release: v1.1.2

Il worker valutava il confirm sul prezzo della candela IN FORMAZIONE ad ogni poll,
reintroducendo la wick-sensitivity che EXIT-16 elimina (audit crash ETH 2026-06-05:
2 stop su 3 erano wick-stop che il backtest validato non avrebbe preso in quel
momento). Ora il confirm usa SOLO il close dell'ultima barra completata (riga -1 =
candela in corso finche' 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. Concausa feed-gap: non mitigabile lato exit (fill reali ~ sim);
entry-guard post-flat TESTATA e BOCCIATA (skippare i segnali dopo barre flat
peggiora tutti gli sleeve ETH: la candela-gap e' l'overshoot che la fade fada).
Aggiunto alert Telegram STALE_FEED (>=2 barre 1h flat -> notifica + gap % al
risveglio, dedup per episodio, solo osservabilita').

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

.gitignore

@@ -17,3 +17,12 @@ data/processed/
 *.pth
 notebooks/.ipynb_checkpoints/
 data/paper_trades/
+data/portfolio_paper/
+data/portfolios/
+
+# stato locale di tooling (non condiviso)
+.claude/
+.omc/
+
+# dati regime (DVOL/funding/feature cache, rigenerabili)
+data/regime/

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 +17,85 @@ 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)
+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/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 +109,27 @@ 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 +180,52 @@ 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).
 
+**Loss-guard Hurst (ATTIVO LIVE, 2026-06-02).** 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).** Le fade 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 +265,14 @@ 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 +282,45 @@ 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`.
+
+**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 +336,33 @@ 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).
+- **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.
+- **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 stesso ordine — differenza di convenzione capitale-unico vs media-equity).
+- **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 — 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.
+- **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`.
+- **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
 

VERSION

@@ -0,0 +1 @@
+1.1.2

docker-compose.yml

@@ -1,17 +1,18 @@
 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

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/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 +1,26 @@
+# 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
+  caps: {PAIRS: 0.33}
+  leverage: 2             # sobrio per il live reale
+  rebalance: 1D
+  poll_seconds: 60
+  # 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
+  # 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
+    sleeves: [MR01, MR02, MR07, DIP01]
+    instruments:
+      BTC: BTC_USDC-PERPETUAL
+      ETH: ETH_USDC-PERPETUAL

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/exit16_port06_impact.py

@@ -0,0 +1,236 @@
+"""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
+
+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.risk_management import strats_for, FEE_RT, LEV, POS, INIT
+from scripts.analysis.combine_portfolio import (
+    fade_daily_equity, _norm, IDX, port_returns, metrics, SPLIT, OOS_DATE,
+)
+from scripts.portfolios._defs import PORTFOLIOS
+from src.portfolio import weighting as W
+
+BUFFER = 0.5  # EXIT-16 promossa: close-confirm con buffer 0.5 ATR
+
+
+# ---------------------------------------------------------------- engine replay
+def build_trades_variant(ents, df, mode, buffer=BUFFER,
+                         lev=LEV, fee_rt=FEE_RT, trend_max=3.0, ema_long=200):
+    """Replica ESATTA di risk_management.build_trades, cambiando SOLO il ramo SL.
+
+    mode="orig"   : SL intrabar al livello (SL prima del TP) == canonico.
+    mode="exit16" : SL intrabar DISATTIVATO; close-confirm sul close[j]:
+                    long  esci a close[j] se close[j] < sl0 - buffer*atr14[j]
+                    short esci a close[j] se close[j] > sl0 + buffer*atr14[j]
+                    TP intrabar al livello e max_bars al close INVARIATI.
+    """
+    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 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: no SL intrabar; TP intrabar; poi close-confirm SL al close[j]
+                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 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")
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    trades = build_trades_variant(fn(df, **params), df, mode=mode, trend_max=3.0)
+    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)
+
+
+# ---------------------------------------------------------------- pesi PORT06
+def port_metrics(members: dict[str, pd.Series], weights: dict[str, float]):
+    dr = port_returns(members, weights)
+    return metrics(dr), metrics(dr, lo=SPLIT)
+
+
+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
+
+    ids = p.sleeve_ids
+    # pesi cap canonici (gli stessi che usa Portfolio.backtest)
+    dr_base = pd.DataFrame({i: members_base[i].pct_change().fillna(0.0) for i in ids})
+    w_base = W.weight_vector(p.weighting, ids, dr_base, weights=p.weights,
+                             caps=p.caps, clusters=p.clusters, lookback=p.vol_lookback)
+    dr_e16 = pd.DataFrame({i: members_e16[i].pct_change().fillna(0.0) for i in ids})
+    w_e16 = W.weight_vector(p.weighting, ids, dr_e16, weights=p.weights,
+                            caps=p.caps, clusters=p.clusters, lookback=p.vol_lookback)
+
+    f_b, o_b = port_metrics({i: members_base[i] for i in ids}, w_base)
+    f_e, o_e = port_metrics({i: members_e16[i] for i in ids}, w_e16)
+
+    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]
+        def _dd(s):
+            pk = s.cummax(); return float(((pk - s) / pk).max() * 100)
+        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()

