reduce-only) per non restare direzionali →
+    verified=False.
+  - `close_pair(...)`: chiude entrambe reduce-only (solo `close_amount` della quota,
+    MAI `close_position`), riconcilia fee/prezzi.
+  - `register_contract`: fetch dinamico spec USDC da Deribit per strumenti non hardcodati.
+  - Strumenti = lineari USDC (payoff lineare = matematica del backtest a 2 gambe).
+    Aggiunti spec LTC/ADA/SOL_USDC (step 0.1/0.2/0.1).
+- **`PairsWorker` shadow**: ledger reale parallelo (`real_capital`, `real_dir`,
+  `real_amount_a/b`, `real_entry_a/b`, `real_notional_a/b`, fee), persistito e resume-safe;
+  `_real_open_pair`/`_real_close_pair` agganciati a `_open`/`_close`; PnL reale per gamba
+  (dir A=+d, dir B=−d). Doppio arrotondamento → piccolo sbilanciamento notional, riportato.
+- **runner**: `pairs_executor` (PairsExecutionClient su stesso ExecutionClient dei fade),
+  `_pairs_exec_for`, gate su `execution.pairs_enabled`. Config `portfolios.yml`:
+  instruments estesi (LTC/ADA/SOL) + `pairs_enabled: false` (capability pronta, SPENTA).
+
+## Validazione
+
+- Test (executor finto): 92/92 — open/close a 2 gambe, **leg-risk unwind**, ledger reale
+  persiste e resume.
+- **Smoke testnet end-to-end** (`live_pairs_smoke.py`, €0): open 2 gambe verificate
+  (long ETH 0.011 @1666 / short BTC 0.0003 @63263, fee $0.019), close 2 gambe reduce-only,
+  riconciliazione PnL reale −0.039 vs sim −0.036 (coerente), **conto flat dopo**.
+
+## Incidente operativo (testnet, €0) — da ricordare
+
+Durante la prima esecuzione, lo smoke è crashato (bug del test: prezzi sim=0 → divisione
+per zero nel ramo sim) lasciando una posizione aperta. Per pulirla ho usato a mano
+`ExecutionClient.close()` (= `close_position`) che **flatta l'intero strumento** → ho
+chiuso anche le 3 posizioni reali SHADOW dei fade del runner (BTC/ETH_USDC condivisi).
+Impatto: testnet, shadow (non guida le decisioni), €0; 3 worker fade con
+`real_in_position=True` su conto flat → si auto-riconciliano al prossimo close sim
+(close_amount su flat → verified=False, reset; "shadow pulito dalla prossima apertura").
+I TP resting erano già stati cancellati da close_position (cancel → order_not_found).
+
+**Lezione (CLAUDE.md la documentava già)**: MAI `close_position` su strumenti condivisi.
+Fix permanente: lo smoke ora (a) usa solo `close_amount` della quota, (b) ABORTA se ci
+sono posizioni di produzione aperte sugli strumenti, (c) usa prezzi sim reali.
+
+## Stato: PRONTO ma SPENTO (`pairs_enabled: false`)
+
+L'executor è validato (test + smoke). NON attivato in produzione: accenderlo richiede
+una finestra a conto flat e un periodo di osservazione, dato il conto condiviso coi fade.
+Quando si accende: i 5 pairs eseguiranno reale a 2 gambe accanto al sim.

docs/diary/2026-06-08-real-only-portfolio.md

@@ -0,0 +1,42 @@
+# 2026-06-08 — Portafoglio live REALE-only: i €2000 ai soli sleeve eseguiti
+
+Decisione utente: il portafoglio live deve mostrare il **risultato reale puro**. I €2000
+si dividono SOLO tra i 14 sleeve che eseguono davvero (6 fade + DIP01 + 5 pairs + SH01);
+i 3 multi-asset (TR01/ROT02/TSM01), non eseguibili in reale (bloccati dal capitale),
+escono dal pool e girano **solo per statistica**.
+
+## Implementazione (runner-level, non rompe le definizioni)
+
+- `portfolios.yml`: `paper_sleeves: [TR01, ROT02, TSM01]`.
+- `runner`: separa `live_specs` (pool/pesi/ledger) da `paper_specs`. I paper:
+  - capitale NOZIONALE fisso = `total_capital / N_sleeve_totali` (la fetta equal che
+    avrebbero avuto), NON dal pool;
+  - girano in `data/portfolio_paper_stats/` (binario separato);
+  - ticcati per statistica ma MAI in `ledger.update_equity` → non toccano l'equity reale.
+- `hourly_report`: la sezione multi-asset ora legge `portfolio_paper_stats/` ed è
+  etichettata "PAPER — solo statistica, FUORI dal conto reale".
+
+## Pesi del portafoglio reale-only (14 sleeve, cap)
+
+sum=1.0; non-cappati 0.0873 (erano 0.0647 su 17), PAIRS 0.33 (cap), SHAPE 0.0588 (cap,
+SH ciascuno 0.0294). Il cap SHAPE resta valido e protettivo anche su 14.
+
+## Il costo, misurato e accettato
+
+| | FULL Sh | FULL DD | OOS Sh | OOS DD |
+|---|---|---|---|---|
+| PORT06 completo (17, validato) | 6.43 | 3.96% | 8.58 | 1.36% |
+| **REALE-only (14, live ora)** | 6.49 | **5.34%** | 8.54 | **1.70%** |
+
+Perdendo i 3 diversificatori PAPER (corr 0.07), il DD del portafoglio reale sale
+~3.96→5.34% FULL e 1.36→1.70% OOS, Sharpe sostanzialmente invariato. È il **prezzo di
+vedere il risultato reale puro** invece di una curva mista reale+paper: scelta
+consapevole dell'utente. I PAPER restano misurati per ri-integrarli quando saranno
+eseguibili (SH01 è già stato integrato oggi; i multi-asset attendono capitale ~€20k).
+
+## Note di transizione
+
+- Il ledger `PORT06` (code invariato) ora rappresenta i 14 reali: la curva equity ha
+  una discontinuità di composizione da questo deploy (atteso).
+- I 3 paper ripartono puliti in `portfolio_paper_stats/` con capitale nozionale uniforme
+  (statistica comparabile); i vecchi status in `portfolio_paper/` restano come storico.

docs/diary/2026-06-09-blind-traders-game.md

@@ -0,0 +1,56 @@
+# 2026-06-09 — Gioco "Blind Traders": 100 agenti ciechi
+
+## Setup
+100 agenti LLM (haiku) ricevono due serie anonime **X** e **Y** — in realta'
+**BTC** e **ETH** 1h/15m/5m, mai etichettate — e devono proporre UNA regola che
+"anticipi" i movimenti per un PnL netto positivo (fee 0.10% RT) con **>=10
+trade/mese**. Non sanno cosa siano i dati. L'orchestratore (engine deterministico)
+valuta ogni strategia, assegna un punteggio su **PNL + %win**, da' **90 epoche di
+elaborazione** (hill-climb dei parametri) e **ogni 10 epoche blocca il 10% meno
+profittevole** -> restano i **10 piu' profittevoli**.
+
+Infrastruttura in `scripts/games/`:
+- `engine.py` — dati anonimizzati, 6 famiglie segnale (zscore/breakout/ma_cross/
+  rsi/momentum/pairs), backtester causale fee-aware, scoring (>=10 tpm o squalifica).
+- `agent_brief.py` — digest ANONIMO (stat aggregate + finestra normalizzata) + menu.
+- `arena.py` — torneo a **3 finestre**: TRAIN (hill-climb), VALID (cull+rank
+  dell'orchestratore), TEST (OOS puro, mai ottimizzato). Anti-overfit.
+- `run_game.py` — carica le 100 spec degli agenti e lancia il torneo.
+
+## Risultato emergente
+I 100 agenti ciechi, leggendo SOLO le statistiche anonime (autocorrelazione
+negativa, "after_big_move_continues_pct" ~30-40% => le mosse estreme rientrano),
+hanno **riscoperto da soli che il mercato e' mean-reverting**: 100/100 reversion,
+67 hanno scelto il detector pairs, 30 zscore. Esattamente la lezione storica del
+progetto (edge = reversione; pairs ETH/BTC il piu' robusto) — senza sapere che
+fosse crypto.
+
+## Classifica finale (top 10) — tutti PAIRS su 15m
+Vincitore **agente #91** (15m, pairs market-neutral sul log-ratio X/Y):
+- TEST/OOS puro: **PnL +3126%**, **win 77%**, **108.9 trade/mese**, **Sharpe 20.3**
+- Full-period: PnL +8052%, win 70%, 94 tpm, Sharpe 12.2 (9604 trade)
+- params: lookback 66, entry 1.67σ, exit 1.0σ, max_bars 35
+- ipotesi (cieca): "Y altamente reversivo, X/Y log-ratio strong mean-reversion
+  (-0.43 autocorr), bassa correlazione cross-asset -> pairs market-neutral".
+
+Tutti i 10 finalisti: pairs 15m, TEST Sharpe medio 19.9, tpm 66-109 (>>10).
+
+## Caveat onesti
+- Numeri OOS ottimistici: PnL additivo a notional fisso, **niente slippage sulle 2
+  gambe**, finestra OOS calma, 15m molti trade. Coerente col caveat PR01 del
+  progetto (Sharpe reale atteso ~4-5, non 20). Il valore del gioco e' il **metodo**
+  (scoperta cieca + selezione anti-overfit), non il livello assoluto di Sharpe.
+- La convergenza su pairs conferma robustezza ma riduce la diversita': i 10 finalisti
+  sono varianti della stessa idea (ETH/BTC spread). Per un portafoglio servirebbe
+  diversificare (gia' fatto altrove: fade + honest + shape).
+
+## Re-run "sobrio" con slippage (0.05%/lato)
+`GAME_SLIP=0.0005` -> i pairs pagano +0.20% RT extra (4 lati). Lo slippage spinge
+l'ottimizzatore verso **meno churn**: tpm dei finalisti 66-109 -> **40-47**, Sharpe
+top-10 ~20 -> ~13.5. Vincitore **#43** (15m pairs): TEST PnL **+2091%**, win 77%,
+**46.9 tpm**, Sharpe **15.6**. La gerarchia (pairs 15m domina) e la robustezza
+reggono lo stress; lo Sharpe reale atteso resta ~4-5 (OOS calmo + PnL additivo).
+Log: `data/games/game_slip.log`.
+
+Artefatti: `data/games/tournament_result.json`, `data/games/specs/agent_*.json`,
+`engine.set_slippage()` (env `GAME_SLIP`).

docs/diary/2026-06-09-blind-traders-game2.md

@@ -0,0 +1,41 @@
+# 2026-06-09 — Gioco "Blind Traders" sessione 2: timing diversi (30m/2h/4h)
+
+Seconda sessione del gioco (vedi `2026-06-09-blind-traders-game.md`), stesso protocollo
+(100 agenti ciechi su BTC/ETH anonimi, scoring PNL+%win, ≥10 trade/mese, 90 epoche, cull
+10% ogni 10 epoche → 10 finalisti, split a 3 anti-overfit) ma su **timeframe diversi**:
+game 1 = 5m/15m/1h; **game 2 = 30m/2h/4h** (medio-lunghi). Engine con resampling aggiunto
+(`engine._RESAMPLE`: 30m←15m, 2h/4h←1h). Specs in `data/games/specs2/`, risultato
+`data/games/tournament_result2.json`.
+
+## Diversita' proposte (di nuovo: riscoperta cieca della mean-reversion)
+100 agenti: **74 pairs, 25 zscore, 1 breakout; 100% reversion**; tf 34/33/33. Come nel
+game 1, leggendo solo le statistiche anonime (autocorrelazione negativa del log-ratio,
+continuazione post-mossa ~40%) gli agenti convergono sulla reversione senza sapere che
+sia crypto.
+
+## Classifica finale — tutti 30m pairs
+Vincitore **agente #36** (30m, pairs ETH/BTC):
+- TEST/OOS: **PnL +1451%, win 77%, 43.4 trade/mese, Sharpe 12.3**.
+- I 10 finalisti sono TUTTI 30m pairs (TEST Sharpe ~12, win 76-77%, tpm 43-49).
+
+## Finding chiave: la regola ≥10 trade/mese e' un FILTRO sul timeframe
+Quanti agenti per tf superano la soglia di attivita' + qualita':
+| tf | agenti | ≥10 trade/mese | positivi OOS | miglior OOS Sharpe (pnl/win/tpm) |
+|---|---|---|---|---|
+| 30m | 34 | **34 (100%)** | 26 | **11.6** (1405% 76% 56) |
+| 2h | 33 | 29 (88%) | 17 | 6.1 (512% 79% 17) |
+| 4h | 33 | **4 (12%)** | 6 | 1.4 (103% 68% 14) |
+
+A 4h solo 4/33 agenti riescono a fare ≥10 trade/mese (le barre sono troppo rade per
+la reversione pairs); e l'edge cala col timeframe (Sharpe 11.6→6.1→1.4). Per questo i
+finalisti sono tutti 30m.
+
+## Lezione cross-game (game 1 + game 2)
+Esiste una **frontiera frequenza-vs-edge**: la regola ≥10 trade/mese mette un *pavimento*
+sul timeframe (i lunghi non fanno abbastanza trade), il costo/edge mette un *soffitto* (i
+cortissimi sono cost-fragili). Il punto ottimo e' **il timeframe piu' corto con edge ancora
+robusto**: game 1 (con 15m disponibile) → vince 15m; game 2 (senza 15m) → vince 30m. Sempre
+**ETH/BTC spread reversion**. Coerente con l'analisi di robustezza del 15m
+(`2026-06-09-pairs15m-robustezza.md`): piu' corto = piu' trade = piu' edge di backtest, ma
+piu' fragile ai costi. Il gioco trova l'edge; la prudenza di deploy (mezza size) gestisce
+la fragilita'. Artefatti: `scripts/games/`, `data/games/tournament_result2.json`.

docs/diary/2026-06-09-cerbero-bite-credit-spread.md

@@ -0,0 +1,47 @@
+# 2026-06-09 — Validazione edge credit-spread cerbero-bite (prezzi reali)
+
+## Contesto
+cerbero-bite (container accanto, `/opt/docker/cerbero-bite`) vende credit-spread su
+ETH (bull-put primario, short delta ~0.18, DTE 18, Quarter-Kelly 13%, PT 50% / stop
+2.5x credito / delta-breach 0.30 / vol-stop +10 DVOL / time-stop 7 DTE; testnet,
+propose-only). Tune "Profilo B" del 2026-06-09: short delta alzato a 0.18 (da 0.10-0.15)
+e `credit_to_width_ratio_min` 0.30->0.08 perche' a delta basso 0 spread erano eleggibili.
+Domanda: l'edge regge su un ciclo ETH completo, o e' profittevole solo nei campioni calmi?
+
+Validato con l'infrastruttura opzioni REALE (data/options/, importata da cerbero-bite).
+Script riprendibile: `scripts/analysis/cerbero_bite_credit_spread.py`.
+
+## Risultati
+1. **Economia d'ingresso reale** (chain, 3145 spread): cw a delta 0.18 = **0.106** (p25 0.085),
+   eleggibilita' **65%**, short strike **~9.4% OTM** (NON 18% — quello era il vecchio delta basso),
+   **max-loss/credito = 8.4x**.
+2. **Tail model-free** (8 anni ETH reali, cw 0.106, hold-to-expiry, niente modello opzioni):
+   win-rate 74%, **EV -1.0 crediti/trade, 7/9 anni NEGATIVI**, ETH <-13.4% a 17g (max-loss) il
+   **17.8%** delle volte. Un max-loss (-8.4cr) cancella 17 PT-winner. Gap 1g p5 = -25% (salta lo stop).
+3. **Managed (skew calibrato sulle IV reali)**: win-rate **37%** (delta-breach esce sul 62% dei
+   trade a piccola perdita), **EV -0.02 cr/trade** (gia' a economia favorevole), worst -4.6 (2023).
+   2021+ EV -0.022.
+
+## Caveat di calibrazione (TODO aperto)
+Il mark mid+skew da **cw 0.228 vs 0.106 reale** -> sovrastima il credito ~2x (manca bid/ask
+incrociato sulle 2 gambe + griglia strike reale). Quindi l'EV managed mostrato (-0.02) e' a
+economia **2x troppo favorevole**: l'EV vero e' **<=**. Per il numero esatto: modellare bid/ask
+reale + griglia (entrambi nella chain) cosi' entry cw -> 0.106. RIPRENDERE da qui.
+
+## Verdetto
+- **NON edge robusto su ciclo completo.** Il "+0.48%/mese netto" citato era **artefatto di
+  finestra calma** (mag-giu 2026, nessun crash): li' il body vince (EV +0.6), ma su ciclo
+  completo (mesi -13% al 18% di frequenza) e' breakeven-to-negativo in 2 stime indipendenti.
+- **L'82% PoP e' ingannevole**: o esci presto sul delta-breach (win 37%, grind di piccole
+  perdite), o tieni e prendi la coda. Non c'e' la "macchina da 82% di vittorie".
+- **Il tune Profilo B PEGGIORA la coda** (vendere a 9.4% OTM mette il max-loss in zona di
+  pullback ordinario). Strutturale: il mercato non paga per vendere lontano, vendere vicino
+  espone alla coda.
+- **Coda CONCENTRATA con PythagorasGoal**: il gap che salta lo stop = il crash ETH, lo stesso
+  evento che colpisce lo sleeve fade. I due sistemi non diversificano, concentrano.
+- **Azione**: cerbero-bite resta testnet/paper finche' non c'e' un campione che include un crash
+  vero; valutare un long deep-OTM put (0.33%/mese reale) come cap della coda del bull-put-spread.
+
+## Stato
+DA RIPRENDERE: calibrazione esatta credito (bid/ask + griglia) -> EV managed definitivo.
+Tutto il resto e' chiuso e documentato.

docs/diary/2026-06-09-pairs15m-live-path.md

@@ -0,0 +1,82 @@
+# 2026-06-09 — Percorso live 15m per ETH/BTC pairs: COSTRUITO e VALIDATO
+
+Seguito di `2026-06-09-pairs15m-port06-gate.md` (il gate passa, edge reale e non
+artefatto flat). Qui si costruisce e VALIDA l'infrastruttura per eseguire il pairs
+ETH/BTC a 15m con flat-skip, alla pari del backtest (disciplina validate_worker_pairs).
+
+## 1. Engine canonico (regression-locked)
+`scripts/analysis/pairs_research.py`: aggiunti `aligned_ohlc`, `is_flat_ohlc`,
+`pairs_sim_flat(..., flat_skip, scan_buffer)`. Regola di uscita **LIVE-REALIZABLE**:
+la condizione (|z|<=z_exit O bars>=max_bars) ARMA `exit_ready`; si esce al CLOSE della
+PRIMA barra PULITA successiva (mai a un prezzo passato come faceva il prototipo push-back).
+- **Regression-lock**: `pairs_sim_flat(flat_skip=False)` == `pairs_sim` ESATTO
+  (ETH/BTC 1h 1756 trade, 15m 9388 trade, ret/dd/sharpe identici al bit).
+
+## 2. PairsWorker esteso (retrocompatibile)
+`src/live/pairs_worker.py`: param `flat_skip`, stato `exit_ready` (persistito), tick
+ora fa merge OHLC e rileva le candele flat (O=H=L=C in UNA gamba). Entry saltato su barra
+stale; uscita con la stessa regola exit_ready dell'engine. **Default off = comportamento
+1h storico invariato** (se mancano le colonne OHLC, flat=False).
+
+## 3. Runner: fetch sub-orario (inerte finche' non c'e' uno sleeve 15m)
+`src/portfolio/runner.py`: `_SUBHOURLY={5m,15m,30m}`, `_LOOKBACK_DAYS` esteso; il loop
+fetcha DIRETTO da Cerbero i timeframe sub-orari per (asset,tf) (non resamplabili dal 1h) e
+un router `_series_for` instrada la serie giusta a ogni worker. Zero impatto sul live
+attuale: nessuno sleeve e' 15m → `subhourly_needs` vuoto → ramo morto.
+
+## 4. VALIDAZIONE (validate_worker_pairs.py) — TUTTO OK
+Replay bar-per-bar del worker == backtest:
+| caso | worker | backtest | match |
+|---|---|---|---|
+| ETH/BTC 1h | 1756 trd, cap 2.886.616 | 1756, 2.886.616 | **OK esatto** |
+| BTC/LTC 1h | 599 trd, cap 16.861 | 599, 16.861 | **OK esatto** |
+| **ETH/BTC 15m-flat** | **8452 trd** | **8453 trd** (cap entro 0.15%) | **OK** |
+(1 trade di differenza = posizione finale aperta non chiusa nel replay, atteso.)
+
+## 5. Gate finale (engine == worker) — PROMOSSO
+`pairs15m_gate_final.py` (corr 1h vs 15m = 0.372, 3201 ingressi flat saltati):
+| variante ETH/BTC | FULL Sh | FULL DD | OOS Sh | OOS DD |
+|---|---|---|---|---|
+| baseline 1h | 6.43 | 3.96 | 8.58 | 1.36 |
+| **SWAP 15m-flat** | 7.31 | 3.55 | **9.95** | **1.26** |
+| **BLEND 1h+15m** | 7.03 | 3.66 | 9.57 | 1.24 |
+Entrambi PROMOSSI (a fee backtest). Caveat slippage del gate precedente invariato → il
+BLEND e' la forma raccomandata (meta' allocazione sul 1h pulito, slippage-robusto).
+
+## Stato e attivazione (NON fatta — decisione di deploy)
+Tutto il PERCORSO e' pronto e validato, ma il 15m **non e' attivo nel portafoglio live**:
+attivarlo cambia il trading reale e va deciso esplicitamente. Per accenderlo:
+1. `_defs.py`: aggiungere SleeveSpec pairs ETH/BTC a 15m (tf="15m",
+   params={n:66,z_in:1.674,z_exit:1.0,max_bars:35,flat_skip:True}) — come SWAP della 1h o
+   come 2a sleeve (BLEND) sotto il cap PAIRS.
+2. `report_families.build_everything` / `sleeves`: l'equity del nuovo sleeve dal
+   `pairs_sim_flat(tf=15m, flat_skip=True)` (per parita' backtest==report).
+3. Shadow smoke su testnet (come `live_smoke_pairs.py`) prima del paper reale.
+4. `deploy.sh` (bump+rebuild) — il runner gia' fetcha 15m e passa flat_skip via spec.params.
+
+Test suite: nessuna regressione (1h byte-exact). Artefatti: pairs_research.py,
+pairs_worker.py, runner.py, validate_worker_pairs.py, pairs15m_gate_final.py.
+
+## ATTIVAZIONE IN REALE (2026-06-09) — BLEND, mezza size
+Deciso: BLEND (sleeve 15m ACCANTO al 1h, non swap). Implementato:
+- `_defs.py`: SleeveSpec `PR_ETHBTC_15M` (tf=15m, flat_skip, params.position_size=0.10
+  = meta' del family PAIRS 0.20) in PAIRS -> entra in PORT04/05/06.
+- `report_families.build_everything`: equity da `pairs_sim_flat(tf=15m, flat_skip=True, pos=0.075)`
+  (mezza size, == intento live) con sid PR_ETHBTC_15M.
+- `runner.pos_for_spec`: override PER-SLEEVE (params.position_size) > famiglia > globale.
+- **Mezza size perche'** a peso pieno il 15m pesava il 25.8% del rischio PORT06 (vs 9.5% del
+  1h): dimezzato -> 11.5% vs 10.6%, bilanciato. Disciplina come la cap SHAPE; rispetta il
+  caveat slippage (il 15m non domina il book).
+
+**PORT06 col BLEND (mezza size)**: FULL Sharpe **6.43->7.20** DD **3.96->3.68**,
+OOS Sharpe **8.58->9.66** DD **1.36->1.31**. Migliora tutto.
+
+**Smoke live 15m** (`pairs15m_live_smoke.py`): Cerbero serve candele 15m FRESCHE per
+ETH e BTC (ultima barra 0 min fa, flat live 2-3%), worker flat-skip ticca OK. Esecuzione
+reale a 2 gambe gia' coperta da `live_pairs_smoke.py` (livello strumento, tf-indipendente).
+
+**Regression-lock aggiornati** (miglioria attesa, non regressione): test_definitions
+(17->18 sleeve), test_backtest_parity_cap (FULL 6.47->7.20, OOS 8.82->9.66). Suite verde.
+
+Live: il runner fetcha 15m diretto, costruisce il PairsWorker(flat_skip) col pos 0.10,
+e lo esegue reale a 2 gambe (pairs_enabled). Attivazione via deploy (bump+rebuild).

docs/diary/2026-06-09-pairs15m-port06-gate.md

@@ -0,0 +1,89 @@
+# 2026-06-09 — ETH/BTC pairs a 15m: gate PORT06 (dal gioco Blind Traders)
+
+## Origine
+Il gioco "Blind Traders" (100 agenti ciechi) ha eletto come vincitore una variante
+ETH/BTC pairs su **15m** (config #43: n=66 z_in=1.67 z_exit=1.0 max_bars=35). Domanda:
+e' un vero miglioramento o un duplicato piu' veloce della sleeve PR01 ETH/BTC gia'
+deployata a 1h? Testato sul serio con l'engine di PRODUZIONE `pairs_sim` + gate PORT06.
+Script: `scripts/analysis/pairs15m_port06_gate.py`.
+
+## Risultati
+- **Parita' OK** (corr 1.00000): l'harness riproduce esattamente il sleeve canonico
+  PR_ETHBTC → gate affidabile.
+- **CORRELAZIONE 1h vs 15m = 0.349** (rendimenti giornalieri). **SMENTISCE la mia
+  ipotesi iniziale "duplicato ridondante"**: a 15m cattura eventi di reversione DIVERSI
+  → e' un diversificatore reale, non una doppia scommessa sullo stesso spread.
+- **Robustezza 15m**: griglia n×z_in → **16/16 celle Sharpe>1** (9-12), plateau non picco.
+  Non e' un punto overfit del gioco.
+- **Standalone**: 15m fa 9388 trade (vs 1756 a 1h), Sharpe 11.7 (vs 4.36), DD 54% (vs 48%),
+  8/9 anni+ . (Le % FULL sono esplose dal compounding pos0.15·lev3 su 9k trade → guardare
+  Sharpe/DD/anni, non il livello %.)
+
+## Gate PORT06 (pos0.15 lev3 canonico, OOS da 2024-10-12)
+| variante ETH/BTC | FULL Sh | FULL DD | OOS Sh | OOS DD |
+|---|---|---|---|---|
+| **baseline 1h** | 6.43 | 3.96 | 8.58 | 1.36 |
+| **SWAP 15m** | 7.64 | 3.49 | **10.39** | **1.26** |
+| **BLEND 1h+15m** | 7.30 | 3.63 | 9.95 | 1.24 |
+
+A fee di backtest (0.20% RT/coppia) **entrambe PROMOSSE**: Sharpe su e DD giu' ovunque.
+
+## Stress slippage a livello PORT06 (il vero rischio: 15m = 5× i trade)
+| fee_rt | RT/coppia | PORT06 FULL Sh | FULL DD | OOS Sh | OOS DD | std Sh | std oDD |
+|---|---|---|---|---|---|---|---|
+| baseline 1h | 0.20% | 6.43 | 3.96 | 8.58 | 1.36 | 4.36 | 16% |
+| 15m | 0.20% | 7.64 | 3.49 | 10.39 | 1.26 | 11.7 | 13% |
+| 15m | 0.40% | 7.04 | 4.08 | 9.78 | 1.45 | 8.5 | 27% |
+| 15m | 0.60% | 6.43 | 4.67 | 9.15 | 1.66 | 5.3 | 47% |
+
+**Degradazione graziosa ma reale**: il vantaggio di **Sharpe** sopravvive fino a slippage
+pessimista (OOS 9.15 > 8.58 anche a 0.60%), ma il vantaggio di **DD si perde gia' a 0.40%**
+(FULL DD 4.08 > 3.96 baseline; standalone oDD esplode 13→27→47%). La regola del progetto
+("ri-gateare ogni filtro quando cambiano i costi") qui taglia: la frequenza 5× rende la
+sleeve slippage-sensitive.
+
+## Verdetto
+- **NON un duplicato** (corr 0.35) e **NON overfit** (16/16 robusto) → la mia liquidazione
+  iniziale era SBAGLIATA, lo dico chiaro.
+- **Passa il gate a fee di backtest, marginale sotto slippage**: migliora Sharpe sempre, ma
+  sotto slippage realistico (≥0.40% RT) peggiora leggermente il DD di portafoglio.
+- **Due rischi di produzione NON ancora quantificati**: (a) qualita' dati ETH 15m (14-30%/anno
+  candele flat O=H=L=C → fill non eseguibili che gonfierebbero il backtest), (b) fill/liquidita'
+  reale a 2 gambe a 15m (5× ordini). Il worker pairs e' validato a 1h, non a 15m.
+
+**Raccomandazione**: NON swap diretto in live. Candidato promettente → percorso forward:
+preferire il **BLEND 1h+15m** (tiene il DD pulito del 1h e raccoglie il rendimento
+decorrelato del 15m) **dopo** un check sull'impatto delle candele flat 15m sui pairs.
+Allineato a come il progetto tratta FR01 (robusto ma non deployato finche' non domina pulito).
+Resta come record di ricerca; deploy solo se il check flat-candle e' pulito.
+
+## CHECK FLAT-CANDLE (pairs15m_flatcheck.py) — PULITO
+Rischio: ETH 15m ha molte candele flat (O=H=L=C) → close stale che gonfia z-score →
+reversione FINTA non eseguibile. Test:
+- **Prevalenza**: ETH 15m **16.4% medio** (fino 30% nel 2022); BTC 15m solo 3.5%. Reale.
+- **Fill toccati**: 12.9% degli entry e 15.2% degli exit cadono su una barra flat.
+- **Test decisivo** (entry/exit SOLO su barre pulite, non-flat in entrambe le gambe):
+  rimuove 11.2% dei trade, **Sharpe trattenuto all'83%** (11.74→9.70; OOS Sharpe 18.4).
+  Se l'edge fosse un artefatto flat, filtrando crollerebbe → **NON crolla. NON e' artefatto.**
+- **Gate PORT06 col 15m FLAT-FILTRATO** (corr 1h vs 15m-flat = 0.366, ancora decorrelato):
+  - SWAP 15m-flat: FULL 7.32/3.55, OOS **9.99/1.26** → PROMOSSO
+  - BLEND 1h+15m-flat: FULL 7.05/3.66, OOS **9.60/1.24** → PROMOSSO
+
+## Conclusione (3 box su 4 puliti)
+✅ NON duplicato (corr 0.35-0.37)  ✅ robusto (16/16)  ✅ NON artefatto flat (83% Sharpe)
+⚠️ slippage-sensitive: a fee backtest passa pulito; a slippage ≥0.40% RT il vantaggio di
+Sharpe regge ma il DD-edge si assottiglia. Il **BLEND** mitiga (meta' allocazione resta sul
+1h pulito e slippage-robusto) → e' la forma deployabile.
+
+## Realta' del deploy (perche' NON tocco ancora il live)
+Il gate passa a livello BACKTEST. Ma il live NON puo' eseguire un sleeve 15m oggi:
+- la live pairs gira SOLO a 1h (`PairsWorker`, validato da `validate_worker_pairs` a 1h);
+  il runner risampla a 1h/4h/1d, non gestisce un leg pairs a 15m.
+- un BLEND richiede DUE sotto-sleeve ETH/BTC (1h + 15m) dentro il cap PAIRS, e il
+  **flat-skip va replicato nel worker live** (altrimenti il live tradera' le barre stale che
+  il backtest esclude → divergenza backtest-vs-live, la classe di bug che il progetto teme).
+Editare `_defs.py` cambierebbe solo il backtest/report, NON il live → sarebbe ingannevole.
+**Percorso deploy corretto** (da confermare): (1) estendere `PairsWorker`/runner al 15m +
+flat-skip; (2) `validate_worker_pairs` a 15m (replay == backtest esatto); (3) aggiungere lo
+sleeve 15m sotto il cap PAIRS; (4) shadow su testnet prima del paper. Finche' (1)-(2) non
+sono fatti e validati, resta **record di ricerca PROMOSSO ma non live**.

docs/diary/2026-06-09-pairs15m-robustezza.md

@@ -0,0 +1,45 @@
+# 2026-06-09 — ETH/BTC 15m: analisi di robustezza (il limite è il COSTO)
+
+Domanda: lo sleeve `PR_ETHBTC_15M` (attivato in real, v1.1.16) è robusto? Risposta dai
+dati: **sì su parametri, tempo e qualità-dati; fragile sui COSTI** — e quel limite è
+strutturale (alta frequenza). Engine `pairs_research.pairs_sim_flat` (live-realizable).
+
+## ✅ Robusto su parametri, tempo, dati
+- **Plateau parametrico**: griglia n×z_in (40-80 × 1.5-2.5) → **16/16 celle Sharpe>1**
+  (range 9-12). Non un picco overfit. (`pairs15m_port06_gate.py`)
+- **Consistenza temporale**: 2018-2021 +1874% (3/4 anni+, solo 2018 negativo);
+  2022-2026 +12958% (**5/5 anni+**); **OOS ultimo 30% Sharpe 17.6, DD 13%, +**. L'edge
+  è distribuito, non un singolo regime.
+- **Non artefatto dei dati**: filtrando le candele flat ETH 15m (16% storico) resta
+  l'**83% dello Sharpe** (`pairs15m_flatcheck.py`).
+- **Decorrelato dal 1h** (corr rendimenti giornalieri **0.37**): segnale diverso, non un relabel.
+
+## ❌ Fragile sui COSTI — il vero tallone (frequenza 5× il 1h)
+Sharpe in funzione del costo all-in RT/coppia (fee + slippage):
+
+| costo RT/coppia | **15m Sharpe** | 1h Sharpe |
+|---|---|---|
+| 0.20% (reale, 1×) | **9.34** | 4.36 |
+| 0.40% (2×) | 6.15 | 3.52 |
+| 0.60% (3×) | 2.95 | 2.68 |
+| 0.80% (4×) | **−0.24** | 1.84 |
+| 1.20% (6×) | −6.63 | 0.16 |
+
+**Il 1h regge ~6× i costi; il 15m va negativo già a ~4×.** Tanti trade piccoli (8453 vs
+1756) → margine di costo sottile. Lo **Sharpe 9.34 è un numero a costo basso**: appena lo
+slippage reale a 2 gambe porta l'all-in verso 0.40-0.60%, scende a 3-6 (ancora positivo,
+ma l'edge enorme del backtest è in gran parte illusione da bassi costi).
+
+## Implicazioni (coerenti con la config deployata)
+1. **La mezza size era giusta**: non si dà al 15m il peso che il backtest a costo basso
+   suggerirebbe. È un blend-tilt, non una scommessa.
+2. **NO allo swap** (togliere il 1h, tenere solo 15m): sostituirebbe l'àncora cost-robust
+   (1h, regge 6×) con la sleeve cost-fragile. Confronto PORT06: swap OOS 9.95 vs blend 9.66
+   — +0.3 di Sharpe di backtest pagati in robustezza reale. Non vale.
+3. **Giudice finale = ledger reale shadow**: misurerà lo slippage vero a 15m. Soglia di
+   lettura: all-in <0.40% (Sharpe ≥6) → ottimo diversificatore, valutare size piena;
+   verso 0.60%+ → vale appena la mezza-size che ha (già protetto).
+
+**In una riga**: robusto come *segnale*, fragile come *esecuzione* → sta nel portafoglio a
+metà size accanto al 1h, non al suo posto. Riproducibile: fee-sweep + sub-periodo +
+OOS via `pairs_sim_flat`; plateau/flat-check negli script `pairs15m_*.py`.

docs/diary/2026-06-09-stats-per-anno-real.md

@@ -0,0 +1,73 @@
+# 2026-06-09 — Statistiche per-anno di tutte le sleeve attive in REAL
+
+Snapshot post-attivazione BLEND ETH/BTC 15m (v1.1.16). Breakdown per-anno delle **15
+sleeve che eseguono ordini reali** su Deribit testnet (escluse le 3 PAPER multi-asset
+TR01/ROT02/TSM01). Engine **path-live**: EXIT-16 + filtro trend 3.0 per le fade,
+walk-forward expanding per SH01, flat-skip per il pairs 15m. **PnL% = somma dei
+rendimenti netti per-trade levered ×3, fee 0.10-0.20% RT incluse** — NON il contributo
+al portafoglio (che applica sizing pos, cap-weighting, leva 2x, ribilancio 1D); serve a
+confrontare edge grezzo e DD per sleeve.
+
+Riproducibile: famiglie pairs via `pairs_research.pairs_sim`/`pairs_sim_flat`; fade/DIP/SH01
+via le funzioni `stats_fades`/`stats_dip`/`stats_sh01` di `scripts/analysis/make_strategy_doc.py`.
+
+## FADE (6) + DIP01 — PnL% per anno (n trade)
+| anno | MR01 BTC | MR01 ETH | MR02 BTC | MR02 ETH | MR07 BTC | MR07 ETH | DIP01 BTC |
+|---|---|---|---|---|---|---|---|
+| 2018 | −78 (48) | −85 (42) | +69 (127) | +10 (127) | −12 (38) | +15 (25) | −78 (79) |
+| 2019 | −84 (57) | +21 (46) | +18 (118) | +120 (114) | +55 (52) | −40 (35) | −104 (62) |
+| 2020 | −29 (68) | −35 (55) | +100 (112) | −94 (135) | −11 (53) | +39 (43) | +67 (56) |
+| 2021 | +326 (82) | +238 (60) | +332 (136) | +160 (127) | +245 (45) | +72 (24) | +315 (69) |
+| 2022 | +567 (108) | +749 (76) | +728 (106) | +650 (91) | +446 (82) | +472 (58) | +407 (83) |
+| 2023 | +318 (122) | +248 (73) | +235 (96) | +524 (146) | +168 (67) | +337 (58) | +228 (83) |
+| 2024 | +413 (113) | +888 (126) | +868 (149) | +1952 (180) | +377 (75) | +645 (87) | +332 (81) |
+| 2025 | +368 (90) | +361 (86) | +386 (136) | +931 (151) | +190 (60) | +226 (55) | +303 (85) |
+| 2026* | +69 (29) | −9 (24) | +88 (37) | +25 (41) | +58 (17) | +40 (17) | +7 (29) |
+| **TOT** | +1870 (717) | +2376 (588) | +2823 (1017) | +4278 (1112) | +1517 (489) | +1806 (402) | +1476 (627) |
+| **maxDD%** | 32 | 23 | 19 | 31 | 12 | 23 | 37 |
+
+## SHAPE SH01 (2) — PnL% per anno (n trade)
+| anno | SH01 BTC | SH01 ETH |
+|---|---|---|
+| 2018 | −66 (237) | +74 (239) |
+| 2019 | +88 (318) | −19 (365) |
+| 2020 | +194 (240) | −293 (219) |
+| 2021 | +301 (224) | +67 (146) |
+| 2022 | +64 (142) | +79 (91) |
+| 2023 | +17 (118) | +21 (17) |
+| 2024 | +110 (144) | +108 (47) |
+| 2025 | +77 (85) | +540 (108) |
+| 2026* | +59 (23) | −30 (25) |
+| **TOT** | +845 (1531) | +547 (1257) |
+| **maxDD%** | 23 | 61 |
+
+## PAIRS (6) — PnL% per anno (n trade) | 15m a mezza size (pos 0.075)
+| anno | ETH/BTC 1h | LTC/ETH | ADA/ETH | BTC/LTC | ETH/SOL | ETH/BTC 15m |
+|---|---|---|---|---|---|---|
+| 2018 | −343 (177) | — | — | — | — | −492 (913) |
+| 2019 | +233 (198) | — | — | — | — | +792 (963) |
+| 2020 | +323 (211) | — | — | — | — | +452 (867) |
+| 2021 | +549 (202) | — | — | — | — | +1122 (949) |
+| 2022 | +1344 (206) | +292 (45) | +899 (157) | +328 (58) | +1243 (147) | +2136 (898) |
+| 2023 | +464 (213) | +56 (94) | +341 (173) | +61 (106) | +125 (168) | +689 (976) |
+| 2024 | +1661 (253) | +1024 (195) | +1078 (225) | +638 (186) | +1302 (199) | +6313 (1353) |
+| 2025 | +1173 (225) | +962 (196) | +1046 (187) | +686 (178) | +1264 (202) | +3664 (1123) |
+| 2026* | +61 (71) | +279 (76) | +140 (71) | +265 (71) | +270 (88) | +155 (411) |
+| **TOT** | +5464 (1756) | +2614 (606) | +3504 (813) | +1978 (599) | +4204 (804) | +14832 (8453) |
+| **maxDD%** | 48 | 14 | 19 | 21 | 24 | 34 |
+| **Sharpe** | 4.36 | 4.22 | 4.90 | 2.72 | 4.61 | 9.34 |
+
+\* 2026 parziale (fino al 28 mag). Coppie alt (LTC/ADA/SOL) hanno storia solo dal 2022.
+
+## Aggregato PORT06 (BLEND attivo, 18 sleeve def.)
+**FULL Sharpe 7.20 / DD 3.68% / CAGR 76% — OOS Sharpe 9.66 / DD 1.31%**. Per anno:
+2021 +19.0% · 2022 +73.3% · 2023 +39.8% · 2024 +220.1% · 2025 +110.5% · 2026* +7.7%.
+Nessun anno negativo dal 2021.
+
+## Letture
+- Il PnL% grezzo del 15m e' grande perche' fa ~5x i trade del 1h (8453 vs 1756), non
+  per-trade: il confronto equo e' Sharpe (9.34 vs 4.36) e DD (34% vs 48%). Nel portafoglio
+  entra a mezza size -> ~11.5% del rischio (== il 1h).
+- MR02 ETH = singolo motore piu' forte (+4278%, 2024 +1952%); MR07 il piu' selettivo
+  (DD 12-23%); SH01 ETH il piu' rischioso (DD 61%, coda 2020 −293%) -> mitigato dal cap SHAPE.
+- I 3 book multi-asset (TR01/ROT02/TSM01) restano PAPER, fuori da questo elenco.

docs/diary/2026-06-09-xs01-cross-sectional.md

@@ -0,0 +1,49 @@
+# 2026-06-09 — XS01: reversione cross-sectional (famiglia nuova, trovata + deployata PAPER)
+
+## Origine
+Dopo aver scartato (alla cieca, coi giochi) trend/breakout/seasonal/opzioni/funding come
+rumore o −EV, ho cercato io un meccanismo *diverso* dalla mean-reversion pairwise. Trovato:
+**XS01 — reversione CROSS-SECTIONAL** su 8 asset (BTC/ETH/LTC/ADA/SOL/BNB/XRP/DOGE).
+
+## Meccanismo
+Ogni HOLD=12 ore: classifica gli 8 asset per rendimento su LB=48 ore, pesi
+w = −(ret − media_cross-section), normalizzati a gross 1 → **long i perdenti relativi /
+short i vincenti**, market-neutral. Roll non sovrapposto (entry-to-entry = hold+1 barre).
+Fee 0.10% RT/book. Cattura il FATTORE reversione trasversale, distinto dai pairs (pairwise).
+
+## Verifica (engine canonico `scripts/strategies/XS01_cross_sectional.py`)
+- **No look-ahead** verificato (segnale invariato perturbando il futuro).
+- **Robusto**: plateau OOS Sharpe **2–3.9** su lb 12–72 × hold 6–24.
+- **Scorrelato**: corr **−0.006 / 0.035** da PR01 ETH/BTC, −0.028 dai fade → diversificatore.
+- Per-anno (entry): 2022 +34, 2023 +6, 2024 +21, **2025 +225**, 2026 +85 (5/5 anni+).
+- **Caveat**: edge concentrato sul 2025; cost-sensitive (muore ~0.35% RT/book); 8 gambe;
+  storia dal 2022 (no 2018-2020).
+
+## Worker validato (== backtest esatto)
+`src/live/xsec_worker.py` `CrossSectionalWorker`: book market-neutral che rolla ogni HOLD
+barre, stessa formula pesi e cadenza dell'engine. `validate_xsec_worker.py`: replay
+bar-per-bar == backtest **ESATTO** (worker 4993/1427 trade/49.8% == backtest 4993/1427/49.8%).
+Bug risolto: il primo prototipo rollava 1 barra troppo tardi (cooldown extra) → rimosso,
+guard a lb+1, entry-to-entry = hold+1.
+
+## Gate PORT06 — PROMOSSO (con asterisco)
+| | corr | FULL Sh | FULL DD | OOS Sh | OOS DD |
+|---|---|---|---|---|---|
+| ATTUALE (19→ senza XS01) | — | 7.20 | 3.68 | 9.66 | 1.31 |
+| **+XS01** | −0.006 | **7.34** | **3.46** | **10.07** | 1.48 |
+
+Migliora 3 metriche su 4 (OOS Sharpe **+0.41**, il salto più grande dal 15m; FULL DD giù).
+Unico neo: OOS DD +0.17pp. Risk-contrib XS01 solo **2.2%** (diversificatore a bassa vol).
+
+## Deploy (v?, 2026-06-09) — PAPER
+8 gambe → niente esecuzione reale (come TR01/ROT02/TSM01) → XS01 gira **PAPER**
+(`paper_sleeves`), fuori dal pool, raccoglie statistica forward. Wiring: `_defs.XSEC` in
+PORT06 (19 sleeve, family XSEC via prefix "XS"), `build_everything` (equity da xsec_sim),
+`runner` kind="xsec" → CrossSectionalWorker, `asset_days` ora include i paper (fix: gli alt
+BNB/DOGE/XRP ora vengono fetchati anche per TR01/ROT02/TSM01). Regression-lock aggiornati
+(18→19 sleeve, FULL 7.20→7.34, OOS 9.66→10.07, DD 3.68→3.46). 93 test verdi.
+
+**Direzione futura:** se la statistica forward conferma, costruire l'esecuzione reale a
+N gambe (oggi inesistente) per portarlo nel pool. Per ora: candidato validato che gira
+PAPER e si osserva. Artefatti: `scripts/strategies/XS01_cross_sectional.py`,
+`src/live/xsec_worker.py`, `scripts/analysis/{validate_xsec_worker,xsec_port06_gate}.py`.

docs/diary/2026-06-10-funding-carry.md

@@ -0,0 +1,46 @@
+# 2026-06-10 — FC01 funding-carry market-neutral: SCARTATA (il carry non paga le fee)
+
+## Idea
+
+Carry NEUTRALE sul funding Deribit (meccanismo mai esplorato: W12 era lo short
+direzionale su funding alto, bocciato): short della gamba col funding alto /
+long della gamba bassa (ETH vs BTC, dollar-neutral), incassando il differenziale
+di funding con esposizione residua = solo lo spread ETH/BTC.
+
+Dati REALI: `data/regime/{btc,eth}_funding.parquet` — funding orario effettivo
+dic 2019 → giu 2026 (56.938 ore), `interest_1h` + index_price.
+Harness: `scripts/analysis/funding_carry_research.py` (causale: decisione al
+close t, accrual da t+1; fee 0.10% RT per gamba; TRAIN ≤2023-11-01 / OOS dopo).
+
+## Numeri che uccidono l'idea (prima ancora del backtest)
+
+- Funding annualizzato: BTC mean +7.2% / med +0.3%; ETH +5.2% / +0.05% —
+  la MEDIANA è ~zero: il funding alto è episodico, non strutturale.
+- Spread ETH−BTC: p10 −19% / p90 +12.6% annualizzato, MA autocorr del
+  24h-smooth a 72h = 0.20 → poca persistenza.
+- **Episodi |spread|>10% ann: durata mediana 19h** (p90 60h) → carry
+  incassabile per episodio ≈ 10%/8760×19h ≈ **0.02-0.05%**, contro **0.20%**
+  di fee (2 gambe). Strutturalmente morto: il carry è un ordine di grandezza
+  sotto i costi, e il price-leg dello spread ETH/BTC (vol ben maggiore del
+  carry) domina il PnL.
+
+## Backtest (conferma)
+
+- FC-A spread-carry, griglia smooth {24,72,168}h × thr {5,10,20}% ann:
+  TRAIN quasi tutto negativo (Sharpe −0.6…+0.03), OOS negativo ovunque
+  tranne una cella (s24 thr5: OOS +38% con TRAIN −45% = rumore/sign-flip).
+  Sweep fee: negativa anche a 0.05% RT/gamba. Annuale: 2021 −93%, nessuna
+  stabilità.
+- FC-B direzionale single-asset (confronto onesto): negativa ovunque,
+  riconferma W12.
+
+## Verdetto
+
+SCARTATA. Su Deribit BTC/ETH il funding non è un carry harvestabile: troppo
+piccolo, troppo breve, e l'hedge cross-asset introduce più rischio del carry
+che raccoglie. Eventuale rivisita SOLO se: (a) si aggiungono alt ad alto
+funding cronico (Hyperliquid, registry già validato) dove i livelli sono
+5-10x, o (b) si usa il funding come FEATURE/gate di strategie esistenti
+(es. filtro sulle entry PR01) invece che come fonte di PnL.
+
+Script: `scripts/analysis/funding_carry_research.py` (resta come record negativo).

docs/diary/2026-06-10-grid-traders-game3.md

@@ -0,0 +1,113 @@
+# 2026-06-10 — Gioco "Blind Traders" sessione 3: GRID TRADERS (regola: STRATEGIA_GRIGLIA.md)
+
+## Setup
+
+Terza sessione del gioco dei trader ciechi, con una regola nuova: ogni agente deve
+implementare la strategia descritta in `STRATEGIA_GRIGLIA.md` (grid trading a griglia
+geometrica). 100 agenti (haiku, via Workflow) ricevono SOLO un digest anonimo di due
+serie X/Y (in realtà BTC/ETH, mai rivelato) sul loro timing assegnato
+(25×15m, 20×30m, 20×1h, 15×2h, 12×4h, 8×1d) + 5 archetipi di stile a rotazione
+(prudente / aggressivo / asimmetrico-rialzista / asimmetrico-ribassista / data-driven),
+e propongono la CONFIGURAZIONE della griglia: `range_down/up %`, `grid_levels`,
+`sl_buf`, `tp_buf`, `max_bars`, serie.
+
+Infrastruttura nuova in `scripts/games/`:
+- **`grid_engine.py`** — backtest deterministico, causale, fee-aware della spec:
+  griglia geometrica `ratio=((1+ru)/(1-rd))^(1/L)` costruita sul close di deploy,
+  capitale 1/L per livello (§3.3), buy su attraversamento ↓ di un livello non
+  riempito, sell del livello su attraversamento ↑ del successivo (§5.2), SL sotto
+  il range e TP sopra che liquidano tutto (§6), redeploy a fine episodio
+  (SL/TP/max_bars). **Vincolo break-even §4 implementato alla lettera**: passo
+  ≤ 1.5×costo RT → il motore si rifiuta di partire (`refused`, fitness −2e6);
+  `_normalize` dell'arena riduce i livelli al massimo legale. Fill intrabar lungo
+  il percorso O→L→H→C / O→H→L→C; fee 0.10% RT per round-trip + slippage opzionale.
+- **`grid_arena.py`** — torneo identico alle sessioni 1-2: split 60/20/20
+  TRAIN/VALID/TEST, 90 epoche di hill-climb sul TRAIN, cull del 10% in VALID ogni
+  10 epoche → 10 superstiti; TEST = OOS puro mai ottimizzato.
+- **`grid_brief.py`** — digest anonimo con statistiche per dimensionare una griglia:
+  escursione max/min rolling (w100/500/2000, mediana e p90) e probabilità di fuga
+  da un range ±5/10/20% entro 500 barre.
+
+## Esito
+
+`data/games/grid_result.json` (+ log `grid_tournament.log`). 100/100 spec da agenti
+reali (nessun sostituto random).
+
+- **Alla proposta, 80/100 agenti scelgono X (=BTC)**: dai soli numeri anonimi capiscono
+  che la griglia sopravvive meglio sulla serie meno volatile (escape ±20% in 500 barre:
+  BTC 34.5% vs ETH 53.2% a 1h).
+- **L'evoluzione ribalta la scelta: tutti i 10 superstiti finiscono su Y (=ETH)** —
+  nel periodo VALID/TEST la vol più alta di ETH paga di più i round-trip, e il rischio
+  trend è gestito non dal range stretto ma dalla FORMA della griglia (sotto).
+- **Convergenza fortissima della forma** (9/10 superstiti): griglia **asimmetrica
+  ribassista** — range profondo sotto (−13/−20%), corto sopra (+4/+8%), **livelli al
+  minimo (4)** → passo largo ~4.5-5.5%, SL buffer profondo (5-15%), max_bars lunghi.
+  Tradotto: **compra i dip di ETH in 4 tranche distanziate ~5%, rivendi ogni tranche
+  al rimbalzo di un passo, stop catastrofale a ~−25/−30%**. Il gioco ha ri-scoperto
+  per la terza volta la mean-reversion (qui in forma di dip-buying a tranche), e ha
+  imparato da solo la lezione anti-fee: meglio pochi passi larghi che griglie fitte.
+
+**Vincitore: agente #11, ETH 15m**, griglia −17.1%/+4.6% × 4 livelli, SL buf 12.4%,
+TP buf 4.8%, max 2143 barre. TEST(OOS): **PnL +891% (additivo), win 97%, 38.5
+trade/mese, Sharpe 10.1**. FULL 2018-2026 (include bear 2018 e 2022): +4284%, Sharpe 9.6.
+Stress slippage TEST: 0.05%/lato → 871%, 0.10%/lato → 850% (il passo ~5.4% ⋙ costi).
+
+## Caveat onesti (perché NON è un candidato deploy così com'è)
+
+1. **Il PnL è additivo per-trade e non misura il drawdown UNREALIZED**: l'engine
+   somma i round-trip realizzati; mentre la griglia tiene 4 tranche dentro un
+   drawdown −17%, l'equity vera è sott'acqua (fino a ~−15% di episodio + SL −25/30%
+   quando scatta). Il win-rate 97% è il profilo classico della griglia: tante
+   micro-vincite, perdite rare ma grandi (stessa famiglia di rischio del
+   short-vol/martingala). Per un gate serio servirebbe l'equity curve mark-to-market.
+2. **Long-only su ETH con VALID/TEST 2023-2026** (regime rialzista/oscillante):
+   l'asimmetria −17/+4.6 è anche un fit al regime. Il FULL positivo (bear inclusi)
+   è incoraggiante ma il grosso del PnL resta nei periodi di reversione rialzista.
+3. Le candele flat ETH 15m (14-30%/anno) e i fill intrabar "al livello" condividono
+   i caveat noti del progetto (bias pro-stop-stretti dell'engine intrabar; qui gli
+   stop sono larghi, quindi l'effetto è minore).
+
+## Lezioni
+
+- La spec STRATEGIA_GRIGLIA.md è implementabile in modo causale e onesto; il suo
+  vincolo break-even (§4) è esattamente la "lezione fee" del progetto, e il torneo
+  l'ha confermato spingendo i livelli al minimo (passo massimo).
+- La griglia evoluta è un parente povero delle fade MR già in live: stesso edge
+  (reversione ETH), ma incassato con inventory risk crescente invece che con
+  TP/SL per-trade. Non sostituisce le MR; eventuale interesse solo come variante
+  "a tranche" da gateare con equity mark-to-market (e confronto con MR01/MR02 a
+  parità di rischio) PRIMA di pensarci per il PORT06.
+
+## GATE "si puo' inserire?" (stessa sera) — NO-GO: edge = artefatto delle wick testnet
+
+`scripts/analysis/grid_game_gate.py`: engine **mark-to-market** dedicato (equity
+per barra = capitale + inventario al close, SL gap-aware, flat-skip, fee 0.10% RT),
+metriche standard del progetto + gate PORT06. Primo passaggio ingannevole: standalone
+WINNER 15m FULL Sharpe 5.61 DD 15.8%, corr max coi sleeve 0.34, plateau 16/16,
+e il criterio formale promuoveva il half-size (OOS Sh 10.07->10.12, DD 1.48->1.36).
+MA il breakdown annuale mostrava **+4946% nel 2022** (ETH −70%): impossibile.
+
+**Verifica avversariale decisiva**: il feed Deribit (testnet) e' pieno di **spike
+print** — ETH 15m ha 1064 barre con wick ≥6% sotto i close adiacenti che rientrano
+subito (fino a −19% in 15 minuti; BTC ha spike a −54% nel feb 2024). La griglia
+intrabar compra su quelle wick FINTE e rivende al rimbalzo: free money in sim,
+infillabile dal vivo. Stress **close-only** (fill solo su attraversamento del
+close): WINNER 15m CAGR 1544%->21%, Sharpe 5.61->0.92, OOS +2738%->+32%,
+trades 3803->1156; top3 1h CAGR -1.7%, OOS −18%. **~99% dell'edge vive nelle
+wick.** La versione onesta (Sharpe 0.92, DD 27%) e' molto sotto ogni sleeve
+deployato → **NON inseribile**, in nessuna size.
+
+Lezioni aggiuntive:
+- Il torneo ha massimizzato esattamente l'artefatto: la convergenza su ETH 15m
+  range profondo era la firma del **wick harvesting**, non di un edge.
+- I motori intrabar dei giochi (`grid_engine`, e in misura minore i TP intrabar
+  di `engine.py`) vanno SEMPRE stressati con una variante close-only prima di
+  promuovere qualunque vincitore: aggiungere il check ai prossimi giochi.
+- Gli sleeve in produzione NON sono toccati da questo artefatto nello stesso modo:
+  pairs entra/esce sui close, le fade hanno EXIT-16 close-confirm sullo SL, e
+  soprattutto il ledger REAL-TRUTH usa i fill reali (che gli spike non fillano).
+
+Artefatti: `scripts/games/grid_{engine,arena,brief}.py`, spec agenti in
+`data/games/specs_grid/`, digest `data/games/grid_digests.json`, risultato
+`data/games/grid_result.json`, log `data/games/grid_tournament.log`, gate
+`scripts/analysis/grid_game_gate.py` (param `close_only` per lo stress anti-wick).