scripts/analysis/fade_diag_by_regime.py

@@ -0,0 +1,66 @@
+import sys; sys.path.insert(0,".")
+import numpy as np, pandas as pd
+from scripts.analysis.regime_lab import load_features
+from scripts.analysis.explore_lab import atr
+import importlib
+FEE=0.001; LEV=3
+
+def load_strat(mod):
+    m=importlib.import_module(mod)
+    return next(v() for k,v in vars(m).items() if isinstance(v,type) and hasattr(v,'generate_signals') and getattr(v,'__module__','')==m.__name__)
+
+STR={"MR01":("scripts.strategies.MR01_bollinger_fade",dict(bb_window=50,k=2.5,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+     "MR02":("scripts.strategies.MR02_donchian_fade",dict(n=20,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+     "MR07":("scripts.strategies.MR07_return_reversal",dict(n=50,k=3.5,tp_atr=2.0,sl_atr=1.5,max_bars=24,trend_max=3.0))}
+
+def replay(df, sigs):
+    h=df['high'].values; l=df['low'].values; c=df['close'].values
+    out=[]; last=-1
+    for s in sigs:
+        i=s.idx
+        if i<=last: continue
+        d=s.direction; tp=s.metadata['tp']; sl=s.metadata['sl']; mb=s.metadata['max_bars']
+        j=min(i+mb,len(c)-1); exit_p=c[j]
+        for t in range(i+1,j+1):
+            if d==1:
+                if l[t]<=sl: exit_p=sl;j=t;break
+                if h[t]>=tp: exit_p=tp;j=t;break
+            else:
+                if h[t]>=sl: exit_p=sl;j=t;break
+                if l[t]<=tp: exit_p=tp;j=t;break
+        ret=(exit_p-c[i])/c[i]*d*LEV-FEE*LEV
+        out.append((i,ret)); last=j
+    return out
+
+# raccogli tutti i trade con il loro dvol_pct e hurst all'ingresso
+rows=[]
+for asset in ("BTC","ETH"):
+    df=load_features(asset,"1h"); ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True)
+    for code,(mod,par) in STR.items():
+        s=load_strat(mod); sigs=s.generate_signals(df,ts,**par)
+        for i,ret in replay(df,sigs):
+            rows.append(dict(asset=asset,code=code,year=ts.iloc[i].year,ret=ret,
+                             dvol_pct=df['dvol_pct'].iloc[i], hurst=df['hurst'].iloc[i],
+                             dvol=df['dvol'].iloc[i]))
+R=pd.DataFrame(rows).dropna(subset=['dvol_pct'])
+print(f"trade totali (con DVOL, 2021+): {len(R)}")
+
+print("\n=== PnL medio per trade per TERZILE DVOL (bassa/media/alta vol) ===")
+R['dvbin']=pd.cut(R['dvol_pct'],[0,.33,.66,1.0],labels=['LOW-vol','MID','HIGH-vol'])
+g=R.groupby('dvbin',observed=True)['ret']
+print(f"  {'regime':<10}{'n':>6}{'ret_medio%':>12}{'win%':>8}{'somma%':>10}")
+for b in ['LOW-vol','MID','HIGH-vol']:
+    x=R[R.dvbin==b]['ret']
+    print(f"  {b:<10}{len(x):>6}{x.mean()*100:>12.3f}{(x>0).mean()*100:>8.1f}{x.sum()*100:>10.0f}")
+
+print("\n=== dentro LOW-vol: split per HURST (anti-persistente vs trending) ===")
+LV=R[R.dvbin=='LOW-vol'].copy()
+LV['hbin']=pd.cut(LV['hurst'],[0,.45,.55,1.0],labels=['hurst<.45 (anti-pers)','.45-.55','>.55 (trend)'])
+for b in ['hurst<.45 (anti-pers)','.45-.55','>.55 (trend)']:
+    x=LV[LV.hbin==b]['ret']
+    if len(x): print(f"  {b:<24}{len(x):>6}  ret_medio {x.mean()*100:>+7.3f}%  win {(x>0).mean()*100:>5.1f}%  somma {x.sum()*100:>+6.0f}%")
+
+print("\n=== per anno: PnL fade in LOW-vol vs resto ===")
+for y in range(2021,2027):
+    lo=R[(R.year==y)&(R.dvbin=='LOW-vol')]['ret']; hi=R[(R.year==y)&(R.dvbin!='LOW-vol')]['ret']
+    print(f"  {y}: LOW-vol somma {lo.sum()*100:>+6.0f}% (n{len(lo)})  | MID/HIGH somma {hi.sum()*100:>+6.0f}% (n{len(hi)})")

scripts/analysis/fade_loss_by_regime.py

@@ -0,0 +1,50 @@
+import sys; sys.path.insert(0,".")
+import numpy as np, pandas as pd
+from scripts.analysis.regime_lab import load_features
+import importlib
+FEE=0.001; LEV=3
+def load_strat(mod):
+    m=importlib.import_module(mod)
+    return next(v() for k,v in vars(m).items() if isinstance(v,type) and hasattr(v,'generate_signals') and getattr(v,'__module__','')==m.__name__)
+STR={"MR01":("scripts.strategies.MR01_bollinger_fade",dict(bb_window=50,k=2.5,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+     "MR02":("scripts.strategies.MR02_donchian_fade",dict(n=20,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+     "MR07":("scripts.strategies.MR07_return_reversal",dict(n=50,k=3.5,tp_atr=2.0,sl_atr=1.5,max_bars=24,trend_max=3.0))}
+def replay(df,sigs):
+    h=df['high'].values;l=df['low'].values;c=df['close'].values;out=[];last=-1
+    for s in sigs:
+        i=s.idx
+        if i<=last: continue
+        d=s.direction;tp=s.metadata['tp'];sl=s.metadata['sl'];mb=s.metadata['max_bars'];j=min(i+mb,len(c)-1);exit_p=c[j];reason='time'
+        for t in range(i+1,j+1):
+            if d==1:
+                if l[t]<=sl: exit_p=sl;j=t;reason='sl';break
+                if h[t]>=tp: exit_p=tp;j=t;reason='tp';break
+            else:
+                if h[t]>=sl: exit_p=sl;j=t;reason='sl';break
+                if l[t]<=tp: exit_p=tp;j=t;reason='tp';break
+        out.append((i,(exit_p-c[i])/c[i]*d*LEV-FEE*LEV,reason));last=j
+    return out
+rows=[]
+for asset in ("BTC","ETH"):
+    df=load_features(asset,"1h");ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True)
+    for code,(mod,par) in STR.items():
+        s=load_strat(mod)
+        for i,ret,reason in replay(df,s.generate_signals(df,ts,**par)):
+            rows.append(dict(ret=ret,reason=reason,dvol_pct=df['dvol_pct'].iloc[i],hurst=df['hurst'].iloc[i],
+                             vratio=df['vratio'].iloc[i],higuchi=df['higuchi'].iloc[i]))
+R=pd.DataFrame(rows).dropna(subset=['dvol_pct','hurst'])
+L=R[R.ret<0]   # solo i trade in perdita
+print(f"trade {len(R)} | in perdita {len(L)} ({len(L)/len(R)*100:.0f}%) | somma perdite {L.ret.sum()*100:.0f}% | media perdita {L.ret.mean()*100:.2f}%")
+print("\n=== somma PERDITE per regime (dove si concentra il danno) ===")
+R['dvbin']=pd.cut(R.dvol_pct,[0,.33,.66,1],labels=['LOWvol','MID','HIGHvol'])
+R['hbin']=pd.cut(R.hurst,[0,.45,.55,1],labels=['anti<.45','.45-.55','trend>.55'])
+piv=R[R.ret<0].pivot_table(index='dvbin',columns='hbin',values='ret',aggfunc='sum',observed=True)*100
+print((piv.round(0)).to_string())
+print("\n  (numeri = somma % delle perdite per cella; piu negativo = piu danno)")
+print("\n=== quota di SL (stop) per regime ===")
+slr=R.groupby(['dvbin','hbin'],observed=True).apply(lambda x:(x.reason=='sl').mean()*100, include_groups=False)
+print(slr.round(0).to_string())
+# worst tail
+print(f"\n=== peggiori 1% trade: dove? ===")
+W=R.nsmallest(max(10,len(R)//100),'ret')
+print(f"  worst {len(W)} trade: dvol_pct medio {W.dvol_pct.mean():.2f}, hurst medio {W.hurst.mean():.2f}, quota hurst>.55 {(W.hurst>.55).mean()*100:.0f}%, quota dvol<.33 {(W.dvol_pct<.33).mean()*100:.0f}%")