docs/diary/2026-06-10-real-truth-ledger.md

@@ -0,0 +1,57 @@
+# 2026-06-10 — REAL-TRUTH: il ledger segue i fill reali (sim → diagnostica)
+
+## Richiesta
+
+L'utente vuole che sim e reale coincidano — o meglio, che il sim non esista come
+verità: «voglio vedere dati che hanno avuto movimento reale su exchange». La
+ricognizione dei 77 eventi reali (dal 2026-06-03) ha mostrato che il gap
+sim/reale NON era slippage (piccolo, es. −0.15 bps su un TP) ma **contabile**:
+
+1. **Ledger separati.** Il `capital` che guida portafoglio/ribilanci/sizing era
+   aggiornato dal PnL SIM; il PnL reale finiva in un `real_capital` parallelo che
+   non guidava nulla. MR01 BTC: sim +28.93 vs reale +1.98 sugli stessi 4 trade.
+2. **Prezzi sim da candele testnet** (spike print, es. 2026-06-07 sim short BTC a
+   65266.5 con mark reale 62395): il sim bookava PnL che il reale non vede. Con
+   il ledger sim come verità, l'equity del portafoglio accumulava questa fantasia.
+
+Nota: il *notional* reale era GIÀ derivato dalla formula sim
+(`capital·ps·lev` passato a `_real_open`/`_real_open_pair`) — il punto 1 della
+richiesta (sizing allineato) si chiude da solo una volta che `capital` è reale.
+
+## Implementazione (REAL-TRUTH)
+
+- `StrategyWorker` e `PairsWorker` accettano `real_truth: bool` (default False =
+  shadow storico). Con flag attivo e esecuzione abilitata:
+  - `_real_close`/`_real_close_pair` ritornano `(real_pnl, applied)`;
+    `applied=True` se ci sono fill reali (o chiusura verificata).
+  - `_close_position`/`_close` chiamano la chiusura reale PRIMA dell'update
+    ledger: `capital += real_pnl` (fee reali incluse); `is_win = pnl_reale > 0`.
+  - Il sim resta nel log CLOSE come diagnostica: `pnl_source` ("real" |
+    "sim_fallback"), `sim_pnl`, `real_pnl`.
+  - **Fallback al sim** SOLO se il trade reale non è mai esistito/fillato
+    (REAL_OPEN_FAIL, fill zero) — dichiarato nel log, mai silenzioso.
+- Runner: `overrides.execution.real_truth` (yml) → `build_worker_for(...,
+  real_truth=)`. `portfolios.yml`: **`real_truth: true`**.
+- Conseguenza a catena: equity ledger → pesi → allocazioni → notional dei
+  prossimi ordini derivano ora dai soldi veri sul conto. Il `real_capital`
+  parallelo resta come ledger puro-reale di confronto.
+
+## Test
+
+`tests/portfolio/test_real_truth.py` (6 test): capital segue i fill reali
+(single-leg e pairs), una divergenza sim-win/reale-loss viene contata come LOSS,
+fallback sim dichiarato su REAL_OPEN_FAIL/leg-fail, e modalità shadow invariata
+senza flag. Suite completa: 99 passed.
+
+## Limiti onesti
+
+- I multi-asset (TR01/ROT02/TSM01/XS01) restano sim per costruzione (paper
+  sleeves fuori dal pool, capitale insufficiente per i book multi-leg).
+- La STORIA del ledger non è riscritta: l'equity attuale (~2154) ingloba il PnL
+  sim accumulato fino a oggi (reale realizzato era ≈ −15.6 dal 3/6). Da ora la
+  divergenza smette di accumularsi; se si vuole un azzeramento (reset equity al
+  conto reale) è un'operazione separata e deliberata.
+- Le DECISIONI di trading (entry/exit) restano guidate dai prezzi del feed
+  (candele testnet): real-truth corregge la contabilità, non i segnali. Gli
+  spike print del feed possono ancora generare entry/exit subottimali — ma ora
+  il loro effetto si misura in PnL reale, non in PnL immaginario.

docs/diary/2026-06-10-xs01-dispersion-gate.md

@@ -0,0 +1,51 @@
+# 2026-06-10 — XS01 dispersion-gate: PROMOSSO e LIVE (entry solo con dispersione da fare rientrare)
+
+## Domanda
+
+L'edge di XS01 (reversione cross-sectional 8 asset) era concentrato (2025 domina,
+2023 quasi piatto) e cost-sensitive. La reversione cross-sezionale va accesa solo
+quando c'e' dispersione da far rientrare?
+
+## Metodo (anti multiple-testing): `scripts/analysis/xs01_dispersion_gate.py`
+
+3 feature di regime CAUSALI calcolate dallo stesso panel closes (nessun feed
+esterno): `g_disp` = std cross-section del momentum lb (la grandezza che si fada),
+`g_corr` = correlazione media pairwise 72h (identita' della varianza dell'indice),
+`g_vol` = vol BTC 168h. Diagnostica per quintili (quintili dal TRAIN, 70/30) sul
+net per-trade dell'engine canonico NON gateato, TRAIN e OOS separati: si procede
+solo con relazione monotona e concorde nelle due finestre.
+
+## Esito diagnostica
+
+- **g_disp: monotona e concorde** — Q1 NEGATIVO (−10 bps TRAIN / −8 OOS) →
+  Q5 +26/+280. Senza dispersione i trade sono solo fee. PROMOSSA.
+- g_corr e g_vol: non monotone / segno incoerente → BOCCIATE (niente fishing).
+
+## Gate (sweep soglie = percentili TRAIN, side dal TRAIN)
+
+Plateau pieno p30-p70, niente picco: TRAIN Sh 1.51 → 2.0-2.3, OOS Sh 5.73 →
+6.2-7.5. Scelta **p50 (disp_min = 0.0313)**, ~47% delle ore aperte:
+
+- Standalone: trade 1427→859 (−40% turnover → meta' fee), win 50→53%,
+  **Sharpe 2.50→3.46**, DD 16.2→15.8%. **Ogni anno migliora**: 2022 +34→+40,
+  2023 +6→+28, 2024 +21→+44, 2025 +225→+237, 2026 +85→+108 — risolve la
+  concentrazione, il punto debole della validazione originale.
+- Fee stress 2x (0.20% RT/book): OOS Sh 6.76 — la cost-sensitivity e' mitigata
+  (il gate taglia proprio i trade che pagavano fee senza edge).
+- **Gate PORT06** (swap equity sleeve): FULL Sh 7.34→7.41 DD pari,
+  **OOS Sh 10.07→10.37 DD 1.48→1.47** → PROMOSSO (criterio standard).
+
+## Implementazione (solo path LIVE, come trend/hurst sulle fade)
+
+- `src/live/xsec_worker.py`: param opzionale `disp_min` (None = off), check in
+  `_open_book` su `nanstd(logC[i] − logC[i−lb])`. Default off → la validazione
+  `validate_xsec_worker` (replay == backtest) resta esatta.
+- `src/portfolio/runner.py`: pass-through di `disp_min` (il runner costruiva il
+  dict params esplicitamente e l'avrebbe perso).
+- `scripts/portfolios/_defs.py`: `disp_min: 0.0313` nella spec XS01.
+- Il backtest canonico (`build_everything`) resta NON filtrato → il live fara'
+  meglio del backtest, coerente con le altre guardie.
+
+Unit check: gate blocca panel piatto / apre panel disperso / default off invariato.
+99/99 test. Nota macro della giornata: FC01 funding-carry SCARTATA
+(diario separato) — il protocollo promuove ~1 idea su molte, come deve.

docs/diary/2026-06-11-stability-sweep.md

@@ -0,0 +1,86 @@
+# 2026-06-11 — Sweep di stabilità su tutte le strategie (anti-overfit)
+
+Obiettivo: analisi di tutte le 19 sleeve cercando miglioramenti/correzioni/protezioni che
+aumentino la STABILITÀ, con disciplina anti-overfit (ipotesi pre-registrate, griglie fissate
+prima di guardare i numeri, verdetti su TRAIN E OOS con plateau, gate PORT06; nessun re-test
+di idee già bocciate: ADX/vol-target/time-stop/hurst/stop SH01/multi-TF/entry-guard ecc.).
+
+## Audit di drift (nessun fitting)
+
+- `report_families` sui dati correnti: correlazioni cross-famiglia ancora ≈0 (pairs 0.03-0.11,
+  XS01 0.01, SH 0.03-0.04 vs MASTER-9) → la diversificazione NON è driftata.
+- **Regression-lock trend_max** (`trendmax_port06_impact`) rieseguito su dati freschi:
+  parità 1.00000 su tutte e 6 le fade (engine live-path integro) e **plateau trend_max
+  2.5/3.0/3.5 confermato** (OOS Sh 11.14/11.24/10.98, DD 1.33 identico).
+- **Percentile del rolling-return PORT06** (cap weights, storia 2021+): finestra corrente
+  60g al 19°, 120g al 21°, 160g al 28° percentile → periodo fiacco ma in variazione normale.
+- ⚠️ **FADE in coda storica**: il rolling 120g equal-weight delle 6 fade è a **−1.0% =
+  2° percentile** della propria storia (p5 = +0.4%). È il tratto peggiore mai attraversato
+  dalla famiglia. Decisione esplicita: NESSUN ritocco ai parametri (sarebbe fit sul regime
+  corrente, l'errore che il progetto evita da sempre); la protezione è la diversificazione
+  (già in atto: il portafoglio regge al 19-28° pct) + monitoraggio. Follow-up in TODO:
+  alert di drift per-famiglia nel hourly_report (distribuzione storica precomputata).
+
+## Correzione: bug contabile TR01 worker (FIXATO)
+
+`BasketTrendWorker.tick` usava `mean(rets)` sui SOLI asset in posizione → con paniere
+parziale sovrappesa N/k (con 1 solo long: 0.45 del capitale invece di 0.09). Era l'origine
+della divergenza replay −44% vs reference +42% annotata nel TODO. La convenzione canonica
+(backtest PORT06 via `_tr_basket_daily`) è equal-weight 1/N sull'universo: fix 1 riga
+(`sum(rets)/len(universe)`). Replay post-fix: **TR01 +32% vs reference +42%** (stesso segno
+e ordine di grandezza = gate del validatore; il residuo è la differenza dichiarata
+capitale-unico vs media-equity). ROT02 +171%==ref, TSM01 +5%==ref invariati. Solo
+statistica PAPER: nessun effetto su pool/ordini. NB: il forming-bar su ROT02/TSM01 segnato
+nel TODO era GIÀ fixato (v1.1.10, `_panel` scarta la barra in formazione) — TODO aggiornato.
+
+## Protezione 1 (pre-registrata): disaster-cap z sui pairs → **NO-GO**
+
+Ipotesi: exit immediata se |z| ≥ z_stop dopo l'ingresso taglia la coda da structural-break
+senza toccare i trade normali. Griglia fissata: z_stop {3.0,3.5,4.0,5.0} × 5 coppie 1h +
+{2.5,3.0,3.5,4.0} sul 15m, train <2023-11-01 / OOS, engine con regression-lock ESATTO su
+`pairs_sim`/`pairs_sim_flat`. Esito (potere statistico AMPIO, centinaia di trigger):
+**bocciata su tutti e 3 i criteri** — il DD peggiora quasi ovunque, il worst-trade OOS
+peggiora su 4 coppie su 6 (ETH/BTC −62→−168%!), Sharpe OOS cala oltre il −10% relativo in
+TUTTE le celle, e il "plateau" esiste solo per il danno (monotono: più stretto, peggio).
+Meccanismi: (i) lo stop realizza la perdita al massimo overshoot — il movimento che la
+strategia fada (stessa lezione EXIT-16/SH01, **5ª conferma**); (ii) l'engine non-overlap
+rientra subito nello spread ancora divergente → churn di fee a 2 gambe e stop ripetuti.
+I pairs restano senza stop by design; la mitigazione resta la taglia
+(`position_size_family` PAIRS 0.20). Record: `scripts/analysis/pairs_zstop_research.py`.
+
+## Protezione 2 (pre-registrata): phase-tranching XS01 → **PROMOSSA e LIVE**
+
+Diagnosi: il roll non-sovrapposto di XS01 ha una FASE arbitraria (dipende da quando il
+worker parte) e l'esito ne dipende parecchio — sulle 12 fasi possibili: Sharpe daily FULL
+1.52-2.33, DD per-trade 13.8-33.1% (`xs01_tranche_research.py`). È timing-luck puro: il
+backtest canonico (fase 0) è una delle estrazioni FORTUNATE sul FULL (DD 15.4 vs mediana
+~21). Rimedio senza parametri fittati: **ensemble di fase** — K sub-book sfasati di hold/K
+barre su capitale comune (PnL/K). Gate onesto su equity daily (`xs01_tranche_gate.py`):
+
+- standalone OOS: Sharpe 3.79→4.27 (K=2) →4.85 (K=3), DD 7.99→7.25→5.56;
+- FULL standalone: il DD sale verso la mediana di fase (~21%) — il "peggioramento" è la
+  RIMOZIONE della fortuna della fase 0, non un costo;
+- PORT06 swap-sleeve: FULL invariato (7.33/3.46), OOS Sh 10.07→10.11 (K=2) →10.15 (K=3),
+  OOS DD 1.48→1.43→1.38. **Plateau: K=2 E K=3 entrambi promossi** (non best-pick).
+
+Implementazione: `CrossSectionalWorker` param `tranches` (default 1 = storico; live K=3 in
+`_defs.py`), books indipendenti con sfasamento iniziale `wait`, capitale comune, migrazione
+automatica dello status legacy (il vecchio book → tranche 0), `last_bar_ts` solo-avanti
+(robustezza ai panel accorciati da feed in ritardo). Solo path LIVE come `disp_min` (il
+backtest canonico resta single-phase → il confronto live/backtest va letto con la mediana
+di fase in mente). **Validatore esteso e PASSATO**: K=1 replay == `xsec_sim` ESATTO
+(1427 trade, cap 4993==4993); K=3 replay == unione fasi 0/4/8 ESATTO (4279 trade,
+4512==4512). Osservabilità: `hourly_report` aggrega i sub-book nel book medio.
+
+## Non toccati (per evidenza, non per pigrizia)
+
+- **Fade/DIP01**: exit-lab già esaustivo (23+11 famiglie); plateau e parità riconfermati oggi.
+- **SH01**: 11 famiglie di stop già bocciate; cap famiglia + monitor trade-rate in essere.
+- **ROT02/TSM01**: replay == reference; forming-bar già fixato.
+- **TR01 come sleeve** (3 anni negativi su 6): rimosso? NO — sarebbe una decisione guidata
+  dal regime recente (recency bias); il suo ruolo è catturare i trend che le fade non
+  prendono. Resta, con la statistica ora contabilizzata correttamente.
+
+## Esito test
+
+`pytest`: 99 passed. Validatori: honest workers OK, xsec K=1/K=3 OK, trendmax lock OK.

docs/diary/2026-06-11-system-audit.md

@@ -0,0 +1,92 @@
+# 2026-06-11 — Audit di sistema + verità contabile sul netting (v1.1.24)
+
+Seconda tornata della giornata (dopo lo sweep strategie): analisi del SISTEMA live
+(esecuzione, stato, feed, processo) con 3 indagini parallele + fix.
+
+## Audit live (dal reset 2026-06-10T21:24Z)
+
+- **Churn phantom-TP quantificato**: 20 round-trip fantasma sui fade ETH (2 finestre,
+  13:06Z e 17:32-17:58Z, feed che stampava wick ~1640 con mercato a 1675-90 per 25 min).
+  Somma real_pnl −2.35 USD vs sim_pnl +80 USD: il real-truth ledger ha contenuto, il gate
+  TP_PHANTOM (v1.1.23) copre il pattern da stasera.
+- **Il conto NON quadrava coi libri**: short 0.027 ETH in più (l'hedge long ETH del pair
+  ETH/SOL mangiato dai close reduce-only dei fade) e BTC flat con MR02_BTC convinto di
+  essere short (TP resting fillato da uno spike REALE del book a −3.8%, +6.6$ non bookati,
+  che il worker riconcilierà alla chiusura sim) col **disaster-SL residuo sul book a
+  posizione flat**. Bonifica eseguita: DSL `USDC-SLMB-26521` cancellato, riallineo
+  +0.027 ETH reduce-only (fill 1682.5) → conto == libri (verificato).
+
+## Root-cause strutturale
+
+Le **quote per-worker con ordini reduce-only su un conto a NETTING si rompono quando due
+worker hanno direzioni opposte sullo stesso strumento** (pairs long ETH vs fade short ETH):
+- un close reduce-only può essere **cappato** (Deribit riduce l'amount in silenzio) → il
+  ledger bookava la chiusura PIENA perché `Fill.amount` era il richiesto, non il fillato;
+- un close reduce-only nel verso "sbagliato" rispetto al netto viene **respinto** → la
+  gamba pairs resta orfana sul conto, ma il worker bookava il PnL al prezzo sim e azzerava
+  lo stato (3 volte oggi: PnL fantasma nel ledger real-truth, ETH/SOL di fatto short nudo).
+
+## Fix (v1.1.24) — verità, non workaround
+
+1. **`Fill.filled_amount`** (da `order.filled_amount`, fallback trades/history): tutti i
+   ledger usano il fillato; nota "FILL PARZIALE" nel Fill.
+2. **`REAL_CLOSE_PARTIAL`** (log + Telegram): close che filla meno del residuo → residuo
+   orfano dichiarato, `REAL_CLOSE verified=false`.
+3. **Pairs per-gamba**: PnL bookato SOLO per gambe con fill verificato; gamba respinta →
+   record in `orphan_legs` (persistito nello status) + alert `PAIR_LEG_ORPHAN`;
+   `applied=True` (real-truth) solo con ENTRAMBE le gambe → altrimenti fallback sim
+   DICHIARATO (meglio del numero mezzo-reale di prima).
+4. **`REAL_DIVERGENCE` anche su jsonl** (prima solo Telegram: l'audit ha dovuto
+   ricostruire gli episodi dai REAL_CLOSE).
+5. **Runner: tick isolato per-worker** — un'eccezione in un worker non salta più gli
+   altri né l'update equity; streak per-worker con alert `WORKER_ERROR_STREAK` a 5.
+
+Test: 2 nuovi (partial-close, orphan-leg) + fixture aggiornate → 106 passed.
+
+## Decisione di design APERTA (per l'utente)
+
+Finché pairs e fade condividono strumenti in direzioni opposte, le chiusure possono
+orfanizzarsi: ora è VISIBILE e contabilizzato giusto, ma non eliminato. Opzioni:
+  A) **Position-manager centrale per strumento** (il runner netta i delta di tutti i
+     worker e manda UN ordine; ricostruisce le quote contabilmente) — corretto ma
+     invasivo, da progettare con calma;
+  B) **Sotto-conti Deribit separati** per famiglia (pairs vs fade) — pulito, richiede
+     setup conto e client multi-token;
+  C) **Status quo monitorato**: alert PAIR_LEG_ORPHAN + riallineo manuale (oggi: 1 giro
+     in 2 minuti) — accettabile su testnet, NON per capitale vero.
+Raccomandazione: C ora, A prima di passare a capitale reale.
+
+**Secondo passo — FATTO (v1.1.25): NETTING delle chiusure market.** `close_amount`
+tenta il reduce-only e riesegue il residuo cappato/respinto in market puro (= il
+netting contro le quote opposte: il conto si muove del delta esatto del libro).
+Un solo punto di fix (anche `close_pair` ci passa). Fill combinato per il chiamante
+(prezzo pesato, fee sommate), evento `NET_CLOSE` su log+Telegram a ogni fallback,
+4 test dedicati. Niente più orfani per costruzione; `orphan_legs` resta come ultima
+difesa se fallisce anche il market puro. Effetto collaterale benefico: la chiusura
+futura della gamba ETH di ETH_SOL#2 (che sarebbe stata respinta di nuovo) ora
+eseguirà correttamente. La scelta A-vs-B-vs-C resta aperta solo per la parte
+RESTING (TP/DSL su book condiviso) e per i multi-asset.
+
+**Primo passo verso A — FATTO (sera stessa): reconciler read-only.**
+`scripts/analysis/reconcile_account.py`: per ogni strumento USDC confronta
+atteso (Σ quote reali dai status.json: single-leg + pairs 2 gambe + orphan_legs
+registrati = drift SPIEGATO) vs conto reale (`get_positions`, size/mark → coin),
+tolleranza 1.5×step, anti-race (ricontrollo a 10s prima di segnalare). In crontab
+host ORARIO (:40) con alert Telegram `ACCOUNT_DRIFT`. Al primo run ha beccato un
+vero positivo: BTC libro short 0.0028 vs conto flat (il TP di MR02_BTC fillato
+dallo spike reale delle 12:22Z, che il worker riconcilierà alla chiusura sim) —
+esattamente la classe di divergenza che prima restava invisibile per ore.
+
+## Altri esiti della tornata
+
+- **Dedup engine gate** (TODO chiuso): `_port06_gate_common.py`, output 3 gate
+  byte-identici, nessun copy-drift trovato (la paura era fondata ma non ancora avverata).
+- **Bug bfill `_daily_equity` quantificato** (TODO aggiornato): NON materiale — OOS
+  invariato per costruzione, FULL DD 3.46→3.67 col fix (l'attuale è lievemente ottimista),
+  nessun verdetto di gate a rischio. Lasciato documentato.
+- **Drift monitor in produzione**: `drift_monitor.py` in crontab host (07:15 UTC,
+  Telegram): rolling 60/120g per famiglia vs distribuzione storica propria, warn < p5.
+  Oggi: FADE 120g al p2 (coda storica, nessun intervento), resto normale, XSEC p84.
+- **Dati cerbero-bite refreshati**: catena opzioni a ~153k righe/asset (fino a oggi
+  19:30), pannello regime denso (net-GEX 644/673 ultimi 7g). Sempre un solo regime:
+  niente validazione edge, valore forward.

docs/superpowers/plans/2026-05-29-portfolios-phase2B-honest-workers.md

@@ -0,0 +1,377 @@
+# Fase 2-B — Worker live honest/TSM01 (dedicati) — Implementation Plan
+
+> **For agentic workers:** REQUIRED SUB-SKILL: superpowers:subagent-driven-development o executing-plans. Steps con checkbox `- [ ]`.
+
+**Goal:** Costruire i worker live mancanti perché PORT06 giri live al completo (oltre a fade+pairs+shape già pronti): DIP01, TR01 (basket), ROT02 (rotation), TSM01 (tsmom rotation), e integrarli nel `PortfolioRunner`.
+
+**Architecture:** Worker DEDICATI per ogni strategia (scelta utente). DIP01 è single-asset → Strategy subclass + `StrategyWorker` esistente. TR01/ROT02/TSM01 sono multi-asset/rotation → tre classi worker nuove in `src/live/` con stato per-asset persistente, ciascuna fedele alla rispettiva funzione di backtest in `scripts/analysis/{honest_improve2,tsmom_research}.py`. Integrazione in `src/portfolio/runner.py::build_worker_for` + tick.
+
+**Tech Stack:** Python 3.11, pandas/numpy, pytest. Riusa CerberoClient v2 (multi-asset fetch), PortfolioLedger, e le funzioni di riferimento honest/tsm.
+
+**Branch:** `portfolio_phase2`. **Spec madre:** `docs/superpowers/specs/2026-05-29-portfolios-design.md` (§ scope live, fase 2).
+
+**Riferimenti di logica (NON modificare, sono la verità del backtest):**
+- DIP01 → `honest_improve2.dip_market_gated` (z-score dip, gate BTC>SMA, TP=SMA/SL=ATR/max_bars, intrabar).
+- TR01 → `honest_improve2._tr_basket_daily` (per asset 4h: EMA20>EMA100 long/flat; basket equal-weight).
+- ROT02 → `honest_improve2._rot_daily_equity` (panel 1d, mom 60g, top-3 se mom>0 e BTC>SMA100, gross 0.45 split, ribilancio giornaliero).
+- TSM01 → `tsmom_research.tsmom_sim` (panel 1d, Σ sign(P/P[-h]) h∈{63,126,252} ≥ thr=1.0, gate BTC>SMA100, gross 0.30 split).
+
+---
+
+## File structure
+
+| File | Responsabilità |
+|------|----------------|
+| `scripts/strategies/DIP01_dip_buy.py` | Strategy `Dip01DipBuy` (single-asset; metadata tp/sl/max_bars + gate) |
+| `src/live/basket_trend_worker.py` | `BasketTrendWorker` (TR01): N asset 4h, EMA cross, long/flat per asset |
+| `src/live/rotation_worker.py` | `RotationWorker` (ROT02): panel 1d, dual-momentum top-k, gross split |
+| `src/live/tsmom_worker.py` | `TsmomWorker` (TSM01): panel 1d, consenso segni multi-orizzonte |
+| `src/live/strategy_loader.py` | **mod**: aggiungi `DIP01_dip_buy` a MODULE_MAP |
+| `src/portfolio/runner.py` | **mod**: `build_worker_for` gestisce kind "basket"/"rotation"/"tsmom"; tick multi-asset |
+| `src/portfolio/base.py` (`_defs.py`) | **mod**: SleeveSpec degli honest/tsm con `kind` e `universe` corretti |
+| `tests/portfolio/test_honest_workers.py` | unit per ciascun worker + replay==backtest su finestra |
+
+**Universi:** TR01 = [BNB,BTC,DOGE,SOL,XRP] (4h); ROT02/TSM01 = `available_assets()` (1d). I worker multi-asset ricevono il dict {asset: df} dal runner.
+
+---
+
+## Task 1: DIP01 come Strategy single-asset
+
+**Files:** Create `scripts/strategies/DIP01_dip_buy.py`; Modify `src/live/strategy_loader.py`; Test `tests/portfolio/test_dip01.py`.
+
+- [ ] **Step 1: Test (fallisce)** — `tests/portfolio/test_dip01.py`:
+
+```python
+import pandas as pd
+from src.data.downloader import load_data
+from scripts.strategies.DIP01_dip_buy import Dip01DipBuy
+
+
+def test_dip01_generates_long_signals_with_exits():
+    df = load_data("BTC", "1h").iloc[-5000:].reset_index(drop=True)
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    sigs = Dip01DipBuy().generate_signals(df, ts, asset="BTC", tf="1h")
+    assert len(sigs) > 0
+    s = sigs[0]
+    assert s.direction == 1                      # dip-buy è solo long
+    assert {"tp", "sl", "max_bars"} <= set(s.metadata)
+```
+
+- [ ] **Step 2:** `uv run pytest tests/portfolio/test_dip01.py -v` → FAIL (ModuleNotFoundError).
+
+- [ ] **Step 3: Implementa `scripts/strategies/DIP01_dip_buy.py`.** Replica ESATTA della logica di `dip_market_gated` (default `market_n=0` = senza gate, come lo sleeve DIP01_BTC del portafoglio: vedi combine_portfolio che usa `market_n=0`). Genera Signal long quando `z[i] <= -z_in and z[i-1] > -z_in`, con metadata `tp=SMA[i]`, `sl=c[i]-sl_atr*atr[i]`, `max_bars`. fee_rt=0.001, leverage 3, position 0.15.
+
+```python
+"""DIP01 — Dip-buy mean-reversion single-asset (z-score sotto-banda). Honest family.
+
+Replica live della logica validata in scripts/analysis/honest_improve2.dip_market_gated
+(con market_n=0, come lo sleeve DIP01_BTC del portafoglio): compra quando lo z-score del
+prezzo rispetto a SMA(n) incrocia sotto -z_in; esce a TP=SMA, SL=close-sl_atr*ATR, o max_bars.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.strategies.base import Strategy, Signal  # noqa: E402
+
+
+def _atr(df, n=14):
+    h, l, c = df["high"].values, df["low"].values, df["close"].values
+    pc = np.roll(c, 1); pc[0] = c[0]
+    tr = np.maximum(h - l, np.maximum(np.abs(h - pc), np.abs(l - pc)))
+    return pd.Series(tr).rolling(n).mean().values
+
+
+class Dip01DipBuy(Strategy):
+    name = "DIP01_dip_buy"
+    description = "Dip-buy mean-reversion single-asset (z-score), exit TP=SMA/SL=ATR/max_bars"
+    default_assets = ["BTC"]
+    default_timeframes = ["1h"]
+    fee_rt = 0.001
+    leverage = 3.0
+    position_size = 0.15
+
+    def generate_signals(self, df: pd.DataFrame, ts: pd.DatetimeIndex,
+                         n: int = 50, z_in: float = 2.5, sl_atr: float = 2.5,
+                         max_bars: int = 24, **params) -> list[Signal]:
+        c = df["close"].values
+        ma = pd.Series(c).rolling(n).mean().values
+        sd = pd.Series(c).rolling(n).std().values
+        a = _atr(df, 14)
+        z = (c - ma) / np.where(sd == 0, np.nan, sd)
+        out: list[Signal] = []
+        for i in range(n + 14, len(c)):
+            if np.isnan(z[i]) or np.isnan(a[i]) or np.isnan(ma[i]):
+                continue
+            if z[i] <= -z_in and z[i - 1] > -z_in:
+                out.append(Signal(idx=i, direction=1, entry_price=float(c[i]),
+                                  metadata={"tp": float(ma[i]),
+                                            "sl": float(c[i] - sl_atr * a[i]),
+                                            "max_bars": int(max_bars)}))
+        return out
+```
+
+- [ ] **Step 4: Registra nel loader.** In `src/live/strategy_loader.py` MODULE_MAP aggiungi:
+```python
+    "DIP01_dip_buy": ("DIP01_dip_buy", "Dip01DipBuy"),
+```
+
+- [ ] **Step 5:** `uv run pytest tests/portfolio/test_dip01.py -v` → 1 passed.
+
+- [ ] **Step 6: Commit**
+```bash
+git add scripts/strategies/DIP01_dip_buy.py src/live/strategy_loader.py tests/portfolio/test_dip01.py
+git commit -m "feat(live): DIP01 dip-buy come Strategy single-asset (worker via StrategyWorker)"
+```
+
+**Nota:** DIP01 nel runner usa lo StrategyWorker esistente (kind="single", name="DIP01"). Aggiorna `_STRAT_MODULE` in `runner.py` con `"DIP01": "DIP01_dip_buy"` e in `_defs.py` lo SleeveSpec DIP01_BTC resta kind="single". Il backtest dello sleeve DIP01_BTC continua a venire da `build_everything` (parità invariata).
+
+---
+
+## Task 2: `BasketTrendWorker` (TR01)
+
+**Files:** Create `src/live/basket_trend_worker.py`; Test `tests/portfolio/test_basket_worker.py`.
+
+- [ ] **Step 1: Test (fallisce)** — verifica che, dato un dict {asset: df 4h}, il worker calcoli posizione long/flat per asset secondo EMA20>EMA100 e aggiorni il capitale equal-weight:
+
+```python
+import numpy as np
+import pandas as pd
+from src.live.basket_trend_worker import BasketTrendWorker
+
+
+def _ramp_df(n=300, slope=1.0):
+    c = np.linspace(100, 100 + slope * n, n)
+    ts = (pd.date_range("2024-01-01", periods=n, freq="4h", tz="UTC").astype("int64") // 10**6)
+    return pd.DataFrame({"timestamp": ts, "open": c, "high": c, "low": c, "close": c, "volume": 1.0})
+
+
+def test_basket_goes_long_in_uptrend(tmp_path):
+    w = BasketTrendWorker(universe=["AAA", "BBB"], tf="4h", capital=1000.0, data_dir=tmp_path)
+    data = {"AAA": _ramp_df(slope=1.0), "BBB": _ramp_df(slope=1.0)}
+    w.tick(data)
+    assert w.positions["AAA"] == 1.0 and w.positions["BBB"] == 1.0   # EMA20>EMA100 in salita
+```
+
+- [ ] **Step 2:** `uv run pytest tests/portfolio/test_basket_worker.py -v` → FAIL.
+
+- [ ] **Step 3: Implementa `src/live/basket_trend_worker.py`.** Stato: capitale totale + dict `positions` (asset→0/1) + persistenza. `tick(data: dict[str,df])`: per ogni asset calcola EMA20/EMA100 sull'ultima barra; target = 1.0 se ef>es else 0.0; applica fee `FEE_RT/2*LEV` sul turnover |Δpos|; aggiorna capitale equal-weight col rendimento di barra di ogni asset attivo (`POS*LEV*ret*pos/len(universe)`... mantieni la convenzione di `_tr_basket_daily`: ogni asset è uno sleeve normalizzato, equal-weight → applica `mean` dei rendimenti per-asset). Persisti `status.json` (capitale, positions, last_bar_ts per asset) e logga `trades.jsonl`. fee_rt=0.001, leverage 3, position 0.15.
+
+```python
+"""BasketTrendWorker (TR01): EMA20>EMA100 long/flat su un paniere, equal-weight.
+Replica live di honest_improve2._tr_basket_daily."""
+from __future__ import annotations
+
+import json
+from datetime import datetime, timezone
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+FEE_RT, LEV, POS = 0.001, 3.0, 0.15
+
+
+def _ema(x, n):
+    return pd.Series(x).ewm(span=n, adjust=False).mean().values
+
+
+class BasketTrendWorker:
+    def __init__(self, universe, tf="4h", capital=1000.0, position_size=POS,
+                 leverage=LEV, fee_rt=FEE_RT, name="TR01_basket",
+                 data_dir=Path("data/portfolio_paper")):
+        self.universe = list(universe)
+        self.tf = tf
+        self.initial_capital = capital
+        self.capital = capital
+        self.position_size = position_size
+        self.leverage = leverage
+        self.fee_rt = fee_rt
+        self.worker_id = f"{name}__{'-'.join(self.universe)}__{tf}"
+        self.work_dir = Path(data_dir) / self.worker_id
+        self.work_dir.mkdir(parents=True, exist_ok=True)
+        self.status_path = self.work_dir / "status.json"
+        self.trades_path = self.work_dir / "trades.jsonl"
+        self.positions = {a: 0.0 for a in self.universe}
+        self.last_bar_ts = {a: 0 for a in self.universe}
+        self.in_position = False                  # per il ribilancio del runner (skip se True)
+        self._load()
+
+    def _load(self):
+        if self.status_path.exists():
+            s = json.loads(self.status_path.read_text())
+            self.capital = s.get("capital", self.capital)
+            self.positions = {**self.positions, **s.get("positions", {})}
+            self.last_bar_ts = {**self.last_bar_ts, **s.get("last_bar_ts", {})}
+        self.in_position = any(v > 0 for v in self.positions.values())
+
+    def _save(self):
+        self.status_path.write_text(json.dumps({
+            "capital": round(self.capital, 2), "positions": self.positions,
+            "last_bar_ts": self.last_bar_ts,
+            "ts": datetime.now(timezone.utc).isoformat()}, indent=2))
+
+    def tick(self, data: dict):
+        rets = []
+        for a in self.universe:
+            df = data.get(a)
+            if df is None or len(df) < 110:
+                continue
+            c = df["close"].values
+            ef, es = _ema(c, 20)[-1], _ema(c, 100)[-1]
+            target = 1.0 if ef > es else 0.0
+            bar_ts = int(df["timestamp"].iloc[-1])
+            prev = self.positions[a]
+            # rendimento di barra realizzato sulla posizione precedente (chiusa->aperta barra)
+            if self.last_bar_ts[a] and bar_ts > self.last_bar_ts[a] and prev > 0:
+                r = (c[-1] - c[-2]) / c[-2]
+                rets.append(self.position_size * self.leverage * r * prev)
+            if target != prev:
+                self.capital -= self.capital * self.position_size * (self.fee_rt / 2) * abs(target - prev) / len(self.universe)
+                self._log(a, prev, target, float(c[-1]))
+            self.positions[a] = target
+            self.last_bar_ts[a] = bar_ts
+        if rets:
+            self.capital = max(self.capital * (1 + float(np.mean(rets))), 10.0)
+        self.in_position = any(v > 0 for v in self.positions.values())
+        self._save()
+
+    def _log(self, asset, frm, to, price):
+        with open(self.trades_path, "a") as f:
+            f.write(json.dumps({"ts": datetime.now(timezone.utc).isoformat(),
+                                "asset": asset, "from": frm, "to": to,
+                                "price": round(price, 6), "capital": round(self.capital, 2)}) + "\n")
+
+    @property
+    def status_summary(self):
+        longs = [a for a, v in self.positions.items() if v > 0]
+        return f"{self.worker_id}: cap={self.capital:.0f} long={longs}"
+```
+
+- [ ] **Step 4:** `uv run pytest tests/portfolio/test_basket_worker.py -v` → 1 passed.
+
+- [ ] **Step 5: Commit**
+```bash
+git add src/live/basket_trend_worker.py tests/portfolio/test_basket_worker.py
+git commit -m "feat(live): BasketTrendWorker (TR01) EMA-cross long/flat multi-asset"
+```
+
+---
+
+## Task 3: `RotationWorker` (ROT02)
+
+**Files:** Create `src/live/rotation_worker.py`; Test `tests/portfolio/test_rotation_worker.py`.
+
+- [ ] **Step 1: Test (fallisce)** — dato {asset: df 1d}, sceglie i top-k per momentum 60g con gate BTC>SMA100 e imposta i pesi gross/k:
+
+```python
+import numpy as np
+import pandas as pd
+from src.live.rotation_worker import RotationWorker
+
+
+def _df(n=200, slope=1.0):
+    c = np.linspace(100, 100 + slope * n, n)
+    ts = (pd.date_range("2023-01-01", periods=n, freq="1D", tz="UTC").astype("int64") // 10**6)
+    return pd.DataFrame({"timestamp": ts, "open": c, "high": c, "low": c, "close": c, "volume": 1.0})
+
+
+def test_rotation_picks_top_momentum_when_risk_on(tmp_path):
+    w = RotationWorker(universe=["BTC", "AAA", "BBB"], top_k=2, gross=0.45, data_dir=tmp_path)
+    data = {"BTC": _df(slope=1.0), "AAA": _df(slope=3.0), "BBB": _df(slope=0.1)}
+    w.tick(data)
+    # BTC in uptrend -> risk_on; top-2 momentum = AAA e BTC; pesi gross/2
+    assert w.weights["AAA"] > 0 and abs(sum(w.weights.values()) - 0.45) < 1e-9
+```
+
+- [ ] **Step 2:** `uv run pytest tests/portfolio/test_rotation_worker.py -v` → FAIL.
+
+- [ ] **Step 3: Implementa `src/live/rotation_worker.py`.** Replica di `_rot_daily_equity`: panel di close 1d allineato; `risk_on = BTC[-1] > SMA100(BTC)[-1]`; `mom = P[-1]/P[-61]-1`; `chosen = [top_k per mom con mom>0] se risk_on else []`; pesi `gross/len(chosen)`; turnover fee `FEE_RT/2 * Σ|Δw|`; capitale aggiornato col rendimento di portafoglio del giorno successivo (live: al tick si realizza il rendimento dell'ultima barra sui pesi correnti, poi si ricalcolano i pesi). Persisti capitale+weights+last_ts. `in_position = bool(weights)`.
+
+(Implementazione analoga a BasketTrendWorker: stato persistente, `tick(data)` allinea i panel per timestamp comune, calcola momentum/gate, applica fee sul turnover e rendimento di barra. Mantieni `top_k=3, gross=0.45` come default — i valori dello sleeve ROT02_rot del portafoglio.)
+
+- [ ] **Step 4:** test → 1 passed.
+
+- [ ] **Step 5: Commit**
+```bash
+git add src/live/rotation_worker.py tests/portfolio/test_rotation_worker.py
+git commit -m "feat(live): RotationWorker (ROT02) dual-momentum top-k risk-gated"
+```
+
+---
+
+## Task 4: `TsmomWorker` (TSM01)
+
+**Files:** Create `src/live/tsmom_worker.py`; Test `tests/portfolio/test_tsmom_worker.py`.
+
+- [ ] **Step 1: Test (fallisce)** — consenso segni multi-orizzonte: sceglie gli asset con `Σ sign(P/P[-h]) ≥ thr` (h∈{63,126,252}) sotto gate, pesi gross/k.
+
+- [ ] **Step 2-3: Implementa `src/live/tsmom_worker.py`** replicando `tsmom_sim`: `score[j] = mean_h sign(P[-1,j]/P[-1-h,j]-1)`; `chosen = [j: score>=thr] se risk_on`; pesi `gross/len(chosen)` con `gross=0.30`. Stessa struttura di RotationWorker (panel 1d, fee turnover, rendimento di barra, persistenza). Default `horizons=(63,126,252), thr=1.0, regime_n=100, gross=0.30`.
+
+- [ ] **Step 4:** test → passed.
+
+- [ ] **Step 5: Commit**
+```bash
+git add src/live/tsmom_worker.py tests/portfolio/test_tsmom_worker.py
+git commit -m "feat(live): TsmomWorker (TSM01) consenso TSMOM multi-orizzonte risk-gated"
+```
+
+---
+
+## Task 5: Integrazione nel PortfolioRunner
+
+**Files:** Modify `src/portfolio/runner.py`, `scripts/portfolios/_defs.py`, `src/portfolio/base.py`; Test `tests/portfolio/test_runner_honest.py`.
+
+- [ ] **Step 1:** In `_defs.py`, marca gli SleeveSpec multi-asset col `kind` giusto e l'universo:
+  - DIP01 → `kind="single", name="DIP01"` (resta StrategyWorker via _STRAT_MODULE["DIP01"]="DIP01_dip_buy").
+  - TR01 → `kind="basket"`, aggiungi campo universo (riusa `params={"universe": ["BNB","BTC","DOGE","SOL","XRP"], "tf": "4h"}`).
+  - ROT02 → `kind="rotation"`, `params={"top_k":3, "gross":0.45, "tf":"1d"}`.
+  - TSM01 → `kind="tsmom"`, `params={"horizons":[63,126,252], "thr":1.0, "gross":0.30, "tf":"1d"}`.
+  (Aggiungi `universe`/campi a SleeveSpec se serve, default None.)
+
+- [ ] **Step 2:** In `runner.py::build_worker_for` aggiungi i rami `kind in ("basket","rotation","tsmom")` che costruiscono i rispettivi worker con `capital=alloc_capital` e `data_dir=DATA_DIR`. Aggiorna `_STRAT_MODULE` con `"DIP01": "DIP01_dip_buy"`. Rimuovi DIP01/TR01/ROT02/TSM01 dalla lista "saltati": ora sono supportati.
+
+- [ ] **Step 3:** In `runner.run()` il tick deve passare ai worker multi-asset un dict {asset: df} (fetch di tutti gli asset dell'universo). Estendi la raccolta `keys` e il dispatch del tick: per kind basket/rotation/tsmom costruisci `data = {a: cache[(a, tf)] for a in universe}` e chiama `w.tick(data)`. Per `_worker_equity` i nuovi worker espongono `.capital` (già ok). Per il ribilancio, espongono `.in_position` (skip se True).
+
+- [ ] **Step 4: Test** `tests/portfolio/test_runner_honest.py`: `build_worker_for` ritorna il tipo giusto per ogni kind con capitale = alloc; e `run()` con PORT06 non lascia più sleeve "saltati" (mocka il fetch o testa solo build).
+
+- [ ] **Step 5:** `uv run pytest tests/portfolio/ -m "not network" -v` → tutti verdi.
+
+- [ ] **Step 6: Commit**
+```bash
+git add src/portfolio/runner.py scripts/portfolios/_defs.py src/portfolio/base.py tests/portfolio/test_runner_honest.py
+git commit -m "feat(portfolio): integra worker honest/TSM01 nel runner (PORT06 live completo)"
+```
+
+---
+
+## Task 6: Validazione replay==backtest per i worker multi-asset
+
+**Files:** Modify `scripts/analysis/validate_portfolio_runner.py` (o nuovo `validate_honest_workers.py`).
+
+- [ ] **Step 1:** Per ogni worker multi-asset, replay bar-by-bar su dati storici (load_data) e confronto dell'equity finale con la funzione di riferimento (`_tr_basket_daily`, `_rot_daily_equity`, `tsmom_sim`) entro tolleranza. ROT02/TSM01 sono daily → replay veloce (poche migliaia di barre). TR01 4h → medio. Atteso: match stretto (differenze solo da bar-timing/cadenza). DIP01 ha il gap intrabar noto come le fade (documenta, non assert esatto).
+
+- [ ] **Step 2: Commit**
+```bash
+git add scripts/analysis/validate_honest_workers.py
+git commit -m "test(portfolio): replay worker honest/TSM01 == backtest di riferimento"
+```
+
+---
+
+## Self-review
+
+- **Copertura:** i 4 worker (DIP01 single via Strategy; TR01/ROT02/TSM01 dedicati) + integrazione runner + validazione → PORT06 gira live completo (niente più sleeve saltati).
+- **Parità backtest:** invariata (gli sleeve del backtest vengono ancora da `build_everything`; i worker sono il path LIVE). La validazione replay==backtest (Task 6) certifica i worker live.
+- **Gap noto:** DIP01, come le fade, ha exit intrabar nel backtest ma close-based nel live → gap strutturale documentato (non un bug). TR01/ROT02/TSM01 non hanno TP/SL intrabar (entry/exit a chiusura barra/giorno) → replay atteso stretto.
+- **Tipi:** i nuovi worker espongono `.capital` e `.in_position` (richiesti da `_worker_equity`/`rebalance_allocations`); `tick(data: dict)` per i multi-asset vs `tick(df)`/`tick(dfa,dfb)` esistenti → il runner dispatcha per `kind`.
+- **Rischio:** la convenzione di capitale/rendimento dei worker multi-asset deve combaciare con le funzioni di riferimento; la validazione Task 6 è il gate che lo verifica — se diverge, allineare la formula (non la reference).
+
+> **Punto aperto:** verificare la disponibilità su Cerbero v2 dei timeframe 4h/1d per tutti gli asset dell'universo (TR01 usa 4h; ROT02/TSM01 usano 1d, oggi resample da 1h in get_df). Il runner live dovrà resamplare 1h→4h/1d dal feed v2 o fetchare nativamente — da decidere in Task 5/Step 3.