scripts/analysis/fade_lossguard_port_test.py

@@ -0,0 +1,56 @@
+import sys; sys.path.insert(0,".")
+import numpy as np, pandas as pd, importlib
+from scripts.analysis.combine_portfolio import IDX, SPLIT, INIT, _norm, metrics, port_returns, build_trades
+from src.portfolio.sleeves import all_sleeve_equities
+from scripts.analysis.regime_lab import load_features
+
+def load_strat(mod):
+    m=importlib.import_module(mod)
+    return next(v() for k,v in vars(m).items() if isinstance(v,type) and hasattr(v,'generate_signals') and getattr(v,'__module__','')==m.__name__)
+FADES={"MR01":("scripts.strategies.MR01_bollinger_fade",dict(bb_window=50,k=2.5,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+       "MR02":("scripts.strategies.MR02_donchian_fade",dict(n=20,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+       "MR07":("scripts.strategies.MR07_return_reversal",dict(n=50,k=3.5,tp_atr=2.0,sl_atr=1.5,max_bars=24,trend_max=3.0))}
+FEE=0.001; LEV=3; POS=0.15
+
+def fade_equity_filtered(code, asset, hurst_thr=None):
+    """equity giornaliera dello sleeve fade, opz. filtrata Hurst<thr (skip hurst>=thr). Convenzione fade_daily_equity."""
+    mod,par=FADES[code]; s=load_strat(mod)
+    df=load_features(asset,"1h"); ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True)
+    h=df['high'].values; l=df['low'].values; c=df['close'].values; hur=df['hurst'].values
+    eq=np.full(len(c),INIT,float); cap=INIT; last=-1
+    for sg in s.generate_signals(df,ts,**par):
+        i=sg.idx
+        if i<=last: continue
+        if hurst_thr is not None and not np.isnan(hur[i]) and hur[i]>=hurst_thr: continue  # FILTRO
+        d=sg.direction; tp=sg.metadata['tp']; sl=sg.metadata['sl']; mb=sg.metadata['max_bars']
+        j=min(i+mb,len(c)-1); exit_p=c[j]
+        for t in range(i+1,j+1):
+            if d==1:
+                if l[t]<=sl: exit_p=sl;j=t;break
+                if h[t]>=tp: exit_p=tp;j=t;break
+            else:
+                if h[t]>=sl: exit_p=sl;j=t;break
+                if l[t]<=tp: exit_p=tp;j=t;break
+        ret=(exit_p-c[i])/c[i]*d*LEV-FEE*LEV
+        cap=max(cap+cap*POS*ret,10.0); eq[j:]=cap; last=j
+    sser=pd.Series(eq,index=ts).resample("1D").last().reindex(IDX).ffill().bfill()
+    return _norm(sser)
+
+base=all_sleeve_equities()
+fade_ids=["MR01_BTC","MR02_BTC","MR07_BTC","MR01_ETH","MR02_ETH","MR07_ETH"]
+
+def port(members):
+    dr=port_returns(members); return metrics(dr), metrics(dr,lo=SPLIT)
+
+# baseline PORT06
+fB,oB=port(base)
+print(f"PORT06 baseline (17 sleeve):           FULL Sharpe {fB['sharpe']:.2f} DD {fB['dd']:.2f}%  | OOS Sharpe {oB['sharpe']:.2f} DD {oB['dd']:.2f}% ret {oB['ret']:+.0f}%")
+
+# sostituisci le 6 fade con versione Hurst-skip
+for thr in (0.55, 0.50):
+    filt=dict(base)
+    for fid in fade_ids:
+        code,asset=fid.split("_")
+        filt[fid]=fade_equity_filtered(code,asset,hurst_thr=thr)
+    fF,oF=port(filt)
+    print(f"PORT06 + Hurst-skip h<{thr} sulle fade:  FULL Sharpe {fF['sharpe']:.2f} DD {fF['dd']:.2f}%  | OOS Sharpe {oF['sharpe']:.2f} DD {oF['dd']:.2f}% ret {oF['ret']:+.0f}%")