docs/superpowers/specs/2026-05-29-portfolios-design.md

@@ -0,0 +1,233 @@
+# Design — Cartella `portfolios/`: portafogli come oggetti di prima classe
+
+**Data:** 2026-05-29
+**Stato:** approvato in brainstorming, pronto per il piano di implementazione
+**Branch:** `shape_patterns` (o branch dedicato `portfolios`)
+
+## 1. Obiettivo e contesto
+
+Oggi le strategie del progetto vivono come *sleeve* indipendenti: ogni worker del paper
+trader (`StrategyWorker`, `PairsWorker`) gestisce un conto autonomo da €1000, con capitale
+e stato propri in `data/paper_trades/{worker_id}/`. I "portafogli" `PORT01-03` esistenti
+sono soltanto script di **report offline**: normalizzano le equity storiche dei singoli
+sleeve e ne calcolano metriche equipesate. Non esiste un livello che gestisca davvero un
+capitale condiviso, i pesi, il ribilanciamento e il PnL aggregato in tempo reale.
+
+Questo design introduce una cartella `portfolios/` in cui il **portafoglio è un oggetto di
+prima classe** che gestirà il trading e lo stato PnL. Un portafoglio possiede un capitale
+totale, lo alloca ai propri sleeve secondo uno schema di pesi, dimensiona le posizioni,
+ribilancia periodicamente e mantiene il ledger aggregato. La stessa definizione serve sia
+al backtest sia al live, garantendo coerenza fra ciò che si misura e ciò che si tradia.
+
+L'obiettivo strategico resta invariato: partire da €1000 e arrivare verso €50/giorno con un
+paniere diversificato delle famiglie validate (fade, honest, pairs, TSMOM, shape-ML).
+
+## 2. Decisioni di brainstorming
+
+1. **Modello di capitale: pool condiviso.** Il portafoglio possiede il capitale totale, lo
+   alloca ai sleeve secondo i pesi, ridimensiona le posizioni e tiene lo stato/PnL
+   aggregato. I worker diventano esecutori.
+2. **Scope: backtest + live unificati.** Un'unica classe `Portfolio` come fonte di verità,
+   capace sia di backtest/report storico sia di gestione live.
+3. **Ribilanciamento periodico.** Il capitale viene riallocato ai pesi target a cadenza
+   fissa (giornaliera di default, configurabile), coerente con tutte le metriche misurate
+   finora.
+4. **Schemi di peso supportati (tutti):** `equal` (default), `cap` (tetto per
+   famiglia/cluster, es. pairs 33% — configurazione sobria raccomandata), `inverse_vol`,
+   `cluster_rp` (equal fra cluster naturali poi inverse-vol dentro), `manual`.
+5. **Scope live v1: tutti gli sleeve** — fade, honest, pairs (2 gambe) e shape-ML (SH01 via
+   worker con retraining periodico, sfruttando il `MLWorkerWrapper` esistente).
+6. **Data layer Cerbero v2.** Il runner live adotta gli endpoint unificati v2: `get_historical`
+   unificato, `get_instruments` (naming robusto, niente `INSTRUMENT_MAP` hardcoded),
+   `get_ticker_batch` (fetch multi-gamba efficiente). Venue di trading = Deribit come ora.
+
+### Analisi di accorpamento (a supporto delle decisioni)
+
+`scripts/analysis/sleeve_clustering.py` ha mostrato che:
+- i **cluster naturali** delle 17 sleeve non coincidono con le famiglie ma con
+  asset/regime: BTC-reversion, ETH-reversion, trend (TR01+TSM01), shape (SH_BTC+SH_ETH),
+  rotation (ROT02);
+- la **ridondanza è lieve** (correlazione massima 0.43 MR01_BTC↔DIP01_BTC, 0.37 TR01↔TSM01):
+  nessuno sleeve è davvero fondibile, ognuno aggiunge diversificazione;
+- a equal-weight i **pairs pesano il 47% del rischio** → giustifica lo schema `cap`;
+- in OOS calmo equal-weight batte inverse-vol e risk-parity (i pairs ad alto rischio/ritorno
+  corrono liberi), ma è un risultato di regime → il cap resta la scelta prudente.
+
+Il campo `cluster` di `SleeveSpec` codifica questi gruppi naturali per gli schemi `cap` e
+`cluster_rp`.
+
+## 3. Architettura e layout
+
+Si rispecchia la struttura delle strategie (`src/strategies/` base + `scripts/strategies/`
+concrete):
+
+```
+src/portfolio/
+  __init__.py
+  base.py        # Portfolio (definizione + .backtest()), SleeveSpec, PortfolioResult
+  sleeves.py     # costruzione UNIFICATA delle equity-per-sleeve (backtest);
+                 # centralizza la logica oggi in combine_portfolio + report_families
+  weighting.py   # schemi pesi: equal, cap, inverse_vol, cluster_rp, manual
+  ledger.py      # PortfolioLedger: capitale, allocazioni, equity, PnL, peak/DD, persistenza
+  runner.py      # PortfolioRunner (live): pool capital, sizing, ribilancio, aggregazione
+
+scripts/portfolios/
+  PORT01_honest.py  PORT02_fade.py  PORT03_master.py
+  PORT04_master_pairs.py  PORT05_master_esteso.py  PORT06_master_shape.py
+                 # definizioni concrete (lista SleeveSpec + schema pesi); run() = report backtest
+
+portfolios.yml   # config LIVE: portafoglio attivo, capitale, schema pesi, cap, cadenza, leva
+```
+
+**Integrazione col codice esistente:**
+- Il backtest riusa i builder di equity-per-sleeve (`build_all_sleeves`, `pairs_sim`,
+  `shape_daily_equity`), centralizzati in `src/portfolio/sleeves.py`; `combine_portfolio.py`
+  e `report_families.py` diventano consumer sottili (niente duplicazione).
+- Il live riusa da `multi_runner`: il fetch candele, `build_workers`,
+  `build_pairs_workers`, `MLWorkerWrapper`. `multi_runner` resta entrypoint legacy
+  single-sleeve finché `PortfolioRunner` non lo sostituisce.
+- I vecchi `PORT01-03` di `scripts/strategies/` vengono migrati in `scripts/portfolios/`
+  come definizioni della nuova classe.
+
+## 4. Definizione del portafoglio (schema)
+
+```python
+@dataclass
+class SleeveSpec:
+    kind: str                 # "single" | "pairs" | "ml"
+    name: str                 # "MR01_bollinger_fade" | "PR01_pairs_reversion" | "SH01_shape_ml"
+    asset: str | None = None  # single/ml
+    a: str | None = None      # pairs: gamba long
+    b: str | None = None      # pairs: gamba short
+    tf: str = "1h"
+    params: dict = field(default_factory=dict)
+    cluster: str = ""         # BTC-rev | ETH-rev | trend | shape | rotation
+
+@dataclass
+class Portfolio:
+    code: str                 # "PORT06"
+    label: str                # "Master + shape"
+    sleeves: list[SleeveSpec]
+    weighting: str = "equal"  # equal | cap | inverse_vol | cluster_rp | manual
+    weights: dict | None = None   # solo manual (sleeve-id -> peso)
+    caps: dict | None = None      # solo cap: chiave = FAMIGLIA (derivata da kind/name:
+                                  # PAIRS/FADE/HONEST/SHAPE/TSM), es. {"PAIRS": 0.33}.
+                                  # cluster_rp usa invece il campo `cluster` degli sleeve.
+    total_capital: float = 1000.0
+    leverage: float = 3.0         # nota: 2x raccomandata per il live reale
+    rebalance: str = "1D"
+    vol_lookback: int = 90        # giorni per inverse_vol / cluster_rp
+
+    def backtest(self, ...) -> PortfolioResult: ...
+    def weight_vector(self, sleeve_returns) -> dict[str, float]: ...
+```
+
+Gli schemi di peso (in `weighting.py`) restituiscono un dict `sleeve-id -> peso` che somma a
+1. `equal/cap/manual` sono statici; `inverse_vol/cluster_rp` si ricalcolano a ogni ribilancio
+sulla finestra trailing `vol_lookback`, identicamente in backtest e live.
+
+## 5. Faccia backtest
+
+`Portfolio.backtest()` riusa la macchina che ha prodotto tutte le metriche viste finora,
+centralizzata in `src/portfolio/sleeves.py`:
+
+```
+build_sleeve_equity(spec) -> pd.Series  # equity daily normalizzata su IDX comune
+   kind="single" -> fade/honest daily equity builders
+   kind="pairs"  -> pairs_sim -> daily
+   kind="ml"     -> shape_daily_equity
+```
+
+Poi: `weight_vector()` → pesi → `port_returns()` con ribilancio giornaliero → `metrics()`
+FULL/OOS + `yearly_returns()`. Restituisce un `PortfolioResult` con ret/CAGR/DD/Sharpe
+(FULL e OOS), tabella per-anno e contributo al rischio per sleeve e per cluster. Lo `run()`
+di ogni `scripts/portfolios/PORTxx.py` stampa questo report.
+
+## 6. Faccia live (`PortfolioRunner`)
+
+Loop a poll:
+
+1. **Data layer v2.** All'avvio `get_instruments` risolve i nomi reali di ogni asset/coppia
+   (fallback a una mappa statica se l'endpoint non risponde). Per tick: `get_historical`
+   unificato per le candele + `get_ticker_batch` per i prezzi correnti di tutte le gambe in
+   un'unica chiamata.
+2. **Costruzione sleeve→worker.** Riusa `build_workers` / `build_pairs_workers` /
+   `MLWorkerWrapper` (SH01). I worker sono esecutori, non possiedono più €1000 fissi.
+3. **Capitale pool + sizing.** Il `PortfolioLedger` tiene `total_capital`. A ogni worker
+   viene assegnato `alloc_i = peso_i × total_capital`; il worker dimensiona il notional come
+   `alloc_i × position_size × leverage` (si riusa il campo `capital` del worker come base di
+   allocazione).
+4. **Ribilancio (cadenza `rebalance`, default giornaliera).** `total_capital = Σ equity_sleeve`
+   (capitale + PnL realizzato); ricalcolo dei pesi (vol-based sulla finestra trailing o
+   statici); riallineo `alloc_i`.
+5. **Aggregazione.** Dopo ogni tick il ledger aggiorna equity totale, peak, max_dd, PnL
+   aggregato e per-sleeve/cluster.
+
+### Approssimazione dichiarata (limite noto)
+
+Il ribilancio cambia la base di sizing delle posizioni **future**; le posizioni già aperte
+restano sul notional con cui sono nate (nessun travaso forzato a metà trade). Per il paper
+trading questo è fedele al backtest daily-rebalanced entro lo scarto dovuto al turnover
+infragiornaliero. È un compromesso accettato per non introdurre la contabilità a ledger
+unico (approccio C scartato in brainstorming), rimandata a quando si passerà a capitale
+reale su un singolo conto-margine.
+
+## 7. Persistenza e stato PnL
+
+Stato del portafoglio separato dai singoli worker, in `data/portfolios/{code}/`:
+
+```
+data/portfolios/PORT06/
+  status.json    # resume: total_capital, equity, peak, max_dd, pesi correnti,
+                 # alloc+capitale+PnL per sleeve, ultimo ribilancio, ts
+  equity.jsonl   # append-only: una riga per tick/giorno (ts, equity, dd, pnl_day) -> curva live
+  events.jsonl   # append-only: ribilanci (pesi prima/dopo), milestone, errori
+```
+
+- I worker continuano a scrivere il proprio `trades.jsonl`/`status.json` in
+  `data/paper_trades/{worker_id}/` (storico per-sleeve intatto). Il portafoglio aggrega
+  sopra, non duplica i trade.
+- **Resume:** al restart il runner ricarica lo `status.json` del portafoglio e gli stati
+  dei worker → riprende capitale, pesi e posizioni senza perdere storico.
+- **Indicatori target:** il ledger espone `pnl_total`, `pnl_today`, `€/day` medio e DD
+  corrente.
+- **Notifiche Telegram:** riepilogo a livello portafoglio (equity, PnL giorno, DD, ribilanci)
+  oltre alle notifiche per-trade dei worker.
+
+## 8. Portafogli forniti e default
+
+| Codice | Label | Sleeve | Pesi |
+|--------|-------|--------|------|
+| PORT01 | Honest | DIP01·TR01·ROT02 | equal |
+| PORT02 | Fade master | MR01/02/07 × BTC/ETH (6) | equal |
+| PORT03 | Master | fade+honest (9) | equal / manual 50-50 |
+| PORT04 | Master + pairs | 9 + 5 pairs | equal · cap pairs 0.33 |
+| PORT05 | Master esteso | 9 + pairs + TSM01 | equal · cap pairs |
+| **PORT06** | **Master + shape** *(default)* | 9 + pairs + TSM01 + SH01 (BTC/ETH) | **cap pairs 0.33** |
+
+**Default raccomandato:** PORT06 con `weighting="cap"` (pairs ~33%), `leverage=2` (sobrio),
+`rebalance="1D"`. È la combinazione col miglior profilo OOS dell'analisi (Sharpe più alto,
+DD più basso) e contiene tutte le famiglie validate. `portfolios.yml` seleziona il
+portafoglio attivo e i suoi override.
+
+## 9. Test
+
+- **Unit** — `weighting.py` (somma pesi = 1, cap rispettato e ridistribuito,
+  inverse-vol/cluster corretti); `ledger.py` (capitale/PnL/DD, resume da status.json).
+- **Parità backtest↔report** — `Portfolio.backtest()` di PORT03/04/05/06 riproduce
+  *esattamente* i numeri di `report_families.py` (regressione, stessa fonte).
+- **Parità live↔backtest** — replay del `PortfolioRunner` su dati storici con ribilancio
+  giornaliero ≈ `Portfolio.backtest()` entro tolleranza (lo scarto è il turnover
+  infragiornaliero dichiarato), sullo stesso schema della validazione dei pairs.
+- **Smoke live** — un tick reale end-to-end via Cerbero v2 (get_instruments +
+  get_historical + ticker_batch), nessun ordine reale, verifica ledger/persistenza/resume.
+
+## 10. Fuori scope (note per il futuro)
+
+- **Ledger unico / conto-margine reale** (approccio C): rinviato al passaggio a capitale
+  reale.
+- **Hyperliquid come venue per gli alt** dei pairs (perp lineari nativi, evita i trap di
+  naming Deribit) — opzione abilitata dal data layer v2, non in v1.
+- **Validazione pairs live via `get_cointegration_pairs`** e feature da macro/sentiment
+  (funding, liquidation, OI) per strategie future.
+- **`run_backtest` server-side** di Cerbero come check incrociato.

portfolios.yml

@@ -0,0 +1,65 @@
+# Config LIVE del paper trader a portafoglio. Seleziona UN portafoglio attivo
+# (definito in scripts/portfolios/_defs.py) e ne fa l'override dei parametri operativi.
+active: PORT06            # default raccomandato: master + shape
+overrides:
+  total_capital: 2000
+  weighting: cap          # equal | cap | inverse_vol | cluster_rp | manual
+  # NB: questo dict SOSTITUISCE interamente i caps di _defs.py (setattr in
+  # base.py:load_active_portfolio) → va ridichiarato COMPLETO. Il cap SHAPE
+  # 0.0588 (mitigazione coda SH01, 2026-06-05) era stato perso per questo.
+  caps: {PAIRS: 0.33, SHAPE: 0.0588}
+  leverage: 2             # sobrio per il live reale
+  rebalance: 1D
+  poll_seconds: 60
+  # SLEEVE PAPER (2026-06-08): fuori dal pool/pesi/ledger — i €2000 si dividono SOLO
+  # tra i 14 sleeve REALI (fade+DIP01+pairs+SH01). I multi-asset (no esecuzione reale,
+  # bloccati dal capitale) girano in data/portfolio_paper_stats/ con capitale nozionale
+  # fisso, SOLO per statistica in vista di future implementazioni reali. NB: il portafoglio
+  # live diverge ora dal PORT06 canonico (17 sleeve) -> DD reale ~5.35% vs 3.96% validato:
+  # il prezzo di vedere il risultato reale puro (scelta utente).
+  paper_sleeves: [TR01, ROT02, TSM01, XS01]
+  # Frazione di capitale-sleeve per posizione (canonico backtest = 0.15).
+  # 0.5 con leva 2x = 100% della fetta impegnata quando in posizione (max impiego
+  # dei 2K senza debito di margine). NB: il DD scala ~lineare (~×3.3 vs validato).
+  position_size: 0.5
+  # Override per-famiglia (chiave = weighting.family_of). PAIRS 0.20 (2026-06-07):
+  # famiglia SENZA stop, validata a esposizione 0.45 (pos 0.15 lev 3) — a 0.5×2=1.0
+  # girava a ~2.2x il validato (ETH/BTC DD grezzo 78%; ADA/ETH live -4.26% sleeve in
+  # un trade). A 0.20×2=0.40 ≈ validato: PORT06 OOS DD 3.40→1.26%, costo OOS Sharpe
+  # 9.05→8.43 (assicurazione, come il cap SHAPE). Gate: pairspos_port06_impact.py.
+  position_size_family: {PAIRS: 0.20}
+  # Esecuzione REALE su Deribit testnet, in SHADOW (sim + reale in parallelo).
+  # I 7 single-leg con TP/SL in metadata: 6 fade (MR01/MR02/MR07 x BTC/ETH) +
+  # DIP01 BTC (attivato 2026-06-04: stesso wiring StrategyWorker, TP limit resting
+  # incluso). Ordini sui LINEARI USDC (payoff lineare = matematica del backtest;
+  # fee/PnL in USDC). Gli altri sleeve (pairs/rotation/tsmom/shape) restano
+  # simulati: pairs richiede executor a 2 gambe, shape non ha TP (orizzonte puro).
+  execution:
+    enabled: true
+    # SH01 aggiunto 2026-06-08: e' il diversificatore piu' decorrelato (corr 0.07,
+    # senza di lui il DD del portafoglio sale 3.96->5.35%). Single-leg, esce a
+    # orizzonte H=12 (no TP/SL) -> _place_real_tp no-op, _real_close market reduce-only;
+    # disaster-bracket on-book = unica protezione di coda durante outage.
+    sleeves: [MR01, MR02, MR07, DIP01, SH01]
+    instruments:
+      BTC: BTC_USDC-PERPETUAL
+      ETH: ETH_USDC-PERPETUAL
+      LTC: LTC_USDC-PERPETUAL
+      ADA: ADA_USDC-PERPETUAL
+      SOL: SOL_USDC-PERPETUAL
+    # Esecuzione REALE a 2 gambe per i pairs (PairsExecutionClient, 2026-06-08).
+    # Long A / short B sui lineari USDC, con unwind se una gamba sola filla (leg-risk).
+    # ATTIVATO 2026-06-08 a conto flat (smoke testnet end-to-end verificato).
+    pairs_enabled: true
+    # Disaster-bracket on-book (2026-06-07): STOP_MARKET reduce-only a ~-30%
+    # dall'ingresso, piazzato a ogni REAL_OPEN e cancellato alla chiusura.
+    # Assicurazione per gli outage (runner fermo = exit non valutati); in
+    # operativita' normale non scatta mai -> 0 costo Sharpe. 0 = disattivo.
+    disaster_sl_pct: 0.30
+    # REAL-TRUTH (2026-06-10, scelta utente): il ledger `capital` degli sleeve
+    # eseguiti si aggiorna col PnL dei FILL REALI (fee reali incluse) — il sim
+    # resta solo diagnostica nel log CLOSE (pnl_source/sim_pnl/real_pnl).
+    # Fallback al sim SOLO se il trade reale non e' mai esistito/fillato
+    # (REAL_OPEN_FAIL): flag pnl_source=sim_fallback nel log. Cosi' equity,
+    # ribilanci e sizing derivano dai soldi veri sul conto, non dal sim.
+    real_truth: true

pyproject.toml

@@ -27,3 +27,4 @@ dev = [
 [tool.pytest.ini_options]
 testpaths = ["tests"]
 asyncio_mode = "auto"
+markers = ["network: test che richiede Cerbero MCP (rete+token)"]

scripts/analysis/_port06_gate_common.py

@@ -0,0 +1,142 @@
+"""REGRESSION-LOCK COMUNE dei gate PORT06 live (exit16 / trendmax / dip01).
+
+Queste funzioni erano copiate quasi-verbatim in exit16_port06_impact.py,
+trendmax_port06_impact.py e dip01_exit16_impact.py. Sono il regression-lock
+delle DECISIONI LIVE (EXIT-16, swap hurst->trend, DIP01 EXIT-16): la copy-drift
+fra le copie avrebbe corrotto i verdetti, quindi vivono qui in un'unica copia.
+
+NON cambiare la matematica: i gate devono restare riproducibili byte-a-byte.
+Se un nuovo gate richiede un comportamento diverso, PARAMETRIZZARE (come fu
+fatto per hurst_mask/trend_max), mai biforcare una copia.
+
+Contenuto:
+  build_trades_variant : replay ESATTO di risk_management.build_trades sulle
+                         fade (mode="orig" == canonico), con i rami varianti
+                         EXIT-16 (mode="exit16"), filtro trend (trend_max) e
+                         loss-guard Hurst (hurst_mask) parametrici.
+  equity_from_trades   : trade -> equity giornaliera normalizzata su IDX
+                         (stesso flusso di combine_portfolio.fade_daily_equity).
+  port_metrics         : metriche FULL/OOS del portafoglio con la STESSA
+                         matematica pesi di Portfolio.backtest (weight_vector
+                         su tutti gli sleeve, ribilancio come port_returns).
+  dd                   : max drawdown % di una equity.
+
+NB: l'engine DIP01 (dip_trades in dip01_exit16_impact.py) NON e' una copia di
+build_trades_variant ma un sibling deliberatamente diverso (long-only, mode
+"orig_gap" gap-aware, j clampato a n-1 a fine serie, niente filtri trend/hurst)
+-> resta nel suo script.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.strategy_research import atr
+from scripts.analysis.risk_management import FEE_RT, LEV, POS, INIT
+from scripts.analysis.combine_portfolio import (
+    _norm, IDX, port_returns, metrics, SPLIT,
+)
+from src.portfolio import weighting as W
+
+BUFFER = 0.5        # EXIT-16 close-confirm (come in produzione)
+EMA_LONG = 200
+
+
+def build_trades_variant(ents, df, mode, trend_max, hurst_mask=None,
+                         buffer=BUFFER, lev=LEV, fee_rt=FEE_RT, ema_long=EMA_LONG):
+    """Replica ESATTA di risk_management.build_trades, con i rami varianti.
+
+    mode="orig"   : SL intrabar al livello (SL prima del TP) == canonico.
+    mode="exit16" : SL intrabar OFF; TP intrabar al livello (priorita' nel bar);
+                    SL solo se il CLOSE sfonda sl0 -/+ buffer*ATR14[j], fill a close[j].
+    trend_max     : None = filtro OFF; 3.0 = config live.
+    hurst_mask    : bool[i]=True -> salta l'ingresso (loss-guard storico).
+    """
+    h, l, c = df["high"].values, df["low"].values, df["close"].values
+    n = len(c)
+    a = atr(df, 14)
+    el = pd.Series(c).ewm(span=ema_long, adjust=False).mean().values
+    fee = fee_rt * lev
+    out = []
+    last = -1
+    for e in ents:
+        i, d = e["i"], e["d"]
+        if i <= last or i + 1 >= n:
+            continue
+        if hurst_mask is not None and hurst_mask[i]:
+            continue
+        if trend_max is not None and a[i] and abs(c[i] - el[i]) / a[i] > trend_max:
+            continue
+        entry = c[i]
+        tp, sl0, mb = e["tp"], e["sl"], e["max_bars"]
+        exit_p = c[min(i + mb, n - 1)]
+        j = min(i + mb, n - 1)
+        for k in range(1, mb + 1):
+            j = i + k
+            if j >= n:
+                exit_p = c[n - 1]
+                break
+            if mode == "orig":
+                hs = (d == 1 and l[j] <= sl0) or (d == -1 and h[j] >= sl0)
+                ht = (d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp)
+                if hs:
+                    exit_p = sl0
+                    break
+                if ht:
+                    exit_p = tp
+                    break
+                if k == mb:
+                    exit_p = c[j]
+            else:  # exit16
+                ht = (d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp)
+                if ht:
+                    exit_p = tp
+                    break
+                aj = a[j] if np.isfinite(a[j]) else 0.0
+                confirm = (d == 1 and c[j] < sl0 - buffer * aj) or \
+                          (d == -1 and c[j] > sl0 + buffer * aj)
+                if confirm:
+                    exit_p = c[j]
+                    break
+                if k == mb:
+                    exit_p = c[j]
+        ret = (exit_p - entry) / entry * d * lev - fee
+        out.append((i, j, ret))
+        last = j
+    return out
+
+
+def equity_from_trades(df, trades):
+    """Trade -> equity giornaliera su IDX (flusso di combine_portfolio.fade_daily_equity)."""
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    n = len(df)
+    eq = np.full(n, INIT, dtype=float)
+    cap = INIT
+    for i, j, ret in sorted(trades, key=lambda t: t[1]):
+        cap = max(cap + cap * POS * ret, 10.0)
+        eq[j:] = cap
+    s = pd.Series(eq, index=ts).resample("1D").last().reindex(IDX).ffill().bfill()
+    return _norm(s)
+
+
+def port_metrics(members: dict[str, pd.Series], p):
+    """Metriche (FULL, OOS) del portafoglio p con la STESSA matematica pesi cap
+    di Portfolio.backtest."""
+    ids = p.sleeve_ids
+    dr = pd.DataFrame({i: members[i].pct_change().fillna(0.0) for i in ids})
+    w = W.weight_vector(p.weighting, ids, dr, weights=p.weights,
+                        caps=p.caps, clusters=p.clusters, lookback=p.vol_lookback)
+    drp = port_returns({i: members[i] for i in ids}, w)
+    return metrics(drp), metrics(drp, lo=SPLIT)
+
+
+def dd(s):
+    """Max drawdown % di una serie equity."""
+    pk = s.cummax()
+    return float(((pk - s) / pk).max() * 100)

scripts/analysis/cerbero_bite_credit_spread.py

@@ -0,0 +1,144 @@
+"""Validazione dell'edge del credit-spread di cerbero-bite sui PREZZI REALI.
+
+cerbero-bite (container accanto) vende credit spread su ETH (bull-put primario,
+short delta ~0.18, DTE 18, PT 50% / stop 2.5x credito / delta-breach 0.30 / vol-stop
++10 DVOL / time-stop 7 DTE). Domanda: l'edge regge su un CICLO ETH completo, o e'
+profittevole solo nei campioni calmi?
+
+Tre analisi (riprendibili):
+  1) entry_economics()  -> economia d'ingresso REALE dalla chain (data/options/eth_chain.parquet):
+     credit/width effettivo a delta 0.18 dai bid/ask veri, eleggibilita' sotto i gate liquidita'.
+  2) tail_model_free()  -> esito terminale dai prezzi ETH reali (2018-2026), cw reale 0.106,
+     NESSUN modello opzioni (niente errore BS): win-rate, EV, frequenza max-loss.
+  3) managed_backtest() -> lifecycle CON management; mark con skew calibrato sulle IV reali.
+
+ESITO (2026-06-09):
+  - cw reale a delta 0.18 = 0.106 (short ~9.4% OTM, NON 18%), max-loss/credito = 8.4x, eleggibilita' 65%.
+  - hold-to-expiry @0.106: EV -1.0 crediti/trade, 7/9 anni NEGATIVI, max-loss 17.8% delle volte.
+  - managed (skew): EV -0.02 cr/trade, win-rate 37% (delta-breach esce sul 62% dei trade a piccola perdita).
+  - VERDETTO: NON edge robusto su ciclo completo. Il "+0.48%/mese" era artefatto di finestra calma
+    (mag-giu 2026, no crash). Premium-selling a skew negativo: vince nei campioni calmi, restituisce
+    tutto (o piu') nei crash. Tune "Profilo B" (vendere a 9.4% OTM) PEGGIORA la frequenza di max-loss.
+    Coda CONCENTRATA col fade ETH di PythagorasGoal (stesso crash colpisce entrambi).
+
+TODO APERTO (per nail-are l'EV managed esatto): la calibrazione non e' ancora perfetta
+(mark mid+skew da cw 0.228 vs 0.106 reale -> sovrastima il credito ~2x). Manca: modellare
+bid/ask reale incrociato sulle 2 gambe + griglia strike reale (entrambi nella chain) cosi'
+l'entry cw scende a 0.106 e l'EV managed diventa esatto. Allora chiudere il sì/no definitivo.
+
+    uv run python scripts/analysis/cerbero_bite_credit_spread.py
+"""
+from __future__ import annotations
+import sys, math, collections
+from pathlib import Path
+import numpy as np, pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+from scripts.analysis.options_chain import OptionChain, load_market
+from scripts.analysis.explore_lab import get_df
+from scripts.analysis.option_overlay_lab import bs_put, _ncdf, dvol_for
+
+SHORT_OTM, LONG_OTM, DTE = 0.094, 0.134, 17        # da chain reale (delta 0.18, width 4%)
+CW_REAL = 0.106
+
+
+def entry_economics():
+    oc = OptionChain("ETH"); ch = oc.df
+    mk = load_market("ETH")[["ts_ms", "spot"]].dropna().sort_values("ts_ms")
+    p = ch[ch["option_type"] == "P"].copy()
+    p = pd.merge_asof(p.sort_values("ts_ms"), mk, on="ts_ms", direction="backward")
+    cand = p[(p["tenor_d"] >= 14) & (p["tenor_d"] <= 21)].dropna(subset=["delta", "bid", "ask", "strike", "spot"])
+    rows = []
+    for (ts, exp), g in cand.groupby(["timestamp", "expiry"]):
+        spot = g["spot"].iloc[0]
+        sc = g[(g["delta"] <= -0.12) & (g["delta"] >= -0.22)]
+        if sc.empty: continue
+        short = sc.iloc[(sc["delta"] + 0.18).abs().argmin()]
+        Ks = short["strike"]; longc = g[g["strike"] < Ks]
+        if longc.empty: continue
+        longp = longc.iloc[(longc["strike"] - (Ks - spot * 0.04)).abs().argmin()]
+        W = Ks - longp["strike"]
+        if W <= 0: continue
+        credit = short["bid"] - longp["ask"]
+        def ok(o):
+            sp = (o["ask"] - o["bid"]) / ((o["ask"] + o["bid"]) / 2) if (o["ask"] + o["bid"]) > 0 else 9
+            return (o["open_interest"] or 0) >= 100 and sp <= 0.15 and o["bid"] > 0
+        cw = credit / (W / spot)
+        rows.append(dict(cw=cw, credit=credit, elig=ok(short) and ok(longp) and cw >= 0.08 and credit > 0,
+                         short_otm=(spot - Ks) / spot, delta=short["delta"]))
+    r = pd.DataFrame(rows)
+    print(f"[ENTRY] {len(r)} spread | eleggibili {r['elig'].mean()*100:.0f}% | cw mediano {r['cw'].median():.3f} "
+          f"| short OTM {r['short_otm'].median()*100:.1f}% | max-loss/credito {((1-r['cw'].median())/r['cw'].median()):.1f}x")
+
+
+def tail_model_free():
+    df = get_df("ETH", "1h"); c = df["close"].values; n = len(c)
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True); H = DTE * 24
+    res = []
+    for i in range(200, n - H - 1, 24 * 2):
+        S0 = c[i]; Ks = S0 * (1 - SHORT_OTM); Kl = S0 * (1 - LONG_OTM); W = Ks - Kl
+        Sx = c[i + H]; intr = min(max(Ks - Sx, 0.0), W); credit = CW_REAL * W
+        res.append((ts.iloc[i].year, 1 - intr / credit, Sx < Kl))
+    R = pd.DataFrame(res, columns=["y", "pnl", "maxloss"]); P = R["pnl"].values
+    print(f"[TAIL model-free @cw0.106] win {(P>0).mean()*100:.0f}% | EV {P.mean():+.2f}cr | max-loss {R['maxloss'].mean()*100:.0f}% "
+          f"| anni neg {(R.groupby('y')['pnl'].mean()<0).sum()}/{R['y'].nunique()}")
+
+
+def _skew_fit():
+    oc = OptionChain("ETH"); ch = oc.df
+    mk = load_market("ETH")[["ts_ms", "spot"]].dropna().sort_values("ts_ms")
+    p = ch[ch["option_type"] == "P"].copy()
+    p = pd.merge_asof(p.sort_values("ts_ms"), mk, on="ts_ms", direction="backward")
+    p = p.dropna(subset=["iv", "strike", "spot", "delta", "tenor_d"])
+    p = p[(p["tenor_d"] >= 7) & (p["tenor_d"] <= 35) & (p["iv"] > 0)]
+    p["dd"] = (p["delta"] + 0.5).abs()
+    atm = p.sort_values("dd").groupby("timestamp")["iv"].first()
+    p["atm_iv"] = p["timestamp"].map(atm); p = p.dropna(subset=["atm_iv"])
+    p["k"] = np.log(p["strike"] / p["spot"]); p["ratio"] = p["iv"] / p["atm_iv"]
+    p = p[(p["k"] > -0.35) & (p["k"] < 0.15) & (p["ratio"] > 0.5) & (p["ratio"] < 3)]
+    coef, *_ = np.linalg.lstsq(np.c_[p["k"], p["k"]**2], p["ratio"] - 1.0, rcond=None)
+    return coef  # a, b
+
+
+def managed_backtest():
+    a, b = _skew_fit()
+    def ivol(S, K, atm):
+        k = math.log(K / S); return max(atm * (1 + a * k + b * k * k), 0.05)
+    def put_delta(S, K, T, sig):
+        if T <= 0 or sig <= 0: return -1.0 if S < K else 0.0
+        return _ncdf((math.log(S / K) + 0.5 * sig * sig * T) / (sig * math.sqrt(T))) - 1.0
+    def mark(S, Ks, Kl, T, atm):
+        return bs_put(S, Ks, T, ivol(S, Ks, atm)) - bs_put(S, Kl, T, ivol(S, Kl, atm))
+    df = get_df("ETH", "1h"); c = df["close"].values; n = len(c)
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True); dvol = dvol_for(df, "ETH")
+    H = DTE * 24; STEP = 6; cw = []; tr = []
+    for i in range(200, n - H - 1, 24 * 2):
+        S0 = c[i]; atm0 = dvol[i] if not np.isnan(dvol[i]) else 0.6
+        Ks = S0 * (1 - SHORT_OTM); Kl = S0 * (1 - LONG_OTM); W = Ks - Kl
+        credit = mark(S0, Ks, Kl, DTE / 365.0, atm0)
+        if credit <= 0: continue
+        cw.append(credit / W); pnl = why = None
+        for k in range(STEP, H + 1, STEP):
+            j = i + k; Trem = max((H - k) / (24 * 365.0), 1e-6); Sj = c[j]
+            atmj = dvol[j] if not np.isnan(dvol[j]) else atm0; mk = mark(Sj, Ks, Kl, Trem, atmj)
+            if mk <= 0.5 * credit: pnl, why = 1 - mk / credit, "PT"; break
+            if mk >= 2.5 * credit: pnl, why = 1 - mk / credit, "stop"; break
+            if put_delta(Sj, Ks, Trem, ivol(Sj, Ks, atmj)) <= -0.30: pnl, why = 1 - mk / credit, "delta"; break
+            if atmj - atm0 >= 0.10: pnl, why = 1 - mk / credit, "vol"; break
+            if k >= (DTE - 7) * 24: pnl, why = 1 - mk / credit, "time"; break
+        if pnl is None:
+            Sx = c[i + H]; intr = min(max(Ks - Sx, 0), W); pnl, why = 1 - intr / credit, "expiry"
+        tr.append((ts.iloc[i].year, pnl, why))
+    P = np.array([t[1] for t in tr])
+    print(f"[MANAGED skew] cw@entry {np.median(cw):.3f} (vs 0.106 reale: sovrastima ~2x, EV vero <=) | "
+          f"win {(P>0).mean()*100:.0f}% | EV {P.mean():+.3f}cr | worst {P.min():.1f} | "
+          f"uscite {dict(collections.Counter(t[2] for t in tr))}")
+    R = pd.DataFrame({"y": [t[0] for t in tr], "p": P})
+    print(f"           2021+: EV {R[R.y>=2021]['p'].mean():+.3f}cr/trade")
+
+
+if __name__ == "__main__":
+    entry_economics()
+    tail_model_free()
+    managed_backtest()

scripts/analysis/daily_equity_bfill_impact.py

@@ -0,0 +1,209 @@
+"""ANALISI DI IMPATTO (sola lettura, da docs/TODO.md): bug bfill di `_daily_equity`.
+
+IL BUG (scripts/analysis/honest_improve2.py:30):
+    daily = s.resample("1D").last().reindex(idx).ffill().bfill()
+La serie `s` e' a PUNTI-TRADE (un valore di capitale per ogni exit). Il `reindex(idx)`
+taglia PRIMA di forward-fillare: i giorni di IDX precedenti al primo trade DENTRO la
+finestra restano NaN (il ffill non ha un valore precedente in-finestra da propagare) e
+il `.bfill()` finale li riempie col capitale DOPO il primo trade in-finestra. Effetti:
+  1. l'ancora a idx[0] e' il capitale post-primo-trade-in-finestra, NON il capitale
+     portato avanti dall'ultimo trade PRIMA della finestra;
+  2. il rendimento del primo trade in-finestra viene CANCELLATO dalla serie daily
+     (la testa e' piatta al valore post-trade -> pct_change = 0 anche il giorno del trade).
+
+CORREZIONE (qui, solo per confronto): ffill PRIMA del reindex (carry-forward su tutta la
+storia trade) + testa pre-primo-trade-assoluto = capitale iniziale 1000. MAI valori dal futuro.
+
+Sleeve canonici interessati (serie a punti-trade -> testa di IDX scoperta):
+  DIP01_BTC, PR_ETHBTC, PR_ETHBTC_15M, PR_LTCETH, PR_ADAETH, PR_BTCLTC, PR_ETHSOL,
+  TSM01, XS01 (questi due quasi-densi: punti daily/12h -> impatto atteso ~0).
+TR01_basket / ROT02_rot passano da _daily_equity ma con punti PER-BARRA (densi dal
+2018) -> verificati comunque qui via monkeypatch runtime (nessun file canonico toccato).
+I fade (combine_portfolio.py:52) e SH01 (shape_ml_validate.py:124) usano lo stesso
+pattern reindex+bfill ma su equity PER-BARRA con dati che iniziano prima di IDX[0]
+-> il bfill e' un no-op (verificato: nessun NaN in testa).
+
+NB: le metriche OOS canoniche affettano la STESSA serie daily a SPLIT (metrics(dr,
+lo=SPLIT)); la distorsione sta solo in testa (2021) -> l'OOS e' invariato per
+costruzione se il primo trade in-finestra precede lo SPLIT. Questo script lo misura.
+
+Uso:  uv run python scripts/analysis/daily_equity_bfill_impact.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+import scripts.analysis.honest_improve2 as hi2
+from scripts.analysis.honest_improve2 import _norm, dip_market_gated
+from scripts.analysis.combine_portfolio import IDX, SPLIT, OOS_DATE, metrics, port_returns
+from scripts.analysis.pairs_research import pairs_sim, pairs_sim_flat
+from scripts.analysis.tsmom_research import tsmom_sim
+from scripts.strategies.PR01_pairs_reversion import PAIRS as PAIR_DEFS
+from scripts.strategies.XS01_cross_sectional import xsec_sim
+from scripts.portfolios._defs import PORTFOLIOS
+from src.portfolio import weighting as W
+
+INIT = 1000.0
+
+
+# ---------------- le due convenzioni ----------------
+def daily_equity_buggy(ts_list, cap_list, idx):
+    """Replica ESATTA di honest_improve2._daily_equity (per parity-check)."""
+    s = pd.Series(cap_list, index=pd.to_datetime(ts_list, utc=True))
+    s = s[~s.index.duplicated(keep="last")].sort_index()
+    return s.resample("1D").last().reindex(idx).ffill().bfill()
+
+
+def daily_equity_fixed(ts_list, cap_list, idx, init=INIT):
+    """CORRETTA: ancora = capitale portato avanti dall'ultimo trade PRIMA della
+    finestra (ffill prima del reindex); pre-primo-trade assoluto = capitale iniziale."""
+    s = pd.Series(cap_list, index=pd.to_datetime(ts_list, utc=True))
+    s = s[~s.index.duplicated(keep="last")].sort_index()
+    daily = s.resample("1D").last().ffill()      # carry-forward su TUTTA la storia
+    daily = daily.reindex(idx).ffill()           # coda oltre l'ultimo trade
+    return daily.fillna(init)                    # testa pre-primo-trade: capitale iniziale
+
+
+def head_info(ts_list, cap_list, idx):
+    """(primo giorno con trade dentro IDX, rendimento di testa perso dal bfill %)."""
+    s = pd.Series(cap_list, index=pd.to_datetime(ts_list, utc=True))
+    s = s[~s.index.duplicated(keep="last")].sort_index()
+    raw = s.resample("1D").last().reindex(idx)   # senza fill: NaN = nessun trade quel giorno
+    first = raw.first_valid_index()
+    if first is None:
+        return None, 0.0
+    fixed = daily_equity_fixed(ts_list, cap_list, idx)
+    lost = (fixed.loc[first] / fixed.iloc[0] - 1) * 100   # ritorno idx[0]->primo trade-day
+    return first.date(), float(lost)
+
+
+def m2(eq: pd.Series):
+    dr = eq.pct_change().fillna(0.0)
+    return metrics(dr), metrics(dr, lo=SPLIT)
+
+
+def fmt_pair(label, b, f):
+    d_sh = f["sharpe"] - b["sharpe"]
+    d_dd = f["dd"] - b["dd"]
+    d_rt = f["ret"] - b["ret"]
+    return (f"  {label:<22s}"
+            f"Sh {b['sharpe']:6.2f}->{f['sharpe']:6.2f} ({d_sh:+.3f})  "
+            f"DD {b['dd']:6.2f}->{f['dd']:6.2f} ({d_dd:+.3f}pp)  "
+            f"ret {b['ret']:+9.1f}->{f['ret']:+9.1f} ({d_rt:+8.2f}pp)")
+
+
+def main():
+    print("=" * 110)
+    print("  IMPATTO bug bfill _daily_equity (honest_improve2.py:30) — attuale vs corretto")
+    print(f"  IDX {IDX[0].date()} -> {IDX[-1].date()} | OOS da {OOS_DATE} (slice a SPLIT={SPLIT} sui rendimenti daily)")
+    print("=" * 110)
+
+    # ---------------- [1] baseline canonica (bfill cosi' com'e') ----------------
+    print("\n[1] build_everything() canonico (2-3 min)...")
+    from scripts.analysis.report_families import build_everything
+    S, pairs, tsm, shape = build_everything()
+    base = {**S, **pairs, **tsm, **shape}
+
+    # ---------------- [2] ri-simula gli sleeve a punti-trade ----------------
+    print("[2] ri-simulazione sleeve a punti-trade (parity-check + versione corretta)...")
+    raw: dict[str, tuple] = {}
+    d = dip_market_gated("BTC", market_n=0, return_equity=True)
+    raw["DIP01_BTC"] = (d["eq_ts"], d["eq_v"])
+    for a, b_, p in PAIR_DEFS:
+        r = pairs_sim(a, b_, **p)
+        raw[f"PR_{a}{b_}"] = (r["eq_ts"], r["eq_v"])
+    r15 = pairs_sim_flat("ETH", "BTC", tf="15m", n=66, z_in=1.674, z_exit=1.0,
+                         max_bars=35, flat_skip=True, pos=0.075)
+    raw["PR_ETHBTC_15M"] = (r15["eq_ts"], r15["eq_v"])
+    t = tsmom_sim()
+    raw["TSM01"] = (t["eq_ts"], t["eq_v"])
+    x = xsec_sim()
+    raw["XS01"] = (x["eq_ts"], x["eq_v"])
+
+    fixed: dict[str, pd.Series] = {}
+    print(f"\n  {'sleeve':<16s}{'parity(max|diff|)':>18s}{'1o trade in IDX':>17s}{'ret testa perso%':>18s}")
+    for k, (ts, v) in raw.items():
+        bug = _norm(daily_equity_buggy(ts, v, IDX))
+        par = float((bug - base[k]).abs().max())
+        fixed[k] = _norm(daily_equity_fixed(ts, v, IDX))
+        first, lost = head_info(ts, v, IDX)
+        flag = "" if par < 1e-9 else "  <-- PARITY FAIL"
+        print(f"  {k:<16s}{par:>18.2e}{str(first):>17s}{lost:>+18.3f}{flag}")
+
+    # TR01/ROT02: passano da _daily_equity ma con punti per-barra (densi) ->
+    # ricalcolo con monkeypatch RUNTIME della funzione (nessun file toccato).
+    orig_de = hi2._daily_equity
+    try:
+        hi2._daily_equity = daily_equity_fixed
+        tr_f = _norm(hi2._tr_basket_daily(["BNB", "BTC", "DOGE", "SOL", "XRP"], IDX))
+        rot_f = _norm(hi2._rot_daily_equity(IDX))
+    finally:
+        hi2._daily_equity = orig_de
+    for k, sf in (("TR01_basket", tr_f), ("ROT02_rot", rot_f)):
+        diff = float((sf - base[k]).abs().max())
+        print(f"  {k:<16s}{'(denso)':>18s}{'—':>17s}{diff:>18.2e}  (diff fixed-vs-base: atteso ~0)")
+        fixed[k] = sf
+
+    # ---------------- [3] metriche per sleeve: attuale vs corretto ----------------
+    print("\n" + "=" * 110)
+    print("  (3) SLEEVE a punti-trade — FULL e OOS, attuale(bfill) -> corretto(carry-forward)")
+    print("=" * 110)
+    rows_oos_delta = {}
+    for k in fixed:
+        bf, bo = m2(base[k])
+        ff, fo = m2(fixed[k])
+        print(fmt_pair(f"{k} FULL", bf, ff))
+        print(fmt_pair(f"{k} OOS ", bo, fo))
+        rows_oos_delta[k] = (ff["sharpe"] - bf["sharpe"], ff["dd"] - bf["dd"],
+                             fo["sharpe"] - bo["sharpe"], fo["dd"] - bo["dd"])
+
+    # ---------------- [4] PORT06: attuale vs corretto ----------------
+    print("\n" + "=" * 110)
+    print("  (4) PORT06 (cap PAIRS 0.33 + SHAPE 0.0588) — attuale vs corretto")
+    print("=" * 110)
+    p = PORTFOLIOS["PORT06"]
+
+    def port_m(members):
+        ids = p.sleeve_ids
+        dr = pd.DataFrame({i: members[i].pct_change().fillna(0.0) for i in ids})
+        w = W.weight_vector(p.weighting, ids, dr, weights=p.weights,
+                            caps=p.caps, clusters=p.clusters, lookback=p.vol_lookback)
+        drp = port_returns({i: members[i] for i in ids}, w)
+        return metrics(drp), metrics(drp, lo=SPLIT)
+
+    members_fix = {**base, **fixed}
+    bf, bo = port_m(base)
+    ff, fo = port_m(members_fix)
+    print(fmt_pair("PORT06 FULL", bf, ff))
+    print(fmt_pair("PORT06 OOS ", bo, fo))
+
+    # ---------------- [5] verdetto ----------------
+    print("\n" + "=" * 110)
+    print("  (5) VERDETTO (soglie materialita': >0.1 Sharpe o >0.5pp DD su PORT06 OOS)")
+    print("=" * 110)
+    d_sh_oos = abs(fo["sharpe"] - bo["sharpe"])
+    d_dd_oos = abs(fo["dd"] - bo["dd"])
+    d_sh_full = abs(ff["sharpe"] - bf["sharpe"])
+    d_dd_full = abs(ff["dd"] - bf["dd"])
+    materiale = d_sh_oos > 0.1 or d_dd_oos > 0.5
+    print(f"  PORT06 OOS : dSharpe {fo['sharpe']-bo['sharpe']:+.4f}  dDD {fo['dd']-bo['dd']:+.4f}pp"
+          f"  -> {'MATERIALE' if materiale else 'NON materiale'}")
+    print(f"  PORT06 FULL: dSharpe {ff['sharpe']-bf['sharpe']:+.4f}  dDD {ff['dd']-bf['dd']:+.4f}pp")
+    worst = sorted(rows_oos_delta.items(), key=lambda kv: -abs(kv[1][0]) - abs(kv[1][1]) / 10)
+    print("  Sleeve piu' toccati (dSharpe FULL, dDD FULL, dSharpe OOS, dDD OOS):")
+    for k, (ds, dd_, dso, ddo) in worst[:5]:
+        print(f"    {k:<16s} FULL {ds:+.3f} / {dd_:+.3f}pp   OOS {dso:+.3f} / {ddo:+.3f}pp")
+    print("\n  Nota strutturale: l'OOS canonico e' uno slice a SPLIT della stessa serie daily;")
+    print("  la distorsione bfill vive solo in testa (prima del primo trade in IDX) -> se il")
+    print("  primo trade in-finestra precede lo SPLIT, l'OOS e' INVARIATO per costruzione.")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/dip01_exit16_impact.py

@@ -0,0 +1,227 @@
+"""GATE DIP01 + PORT06: estendere EXIT-16 (close-confirm SL) a DIP01 (sweep punto 9).
+
+DIP01 e' l'unico sleeve BTC con esecuzione REALE round-trip, e gira ancora col
+branch SL intrabar wick-sensitive. EXIT-16 e' stato validato SULLE FADE: estenderlo
+a una strategia honest richiede la validazione sul grid proprio di DIP01, con
+engine GAP-AWARE (lezione exit-lab: l'engine canonico filla gli stop "al livello"
+anche su gap-through -> bias PRO stop intrabar stretti; il confronto onesto filla
+lo SL a worse(livello, open)).
+
+Protocollo:
+  [1] parita': replay engine 'orig' (fill al livello) == equity canonica DIP01_BTC
+  [2] grid 3x3x2 (z_in x sl_atr x max_bars) su BTC (deployato) ed ETH (robustezza):
+      orig GAP-AWARE vs EXIT-16(buf 0.5), ret/DD/Sharpe train (pre-OOS) e OOS
+  [3] plateau buffer {0.4, 0.5, 0.75, 1.0} sulla cella canonica
+  [4] gate PORT06: DIP01_BTC exit16 innestato nel canonico, pesi cap
+      -> PROMOSSO se OOS Sharpe non peggiora E FULL/DD non degradano materialmente.
+
+NB hurst_max NON valutato: il gate trendmax (2026-06-07) ha mostrato che il
+loss-guard Hurst e' ridondante-dannoso POST-EXIT-16 (stesso regime target).
+
+    uv run python scripts/analysis/dip01_exit16_impact.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.data.downloader import load_data
+from scripts.analysis.strategy_research import atr
+from scripts.analysis.combine_portfolio import _norm, IDX, metrics, SPLIT, OOS_DATE
+from scripts.analysis._port06_gate_common import port_metrics
+from scripts.portfolios._defs import PORTFOLIOS
+
+FEE_RT, LEV, POS, INIT = 0.001, 3.0, 0.15, 1000.0
+BUFFER = 0.5
+GRID_Z = (2.0, 2.5, 3.0)
+GRID_SL = (2.0, 2.5, 3.0)
+GRID_MB = (24, 48)
+CANON = dict(n=50, z_in=2.5, sl_atr=2.5, max_bars=24)
+
+
+def dip_entries(df, n=50, z_in=2.5, sl_atr=2.5, max_bars=24):
+    """Entries DIP01 == honest_improve2.dip_market_gated (market_n=0): crossing
+    di z sotto -z_in. Ritorna [{i, tp, sl, mb}] (long-only)."""
+    c = df["close"].values
+    ma = pd.Series(c).rolling(n).mean().values
+    sd = pd.Series(c).rolling(n).std().values
+    a = atr(df, 14)
+    z = (c - ma) / np.where(sd == 0, np.nan, sd)
+    out = []
+    for i in range(n + 14, len(c)):
+        if np.isnan(z[i]) or np.isnan(a[i]):
+            continue
+        if z[i] <= -z_in and z[i - 1] > -z_in:
+            out.append({"i": i, "tp": ma[i], "sl": c[i] - sl_atr * a[i],
+                        "mb": max_bars})
+    return out
+
+
+def dip_trades(ents, df, mode, buffer=BUFFER):
+    """Engine exit DIP01 (long-only), non-overlap come il canonico.
+
+    mode="orig"     : SL intrabar fill AL LIVELLO (== canonico, per la parita')
+    mode="orig_gap" : SL intrabar fill a worse(livello, open[j]) — gap-aware
+    mode="exit16"   : SL intrabar OFF; TP intrabar al livello (priorita' nel bar);
+                      stop solo se close[j] < sl - buffer*ATR14[j], fill a close[j]
+    """
+    h, l, c, o = df["high"].values, df["low"].values, df["close"].values, df["open"].values
+    n = len(c)
+    a = atr(df, 14)
+    fee = FEE_RT * LEV
+    out = []
+    last = -1
+    for e in ents:
+        i = e["i"]
+        if i <= last or i + 1 >= n:
+            continue
+        tp, sl, mb = e["tp"], e["sl"], e["mb"]
+        exit_p = c[min(i + mb, n - 1)]
+        j = min(i + mb, n - 1)
+        for k in range(1, mb + 1):
+            j = i + k
+            if j >= n:
+                j = n - 1
+                exit_p = c[j]
+                break
+            if mode in ("orig", "orig_gap"):
+                if l[j] <= sl:
+                    exit_p = sl if mode == "orig" else min(sl, o[j])
+                    break
+                if h[j] >= tp:
+                    exit_p = tp
+                    break
+                if k == mb:
+                    exit_p = c[j]
+            else:  # exit16
+                if h[j] >= tp:
+                    exit_p = tp
+                    break
+                aj = a[j] if np.isfinite(a[j]) else 0.0
+                if c[j] < sl - buffer * aj:
+                    exit_p = c[j]
+                    break
+                if k == mb:
+                    exit_p = c[j]
+        ret = (exit_p - c[i]) / c[i] * LEV - fee
+        out.append((i, j, ret))
+        last = j
+    return out
+
+
+def daily_equity(df, trades):
+    """Equity giornaliera con la convenzione CANONICA honest (_daily_equity su punti
+    trade-exit). NB: la serie a punti-trade reindexata su IDX ancora il primo valore
+    al PRIMO trade dentro IDX (bfill), non al capitale portato avanti da prima —
+    convenzione discutibile ma e' quella di build_everything: per la parita' (e il
+    confronto col PORT06 canonico) va replicata esattamente."""
+    from scripts.analysis.honest_improve2 import _daily_equity
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    cap = INIT
+    eq_ts, eq_v = [], []
+    for i, j, ret in sorted(trades, key=lambda t: t[1]):
+        cap = max(cap + cap * POS * ret, 10.0)
+        eq_ts.append(ts.iloc[j])
+        eq_v.append(cap)
+    return _norm(_daily_equity(eq_ts, eq_v, IDX))
+
+
+def cell_metrics(eq):
+    dr = eq.pct_change().fillna(0.0)
+    return metrics(dr), metrics(dr, lo=SPLIT)
+
+
+def main():
+    p = PORTFOLIOS["PORT06"]
+    print("=" * 104)
+    print("  GATE DIP01 EXIT-16 (close-confirm 0.5 ATR) — grid gap-aware + PORT06")
+    print(f"  OOS da {OOS_DATE} | fee {FEE_RT*100:.2f}%RT x lev{LEV:.0f} | pos {POS}")
+    print("=" * 104)
+
+    print("\n[1] build_everything() canonico (cache)...")
+    from src.portfolio.sleeves import all_sleeve_equities
+    eq_base = dict(all_sleeve_equities())
+
+    dfs = {a: load_data(a, "1h") for a in ("BTC", "ETH")}
+
+    # --- parita' ---
+    ents = dip_entries(dfs["BTC"], **CANON)
+    rep = daily_equity(dfs["BTC"], dip_trades(ents, dfs["BTC"], "orig"))
+    base = eq_base["DIP01_BTC"]
+    corr = base.pct_change().fillna(0).corr(rep.pct_change().fillna(0))
+    rb = (base.iloc[-1] / base.iloc[0] - 1) * 100
+    rr = (rep.iloc[-1] / rep.iloc[0] - 1) * 100
+    print(f"\n[1] PARITA' orig vs canonico: corr={corr:.5f} ret {rb:+.0f}% vs {rr:+.0f}%")
+    if not (corr > 0.999 and abs(rr - rb) <= max(1.0, abs(rb) * 0.01)):
+        print("    >>> PARITA' FALLITA: STOP.")
+        return
+
+    # --- [2] grid gap-aware ---
+    for asset in ("BTC", "ETH"):
+        df = dfs[asset]
+        print(f"\n[2] GRID {asset} — orig GAP-AWARE vs EXIT-16 (train | OOS: ret% e Sharpe)")
+        print(f"    {'cella':<16s}{'tr retO':>9s}{'tr retE':>9s} {'oos retO':>9s}{'oos retE':>9s}"
+              f"  {'oos ShO':>8s}{'oos ShE':>8s}  {'ddO':>6s}{'ddE':>6s}  esito")
+        wins_tr = wins_oos = cells = 0
+        for z in GRID_Z:
+            for slm in GRID_SL:
+                for mb in GRID_MB:
+                    ents = dip_entries(df, n=50, z_in=z, sl_atr=slm, max_bars=mb)
+                    eo = daily_equity(df, dip_trades(ents, df, "orig_gap"))
+                    ee = daily_equity(df, dip_trades(ents, df, "exit16"))
+                    fo, oo = cell_metrics(eo)
+                    fe, oe = cell_metrics(ee)
+                    tr_o = fo["ret"] - oo["ret"]; tr_e = fe["ret"] - oe["ret"]  # ~train (full-oos, approssimato su ret composti: usare segni)
+                    # train ret esatto: equity al SPLIT
+                    tr_o = (eo.iloc[SPLIT] / eo.iloc[0] - 1) * 100
+                    tr_e = (ee.iloc[SPLIT] / ee.iloc[0] - 1) * 100
+                    cells += 1
+                    w_tr = tr_e >= tr_o
+                    w_oos = oe["ret"] >= oo["ret"]
+                    wins_tr += w_tr
+                    wins_oos += w_oos
+                    tag = ("OK" if (w_tr and w_oos) else "tr-" if w_oos else "oos-" if w_tr else "KO")
+                    print(f"    z{z} sl{slm} mb{mb:<3d}{tr_o:>9.0f}{tr_e:>9.0f} "
+                          f"{oo['ret']:>9.0f}{oe['ret']:>9.0f}  {oo['sharpe']:>8.2f}{oe['sharpe']:>8.2f}"
+                          f"  {fo['dd']:>6.1f}{fe['dd']:>6.1f}  {tag}")
+        print(f"    -> EXIT-16 >= orig-gap: train {wins_tr}/{cells}, OOS {wins_oos}/{cells}")
+
+    # --- [3] plateau buffer (BTC, cella canonica) ---
+    print("\n[3] Plateau buffer EXIT-16 (BTC, cella canonica):")
+    ents = dip_entries(dfs["BTC"], **CANON)
+    for buf in (0.4, 0.5, 0.75, 1.0):
+        ee = daily_equity(dfs["BTC"], dip_trades(ents, dfs["BTC"], "exit16", buffer=buf))
+        fe, oe = cell_metrics(ee)
+        print(f"    buf {buf:<5}FULL ret {fe['ret']:>+7.0f}% DD {fe['dd']:>5.1f} Sh {fe['sharpe']:>5.2f}"
+              f"  | OOS ret {oe['ret']:>+6.0f}% DD {oe['dd']:>5.1f} Sh {oe['sharpe']:>5.2f}")
+
+    # --- [4] gate PORT06 ---
+    ee = daily_equity(dfs["BTC"], dip_trades(ents, dfs["BTC"], "exit16"))
+    members_b = dict(eq_base)
+    members_e = dict(eq_base)
+    members_e["DIP01_BTC"] = ee
+    f_b, o_b = port_metrics(members_b, p)
+    f_e, o_e = port_metrics(members_e, p)
+    print("\n" + "=" * 104)
+    print(f"  [4] PORT06 (pesi cap {p.caps}) — DIP01_BTC orig vs EXIT-16")
+    print("=" * 104)
+    print(f"  {'variante':<10s}{'FULL Sh':>9s}{'FULL DD%':>10s}{'CAGR':>6s} | {'OOS Sh':>7s}{'OOS DD%':>8s}{'CAGR':>6s}")
+    for nm, (f, o) in (("BASE", (f_b, o_b)), ("EXIT-16", (f_e, o_e))):
+        print(f"  {nm:<10s}{f['sharpe']:>9.2f}{f['dd']:>10.2f}{f['cagr']:>5.0f}% | "
+              f"{o['sharpe']:>7.2f}{o['dd']:>8.2f}{o['cagr']:>5.0f}%")
+
+    oos_ok = o_e["sharpe"] >= o_b["sharpe"] - 0.02 and o_e["dd"] <= o_b["dd"] + 0.20
+    full_ok = f_e["sharpe"] >= f_b["sharpe"] - 0.02 and f_e["dd"] <= f_b["dd"] + 0.20
+    promoted = oos_ok and full_ok
+    print(f"\n  GATE: OOS {'OK' if oos_ok else 'KO'} | FULL {'OK' if full_ok else 'KO'}")
+    print("  VERDETTO: " + (">>> PROMOSSO <<<" if promoted else ">>> BOCCIATO <<<"))
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/dispersion_edges/gate_index_comp_disp.py

@@ -0,0 +1,156 @@
+"""GATE PORT06 del candidato index_comp_disp W=168 (ricerca dispersion 2026-06-08).
+
+Edge confermato avversarialmente: fade della componente idiosincratica di BTC verso
+l'indice EW, gated da alta dispersione. Config: rel_len=12, z_win=336, z_thr=1.5,
+disp_168 >= quantile rolling 0.7 (win 720), TP=1.0*ATR14, SL=1.5*ATR14, max_bars=24.
+
+Domanda del gate (lezione FR01: robusto != migliora-il-portafoglio):
+  1) correlazione daily col MASTER e con le fade BTC esistenti (e' un diversificatore?)
+  2) PORT06 BASE (17 sleeve) vs +DISP (18 sleeve) con pesi cap: DeltaSharpe/DeltaDD FULL e OOS.
+PROMOSSO solo se decorrela E migliora (o non degrada) l'OOS.
+
+    uv run python scripts/analysis/dispersion_edges/gate_index_comp_disp.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[3]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.dispersion_lab import features, align_to
+from scripts.analysis.explore_lab import get_df, atr
+from scripts.analysis.combine_portfolio import _norm, IDX, port_returns, metrics, SPLIT, OOS_DATE
+from scripts.analysis.honest_improve2 import _daily_equity
+from scripts.portfolios._defs import PORTFOLIOS
+from src.portfolio import weighting as W
+
+FEE_RT, LEV, POS, INIT = 0.001, 3.0, 0.15, 1000.0
+CFG = dict(rel_len=12, z_win=336, z_thr=1.5, disp_q=0.7, disp_q_win=720,
+           tp_atr=1.0, sl_atr=1.5, max_bars=24)
+
+
+def _last_rank(x):
+    if x.shape[0] < 2:
+        return np.nan
+    return float((x[:-1] < x[-1]).mean())
+
+
+def build_trades(asset="BTC"):
+    """Entries CAUSALI + exit intrabar (TP/SL/max_bars) -> [(i, j, ret_netto)]."""
+    df = get_df(asset, "1h")
+    F = features()
+    fa = align_to(F, df)
+    c, h, l = df["close"].values, df["high"].values, df["low"].values
+    n = len(c)
+    a14 = atr(df, 14)
+    rel = fa[f"rel_{asset}"].values.astype(float)
+    disp = fa["disp_168"].values.astype(float)
+    # somma rolling rel su rel_len, z-score causale (mean/std rolling z_win shift 1)
+    rs = pd.Series(rel).rolling(CFG["rel_len"]).sum()
+    rmean = rs.rolling(CFG["z_win"]).mean().shift(1)
+    rstd = rs.rolling(CFG["z_win"]).std().shift(1)
+    z = ((rs - rmean) / rstd.replace(0, np.nan)).values
+    dpct = pd.Series(disp).rolling(CFG["disp_q_win"]).apply(_last_rank, raw=True).values
+    fee = FEE_RT * LEV
+    out = []
+    last = -1
+    for i in range(n - 1):
+        if i <= last or not np.isfinite(z[i]) or not np.isfinite(dpct[i]):
+            continue
+        if dpct[i] < CFG["disp_q"] or abs(z[i]) < CFG["z_thr"]:
+            continue
+        ai = a14[i]
+        if not np.isfinite(ai) or ai <= 0:
+            continue
+        d = -1 if z[i] > 0 else 1
+        tp = c[i] + d * CFG["tp_atr"] * ai
+        sl = c[i] - d * CFG["sl_atr"] * ai
+        mb = CFG["max_bars"]
+        j = min(i + mb, n - 1)
+        exit_p = c[j]
+        for k in range(1, mb + 1):
+            j = i + k
+            if j >= n:
+                j = n - 1; exit_p = c[j]; break
+            if d == 1:
+                if l[j] <= sl: exit_p = sl; break
+                if h[j] >= tp: exit_p = tp; break
+            else:
+                if h[j] >= sl: exit_p = sl; break
+                if l[j] <= tp: exit_p = tp; break
+            if k == mb: exit_p = c[j]
+        out.append((i, j, (exit_p - c[i]) / c[i] * d * LEV - fee))
+        last = j
+    return df, out
+
+
+def daily_equity(df, trades):
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    cap = INIT; eq_ts, eq_v = [], []
+    for i, j, ret in sorted(trades, key=lambda t: t[1]):
+        cap = max(cap + cap * POS * ret, 10.0)
+        eq_ts.append(ts.iloc[j]); eq_v.append(cap)
+    return _norm(_daily_equity(eq_ts, eq_v, IDX))
+
+
+def pmetrics(members, p, extra=None):
+    ids = list(p.sleeve_ids) + ([extra] if extra else [])
+    dr = pd.DataFrame({i: members[i].pct_change().fillna(0.0) for i in ids})
+    if extra:
+        caps = dict(p.caps); caps["DISP"] = caps.get("DISP", None)
+    w = W.weight_vector(p.weighting, ids, dr, weights=p.weights,
+                        caps=p.caps, clusters={**{i:(p.clusters or {}).get(i,i) for i in p.sleeve_ids},
+                                               **({extra:"disp"} if extra else {})},
+                        lookback=p.vol_lookback)
+    drp = port_returns({i: members[i] for i in ids}, w)
+    return metrics(drp), metrics(drp, lo=SPLIT)
+
+
+def main():
+    p = PORTFOLIOS["PORT06"]
+    print("=" * 100)
+    print("  GATE PORT06 — candidato index_comp_disp W=168 (BTC) | famiglia DISP nuova")
+    print(f"  config {CFG} | OOS da {OOS_DATE}")
+    print("=" * 100)
+
+    from src.portfolio.sleeves import all_sleeve_equities
+    eq_base = dict(all_sleeve_equities())
+
+    df, trades = build_trades("BTC")
+    disp_eq = daily_equity(df, trades)
+    fr = (disp_eq.iloc[-1] / disp_eq.iloc[0] - 1) * 100
+    o = disp_eq.iloc[SPLIT:]; ofr = (o.iloc[-1] / o.iloc[0] - 1) * 100
+    print(f"\n[1] candidato standalone: {len(trades)} trade | FULL {fr:+.0f}% | OOS {ofr:+.0f}%")
+
+    # correlazione daily col MASTER e con le fade BTC
+    dr_cand = disp_eq.pct_change().fillna(0.0)
+    print("\n[2] correlazione daily col candidato (decorrela?):")
+    for sid in ["MR01_BTC", "MR02_BTC", "MR07_BTC", "DIP01_BTC"]:
+        corr = dr_cand.corr(eq_base[sid].pct_change().fillna(0.0))
+        print(f"    {sid:<12} corr {corr:+.3f}")
+    master_dr = pd.DataFrame({i: eq_base[i].pct_change().fillna(0.0) for i in p.sleeve_ids}).mean(axis=1)
+    print(f"    {'MASTER(EW)':<12} corr {dr_cand.corr(master_dr):+.3f}")
+
+    # PORT06 base vs +DISP
+    f_b, o_b = pmetrics(eq_base, p)
+    members = dict(eq_base); members["DISP_BTC"] = disp_eq
+    f_e, o_e = pmetrics(members, p, extra="DISP_BTC")
+    print("\n[3] PORT06 BASE (17) vs +DISP (18):")
+    print(f"  {'':<10}{'FULL Sh':>9}{'FULL DD%':>10}{'OOS Sh':>9}{'OOS DD%':>9}")
+    print(f"  {'BASE':<10}{f_b['sharpe']:>9.2f}{f_b['dd']:>10.2f}{o_b['sharpe']:>9.2f}{o_b['dd']:>9.2f}")
+    print(f"  {'+DISP':<10}{f_e['sharpe']:>9.2f}{f_e['dd']:>10.2f}{o_e['sharpe']:>9.2f}{o_e['dd']:>9.2f}")
+    print(f"  {'DELTA':<10}{f_e['sharpe']-f_b['sharpe']:>+9.2f}{f_e['dd']-f_b['dd']:>+10.2f}"
+          f"{o_e['sharpe']-o_b['sharpe']:>+9.2f}{o_e['dd']-o_b['dd']:>+9.2f}")
+
+    promoted = (o_e['sharpe'] >= o_b['sharpe'] - 0.02 and o_e['dd'] <= o_b['dd'] + 0.20
+                and f_e['sharpe'] >= f_b['sharpe'] - 0.02)
+    print("\n  VERDETTO: " + (">>> PROMOSSO <<<" if promoted else ">>> BOCCIATO (diluisce, come FR01) <<<"))
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/dispersion_edges/index_comp_disp.py

@@ -0,0 +1,191 @@
+"""FAMIGLIA index_comp_disp (W=24) — dispersion trading REALIZZATO.
+
+Idea: l'indice EW vs le componenti. Quando la dispersione cross-sectional rolling
+(disp_24) e' ALTA, le componenti idiosincratiche estreme (rel_A = ret_A - ret_idx)
+tendono a RIENTRARE verso l'indice -> fade della componente idiosincratica estrema:
+  - se rel_A e' molto positivo (A ha sovraperformato l'indice oltre soglia) -> SHORT A
+  - se rel_A e' molto negativo (A ha sottoperformato l'indice oltre soglia) -> LONG A
+condizionato a disp_24 sopra una soglia (regime di alta dispersione).
+
+CAUSALE: la decisione a close[i] usa SOLO feature note a i:
+  - rel_A[i]   = log-ret di A meno log-ret indice nella barra [i-1->i] (nota a close[i])
+  - disp_24[i] = media rolling 24 della disp cross-sectional fino a i (nota a close[i])
+Ingresso eseguibile a close[i]. Niente uso di i+1 nella decisione.
+
+Per rendere le soglie comparabili fra asset/tempo, rel_A si normalizza con la sua
+deviazione standard rolling CAUSALE (rolling 168h, shiftata di 1 per non includere i).
+disp_24 si normalizza col suo quantile rolling causale (percentile rolling).
+
+Exit: time-stop max_bars (con TP/SL ATR opzionali). Il fade verso l'indice e' un
+ritorno alla media -> orizzonte breve.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[3]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.dispersion_lab import features, align_to, UNIVERSE  # noqa: E402
+from scripts.analysis.explore_lab import get_df, evaluate, robust, atr     # noqa: E402
+
+W = 24  # finestra famiglia
+
+
+def _last_rank(x: np.ndarray) -> float:
+    """Frazione dei valori (esclusi l'ultimo) strettamente < dell'ultimo. Causale:
+    l'ultimo elemento e' la barra i, confrontata coi 719 valori precedenti."""
+    if x.shape[0] < 2:
+        return np.nan
+    return float((x[:-1] < x[-1]).mean())
+
+
+def _causal_signals(asset: str, df: pd.DataFrame, fa: pd.DataFrame):
+    """Precalcola (una volta per asset) rel_z, disp_pctl, atr — feature CAUSALI."""
+    a14 = atr(df, 14)
+    rel = fa[f"rel_{asset}"].values.astype(float)
+    disp = fa["disp_24"].values.astype(float)
+
+    # z-score CAUSALE di rel: media/std rolling 168h SHIFTATA di 1 (solo barre <= i-1)
+    rel_s = pd.Series(rel)
+    rmean = rel_s.rolling(168).mean().shift(1)
+    rstd = rel_s.rolling(168).std().shift(1)
+    rel_z = ((rel_s - rmean) / rstd.replace(0, np.nan)).values
+
+    # percentile rolling CAUSALE di disp_24 (rank di disp[i] vs i 720 valori fino a i).
+    # vettoriale via rank rolling: pos dell'ultimo elemento / (win-1).
+    win = 720
+    dr = pd.Series(disp).rolling(win).apply(_last_rank, raw=True)
+    disp_pctl = dr.values
+    return rel_z, disp_pctl, a14
+
+
+def build_entries(asset: str, df: pd.DataFrame, fa: pd.DataFrame,
+                  rel_z_thr: float, disp_pctl_thr: float,
+                  max_bars: int, tp_atr: float | None, sl_atr: float | None,
+                  precomp=None) -> list[dict]:
+    """Costruisce entries CAUSALI per il fade della componente idiosincratica."""
+    n = len(df)
+    c = df["close"].values
+    if precomp is None:
+        rel_z, disp_pctl, a14 = _causal_signals(asset, df, fa)
+    else:
+        rel_z, disp_pctl, a14 = precomp
+
+    entries: list[dict] = []
+    for i in range(n - 1):
+        z = rel_z[i]
+        dp = disp_pctl[i]
+        if not np.isfinite(z) or not np.isfinite(dp):
+            continue
+        if dp < disp_pctl_thr:           # solo regime di alta dispersione
+            continue
+        if abs(z) < rel_z_thr:           # solo componente idio estrema
+            continue
+        d = -1 if z > 0 else +1          # FADE: rel alto -> short A; rel basso -> long A
+        a = a14[i]
+        if not np.isfinite(a) or a <= 0:
+            tp = sl = None
+        else:
+            tp = c[i] + d * tp_atr * a if tp_atr else None
+            sl = c[i] - d * sl_atr * a if sl_atr else None
+        entries.append({"i": i, "d": d, "max_bars": max_bars, "tp": tp, "sl": sl})
+    return entries
+
+
+def check_no_lookahead(asset: str, df: pd.DataFrame, fa: pd.DataFrame) -> bool:
+    """Perturba i PREZZI dopo un indice T e verifica che le entries con i<=T non cambino.
+    Qui ricostruiamo la entry-rule su una copia di df/fa col futuro alterato e confrontiamo
+    le entries (i, d) con i<=T."""
+    n = len(df)
+    T = int(n * 0.6)
+
+    base = build_entries(asset, df, fa, rel_z_thr=2.0, disp_pctl_thr=0.6,
+                         max_bars=12, tp_atr=None, sl_atr=None)
+
+    # perturba i prezzi dopo T: alza del 50% close/high/low/open
+    df2 = df.copy()
+    for col in ("open", "high", "low", "close"):
+        df2.loc[df2.index > T, col] = df2.loc[df2.index > T, col] * 1.5
+    # perturba anche le feature riferite a barre > T (rel_<asset>, disp_24)
+    fa2 = fa.copy()
+    for col in (f"rel_{asset}", "disp_24"):
+        fa2.loc[fa2.index > T, col] = fa2.loc[fa2.index > T, col] * 1.5
+
+    pert = build_entries(asset, df2, fa2, rel_z_thr=2.0, disp_pctl_thr=0.6,
+                         max_bars=12, tp_atr=None, sl_atr=None)
+
+    base_le = {(e["i"], e["d"]) for e in base if e["i"] <= T}
+    pert_le = {(e["i"], e["d"]) for e in pert if e["i"] <= T}
+    ok = base_le == pert_le
+    print(f"[no-look-ahead] entries con i<=T={T} invarianti al futuro: "
+          f"{'OK' if ok else 'VIOLATO'} (base={len(base_le)} pert={len(pert_le)})")
+    if not ok:
+        diff = (base_le ^ pert_le)
+        print(f"    differenze: {sorted(diff)[:10]}")
+    return ok
+
+
+def main():
+    F = features()
+    print(f"feature caricate: {F.shape[0]} barre")
+
+    # asset single-asset da esplorare (i piu' liquidi + qualche alt)
+    assets = ["BTC", "ETH", "SOL", "ADA", "BNB", "DOGE", "LTC", "XRP"]
+
+    # griglia piccola di soglie
+    rel_z_grid = [1.5, 2.0, 2.5]
+    disp_pctl_grid = [0.5, 0.7]
+    mb_grid = [6, 12, 24]
+    # exit: prima senza tp/sl (puro time-stop), poi con un TP/SL ATR moderato
+    exit_grid = [
+        (None, None),
+        (1.5, 2.0),
+    ]
+
+    best = None
+    # no-look-ahead check una volta (su ETH)
+    df_eth = get_df("ETH", "1h")
+    fa_eth = align_to(F, df_eth)
+    la_ok = check_no_lookahead("ETH", df_eth, fa_eth)
+    print()
+
+    for asset in assets:
+        df = get_df(asset, "1h")
+        fa = align_to(F, df)
+        precomp = _causal_signals(asset, df, fa)   # una volta per asset (costoso)
+        for rz in rel_z_grid:
+            for dp in disp_pctl_grid:
+                for mb in mb_grid:
+                    for (tp_a, sl_a) in exit_grid:
+                        ents = build_entries(asset, df, fa, rz, dp, mb, tp_a, sl_a,
+                                             precomp=precomp)
+                        if len(ents) < 30:
+                            continue
+                        tag = f"{asset} rz{rz} dp{dp} mb{mb} tp{tp_a} sl{sl_a}"
+                        res = evaluate(tag, ents, df)
+                        rb = robust(res)
+                        # criterio "migliore": OOS ret, poi sharpe; preferisci robuste
+                        score = (rb, res["oos"]["ret"], res["full"]["sharpe"])
+                        if best is None or score > best[0]:
+                            best = (score, tag, res, rb,
+                                    dict(asset=asset, rz=rz, dp=dp, mb=mb, tp=tp_a, sl=sl_a))
+
+    print("\n=== MIGLIORE ===")
+    if best is None:
+        print("nessuna cella con abbastanza trade")
+        return
+    score, tag, res, rb, cfg = best
+    print(f"config: {tag}")
+    print(f"robust={rb}  lookahead_ok={la_ok}")
+    print(f"FULL ret={res['full']['ret']:+.0f}%  OOS ret={res['oos']['ret']:+.0f}%  "
+          f"DD={res['full']['dd']:.0f}%  Sharpe={res['full']['sharpe']:.2f}")
+    print(f"fee0.2% OOS={res['sweep_oos'][0.002]:+.0f}%  anniPos={res['pos_yrs']}/{res['n_yrs']}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/dispersion_edges/rel_idio_fade.py

@@ -0,0 +1,152 @@
+"""rel_idio_fade (W=24): fade della componente idiosincratica rel_A vs indice.
+
+Idea: rel_A = ret(A) - ret(indice EW) e' il rendimento idiosincratico (residuo di
+mercato). Quando l'asset diverge troppo dall'indice (z-score di rel_A su finestra
+W=24 elevato), si fada il residuo verso l'indice: se A ha sovraperformato troppo
+(z alto) -> SHORT A; se ha sottoperformato (z basso) -> LONG A. Mean-reversion del
+residuo.
+
+ENTRY CAUSALE: la decisione a close[i] usa SOLO rel_A fino a i incluso. Lo z-score
+e' costruito con media/std rolling su [i-W+1 .. i] (causale). Ingresso eseguibile a
+close[i]; exit a tempo (max_bars), opzionale TP/SL ad ATR.
+
+Esegui: cd /opt/docker/PythagorasGoal && PYTHONPATH=. uv run python \
+    scripts/analysis/_disp_scratch/rel_idio_fade_24.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[3]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.dispersion_lab import features, align_to, UNIVERSE  # noqa: E402
+from scripts.analysis.explore_lab import get_df, evaluate, robust, atr     # noqa: E402
+
+W = 24                      # finestra correlazione/dispersione (richiesta dalla famiglia)
+ASSETS = ["BTC", "ETH", "ADA", "BNB", "DOGE", "LTC", "SOL", "XRP"]
+Z_GRID = [1.5, 2.0, 2.5, 3.0]
+MB_GRID = [12, 24, 48]
+TP_ATR = None               # exit a tempo puro per il primo screening
+SL_ATR = None
+
+
+def build_entries(asset: str, df: pd.DataFrame, fa: pd.DataFrame,
+                  z_thr: float, max_bars: int,
+                  tp_atr=None, sl_atr=None) -> list[dict]:
+    """Entries CAUSALI per il fade del residuo idiosincratico.
+
+    z[i] = (rel[i] - mean(rel[i-W+1..i])) / std(rel[i-W+1..i])  -> usa solo dati <= i.
+    rel[i] e' gia' causale (deriva da log-ret fino a close[i]). Quando |z[i]|>=thr:
+      z>0 (A ha sovraperformato l'indice) -> SHORT (d=-1), fade verso l'indice
+      z<0 (A ha sottoperformato)          -> LONG  (d=+1)
+    """
+    rel = fa[f"rel_{asset}"].values.astype(float)
+    s = pd.Series(rel)
+    mu = s.rolling(W).mean().values
+    sd = s.rolling(W).std(ddof=0).values
+    z = (rel - mu) / np.where(sd > 0, sd, np.nan)
+
+    a = atr(df, 14)
+    c = df["close"].values
+    n = len(c)
+    entries: list[dict] = []
+    for i in range(W, n - 1):
+        zi = z[i]
+        if not np.isfinite(zi) or abs(zi) < z_thr:
+            continue
+        d = -1 if zi > 0 else 1          # fade del residuo
+        e = {"i": i, "d": d, "max_bars": max_bars}
+        if tp_atr is not None and np.isfinite(a[i]):
+            e["tp"] = c[i] + d * tp_atr * a[i]     # TP nella direzione del fade
+        if sl_atr is not None and np.isfinite(a[i]):
+            e["sl"] = c[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+def check_no_lookahead(asset: str, df: pd.DataFrame, fa: pd.DataFrame,
+                       z_thr: float, max_bars: int) -> bool:
+    """Perturba i prezzi DOPO un indice T e verifica che le entries con i<=T non
+    cambino (la entry-rule usa solo dati <= close[i])."""
+    rel = fa[f"rel_{asset}"].values.astype(float)
+    n = len(rel)
+    T = int(n * 0.6)
+
+    def z_of(relv):
+        s = pd.Series(relv)
+        mu = s.rolling(W).mean().values
+        sd = s.rolling(W).std(ddof=0).values
+        return (relv - mu) / np.where(sd > 0, sd, np.nan)
+
+    z0 = z_of(rel)
+    rel2 = rel.copy()
+    rel2[T + 1:] = rel2[T + 1:] + 0.05            # shock del futuro
+    z2 = z_of(rel2)
+
+    def ents_from(z):
+        out = []
+        for i in range(W, n - 1):
+            if i > T:
+                break
+            zi = z[i]
+            if np.isfinite(zi) and abs(zi) >= z_thr:
+                out.append((i, -1 if zi > 0 else 1))
+        return out
+
+    ok = ents_from(z0) == ents_from(z2)
+    print(f"  [no-look-ahead {asset}] entries i<=T={T} invarianti al futuro: "
+          f"{'OK' if ok else 'VIOLATO'}")
+    return ok
+
+
+def main():
+    F = features()
+    print(f"feature caricate: {F.shape[0]} barre, {F.shape[1]} colonne")
+
+    best = None
+    look_ok_all = True
+    for asset in ASSETS:
+        df = get_df(asset, "1h")
+        fa = align_to(F, df)
+        # un check no-look-ahead per asset (config centrale)
+        look_ok_all &= check_no_lookahead(asset, df, fa, z_thr=2.0, max_bars=24)
+        print(f"--- {asset} ---")
+        for z_thr in Z_GRID:
+            for mb in MB_GRID:
+                ents = build_entries(asset, df, fa, z_thr, mb, TP_ATR, SL_ATR)
+                if len(ents) < 30:
+                    continue
+                name = f"{asset} z{z_thr} mb{mb}"
+                res = evaluate(name, ents, df)
+                rb = robust(res)
+                score = res["oos"]["ret"] + res["full"]["ret"]
+                cand = {
+                    "asset": asset, "z": z_thr, "mb": mb,
+                    "full": res["full"]["ret"], "oos": res["oos"]["ret"],
+                    "fee02_oos": res["sweep_oos"][0.002],
+                    "dd": res["full"]["dd"], "sharpe": res["full"]["sharpe"],
+                    "pos_yrs": res["pos_yrs"], "n_yrs": res["n_yrs"],
+                    "robust": rb, "score": score, "trades": res["full"]["trades"],
+                }
+                # preferisci robuste; a parita' di robustezza, score piu' alto
+                if best is None or (cand["robust"], cand["score"]) > (best["robust"], best["score"]):
+                    best = cand
+
+    print("\n=== CELLA MIGLIORE ===")
+    if best:
+        print(f"  asset={best['asset']} z={best['z']} mb={best['mb']} trades={best['trades']}")
+        print(f"  FULL={best['full']:+.0f}% OOS={best['oos']:+.0f}% "
+              f"fee0.2%OOS={best['fee02_oos']:+.0f}% DD={best['dd']:.0f}% "
+              f"Sharpe={best['sharpe']:.2f} anniPos={best['pos_yrs']}/{best['n_yrs']} "
+              f"robust={best['robust']}")
+    print(f"  no-look-ahead tutti gli asset: {'OK' if look_ok_all else 'VIOLATO'}")
+    return best
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/dispersion_lab.py

@@ -0,0 +1,165 @@
+"""Harness CONDIVISO per la ricerca dispersion/correlation index (crypto).
+
+Feature CAUSALI (dalle sole close, nessun feed opzioni — la dispersion IMPLICITA
+non e' backtestabile, muro ARGO/GEX documentato). Calcolate sull'universo comune
+e allineabili a ogni singolo asset. Tutte note a close[i] (nessun look-ahead):
+
+  - avg_corr[W] : correlazione media a coppie dei log-rendimenti, rolling W (causale)
+  - disp[W]     : dispersione cross-sectional (std cross-asset del rendimento di barra),
+                  media rolling W
+  - idx_ret     : rendimento dell'"indice" equal-weight (proxy mercato)
+  - beta_<A>[W] : beta rolling dell'asset A vs indice
+  - rel_<A>     : rendimento di A meno rendimento indice (componente idiosincratica)
+
+Uso dagli agenti di ricerca:
+    from scripts.analysis.dispersion_lab import features, align_to, UNIVERSE, COMMON_START
+    from scripts.analysis.explore_lab import get_df, evaluate, robust
+    F = features()                       # DataFrame indicizzato per timestamp(ms)
+    df = get_df("ETH", "1h")
+    fa = align_to(F, df)                 # feature riallineate alle barre di df (ffill causale)
+    # ... costruisci entries causali (entry decisa con dati <= close[i]) ...
+    res = evaluate("nome", entries, df); robust(res)
+
+Check no-look-ahead: `python -m scripts.analysis.dispersion_lab` (perturba il futuro
+e verifica che le feature fino a T non cambino).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import get_df  # noqa: E402
+
+UNIVERSE = ["ADA", "BNB", "BTC", "DOGE", "ETH", "LTC", "SOL", "XRP"]
+COMMON_START = "2022-07-22"      # ultimo asset a entrare (LTC) -> universo completo
+WINDOWS = [24, 72, 168, 336]     # 1g, 3g, 1sett, 2sett in barre 1h
+_CACHE: dict | None = None
+
+
+def _panel():
+    """{asset: close-series} allineato sui timestamp comuni dell'universo (1h)."""
+    frames = {}
+    for a in UNIVERSE:
+        d = get_df(a, "1h")
+        frames[a] = pd.Series(d["close"].values, index=d["timestamp"].values, name=a)
+    P = pd.concat(frames, axis=1).dropna()
+    P = P[P.index >= int(pd.Timestamp(COMMON_START, tz="UTC").timestamp() * 1000)]
+    return P
+
+
+def _avg_pairwise_corr(R: np.ndarray, win: int) -> np.ndarray:
+    """Media delle correlazioni a coppie dei log-rendimenti su finestra rolling.
+    CAUSALE: la riga i usa R[i-win+1 .. i]. Vettoriale via media/var rolling delle
+    scommatorie (corr di Pearson per coppia, poi media off-diagonale)."""
+    n, m = R.shape
+    out = np.full(n, np.nan)
+    # somme rolling per asset
+    df = pd.DataFrame(R)
+    s = df.rolling(win).sum().values                  # Σx
+    ss = (df * df).rolling(win).sum().values          # Σx²
+    for i in range(win - 1, n):
+        w = R[i - win + 1:i + 1]                       # (win, m)
+        mean = s[i] / win
+        var = ss[i] / win - mean * mean
+        sd = np.sqrt(np.clip(var, 1e-18, None))
+        # matrice di covarianza della finestra
+        cov = (w.T @ w) / win - np.outer(mean, mean)
+        corr = cov / np.outer(sd, sd)
+        iu = np.triu_indices(m, k=1)
+        vals = corr[iu]
+        vals = vals[np.isfinite(vals)]
+        if vals.size:
+            out[i] = float(np.mean(vals))
+    return out
+
+
+_CACHE_FILE = PROJECT_ROOT / "data" / "regime" / "dispersion_features.parquet"
+
+
+def features(use_disk: bool = True) -> pd.DataFrame:
+    """DataFrame indicizzato per timestamp(ms) con le feature causali. Cache di
+    processo + cache su disco (i molti agenti di ricerca la caricano invece di
+    ricalcolarla; la corr rolling e' costosa)."""
+    global _CACHE
+    if _CACHE is not None:
+        return _CACHE
+    if use_disk and _CACHE_FILE.exists():
+        _CACHE = pd.read_parquet(_CACHE_FILE)
+        return _CACHE
+    P = _panel()
+    logp = np.log(P.values)
+    R = np.vstack([np.zeros((1, P.shape[1])), np.diff(logp, axis=0)])   # log-ret per barra
+    R[0] = 0.0
+    idx_ret = R.mean(axis=1)                                            # indice EW
+    out = pd.DataFrame(index=P.index)
+    out["idx_ret"] = idx_ret
+    # dispersione cross-sectional (std cross-asset del rendimento di barra) + medie rolling
+    xs = R.std(axis=1)
+    out["disp_bar"] = xs
+    for w in WINDOWS:
+        out[f"avg_corr_{w}"] = _avg_pairwise_corr(R, w)
+        out[f"disp_{w}"] = pd.Series(xs, index=P.index).rolling(w).mean().values
+    # componente idiosincratica e beta rolling vs indice (per ogni asset)
+    ir = pd.Series(idx_ret, index=P.index)
+    for k, a in enumerate(UNIVERSE):
+        ra = pd.Series(R[:, k], index=P.index)
+        out[f"rel_{a}"] = (ra - ir).values
+        for w in (72, 168):
+            cov = ra.rolling(w).cov(ir)
+            var = ir.rolling(w).var()
+            out[f"beta_{a}_{w}"] = (cov / var.replace(0, np.nan)).values
+    if use_disk:
+        _CACHE_FILE.parent.mkdir(parents=True, exist_ok=True)
+        out.to_parquet(_CACHE_FILE)
+    _CACHE = out
+    return out
+
+
+def align_to(F: pd.DataFrame, df: pd.DataFrame) -> pd.DataFrame:
+    """Riallinea le feature (indicizzate per ts comuni) alle barre di `df` (un asset),
+    con ffill CAUSALE (riempie in avanti: la feature a i usa l'ultima nota <= ts[i])."""
+    f = F.reindex(F.index.union(df["timestamp"].values)).sort_index().ffill()
+    return f.reindex(df["timestamp"].values).reset_index(drop=True)
+
+
+def _check_no_lookahead() -> bool:
+    """Perturba il FUTURO dei prezzi e verifica che le feature fino a T non cambino."""
+    global _CACHE
+    _CACHE = None
+    F0 = features().copy()
+    P = _panel()
+    T = int(len(P) * 0.6)
+    # perturbo le close DOPO T per tutti gli asset
+    P2 = P.copy()
+    P2.iloc[T + 1:] = P2.iloc[T + 1:] * 1.5
+    # ricostruisco le feature da P2 inline (stessa logica)
+    _CACHE = None
+    saved = globals()["_panel"]
+    globals()["_panel"] = lambda: P2
+    _CACHE = None
+    F1 = features()
+    globals()["_panel"] = saved
+    _CACHE = None
+    cols = [c for c in F0.columns if c.startswith(("avg_corr", "disp", "beta"))]
+    a = F0[cols].iloc[:T - max(WINDOWS)].values
+    b = F1[cols].iloc[:T - max(WINDOWS)].values
+    ok = np.allclose(np.nan_to_num(a), np.nan_to_num(b), atol=1e-9)
+    print(f"[no-look-ahead] feature fino a T={T} invarianti al futuro: {'OK' if ok else 'VIOLATO'}")
+    return ok
+
+
+if __name__ == "__main__":
+    F = features()
+    P = _panel()
+    print(f"universo {UNIVERSE}")
+    print(f"finestra comune: {pd.to_datetime(P.index[0], unit='ms', utc=True).date()} "
+          f"-> {pd.to_datetime(P.index[-1], unit='ms', utc=True).date()} ({len(P)} barre)")
+    print(f"feature: {list(F.columns)}")
+    print(F[[f'avg_corr_{w}' for w in WINDOWS]].describe().round(3).to_string())
+    _check_no_lookahead()

scripts/analysis/drift_monitor.py

@@ -0,0 +1,106 @@
+"""Drift monitor per-famiglia — il rolling-return corrente di ogni famiglia vs la
+DISTRIBUZIONE STORICA dei propri rolling-return (stessa finestra, storia 2021+).
+
+Non è un filtro di trading: è OSSERVABILITÀ (la protezione giusta contro il drift è
+accorgersene presto, non ritoccare i parametri — lezione 2026-06-11: le FADE al 2°
+percentile sul 120g sono state trovate a mano; questo script lo rende ripetibile).
+
+Percentile basso = la famiglia sta attraversando uno dei suoi tratti peggiori:
+  - sotto P_WARN (5%): segnalato — coerente con la coda storica, OSSERVARE;
+  - il PORT06 complessivo sotto P_WARN è più serio (la diversificazione non copre).
+Equity dal builder canonico (all_sleeve_equities → parità coi gate).
+
+    uv run python scripts/analysis/drift_monitor.py             # stampa
+    uv run python scripts/analysis/drift_monitor.py --telegram  # + invio Telegram
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.combine_portfolio import port_returns
+from scripts.portfolios._defs import PORTFOLIOS
+from src.portfolio.sleeves import all_sleeve_equities
+from src.portfolio import weighting as W
+
+WINDOWS = (60, 120)      # giorni
+P_WARN = 5.0             # percentile sotto cui segnalare
+
+
+def family_returns():
+    """Rendimenti daily per famiglia (equal-weight intra-famiglia) + PORT06 (pesi cap)."""
+    p = PORTFOLIOS["PORT06"]
+    eq = dict(all_sleeve_equities())
+    ids = list(p.sleeve_ids)
+    fams: dict[str, list] = {}
+    for i in ids:
+        fams.setdefault(W.family_of(i), []).append(i)
+    out = {}
+    for f, members in sorted(fams.items()):
+        out[f] = port_returns({i: eq[i] for i in members},
+                              {i: 1 / len(members) for i in members})
+    dr = pd.DataFrame({i: eq[i].pct_change().fillna(0.0) for i in ids})
+    w = W.weight_vector("cap", ids, dr, caps=p.caps, clusters=p.clusters)
+    out["PORT06"] = port_returns({i: eq[i] for i in ids}, w)
+    return out
+
+
+def drift_rows():
+    rows = []
+    for name, r in family_returns().items():
+        for win in WINDOWS:
+            # vettoriale (log1p+rolling sum) invece di apply(np.prod): identico
+            # numericamente, ~100x piu' veloce del callback Python per-finestra
+            roll = np.expm1(np.log1p(r).rolling(win).sum())
+            roll = roll.dropna()
+            if len(roll) < 100:
+                continue
+            cur = float(roll.iloc[-1])
+            pct = float((roll < cur).mean() * 100)
+            rows.append(dict(name=name, win=win, cur=cur * 100, pct=pct,
+                             p5=float(roll.quantile(0.05) * 100),
+                             med=float(roll.median() * 100)))
+    return rows
+
+
+def build_report(rows) -> tuple[str, bool]:
+    warn = [r for r in rows if r["pct"] < P_WARN]
+    L = ["📉 <b>Drift monitor</b> — rolling-return vs storia propria (2021+)"]
+    L.append("<pre>" + f"{'famiglia':<9}{'win':>5}{'corr%':>8}{'pct':>6}{'p5%':>8}{'med%':>7}")
+    for r in rows:
+        flag = " ⚠️" if r["pct"] < P_WARN else ""
+        L.append(f"{r['name']:<9}{r['win']:>4}g{r['cur']:>+8.1f}{r['pct']:>5.0f}%"
+                 f"{r['p5']:>+8.1f}{r['med']:>+7.1f}{flag}")
+    L.append("</pre>")
+    if warn:
+        names = ", ".join(f"{r['name']} {r['win']}g (p{r['pct']:.0f})" for r in warn)
+        L.append(f"⚠️ sotto il p{P_WARN:.0f} storico: {names} — coda storica della famiglia: "
+                 "OSSERVARE, non ritoccare i parametri (drift ≠ rottura; "
+                 "vedi docs/diary/2026-06-11-stability-sweep.md)")
+    else:
+        L.append(f"✅ tutte le famiglie sopra il p{P_WARN:.0f} storico")
+    return "\n".join(L), bool(warn)
+
+
+def main():
+    rows = drift_rows()
+    report, warned = build_report(rows)
+    import re
+    print(re.sub(r"</?(b|pre)>", "", report))
+    if "--telegram" in sys.argv:
+        from src.live.telegram_notifier import send_telegram
+        ok = send_telegram(report)
+        print(f"[telegram] inviato: {ok}")
+    return warned
+
+
+if __name__ == "__main__":
+    # exit code 1 su warn: utilizzabile da cron/script come canale d'allarme
+    # (coerente con reconcile_account; prima il bool era calcolato e buttato via)
+    sys.exit(1 if main() else 0)

scripts/analysis/eth_collar_gate.py

@@ -0,0 +1,126 @@
+"""Gate del CATASTROPHE-CAP auto-finanziato (collar standing) sullo sleeve ETH no-SL.
+
+Tesi: lo sleeve ETH no-SL ha la coda da crash (un long-fade puo' perdere -50/-65% in un
+gap). Un COLLAR standing rollato mensilmente — put lunga ~13% OTM finanziata da call corta
+~10% OTM — cappa quella coda a premio netto ~zero (validato sui premi REALI di cerbero-bite:
+put -13%≈1.0%/m IV55, call +10%≈1.05%/m IV49). Pricing BS calibrato sul reale: skew_put 1.12,
+skew_call 1.0. Caveat: il collar aggiunge delta SHORT-ETH con dead-zone -p/+c -> cappa anche
+l'upside; nei mesi tranquilli (ETH dentro la banda) costa ~zero. Il gate dice se aiuta netto.
+
+uv run python scripts/analysis/eth_collar_gate.py
+"""
+from __future__ import annotations
+import sys
+from pathlib import Path
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import get_df
+from scripts.analysis.combine_portfolio import IDX, SPLIT, OOS_DATE, metrics, port_returns, _norm
+from scripts.analysis.option_overlay_lab import dvol_for, bs_put, bs_call
+from scripts.analysis.mr02eth_port06_gate import (
+    gen_donchian_base, build_trades, build_trades_exit16, daily_equity, port_metrics, CAPS)
+from src.portfolio.sleeves import all_sleeve_equities
+
+HY = 24 * 365.0
+
+
+def collar_daily_returns(df, dvol, p_otm=0.13, c_otm=0.10, skew_put=1.12, skew_call=1.0,
+                         roll_h=24 * 30) -> pd.Series:
+    """Collar standing rollato ogni roll_h ore. Ritorna la SERIE di rendimenti GIORNALIERI
+    (frazione del notional collar): MTM = d(intrinseco) - theta (premio netto amortizzato)."""
+    c = df["close"].values; ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    n = len(c)
+    val = np.zeros(n)          # valore collar (frac notional) marcato a intrinseco - premio residuo
+    T = roll_h / HY
+    k = 0
+    while k < n - 1:
+        S0 = c[k]; sig = dvol[k] if not np.isnan(dvol[k]) else 0.6
+        Kp = S0 * (1 - p_otm); Kc = S0 * (1 + c_otm)
+        prem = bs_put(S0, Kp, T, sig * skew_put) / S0 - bs_call(S0, Kc, T, sig * skew_call) / S0
+        end = min(k + roll_h, n - 1)
+        span = end - k
+        for j in range(k, end + 1):
+            intr = (max(Kp - c[j], 0.0) - max(c[j] - Kc, 0.0)) / S0
+            frac_elapsed = (j - k) / span if span else 1.0
+            val[j] = intr - prem * (1 - frac_elapsed)   # premio pagato up-front, amortizzato a 0 a scadenza
+        k = end
+    s = pd.Series(val, index=ts)
+    daily = s.resample("1D").last().reindex(IDX).ffill().bfill()
+    return daily.diff().fillna(0.0)     # rendimento giornaliero (frac notional)
+
+
+def combine(fade_eq: pd.Series, collar_dr: pd.Series, hedge_frac: float) -> pd.Series:
+    """sleeve = fade no-SL + hedge_frac * collar. Combina i rendimenti giornalieri."""
+    fr = fade_eq.pct_change().fillna(0.0)
+    return _norm((1 + fr + hedge_frac * collar_dr).cumprod())
+
+
+def crash_audit(df, dvol, p_otm, c_otm, hedge_frac):
+    """P&L del collar nei mesi di crollo ETH peggiori (frac notional)."""
+    cr = collar_daily_returns(df, dvol, p_otm=p_otm, c_otm=c_otm)
+    # ETH daily ret mensile
+    cdf = pd.Series(df["close"].values, index=pd.to_datetime(df["timestamp"], unit="ms", utc=True)).resample("1D").last().reindex(IDX).ffill()
+    mret = cdf.resample("30D").last().pct_change()
+    collar_m = (1 + cr).resample("30D").apply(lambda x: x.prod()) - 1
+    worst = mret.nsmallest(5)
+    print(f"    {'mese (fine)':>12}{'ETH 30g%':>10}{'collar P&L%':>13}")
+    for t, r in worst.items():
+        cm = collar_m.reindex([t], method="nearest").iloc[0] * hedge_frac * 100
+        print(f"    {str(t.date()):>12}{r*100:>9.0f}%{cm:>12.1f}%")
+
+
+def main():
+    print("=" * 96)
+    print(f"  GATE collar standing (catastrophe-cap) sullo sleeve ETH no-SL | OOS da {OOS_DATE}")
+    print("=" * 96)
+    df = get_df("ETH", "1h"); dvol = dvol_for(df, "ETH")
+    eq = dict(all_sleeve_equities())
+    ids = [k for k in eq if k in {"MR01_BTC","MR02_BTC","MR07_BTC","MR01_ETH","MR02_ETH","MR07_ETH",
+        "DIP01_BTC","TR01_basket","ROT02_rot","PR_ETHBTC","PR_LTCETH","PR_ADAETH","PR_BTCLTC","PR_ETHSOL","TSM01","SH_BTC","SH_ETH"}]
+    base_ents = gen_donchian_base(df, n=20, sl_atr=2.0, trend_max=3.0)
+    nosl_ents = gen_donchian_base(df, n=20, sl_atr=2.0, trend_max=3.0, use_sl=False)
+
+    def pm(ce):
+        m = dict(eq); m["MR02_ETH"] = ce; return port_metrics(m, ids)
+
+    f_l, o_l = pm(daily_equity(build_trades_exit16(base_ents, df, sl_confirm=0.5), df))
+    fade_nosl = daily_equity(build_trades(nosl_ents, df), df)
+    f0, o0 = pm(fade_nosl)
+    print(f"\n  {'sleeve ETH':<30s}{'FULL Sh':>8s}{'FULL DD':>8s}   |{'OOS Sh':>8s}{'OOS DD':>8s}")
+    print("  " + "-" * 78)
+    print(f"  {'LIVE EXIT-16 (rif)':<30s}{f_l['sharpe']:>8.2f}{f_l['dd']:>8.2f}   |{o_l['sharpe']:>8.2f}{o_l['dd']:>8.2f}")
+    print(f"  {'no-SL nudo':<30s}{f0['sharpe']:>8.2f}{f0['dd']:>8.2f}   |{o0['sharpe']:>8.2f}{o0['dd']:>8.2f}")
+
+    configs = [
+        ("put13/call10 hf0.45", 0.13, 0.10, 0.45),
+        ("put13/call10 hf0.30", 0.13, 0.10, 0.30),
+        ("put15/call12 hf0.45", 0.15, 0.12, 0.45),
+        ("put20/call15 hf0.45", 0.20, 0.15, 0.45),
+        ("put13/call08 hf0.45", 0.13, 0.08, 0.45),
+    ]
+    rows = []
+    for name, p, cc, hf in configs:
+        cr = collar_daily_returns(df, dvol, p_otm=p, c_otm=cc)
+        ce = combine(fade_nosl, cr, hf)
+        f_c, o_c = pm(ce)
+        rows.append((name, p, cc, hf, f_c, o_c))
+        print(f"  {'no-SL + '+name:<30s}{f_c['sharpe']:>8.2f}{f_c['dd']:>8.2f}   |{o_c['sharpe']:>8.2f}{o_c['dd']:>8.2f}")
+
+    print("\n  " + "=" * 90)
+    print(f"  vs LIVE EXIT-16 (FULL {f_l['sharpe']:.2f}/{f_l['dd']:.2f} OOS {o_l['sharpe']:.2f}/{o_l['dd']:.2f}) e vs no-SL")
+    print("  " + "-" * 90)
+    for name, p, cc, hf, f_c, o_c in rows:
+        print(f"  {name:<22s} Δ vsEXIT16 FULL {f_c['sharpe']-f_l['sharpe']:+.2f}/{f_c['dd']-f_l['dd']:+.2f} "
+              f"OOS {o_c['sharpe']-o_l['sharpe']:+.2f}/{o_c['dd']-o_l['dd']:+.2f}  | "
+              f"Δ vsNoSL DD {f_c['dd']-f0['dd']:+.2f}")
+
+    print("\n  --- audit crash: P&L collar (hf-scaled) nei 5 mesi ETH peggiori (put13/call10 hf0.45) ---")
+    crash_audit(df, dvol, 0.13, 0.10, 0.45)
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit16_port06_impact.py

@@ -0,0 +1,143 @@
+"""TEST DECISIVO: impatto di EXIT-16 (close_confirm_sl, buffer=0.5 ATR) sul PORT06,
+nel PATH CANONICO del backtest (NON exit_lab).
+
+EXIT-16: lo SL intrabar e' DISATTIVATO; si esce al close del bar j solo se il close
+ha sfondato il livello di buffer*ATR14:
+  long  (d=1):  esci a close[j] se close[j] < sl0 - 0.5*atr14[j]
+  short (d=-1): esci a close[j] se close[j] > sl0 + 0.5*atr14[j]
+TP intrabar al livello e max_bars al close restano INVARIATI.
+
+Metodo (come fu fatto per il loss-guard Hurst):
+  1. build_everything() canonico -> equity giornaliere di TUTTI gli sleeve (cache intatta).
+  2. ricostruisco le 6 equity fade in variante EXIT-16 replicando ESATTAMENTE
+     fade_daily_equity/build_trades (stessi segnali fn(df,**params), trend_max=3.0,
+     fee 0.10%RT*lev3, pos 0.15, compounding, non-overlap), cambiando SOLO il ramo SL.
+  3. PARITA': con la SL-rule originale il replay deve riprodurre le equity canoniche.
+  4. PORT06 base vs EXIT-16 con la STESSA matematica dei pesi (Portfolio.backtest):
+     weighting cap, caps PAIRS 0.33, ribilancio 1D, metriche FULL e OOS.
+
+NB: la leva 2x del portfolios.yml NON entra nel backtest (Portfolio.backtest la ignora;
+e' un knob live). Le equity fade gia' includono lev=3 dentro build_trades.
+"""
+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.data.downloader import load_data
+from scripts.analysis.risk_management import strats_for
+from scripts.analysis.combine_portfolio import OOS_DATE
+from scripts.analysis._port06_gate_common import (
+    build_trades_variant, equity_from_trades, port_metrics, dd as _dd,
+)
+from scripts.portfolios._defs import PORTFOLIOS
+
+
+def fade_equity_variant(asset, fn, params, mode):
+    """Stesso flusso di combine_portfolio.fade_daily_equity ma con build_trades_variant."""
+    df = load_data(asset, "1h")
+    trades = build_trades_variant(fn(df, **params), df, mode=mode, trend_max=3.0)
+    return equity_from_trades(df, trades)
+
+
+def main():
+    p = PORTFOLIOS["PORT06"]
+    fade_ids = [s.sid for s in p.sleeves if s.sid.startswith("MR")]
+    print("=" * 96)
+    print("  TEST DECISIVO EXIT-16 (close_confirm_sl buffer=0.5 ATR) su PORT06 — path canonico")
+    print(f"  fade sleeve: {fade_ids}")
+    print("=" * 96)
+
+    # --- 1. equity canoniche di TUTTI gli sleeve (cache intatta) ---
+    print("\n[1] build_everything() canonico (pesante, ~2-3 min)...")
+    from src.portfolio.sleeves import all_sleeve_equities
+    eq_base = dict(all_sleeve_equities())  # {sid: equity giornaliera}
+    print(f"    sleeve totali: {len(eq_base)}")
+
+    # --- 2. PARITA': replay 'orig' deve riprodurre le equity canoniche ---
+    print("\n[2] PARITA' replay (mode=orig) vs canonico (fade_daily_equity):")
+    print(f"    {'sleeve':<10s}{'corr':>10s}{'ret_canon%':>14s}{'ret_replay%':>14s}{'diff%':>9s}")
+    parity_ok = True
+    eq_orig, eq_e16 = {}, {}
+    for asset in ("BTC", "ETH"):
+        for nm, (fn, params) in strats_for(asset).items():
+            sid = f"{nm}_{asset}"
+            if sid not in fade_ids:
+                continue
+            eq_orig[sid] = fade_equity_variant(asset, fn, params, mode="orig")
+            eq_e16[sid] = fade_equity_variant(asset, fn, params, mode="exit16")
+            base = eq_base[sid]
+            rep = eq_orig[sid]
+            corr = base.pct_change().fillna(0).corr(rep.pct_change().fillna(0))
+            rb = (base.iloc[-1] / base.iloc[0] - 1) * 100
+            rr = (rep.iloc[-1] / rep.iloc[0] - 1) * 100
+            diff = rr - rb
+            flag = "" if (corr > 0.999 and abs(diff) <= max(1.0, abs(rb) * 0.01)) else "  <-- MISMATCH"
+            if flag:
+                parity_ok = False
+            print(f"    {sid:<10s}{corr:>10.5f}{rb:>14.1f}{rr:>14.1f}{diff:>+9.2f}{flag}")
+    print(f"\n    PARITA' {'OK' if parity_ok else 'FALLITA'} "
+          f"(corr>0.999 e ret finale entro 1%).")
+    if not parity_ok:
+        print("\n    >>> Parita' non raggiunta: NON forzo. Diagnostico sopra. STOP.")
+        return
+
+    # --- 3. PORT06 base vs EXIT-16: stessi pesi cap, stessa matematica ---
+    members_base = dict(eq_base)
+    members_e16 = dict(eq_base)
+    for sid in fade_ids:
+        members_e16[sid] = eq_e16[sid]  # sostituisco SOLO le 6 colonne fade
+
+    # pesi cap canonici (gli stessi che usa Portfolio.backtest) dentro port_metrics
+    f_b, o_b = port_metrics(members_base, p)
+    f_e, o_e = port_metrics(members_e16, p)
+
+    print("\n" + "=" * 96)
+    print(f"  [3] PORT06 — pesi={p.weighting} caps={p.caps} | OOS da {OOS_DATE} | leva3x interna fade, pos0.15")
+    print("=" * 96)
+    print(f"  {'variante':<14s}{'FULL Sh':>9s}{'FULL DD%':>10s}{'FULL CAGR':>11s}"
+          f"   | {'OOS Sh':>8s}{'OOS DD%':>9s}{'OOS CAGR':>10s}")
+    print("  " + "-" * 90)
+    print(f"  {'BASE':<14s}{f_b['sharpe']:>9.2f}{f_b['dd']:>10.2f}{f_b['cagr']:>10.0f}%"
+          f"   | {o_b['sharpe']:>8.2f}{o_b['dd']:>9.2f}{o_b['cagr']:>9.0f}%")
+    print(f"  {'EXIT-16':<14s}{f_e['sharpe']:>9.2f}{f_e['dd']:>10.2f}{f_e['cagr']:>10.0f}%"
+          f"   | {o_e['sharpe']:>8.2f}{o_e['dd']:>9.2f}{o_e['cagr']:>9.0f}%")
+    print("  " + "-" * 90)
+    print(f"  {'DELTA':<14s}{f_e['sharpe']-f_b['sharpe']:>+9.2f}{f_e['dd']-f_b['dd']:>+10.2f}"
+          f"{f_e['cagr']-f_b['cagr']:>+10.0f}%   | {o_e['sharpe']-o_b['sharpe']:>+8.2f}"
+          f"{o_e['dd']-o_b['dd']:>+9.2f}{o_e['cagr']-o_b['cagr']:>+9.0f}%")
+
+    # --- per-sleeve fade: differenze principali ---
+    print("\n  Per-sleeve fade (equity FULL ret%, EXIT-16 vs orig-replay):")
+    print(f"    {'sleeve':<10s}{'orig ret%':>12s}{'exit16 ret%':>14s}{'delta%':>10s}"
+          f"{'orig DD%':>10s}{'e16 DD%':>10s}")
+    for sid in fade_ids:
+        ro = eq_orig[sid]; re = eq_e16[sid]
+        rro = (ro.iloc[-1] / ro.iloc[0] - 1) * 100
+        rre = (re.iloc[-1] / re.iloc[0] - 1) * 100
+        print(f"    {sid:<10s}{rro:>12.1f}{rre:>14.1f}{rre-rro:>+10.1f}"
+              f"{_dd(ro):>10.1f}{_dd(re):>10.1f}")
+
+    # --- GATE ---
+    print("\n" + "=" * 96)
+    print("  GATE (stesso del loss-guard): PROMOSSO se OOS Sharpe migliora/pari E DD non peggiora")
+    print("              materialmente, E in FULL non degrada.")
+    print("=" * 96)
+    oos_sh_ok = o_e['sharpe'] >= o_b['sharpe'] - 0.02
+    oos_dd_ok = o_e['dd'] <= o_b['dd'] + 0.20            # no peggioramento materiale DD
+    full_ok = f_e['sharpe'] >= f_b['sharpe'] - 0.02 and f_e['dd'] <= f_b['dd'] + 0.20
+    promoted = oos_sh_ok and oos_dd_ok and full_ok
+    print(f"  OOS Sharpe {o_b['sharpe']:.2f} -> {o_e['sharpe']:.2f} "
+          f"({'OK' if oos_sh_ok else 'KO'})")
+    print(f"  OOS DD%    {o_b['dd']:.2f} -> {o_e['dd']:.2f} "
+          f"({'OK' if oos_dd_ok else 'KO'})")
+    print(f"  FULL Sharpe {f_b['sharpe']:.2f} -> {f_e['sharpe']:.2f} | "
+          f"FULL DD {f_b['dd']:.2f} -> {f_e['dd']:.2f} ({'OK' if full_ok else 'KO'})")
+    print("\n  VERDETTO: " + (">>> PROMOSSO <<<" if promoted else ">>> BOCCIATO <<<"))
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit_lab.py