scripts/analysis/fade_lossguard_workflow.js

@@ -0,0 +1,120 @@
+export const meta = {
+  name: 'fade-lossguard',
+  description: 'Sistema anti-perdite per le fade in regime trending/low-vol: test meccanismi su MR01/02/07',
+  phases: [
+    { title: 'Test', detail: 'agenti: ogni meccanismo di filtro applicato alle fade reali (BTC+ETH)' },
+    { title: 'Synth', detail: 'classifica + miglior loss-guard, gate: riduce DD senza uccidere edge' },
+  ],
+}
+
+const API = `
+=== Harness (gia pronto) ===
+import sys; sys.path.insert(0,'.')
+import numpy as np, pandas as pd, importlib
+from scripts.analysis.regime_lab import load_features, report
+from scripts.analysis.explore_lab import robust, atr
+
+def load_strat(mod):
+    m=importlib.import_module(mod)
+    return next(v() for k,v in vars(m).items() if isinstance(v,type) and hasattr(v,'generate_signals') and getattr(v,'__module__','')==m.__name__)
+FADES={'MR01':('scripts.strategies.MR01_bollinger_fade',dict(bb_window=50,k=2.5,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+       'MR02':('scripts.strategies.MR02_donchian_fade',dict(n=20,sl_atr=2.0,max_bars=24,trend_max=3.0)),
+       'MR07':('scripts.strategies.MR07_return_reversal',dict(n=50,k=3.5,tp_atr=2.0,sl_atr=1.5,max_bars=24,trend_max=3.0))}
+
+# colonne regime_lab (causali): dvol, dvol_pct, vrp, funding_z, dvol_chg, hurst, higuchi, vratio, frac_up/dn
+# ADX (se ti serve) calcolalo causale da OHLC; efficiency-ratio Kaufman = |c[i]-c[i-n]| / sum|diff| su [i-n,i].
+
+# PATTERN: genera i segnali fade, poi APPLICA IL TUO FILTRO scartando le entries in regime sfavorevole,
+# confronta BASELINE vs FILTRATA su ogni fade x asset:
+def entries_from(strat, df, par, keep=lambda df,i: True):
+    ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True)
+    out=[]
+    for s in strat.generate_signals(df,ts,**par):
+        if keep(df, s.idx):                      # keep=False -> filtro scarta (loss-guard)
+            out.append({'i':s.idx,'d':s.direction,'tp':s.metadata['tp'],'sl':s.metadata['sl'],'max_bars':s.metadata['max_bars']})
+    return out
+# per ogni (fade,asset): res_base=report(.., entries_from(..., keep=tutto)); res_filt=report(.., col tuo keep)
+# confronta: Sharpe OOS, DD full/oos, ret, #trade (quanti scartati), e robust(). Aggrega sulle 6 combo.
+`
+
+const CONTEXT = `
+PROBLEMA: le fade (MR01 Bollinger, MR02 Donchian, MR07 return-reversal) sono mean-reversion 1h con
+filtro trend EMA200 (trend_max=3.0). DIAGNOSI EMPIRICA (3022 trade, 2021+): le PERDITE e gli STOP
+si concentrano nel regime PERSISTENTE/TRENDING, NON nella bassa vol:
+- somma perdite per cella (Hurst x DVOL): la cella peggiore e' hurst>0.55 (-2695% in low-vol,
+  dominante in ogni terzile vol). I peggiori 1% trade hanno hurst medio 0.61 (77% con hurst>0.55).
+- tasso STOP-LOSS: 43% quando hurst>0.55 vs 21% quando hurst<0.45 (anti-persistente). 2x.
+- net: le celle restano positive (i winner battono), quindi filtrare toglie anche winner -> il
+  loss-guard e' utile SOLO se riduce DD/coda SENZA uccidere l'edge netto.
+RICERCA ESTERNA (confermata): (a) Hurst regime filter: MR solo H<0.45, in 0.45-0.55 ridurre size,
+evitare H>0.55. (b) ADX: MR profit factor 1.62 con ADX<20 vs -0.74 con ADX>30 (switch di regime piu'
+importante). (c) ATR/vol-EXPANSION ratio>1.5 disabilita MR -> ha prevenuto il 72% delle perdite