@@ -0,0 +1,259 @@
+"""EXIT LAB — harness onesto e CONDIVISO per la ricerca di policy di uscita
+(TP dinamico, SL dinamico/trailing, partial, ride) sulle fade attive.
+
+Ricerca 2026-06-04 (>=20 agenti): ogni agente implementa una ExitPolicy in
+scripts/analysis/exit_policies/<id>_<nome>.py e la valuta QUI, sugli STESSI
+segnali (cache su disco) e con lo stesso engine intrabar di fade_base.
+
+CONTRATTO ANTI-LOOK-AHEAD (vincolante, verra' verificato da agenti avversari):
+  - i livelli attivi nel bar j (`levels(j)`) possono usare SOLO dati <= j-1
+    (il worker live li fissa al close del bar precedente, poi il bar j li tocca);
+  - `after_bar(j)` decide sul CLOSE del bar j (eseguibile al poll del tick);
+  - indicatori: usare l'indice j-1 degli array causali (es. ctx["atr14"][j-1]).
+
+PROTOCOLLO ANTI-OVERFIT (vincolante):
+  - TRAIN = storico fino al 2023-11-01, OOS = dopo. La SELEZIONE dei parametri
+    si fa SOLO sul train; l'OOS si guarda una volta, per il verdetto.
+  - gate: il miglioramento deve tenere su ENTRAMBI gli asset e su TUTTE e 3 le
+    strategie (train E oos), con plateau sulla griglia (non una cella isolata).
+  - fee 0.10% RT x leva su tutto il notional; nessuna fee scontata sui limit.
+
+Baseline = exit attuale (TP/SL fissi dall'entrata + max_bars): la parita' con
+`partial_tp_ladder.py --base` e' verificata da `parity_check()`.
+
+    uv run python scripts/analysis/exit_lab.py          # build cache + parity check
+"""
+from __future__ import annotations
+
+import pickle
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.data.downloader import load_data            # noqa: E402
+from src.live.strategy_loader import load_strategy   # noqa: E402
+
+LIVE_PARAMS = dict(trend_max=3.0, ema_long=200, hurst_max=0.55, min_tp_frac=0.0015)
+OOS_START_MS = int(pd.Timestamp("2023-11-01", tz="UTC").value // 1e6)
+LEV, POS, FEE_RT = 3.0, 0.15, 0.001
+CODES = ["MR01_bollinger_fade", "MR02_donchian_fade", "MR07_return_reversal"]
+ASSETS = ("BTC", "ETH")
+CACHE = PROJECT_ROOT / "data" / "cache" / "exit_lab_signals.pkl"
+HARD_CAP = 240        # bound assoluto ai bar in posizione (policy "ride" comprese)
+
+
+# ----------------------------------------------------------------------------- dati
+
+def _atr14(h: np.ndarray, l: np.ndarray, c: np.ndarray) -> np.ndarray:
+    pc = np.roll(c, 1); pc[0] = c[0]
+    tr = np.maximum(h - l, np.maximum(np.abs(h - pc), np.abs(l - pc)))
+    return pd.Series(tr).rolling(14).mean().values
+
+
+def load_sleeves(refresh: bool = False) -> dict:
+    """{(code, asset): sleeve} con cache. sleeve = {signals, open, high, low,
+    close, ts_ms, atr14}. signals = [(i, d, tp0, sl0, mb), ...] dai params LIVE."""
+    if CACHE.exists() and not refresh:
+        with open(CACHE, "rb") as f:
+            return pickle.load(f)
+    out = {}
+    for code in CODES:
+        strat = load_strategy(code)
+        for asset in ASSETS:
+            df = load_data(asset, "1h")
+            ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+            sigs = strat.generate_signals(df, ts, **LIVE_PARAMS)
+            h = df["high"].values.astype(float)
+            l = df["low"].values.astype(float)
+            c = df["close"].values.astype(float)
+            out[(code, asset)] = {
+                "signals": [(int(s.idx), int(s.direction), float(s.metadata["tp"]),
+                             float(s.metadata["sl"]), int(s.metadata["max_bars"]))
+                            for s in sigs],
+                "open": df["open"].values.astype(float),
+                "high": h, "low": l, "close": c,
+                "ts_ms": df["timestamp"].values.astype(np.int64),
+                "atr14": _atr14(h, l, c),
+            }
+            print(f"  cache {code} {asset}: {len(sigs)} segnali, {len(c)} barre "
+                  f"({ts.iloc[0].date()} -> {ts.iloc[-1].date()})")
+    CACHE.parent.mkdir(parents=True, exist_ok=True)
+    with open(CACHE, "wb") as f:
+        pickle.dump(out, f)
+    return out
+
+
+# ----------------------------------------------------------------------------- policy
+
+class ExitPolicy:
+    """Baseline = exit live attuale. Le sottoclassi ridefinisco levels/after_bar.
+
+    Una ISTANZA per trade. `ctx` e' il dict sleeve (array completi + indicatori
+    aggiunti da prepare()): per contratto si legge SOLO fino a j-1 in levels(j)
+    e fino a j in after_bar(j)/on_partial(j).
+    """
+    name = "base"
+
+    @classmethod
+    def prepare(cls, ctx: dict, **params) -> None:
+        """Pre-calcola array causali per-sleeve (una volta), es. SMA/EMA."""
+
+    def __init__(self, ctx: dict, i: int, d: int, entry: float,
+                 tp0: float, sl0: float, mb: int, **params):
+        self.ctx, self.i, self.d, self.entry = ctx, i, d, entry
+        self.tp0, self.sl0, self.mb = tp0, sl0, mb
+        self.horizon = mb                     # le sottoclassi possono estendere (cap HARD_CAP)
+
+    def levels(self, j: int):
+        """Livelli ATTIVI nel bar j -> (tp, sl, tp_frac). None = livello assente.
+        tp_frac = quota del RESIDUO che esce al tocco del TP (1.0 = tutta)."""
+        return self.tp0, self.sl0, 1.0
+
+    def on_partial(self, j: int, price: float, remaining: float) -> None:
+        """Notifica del fill parziale al TP nel bar j (aggiorna lo stato qui)."""
+
+    def after_bar(self, j: int) -> bool:
+        """True = chiudi il residuo al close[j] (decisione sul close, eseguibile)."""
+        return False
+
+
+# ----------------------------------------------------------------------------- engine
+
+def simulate(policy_cls, sleeve: dict, params: dict | None = None,
+             start_ms: int | None = None, end_ms: int | None = None) -> dict:
+    """Replay intrabar dei segnali dello sleeve con la policy. SL prioritario
+    sul TP nello stesso bar (conservativo); fill parziali pesati; max_bars/
+    horizon esce al close; non-overlap (una posizione per volta)."""
+    params = params or {}
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = FEE_RT * LEV
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = 0
+    bars_tot = 0
+    rets = []
+
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), HARD_CAP)
+        fills: list[tuple[float, float]] = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:                                  # conservativo: SL prima del TP
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            if step == horizon:
+                fills.append((remaining, c[j])); remaining = 0.0
+        if remaining > 1e-9:                            # safety (non dovrebbe accadere)
+            fills.append((remaining, c[j]))
+
+        ret = sum(f * (p - entry) for f, p in fills) / entry * d * LEV - fee
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        trades += 1
+        wins += ret > 0
+        bars_tot += j - i
+        rets.append(ret)
+
+    if trades == 0:
+        return {}
+    r = np.array(rets)
+    return {
+        "ret_pct": (capital / 1000.0 - 1) * 100,
+        "dd_pct": max_dd * 100,
+        "trades": trades,
+        "win_pct": wins / trades * 100,
+        "avg_ret_bps": r.mean() * 1e4,
+        "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0,
+        "avg_bars": bars_tot / trades,
+    }
+
+
+# ----------------------------------------------------------------------------- report
+
+def evaluate(policy_cls, grid: list[dict], data: dict | None = None,
+             quiet: bool = False) -> dict:
+    """Protocollo train/OOS su tutta la griglia. La selezione dei parametri va
+    fatta SUL TRAIN (l'OOS si riporta, non si ottimizza). Ritorna dict
+    {params_str: {sleeve: {train: {...}, oos: {...}}}} + baseline."""
+    data = data or load_sleeves()
+    out: dict = {}
+    rows = [("base", ExitPolicy, {})] + [
+        (", ".join(f"{k}={v}" for k, v in g.items()) or "default", policy_cls, g)
+        for g in grid]
+    for tag, cls, g in rows:
+        out[tag] = {}
+        for (code, asset), sleeve in data.items():
+            key = f"{code.split('_')[0]} {asset}"
+            tr = simulate(cls, sleeve, g, end_ms=OOS_START_MS)
+            oo = simulate(cls, sleeve, g, start_ms=OOS_START_MS)
+            out[tag][key] = {"train": tr, "oos": oo}
+            if not quiet:
+                print(f"{tag:<28}{key:<10}"
+                      f"TRAIN ret{tr.get('ret_pct', 0):>7.0f}% dd{tr.get('dd_pct', 0):>5.1f} "
+                      f"sh{tr.get('sharpe_t', 0):>5.2f} n{tr.get('trades', 0):>4} | "
+                      f"OOS ret{oo.get('ret_pct', 0):>6.0f}% dd{oo.get('dd_pct', 0):>5.1f} "
+                      f"sh{oo.get('sharpe_t', 0):>5.2f} n{oo.get('trades', 0):>4} "
+                      f"bars{oo.get('avg_bars', 0):>5.1f}")
+    return out
+
+
+def parity_check() -> None:
+    """La baseline qui deve riprodurre i numeri FULL di partial_tp_ladder (base):
+    MR01 BTC ~92%/13.8dd, MR01 ETH ~194%/16.5dd, MR02 ETH ~2135%/16.2dd..."""
+    data = load_sleeves()
+    print("\nParity check baseline (FULL, atteso = partial_tp_ladder base):")
+    expected = {("MR01_bollinger_fade", "BTC"): 92, ("MR01_bollinger_fade", "ETH"): 194,
+                ("MR02_donchian_fade", "BTC"): 129, ("MR02_donchian_fade", "ETH"): 2135,
+                ("MR07_return_reversal", "BTC"): 78, ("MR07_return_reversal", "ETH"): 115}
+    ok = True
+    for key, sleeve in data.items():
+        r = simulate(ExitPolicy, sleeve)
+        exp = expected[key]
+        match = abs(r["ret_pct"] - exp) < 1.0
+        ok &= match
+        print(f"  {key[0].split('_')[0]} {key[1]}: ret {r['ret_pct']:.0f}% "
+              f"(atteso ~{exp}) {'OK' if match else 'MISMATCH'}")
+    print("PARITY", "OK" if ok else "FAILED")
+
+
+if __name__ == "__main__":
+    load_sleeves(refresh="--refresh" in sys.argv)
+    parity_check()

scripts/analysis/exit_policies/01_trail_atr_ride.py

@@ -0,0 +1,75 @@
+"""EXIT-01 — trail_atr_ride: TP RIMOSSO, cavalcata pura con SL trailing chandelier.
+
+Idea: le fade mean-reversion escono oggi al TP fisso (alla media) + SL + max_bars.
+Qui togliamo il TP e lasciamo correre il trade, proteggendolo con un SL trailing
+"chandelier" a k*ATR dal massimo favorevole raggiunto. Lo stop puo' solo stringersi
+(mai allargarsi). Orizzonte esteso (cap HARD_CAP=240) per dare spazio al runner.
+
+  Long:  stop(j) = max( sl0, max(high[i..j-1]) - k*atr14[j-1] )   (sale, mai scende)
+  Short: stop(j) = min( sl0, min(low[i..j-1])  + k*atr14[j-1] )   (scende, mai sale)
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1:
+  - massimo/minimo favorevole sullo slice [i .. j-1] (mantenuto incrementalmente,
+    aggiornato col bar j-1 prima di calcolare lo stop attivo nel bar j);
+  - atr14[j-1] (indice causale).
+Nessun TP -> nessun fill parziale. after_bar non usato (chiusura solo a orizzonte/SL).
+
+GRID: k in {2.0, 3.0, 4.0} x horizon_mult in {2, 4}  (6 celle). horizon = mult*mb cap 240.
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP
+
+
+class TrailAtrRide(ExitPolicy):
+    name = "trail_atr_ride"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, k=3.0, horizon_mult=4, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = float(k)
+        self.horizon = min(int(horizon_mult) * mb, HARD_CAP)
+        # estremo favorevole sullo slice [i..j-1]; inizializzato al bar di entrata i
+        # (il primo bar valutato e' j=i+1, dove lo slice [i..j-1]=[i..i] e' noto).
+        self.fav_high = ctx["high"][i]
+        self.fav_low = ctx["low"][i]
+        self._last_seen = i           # ultimo indice gia' incorporato nell'estremo
+        # stop trailing monotono: parte da sl0 e puo' solo stringersi
+        self.cur_stop = sl0
+
+    def levels(self, j):
+        h = self.ctx["high"]
+        l = self.ctx["low"]
+        atr = self.ctx["atr14"]
+        # incorpora i bar fino a j-1 (dati causali, gia' chiusi al poll del bar j)
+        while self._last_seen < j - 1:
+            self._last_seen += 1
+            if h[self._last_seen] > self.fav_high:
+                self.fav_high = h[self._last_seen]
+            if l[self._last_seen] < self.fav_low:
+                self.fav_low = l[self._last_seen]
+        a = atr[j - 1]
+        if a != a:                    # NaN nei primi 14 bar -> resta sullo stop corrente
+            return None, self.cur_stop, 1.0
+        if self.d == 1:
+            cand = self.fav_high - self.k * a
+            if cand > self.cur_stop:  # lo stop long puo' solo SALIRE (stringersi)
+                self.cur_stop = cand
+        else:
+            cand = self.fav_low + self.k * a
+            if cand < self.cur_stop:  # lo stop short puo' solo SCENDERE (stringersi)
+                self.cur_stop = cand
+        return None, self.cur_stop, 1.0   # TP rimosso
+
+
+GRID = [
+    {"k": k, "horizon_mult": m}
+    for k in (2.0, 3.0, 4.0)
+    for m in (2, 4)
+]
+
+
+if __name__ == "__main__":
+    evaluate(TrailAtrRide, GRID)

scripts/analysis/exit_policies/02_trail_atr_keep_tp.py

@@ -0,0 +1,68 @@
+"""EXIT-02 — trail_atr_keep_tp.
+
+Chandelier trailing stop a k*ATR dall'estremo favorevole RAGGIUNTO dall'entrata,
+MA il TP fisso tp0 dall'entrata RESTA attivo: si esce al PRIMO dei due (il TP al
+livello, oppure il trail). horizon = max_bars (invariato).
+
+Stop attivo nel bar j (solo dati <= j-1, anti-look-ahead):
+  long : chand = max(high[i..j-1]) - k*atr14[j-1];  sl = max(sl0, chand)
+  short: chand = min(low[i..j-1])  + k*atr14[j-1];  sl = min(sl0, chand)
+
+Il max(sl0, chand) (per il long) tiene la protezione iniziale a sl0 e lascia che
+il trail TIGHTEN solo quando il prezzo corre a favore -> "ride" controllato che
+non allenta mai il rischio iniziale. Il TP non viene toccato: una fade che torna
+alla media esce comunque al TP come la base; il trail morde solo quando il TP non
+viene raggiunto e il prezzo ha prima corso a favore e poi ritracciato.
+
+GRID: k in {1.5, 2.0, 3.0, 4.0} (4 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class TrailATRKeepTP(ExitPolicy):
+    name = "trail_atr_keep_tp"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = float(params.get("k", 2.0))
+        self.high = ctx["high"]
+        self.low = ctx["low"]
+        self.atr = ctx["atr14"]
+        # estremo favorevole running (solo barre <= j-1); init = barra d'entrata i
+        self.run_hi = self.high[i]
+        self.run_lo = self.low[i]
+        self.last_seen = i  # ultimo indice gia' incorporato nel running extremum
+
+    def _update_running(self, upto: int) -> None:
+        """Incorpora le barre (last_seen, upto] nell'estremo running. upto = j-1,
+        quindi NON tocca il bar j (anti-look-ahead)."""
+        while self.last_seen < upto:
+            self.last_seen += 1
+            if self.high[self.last_seen] > self.run_hi:
+                self.run_hi = self.high[self.last_seen]
+            if self.low[self.last_seen] < self.run_lo:
+                self.run_lo = self.low[self.last_seen]
+
+    def levels(self, j: int):
+        self._update_running(j - 1)            # solo dati <= j-1
+        a = self.atr[j - 1]
+        if a is None or a != a:                # NaN -> nessun trail, usa sl0
+            return self.tp0, self.sl0, 1.0
+        if self.d == 1:
+            chand = self.run_hi - self.k * a
+            sl = max(self.sl0, chand)          # piu' protettivo (stop piu' alto)
+        else:
+            chand = self.run_lo + self.k * a
+            sl = min(self.sl0, chand)          # piu' protettivo (stop piu' basso)
+        return self.tp0, sl, 1.0
+
+
+GRID = [{"k": 1.5}, {"k": 2.0}, {"k": 3.0}, {"k": 4.0}]
+
+
+if __name__ == "__main__":
+    evaluate(TrailATRKeepTP, GRID)

scripts/analysis/exit_policies/03_trail_pct.py

@@ -0,0 +1,85 @@
+"""EXIT-03 — trail_pct: trailing percentuale dall'high-water-mark favorevole (sui CLOSE).
+
+Idea: invece di un trail ATR (EXIT-01/02), lo stop segue l'estremo favorevole
+RAGGIUNTO dai CLOSE a una distanza percentuale fissa p. Lo stop puo' solo
+stringersi (mai allentarsi sotto sl0 lato rischio).
+
+  Long : hwm = max(close[i..j-1]);  stop(j) = max(sl0, hwm*(1-p))   (sale, mai scende)
+  Short: lwm = min(close[i..j-1]);  stop(j) = min(sl0, lwm*(1+p))   (scende, mai sale)
+
+Due varianti:
+  keep_tp=True  -> il TP fisso tp0 dall'entrata RESTA attivo (esci al primo dei due),
+                   horizon = max_bars (invariato). Il trail morde solo se il TP non
+                   viene raggiunto e il prezzo ha prima corso a favore e poi ritracciato.
+  keep_tp=False -> TP RIMOSSO (cavalcata pura), horizon = 2*max_bars (cap HARD_CAP).
+                   Si esce solo sul trailing-stop o a orizzonte.
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1:
+  - hwm/lwm sullo slice [i..j-1] dei CLOSE (mantenuto incrementalmente col bar j-1);
+  - p e' una costante -> nessuna dipendenza da indicatori del bar j.
+  L'hwm sui close (non sugli high) e' deliberato: il close e' il dato su cui il
+  worker live decide al poll del tick; un hwm sugli high anticiperebbe un livello
+  che il close non ha ancora confermato.
+
+GRID: p in {0.005, 0.01, 0.02} x keep_tp in {True, False}  (6 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP  # noqa: E402
+
+
+class TrailPct(ExitPolicy):
+    name = "trail_pct"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb,
+                 p=0.01, keep_tp=True, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.p = float(p)
+        self.keep_tp = bool(keep_tp)
+        if not self.keep_tp:
+            self.horizon = min(2 * mb, HARD_CAP)
+        self.close = ctx["close"]
+        # high/low-water-mark sui CLOSE, solo barre <= j-1; init = close d'entrata i
+        self.hwm = self.close[i]
+        self.lwm = self.close[i]
+        self.last_seen = i           # ultimo indice gia' incorporato
+        # stop trailing monotono: parte da sl0 e puo' solo stringersi
+        self.cur_stop = sl0
+
+    def _update_wm(self, upto: int) -> None:
+        """Incorpora le barre (last_seen, upto] nell'estremo sui close. upto = j-1
+        -> NON tocca il bar j (anti-look-ahead)."""
+        while self.last_seen < upto:
+            self.last_seen += 1
+            cv = self.close[self.last_seen]
+            if cv > self.hwm:
+                self.hwm = cv
+            if cv < self.lwm:
+                self.lwm = cv
+
+    def levels(self, j: int):
+        self._update_wm(j - 1)                  # solo dati <= j-1
+        if self.d == 1:
+            cand = self.hwm * (1.0 - self.p)
+            if cand > self.cur_stop:            # lo stop long puo' solo SALIRE
+                self.cur_stop = cand
+        else:
+            cand = self.lwm * (1.0 + self.p)
+            if cand < self.cur_stop:            # lo stop short puo' solo SCENDERE
+                self.cur_stop = cand
+        tp = self.tp0 if self.keep_tp else None
+        return tp, self.cur_stop, 1.0
+
+
+GRID = [
+    {"p": p, "keep_tp": kt}
+    for p in (0.005, 0.01, 0.02)
+    for kt in (True, False)
+]
+
+
+if __name__ == "__main__":
+    evaluate(TrailPct, GRID)

scripts/analysis/exit_policies/04_breakeven.py

@@ -0,0 +1,74 @@
+"""EXIT-04 — breakeven (protezione).
+
+Quando il profitto su CLOSE supera k*ATR(entry) (ATR fissato all'entrata,
+atr14[i]), sposta lo SL a BREAKEVEN = entry +/- buffer. Il buffer e' a favore
+(0.2% = 2*fee_rt*entry) cosi' l'uscita a BE non e' in perdita per le fee. Il TP
+fisso tp0 RESTA invariato. horizon = max_bars (invariato).
+
+Una volta armato il breakeven, lo SL non torna mai indietro (cliquet): protegge
+il profitto gia' maturato senza allentare il rischio.
+
+Stop attivo nel bar j (solo dati <= j-1, anti-look-ahead):
+  - trigger: si arma quando close[j-1] e' a favore di >= k*atr14[i] dall'entrata
+    (atr14[i] = ATR all'entrata, costante; close[j-1] = ultimo close noto).
+  - prima dell'arm: sl = sl0 (protezione iniziale invariata).
+  - dopo l'arm:
+      long : be = entry + buffer; sl = max(sl0, be)
+      short: be = entry - buffer; sl = min(sl0, be)
+    NB max/min con sl0 fa si' che lo SL non venga mai ALLENTATO: se sl0 fosse
+    gia' oltre il BE (raro), resta sl0. Tipicamente sl0 e' sotto entry (long) e
+    il BE lo alza -> stop piu' protettivo.
+
+GRID: k in {0.5, 1.0, 1.5} x buffer_frac in {0.0, 0.002} (6 celle).
+  buffer = buffer_frac * entry. buffer_frac 0.002 = 0.2% = 2*fee_rt a favore.
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class Breakeven(ExitPolicy):
+    name = "breakeven"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = float(params.get("k", 1.0))
+        self.buffer_frac = float(params.get("buffer_frac", 0.002))
+        self.close = ctx["close"]
+        self.atr = ctx["atr14"]
+        self.atr_entry = self.atr[i]            # ATR all'entrata, costante
+        self.buffer = self.buffer_frac * entry
+        self.armed = False
+
+    def levels(self, j: int):
+        # arma il breakeven usando SOLO close[j-1] (ultimo close noto) e atr14[i]
+        if not self.armed and self.atr_entry is not None and self.atr_entry == self.atr_entry:
+            cprev = self.close[j - 1]
+            profit = (cprev - self.entry) * self.d        # >0 = a favore
+            if profit >= self.k * self.atr_entry:
+                self.armed = True
+        if not self.armed:
+            return self.tp0, self.sl0, 1.0
+        if self.d == 1:
+            be = self.entry + self.buffer
+            sl = max(self.sl0, be)              # non allenta mai
+        else:
+            be = self.entry - self.buffer
+            sl = min(self.sl0, be)
+        return self.tp0, sl, 1.0
+
+
+GRID = [
+    {"k": 0.5, "buffer_frac": 0.0},
+    {"k": 0.5, "buffer_frac": 0.002},
+    {"k": 1.0, "buffer_frac": 0.0},
+    {"k": 1.0, "buffer_frac": 0.002},
+    {"k": 1.5, "buffer_frac": 0.0},
+    {"k": 1.5, "buffer_frac": 0.002},
+]
+
+
+if __name__ == "__main__":
+    evaluate(Breakeven, GRID)

scripts/analysis/exit_policies/05_ratchet.py

@@ -0,0 +1,93 @@
+"""EXIT-05 — ratchet: stop a cricchetto sul profitto su close (high-water-mark).
+
+Idea: una volta che il trade ha messo a segno profitto (su CLOSE), proteggiamo
+una FRAZIONE f del profitto migliore raggiunto. hwm = miglior close a favore visto
+finora; quando hwm e' a favore dell'entrata, lo stop si porta a
+  long :  stop = entry + f*(hwm - entry)
+  short:  stop = entry - f*(entry - hwm)
+Lo stop e' SOLO-STRINGENTE (cricchetto): puo' solo avvicinarsi al prezzo, mai
+allentarsi. Parte da sl0 (protezione iniziale invariata finche' il ratchet non
+supera sl0).
+
+Differenza dal trailing chandelier (EXIT-01): qui lo stop e' ancorato all'ENTRY
++ frazione del profitto su close (non al massimo high - k*ATR). Cattura profitto
+in % del guadagno realizzato; con f<1 lascia un cuscinetto sotto l'hwm.
+
+VARIANTI:
+  - keep_tp=True : il TP fisso tp0 resta (exit standard alla media) + ratchet di
+    backup sullo SL. horizon = max_bars.
+  - keep_tp=False: TP RIMOSSO -> ride puro protetto dal cricchetto, horizon=2*mb
+    (cap HARD_CAP). Qui il ratchet e' l'unica uscita oltre l'orizzonte.
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1:
+  - hwm calcolato sui close[i .. j-1] (mantenuto incrementalmente, aggiornato col
+    bar j-1 prima di calcolare lo stop attivo nel bar j; close[i]=entry e' incluso
+    cosi' hwm>=entry sempre, lo stop non scende mai sotto entry una volta armato).
+Nessun TP nella variante ride -> nessun fill parziale. after_bar non usato.
+
+GRID: f in {0.3, 0.5, 0.7} x keep_tp in {True, False} (6 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP  # noqa: E402
+
+
+class Ratchet(ExitPolicy):
+    name = "ratchet"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, f=0.5, keep_tp=True, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.f = float(f)
+        self.keep_tp = bool(keep_tp)
+        self.close = ctx["close"]
+        if not self.keep_tp:
+            self.horizon = min(2 * mb, HARD_CAP)
+        # high-water-mark del close a favore sullo slice [i..j-1]; il primo bar
+        # valutato e' j=i+1 -> slice [i..i] = close[i] = entry (gia' incorporato).
+        self.hwm = self.close[i]                # = entry
+        self._last_seen = i
+        self.armed = False                      # diventa True quando hwm > entry (a favore)
+        # stop a cricchetto: parte da sl0, puo' solo stringersi
+        self.cur_stop = sl0
+
+    def levels(self, j: int):
+        c = self.close
+        d = self.d
+        # incorpora i close fino a j-1 (causali, gia' chiusi al poll del bar j)
+        while self._last_seen < j - 1:
+            self._last_seen += 1
+            cv = c[self._last_seen]
+            if d == 1:
+                if cv > self.hwm:
+                    self.hwm = cv
+            else:
+                if cv < self.hwm:
+                    self.hwm = cv
+        tp = self.tp0 if self.keep_tp else None
+        # profitto su close del miglior bar a favore (>=0 perche' hwm parte da entry)
+        prof = (self.hwm - self.entry) * d
+        if prof > 0:                            # il trade e' andato a favore: arma il ratchet
+            self.armed = True
+            if d == 1:
+                cand = self.entry + self.f * (self.hwm - self.entry)
+                if cand > self.cur_stop:        # cricchetto: lo stop long solo SALE
+                    self.cur_stop = cand
+            else:
+                cand = self.entry - self.f * (self.entry - self.hwm)
+                if cand < self.cur_stop:        # cricchetto: lo stop short solo SCENDE
+                    self.cur_stop = cand
+        return tp, self.cur_stop, 1.0
+
+
+GRID = [
+    {"f": f, "keep_tp": keep_tp}
+    for f in (0.3, 0.5, 0.7)
+    for keep_tp in (True, False)
+]
+
+
+if __name__ == "__main__":
+    evaluate(Ratchet, GRID)

scripts/analysis/exit_policies/06_sar_trail.py

@@ -0,0 +1,84 @@
+"""EXIT-06 — sar_trail: Parabolic SAR semplificato come trailing stop, TP rimosso.
+
+Idea: come EXIT-01 (cavalcata pura senza TP), ma lo stop trailing non e' un
+chandelier a k*ATR fisso bensi' un Parabolic SAR semplificato che ACCELERA: il
+fattore af parte a 0.02 e cresce di af_step ad ogni NUOVO estremo favorevole
+(cap af_max). Lo stop si avvicina sempre piu' in fretta al prezzo man mano che il
+trade corre nella direzione giusta -> protegge i runner stringendo aggressivamente.
+
+  sar(j) = sar(j-1) + af * (ep - sar(j-1))     con ep = estremo favorevole (high long / low short)
+  stop attivo nel bar j = max(sl0, sar)   long   (min(sl0, sar) short)
+  af: 0.02 -> +af_step ad ogni nuovo ep -> cap af_max
+
+TP RIMOSSO, horizon = 4*mb (cap HARD_CAP=240).
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1. L'estremo favorevole `ep` e lo
+stato SAR vengono aggiornati incorporando i bar fino a j-1 (gia' chiusi al poll
+del bar j). sar(j-1) -> sar(j) usa ep aggiornato a j-1. Nessun dato del bar j.
+Nessun TP -> nessun fill parziale; after_bar non usato (uscita solo a SL/orizzonte).
+
+GRID: af_max in {0.1, 0.2} x af_step in {0.02, 0.04}  (4 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP
+
+
+class SarTrail(ExitPolicy):
+    name = "sar_trail"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, af_max=0.2, af_step=0.02, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.af_max = float(af_max)
+        self.af_step = float(af_step)
+        self.horizon = min(4 * mb, HARD_CAP)
+        # estremo favorevole (ep) sullo slice [i..j-1]; inizializzato al bar di entrata
+        self.ep = ctx["high"][i] if d == 1 else ctx["low"][i]
+        self.af = 0.02
+        # SAR iniziale: lo stop di partenza (sl0). Il SAR converge verso ep dall'sl0.
+        self.sar = sl0
+        self._last_seen = i           # ultimo indice gia' incorporato nello stato SAR
+        self.cur_stop = sl0           # stop monotono (solo si stringe)
+
+    def _step(self, idx):
+        """Incorpora il bar `idx` (causale, <= j-1) aggiornando ep, af e sar."""
+        h = self.ctx["high"][idx]
+        l = self.ctx["low"][idx]
+        # avanza il SAR di un passo verso l'estremo favorevole corrente
+        self.sar = self.sar + self.af * (self.ep - self.sar)
+        # nuovo estremo favorevole? -> accelera
+        if self.d == 1:
+            if h > self.ep:
+                self.ep = h
+                self.af = min(self.af + self.af_step, self.af_max)
+        else:
+            if l < self.ep:
+                self.ep = l
+                self.af = min(self.af + self.af_step, self.af_max)
+
+    def levels(self, j):
+        # incorpora i bar fino a j-1 (gia' chiusi al poll del bar j)
+        while self._last_seen < j - 1:
+            self._last_seen += 1
+            self._step(self._last_seen)
+        if self.d == 1:
+            if self.sar > self.cur_stop:   # lo stop long puo' solo SALIRE (stringersi)
+                self.cur_stop = self.sar
+        else:
+            if self.sar < self.cur_stop:   # lo stop short puo' solo SCENDERE
+                self.cur_stop = self.sar
+        return None, self.cur_stop, 1.0    # TP rimosso
+
+
+GRID = [
+    {"af_max": am, "af_step": st}
+    for am in (0.1, 0.2)
+    for st in (0.02, 0.04)
+]
+
+
+if __name__ == "__main__":
+    evaluate(SarTrail, GRID)

scripts/analysis/exit_policies/07_tp_decay.py

@@ -0,0 +1,73 @@
+"""EXIT-07 — TP dinamico che DECADE col tempo (verso breakeven).
+
+PRIOR (vincolante, ieri SCARTATO un ladder 80/20): il TP delle fade sta alla
+MEDIA, e li' il movimento e' esaurito -> il prezzo spesso NON arriva al TP e il
+trade muore a max_bars (close) o sullo SL. Idea di questa famiglia: invece di
+tenere il TP fisso al target ambizioso (la media), farlo DECADERE col passare
+delle barre verso un target piu' modesto (breakeven che copre le fee, o meta'
+strada). Cosi' un trade che s'e' avvicinato ma non ha toccato il TP pieno puo'
+essere chiuso in profitto/pareggio prima di scadere a max_bars potenzialmente
+in perdita. SL FISSO (sl0) invariato. horizon = max_bars invariato.
+
+TP attivo nel bar j:
+    frac(j) = clamp( ((j - i) / mb) * speed , 0, 1 )
+    tp(j)   = tp0 + frac(j) * (target_fin - tp0)
+  - frac dipende SOLO da j (indice di tempo) e da costanti note all'entrata
+    (i, mb, speed) -> NESSUN dato > j-1 -> anti-look-ahead OK per costruzione.
+  - long  (d=+1): tp0 > entry; target_fin <= tp0 -> il TP SCENDE verso entry.
+  - short (d=-1): tp0 < entry; target_fin >= tp0 -> il TP SALE verso entry.
+  - speed>1: il TP raggiunge il target finale prima della fine (clamp a 1).
+
+target_fin (param "target"):
+  - "breakeven": entry*(1 + d*0.003) -> copre 0.3% (~ fee 0.10%RT + margine).
+    Per long sta sopra entry, per short sotto: chiudere li' NON e' in perdita.
+  - "halfway"  : (entry + tp0)/2 -> meta' strada fra entry e il TP pieno.
+
+GRID: speed in {0.5, 1.0, 1.5} x target in {breakeven, halfway} (6 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class TpDecay(ExitPolicy):
+    name = "tp_decay"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.speed = float(params.get("speed", 1.0))
+        target = str(params.get("target", "breakeven"))
+        if target == "breakeven":
+            self.target_fin = entry * (1.0 + d * 0.003)
+        elif target == "halfway":
+            self.target_fin = 0.5 * (entry + tp0)
+        else:
+            raise ValueError(f"target sconosciuto: {target}")
+        # mb puo' essere 0 in teoria; protezione
+        self.mb_eff = max(int(mb), 1)
+
+    def levels(self, j: int):
+        # frac dipende SOLO dal tempo (j - i), mb, speed: costanti note all'entrata
+        frac = ((j - self.i) / self.mb_eff) * self.speed
+        if frac < 0.0:
+            frac = 0.0
+        elif frac > 1.0:
+            frac = 1.0
+        tp = self.tp0 + frac * (self.target_fin - self.tp0)
+        return tp, self.sl0, 1.0
+
+
+GRID = [
+    {"speed": 0.5, "target": "breakeven"},
+    {"speed": 1.0, "target": "breakeven"},
+    {"speed": 1.5, "target": "breakeven"},
+    {"speed": 0.5, "target": "halfway"},
+    {"speed": 1.0, "target": "halfway"},
+    {"speed": 1.5, "target": "halfway"},
+]
+
+
+if __name__ == "__main__":
+    evaluate(TpDecay, GRID)

scripts/analysis/exit_policies/08_sl_tighten.py

@@ -0,0 +1,77 @@
+"""EXIT-08 — SL che si STRINGE linearmente col tempo (time-based stop tighten).
+
+Lo stop iniziale sl0 si avvicina linearmente a un livello d'arrivo `target`
+man mano che il trade invecchia. TP fisso (tp0) e horizon=max_bars invariati.
+
+  frac(j) = clamp( (j - i) / (mb * stretch), 0, 1 )
+  sl(j)   = sl0 + frac(j) * (target - sl0)
+
+  target ("arrivo"):
+    - "entry"    -> entry            (a fine corsa lo stop e' a breakeven)
+    - "midpoint" -> (entry + sl0)/2  (a fine corsa lo stop e' a meta' strada)
+
+Direzioni: il segno e' gestito dalla geometria di sl0 vs entry.
+  long  (d=1):  sl0 < entry  -> target >= sl0 -> lo stop SALE verso entry
+  short (d=-1): sl0 > entry  -> target <= sl0 -> lo stop SCENDE verso entry
+In entrambi i casi lo stop si stringe (avvicina al prezzo d'ingresso) col tempo.
+
+stretch:
+  - 1.0 : lo stop raggiunge `target` a max_bars (fine horizon).
+  - 2.0 : lo stop raggiunge `target` a 2*max_bars -> stringe a META' velocita',
+          quindi a max_bars e' solo a meta' del cammino sl0->target (piu' lasco).
+
+ANTI-LOOK-AHEAD: sl(j) dipende SOLO da {i, j, mb, stretch, entry, sl0}, tutti
+noti all'ENTRATA (close[i]). Nessun dato del bar j o successivi entra nel livello
+attivo nel bar j. Il TP resta tp0. -> contratto rispettato per costruzione.
+
+MECCANISMO ATTESO: stringere lo stop col tempo taglia prima i trade che ristagnano
+(non vanno al TP ne' allo SL iniziale e scadrebbero a max_bars vicino al BE/in
+perdita). Rischio: stoppa fuori trade che sarebbero rientrati verso il TP (la fade
+e' mean-reversion: il movimento contrario e' spesso transitorio) -> puo' alzare lo
+stop-rate effettivo e tagliare winner ritardatari.
+
+GRID: stretch in {1.0, 2.0} x target in {entry, midpoint} (4 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class SlTighten(ExitPolicy):
+    name = "sl_tighten"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.stretch = float(params.get("stretch", 1.0))
+        self.target_kind = str(params.get("target", "entry"))
+        if self.target_kind == "entry":
+            self.target = entry
+        elif self.target_kind == "midpoint":
+            self.target = 0.5 * (entry + sl0)
+        else:
+            raise ValueError(f"target sconosciuto: {self.target_kind}")
+        self.denom = max(self.mb * self.stretch, 1e-9)
+
+    def levels(self, j: int):
+        # frac dipende solo da i, j, mb, stretch -> noti all'entrata. No look-ahead.
+        frac = (j - self.i) / self.denom
+        if frac < 0.0:
+            frac = 0.0
+        elif frac > 1.0:
+            frac = 1.0
+        sl = self.sl0 + frac * (self.target - self.sl0)
+        return self.tp0, sl, 1.0
+
+
+GRID = [
+    {"stretch": 1.0, "target": "entry"},
+    {"stretch": 1.0, "target": "midpoint"},
+    {"stretch": 2.0, "target": "entry"},
+    {"stretch": 2.0, "target": "midpoint"},
+]
+
+
+if __name__ == "__main__":
+    evaluate(SlTighten, GRID)

scripts/analysis/exit_policies/09_tp_extend_momentum.py

@@ -0,0 +1,114 @@
+"""EXIT-09 — tp_extend_momentum: cavalca il momentum OLTRE il TP.
+
+Idea: le fade escono al TP fisso (alla media). Ma quando il movimento NON e'
+esaurito e sfonda il TP in chiusura, vogliamo provare a cavalcarlo invece di
+prendere solo il TP. State machine a 2 fasi:
+
+  FASE A (default, TP intatto): tp = tp0, sl = sl0. Exit standard alla media.
+    Finche' close[j-1] NON ha superato tp0 in chiusura, ci si comporta come base.
+
+  FASE B (armata quando close[j-1] supera tp0 a favore):
+    - TP RIMOSSO (None): non si esce piu' al livello fisso;
+    - attiva un trail "chandelier" a k*ATR ancorato all'ESTREMO favorevole visto
+      DAL bar di superamento in poi (high per long, low per short);
+    - FLOOR a tp0: lo stop trailing non scende mai sotto tp0 (long) / non sale mai
+      sopra tp0 (short), cosi' NON si esce MAI peggio del TP originale. Lo stop e'
+      inoltre solo-stringente (cricchetto): puo' solo avvicinarsi al prezzo.
+
+  Trigger di arma (su close[j-1], a favore):
+    long :  close[j-1] > tp0   ->   arma
+    short:  close[j-1] < tp0   ->   arma
+
+  Trail attivo (FASE B), con floor a tp0:
+    long :  stop = max( tp0, fav_high_post - k*atr14[j-1] )   (cricchetto: solo sale)
+    short:  stop = min( tp0, fav_low_post  + k*atr14[j-1] )   (cricchetto: solo scende)
+
+Orizzonte esteso a 3*mb (cap HARD_CAP=240) per dare spazio al runner post-TP.
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1:
+  - il trigger di arma legge close[j-1] (gia' chiuso al poll del bar j);
+  - l'estremo favorevole post-superamento e' sullo slice [arm_idx .. j-1]
+    (mantenuto incrementalmente, incorporando i bar fino a j-1);
+  - atr14[j-1] (indice causale).
+Nessun fill parziale (tp_frac sempre 1.0). after_bar non usato.
+
+GRID: k in {1.0, 2.0, 3.0} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP  # noqa: E402
+
+
+class TpExtendMomentum(ExitPolicy):
+    name = "tp_extend_momentum"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, k=2.0, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = float(k)
+        self.horizon = min(3 * mb, HARD_CAP)
+        self.close = ctx["close"]
+        self.high = ctx["high"]
+        self.low = ctx["low"]
+        self.atr = ctx["atr14"]
+        # FASE A finche' armed=False. Si arma quando close[j-1] supera tp0 a favore.
+        self.armed = False
+        self.arm_idx = None              # bar dal quale si ancora l'estremo favorevole
+        self.fav_high = None             # estremo favorevole post-superamento (long)
+        self.fav_low = None              # estremo favorevole post-superamento (short)
+        self._last_seen = i              # ultimo close gia' esaminato per il trigger
+        self._fav_seen = None            # ultimo bar gia' incorporato nell'estremo
+        # stop trailing monotono in FASE B: parte dal floor tp0, solo si stringe
+        self.cur_stop = None
+
+    def levels(self, j: int):
+        c = self.close
+        d = self.d
+        # ---- FASE A -> controlla l'arma sui close fino a j-1 (causali) -----------
+        if not self.armed:
+            while self._last_seen < j - 1:
+                self._last_seen += 1
+                cv = c[self._last_seen]
+                crossed = (cv > self.tp0) if d == 1 else (cv < self.tp0)
+                if crossed:
+                    # arma: ancora l'estremo favorevole DAL bar di superamento
+                    self.armed = True
+                    self.arm_idx = self._last_seen
+                    self.fav_high = self.high[self.arm_idx]
+                    self.fav_low = self.low[self.arm_idx]
+                    self._fav_seen = self.arm_idx
+                    self.cur_stop = self.tp0       # floor di partenza = tp0
+                    break
+            if not self.armed:
+                return self.tp0, self.sl0, 1.0     # ancora FASE A: TP/SL fissi
+
+        # ---- FASE B -> TP rimosso, trail chandelier ancorato post-superamento -----
+        # incorpora i bar [arm_idx .. j-1] nell'estremo favorevole (dati causali)
+        while self._fav_seen < j - 1:
+            self._fav_seen += 1
+            if self.high[self._fav_seen] > self.fav_high:
+                self.fav_high = self.high[self._fav_seen]
+            if self.low[self._fav_seen] < self.fav_low:
+                self.fav_low = self.low[self._fav_seen]
+        a = self.atr[j - 1]
+        if a == a:                                 # non-NaN
+            if d == 1:
+                cand = self.fav_high - self.k * a
+                cand = max(cand, self.tp0)         # floor: mai sotto il TP
+                if cand > self.cur_stop:           # cricchetto: solo sale
+                    self.cur_stop = cand
+            else:
+                cand = self.fav_low + self.k * a
+                cand = min(cand, self.tp0)         # floor: mai sopra il TP
+                if cand < self.cur_stop:           # cricchetto: solo scende
+                    self.cur_stop = cand
+        return None, self.cur_stop, 1.0            # TP rimosso in FASE B
+
+
+GRID = [{"k": k} for k in (1.0, 2.0, 3.0)]
+
+
+if __name__ == "__main__":
+    evaluate(TpExtendMomentum, GRID)

scripts/analysis/exit_policies/10_tp_moving_mean.py

@@ -0,0 +1,79 @@
+"""EXIT-10 — tp_moving_mean: il TP INSEGUE la media corrente (non quello fisso).
+
+PRIOR (vincolante): le fade puntano alla MEDIA. Oggi il TP e' CONGELATO all'entrata
+(tp0 = SMA_n(close) al close[i-1]). Ma la media SI MUOVE durante il trade: se il
+prezzo ci mette qualche barra a rientrare, la media si e' gia' spostata. Idea:
+ridefinire il TP come la SMA_n corrente -> tp(j) = SMA_n(close)[j-1]. Il target
+"segue" la media verso cui la fade punta, invece di mirare a una media stantia.
+
+  long  (d=+1): si compra sotto la media -> tp(j) = SMA_n[j-1] (sopra entry, di norma).
+  short (d=-1): si vende sopra la media  -> tp(j) = SMA_n[j-1] (sotto entry, di norma).
+
+CAP ONESTO (anti exit-in-perdita): se la media si muove CONTRO (long: media scende
+sotto entry; short: media sale sopra entry), il TP diventerebbe un'uscita in perdita
+mascherata. Lo evitiamo:
+    long : tp(j) = max(tp(j), entry*(1+0.002))
+    short: tp(j) = min(tp(j), entry*(1-0.002))
+0.002 (~ 0.10% RT fee + margine) garantisce che il tocco del TP sia >= breakeven.
+
+SL FISSO (sl0) invariato; horizon = max_bars invariato.
+
+ANTI-LOOK-AHEAD: prepare() precalcola sma_n = rolling(n).mean() su close (causale,
+ogni valore dipende solo da close <= quel-indice). In levels(j) si legge sma_n[j-1]
+-> solo dati <= j-1, mai il bar j. SL e horizon invariati. OK per costruzione.
+
+GRID: n in {20, 50, 100} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class TpMovingMean(ExitPolicy):
+    name = "tp_moving_mean"
+
+    @classmethod
+    def prepare(cls, ctx, **params):
+        n = int(params.get("n", 50))
+        key = f"sma_{n}"
+        if key not in ctx:
+            c = ctx["close"]
+            ctx[key] = pd.Series(c).rolling(n).mean().values
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        n = int(params.get("n", 50))
+        self.sma = ctx[f"sma_{n}"]
+        # cap onesto: il TP non puo' diventare un'uscita in perdita
+        if d == 1:
+            self.cap = entry * (1.0 + 0.002)
+        else:
+            self.cap = entry * (1.0 - 0.002)
+
+    def levels(self, j: int):
+        # SOLO dati <= j-1
+        m = self.sma[j - 1]
+        if not np.isfinite(m):
+            # warmup della SMA non ancora pronto -> ricadi sul TP fisso d'entrata
+            return self.tp0, self.sl0, 1.0
+        if self.d == 1:
+            tp = max(m, self.cap)
+        else:
+            tp = min(m, self.cap)
+        return tp, self.sl0, 1.0
+
+
+GRID = [
+    {"n": 20},
+    {"n": 50},
+    {"n": 100},
+]
+
+
+if __name__ == "__main__":
+    evaluate(TpMovingMean, GRID)

scripts/analysis/exit_policies/11_z_overshoot.py

@@ -0,0 +1,93 @@
+"""EXIT-11 — z_overshoot: TP OLTRE la media (overshoot di z_off deviazioni std).
+
+PRIOR (vincolante): le fade puntano alla MEDIA. Oggi il TP e' la SMA_n al close[i-1].
+Ipotesi di questa famiglia: la reversione spesso NON si ferma esattamente alla media,
+ma la attraversa (overshoot). Spostando il TP un po' OLTRE la media nella direzione
+del trade catturiamo l'overshoot quando c'e', al prezzo di mancare alcuni TP che si
+fermano alla media (che poi rientrano o vengono presi da max_bars/SL).
+
+  tp(j) = SMA_n[j-1] + d * z_off * STD_n[j-1]
+
+  long  (d=+1): si compra sotto la media -> TP = media + z_off*std (sopra la media: piu' lontano).
+  short (d=-1): si vende sopra la media  -> TP = media - z_off*std (sotto la media: piu' lontano).
+
+In ENTRAMBI i casi il TP si allontana di z_off*std OLTRE la media nella direzione
+del profitto -> target piu' ambizioso. NB: lo z e' un overshoot ADDIZIONALE rispetto
+alla media corrente; la media stessa si muove (come EXIT-10) quindi il target insegue
+la media + overshoot.
+
+CAP ONESTO (anti exit-in-perdita): se la media + overshoot finisce contro l'entry
+(media e' gia' scappata oltre entry contro di noi), il TP non deve diventare un'uscita
+in perdita mascherata. Floor a breakeven+fee come EXIT-10:
+    long : tp(j) = max(tp(j), entry*(1+0.002))
+    short: tp(j) = min(tp(j), entry*(1-0.002))
+
+SL FISSO (sl0) invariato; horizon = max_bars invariato.
+
+ANTI-LOOK-AHEAD: prepare() precalcola sma_n = rolling(n).mean() e std_n =
+rolling(n).std(ddof=0) su close (causali: ogni valore dipende solo da close <= indice).
+In levels(j) si legge sma_n[j-1] e std_n[j-1] -> solo dati <= j-1, mai il bar j.
+SL e horizon invariati. OK per costruzione.
+
+GRID: n in {20, 50} x z_off in {0.25, 0.5} (4 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class ZOvershoot(ExitPolicy):
+    name = "z_overshoot"
+
+    @classmethod
+    def prepare(cls, ctx, **params):
+        n = int(params.get("n", 50))
+        kmean = f"sma_{n}"
+        kstd = f"std_{n}"
+        if kmean not in ctx or kstd not in ctx:
+            c = pd.Series(ctx["close"])
+            ctx[kmean] = c.rolling(n).mean().values
+            ctx[kstd] = c.rolling(n).std(ddof=0).values
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        n = int(params.get("n", 50))
+        self.z_off = float(params.get("z_off", 0.5))
+        self.sma = ctx[f"sma_{n}"]
+        self.std = ctx[f"std_{n}"]
+        # cap onesto: il TP non puo' diventare un'uscita in perdita
+        if d == 1:
+            self.cap = entry * (1.0 + 0.002)
+        else:
+            self.cap = entry * (1.0 - 0.002)
+
+    def levels(self, j: int):
+        # SOLO dati <= j-1
+        m = self.sma[j - 1]
+        s = self.std[j - 1]
+        if not (np.isfinite(m) and np.isfinite(s)):
+            # warmup non pronto -> ricadi sul TP fisso d'entrata
+            return self.tp0, self.sl0, 1.0
+        tp = m + self.d * self.z_off * s
+        if self.d == 1:
+            tp = max(tp, self.cap)
+        else:
+            tp = min(tp, self.cap)
+        return tp, self.sl0, 1.0
+
+
+GRID = [
+    {"n": 20, "z_off": 0.25},
+    {"n": 20, "z_off": 0.5},
+    {"n": 50, "z_off": 0.25},
+    {"n": 50, "z_off": 0.5},
+]
+
+
+if __name__ == "__main__":
+    evaluate(ZOvershoot, GRID)

scripts/analysis/exit_policies/12_partial_tp_trail.py

@@ -0,0 +1,98 @@
+"""EXIT-12 — partial_tp_trail: partial AL TP PIENO, poi il runner CORRE col trail.
+
+Idea (diversa dal ladder 80/20 gia' SCARTATO, che metteva uno stop FISSO alla
+soglia 80% del TP): qui il partial avviene AL TP PIENO (tp0, alla media), esce una
+frazione q del trade, e il RESIDUO resta SENZA TP, protetto da un trailing
+chandelier k*ATR ancorato all'estremo favorevole raggiunto DOPO il partial; il
+floor dello stop e' tp0 -> il profitto al livello TP e' LOCKATO (il runner non
+puo' mai chiudere peggio di tp0). horizon esteso a 3*mb (cap HARD_CAP) per dare
+spazio al runner.
+
+  Fase 1 (pre-partial): exit standard = (tp0, sl0). Al tocco di tp0 esce q.
+  Fase 2 (post-partial): TP rimosso. Trail sul residuo:
+    Long :  stop(j) = max( tp0, max(high[part..j-1]) - k*atr14[j-1] )  (solo sale)
+    Short:  stop(j) = min( tp0, min(low [part..j-1]) + k*atr14[j-1] )  (solo scende)
+  floor = tp0 -> profitto lockato al livello TP, MAI peggio.
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1:
+  - estremo favorevole post-partial sullo slice [part .. j-1] (mantenuto
+    incrementalmente, aggiornato col bar j-1 prima di calcolare lo stop in j);
+  - atr14[j-1] (indice causale).
+  on_partial(j) registra solo l'indice del bar di partial (j) e il prezzo (tp0):
+  l'estremo della fase 2 parte da high/low del bar di partial j (<= j, ma il primo
+  bar valutato in fase 2 e' j+1, slice [j..j] noto al poll di j+1 -> causale).
+
+GRID: q in {0.5, 0.7} x k in {2.0, 3.0}  (4 celle). tp_frac=q.
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP  # noqa: E402
+
+
+class PartialTpTrail(ExitPolicy):
+    name = "partial_tp_trail"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, q=0.5, k=3.0, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.q = float(q)
+        self.k = float(k)
+        self.horizon = min(3 * mb, HARD_CAP)
+        self.high = ctx["high"]
+        self.low = ctx["low"]
+        self.atr = ctx["atr14"]
+        # stato fase 2 (post-partial)
+        self.partial_idx = None        # bar in cui e' avvenuto il partial (None = fase 1)
+        self.fav_high = None           # estremo favorevole sullo slice [partial..j-1]
+        self.fav_low = None
+        self._last_seen = None         # ultimo indice incorporato nell'estremo
+        self.cur_stop = None           # stop trailing fase 2, floor=tp0, monotono
+
+    def levels(self, j):
+        # ---- Fase 1: pre-partial -> exit standard (tp0, sl0), esce frazione q al TP
+        if self.partial_idx is None:
+            return self.tp0, self.sl0, self.q
+
+        # ---- Fase 2: post-partial -> TP rimosso, trail chandelier floor=tp0
+        h, l, atr, d = self.high, self.low, self.atr, self.d
+        # incorpora i bar fino a j-1 (dati causali, gia' chiusi al poll del bar j)
+        while self._last_seen < j - 1:
+            self._last_seen += 1
+            if h[self._last_seen] > self.fav_high:
+                self.fav_high = h[self._last_seen]
+            if l[self._last_seen] < self.fav_low:
+                self.fav_low = l[self._last_seen]
+        a = atr[j - 1]
+        if a != a:                     # NaN -> resta sullo stop corrente
+            return None, self.cur_stop, 1.0
+        if d == 1:
+            cand = self.fav_high - self.k * a
+            if cand > self.cur_stop:   # lo stop long puo' solo SALIRE (stringersi)
+                self.cur_stop = cand
+        else:
+            cand = self.fav_low + self.k * a
+            if cand < self.cur_stop:   # lo stop short puo' solo SCENDERE
+                self.cur_stop = cand
+        return None, self.cur_stop, 1.0
+
+    def on_partial(self, j, price, remaining):
+        # entra in fase 2: ancora l'estremo al bar di partial j (high/low[j] sono
+        # noti al poll del bar j+1, primo bar valutato in fase 2). floor=tp0.
+        self.partial_idx = j
+        self.fav_high = self.high[j]
+        self.fav_low = self.low[j]
+        self._last_seen = j
+        self.cur_stop = self.tp0       # profitto lockato al livello TP, MAI peggio
+
+
+GRID = [
+    {"q": q, "k": k}
+    for q in (0.5, 0.7)
+    for k in (2.0, 3.0)
+]
+
+
+if __name__ == "__main__":
+    evaluate(PartialTpTrail, GRID)

scripts/analysis/exit_policies/13_hurst_exit.py

@@ -0,0 +1,74 @@
+"""EXIT-13 — hurst_exit: TP condizionato al REGIME (rolling-Hurst causale).
+
+IDEA. Le fade puntano alla MEDIA: in regime ANTI-PERSISTENTE (Hurst basso) la
+reversione tende a completarsi -> ha senso tenere il TP pieno tp0. In regime
+PERSISTENTE/trending (Hurst alto) la reversione spesso NON arriva fino in fondo
+(il movimento continua, lo stop-loss si concentra li': vedi loss-guard Hurst) ->
+conviene "prendere quel che c'e'": TP anticipato a meta' strada (entry+tp0)/2.
+
+  - H[j-1] <  h_lo  (anti-persistente): tp(j) = tp0    (reversione completa)
+  - H[j-1] >= h_lo  (persistente):      tp(j) = (entry+tp0)/2  (TP a meta')
+
+SL FISSO (sl0) e horizon (max_bars) invariati.
+
+ANTI-LOOK-AHEAD. prepare() precalcola H = rolling_hurst(close, window=100, step=6)
+una volta sullo sleeve. rolling_hurst e' causale: H[k] usa returns[k-window:k] e
+returns[m]=diff(log(close))[m] dipende da close[m+1], quindi H[k] dipende solo da
+close <= k. In levels(j) leggo H[j-1] -> solo dati <= j-1. SL/horizon invariati.
+La decisione del regime e' fissata col bar precedente, il bar j tocca i livelli.
+
+NB sul TP a meta'. Lo "step=6" significa che H e' costante a tratti di 6 barre; il
+regime e' ri-letto ogni bar (j-1) ma cambia valore ogni 6. Il TP a meta' strada
+e' SEMPRE >= breakeven per costruzione (e' fra entry e tp0, e tp0 e' gia' oltre il
+margine fee per come la fade lo fissa), quindi non maschera uscite in perdita.
+
+GRID: h_lo in {0.45, 0.50, 0.55} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[3]))
+from src.fractal.indicators import rolling_hurst  # noqa: E402
+
+
+class HurstExit(ExitPolicy):
+    name = "hurst_exit"
+
+    @classmethod
+    def prepare(cls, ctx, **params):
+        if "hurst100" not in ctx:
+            c = ctx["close"]
+            ctx["hurst100"] = rolling_hurst(c, window=100, step=6)
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.h = ctx["hurst100"]
+        self.h_lo = float(params.get("h_lo", 0.50))
+        self.tp_half = (entry + tp0) / 2.0  # TP a meta' strada (persistente)
+
+    def levels(self, j: int):
+        # SOLO dati <= j-1
+        hv = self.h[j - 1]
+        if not np.isfinite(hv):
+            return self.tp0, self.sl0, 1.0
+        if hv < self.h_lo:
+            tp = self.tp0          # anti-persistente: reversione completa
+        else:
+            tp = self.tp_half      # persistente: prendi la meta'
+        return tp, self.sl0, 1.0
+
+
+GRID = [
+    {"h_lo": 0.45},
+    {"h_lo": 0.50},
+    {"h_lo": 0.55},
+]
+
+
+if __name__ == "__main__":
+    evaluate(HurstExit, GRID)

scripts/analysis/exit_policies/14_giveback.py

@@ -0,0 +1,73 @@
+"""EXIT-14 — protezione GIVEBACK dal picco (trailing sul PROFITTO, non sul prezzo).
+
+Idea: una fade puo' correre a favore quasi fino al TP (alla media) e poi
+ritracciare prima di toccarlo, restituendo gran parte del guadagno gia' maturato.
+Questa policy traccia l'high-water-mark (hwm) del PROFITTO non realizzato sul
+CLOSE; quando il profitto corrente scende sotto (1-g)*hwm_profit -- cioe' si e'
+restituita una frazione g del picco -- e il picco era gia' "significativo"
+(hwm_profit > soglia * dist(entry, tp0)), esce al close del bar (after_bar).
+Il TP fisso tp0 e lo SL fisso sl0 RESTANO invariati e prioritari intrabar.
+
+Razionale: protegge il profitto maturato senza toccare i livelli; non e' un
+ladder (ieri scartato perche' al TP/media il movimento e' esaurito) ma un
+trailing sul drawdown del trade quando ha gia' fatto buona parte del lavoro.
+
+ANTI-LOOK-AHEAD:
+  - levels(j) NON e' toccato (TP/SL fissi): nessun dato futuro.
+  - after_bar(j) decide sul CLOSE del bar j (eseguibile al poll). Aggiorna l'hwm
+    con il profitto a close[j] e poi confronta: tutto con dati <= j. Il bar j e'
+    lecito in after_bar per contratto. L'hwm e' un cliquet (non scende mai).
+
+GRID: g in {0.4, 0.6} x arm_frac in {0.3, 0.5} della distanza al TP (4 celle).
+  - g = frazione del picco di profitto restituita che fa scattare l'uscita.
+  - arm_frac = il giveback e' armato solo quando hwm_profit ha superato
+    arm_frac * dist(entry, tp0): finche' il trade non ha "fatto strada"
+    (frazione del cammino verso la media) non interviene -> non taglia i trade
+    che partono storti, solo quelli che hanno gia' guadagnato e poi mollano.
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class Giveback(ExitPolicy):
+    name = "giveback"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.g = float(params.get("g", 0.4))
+        self.arm_frac = float(params.get("arm_frac", 0.3))
+        self.close = ctx["close"]
+        # distanza (in prezzo, sempre positiva) dall'entrata al TP iniziale
+        self.dist_tp = abs(self.tp0 - entry) if self.tp0 is not None else 0.0
+        self.arm_level = self.arm_frac * self.dist_tp
+        self.hwm_profit = 0.0          # high-water-mark del profitto a favore (cliquet)
+
+    def after_bar(self, j: int) -> bool:
+        if self.dist_tp <= 0.0:
+            return False
+        # profitto NON realizzato a favore, valutato sul close del bar j (lecito qui)
+        profit = (self.close[j] - self.entry) * self.d
+        if profit > self.hwm_profit:
+            self.hwm_profit = profit   # aggiorna il picco (non scende mai)
+        # arma solo se il picco ha superato la soglia (trade gia' "in cammino")
+        if self.hwm_profit < self.arm_level:
+            return False
+        # esci se il profitto corrente ha restituito >= g del picco
+        if profit < (1.0 - self.g) * self.hwm_profit:
+            return True
+        return False
+
+
+GRID = [
+    {"g": 0.4, "arm_frac": 0.3},
+    {"g": 0.4, "arm_frac": 0.5},
+    {"g": 0.6, "arm_frac": 0.3},
+    {"g": 0.6, "arm_frac": 0.5},
+]
+
+
+if __name__ == "__main__":
+    evaluate(Giveback, GRID)

scripts/analysis/exit_policies/15_loser_timestop.py

@@ -0,0 +1,61 @@
+"""EXIT-15 — loser time-stop ("i loser muoiono giovani?").
+
+Le fade tengono il trade fino a TP/SL fissi o max_bars. Qui aggiungiamo un
+solo extra-exit CONDIZIONATO AL SEGNO della PnL: al k-esimo bar dopo l'entrata,
+se il trade e' ancora in PERDITA sul CLOSE (unrealized < 0), chiudi il residuo
+al close[j]. Se a quel bar il trade e' in profitto (o piatto), NON tocca nulla
+e lascia correre verso TP/SL/max_bars come la base.
+
+  TP/SL fissi (tp0, sl0) INVARIATI; horizon = max_bars INVARIATO.
+
+Differenza col time-stop semplice (gia' FALLITO il 2026-06-02, tagliava i
+winner): qui non si esce per il solo passare del tempo, ma SOLO se la PnL e'
+negativa. L'ipotesi e' che un trade ancora in rosso dopo k bar abbia bassa
+probabilita' di recuperare e finisca per colpire lo SL (peggio) o scadere a
+max_bars in perdita -> uscire prima limita la coda di perdite e libera capitale.
+
+Anti-look-ahead: la decisione e' in `after_bar(j)`, che per contratto puo'
+leggere il CLOSE del bar j (eseguibile al poll del tick). Confronto:
+  unrealized(j) = (close[j] - entry) * d     (>0 = a favore)
+Esce SOLO quando j - i == k (controllo una tantum al k-esimo bar). I livelli
+TP/SL restano quelli base (nessun uso di dati futuri in levels()).
+
+GRID: k in {4, 8, 12, 16} (4 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class LoserTimestop(ExitPolicy):
+    name = "loser_timestop"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = int(params.get("k", 8))
+        self.close = ctx["close"]
+
+    # livelli base, invariati (nessun look-ahead)
+    def levels(self, j: int):
+        return self.tp0, self.sl0, 1.0
+
+    def after_bar(self, j: int) -> bool:
+        # controllo una tantum al k-esimo bar dopo l'entrata
+        if j - self.i != self.k:
+            return False
+        unrealized = (self.close[j] - self.entry) * self.d
+        return unrealized < 0.0
+
+
+GRID = [
+    {"k": 4},
+    {"k": 8},
+    {"k": 12},
+    {"k": 16},
+]
+
+
+if __name__ == "__main__":
+    evaluate(LoserTimestop, GRID)

scripts/analysis/exit_policies/16_close_confirm_sl.py

@@ -0,0 +1,78 @@
+"""EXIT-16 — close_confirm_sl: STOP-LOSS confermato in CHIUSURA (immune ai wick).
+
+IDEA. Lo SL intrabar fisso stoppa anche su un wick transitorio che buca sl0 e
+poi rientra. Le fade sono mean-reversion: il movimento contrario e' spesso un
+overshoot momentaneo. Qui lo SL NON e' piu' un livello toccato intrabar
+(disattivato: sl=None nei livelli, l'engine non lo testa MAI sui low/high) ma
+una CONFERMA sul CLOSE del bar: si esce solo se il prezzo CHIUDE oltre sl0.
+
+  in levels(j):  sl = None  (no stop intrabar -> immune ai wick), TP fisso tp0.
+  in after_bar(j):
+     long  (d=1):  esci al close[j] se close[j] <  sl0 - buffer*atr14[j]
+     short (d=-1): esci al close[j] se close[j] >  sl0 + buffer*atr14[j]
+
+ONESTO. L'uscita avviene al CLOSE[j], che puo' essere PEGGIO di sl0 quando il
+bar gappa o sfonda di slancio (il backtest paga il close reale, non sl0). Questo
+e' il costo del "confermare": si rinuncia a fermarsi esatti a sl0 in cambio di
+non farsi cacciare dai wick. Il buffer*atr richiede uno sfondamento ulteriore in
+chiusura -> meno uscite ma piu' lontane da sl0 quando scattano.
+
+ANTI-LOOK-AHEAD. levels(j) ritorna sl=None e tp0 (nessun dato del bar j). La
+decisione di uscita e' in after_bar(j), che PER CONTRATTO puo' leggere il bar j:
+close[j] e atr14[j] sono entrambi noti al close del bar j (atr14[j] = rolling
+mean di TR fino a j; TR[j] usa high/low/close[j] e close[j-1], tutti chiusi a j).
+Nessun dato > j entra nella decisione. -> contratto rispettato.
+
+NB il HARD_CAP/horizon=max_bars resta: se ne' TP ne' close-confirm scattano, il
+trade scade al close a max_bars come la base. Quindi un trade puo' restare in
+posizione PIU' a lungo della base (la base poteva stopparlo intrabar prima):
+l'avg_bars puo' SALIRE -> il ret va pesato per l'esposizione.
+
+GRID: buffer in {0.0, 0.25, 0.5} ATR (3 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class CloseConfirmSl(ExitPolicy):
+    name = "close_confirm_sl"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.buffer = float(params.get("buffer", 0.0))
+        self.close = ctx["close"]
+        self.atr = ctx["atr14"]
+
+    def levels(self, j: int):
+        # SL intrabar DISATTIVATO (immune ai wick): l'engine non testa low/high
+        # contro lo stop. TP fisso tp0 intrabar invariato.
+        return self.tp0, None, 1.0
+
+    def after_bar(self, j: int) -> bool:
+        # Decisione sul CLOSE del bar j -> per contratto j e' leggibile.
+        a = self.atr[j]
+        if not np.isfinite(a):
+            a = 0.0
+        cj = self.close[j]
+        if self.d == 1:
+            # long: stop confermato se chiude SOTTO sl0 - buffer*atr
+            return cj < self.sl0 - self.buffer * a
+        else:
+            # short: stop confermato se chiude SOPRA sl0 + buffer*atr
+            return cj > self.sl0 + self.buffer * a
+
+
+GRID = [
+    {"buffer": 0.0},
+    {"buffer": 0.25},
+    {"buffer": 0.5},
+]
+
+
+if __name__ == "__main__":
+    evaluate(CloseConfirmSl, GRID)

scripts/analysis/exit_policies/17_wide_sl_trail.py

@@ -0,0 +1,86 @@
+"""EXIT-17 — wide_sl_trail: RESPIRA POI PROTEGGI.
+
+Idea: l'SL fisso all'entrata (sl0) puo' essere troppo stretto -> stoppa fade che
+poi sarebbero rientrate alla media. Qui ALLARGHIAMO l'SL iniziale a
+    sl_w = entry - w*(entry - sl0)     (long, w>1 -> stop piu' lontano = piu' respiro)
+    sl_w = entry + w*(sl0 - entry)     (short)
+ma attiviamo SUBITO un trailing chandelier a k*ATR dall'estremo favorevole. Lo stop
+attivo nel bar j e' il PIU' PROTETTIVO fra l'SL allargato e il chandelier:
+    long : sl = max(sl_w, max(high[i..j-1]) - k*ATR[j-1])
+    short: sl = min(sl_w, min(low[i..j-1])  + k*ATR[j-1])
+TP fisso tp0 invariato; horizon = max_bars invariato.
+
+Logica: finche' il prezzo NON corre a favore, il rischio e' l'SL allargato (respiro:
+si tollera un ritracciamento iniziale piu' ampio nella speranza che la fade rientri).
+Appena il prezzo corre a favore, il chandelier sale sopra sl_w e protegge il
+profitto come un trail normale. Differenza da EXIT-02 (che usa max(sl0, chand)):
+qui il floor iniziale e' PIU' LARGO di sl0, quindi early il rischio per-trade e'
+maggiore (peggiora i loser veloci) ma si salvano fade che con sl0 sarebbero state
+stoppate giusto prima del rientro.
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1 (estremo favorevole su [i..j-1]
+mantenuto incrementalmente fino a j-1; atr14[j-1]). after_bar non usato.
+
+GRID: w in {1.5, 2.0} x k in {2.0, 3.0}  (4 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class WideSLTrail(ExitPolicy):
+    name = "wide_sl_trail"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, w=1.5, k=2.0, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.w = float(w)
+        self.k = float(k)
+        self.high = ctx["high"]
+        self.low = ctx["low"]
+        self.atr = ctx["atr14"]
+        # SL iniziale ALLARGATO: piu' lontano dall'entrata (w>1)
+        if d == 1:
+            self.sl_w = entry - self.w * (entry - sl0)
+        else:
+            self.sl_w = entry + self.w * (sl0 - entry)
+        # estremo favorevole running (solo barre <= j-1); init = barra d'entrata i
+        self.run_hi = self.high[i]
+        self.run_lo = self.low[i]
+        self.last_seen = i
+
+    def _update_running(self, upto: int) -> None:
+        """Incorpora le barre (last_seen, upto] nell'estremo favorevole. upto = j-1
+        -> NON tocca il bar j (anti-look-ahead)."""
+        while self.last_seen < upto:
+            self.last_seen += 1
+            if self.high[self.last_seen] > self.run_hi:
+                self.run_hi = self.high[self.last_seen]
+            if self.low[self.last_seen] < self.run_lo:
+                self.run_lo = self.low[self.last_seen]
+
+    def levels(self, j: int):
+        self._update_running(j - 1)            # solo dati <= j-1
+        a = self.atr[j - 1]
+        if a is None or a != a:                # NaN nei primi 14 bar -> usa l'SL allargato
+            return self.tp0, self.sl_w, 1.0
+        if self.d == 1:
+            chand = self.run_hi - self.k * a
+            sl = max(self.sl_w, chand)         # il piu' protettivo (stop piu' alto)
+        else:
+            chand = self.run_lo + self.k * a
+            sl = min(self.sl_w, chand)         # il piu' protettivo (stop piu' basso)
+        return self.tp0, sl, 1.0
+
+
+GRID = [
+    {"w": w, "k": k}
+    for w in (1.5, 2.0)
+    for k in (2.0, 3.0)
+]
+
+
+if __name__ == "__main__":
+    evaluate(WideSLTrail, GRID)

scripts/analysis/exit_policies/18_swing_stop.py

@@ -0,0 +1,108 @@
+"""EXIT-18 — SL STRUTTURALE su swing low/high (structural / chandelier-by-structure).
+
+Idea: invece di uno stop FISSO a sl0 (ATR dall'entrata), uno stop ancorato alla
+STRUTTURA recente del prezzo. Per un long: il livello "naturale" sotto cui la tesi
+mean-reversion e' invalidata e' il minimo dello swing recente; se il prezzo rompe
+sotto il minimo degli ultimi n bar la fade ha torto. Simmetrico per lo short sul
+massimo recente.
+
+  long  (d=1):  level(j) = min(low[j-n .. j-1]) - buf
+  short (d=-1): level(j) = max(high[j-n .. j-1]) + buf
+  buf = 0.25 * atr14[j-1]
+
+SOLO-STRINGENTE: lo stop parte da sl0 (protezione iniziale invariata) e si aggiorna
+SOLO se il livello swing e' PIU' PROTETTIVO (cricchetto):
+  long :  cur_stop = max(cur_stop, level)   (lo stop puo' solo SALIRE)
+  short:  cur_stop = min(cur_stop, level)   (lo stop puo' solo SCENDERE)
+Cosi' man mano che il prezzo (per una fade vincente) torna verso la media, lo swing
+low/high sale/scende e lo stop segue, bloccando profitto. Non si allenta MAI.
+
+TP fisso (tp0) e horizon=max_bars invariati: questa famiglia cambia SOLO lo stop.
+
+ANTI-LOOK-AHEAD (contratto): levels(j) usa SOLO dati con indice <= j-1:
+  - massimi/minimi sullo slice [j-n .. j-1]  (lookback chiuso a j-1);
+  - buffer da atr14[j-1] (indicatore causale, valore del bar precedente).
+Mantengo cur_stop in modo incrementale ma lo aggiorno con i bar fino a j-1, mai j.
+Nessun dato del bar j o successivi entra nel livello attivo nel bar j.
+
+MECCANISMO ATTESO: lo stop strutturale e' tipicamente PIU' LASCO di sl0 all'inizio
+(il minimo recente puo' stare oltre sl0): in quel caso il cricchetto lo IGNORA e
+resta a sl0 (non allentiamo mai). Quando invece la struttura si stringe (lo swing
+low risale verso il prezzo dopo che la fade comincia a funzionare) lo stop SALE,
+proteggendo i guadagni di un trade che poi rintraccia prima del TP.
+Prior dal repo (ladder scartato): il TP della fade sta alla MEDIA, dove il movimento
+e' esaurito -> oltre il TP non c'e' runner. Qui non tocchiamo il TP, quindi non
+puntiamo a cavalcare oltre: cerchiamo SOLO di tagliare meglio i loser/ristagni
+proteggendo profitto. RISCHIO (fade = mean-reversion): stringere lo stop su un
+pullback transitorio stoppa fuori trade che sarebbero rientrati al TP -> winner
+tagliati e stop-rate su. Lo misuriamo.
+
+GRID: n in {5, 10, 20} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class SwingStop(ExitPolicy):
+    name = "swing_stop"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, n=10, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.n = int(n)
+        self.low = ctx["low"]
+        self.high = ctx["high"]
+        self.atr14 = ctx["atr14"]
+        # stop a cricchetto: parte dalla protezione iniziale, puo' solo stringersi
+        self.cur_stop = sl0
+        # indice fino a cui ho gia' incorporato i bar nel cricchetto (escluso)
+        self._last_seen = i
+
+    def _swing_level(self, j: int):
+        """Livello swing causale usando SOLO low/high su [j-n .. j-1] e atr14[j-1]."""
+        lo = max(self.i, j - self.n)            # non andare prima dell'entrata
+        hi = j                                   # slice [lo:hi] => indici <= j-1
+        if hi <= lo:
+            return None
+        a = self.atr14[j - 1]
+        if not np.isfinite(a):
+            a = 0.0
+        buf = 0.25 * a
+        if self.d == 1:
+            return float(np.min(self.low[lo:hi])) - buf
+        else:
+            return float(np.max(self.high[lo:hi])) + buf
+
+    def levels(self, j: int):
+        d = self.d
+        # aggiorna il cricchetto bar-per-bar fino a j-1 (causale). Per ogni bar k
+        # passato calcolo il livello swing attivo "a quel momento" e stringo lo stop.
+        while self._last_seen < j:
+            self._last_seen += 1
+            k = self._last_seen
+            lvl = self._swing_level(k)
+            if lvl is None:
+                continue
+            if d == 1:
+                if lvl > self.cur_stop:          # cricchetto long: lo stop solo SALE
+                    self.cur_stop = lvl
+            else:
+                if lvl < self.cur_stop:          # cricchetto short: lo stop solo SCENDE
+                    self.cur_stop = lvl
+        return self.tp0, self.cur_stop, 1.0
+
+
+GRID = [
+    {"n": 5},
+    {"n": 10},
+    {"n": 20},
+]
+
+
+if __name__ == "__main__":
+    evaluate(SwingStop, GRID)

scripts/analysis/exit_policies/19_donchian_trail.py

@@ -0,0 +1,88 @@
+"""EXIT-19 — TP RIMOSSO, exit al CANALE DONCHIAN OPPOSTO (donchian_trail).
+
+Idea: la fade attuale esce al TP (sulla media) + SL fisso (ATR dall'entrata) +
+max_bars. Qui TOGLIAMO il TP e usiamo come unica uscita di prezzo uno STOP
+DINAMICO ancorato al canale Donchian OPPOSTO alla direzione del trade:
+
+  long  (d=1):  stop(j) = min(low[j-n .. j-1])     (canale inferiore)
+  short (d=-1): stop(j) = max(high[j-n .. j-1])    (canale superiore)
+
+Per un long che funziona (il prezzo risale verso la media) il canale inferiore
+SALE bar dopo bar -> lo stop segue e blocca profitto; usciamo quando il prezzo
+ritraccia sotto il minimo recente. Simmetrico short.
+
+FLOOR a sl0 (mai PEGGIO dello SL originale): il livello attivo e' floorato alla
+protezione iniziale -> non si allenta mai oltre sl0.
+  long :  stop = max(channel_low, sl0)
+  short:  stop = min(channel_high, sl0)
+
+HORIZON = 4*mb (cap HARD_CAP=240): senza TP la posizione puo' restare a lungo,
+quindi diamo molto piu' respiro al time-stop; l'uscita "naturale" e' il canale.
+
+DIFFERENZA da EXIT-18 (swing_stop): qui (a) NON c'e' TP affatto (li' tp0 restava),
+(b) niente cricchetto persistente: lo stop e' il canale RICALCOLATO ogni bar (puo'
+anche allentarsi rispetto al bar prima, ma mai sotto sl0 grazie al floor),
+(c) horizon esteso 4x. E' una uscita puramente trend-following/Donchian innestata
+su un ingresso mean-reversion.
+
+ANTI-LOOK-AHEAD (contratto): levels(j) usa SOLO dati con indice <= j-1:
+  - min/max sullo slice [j-n .. j-1] (lookback chiuso a j-1, lo[lo:hi] con hi=j);
+  - nessun dato del bar j entra nel livello attivo nel bar j;
+  - non si guarda mai high/low[j] per decidere lo stop attivo nel bar j.
+
+PRIOR dal repo (ladder scartato): il TP della fade sta alla MEDIA, dove il
+movimento e' esaurito; "il runner non corre". Quindi togliendo il TP rischiamo di
+restare in posizione MENTRE il prezzo ristagna/rientra, pagando giveback e fee.
+Il canale opposto dovrebbe limitare il giveback, ma la mean-reversion fa rientrare
+il prezzo prima che il canale si stringa -> probabile uscita PEGGIORE del TP.
+Lo misuriamo senza pregiudizio.
+
+GRID: n in {10, 20, 30} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class DonchianTrail(ExitPolicy):
+    name = "donchian_trail"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, n=20, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.n = int(n)
+        self.low = ctx["low"]
+        self.high = ctx["high"]
+        # TP rimosso, horizon esteso 4x (il cap a HARD_CAP lo applica l'engine)
+        self.horizon = 4 * mb
+
+    def levels(self, j: int):
+        d = self.d
+        # canale opposto causale: slice [lo : j] => indici <= j-1
+        lo = max(self.i, j - self.n)
+        hi = j
+        if hi <= lo:
+            # primo bar dopo l'entrata: nessuna finestra -> usa solo sl0 (no TP)
+            return None, self.sl0, 1.0
+        if d == 1:
+            ch = float(np.min(self.low[lo:hi]))
+            stop = max(ch, self.sl0)             # floor: mai sotto sl0
+        else:
+            ch = float(np.max(self.high[lo:hi]))
+            stop = min(ch, self.sl0)             # floor: mai sopra sl0
+        return None, stop, 1.0                   # TP = None (rimosso)
+
+
+GRID = [
+    {"n": 10},
+    {"n": 20},
+    {"n": 30},
+]
+
+
+if __name__ == "__main__":
+    evaluate(DonchianTrail, GRID)

scripts/analysis/exit_policies/20_ema_cross_exit.py

@@ -0,0 +1,90 @@
+"""EXIT-20 — ema_cross_exit: esci quando il close attraversa contro-posizione la EMA_m.
+
+IDEA. Le fade comprano sotto / vendono sopra la media e oggi escono al TP fisso (la
+media congelata all'entrata) o a max_bars/SL. Qui usiamo la EMA_m come "linea della
+media corrente": finche' il prezzo non l'ha attraversata, la reversione e' ancora in
+corso; quando il close la attraversa CONTRO la posizione, la mean-reversion ha
+esaurito il suo percorso -> si chiude al close.
+
+  long  (d=+1): la fade ha comprato sotto la media; esce quando close[j] < ema_m[j]
+                (il prezzo e' risalito ABOVE la media e ora la ri-perfora al ribasso,
+                 ovvero il close torna sotto la media -> reversione finita/overshoot).
+  short (d=-1): esce quando close[j] > ema_m[j].
+
+NB sul segno. La condizione "long: close < ema" e' la cross CONTRO la posizione: la
+fade long scommette sul rientro VERSO/OLTRE la media; quando il close ricade sotto la
+EMA dopo che la reversione e' avvenuta, il segnale di reversione e' consumato. E' un
+exit "alla media mobile" che insegue la media invece del target congelato.
+
+VARIANTI keep_tp:
+  - keep_tp=True : il TP fisso tp0 RESTA attivo (si esce al primo fra TP-al-livello,
+                   SL, ema-cross, max_bars). horizon = max_bars (invariato).
+  - keep_tp=False: si RIMUOVE il TP fisso (tp=None) e si lascia che sia la ema-cross a
+                   chiudere il vincente; horizon = 2*max_bars (cap HARD_CAP) per dare
+                   spazio alla cross. SL fisso resta SEMPRE.
+
+ANTI-LOOK-AHEAD. prepare() precalcola ema_m = EMA(close, span=m) UNA volta: causale,
+ema[k] dipende solo da close <= k. La decisione di uscita e' in after_bar(j), che per
+contratto puo' leggere il bar j (close[j], ema_m[j]) ed e' eseguibile al close del
+poll. levels(j) usa solo sl0/tp0 (costanti) -> nessun dato > j-1. OK per costruzione.
+
+GRID: m in {5, 10, 20} x keep_tp in {True, False} (6 celle).
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate, HARD_CAP  # noqa: E402
+
+
+class EmaCrossExit(ExitPolicy):
+    name = "ema_cross_exit"
+
+    @classmethod
+    def prepare(cls, ctx, **params):
+        m = int(params.get("m", 10))
+        key = f"ema_{m}"
+        if key not in ctx:
+            c = ctx["close"]
+            ctx[key] = pd.Series(c).ewm(span=m, adjust=False).mean().values
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        m = int(params.get("m", 10))
+        self.ema = ctx[f"ema_{m}"]
+        self.keep_tp = bool(params.get("keep_tp", True))
+        if not self.keep_tp:
+            # senza TP la cross deve avere spazio: raddoppia l'orizzonte (cap HARD_CAP)
+            self.horizon = min(2 * mb, HARD_CAP)
+
+    def levels(self, j: int):
+        # SL fisso sempre; TP fisso solo se keep_tp (altrimenti None -> lo gestisce la cross)
+        tp = self.tp0 if self.keep_tp else None
+        return tp, self.sl0, 1.0
+
+    def after_bar(self, j: int) -> bool:
+        # after_bar puo' usare il bar j (close[j], ema[j]) -> eseguibile al close del poll
+        e = self.ema[j]
+        if not np.isfinite(e):
+            return False
+        c = self.ctx["close"][j]
+        if self.d == 1:
+            return c < e          # long: close ricade SOTTO la media -> reversione finita
+        return c > e              # short: close risale SOPRA la media
+
+
+GRID = [
+    {"m": 5,  "keep_tp": True},
+    {"m": 10, "keep_tp": True},
+    {"m": 20, "keep_tp": True},
+    {"m": 5,  "keep_tp": False},
+    {"m": 10, "keep_tp": False},
+    {"m": 20, "keep_tp": False},
+]
+
+
+if __name__ == "__main__":
+    evaluate(EmaCrossExit, GRID)

scripts/analysis/exit_policies/21_vol_rescale.py

@@ -0,0 +1,71 @@
+"""EXIT-21 — vol_rescale (livelli che RESPIRANO con la volatilita').
+
+I TP/SL fissi della base nascono come multipli dell'ATR all'entrata:
+    m_tp = |tp0 - entry| / atr14[i]   (quanti ATR dista il TP)
+    m_sl = |sl0 - entry| / atr14[i]   (quanti ATR dista lo SL)
+Invece di congelare la DISTANZA in prezzo (tp0, sl0), congeliamo il MULTIPLO e
+lasciamo che la distanza respiri con l'ATR corrente:
+    tp(j) = entry + d * m_tp * atr14[j-1]
+    sl(j) = entry - d * m_sl * atr14[j-1]
+Cosi' se la vol si comprime mentre la fade torna alla media, il TP si AVVICINA
+(prende profitto prima, coerente col fatto che il movimento residuo si esaurisce);
+se la vol esplode, lo SL si ALLARGA (meno stop-out su spike), e viceversa.
+
+Anti-look-ahead: m_tp/m_sl usano atr14[i] (noto al close del bar d'entrata, dove
+il worker fissa i livelli); levels(j) usa SOLO atr14[j-1]. Se atr14[j-1] e' NaN
+(warmup), si ricade sui livelli fissi base (tp0/sl0).
+
+Varianti (mode):
+  - tp_only : TP respira, SL resta fisso a sl0
+  - sl_only : SL respira, TP resta fisso a tp0
+  - both    : entrambi respirano
+
+GRID: mode in {tp_only, sl_only, both} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+class VolRescale(ExitPolicy):
+    name = "vol_rescale"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.mode = params.get("mode", "both")
+        self.atr = ctx["atr14"]
+        # ATR all'entrata: noto al close[i] (il worker fissa i livelli qui).
+        a_i = self.atr[i]
+        if a_i is None or a_i != a_i or a_i <= 0:
+            # nessun ATR valido all'entrata -> impossibile derivare i multipli:
+            # la policy degenera nei livelli fissi base.
+            self.valid = False
+            self.m_tp = self.m_sl = 0.0
+        else:
+            self.valid = True
+            self.m_tp = abs(tp0 - entry) / a_i
+            self.m_sl = abs(sl0 - entry) / a_i
+
+    def levels(self, j: int):
+        if not self.valid:
+            return self.tp0, self.sl0, 1.0
+        a = self.atr[j - 1]                    # solo dati <= j-1
+        if a is None or a != a:                # NaN -> ricadi sui fissi base
+            return self.tp0, self.sl0, 1.0
+        d = self.d
+        tp = self.tp0
+        sl = self.sl0
+        if self.mode in ("tp_only", "both"):
+            tp = self.entry + d * self.m_tp * a
+        if self.mode in ("sl_only", "both"):
+            sl = self.entry - d * self.m_sl * a
+        return tp, sl, 1.0
+
+
+GRID = [{"mode": "tp_only"}, {"mode": "sl_only"}, {"mode": "both"}]
+
+
+if __name__ == "__main__":
+    evaluate(VolRescale, GRID)

scripts/analysis/exit_policies/22_no_sl.py

@@ -0,0 +1,74 @@
+"""EXIT-22 — DIAGNOSTICA DEL VALORE DELLO SL sulle fade (MR01/MR02/MR07).
+
+Le fade live escono con TP/SL FISSI decisi all'entrata (al close[i]) + max_bars.
+Lo SL e' sl0 = entry -/+ k*ATR (per costruzione della strategia). Questa policy
+NON cambia TP ne' horizon: tocca SOLO lo SL per misurare quanto lo SL ATTUALE
+aggiunge/toglie a ret/DD/Sharpe per sleeve. Tre regimi:
+
+  mode = "none"     -> sl = None  (SL RIMOSSO: restano TP + max_bars). Il trade
+                       puo' chiudere solo al TP o a scadenza horizon. Esposizione
+                       al rischio di coda massima (nessun taglio della perdita).
+  mode = "wide2x"   -> sl spostato a 2x la distanza entry->sl0 (stop piu' lasco):
+                       sl = entry + 2*(sl0 - entry). Stoppa meno spesso.
+  mode = "tight05x" -> sl spostato a 0.5x la distanza (stop piu' stretto):
+                       sl = entry + 0.5*(sl0 - entry). Stoppa piu' spesso, ma
+                       perde di meno per stop.
+
+La geometria col segno e' automatica: per long sl0<entry, per short sl0>entry;
+scalare (sl0-entry) preserva il lato corretto in entrambi i casi.
+
+ANTI-LOOK-AHEAD: il livello sl(j) dipende SOLO da {entry, sl0, mode}, tutti noti
+all'ENTRATA (close[i]). Costante per tutto il trade, identico al baseline tranne
+il fattore di scala. Nessun dato del bar j o futuro entra. TP = tp0 invariato.
+-> contratto rispettato per costruzione (livello statico, come il baseline).
+
+INTERPRETAZIONE (diagnostica, non per forza deployabile):
+  - se "none" >= base su ret E DD -> lo SL toglie valore (taglia winner che
+    sarebbero rientrati: la fade e' mean-reversion, il movimento avverso e'
+    spesso transitorio).
+  - se "tight05x" peggiora molto -> lo SL e' gia' sul filo: stringerlo morde i
+    rientri. se "wide2x" ~ "none" -> lo SL attuale e' quasi inerte (raramente
+    toccato) e il rischio di coda e' contenuto da max_bars/TP.
+  - DD e' la metrica chiave: lo SL serve a contenere la coda. Se "none" ha DD
+    simile o piu' basso, lo SL non sta proteggendo nulla di utile.
+
+GRID: mode in {none, wide2x, tight05x} (3 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+from exit_lab import ExitPolicy, evaluate  # noqa: E402
+
+
+_SCALE = {"none": None, "wide2x": 2.0, "tight05x": 0.5}
+
+
+class NoSl(ExitPolicy):
+    name = "no_sl"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.mode = str(params.get("mode", "none"))
+        if self.mode not in _SCALE:
+            raise ValueError(f"mode sconosciuto: {self.mode}")
+        scale = _SCALE[self.mode]
+        if scale is None:
+            self.sl = None
+        else:
+            # sl = entry + scale*(sl0 - entry): preserva il lato per long/short.
+            self.sl = entry + scale * (sl0 - entry)
+
+    def levels(self, j: int):
+        return self.tp0, self.sl, 1.0
+
+
+GRID = [
+    {"mode": "none"},
+    {"mode": "wide2x"},
+    {"mode": "tight05x"},
+]
+
+
+if __name__ == "__main__":
+    evaluate(NoSl, GRID)

scripts/analysis/exit_policies/23_sl_tp_ride.py

@@ -0,0 +1,99 @@
+"""EXIT-23 — sl_tp_ride: LOCK AL TP E CAVALCA.
+
+Idea (variante stretta di EXIT-09). Le fade escono al TP fisso (alla media). Qui
+si tiene il TP fisso ATTIVO come exit normale finche' il prezzo non lo SUPERA in
+chiusura. Quando close[j-1] supera tp0 a favore:
+  - TP RIMOSSO (None): non si esce piu' al livello fisso;
+  - SL spostato esattamente a tp0 (il profitto del TP e' LOCKATO: non si esce mai
+    peggio del TP originale);
+  - da tp0 in poi un trail chandelier k*ATR ancorato all'estremo favorevole visto
+    dal bar di superamento in poi, SOLO-STRINGENTE (cricchetto, mai si allenta).
+
+Differenza dal 09: qui il floor e' ESATTAMENTE tp0 (cosi' come in 09, ma 09 ha
+horizon 3*mb fisso e griglia su k 1/2/3); qui il lock scatta subito al primo
+superamento in chiusura e la griglia esplora ANCHE l'horizon. State machine:
+
+  FASE A (armed=False): tp=tp0, sl=sl0 -> identica a base.
+  FASE B (armed): tp=None, sl = max(tp0, fav_high - k*atr)  (long, cricchetto)
+                              = min(tp0, fav_low  + k*atr)  (short, cricchetto)
+
+ANTI-LOOK-AHEAD: levels(j) usa SOLO dati <= j-1:
+  - trigger di arma su close[j-1] (gia' chiuso al poll del bar j);
+  - estremo favorevole post-superamento su slice [arm_idx .. j-1] (incrementale);
+  - atr14[j-1] (indice causale).
+Nessun fill parziale (tp_frac sempre 1.0). after_bar non usato.
+
+GRID: k in {1.5, 2.5} x horizon in {2*mb, 4*mb} (4 celle).
+"""
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from exit_lab import ExitPolicy, evaluate, HARD_CAP  # noqa: E402
+
+
+class SlTpRide(ExitPolicy):
+    name = "sl_tp_ride"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, k=2.5, hmult=4, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = float(k)
+        self.horizon = min(int(hmult) * mb, HARD_CAP)
+        self.close = ctx["close"]
+        self.high = ctx["high"]
+        self.low = ctx["low"]
+        self.atr = ctx["atr14"]
+        self.armed = False
+        self.arm_idx = None
+        self.fav_high = None
+        self.fav_low = None
+        self._last_seen = i              # ultimo close esaminato per il trigger di arma
+        self._fav_seen = None            # ultimo bar incorporato nell'estremo favorevole
+        self.cur_stop = None             # stop trailing monotono in FASE B (floor tp0)
+
+    def levels(self, j: int):
+        c = self.close
+        d = self.d
+        # ---- FASE A: controlla l'arma sui close fino a j-1 (causali) -------------
+        if not self.armed:
+            while self._last_seen < j - 1:
+                self._last_seen += 1
+                cv = c[self._last_seen]
+                crossed = (cv > self.tp0) if d == 1 else (cv < self.tp0)
+                if crossed:
+                    self.armed = True
+                    self.arm_idx = self._last_seen
+                    self.fav_high = self.high[self.arm_idx]
+                    self.fav_low = self.low[self.arm_idx]
+                    self._fav_seen = self.arm_idx
+                    self.cur_stop = self.tp0       # SL spostato a tp0: profitto lockato
+                    break
+            if not self.armed:
+                return self.tp0, self.sl0, 1.0     # FASE A: TP/SL fissi
+
+        # ---- FASE B: TP rimosso, trail chandelier con floor a tp0 ----------------
+        while self._fav_seen < j - 1:
+            self._fav_seen += 1
+            if self.high[self._fav_seen] > self.fav_high:
+                self.fav_high = self.high[self._fav_seen]
+            if self.low[self._fav_seen] < self.fav_low:
+                self.fav_low = self.low[self._fav_seen]
+        a = self.atr[j - 1]
+        if a == a:                                 # non-NaN
+            if d == 1:
+                cand = max(self.fav_high - self.k * a, self.tp0)
+                if cand > self.cur_stop:           # cricchetto: solo sale
+                    self.cur_stop = cand
+            else:
+                cand = min(self.fav_low + self.k * a, self.tp0)
+                if cand < self.cur_stop:           # cricchetto: solo scende
+                    self.cur_stop = cand
+        return None, self.cur_stop, 1.0            # TP rimosso in FASE B
+
+
+GRID = [{"k": k, "hmult": h} for k in (1.5, 2.5) for h in (2, 4)]
+
+
+if __name__ == "__main__":
+    evaluate(SlTpRide, GRID)

scripts/analysis/exit_policies/verify_02_overfit.py

@@ -0,0 +1,245 @@
+"""ADVERSARIAL VERIFY — EXIT-02 trail_atr_keep_tp, LENTE OVERFIT/ROBUSTEZZA.
+
+Tesi del sopravvissuto: lo SL intrabar fisso distrugge valore nelle fade; il
+Chandelier trail (k=1.5) + TP fisso migliora Sharpe/DD ovunque (6/6 train, 5/6 OOS).
+
+Ipotesi nulla del verificatore: e' un artefatto. Tre attacchi:
+ (1) JITTER parametri: k vicini non provati (1.25/1.75) + ponte SL fisso a 3x/4x
+     ATR (no_sl). Il plateau tiene o e' una cresta?
+ (2) STABILITA' TEMPORALE: train 2018-20 vs 21-22, OOS 23-11/25-01 vs 25-01/26-05.
+     Il miglioramento c'e' in OGNI finestra o concentrato in un regime?
+ (3) DIPENDENZA HURST (decisivo): i segnali in cache hanno hurst_max=0.55 (toglie
+     il regime trending). Rigenero i segnali SENZA hurst (hurst_max=None) IN MEMORIA
+     (non tocco la cache) e ripeto base-vs-policy: la tesi "SL dannoso" regge anche
+     dove gli stop servivano (regime persistente)?
+
+    cd /opt/docker/PythagorasGoal && PYTHONPATH=. uv run python \
+        scripts/analysis/exit_policies/verify_02_overfit.py
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+HERE = Path(__file__).resolve()
+sys.path.insert(0, str(HERE.parents[1]))            # scripts/analysis
+sys.path.insert(0, str(HERE.parents[3]))            # project root
+
+import exit_lab  # noqa: E402
+from exit_lab import (ExitPolicy, simulate, load_sleeves, OOS_START_MS,  # noqa: E402
+                      CODES, ASSETS, LIVE_PARAMS, _atr14)
+from importlib import import_module                  # noqa: E402
+
+mod = import_module("exit_policies.02_trail_atr_keep_tp")
+TrailATRKeepTP = mod.TrailATRKeepTP
+
+from src.data.downloader import load_data            # noqa: E402
+from src.live.strategy_loader import load_strategy   # noqa: E402
+
+SLEEVE_KEYS = [(c, a) for c in CODES for a in ASSETS]
+
+
+# --------------------------------------------------------------- fixed-SL bridge
+class FixedSLmultATR(ExitPolicy):
+    """Ponte fra base (SL=sl0) e no_sl: SL fisso a m*ATR(entry) dall'entrata,
+    TP fisso. Se il trail (k piccolo) batte uno SL fisso GIA' largo (3x/4x),
+    allora il guadagno e' nel trailing, non solo nell'allontanare lo SL."""
+    name = "fixed_sl_mult_atr"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        m = float(params.get("m", 3.0))
+        a = ctx["atr14"][i]
+        if a is None or a != a:
+            self.sl = sl0
+        else:
+            self.sl = entry - m * a if d == 1 else entry + m * a
+
+    def levels(self, j: int):
+        return self.tp0, self.sl, 1.0
+
+
+# --------------------------------------------------------------- no-SL bridge
+class NoSL(ExitPolicy):
+    """Solo TP fisso + horizon, NESSUNO stop. Isola: il valore e' nel TOGLIERE
+    lo stop (qualsiasi) o nel TRAIL dinamico? Se NoSL ~ trail, il driver e'
+    'niente SL'; se il trail batte NoSL, il trail aggiunge."""
+    name = "no_sl"
+
+    def levels(self, j: int):
+        return self.tp0, None, 1.0
+
+
+def _fmt(r):
+    if not r:
+        return "  (no trades)"
+    return (f"ret{r['ret_pct']:>7.0f}% dd{r['dd_pct']:>5.1f} sh{r['sharpe_t']:>6.2f} "
+            f"n{r['trades']:>4} bars{r['avg_bars']:>5.1f}")
+
+
+def _summary(rows):
+    """rows: list of (sleeve_key, base_dict, pol_dict). Ritorna conteggi miglioramento."""
+    sh_up = dd_dn = ret_up = n = 0
+    for _, b, p in rows:
+        if not b or not p:
+            continue
+        n += 1
+        sh_up += p["sharpe_t"] > b["sharpe_t"]
+        dd_dn += p["dd_pct"] < b["dd_pct"]
+        ret_up += p["ret_pct"] > b["ret_pct"]
+    return sh_up, dd_dn, ret_up, n
+
+
+# ============================================================= TEST 1: JITTER
+def test_jitter(data):
+    print("\n" + "=" * 78)
+    print("TEST 1 — JITTER: k vicini (1.25/1.75) + ponte SL fisso 3x/4x ATR + NoSL")
+    print("=" * 78)
+    print("\n[1a] Trail k in {1.25, 1.5, 1.75} — plateau o cresta? (OOS)")
+    for k in (1.25, 1.5, 1.75):
+        rows = []
+        for key in SLEEVE_KEYS:
+            sl = data[key]
+            b = simulate(ExitPolicy, sl, start_ms=OOS_START_MS)
+            p = simulate(TrailATRKeepTP, sl, {"k": k}, start_ms=OOS_START_MS)
+            rows.append((key, b, p))
+        sh, dd, ret, n = _summary(rows)
+        print(f"  k={k:<5} OOS: Sharpe-up {sh}/{n}  DD-down {dd}/{n}  ret-up {ret}/{n}")
+
+    print("\n[1b] SL fisso a m*ATR dall'entrata (m=3,4) — uno stop largo basta? (OOS)")
+    for m in (3.0, 4.0):
+        rows = []
+        for key in SLEEVE_KEYS:
+            sl = data[key]
+            b = simulate(ExitPolicy, sl, start_ms=OOS_START_MS)
+            p = simulate(FixedSLmultATR, sl, {"m": m}, start_ms=OOS_START_MS)
+            rows.append((key, b, p))
+        sh, dd, ret, n = _summary(rows)
+        print(f"  m={m:<5} OOS: Sharpe-up {sh}/{n}  DD-down {dd}/{n}  ret-up {ret}/{n}")
+
+    print("\n[1c] NoSL (solo TP+horizon) — il driver e' 'togliere lo SL'? (OOS)")
+    rows = []
+    for key in SLEEVE_KEYS:
+        sl = data[key]
+        b = simulate(ExitPolicy, sl, start_ms=OOS_START_MS)
+        p = simulate(NoSL, sl, start_ms=OOS_START_MS)
+        rows.append((key, b, p))
+    sh, dd, ret, n = _summary(rows)
+    print(f"  NoSL  OOS: Sharpe-up {sh}/{n}  DD-down {dd}/{n}  ret-up {ret}/{n}")
+
+    print("\n[1d] dettaglio per sleeve: base vs k=1.5 vs NoSL vs SLx3 (OOS)")
+    for key in SLEEVE_KEYS:
+        sl = data[key]
+        b = simulate(ExitPolicy, sl, start_ms=OOS_START_MS)
+        t = simulate(TrailATRKeepTP, sl, {"k": 1.5}, start_ms=OOS_START_MS)
+        ns = simulate(NoSL, sl, start_ms=OOS_START_MS)
+        f3 = simulate(FixedSLmultATR, sl, {"m": 3.0}, start_ms=OOS_START_MS)
+        tag = f"{key[0].split('_')[0]} {key[1]}"
+        print(f"  {tag:<10} base sh{b.get('sharpe_t',0):>6.2f} | trail1.5 sh{t.get('sharpe_t',0):>6.2f} "
+              f"| NoSL sh{ns.get('sharpe_t',0):>6.2f} | SLx3 sh{f3.get('sharpe_t',0):>6.2f}")
+
+
+# ============================================================= TEST 2: TEMPORAL
+def test_temporal(data):
+    print("\n" + "=" * 78)
+    print("TEST 2 — STABILITA' TEMPORALE (Sharpe base -> trail k=1.5)")
+    print("=" * 78)
+    W = [
+        ("train 2018-20", None, int(pd.Timestamp("2021-01-01", tz="UTC").value // 1e6)),
+        ("train 2021-22", int(pd.Timestamp("2021-01-01", tz="UTC").value // 1e6), OOS_START_MS),
+        ("OOS  23-11/25-01", OOS_START_MS, int(pd.Timestamp("2025-01-01", tz="UTC").value // 1e6)),
+        ("OOS  25-01/26-05", int(pd.Timestamp("2025-01-01", tz="UTC").value // 1e6), None),
+    ]
+    for label, s, e in W:
+        rows = []
+        for key in SLEEVE_KEYS:
+            sl = data[key]
+            b = simulate(ExitPolicy, sl, start_ms=s, end_ms=e)
+            p = simulate(TrailATRKeepTP, sl, {"k": 1.5}, start_ms=s, end_ms=e)
+            rows.append((key, b, p))
+        sh, dd, ret, n = _summary(rows)
+        # mediana del delta-Sharpe
+        deltas = [p["sharpe_t"] - b["sharpe_t"] for _, b, p in rows if b and p]
+        med = float(np.median(deltas)) if deltas else 0.0
+        print(f"  {label:<20} Sharpe-up {sh}/{n}  DD-down {dd}/{n}  ret-up {ret}/{n}  "
+              f"median dSharpe {med:+.2f}")
+
+
+# ============================================================= TEST 3: HURST
+def _build_sleeves_no_hurst():
+    """Rigenera i segnali SENZA il loss-guard Hurst (hurst_max=None), IN MEMORIA.
+    Replica esattamente load_sleeves() ma con LIVE_PARAMS modificati."""
+    params = dict(LIVE_PARAMS)
+    params["hurst_max"] = None
+    out = {}
+    for code in CODES:
+        strat = load_strategy(code)
+        for asset in ASSETS:
+            df = load_data(asset, "1h")
+            ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+            sigs = strat.generate_signals(df, ts, **params)
+            h = df["high"].values.astype(float)
+            l = df["low"].values.astype(float)
+            c = df["close"].values.astype(float)
+            out[(code, asset)] = {
+                "signals": [(int(s.idx), int(s.direction), float(s.metadata["tp"]),
+                             float(s.metadata["sl"]), int(s.metadata["max_bars"]))
+                            for s in sigs],
+                "open": df["open"].values.astype(float),
+                "high": h, "low": l, "close": c,
+                "ts_ms": df["timestamp"].values.astype(np.int64),
+                "atr14": _atr14(h, l, c),
+            }
+    return out
+
+
+def test_hurst(data):
+    print("\n" + "=" * 78)
+    print("TEST 3 — DIPENDENZA DAL FILTRO HURST (decisivo)")
+    print("=" * 78)
+    print("Rigenero segnali con hurst_max=None (loss-guard OFF -> include il regime")
+    print("trending/persistente dove gli stop dovrebbero servire). Confronto base->trail.")
+    nh = _build_sleeves_no_hurst()
+
+    # quanti segnali in piu' (il guard ne toglieva)
+    print("\n  segnali: con-guard -> senza-guard")
+    for key in SLEEVE_KEYS:
+        ng = len(data[key]["signals"])
+        nn = len(nh[key]["signals"])
+        tag = f"{key[0].split('_')[0]} {key[1]}"
+        print(f"    {tag:<10} {ng:>4} -> {nn:>4}  (+{nn-ng})")
+
+    for scope, s, e in [("TRAIN", None, OOS_START_MS), ("OOS", OOS_START_MS, None)]:
+        print(f"\n  [{scope}] base vs trail k=1.5 — SENZA hurst guard")
+        rows = []
+        for key in SLEEVE_KEYS:
+            sl = nh[key]
+            b = simulate(ExitPolicy, sl, start_ms=s, end_ms=e)
+            p = simulate(TrailATRKeepTP, sl, {"k": 1.5}, start_ms=s, end_ms=e)
+            rows.append((key, b, p))
+            tag = f"{key[0].split('_')[0]} {key[1]}"
+            print(f"    {tag:<10} base {_fmt(b)}")
+            print(f"    {'':<10} trail{_fmt(p)}")
+        sh, dd, ret, n = _summary(rows)
+        print(f"    --> Sharpe-up {sh}/{n}  DD-down {dd}/{n}  ret-up {ret}/{n}")
+
+    # contro-prova: con-guard sugli STESSI scope, per isolare l'effetto guard
+    print("\n  [CONTROLLO] stesso confronto CON hurst guard (cache):")
+    for scope, s, e in [("TRAIN", None, OOS_START_MS), ("OOS", OOS_START_MS, None)]:
+        rows = []
+        for key in SLEEVE_KEYS:
+            sl = data[key]
+            b = simulate(ExitPolicy, sl, start_ms=s, end_ms=e)
+            p = simulate(TrailATRKeepTP, sl, {"k": 1.5}, start_ms=s, end_ms=e)
+            rows.append((key, b, p))
+        sh, dd, ret, n = _summary(rows)
+        print(f"    [{scope}] con-guard --> Sharpe-up {sh}/{n}  DD-down {dd}/{n}  ret-up {ret}/{n}")
+
+
+if __name__ == "__main__":
+    data = load_sleeves()
+    test_jitter(data)
+    test_temporal(data)
+    test_hurst(data)
+    print("\nDONE")

scripts/analysis/exit_policies/verify_02_trail_atr_keep_tp_leakage.py

@@ -0,0 +1,329 @@
+"""VERIFICA AVVERSARIALE — lente LOOK-AHEAD/ESEGUIBILITA' su EXIT-02 (k=1.5).
+
+Ipotesi nulla avversaria: l'edge del chandelier trail e' un artefatto del
+TIMING PERFETTO (livelli fissati a j-1 e tocco a j senza alcun attrito) e/o di
+uno SL fillato a un prezzo non eseguibile live. Provo a confutarla.
+
+Esperimenti:
+  (A) AUDIT del contratto: ricalcolo i livelli di EXIT-02 fuori dall'engine e
+      verifico che run_hi/run_lo a j NON incorporino mai high[j]/low[j], e che
+      atr usato sia atr[j-1]. (statico, ma lo confermo numericamente forzando
+      un confronto con una variante che USA j -> deve cambiare i numeri.)
+
+  (B) LAG +1: variante che ritarda di UN bar in piu' TUTTI gli input causali
+      (atr[j-2], estremi fino a j-2). Se l'edge collassa -> appeso al timing.
+
+  (C) ESEGUIBILITA' SL: lo SL fillato a `sl` (prezzo del livello) e' ottimistico?
+      Confronto col fill conservativo allo SL ma con slippage, e con fill al
+      WORSE fra sl e open[j] (gap-through). Stima costo.
+
+  (D) ESEGUIBILITA' HORIZON/CLOSE: gli exit a max_bars escono a close[j]. Live
+      il poll arriva ~al close ma esegue al bar dopo -> rifaccio l'engine con
+      gli exit a horizon/after_bar a open[j+1] invece di close[j]. Costo?
+      (EXIT-02 non usa after_bar, ma usa gli exit a horizon -> rilevante con
+      avg_bars 2.5: il turnover alto AMPLIFICA il costo per-exit.)
+
+Tutto a leva 3, fee 0.10% RT, OOS_START 2023-11-01.
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+import exit_lab as EL  # noqa: E402
+from exit_lab import ExitPolicy, load_sleeves, simulate, OOS_START_MS, LEV, POS, FEE_RT  # noqa: E402
+from importlib import import_module  # noqa: E402
+
+mod = import_module("02_trail_atr_keep_tp")
+TrailATRKeepTP = mod.TrailATRKeepTP
+
+KPICK = 1.5
+DATA = load_sleeves()
+
+
+# ---------------------------------------------------------------- (A) AUDIT statico
+class TrailLeak(TrailATRKeepTP):
+    """VARIANTE SPORCA: usa run_hi/run_lo fino a j (incl. bar j) e atr[j].
+    Serve SOLO a mostrare quanto l'edge gonfierebbe col look-ahead -> se i numeri
+    della policy pulita fossero gia' a quel livello, sarebbe sospetta."""
+    name = "trail_LEAK"
+
+    def levels(self, j: int):
+        self._update_running(j)            # SPORCO: incorpora bar j
+        a = self.atr[j]                    # SPORCO: atr del bar j
+        if a is None or a != a:
+            return self.tp0, self.sl0, 1.0
+        if self.d == 1:
+            chand = self.run_hi - self.k * a
+            sl = max(self.sl0, chand)
+        else:
+            chand = self.run_lo + self.k * a
+            sl = min(self.sl0, chand)
+        return self.tp0, sl, 1.0
+
+
+# ---------------------------------------------------------------- (B) LAG +1
+class TrailLag1(TrailATRKeepTP):
+    """Ritarda di UN bar in piu': estremi fino a j-2, atr[j-2]."""
+    name = "trail_LAG1"
+
+    def levels(self, j: int):
+        self._update_running(j - 2)        # estremi solo <= j-2
+        idx = j - 2
+        a = self.atr[idx] if idx >= 0 else None
+        if a is None or a != a:
+            return self.tp0, self.sl0, 1.0
+        if self.d == 1:
+            chand = self.run_hi - self.k * a
+            sl = max(self.sl0, chand)
+        else:
+            chand = self.run_lo + self.k * a
+            sl = min(self.sl0, chand)
+        return self.tp0, sl, 1.0
+
+
+# ------------------------------------- (C)/(D) engine alternativo con attriti exec
+def simulate_exec(policy_cls, sleeve, params, *, start_ms=None, end_ms=None,
+                  sl_slip_bps=0.0, sl_gap=False, horizon_open=False):
+    """Clone di EL.simulate con attriti di esecuzione opzionali:
+       sl_slip_bps : slippage avverso (bps di prezzo) sul fill allo SL.
+       sl_gap      : fill allo SL = worse(sl, open[j]) (gap-through realistico).
+       horizon_open: exit a horizon/after_bar a open[j+1] invece di close[j].
+    """
+    params = params or {}
+    o = sleeve["open"]; h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = FEE_RT * LEV
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = 0
+    bars_tot = 0
+    rets = []
+
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), EL.HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                px = o[min(j + 1, n - 1)] if horizon_open else c[j]
+                fills.append((remaining, px)); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fill_px = sl
+                if sl_gap:
+                    # gap-through: se la barra apre gia' oltre lo SL, fill all'open
+                    fill_px = min(sl, o[j]) if d == 1 else max(sl, o[j])
+                if sl_slip_bps:
+                    fill_px = fill_px * (1 - d * sl_slip_bps / 1e4)  # avverso
+                fills.append((remaining, fill_px)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                px = o[min(j + 1, n - 1)] if horizon_open else c[j]
+                fills.append((remaining, px)); remaining = 0.0
+                break
+            if step == horizon:
+                px = o[min(j + 1, n - 1)] if horizon_open else c[j]
+                fills.append((remaining, px)); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+
+        ret = sum(f * (p - entry) for f, p in fills) / entry * d * LEV - fee
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        trades += 1
+        wins += ret > 0
+        bars_tot += j - i
+        rets.append(ret)
+
+    if trades == 0:
+        return {}
+    r = np.array(rets)
+    return {
+        "ret_pct": (capital / 1000.0 - 1) * 100,
+        "dd_pct": max_dd * 100,
+        "trades": trades,
+        "win_pct": wins / trades * 100,
+        "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0,
+        "avg_bars": bars_tot / trades,
+    }
+
+
+def oos(cls, sleeve, sim=simulate, **kw):
+    return sim(cls, sleeve, {"k": KPICK}, start_ms=OOS_START_MS, **kw)
+
+
+def line(tag, r):
+    return (f"{tag:<26} ret{r.get('ret_pct',0):>7.0f}% dd{r.get('dd_pct',0):>5.1f} "
+            f"sh{r.get('sharpe_t',0):>5.2f} n{r.get('trades',0):>4} "
+            f"win{r.get('win_pct',0):>4.0f}% bars{r.get('avg_bars',0):>4.1f}")
+
+
+print("=" * 90)
+print("OOS (2023-11-01+) k=1.5 — clean / LEAK(look-ahead) / LAG1(+1 bar) per sleeve")
+print("=" * 90)
+agg = {"clean": [], "leak": [], "lag1": []}
+for (code, asset), sleeve in DATA.items():
+    key = f"{code.split('_')[0]} {asset}"
+    rc = oos(TrailATRKeepTP, sleeve)
+    rk = oos(TrailLeak, sleeve)
+    rl = oos(TrailLag1, sleeve)
+    agg["clean"].append(rc.get("ret_pct", 0))
+    agg["leak"].append(rk.get("ret_pct", 0))
+    agg["lag1"].append(rl.get("ret_pct", 0))
+    print(f"\n{key}")
+    print("  " + line("clean", rc))
+    print("  " + line("LEAK", rk))
+    print("  " + line("LAG1", rl))
+
+print("\n" + "-" * 90)
+print(f"OOS ret medio  clean={np.mean(agg['clean']):.0f}%  "
+      f"LEAK={np.mean(agg['leak']):.0f}%  LAG1={np.mean(agg['lag1']):.0f}%")
+print(f"LAG1/clean ratio per sleeve: "
+      f"{[f'{a/ b:.2f}' if b else 'na' for a, b in zip(agg['lag1'], agg['clean'])]}")
+
+print("\n" + "=" * 90)
+print("ESECUZIONE — attriti su OOS k=1.5 (medie sui 6 sleeve)")
+print("=" * 90)
+scenarios = {
+    "clean (engine std)":        dict(),
+    "SL slip 5bps":              dict(sl_slip_bps=5.0),
+    "SL slip 10bps":             dict(sl_slip_bps=10.0),
+    "SL gap-through(open)":      dict(sl_gap=True),
+    "SL gap + slip 5bps":        dict(sl_gap=True, sl_slip_bps=5.0),
+    "horizon exit @open[j+1]":   dict(horizon_open=True),
+    "horizon@open + SLslip5":    dict(horizon_open=True, sl_slip_bps=5.0),
+}
+for tag, kw in scenarios.items():
+    rets, dds, shs = [], [], []
+    for (code, asset), sleeve in DATA.items():
+        r = oos(TrailATRKeepTP, sleeve, sim=simulate_exec, **kw)
+        rets.append(r.get("ret_pct", 0)); dds.append(r.get("dd_pct", 0)); shs.append(r.get("sharpe_t", 0))
+    print(f"{tag:<28} OOS ret medio {np.mean(rets):>6.0f}%  dd {np.mean(dds):>4.1f}  "
+          f"sh {np.mean(shs):>4.2f}  (min ret {min(rets):>5.0f}%)")
+
+# confronto baseline per contesto
+print("\nBaseline (exit fissa) OOS ret medio per riferimento:")
+brets = [simulate(ExitPolicy, s, {}, start_ms=OOS_START_MS).get("ret_pct", 0)
+         for s in DATA.values()]
+print(f"  base OOS ret medio {np.mean(brets):.0f}%")
+
+
+# ---------------------------------------------------------------- (E) frequenza gap-through SL
+print("\n" + "=" * 90)
+print("FREQUENZA gap-through allo SL (OOS k=1.5): quanti fill SL aprono OLTRE il livello?")
+print("=" * 90)
+
+
+def gap_stats(sleeve, start_ms=OOS_START_MS):
+    params = {"k": KPICK}
+    o = sleeve["open"]; h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve); TrailATRKeepTP.prepare(ctx, **params)
+    last_exit = -1
+    sl_hits = gaps = 0
+    gap_bps = []
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if ts[i] < start_ms or i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = TrailATRKeepTP(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), EL.HARD_CAP)
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                break
+            tp, sl, _ = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                sl_hits += 1
+                # gap-through: l'open e' gia' oltre lo SL (peggio del livello)?
+                worse = (d == 1 and o[j] < sl) or (d == -1 and o[j] > sl)
+                if worse:
+                    gaps += 1
+                    gap_bps.append(abs(o[j] - sl) / sl * 1e4)
+                break
+            if hit_tp:
+                break
+        last_exit = j
+    return sl_hits, gaps, (np.mean(gap_bps) if gap_bps else 0.0), (np.median(gap_bps) if gap_bps else 0.0)
+
+
+tot_h = tot_g = 0
+for (code, asset), sleeve in DATA.items():
+    sh_, g_, m_, md_ = gap_stats(sleeve)
+    tot_h += sh_; tot_g += g_
+    print(f"  {code.split('_')[0]} {asset}: SL hits {sh_:>3}  gap-through {g_:>3} "
+          f"({100*g_/max(sh_,1):>4.0f}%)  gap medio {m_:>5.1f}bps  mediano {md_:>5.1f}bps")
+print(f"\n  TOTALE: {tot_g}/{tot_h} SL hit sono gap-through = {100*tot_g/max(tot_h,1):.0f}%")
+
+
+# ------------------------------------------------- (F) gap pessimista vs baseline per sleeve
+print("\n" + "=" * 90)
+print("VERDETTO ESEGUIBILITA': EXIT-02 con SL gap-through vs BASELINE (exit fissa), OOS, per sleeve")
+print("=" * 90)
+print(f"{'sleeve':<10}{'base ret':>10}{'base dd':>9}{'base sh':>9}   "
+      f"{'trail gap ret':>14}{'gap dd':>8}{'gap sh':>8}   verdetto")
+n_better = 0
+for (code, asset), sleeve in DATA.items():
+    key = f"{code.split('_')[0]} {asset}"
+    b = simulate(ExitPolicy, sleeve, {}, start_ms=OOS_START_MS)
+    g = oos(TrailATRKeepTP, sleeve, sim=simulate_exec, sl_gap=True, sl_slip_bps=5.0)
+    better = g.get("sharpe_t", 0) >= b.get("sharpe_t", 0)
+    dd_better = g.get("dd_pct", 99) <= b.get("dd_pct", 99)
+    n_better += better
+    verdict = ("Sharpe+DD>" if better and dd_better else
+               "DD> ret<" if dd_better and not better else "PEGGIO")
+    print(f"{key:<10}{b.get('ret_pct',0):>9.0f}%{b.get('dd_pct',0):>8.1f}{b.get('sharpe_t',0):>9.2f}   "
+          f"{g.get('ret_pct',0):>13.0f}%{g.get('dd_pct',0):>7.1f}{g.get('sharpe_t',0):>8.2f}   {verdict}")
+print(f"\n  sleeve con Sharpe trail-gap >= baseline: {n_better}/6")
+
+
+# ----------------------- (G) CONFRONTO EQUO: baseline E trail entrambi con gap-through SL
+print("\n" + "=" * 90)
+print("CONFRONTO EQUO (gap-through SL su ENTRAMBI) — la tesi 'SL fisso distrugge valore' regge?")
+print("=" * 90)
+print(f"{'sleeve':<10}{'BASE-gap ret':>13}{'dd':>6}{'sh':>6}   {'TRAIL-gap ret':>14}{'dd':>6}{'sh':>6}   verdetto")
+trail_wins = 0
+agg_b = []; agg_t = []
+for (code, asset), sleeve in DATA.items():
+    key = f"{code.split('_')[0]} {asset}"
+    b = oos(ExitPolicy, sleeve, sim=simulate_exec, sl_gap=True, sl_slip_bps=5.0)
+    t = oos(TrailATRKeepTP, sleeve, sim=simulate_exec, sl_gap=True, sl_slip_bps=5.0)
+    agg_b.append(b.get("sharpe_t", 0)); agg_t.append(t.get("sharpe_t", 0))
+    win = t.get("sharpe_t", 0) >= b.get("sharpe_t", 0)
+    trail_wins += win
+    print(f"{key:<10}{b.get('ret_pct',0):>12.0f}%{b.get('dd_pct',0):>6.1f}{b.get('sharpe_t',0):>6.2f}   "
+          f"{t.get('ret_pct',0):>13.0f}%{t.get('dd_pct',0):>6.1f}{t.get('sharpe_t',0):>6.2f}   "
+          f"{'TRAIL>=' if win else 'BASE>'}")
+print(f"\n  con ENTRAMBI gap-through: trail Sharpe >= baseline su {trail_wins}/6 sleeve")
+print(f"  Sharpe medio  BASE-gap={np.mean(agg_b):.2f}  TRAIL-gap={np.mean(agg_t):.2f}")

scripts/analysis/exit_policies/verify_02_trail_atr_keep_tp_stress.py

@@ -0,0 +1,217 @@
+"""STRESS verifier for EXIT-02 trail_atr_keep_tp (train-pick k=1.5).
+
+Adversarial lens = STRESS. Hypothesis to try to REFUTE the survivor:
+  (1) Fee 2x (FEE_RT=0.002): the policy raises turnover (avg_bars 9->2.5) =>
+      it should be disproportionately hurt by doubling fees.
+  (2) Bear/crash subperiod 2021-01..2022-12 (2021-05-19 crash, LUNA, FTX):
+      does the DD/tail of the policy survive? compare worst trade + 5 worst.
+  (3) Adverse slippage on the POLICY exits (+20bps against position on exit
+      price): the trail exits more often near wicks -> does edge survive?
+  (4) Turnover / capital-churn: the policy turns capital ~3.6x faster. Quantify
+      how many distinct trades each takes and the compounding effect.
+
+We monkeypatch exit_lab.FEE_RT and re-implement a thin per-trade collector that
+mirrors exit_lab.simulate EXACTLY (same SL-before-TP, same fills, same compounding)
+so we can extract per-trade rets/exit prices for tail analysis and slippage.
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+import exit_lab  # noqa: E402
+from exit_lab import ExitPolicy, load_sleeves, OOS_START_MS, HARD_CAP  # noqa: E402
+
+# import the survivor policy
+import importlib.util
+spec = importlib.util.spec_from_file_location(
+    "p02", str(Path(__file__).resolve().parent / "02_trail_atr_keep_tp.py"))
+p02 = importlib.util.module_from_spec(spec)
+spec.loader.exec_module(p02)
+TrailATRKeepTP = p02.TrailATRKeepTP
+
+import pandas as pd
+BEAR_START = int(pd.Timestamp("2021-01-01", tz="UTC").value // 1e6)
+BEAR_END = int(pd.Timestamp("2023-01-01", tz="UTC").value // 1e6)
+
+
+def simulate_detailed(policy_cls, sleeve, params=None, start_ms=None, end_ms=None,
+                      exit_slip_bps=0.0):
+    """Mirror of exit_lab.simulate but returns per-trade detail and supports an
+    adverse slippage applied to every fill price (against the position)."""
+    params = params or {}
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = exit_lab.FEE_RT * exit_lab.LEV
+    LEV, POS = exit_lab.LEV, exit_lab.POS
+    slip = exit_slip_bps * 1e-4
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    rets = []
+    tdetail = []
+
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            if step == horizon:
+                fills.append((remaining, c[j])); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+
+        # adverse slippage: every exit fill price moves AGAINST the position
+        # long (d=1) sells lower -> p*(1-slip); short (d=-1) buys back higher -> p*(1+slip)
+        adj_fills = [(f, p * (1.0 - d * slip)) for f, p in fills]
+        ret = sum(f * (p - entry) for f, p in adj_fills) / entry * d * LEV - fee
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        rets.append(ret)
+        tdetail.append({"i": i, "j": j, "d": d, "ret": ret, "bars": j - i, "ts": int(ts[i])})
+
+    if not rets:
+        return {}
+    r = np.array(rets)
+    return {
+        "ret_pct": (capital / 1000.0 - 1) * 100,
+        "dd_pct": max_dd * 100,
+        "trades": len(r),
+        "win_pct": (r > 0).mean() * 100,
+        "avg_ret_bps": r.mean() * 1e4,
+        "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0,
+        "avg_bars": np.mean([t["bars"] for t in tdetail]),
+        "detail": tdetail,
+    }
+
+
+def run_grid(data, fee_rt, slip_bps, start_ms, end_ms, label):
+    orig = exit_lab.FEE_RT
+    exit_lab.FEE_RT = fee_rt
+    print(f"\n===== {label}  (FEE_RT={fee_rt}, slip={slip_bps}bps, "
+          f"start={start_ms}, end={end_ms}) =====")
+    agg = {}
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        base = simulate_detailed(ExitPolicy, sleeve, {}, start_ms, end_ms, slip_bps)
+        pol = simulate_detailed(TrailATRKeepTP, sleeve, {"k": 1.5}, start_ms, end_ms, slip_bps)
+        if not base or not pol:
+            continue
+        agg[key] = (base, pol)
+        print(f"{key:<10} BASE ret{base['ret_pct']:>8.0f}% dd{base['dd_pct']:>5.1f} "
+              f"sh{base['sharpe_t']:>5.2f} n{base['trades']:>4} bars{base['avg_bars']:>4.1f} "
+              f"| POL ret{pol['ret_pct']:>8.0f}% dd{pol['dd_pct']:>5.1f} "
+              f"sh{pol['sharpe_t']:>5.2f} n{pol['trades']:>4} bars{pol['avg_bars']:>4.1f}")
+    exit_lab.FEE_RT = orig
+    return agg
+
+
+def policy_better(agg, metric="sharpe_t"):
+    """count sleeves where policy >= base on metric (and ret not collapsed)."""
+    n_better_sh = n_better_dd = n_ret_ok = 0
+    for key, (base, pol) in agg.items():
+        if pol["sharpe_t"] >= base["sharpe_t"]:
+            n_better_sh += 1
+        if pol["dd_pct"] <= base["dd_pct"]:
+            n_better_dd += 1
+        if pol["ret_pct"] >= base["ret_pct"] * 0.5 or pol["ret_pct"] >= base["ret_pct"]:
+            n_ret_ok += 1
+    return n_better_sh, n_better_dd, n_ret_ok, len(agg)
+
+
+def main():
+    data = load_sleeves()
+
+    # ---- LENS 1: fee 2x on full OOS
+    a_base_oos = run_grid(data, 0.001, 0.0, OOS_START_MS, None, "L0 OOS baseline fee (sanity)")
+    a_fee2_oos = run_grid(data, 0.002, 0.0, OOS_START_MS, None, "L1 OOS FEE 2x")
+
+    # ---- LENS 3: adverse slippage 20bps on exits (OOS, normal fee)
+    a_slip_oos = run_grid(data, 0.001, 20.0, OOS_START_MS, None, "L3 OOS +20bps adverse exit slippage")
+
+    # ---- LENS 1+3 combined (worst case): fee 2x AND slippage
+    a_both = run_grid(data, 0.002, 20.0, OOS_START_MS, None, "L1+3 OOS fee2x + 20bps slip")
+
+    # ---- LENS 2: bear/crash subperiod 2021-2022
+    a_bear = run_grid(data, 0.001, 0.0, BEAR_START, BEAR_END, "L2 BEAR 2021-2022")
+
+    # ---- LENS 2 tail: worst trade + 5 worst, base vs policy, on bear window
+    print("\n===== L2 TAIL: worst trades in 2021-2022 (base vs policy) =====")
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        base = simulate_detailed(ExitPolicy, sleeve, {}, BEAR_START, BEAR_END)
+        pol = simulate_detailed(TrailATRKeepTP, sleeve, {"k": 1.5}, BEAR_START, BEAR_END)
+        if not base or not pol:
+            continue
+        bw = sorted([t["ret"] for t in base["detail"]])[:5]
+        pw = sorted([t["ret"] for t in pol["detail"]])[:5]
+        print(f"{key:<10} base 5-worst(bps) {[f'{x*1e4:.0f}' for x in bw]} "
+              f"| pol 5-worst(bps) {[f'{x*1e4:.0f}' for x in pw]}")
+        print(f"{'':<10} base worst {bw[0]*1e4:.0f}bps  pol worst {pw[0]*1e4:.0f}bps  "
+              f"base n={base['trades']} pol n={pol['trades']}")
+
+    # ---- LENS 4: turnover / capital churn quantification (OOS)
+    print("\n===== L4 TURNOVER / capital churn (OOS) =====")
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        base = simulate_detailed(ExitPolicy, sleeve, {}, OOS_START_MS, None)
+        pol = simulate_detailed(TrailATRKeepTP, sleeve, {"k": 1.5}, OOS_START_MS, None)
+        if not base or not pol:
+            continue
+        # bars in market total, fraction of time deployed
+        n = len(sleeve["close"])
+        base_bars = sum(t["bars"] for t in base["detail"])
+        pol_bars = sum(t["bars"] for t in pol["detail"])
+        churn = (pol["trades"] / max(base["trades"], 1))
+        print(f"{key:<10} trades base{base['trades']:>4} pol{pol['trades']:>4} "
+              f"(x{churn:.2f}) | bars-in-mkt base{base_bars:>5} pol{pol_bars:>5} "
+              f"| avg_bars base{base['avg_bars']:.1f} pol{pol['avg_bars']:.1f} "
+              f"| win% base{base['win_pct']:.0f} pol{pol['win_pct']:.0f}")
+
+    # ---- VERDICT helpers
+    print("\n===== VERDICT TALLIES =====")
+    for lbl, agg in [("OOS baseline-fee", a_base_oos), ("OOS fee2x", a_fee2_oos),
+                     ("OOS slip20", a_slip_oos), ("OOS fee2x+slip", a_both),
+                     ("BEAR 2021-22", a_bear)]:
+        nsh, ndd, nret, tot = policy_better(agg)
+        print(f"{lbl:<20} policy>=base: sharpe {nsh}/{tot}  dd-better {ndd}/{tot}  "
+              f"ret>=50%base {nret}/{tot}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit_policies/verify_16_leakage.py

@@ -0,0 +1,211 @@
+"""Verifica avversariale LEAKAGE/ESEGUIBILITA' per EXIT-16 close_confirm_sl.
+
+Tre attacchi:
+  A) CONTRATTO: dump statico di cosa legge la policy (close[j], atr[j]) e prova
+     che nessun indice > j entra nella decisione. Replica esatta del numero
+     headline (MR02 BTC/ETH OOS) per ancorare.
+  B) LAG: variante con UN bar di ritardo in piu' sugli input causali della
+     soglia (atr14[j-1] e confronto su close[j-1] invece di close[j]). Se l'edge
+     collassa -> appeso al timing perfetto. La decisione resta eseguibile
+     (close[j-1] noto a j-1), ma sposta il momento dello stop di un bar.
+  C) ESEGUIBILITA' LIVE: il worker esce al POLL successivo, non al close[j]
+     esatto. Stima del costo eseguendo l'uscita a open[j+1] invece di close[j].
+
+Esegui: cd /opt/docker/PythagorasGoal && PYTHONPATH=. uv run python \
+        scripts/analysis/exit_policies/verify_16_leakage.py
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+
+HERE = Path(__file__).resolve().parent
+sys.path.insert(0, str(HERE.parent))          # scripts/analysis
+sys.path.insert(0, str(HERE.parents[2]))      # project root
+
+import exit_lab  # noqa: E402
+from exit_lab import (ExitPolicy, load_sleeves, simulate, OOS_START_MS)  # noqa: E402
+
+# import the survivor policy directly from its file
+import importlib.util  # noqa: E402
+spec = importlib.util.spec_from_file_location("p16", HERE / "16_close_confirm_sl.py")
+p16 = importlib.util.module_from_spec(spec)
+spec.loader.exec_module(p16)
+CloseConfirmSl = p16.CloseConfirmSl
+
+BUF = 0.5  # train-pick buffer
+
+
+# --------------------------------------------------------------- B) LAG variant
+class CloseConfirmSlLag(ExitPolicy):
+    """Identica a EXIT-16 ma con 1 bar di ritardo sugli input della soglia:
+    decisione su close[j-1] e atr[j-1] (eseguibile gia' a j-1). Se l'edge
+    dipendeva dal close[j] esatto del bar di sfondamento, qui collassa."""
+    name = "close_confirm_sl_lag"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.buffer = float(params.get("buffer", 0.0))
+        self.close = ctx["close"]
+        self.atr = ctx["atr14"]
+
+    def levels(self, j):
+        return self.tp0, None, 1.0
+
+    def after_bar(self, j):
+        jj = j - 1
+        if jj <= self.i:
+            return False
+        a = self.atr[jj]
+        if not np.isfinite(a):
+            a = 0.0
+        cj = self.close[jj]
+        if self.d == 1:
+            return cj < self.sl0 - self.buffer * a
+        return cj > self.sl0 + self.buffer * a
+
+
+# ----------------------------------------- C) execution-delay (open[j+1]) variant
+def simulate_open_next(sleeve, params, start_ms=None, end_ms=None):
+    """Come exit_lab.simulate ma quando la policy esce sul CLOSE (after_bar o
+    horizon) il FILL avviene a open[j+1] (poll successivo), non a close[j].
+    I TP/SL intrabar restano al livello (limit). Stima il costo del ritardo
+    di un poll per un'exit market al prossimo bar."""
+    h = sleeve["high"]; l = sleeve["low"]; c = sleeve["close"]
+    o = sleeve["open"]; ts = sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    CloseConfirmSl.prepare(ctx, **params)
+    fee = exit_lab.FEE_RT * exit_lab.LEV
+    POS = exit_lab.POS; LEV = exit_lab.LEV
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = 0
+    bars_tot = 0
+    rets = []
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = CloseConfirmSl(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), exit_lab.HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                # EXECUTION DELAY: fill al prossimo open invece di close[j]
+                px = o[j + 1] if j + 1 < n else c[j]
+                fills.append((remaining, px)); remaining = 0.0
+                break
+            if step == horizon:
+                px = o[j + 1] if j + 1 < n else c[j]
+                fills.append((remaining, px)); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+        ret = sum(f * (p - entry) for f, p in fills) / entry * d * LEV - fee
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        trades += 1
+        wins += ret > 0
+        bars_tot += j - i
+        rets.append(ret)
+    if trades == 0:
+        return {}
+    r = np.array(rets)
+    return {"ret_pct": (capital / 1000.0 - 1) * 100, "dd_pct": max_dd * 100,
+            "trades": trades, "win_pct": wins / trades * 100,
+            "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0,
+            "avg_bars": bars_tot / trades}
+
+
+def fmt(r):
+    if not r:
+        return "(no trades)"
+    return (f"ret{r['ret_pct']:>7.0f}% dd{r['dd_pct']:>5.1f} sh{r['sharpe_t']:>5.2f} "
+            f"n{r['trades']:>4} bars{r['avg_bars']:>5.1f}")
+
+
+def main():
+    data = load_sleeves()
+    params = {"buffer": BUF}
+    keys = list(data.keys())
+
+    # ---------------------------------------- A) contratto / ancoraggio headline
+    print("=" * 96)
+    print("A) ANCORAGGIO (OOS) base vs EXIT-16(buf=0.5) vs LAG(+1 bar) vs OPEN[j+1] delay")
+    print("=" * 96)
+    survive_base = survive_lag = survive_delay = 0
+    agg = {}
+    for key in keys:
+        sl = data[key]
+        b_oos = simulate(ExitPolicy, sl, {}, start_ms=OOS_START_MS)
+        s_oos = simulate(CloseConfirmSl, sl, params, start_ms=OOS_START_MS)
+        lag_oos = simulate(CloseConfirmSlLag, sl, params, start_ms=OOS_START_MS)
+        del_oos = simulate_open_next(sl, params, start_ms=OOS_START_MS)
+        name = f"{key[0].split('_')[0]} {key[1]}"
+        print(f"\n{name}")
+        print(f"  base    {fmt(b_oos)}")
+        print(f"  EXIT16  {fmt(s_oos)}")
+        print(f"  LAG+1   {fmt(lag_oos)}")
+        print(f"  DELAY   {fmt(del_oos)}")
+        # survivorship: EXIT16 sharpe >= base sharpe?
+        if s_oos and b_oos and s_oos["sharpe_t"] >= b_oos["sharpe_t"]:
+            survive_base += 1
+        if lag_oos and b_oos and lag_oos["sharpe_t"] >= b_oos["sharpe_t"]:
+            survive_lag += 1
+        if del_oos and b_oos and del_oos["sharpe_t"] >= b_oos["sharpe_t"]:
+            survive_delay += 1
+        agg[name] = dict(base=b_oos, exit16=s_oos, lag=lag_oos, delay=del_oos)
+
+    print("\n" + "=" * 96)
+    print(f"GATE OOS (sharpe >= base): EXIT16 {survive_base}/6  |  LAG+1 {survive_lag}/6  "
+          f"|  DELAY(open[j+1]) {survive_delay}/6")
+
+    # ---------------------------------------- quantify lag/delay damage on headline
+    print("\nDanno relativo su sharpe OOS (EXIT16 = 100%):")
+    for name, a in agg.items():
+        s = a["exit16"]["sharpe_t"] if a["exit16"] else 0
+        lg = a["lag"]["sharpe_t"] if a["lag"] else 0
+        dl = a["delay"]["sharpe_t"] if a["delay"] else 0
+        ls = f"{100*lg/s:5.0f}%" if s else "  n/a"
+        ds = f"{100*dl/s:5.0f}%" if s else "  n/a"
+        print(f"  {name:<10} sh{s:5.2f}  LAG->{ls}  DELAY->{ds}")
+
+    # ---------------------------------------- B) per-trade audit of decision indices
+    print("\n" + "=" * 96)
+    print("B) AUDIT INDICI: la decisione after_bar(j) legge close[j], atr[j]. "
+          "Verifico\n   che simulate() chiami after_bar SOLO con j = i+step (mai > j corrente).")
+    # static guarantee from code; demonstrate atr[j] is causal (rolling mean to j)
+    sl = data[keys[0]]
+    print(f"   atr14[k] = rolling(14).mean(TR) -> usa TR[k-13..k], tutti chiusi a k. OK")
+    print(f"   close[j] noto al close del bar j. Nessun indice > j nella decisione. OK")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit_policies/verify_16_overfit.py

@@ -0,0 +1,198 @@
+"""VERIFY EXIT-16 close_confirm_sl — lente OVERFIT/ROBUSTEZZA (avversariale).
+
+Ipotesi nulla: il risultato e' un artefatto (overfit di cella / di regime / di
+dipendenza dal loss-guard Hurst gia' applicato in cache). Tre test:
+
+(1) JITTER PARAMETRI: buffer fuori griglia {0.4, 0.6, 0.75, 1.0} + ponte verso la
+    base con SL fisso a 3x/4x ATR (no_sl come limite). Il plateau tiene?
+(2) STABILITA' TEMPORALE: train 2018-20 vs 21-22; OOS 2023-11/2025-01 vs
+    2025-01/2026-05. Il miglioramento e' in OGNI finestra o concentrato?
+(3) DIPENDENZA HURST (decisivo): rigenero i segnali con hurst_max=None (NESSUN
+    loss-guard, NON tocco la cache) e ripeto base-vs-policy. Se senza il guard la
+    policy crolla, funziona SOLO grazie al guard -> condizione di validita'.
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+sys.path.insert(0, str(Path(__file__).resolve().parents[3]))
+
+import exit_lab  # noqa: E402
+from exit_lab import ExitPolicy, simulate, OOS_START_MS, _atr14  # noqa: E402
+
+import importlib.util
+spec = importlib.util.spec_from_file_location(
+    "cc16", str(Path(__file__).resolve().parent / "16_close_confirm_sl.py"))
+cc16 = importlib.util.module_from_spec(spec)
+spec.loader.exec_module(cc16)
+CloseConfirmSl = cc16.CloseConfirmSl
+
+from src.data.downloader import load_data  # noqa: E402
+from src.live.strategy_loader import load_strategy  # noqa: E402
+
+CODES = ["MR01_bollinger_fade", "MR02_donchian_fade", "MR07_return_reversal"]
+ASSETS = ("BTC", "ETH")
+
+
+# ---- policy ponte: SL fisso a multiplo di ATR (no_sl come limite) ----
+class WideSlPolicy(ExitPolicy):
+    """SL intrabar spostato a k*ATR oltre sl0 (ponte tra base e no-sl)."""
+    name = "wide_sl"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        self.k = float(params.get("k_atr", 2.0))
+        self.atr = ctx["atr14"]
+
+    def levels(self, j: int):
+        a = self.atr[j - 1] if np.isfinite(self.atr[j - 1]) else 0.0
+        # sl0 e' sotto (long) / sopra (short) l'entry; allarga di k*atr
+        sl = self.sl0 - self.k * a if self.d == 1 else self.sl0 + self.k * a
+        return self.tp0, sl, 1.0
+
+
+def sub(cls, sleeve, g, s, e):
+    return simulate(cls, sleeve, g, start_ms=s, end_ms=e)
+
+
+def fmt(r):
+    if not r:
+        return "   n/a"
+    return (f"ret{r['ret_pct']:>7.0f}% dd{r['dd_pct']:>5.1f} sh{r['sharpe_t']:>5.2f} "
+            f"n{r['trades']:>4} bars{r['avg_bars']:>5.1f}")
+
+
+def build_signals(hurst_max):
+    """Rigenera sleeve in memoria con hurst_max dato (None = no guard). NON tocca cache."""
+    out = {}
+    params = dict(trend_max=3.0, ema_long=200, hurst_max=hurst_max, min_tp_frac=0.0015)
+    for code in CODES:
+        strat = load_strategy(code)
+        for asset in ASSETS:
+            df = load_data(asset, "1h")
+            ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+            sigs = strat.generate_signals(df, ts, **params)
+            h = df["high"].values.astype(float)
+            l = df["low"].values.astype(float)
+            c = df["close"].values.astype(float)
+            out[(code, asset)] = {
+                "signals": [(int(s.idx), int(s.direction), float(s.metadata["tp"]),
+                             float(s.metadata["sl"]), int(s.metadata["max_bars"]))
+                            for s in sigs],
+                "open": df["open"].values.astype(float),
+                "high": h, "low": l, "close": c,
+                "ts_ms": df["timestamp"].values.astype(np.int64),
+                "atr14": _atr14(h, l, c),
+            }
+    return out
+
+
+def main():
+    data = exit_lab.load_sleeves()
+    keys = list(data.keys())
+
+    # ===== TEST 1: JITTER PARAMETRI =====
+    print("=" * 100)
+    print("TEST 1 — JITTER buffer fuori griglia + ponte WIDE-SL (OOS, dopo 2023-11)")
+    print("=" * 100)
+    jit_buffers = [0.4, 0.6, 0.75, 1.0]
+    all_pos = True
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        base = sub(ExitPolicy, sleeve, {}, OOS_START_MS, None)
+        line = f"{key:<10} BASE {fmt(base)}"
+        print(line)
+        for b in jit_buffers:
+            r = sub(CloseConfirmSl, sleeve, {"buffer": b}, OOS_START_MS, None)
+            better = r and base and r["sharpe_t"] >= base["sharpe_t"] - 0.10
+            all_pos &= bool(better)
+            print(f"           buf={b:<4} {fmt(r)} {'OK' if better else 'WORSE'}")
+        print()
+    print(f"JITTER buffer: tutte >= base-0.10 sharpe? {all_pos}\n")
+
+    print("-" * 100)
+    print("PONTE WIDE-SL: SL intrabar fisso allargato a k*ATR (k grande -> verso no-sl)")
+    print("-" * 100)
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        base = sub(ExitPolicy, sleeve, {}, OOS_START_MS, None)
+        print(f"{key:<10} BASE(k=0) {fmt(base)}")
+        for k in [1.5, 3.0, 4.0]:
+            r = sub(WideSlPolicy, sleeve, {"k_atr": k}, OOS_START_MS, None)
+            print(f"           k={k:<4}   {fmt(r)}")
+        print()
+
+    # ===== TEST 2: STABILITA' TEMPORALE =====
+    print("=" * 100)
+    print("TEST 2 — STABILITA' TEMPORALE (base vs policy buffer=0.5)")
+    print("=" * 100)
+    ms = lambda d: int(pd.Timestamp(d, tz="UTC").value // 1e6)
+    windows = [
+        ("TRAIN 2018-20", None, ms("2021-01-01")),
+        ("TRAIN 2021-22", ms("2021-01-01"), OOS_START_MS),
+        ("OOS  23/11-25/01", OOS_START_MS, ms("2025-01-01")),
+        ("OOS  25/01-26/05", ms("2025-01-01"), None),
+    ]
+    win_verdict = {w[0]: 0 for w in windows}
+    win_total = {w[0]: 0 for w in windows}
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        print(f"\n{key}")
+        for wname, s, e in windows:
+            b = sub(ExitPolicy, sleeve, {}, s, e)
+            p = sub(CloseConfirmSl, sleeve, {"buffer": 0.5}, s, e)
+            if b and p:
+                win_total[wname] += 1
+                # criterio: policy non peggio della base su sharpe (tol 0.15)
+                imp = p["sharpe_t"] >= b["sharpe_t"] - 0.15
+                win_verdict[wname] += int(imp)
+                tag = "OK " if imp else "BAD"
+            else:
+                tag = "n/a"
+            print(f"  {wname:<18} base {fmt(b)}")
+            print(f"  {'':<18} pol  {fmt(p)}  -> {tag}")
+    print("\nPer-finestra (policy >= base-0.15 sharpe):")
+    for w in windows:
+        wn = w[0]
+        print(f"  {wn:<18} {win_verdict[wn]}/{win_total[wn]} sleeve OK")
+
+    # ===== TEST 3: DIPENDENZA HURST (DECISIVO) =====
+    print("\n" + "=" * 100)
+    print("TEST 3 — DIPENDENZA dal loss-guard HURST (DECISIVO)")
+    print("Rigenero i segnali con hurst_max=None (NO guard, regime trending incluso).")
+    print("Se la policy crolla -> funziona SOLO grazie al guard.")
+    print("=" * 100)
+    print("Generazione segnali SENZA hurst (puo' richiedere ~1-2 min)...")
+    data_nohurst = build_signals(hurst_max=None)
+
+    n_guard = sum(len(s["signals"]) for s in data.values())
+    n_nohurst = sum(len(s["signals"]) for s in data_nohurst.values())
+    print(f"Segnali totali: con guard {n_guard}, senza guard {n_nohurst} "
+          f"(+{n_nohurst - n_guard} segnali in regime trending)\n")
+
+    holds = True
+    for region_name, s, e in [("TRAIN", None, OOS_START_MS), ("OOS", OOS_START_MS, None)]:
+        print(f"--- {region_name} (segnali SENZA hurst guard) ---")
+        for (code, asset), sleeve in data_nohurst.items():
+            key = f"{code.split('_')[0]} {asset}"
+            b = sub(ExitPolicy, sleeve, {}, s, e)
+            p = sub(CloseConfirmSl, sleeve, {"buffer": 0.5}, s, e)
+            if b and p:
+                imp = p["sharpe_t"] >= b["sharpe_t"] - 0.15
+                ddimp = p["dd_pct"] <= b["dd_pct"] + 1.0
+                holds &= bool(imp)
+                tag = "OK " if imp else "POLICY WORSE"
+            else:
+                tag = "n/a"
+            print(f"  {key:<10} base {fmt(b)}")
+            print(f"  {'':<10} pol  {fmt(p)}  -> {tag}")
+        print()
+    print(f"TEST 3 verdict: policy regge SENZA il guard (>= base-0.15 sharpe ovunque)? {holds}")
+    print("Se False -> la tesi 'SL dannoso' dipende dal guard (condizione di validita').")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit_policies/verify_16_stress.py

@@ -0,0 +1,261 @@
+"""VERIFY EXIT-16 close_confirm_sl — lente STRESS (avversariale).
+
+Ipotesi nulla: l'edge della close-confirm-SL e' fragile a frizioni reali.
+Quattro stress, tutti su segnali cache (params LIVE, hurst_max=0.55):
+
+(1) FEE 2x: FEE_RT=0.002 (vs 0.001). Penalizza le policy che girano piu' capitale.
+(2) BEAR/CRASH 2021-01..2022-12 (LUNA/FTX/19-mag-21): worst-trade + 5 peggiori
+    trade della policy vs base. Lo SL disattivato lascia correre le perdite?
+(3) SLIPPAGE AVVERSO 20bps sulle uscite della policy: ogni fill di USCITA paga
+    +20bps contro la posizione (prezzo di uscita peggiorato). L'edge regge?
+    NB: lo applico SOLO alle uscite della POLICY (la sua tesi e' "esco al close":
+    il close-fill e' market, paga slippage; la base esce a livelli limite sl0/tp0).
+(4) OVERLAP/TURNOVER: la policy allunga la permanenza (no stop intrabar). Conto
+    i segnali SALTATI per non-overlap (i <= last_exit) base vs policy, e quanto
+    capitale-tempo (somma bars in posizione) gira in piu'.
+
+Tutto via simulate() con monkeypatch di FEE_RT e una sottoclasse engine per lo
+slippage. Niente modifiche ad altri file.
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+sys.path.insert(0, str(Path(__file__).resolve().parents[3]))
+
+import exit_lab  # noqa: E402
+from exit_lab import ExitPolicy, simulate, OOS_START_MS, HARD_CAP, LEV, POS  # noqa: E402
+
+import importlib.util
+spec = importlib.util.spec_from_file_location(
+    "cc16", str(Path(__file__).resolve().parent / "16_close_confirm_sl.py"))
+cc16 = importlib.util.module_from_spec(spec)
+spec.loader.exec_module(cc16)
+CloseConfirmSl = cc16.CloseConfirmSl
+
+BUF = 0.5  # train-pick
+
+
+def fmt(r):
+    if not r:
+        return "   n/a"
+    return (f"ret{r['ret_pct']:>8.0f}% dd{r['dd_pct']:>5.1f} sh{r['sharpe_t']:>5.2f} "
+            f"n{r['trades']:>4} win{r['win_pct']:>4.0f} bars{r['avg_bars']:>5.1f}")
+
+
+def sub(cls, sleeve, g, s, e):
+    return simulate(cls, sleeve, g, start_ms=s, end_ms=e)
+
+
+def ms(d):
+    return int(pd.Timestamp(d, tz="UTC").value // 1e6)
+
+
+# ===========================================================================
+# Engine "instrumented" che riproduce simulate() ma:
+#  - applica uno slippage avverso (bps) su OGNI fill di USCITA (solo se policy)
+#  - raccoglie la lista dei ret per-trade e i segnali SALTATI per non-overlap
+#  - raccoglie capital-time (somma bars)
+# Lo tengo allineato 1:1 con exit_lab.simulate (stesso ordine SL-prima-di-TP).
+# ===========================================================================
+def simulate_instr(policy_cls, sleeve, params=None, start_ms=None, end_ms=None,
+                   exit_slip_bps=0.0):
+    params = params or {}
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = exit_lab.FEE_RT * LEV
+    slip = exit_slip_bps * 1e-4
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = 0
+    bars_tot = 0
+    skipped_overlap = 0
+    rets = []           # (ret, ts_entry, bars)
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i + 1 >= n:
+            continue
+        if i <= last_exit:
+            skipped_overlap += 1
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            if step == horizon:
+                fills.append((remaining, c[j])); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+        # slippage avverso sull'uscita: il prezzo di uscita peggiora di slip,
+        # cioe' si vende piu' basso (long) / si ricompra piu' alto (short).
+        def adj(p):
+            return p * (1.0 - slip) if d == 1 else p * (1.0 + slip)
+        ret = sum(f * (adj(p) - entry) for f, p in fills) / entry * d * LEV - fee
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        trades += 1
+        wins += ret > 0
+        bars_tot += j - i
+        rets.append((ret, int(ts[i]), j - i))
+    if trades == 0:
+        return {}
+    r = np.array([x[0] for x in rets])
+    return {
+        "ret_pct": (capital / 1000.0 - 1) * 100,
+        "dd_pct": max_dd * 100,
+        "trades": trades,
+        "win_pct": wins / trades * 100,
+        "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0,
+        "avg_bars": bars_tot / trades,
+        "bars_tot": bars_tot,
+        "skipped_overlap": skipped_overlap,
+        "rets": rets,
+        "worst5": sorted(r.tolist())[:5],
+    }
+
+
+def main():
+    data = exit_lab.load_sleeves()
+
+    # ===================================================================
+    print("=" * 104)
+    print("TEST 1 — FEE 2x (FEE_RT 0.001 -> 0.002).  base vs policy buffer=0.5  (OOS, dopo 2023-11)")
+    print("=" * 104)
+    orig_fee = exit_lab.FEE_RT
+    survive_fee = True
+    for fee in (0.001, 0.002):
+        exit_lab.FEE_RT = fee
+        print(f"\n--- FEE_RT={fee} ---")
+        for (code, asset), sleeve in data.items():
+            key = f"{code.split('_')[0]} {asset}"
+            b = sub(ExitPolicy, sleeve, {}, OOS_START_MS, None)
+            p = sub(CloseConfirmSl, sleeve, {"buffer": BUF}, OOS_START_MS, None)
+            tag = ""
+            if fee == 0.002 and b and p:
+                # regge se sharpe policy >= base (la tesi e' che migliora)
+                ok = p["sharpe_t"] >= b["sharpe_t"] - 0.10
+                survive_fee &= ok
+                tag = "OK" if ok else "WORSE"
+            print(f"  {key:<10} base {fmt(b)}")
+            print(f"  {'':<10} pol  {fmt(p)} {tag}")
+    exit_lab.FEE_RT = orig_fee
+    print(f"\nFEE 2x: policy regge (>= base-0.10 sh su tutti gli sleeve OOS)? {survive_fee}")
+
+    # ===================================================================
+    print("\n" + "=" * 104)
+    print("TEST 2 — BEAR/CRASH 2021-01..2022-12 (LUNA/FTX/19-mag): worst-trade + 5 peggiori")
+    print("=" * 104)
+    s2, e2 = ms("2021-01-01"), ms("2023-01-01")
+    tail_worse = 0
+    tail_total = 0
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        b = simulate_instr(ExitPolicy, sleeve, {}, s2, e2)
+        p = simulate_instr(CloseConfirmSl, sleeve, {"buffer": BUF}, s2, e2)
+        print(f"\n{key}")
+        print(f"  base {fmt(b)}")
+        print(f"  pol  {fmt(p)}")
+        if b and p:
+            bw = [f"{x*100:+.1f}%" for x in b["worst5"]]
+            pw = [f"{x*100:+.1f}%" for x in p["worst5"]]
+            print(f"  base 5 peggiori (ret netto): {bw}")
+            print(f"  pol  5 peggiori (ret netto): {pw}")
+            tail_total += 1
+            # la policy peggiora la coda se il worst-trade e' piu' negativo
+            if p["worst5"][0] < b["worst5"][0] - 0.005:
+                tail_worse += 1
+                print(f"  -> CODA PEGGIORE: worst {p['worst5'][0]*100:+.1f}% < base {b['worst5'][0]*100:+.1f}%")
+            else:
+                print(f"  -> coda OK: worst {p['worst5'][0]*100:+.1f}% vs base {b['worst5'][0]*100:+.1f}%")
+            print(f"  DD bear: base {b['dd_pct']:.1f}%  pol {p['dd_pct']:.1f}%")
+    print(f"\nBEAR: sleeve con coda PEGGIORE (worst-trade > 0.5pt sotto base): {tail_worse}/{tail_total}")
+
+    # ===================================================================
+    print("\n" + "=" * 104)
+    print("TEST 3 — SLIPPAGE AVVERSO 20bps sulle uscite della POLICY (OOS).  base senza slippage")
+    print("(la tesi della policy e' 'esco al close' = market fill -> paga slippage)")
+    print("=" * 104)
+    survive_slip = True
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        b = simulate_instr(ExitPolicy, sleeve, {}, OOS_START_MS, None, exit_slip_bps=0.0)
+        p0 = simulate_instr(CloseConfirmSl, sleeve, {"buffer": BUF}, OOS_START_MS, None, exit_slip_bps=0.0)
+        p20 = simulate_instr(CloseConfirmSl, sleeve, {"buffer": BUF}, OOS_START_MS, None, exit_slip_bps=20.0)
+        ok = p20 and b and p20["sharpe_t"] >= b["sharpe_t"] - 0.10
+        survive_slip &= bool(ok)
+        print(f"\n{key}")
+        print(f"  base  (no slip)        {fmt(b)}")
+        print(f"  pol   (no slip)        {fmt(p0)}")
+        print(f"  pol   (+20bps exit)    {fmt(p20)}  {'OK' if ok else 'WORSE vs base'}")
+    print(f"\nSLIPPAGE 20bps: policy ancora >= base-0.10 sh su tutti? {survive_slip}")
+    print("(test severo: lo slippage colpisce la policy ma NON la base — asimmetria pessimistica)")
+
+    # severita' extra: slippage anche sulla base (entrambe market) per fairness
+    print("\n--- fairness: 20bps anche sulle uscite della BASE ---")
+    fair = True
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        b20 = simulate_instr(ExitPolicy, sleeve, {}, OOS_START_MS, None, exit_slip_bps=20.0)
+        p20 = simulate_instr(CloseConfirmSl, sleeve, {"buffer": BUF}, OOS_START_MS, None, exit_slip_bps=20.0)
+        ok = p20 and b20 and p20["sharpe_t"] >= b20["sharpe_t"] - 0.10
+        fair &= bool(ok)
+        print(f"  {key:<10} base+20 {fmt(b20)}")
+        print(f"  {'':<10} pol +20 {fmt(p20)}  {'OK' if ok else 'WORSE'}")
+    print(f"fairness (entrambe +20bps): policy >= base-0.10 sh? {fair}")
+
+    # ===================================================================
+    print("\n" + "=" * 104)
+    print("TEST 4 — OVERLAP/TURNOVER: segnali saltati per non-overlap + capital-time (OOS)")
+    print("=" * 104)
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        b = simulate_instr(ExitPolicy, sleeve, {}, OOS_START_MS, None)
+        p = simulate_instr(CloseConfirmSl, sleeve, {"buffer": BUF}, OOS_START_MS, None)
+        if b and p:
+            dskip = p["skipped_overlap"] - b["skipped_overlap"]
+            dbars = p["bars_tot"] - b["bars_tot"]
+            print(f"  {key:<10} base: trades {b['trades']:>4} skip-overlap {b['skipped_overlap']:>4} "
+                  f"bars_tot {b['bars_tot']:>6} avg {b['avg_bars']:.1f}")
+            print(f"  {'':<10} pol : trades {p['trades']:>4} skip-overlap {p['skipped_overlap']:>4} "
+                  f"bars_tot {p['bars_tot']:>6} avg {p['avg_bars']:.1f}")
+            print(f"  {'':<10} -> +{dskip} segnali persi per overlap, "
+                  f"+{dbars} bars in posizione ({dbars/max(b['bars_tot'],1)*100:+.0f}% capital-time)")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit_policies/verify_22_no_sl_leakage.py

@@ -0,0 +1,222 @@
+"""VERIFICA AVVERSARIALE — lente LOOK-AHEAD/ESEGUIBILITA' per EXIT-22 (no_sl).
+
+Ipotesi da confutare: "rimuovere lo SL e' un free-lunch" potrebbe essere un
+artefatto di (a) look-ahead nel contratto livelli/engine, (b) dipendenza dal
+timing perfetto dell'uscita, (c) non-replicabilita' del fill live (il worker
+ticka ogni ora ed esce al poll successivo, non al close esatto del bar).
+
+Esperimenti (tutti riusano simulate() e la policy importata):
+  E1  CONTRATTO: la policy NoSl ha livelli STATICI dall'entrata. Confermo che
+      l'output non cambia se "rumorizzo" gli array > i (futuro) post-entrata, e
+      che non cambia se rumorizzo atr14 ovunque (la policy non lo usa).
+  E2  LAG: variante che ritarda l'uscita a horizon (e i tocchi) di 1 bar — ma
+      siccome NoSl non ha SL e non usa indicatori a j-1, il vero lag rilevante
+      e' SUL FILL. Implemento NoSlLagExit: l'uscita al close del bar j viene
+      eseguita al close[j+1] (un tick dopo) e il TP intrabar viene fillato al
+      WORST fra tp e close[j] (slippage avverso). Misuro il collasso dell'edge.
+  E3  ESEGUIBILITA' open[j+1]: orizzonte/uscite al close[j] rieseguite a
+      open[j+1] (il poll successivo del worker). Quanto costa il gap di apertura?
+  E4  TP-FILL pessimistico: TP fillato a close[j] (non al livello tp) quando il
+      bar tocca il TP -> stima il caso in cui il worker scopre il tocco solo al
+      poll e chiude al prezzo corrente, peggiore del livello.
+  E5  SOTTOPERIODI OOS: l'edge di 'none' regge nei sotto-intervalli OOS o e'
+      tutto in una coda fortunata? (2023-11..2024-08 vs 2024-08..fine).
+
+Verdetto: refuted=True solo se un test ESEGUIBILE realistico (E2/E3/E4) cancella
+il vantaggio di 'none' su 'base' (ret E dd) su entrambi gli asset / tutte le fade.
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+HERE = Path(__file__).resolve().parent
+sys.path.insert(0, str(HERE.parent))  # scripts/analysis
+
+import exit_lab  # noqa: E402
+from exit_lab import ExitPolicy, simulate, load_sleeves, OOS_START_MS, HARD_CAP, LEV, POS  # noqa: E402
+
+sys.path.insert(0, str(HERE))
+import importlib.util  # noqa: E402
+
+_spec = importlib.util.spec_from_file_location("_no_sl", HERE / "22_no_sl.py")
+_mod = importlib.util.module_from_spec(_spec)
+_spec.loader.exec_module(_mod)
+NoSl = _mod.NoSl
+
+
+def _fmt(r):
+    if not r:
+        return "  (no trades)"
+    return (f"ret{r['ret_pct']:>8.0f}% dd{r['dd_pct']:>5.1f} sh{r['sharpe_t']:>5.2f} "
+            f"n{r['trades']:>4} win{r['win_pct']:>4.0f}% bars{r['avg_bars']:>5.1f}")
+
+
+# ---------------------------------------------------------------- E2/E3/E4 engines
+
+def simulate_exec(sleeve, mode, *, exit_at, tp_fill, start_ms=None, end_ms=None,
+                  with_sl=False):
+    """Clone di simulate() con NoSl(mode), ma con esecuzione LIVE-realistica:
+      exit_at  : 'close'  -> uscita orizzonte al close[j] (baseline harness)
+                 'open1'  -> uscita orizzonte al open[j+1] (poll successivo)
+      tp_fill  : 'level'  -> TP fillato al livello tp (ottimistico, harness)
+                 'close'  -> TP fillato al close[j] del bar che tocca (worker
+                             scopre il tocco solo al poll: prezzo corrente)
+                 'open1'  -> TP fillato al open[j+1]
+    with_sl=False -> NoSl (mode='none'); with_sl tramite mode='base' usa lo SL
+    della strategia (per il confronto base vs none nelle STESSE condizioni exec).
+    """
+    h, l, c, o, ts = (sleeve["high"], sleeve["low"], sleeve["close"],
+                      sleeve["open"], sleeve["ts_ms"])
+    n = len(c)
+    fee = exit_lab.FEE_RT * LEV
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = bars_tot = 0
+    rets = []
+
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        if mode == "base":
+            sl = sl0
+        else:
+            sl = None  # 'none'
+        tp = tp0
+        horizon = min(int(mb), HARD_CAP)
+        exit_price = None
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                exit_price = c[j]
+                break
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = (d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp)
+            if hit_sl:
+                exit_price = sl  # SL fill al livello (favorevole alla tesi 'base')
+                break
+            if hit_tp:
+                if tp_fill == "level":
+                    exit_price = tp
+                elif tp_fill == "close":
+                    exit_price = c[j]
+                elif tp_fill == "open1":
+                    exit_price = o[j + 1] if j + 1 < n else c[j]
+                break
+            if step == horizon:
+                if exit_at == "close":
+                    exit_price = c[j]
+                elif exit_at == "open1":
+                    exit_price = o[j + 1] if j + 1 < n else c[j]
+                break
+        if exit_price is None:
+            exit_price = c[j]
+
+        ret = (exit_price - entry) / entry * d * LEV - fee
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        trades += 1
+        wins += ret > 0
+        bars_tot += j - i
+        rets.append(ret)
+
+    if trades == 0:
+        return {}
+    r = np.array(rets)
+    return {"ret_pct": (capital / 1000.0 - 1) * 100, "dd_pct": max_dd * 100,
+            "trades": trades, "win_pct": wins / trades * 100,
+            "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0,
+            "avg_bars": bars_tot / trades}
+
+
+def main():
+    data = load_sleeves()
+    keys = list(data.keys())
+
+    # ---- E1: contratto look-ahead (la policy ha livelli statici) -------------
+    print("=" * 100)
+    print("E1  CONTRATTO LOOK-AHEAD: rumorizzo gli array DOPO l'entrata e atr14 (la")
+    print("    policy NoSl non deve cambiare: livelli statici, non usa indicatori).")
+    print("=" * 100)
+    rng = np.random.default_rng(0)
+    code, asset = "MR02_donchian_fade", "ETH"
+    base_sleeve = data[(code, asset)]
+    clean = simulate(NoSl, base_sleeve, {"mode": "none"}, start_ms=OOS_START_MS)
+    # rumorizzo atr14 interamente (policy non lo usa)
+    noisy = dict(base_sleeve)
+    noisy["atr14"] = base_sleeve["atr14"] * (1 + rng.normal(0, 0.5, len(base_sleeve["atr14"])))
+    res_noisy_atr = simulate(NoSl, noisy, {"mode": "none"}, start_ms=OOS_START_MS)
+    print(f"  {code.split('_')[0]} {asset} clean       : {_fmt(clean)}")
+    print(f"  {code.split('_')[0]} {asset} atr14 noised : {_fmt(res_noisy_atr)}  "
+          f"(identico => NoSl non legge atr14)")
+
+    # ---- E5: sottoperiodi OOS ------------------------------------------------
+    print("\n" + "=" * 100)
+    print("E5  SOTTOPERIODI OOS: l'edge di 'none' vs 'base' regge in 2 meta'?")
+    print("=" * 100)
+    mid = int(pd.Timestamp("2024-09-01", tz="UTC").value // 1e6)
+    for (code, asset) in keys:
+        sl_name = code.split("_")[0]
+        s = data[(code, asset)]
+        for lab, a, b in [("H1 23-11..24-09", OOS_START_MS, mid),
+                          ("H2 24-09..fine ", mid, None)]:
+            bse = simulate(ExitPolicy, s, {}, start_ms=a, end_ms=b)
+            non = simulate(NoSl, s, {"mode": "none"}, start_ms=a, end_ms=b)
+            if bse and non:
+                dret = non["ret_pct"] - bse["ret_pct"]
+                ddd = non["dd_pct"] - bse["dd_pct"]
+                flag = "OK" if (dret > -1 and ddd < 1) else "FAIL"
+                print(f"  {sl_name} {asset} {lab}: base {_fmt(bse)}")
+                print(f"  {sl_name} {asset} {lab}: none {_fmt(non)}  "
+                      f"[dret{dret:+.0f} ddd{ddd:+.1f} {flag}]")
+
+    # ---- E2/E3/E4: esecuzione realistica, base vs none nelle STESSE condizioni
+    print("\n" + "=" * 100)
+    print("E2/E3/E4  ESEGUIBILITA' LIVE (OOS). Confronto base vs none sotto:")
+    print("  IDEAL  : exit close[j], TP@level   (= harness)")
+    print("  OPEN1  : exit open[j+1], TP@open[j+1]  (worker esce al poll successivo)")
+    print("  TPCLOSE: exit close[j], TP@close[j]    (TP scoperto al poll, fill peggiore)")
+    print("=" * 100)
+    scenarios = [("IDEAL  ", dict(exit_at="close", tp_fill="level")),
+                 ("OPEN1  ", dict(exit_at="open1", tp_fill="open1")),
+                 ("TPCLOSE", dict(exit_at="close", tp_fill="close"))]
+    summary = {sc[0]: {"none_wins_ret": 0, "none_wins_dd": 0, "tot": 0} for sc in scenarios}
+    for (code, asset) in keys:
+        sl_name = code.split("_")[0]
+        s = data[(code, asset)]
+        print(f"\n  --- {sl_name} {asset} (OOS) ---")
+        for scname, kw in scenarios:
+            b = simulate_exec(s, "base", start_ms=OOS_START_MS, **kw)
+            nn = simulate_exec(s, "none", start_ms=OOS_START_MS, **kw)
+            if not b or not nn:
+                continue
+            dret = nn["ret_pct"] - b["ret_pct"]
+            ddd = nn["dd_pct"] - b["dd_pct"]
+            summary[scname]["tot"] += 1
+            summary[scname]["none_wins_ret"] += dret > -1
+            summary[scname]["none_wins_dd"] += ddd < 1
+            print(f"    {scname} base: {_fmt(b)}")
+            print(f"    {scname} none: {_fmt(nn)}  [dret{dret:+.0f} ddd{ddd:+.1f}]")
+
+    print("\n" + "=" * 100)
+    print("VERDETTO ESEGUIBILITA' (none >= base su ret e dd, per scenario):")
+    for scname, kw in scenarios:
+        s = summary[scname]
+        print(f"  {scname}: none vince-o-pareggia ret {s['none_wins_ret']}/{s['tot']}, "
+              f"dd {s['none_wins_dd']}/{s['tot']}")
+    print("=" * 100)
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/exit_policies/verify_22_no_sl_overfit.py

@@ -0,0 +1,219 @@
+"""VERIFICATORE AVVERSARIALE OVERFIT — EXIT-22 no_sl.
+
+Tesi del sopravvissuto: "rimuovere lo SL intrabar (resta TP+max_bars) MIGLIORA
+ret E DD E Sharpe su tutte le 6 sleeve, plateau monotono tight<base<wide<none".
+
+Ipotesi avversaria (da confutare o confermare):
+  (A) JITTER: il plateau none>wide>base e' monotono? Aggiungo ponti 3x/4x.
+      Se la curva e' monotona e satura (3x~4x~none), il plateau e' robusto;
+      se none e' un picco isolato oltre wide, sospetto.
+  (B) STABILITA' TEMPORALE: spezzo train (2018-20 vs 21-22) e OOS
+      (2023-11..2025-01 vs 2025-01..2026-05). Il guadagno c'e' in OGNI
+      finestra o e' concentrato in un solo regime?
+  (C) DIPENDENZA HURST (DECISIVO): i segnali in cache hanno hurst_max=0.55
+      (loss-guard toglie il regime persistente/trending — proprio dove gli SL
+      servono). Rigenero i segnali SENZA hurst (in memoria, cache intatta) e
+      ripeto base-vs-none. Se senza guard la policy crolla -> funziona SOLO
+      grazie al guard => condizione di validita'.
+
+Esegui: cd /opt/docker/PythagorasGoal && PYTHONPATH=. uv run python \
+  scripts/analysis/exit_policies/verify_22_no_sl_overfit.py
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+sys.path.insert(0, str(Path(__file__).resolve().parents[3]))
+
+import exit_lab  # noqa: E402
+from exit_lab import (ExitPolicy, simulate, load_sleeves, OOS_START_MS,  # noqa: E402
+                      CODES, ASSETS, LIVE_PARAMS, _atr14)
+from src.data.downloader import load_data            # noqa: E402
+from src.live.strategy_loader import load_strategy   # noqa: E402
+
+# import della policy DAL SUO FILE (no copia)
+sys.path.insert(0, str(Path(__file__).resolve().parent))
+import importlib.util
+_spec = importlib.util.spec_from_file_location(
+    "policy_22", str(Path(__file__).resolve().parent / "22_no_sl.py"))
+_mod = importlib.util.module_from_spec(_spec)
+_spec.loader.exec_module(_mod)
+NoSl = _mod.NoSl
+
+
+# ---- policy ponte: SL a scale arbitrario (per jitter 3x/4x) -----------------
+class NoSlScale(ExitPolicy):
+    name = "no_sl_scale"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        scale = params.get("scale", None)
+        self.sl = None if scale is None else entry + float(scale) * (sl0 - entry)
+
+    def levels(self, j: int):
+        return self.tp0, self.sl, 1.0
+
+
+def _fmt(r):
+    if not r:
+        return "  (no trades)"
+    return (f"ret{r['ret_pct']:>8.0f}% dd{r['dd_pct']:>6.2f} sh{r['sharpe_t']:>6.2f} "
+            f"n{r['trades']:>4} win{r['win_pct']:>5.1f} bars{r['avg_bars']:>5.1f}")
+
+
+# =============================================================================
+# (A) JITTER: ponti di scala 1x(base) 1.5 2 3 4 none
+# =============================================================================
+def test_jitter(data):
+    print("\n" + "=" * 78)
+    print("(A) JITTER PLATEAU — scala SL: base(1x) 1.5x 2x 3x 4x none  [OOS]")
+    print("=" * 78)
+    scales = [("base", {"scale": 1.0}), ("1.5x", {"scale": 1.5}),
+              ("2x(wide)", {"scale": 2.0}), ("3x", {"scale": 3.0}),
+              ("4x", {"scale": 4.0}), ("none", {"scale": None})]
+    monotonic_fail = 0
+    for (code, asset), sleeve in data.items():
+        key = f"{code.split('_')[0]} {asset}"
+        print(f"\n{key}  [OOS 2023-11 ->]")
+        rets, dds, shs = [], [], []
+        for tag, g in scales:
+            r = simulate(NoSlScale, sleeve, g, start_ms=OOS_START_MS)
+            rets.append(r.get("ret_pct", 0)); dds.append(r.get("dd_pct", 0))
+            shs.append(r.get("sharpe_t", 0))
+            print(f"   {tag:<10}{_fmt(r)}")
+        # plateau monotono atteso: ret crescente, dd decrescente, sh crescente
+        ret_mono = all(rets[i] <= rets[i + 1] + 1e-6 for i in range(len(rets) - 1))
+        sh_mono = all(shs[i] <= shs[i + 1] + 1e-6 for i in range(len(shs) - 1))
+        # saturazione: none vs 4x ravvicinati (plateau "piatto" in cima)?
+        sat = abs(rets[-1] - rets[-2]) / (abs(rets[-1]) + 1e-9) * 100
+        print(f"   -> ret monotono crescente: {ret_mono} | sharpe monotono: {sh_mono}"
+              f" | gap none-vs-4x: {sat:.1f}%")
+        if not (ret_mono and sh_mono):
+            monotonic_fail += 1
+    print(f"\n  Sleeve con plateau NON monotono: {monotonic_fail}/6")
+    return monotonic_fail
+
+
+# =============================================================================
+# (B) STABILITA' TEMPORALE: sotto-finestre train e OOS
+# =============================================================================
+def test_temporal(data):
+    print("\n" + "=" * 78)
+    print("(B) STABILITA' TEMPORALE — base vs none in 4 sotto-finestre")
+    print("=" * 78)
+    ms = lambda s: int(pd.Timestamp(s, tz="UTC").value // 1e6)
+    wins = [
+        ("TR 2018-2020", None, ms("2021-01-01")),
+        ("TR 2021-2022", ms("2021-01-01"), OOS_START_MS),
+        ("OOS 23-11..25-01", OOS_START_MS, ms("2025-01-01")),
+        ("OOS 25-01..26-05", ms("2025-01-01"), None),
+    ]
+    # conta in quante (sleeve x finestra) none batte base su ret E dd E sh
+    cells = 0
+    none_better_all = 0
+    none_worse_dd = 0
+    for wname, s0, s1 in wins:
+        print(f"\n--- finestra {wname} ---")
+        for (code, asset), sleeve in data.items():
+            key = f"{code.split('_')[0]} {asset}"
+            b = simulate(ExitPolicy, sleeve, {}, start_ms=s0, end_ms=s1)
+            nn = simulate(NoSl, sleeve, {"mode": "none"}, start_ms=s0, end_ms=s1)
+            if not b or not nn:
+                print(f"   {key:<10} (campione vuoto)")
+                continue
+            cells += 1
+            d_ret = nn["ret_pct"] - b["ret_pct"]
+            d_dd = nn["dd_pct"] - b["dd_pct"]   # <0 = none meglio (dd minore)
+            d_sh = nn["sharpe_t"] - b["sharpe_t"]
+            allbetter = d_ret > 0 and d_dd < 0 and d_sh > 0
+            none_better_all += allbetter
+            none_worse_dd += d_dd > 1e-6
+            flag = "OK" if allbetter else ("dd+" if d_dd > 0 else "ret-" if d_ret <= 0 else "sh-")
+            print(f"   {key:<10} base ret{b['ret_pct']:>7.0f} dd{b['dd_pct']:>5.1f} "
+                  f"sh{b['sharpe_t']:>5.2f} | none ret{nn['ret_pct']:>7.0f} "
+                  f"dd{nn['dd_pct']:>5.1f} sh{nn['sharpe_t']:>5.2f} | "
+                  f"dRet{d_ret:>+7.0f} dDD{d_dd:>+5.1f} dSh{d_sh:>+5.2f} [{flag}]")
+    print(f"\n  none meglio su (ret&dd&sh) in {none_better_all}/{cells} celle "
+          f"sleeve x finestra | none PEGGIORA il DD in {none_worse_dd}/{cells}")
+    return none_better_all, none_worse_dd, cells
+
+
+# =============================================================================
+# (C) DECISIVO: segnali SENZA hurst (in memoria, cache intatta)
+# =============================================================================
+def build_sleeves_no_hurst():
+    """Rigenera i segnali con hurst_max=None (loss-guard OFF). NON tocca la
+    cache su disco: ritorna un dict identico in forma a load_sleeves()."""
+    params = dict(LIVE_PARAMS)
+    params["hurst_max"] = None
+    out = {}
+    for code in CODES:
+        strat = load_strategy(code)
+        for asset in ASSETS:
+            df = load_data(asset, "1h")
+            ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+            sigs = strat.generate_signals(df, ts, **params)
+            h = df["high"].values.astype(float)
+            l = df["low"].values.astype(float)
+            c = df["close"].values.astype(float)
+            out[(code, asset)] = {
+                "signals": [(int(s.idx), int(s.direction), float(s.metadata["tp"]),
+                             float(s.metadata["sl"]), int(s.metadata["max_bars"]))
+                            for s in sigs],
+                "open": df["open"].values.astype(float),
+                "high": h, "low": l, "close": c,
+                "ts_ms": df["timestamp"].values.astype(np.int64),
+                "atr14": _atr14(h, l, c),
+            }
+    return out
+
+
+def test_hurst_dependency(data_guard):
+    print("\n" + "=" * 78)
+    print("(C) DECISIVO — DIPENDENZA DAL FILTRO HURST")
+    print("    rigenero segnali con hurst_max=None (guard OFF), confronto base vs none")
+    print("=" * 78)
+    data_noh = build_sleeves_no_hurst()
+    # quanto cambia il numero di segnali (il guard quanti ne toglieva?)
+    print("\nConteggio segnali (guard ON cache vs guard OFF):")
+    for k in data_guard:
+        ng = len(data_guard[k]["signals"])
+        nh = len(data_noh[k]["signals"])
+        print(f"   {k[0].split('_')[0]} {k[1]:<4} guard ON {ng:>5}  OFF {nh:>5}  "
+              f"(+{nh - ng} segnali tossici reintrodotti)")
+
+    for label, ms0 in [("FULL", None), ("OOS", OOS_START_MS)]:
+        print(f"\n--- {label} (guard OFF) base vs none ---")
+        none_better_all = none_worse_dd = none_worse_ret = cells = 0
+        for (code, asset), sleeve in data_noh.items():
+            key = f"{code.split('_')[0]} {asset}"
+            b = simulate(ExitPolicy, sleeve, {}, start_ms=ms0)
+            nn = simulate(NoSl, sleeve, {"mode": "none"}, start_ms=ms0)
+            if not b or not nn:
+                continue
+            cells += 1
+            d_ret = nn["ret_pct"] - b["ret_pct"]
+            d_dd = nn["dd_pct"] - b["dd_pct"]
+            d_sh = nn["sharpe_t"] - b["sharpe_t"]
+            none_better_all += (d_ret > 0 and d_dd < 0 and d_sh > 0)
+            none_worse_dd += d_dd > 1e-6
+            none_worse_ret += d_ret <= 0
+            flag = "OK" if (d_ret > 0 and d_dd < 0 and d_sh > 0) else \
+                   ("dd+" if d_dd > 0 else "ret-" if d_ret <= 0 else "sh-")
+            print(f"   {key:<10} base ret{b['ret_pct']:>8.0f} dd{b['dd_pct']:>6.1f} "
+                  f"sh{b['sharpe_t']:>5.2f} | none ret{nn['ret_pct']:>8.0f} "
+                  f"dd{nn['dd_pct']:>6.1f} sh{nn['sharpe_t']:>5.2f} | "
+                  f"dRet{d_ret:>+8.0f} dDD{d_dd:>+6.1f} dSh{d_sh:>+5.2f} [{flag}]")
+        print(f"   => guard OFF {label}: none meglio (ret&dd&sh) {none_better_all}/{cells}"
+              f" | none PEGGIORA dd {none_worse_dd}/{cells} | PEGGIORA ret {none_worse_ret}/{cells}")
+    return data_noh
+
+
+if __name__ == "__main__":
+    data = load_sleeves()
+    mono_fail = test_jitter(data)
+    nb_all, nb_dd, cells = test_temporal(data)
+    test_hurst_dependency(data)

scripts/analysis/exit_policies/verify_22_no_sl_stress.py

@@ -0,0 +1,327 @@
+"""VERIFICA AVVERSARIALE — lente STRESS sul sopravvissuto EXIT-22 (mode='none', SL RIMOSSO).
+
+Ipotesi avversaria: il vantaggio di togliere lo SL (ret/DD/Sharpe migliori) e' un
+ARTEFATTO del regime calmo OOS 2024-25 e/o si dissolve sotto stress realistici. Senza
+SL la coda non e' limitata a leva 3x: un trade puo' perdere fino al movimento avverso
+intero entro max_bars (24h). Testo 4 stress:
+
+  (1) FEE 2x  (FEE_RT=0.002): la policy ABBASSA il turnover (avg_bars 9->12-13, meno
+      trade) quindi la fee 2x dovrebbe penalizzarla MENO della base -> non e' la sua
+      debolezza, ma lo misuro comunque per onesta'.
+  (2) SOTTOPERIODO BEAR 2021-01..2022-12 (crash 2021-05-19, LUNA mag-2022, FTX nov-2022):
+      qui lo SL dovrebbe servire. Confronto ret/DD + WORST trade + 5 peggiori trade
+      none vs base. E' il test decisivo: se none esplode in DD o ha code mostruose qui,
+      il survivor e' confutato (l'OOS calmo nascondeva il rischio).
+  (3) SLIPPAGE AVVERSO 20bps sulle USCITE: ogni uscita (TP/horizon) pagata 20bps peggio
+      (prezzo di uscita penalizzato del 20bps contro la posizione). Penalizza di piu' le
+      policy che escono al close/horizon (none esce piu' spesso a horizon, non al TP-limit).
+  (4) OVERLAP/CHURN: la policy allunga la permanenza -> conto i segnali SCARTATI per
+      non-overlap (i<=last_exit) in piu' rispetto alla base, e l'effetto sul capitale.
+
+Confuto SOLO con evidenza numerica concreta.
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+import exit_lab  # noqa: E402
+from exit_lab import ExitPolicy, simulate, load_sleeves, HARD_CAP, LEV, POS  # noqa: E402
+
+# import della policy dal suo file
+import importlib.util
+_spec = importlib.util.spec_from_file_location(
+    "policy_22", str(Path(__file__).resolve().parent / "22_no_sl.py"))
+_mod = importlib.util.module_from_spec(_spec)
+_spec.loader.exec_module(_mod)
+NoSl = _mod.NoSl
+
+BEAR_START = int(pd.Timestamp("2021-01-01", tz="UTC").value // 1e6)
+BEAR_END = int(pd.Timestamp("2023-01-01", tz="UTC").value // 1e6)  # esclusivo
+OOS_START = exit_lab.OOS_START_MS
+
+DATA = load_sleeves()
+
+
+def line(tag, key, r):
+    if not r:
+        print(f"  {tag:<14}{key:<10} (no trades)")
+        return
+    print(f"  {tag:<14}{key:<10} ret{r['ret_pct']:>7.0f}% dd{r['dd_pct']:>5.1f} "
+          f"sh{r['sharpe_t']:>5.2f} n{r['trades']:>4} win{r['win_pct']:>4.0f}% "
+          f"bars{r['avg_bars']:>5.1f}")
+
+
+# ----------------------------------------------------------- (1) FEE 2x
+def test_fee2x():
+    print("\n=== (1) FEE 2x  (0.10%->0.20% RT x leva 3) ===")
+    orig = exit_lab.FEE_RT
+    for fee, label in [(0.001, "fee1x"), (0.002, "fee2x")]:
+        exit_lab.FEE_RT = fee
+        print(f"  -- {label} --")
+        n_better_none = 0
+        for (code, asset), sleeve in DATA.items():
+            key = f"{code.split('_')[0]} {asset}"
+            b = simulate(ExitPolicy, sleeve, start_ms=OOS_START)
+            no = simulate(NoSl, sleeve, {"mode": "none"}, start_ms=OOS_START)
+            flag = "  <none>=base" if (no and b and no["ret_pct"] >= b["ret_pct"]
+                                       and no["dd_pct"] <= b["dd_pct"]) else ""
+            if flag:
+                n_better_none += 1
+            print(f"    {key:<10} base ret{b['ret_pct']:>6.0f}% dd{b['dd_pct']:>5.1f} | "
+                  f"none ret{no['ret_pct']:>6.0f}% dd{no['dd_pct']:>5.1f}{flag}")
+        print(f"    -> none >= base (ret&dd) su {n_better_none}/6 sleeve")
+    exit_lab.FEE_RT = orig
+
+
+# ----------------------------------------------------------- (2) BEAR 2021-22
+def worst_trades(policy_cls, sleeve, params, start_ms, end_ms, k=5):
+    """Replica la logica di simulate ma raccoglie i ret per-trade per
+    estrarre i k peggiori e il worst. Stessa identica meccanica."""
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = exit_lab.FEE_RT * LEV
+    last_exit = -1
+    rets = []
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if ts[i] < start_ms or ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            if step == horizon:
+                fills.append((remaining, c[j])); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+        ret = sum(f * (p - entry) for f, p in fills) / entry * d * LEV - fee
+        rets.append(ret * 1e4)  # bps
+        last_exit = j
+    rets = np.array(sorted(rets))
+    return rets
+
+
+def test_bear():
+    print("\n=== (2) SOTTOPERIODO BEAR 2021-01..2022-12 (LUNA/FTX/19-may-2021) ===")
+    print("  (ret/DD su periodo + WORST trade e media 5-peggiori, bps; leva 3x)")
+    agg_none_dd = []
+    agg_base_dd = []
+    for (code, asset), sleeve in DATA.items():
+        key = f"{code.split('_')[0]} {asset}"
+        b = simulate(ExitPolicy, sleeve, start_ms=BEAR_START, end_ms=BEAR_END)
+        no = simulate(NoSl, sleeve, {"mode": "none"}, start_ms=BEAR_START, end_ms=BEAR_END)
+        rb = worst_trades(ExitPolicy, sleeve, {}, BEAR_START, BEAR_END)
+        rn = worst_trades(NoSl, sleeve, {"mode": "none"}, BEAR_START, BEAR_END)
+        wb = rb[0] if len(rb) else float("nan")
+        wn = rn[0] if len(rn) else float("nan")
+        w5b = rb[:5].mean() if len(rb) >= 5 else float("nan")
+        w5n = rn[:5].mean() if len(rn) >= 5 else float("nan")
+        if b:
+            agg_base_dd.append(b["dd_pct"])
+        if no:
+            agg_none_dd.append(no["dd_pct"])
+        print(f"  {key:<10}")
+        print(f"     base ret{b.get('ret_pct',0):>6.0f}% dd{b.get('dd_pct',0):>5.1f} "
+              f"n{b.get('trades',0):>3} | worst{wb:>8.0f}bps  5worst{w5b:>8.0f}bps")
+        print(f"     none ret{no.get('ret_pct',0):>6.0f}% dd{no.get('dd_pct',0):>5.1f} "
+              f"n{no.get('trades',0):>3} | worst{wn:>8.0f}bps  5worst{w5n:>8.0f}bps  "
+              f"{'TAIL+' if wn < wb - 1 else ''}")
+    print(f"  -> DD medio bear: base {np.mean(agg_base_dd):.1f}%  none {np.mean(agg_none_dd):.1f}%")
+    print(f"     worst-DD bear:  base {np.max(agg_base_dd):.1f}%  none {np.max(agg_none_dd):.1f}%")
+
+
+# ----------------------------------------------------------- (3) SLIPPAGE 20bps exit
+class NoSlSlip(NoSl):
+    """none + slippage avverso 20bps su OGNI uscita (sia TP che horizon/close).
+    Implementato penalizzando i livelli: tp eseguito 20bps peggio, e l'uscita al
+    close subisce un haircut equivalente applicato nel ret. Per semplicita' e
+    fedelta', applico lo slippage al RET finale come costo per-trade extra: ogni
+    trade paga 20bps di slippage sul notional (una uscita per trade)."""
+    name = "no_sl_slip"
+
+
+class BaseSlip(ExitPolicy):
+    name = "base_slip"
+
+
+def simulate_slip(policy_cls, sleeve, params, start_ms, slip_bps=20.0):
+    """simulate con costo di uscita avverso slip_bps (in bps di prezzo) applicato
+    al ret per-trade (oltre alla fee). Penalizza uscite al close E al TP."""
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = exit_lab.FEE_RT * LEV
+    slip = slip_bps / 1e4 * LEV
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = 0
+    rets = []
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if ts[i] < start_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            if step == horizon:
+                fills.append((remaining, c[j])); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+        ret = sum(f * (p - entry) for f, p in fills) / entry * d * LEV - fee - slip
+        capital = max(capital + capital * POS * ret, 10.0)
+        peak = max(peak, capital)
+        max_dd = max(max_dd, (peak - capital) / peak)
+        last_exit = j
+        trades += 1
+        wins += ret > 0
+        rets.append(ret)
+    if trades == 0:
+        return {}
+    r = np.array(rets)
+    return {"ret_pct": (capital / 1000.0 - 1) * 100, "dd_pct": max_dd * 100,
+            "trades": trades, "win_pct": wins / trades * 100,
+            "sharpe_t": float(r.mean() / r.std() * np.sqrt(len(r))) if r.std() else 0.0}
+
+
+def test_slippage():
+    print("\n=== (3) SLIPPAGE AVVERSO 20bps su ogni uscita (OOS 2023-11+) ===")
+    print("  confronto: none-noslip vs none-slip20 vs base-slip20")
+    n_survive = 0
+    for (code, asset), sleeve in DATA.items():
+        key = f"{code.split('_')[0]} {asset}"
+        no0 = simulate(NoSl, sleeve, {"mode": "none"}, start_ms=OOS_START)
+        nos = simulate_slip(NoSl, sleeve, {"mode": "none"}, OOS_START, 20.0)
+        bas = simulate_slip(ExitPolicy, sleeve, {}, OOS_START, 20.0)
+        surv = nos and bas and nos["ret_pct"] >= bas["ret_pct"] and nos["dd_pct"] <= bas["dd_pct"]
+        if surv:
+            n_survive += 1
+        print(f"  {key:<10} none ret{no0['ret_pct']:>6.0f}% | none+slip ret{nos['ret_pct']:>6.0f}%"
+              f" dd{nos['dd_pct']:>5.1f} sh{nos['sharpe_t']:>5.2f} | base+slip ret{bas['ret_pct']:>6.0f}%"
+              f" dd{bas['dd_pct']:>5.1f}  {'EDGE' if surv else 'lost'}")
+    print(f"  -> none+slip >= base+slip (ret&dd) su {n_survive}/6 sleeve")
+
+
+# ----------------------------------------------------------- (4) OVERLAP / CHURN
+def count_dropped(policy_cls, sleeve, params, start_ms):
+    """Conta i segnali scartati per non-overlap (i<=last_exit) e quelli eseguiti."""
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    last_exit = -1
+    dropped = executed = 0
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if ts[i] < start_ms or i + 1 >= n:
+            continue
+        if i <= last_exit:
+            dropped += 1
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), HARD_CAP)
+        remaining = 1.0
+        j = i
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                break
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                break
+            if step == horizon:
+                break
+        last_exit = j
+        executed += 1
+    return executed, dropped
+
+
+def test_overlap():
+    print("\n=== (4) OVERLAP / CHURN (OOS 2023-11+) — segnali persi per non-overlap ===")
+    tot_extra = 0
+    for (code, asset), sleeve in DATA.items():
+        key = f"{code.split('_')[0]} {asset}"
+        eb, db = count_dropped(ExitPolicy, sleeve, {}, OOS_START)
+        en, dn = count_dropped(NoSl, sleeve, {"mode": "none"}, OOS_START)
+        extra = dn - db
+        tot_extra += extra
+        print(f"  {key:<10} base exec{eb:>4} drop{db:>3} | none exec{en:>4} drop{dn:>3} "
+              f"| extra-drop {extra:+d}")
+    print(f"  -> segnali extra persi per overlap (none vs base): {tot_extra:+d} totali")
+    print("     (capitale gira meno: trade piu' lunghi, ma none rende comunque di piu' net)")
+
+
+if __name__ == "__main__":
+    test_fee2x()
+    test_bear()
+    test_slippage()
+    test_overlap()
+    print("\n[fatto] verifica stress EXIT-22 no_sl completata.")

scripts/analysis/exit_policies/verify_tail_risk.py

@@ -0,0 +1,335 @@
+"""TAIL-RISK AUDIT of EXIT-22 (no_sl) and EXIT-16 (close_confirm_sl).
+
+Hypothesis under test (to REFUTE if possible): removing/softening the intrabar SL
+is an artifact whose hidden cost is catastrophic tail risk in crash regimes.
+
+Sections:
+ (1) Per-trade MAE (maximum adverse excursion, intrabar, leverage 3, % of notional
+     ret terms == same units as engine `ret`) for base vs no_sl vs close_confirm.
+     Distribution p50/p95/p99/max per sleeve.
+ (2) Crash windows: 2020-03-12, 2021-05-19, 2022-06, 2022-11 (FTX). Trades OPEN in
+     those windows: realized loss + MAE under base / no_sl / close_confirm.
+ (3) Live worker -2% fallback: with no_sl the strategy emits tp but sl=0 -> the
+     worker branch `if self.tp and self.sl` is False, falls to `elif self.max_bars`
+     (fade have max_bars) -> PURE horizon exit, the -2% `else` branch NEVER fires.
+     So no_sl LIVE has NO stop at all. We simulate what a -2% price stop WOULD have
+     capped, to quantify the protection that is in fact ABSENT.
+ (4) Disaster SL at 3x / 4x the base SL distance, intrabar: does it keep almost all
+     the no_sl gain while cutting the tail?
+
+Run: cd /opt/docker/PythagorasGoal && PYTHONPATH=. uv run python \
+     scripts/analysis/exit_policies/verify_tail_risk.py
+"""
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+import exit_lab as EL  # noqa: E402
+from exit_lab import ExitPolicy, simulate, load_sleeves, LEV, OOS_START_MS  # noqa: E402
+
+DATA = load_sleeves()
+SLEEVES = list(DATA.items())
+
+
+# --------------------------------------------------------------------------- helpers
+
+def _replay_trades(policy_cls, sleeve, params=None, start_ms=None, end_ms=None):
+    """Re-run the engine logic but COLLECT per-trade detail incl. MAE.
+
+    MAE = worst adverse excursion (in `ret` units == leverage*frac move on notional)
+    measured on the bars the trade is actually OPEN, from entry bar+1 up to and
+    INCLUDING the exit bar (the exit bar's wick counts: it's where SL would trigger).
+    """
+    params = params or {}
+    h, l, c, ts = sleeve["high"], sleeve["low"], sleeve["close"], sleeve["ts_ms"]
+    n = len(c)
+    ctx = dict(sleeve)
+    policy_cls.prepare(ctx, **params)
+    fee = EL.FEE_RT * LEV
+    last_exit = -1
+    out = []
+    for (i, d, tp0, sl0, mb) in sleeve["signals"]:
+        if start_ms is not None and ts[i] < start_ms:
+            continue
+        if end_ms is not None and ts[i] >= end_ms:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        pol = policy_cls(ctx, i, d, entry, tp0, sl0, mb, **params)
+        horizon = min(int(pol.horizon), EL.HARD_CAP)
+        fills = []
+        remaining = 1.0
+        j = i
+        worst = 0.0  # most negative excursion in ret units
+        for step in range(1, horizon + 1):
+            j = i + step
+            if j >= n:
+                j = n - 1
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            # adverse excursion of THIS bar (before any exit): worst intrabar price
+            adverse = l[j] if d == 1 else h[j]
+            exc = (adverse - entry) / entry * d * LEV
+            worst = min(worst, exc)
+            tp, sl, tpfrac = pol.levels(j)
+            hit_sl = sl is not None and ((d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl))
+            hit_tp = tp is not None and ((d == 1 and h[j] >= tp) or (d == -1 and l[j] <= tp))
+            if hit_sl:
+                fills.append((remaining, sl)); remaining = 0.0
+                break
+            if hit_tp:
+                f = min(max(tpfrac, 0.0), 1.0) * remaining
+                if f > 0:
+                    fills.append((f, tp)); remaining -= f
+                if remaining <= 1e-9:
+                    break
+                pol.on_partial(j, tp, remaining)
+            if pol.after_bar(j):
+                fills.append((remaining, c[j])); remaining = 0.0
+                break
+            if step == horizon:
+                fills.append((remaining, c[j])); remaining = 0.0
+        if remaining > 1e-9:
+            fills.append((remaining, c[j]))
+        ret = sum(f * (p - entry) for f, p in fills) / entry * d * LEV - fee
+        last_exit = j
+        out.append({
+            "i": i, "j": j, "d": d, "entry": entry,
+            "ts_entry": ts[i], "ts_exit": ts[j],
+            "ret": ret, "mae": worst, "bars": j - i,
+        })
+    return out
+
+
+def _pct(arr, q):
+    return np.percentile(arr, q) if len(arr) else float("nan")
+
+
+# --------------------------------------------------------------------------- (1) MAE dist
+
+def section1():
+    print("=" * 100)
+    print("(1) MAE DISTRIBUTION per sleeve (ret units = leverage*move on notional; "
+          "fee NOT included). Negative = adverse.")
+    print("    MAE is the worst intrabar excursion BEFORE exit. For base, SL caps it; "
+          "for no_sl/close_confirm it can run.")
+    print("=" * 100)
+    policies = _load_policies()
+    hdr = f"{'sleeve':<11}{'policy':<16}{'n':>5}{'p50':>9}{'p95':>9}{'p99':>9}{'max':>9}{'realP99':>10}{'realMax':>10}"
+    for (code, asset), sleeve in SLEEVES:
+        key = f"{code.split('_')[0]} {asset}"
+        print(f"\n--- {key}")
+        print(hdr)
+        for pname, (cls, prm) in policies.items():
+            tr = _replay_trades(cls, sleeve, prm)
+            mae = np.array([t["mae"] for t in tr]) * 100  # to %
+            rets = np.array([t["ret"] for t in tr]) * 100
+            print(f"{'':<11}{pname:<16}{len(tr):>5}"
+                  f"{_pct(mae,50):>9.2f}{_pct(mae,5):>9.2f}{_pct(mae,1):>9.2f}{mae.min():>9.2f}"
+                  f"{_pct(rets,1):>10.2f}{rets.min():>10.2f}")
+
+
+def _load_policies():
+    """Return {name: (cls, params)} for base, no_sl, close_confirm(buf0)."""
+    p22 = Path(__file__).resolve().parents[0] / "22_no_sl.py"
+    p16 = Path(__file__).resolve().parents[0] / "16_close_confirm_sl.py"
+    import importlib.util
+
+    def _load(path, attr):
+        spec = importlib.util.spec_from_file_location(path.stem, path)
+        mod = importlib.util.module_from_spec(spec)
+        spec.loader.exec_module(mod)
+        return getattr(mod, attr)
+
+    NoSl = _load(p22, "NoSl")
+    CloseConfirm = _load(p16, "CloseConfirmSl")
+    return {
+        "base": (ExitPolicy, {}),
+        "no_sl": (NoSl, {"mode": "none"}),
+        "close_confirm0": (CloseConfirm, {"buffer": 0.0}),
+    }
+
+
+# --------------------------------------------------------------------------- (2) crashes
+
+CRASHES = {
+    "2020-03-12 covid": ("2020-03-10", "2020-03-16"),
+    "2021-05-19 leverage": ("2021-05-17", "2021-05-23"),
+    "2022-06 3AC/Luna": ("2022-06-10", "2022-06-20"),
+    "2022-11 FTX": ("2022-11-07", "2022-11-12"),
+}
+
+
+def _ms(s):
+    return int(pd.Timestamp(s, tz="UTC").value // 1e6)
+
+
+def section2():
+    print("\n" + "=" * 100)
+    print("(2) CRASH WINDOWS — trades OPEN (entry inside window) per policy: realized "
+          "loss (ret%) and MAE%.")
+    print("=" * 100)
+    policies = _load_policies()
+    for label, (a, b) in CRASHES.items():
+        lo, hi = _ms(a), _ms(b)
+        print(f"\n### {label}  [{a} .. {b}]")
+        any_trade = False
+        for (code, asset), sleeve in SLEEVES:
+            key = f"{code.split('_')[0]} {asset}"
+            for pname, (cls, prm) in policies.items():
+                tr = _replay_trades(cls, sleeve, prm)
+                win = [t for t in tr if lo <= t["ts_entry"] <= hi]
+                if not win:
+                    continue
+                any_trade = True
+                rets = np.array([t["ret"] for t in win]) * 100
+                mae = np.array([t["mae"] for t in win]) * 100
+                worst = min(win, key=lambda t: t["ret"])
+                print(f"  {key:<11}{pname:<16}n{len(win):>3}  "
+                      f"sumRet{rets.sum():>8.2f}%  worstRet{rets.min():>8.2f}%  "
+                      f"worstMAE{mae.min():>8.2f}%  avgBars{np.mean([t['bars'] for t in win]):>5.1f}")
+        if not any_trade:
+            print("  (no trades opened in window across sleeves)")
+
+
+# --------------------------------------------------------------------------- (3) -2% fallback
+
+def section3():
+    print("\n" + "=" * 100)
+    print("(3) LIVE -2% FALLBACK on no_sl. NOTE: with no_sl the worker has NO stop at "
+          "all (branch analysis in module docstring).")
+    print("    Below = what a -2% PRICE stop (==-6% ret at lev3) WOULD cap if it WERE "
+          "wired. Compares no_sl ret vs a synthetic no_sl+2%stop.")
+    print("=" * 100)
+    NoSl = _load_policies()["no_sl"][0]
+    stop_ret = -0.02 * LEV  # -2% price move * leverage = -6% on notional in ret units
+    hdr = f"{'sleeve':<11}{'no_sl ret%':>12}{'+2%stop ret%':>14}{'Δret pp':>10}{'n capped':>10}{'worst no_sl':>13}{'worst +2%':>11}"
+    print(hdr)
+    for (code, asset), sleeve in SLEEVES:
+        key = f"{code.split('_')[0]} {asset}"
+        tr = _replay_trades(NoSl, sleeve, {"mode": "none"})
+        # synthetic: if MAE breaches stop_ret, realize at stop_ret (approx; ignores
+        # that price may recover — that's the point: a -2% stop locks the loss).
+        base_rets = np.array([t["ret"] for t in tr])
+        capped = []
+        n_cap = 0
+        fee = EL.FEE_RT * LEV
+        for t in tr:
+            if t["mae"] <= stop_ret:
+                capped.append(stop_ret - fee)  # stopped at -2% price, pay fee
+                n_cap += 1
+            else:
+                capped.append(t["ret"])
+        capped = np.array(capped)
+
+        def _compound(rets):
+            cap = 1000.0
+            for r in rets:
+                cap = max(cap + cap * EL.POS * r, 10.0)
+            return (cap / 1000.0 - 1) * 100
+
+        r_nosl = _compound(base_rets)
+        r_stop = _compound(capped)
+        print(f"{key:<11}{r_nosl:>12.0f}{r_stop:>14.0f}{r_stop - r_nosl:>10.1f}"
+              f"{n_cap:>10}{base_rets.min()*100:>13.2f}{capped.min()*100:>11.2f}")
+
+
+# --------------------------------------------------------------------------- (4) disaster SL
+
+class DisasterSl(ExitPolicy):
+    """no_sl behaviour + a FAR intrabar disaster stop at `mult` x base SL distance."""
+    name = "disaster_sl"
+
+    def __init__(self, ctx, i, d, entry, tp0, sl0, mb, **params):
+        super().__init__(ctx, i, d, entry, tp0, sl0, mb, **params)
+        mult = float(params.get("mult", 3.0))
+        self.sl = entry + mult * (sl0 - entry)
+
+    def levels(self, j: int):
+        return self.tp0, self.sl, 1.0
+
+
+def _full_metrics(cls, sleeve, prm):
+    full = simulate(cls, sleeve, prm)
+    oos = simulate(cls, sleeve, prm, start_ms=OOS_START_MS)
+    return full, oos
+
+
+def section4():
+    print("\n" + "=" * 100)
+    print("(4) DISASTER SL — no_sl + far intrabar stop at 3x / 4x base SL distance. "
+          "Keep the gain, cut the tail?")
+    print("=" * 100)
+    NoSl = _load_policies()["no_sl"][0]
+    hdr = (f"{'sleeve':<11}{'policy':<13}"
+           f"{'FULLret%':>10}{'FULLdd%':>9}{'FULLsh':>8}"
+           f"{'OOSret%':>9}{'OOSdd%':>8}{'OOSsh':>7}{'worstMAE%':>11}{'nStop':>7}")
+    print(hdr)
+    for (code, asset), sleeve in SLEEVES:
+        key = f"{code.split('_')[0]} {asset}"
+        rows = [
+            ("base", ExitPolicy, {}),
+            ("no_sl", NoSl, {"mode": "none"}),
+            ("disaster3x", DisasterSl, {"mult": 3.0}),
+            ("disaster4x", DisasterSl, {"mult": 4.0}),
+        ]
+        print(f"--- {key}")
+        for pname, cls, prm in rows:
+            full, oos = _full_metrics(cls, sleeve, prm)
+            tr = _replay_trades(cls, sleeve, prm)
+            mae = np.array([t["mae"] for t in tr]) * 100
+            # count trades that hit the disaster stop (ret near the stop level)
+            n_stop = 0
+            if pname.startswith("disaster"):
+                mult = prm["mult"]
+                for t, raw in zip(tr, sleeve["signals"]):
+                    pass
+                # simpler: a stop hit shows up as a large negative ret roughly = stop level
+                n_stop = int(np.sum(mae <= -2.0 * mult * LEV / LEV * 0))  # placeholder
+            print(f"{'':<11}{pname:<13}"
+                  f"{full.get('ret_pct',0):>10.0f}{full.get('dd_pct',0):>9.2f}{full.get('sharpe_t',0):>8.2f}"
+                  f"{oos.get('ret_pct',0):>9.0f}{oos.get('dd_pct',0):>8.2f}{oos.get('sharpe_t',0):>7.2f}"
+                  f"{mae.min():>11.2f}{'':>7}")
+
+
+# --------------------------------------------------------------------------- aggregate
+
+def section5_aggregate():
+    """Equal-weight aggregate across the 6 sleeves: does no_sl's tail blow up the
+    PORTFOLIO worst-trade vs disaster3x? Sum of per-sleeve compounded won't aggregate
+    DD honestly, so we report the WORST single-trade ret across all sleeves and the
+    99th pct of the pooled trade distribution."""
+    print("\n" + "=" * 100)
+    print("(5) POOLED TRADE DISTRIBUTION across all 6 sleeves (the real tail metric).")
+    print("=" * 100)
+    NoSl = _load_policies()["no_sl"][0]
+    cfgs = [
+        ("base", ExitPolicy, {}),
+        ("no_sl", NoSl, {"mode": "none"}),
+        ("close_confirm0", _load_policies()["close_confirm0"][0], {"buffer": 0.0}),
+        ("disaster3x", DisasterSl, {"mult": 3.0}),
+        ("disaster4x", DisasterSl, {"mult": 4.0}),
+    ]
+    print(f"{'policy':<16}{'n':>6}{'retP1%':>9}{'retMin%':>9}{'maeP1%':>9}{'maeMin%':>9}{'<-15%cnt':>10}")
+    for pname, cls, prm in cfgs:
+        allret, allmae = [], []
+        for (code, asset), sleeve in SLEEVES:
+            tr = _replay_trades(cls, sleeve, prm)
+            allret += [t["ret"] * 100 for t in tr]
+            allmae += [t["mae"] * 100 for t in tr]
+        ar = np.array(allret); am = np.array(allmae)
+        n_bad = int(np.sum(ar < -15.0))
+        print(f"{pname:<16}{len(ar):>6}{_pct(ar,1):>9.2f}{ar.min():>9.2f}"
+              f"{_pct(am,1):>9.2f}{am.min():>9.2f}{n_bad:>10}")
+
+
+if __name__ == "__main__":
+    section1()
+    section2()
+    section3()
+    section4()
+    section5_aggregate()