+maggiori. (d) time-stop: se non rientra in ~15 barre e' un trend, esci.
+
+OBIETTIVO: trovare il MIGLIOR meccanismo (o combo) che, applicato alle fade reali, RIDUCE DD/coda/
+stop-rate MANTENENDO l'edge netto OOS. Metodologia: causale no-look-ahead (le colonne regime_lab
+sono causali; i filtri usano solo dati <= i), netto fee (report() fa OOS+sweep). LEZIONE FR01: un
+filtro che riduce le perdite ma anche i winner spesso NON migliora -> il gate vero e' DD giu' a
+parita' (o quasi) di Sharpe/ret, idealmente Sharpe SU e DD GIU'.
+
+` + API
+
+const SCHEMA = {
+  type: 'object',
+  properties: {
+    meccanismo: { type: 'string' },
+    descrizione: { type: 'string' },
+    base_oos_sharpe: { type: 'number' }, filt_oos_sharpe: { type: 'number' },
+    base_dd_full: { type: 'number' }, filt_dd_full: { type: 'number' },
+    base_oos_ret: { type: 'number' }, filt_oos_ret: { type: 'number' },
+    trade_scartati_pct: { type: 'number' },
+    riduce_perdite: { type: 'boolean', description: 'riduce DD/coda/stop-rate' },
+    preserva_edge: { type: 'boolean', description: 'edge netto OOS preservato (Sharpe non crolla, robust resta)' },
+    buon_lossguard: { type: 'boolean', description: 'riduce perdite SENZA uccidere edge -> candidato' },
+    verdetto: { type: 'string', description: 'numeri base vs filtrato aggregati sulle 6 combo fade x asset' },
+  },
+  required: ['meccanismo', 'buon_lossguard', 'riduce_perdite', 'preserva_edge', 'verdetto'],
+}
+
+const MECHS = [
+  ['Hurst-skip H>0.55', 'scarta le fade quando rolling-hurst(window=100) >= 0.55 (regime persistente). Test anche soglia 0.50 e 0.60, riporta la migliore.'],
+  ['Hurst-size transition', 'NON scartare ma RIDURRE: tieni tutte le entries ma pesa size 1.0 se hurst<0.45, 0.5 se 0.45-0.55, 0.25 se >0.55. (Per testare la riduzione size col report attuale: approssima scartando il 50%/75% delle entries nelle bin alte in modo deterministico per indice, oppure confronta solo le bin.)'],
+  ['ADX-skip', 'calcola ADX(14) causale; scarta le fade quando ADX>25 (trend). Test soglie 20/25/30.'],
+  ['vol-expansion vratio', 'scarta le fade quando vratio (vol breve/lunga, colonna regime_lab) > 1.5 (vol in espansione = breakout, non range). Test 1.3/1.5/1.8. (la ricerca dice -72% perdite maggiori)'],
+  ['efficiency-ratio Kaufman', 'ER = |c[i]-c[i-n]|/sum(|diff|) su finestra n=20; scarta quando ER>0.5 (moto efficiente/trending). Test 0.4/0.5/0.6.'],
+  ['time-stop piu corto', 'riduci max_bars da 24 a 12 o 15 (esci prima se non rientra = probabile trend). Confronta DD/edge.'],
+  ['Hurst + vol-expansion combo', 'scarta se hurst>0.55 OPPURE vratio>1.5. Verifica se la combo riduce piu DD del singolo senza perdere piu edge.'],
+  ['Hurst + ADX combo', 'scarta se hurst>0.55 E ADX>25 (doppia conferma di trend) -> piu selettivo, scarta meno winner.'],
+  ['vol-target sizing', 'scala la size per 1/realized_vol (target vol costante): approssima tenendo solo le entries in vol moderata, riporta effetto su DD/coda.'],
+  ['DVOL-rising skip', 'scarta le fade quando dvol_chg>0 forte (DVOL in salita = stress/espansione vol imminente). Test soglie su dvol_chg.'],
+]
+const ASSETS_NOTE = 'Applica a tutte e 3 le fade (MR01,MR02,MR07) su BTC E ETH (6 combo), aggrega base vs filtrato.'
+
+phase('Test')
+// ogni meccanismo = 1 agente che testa su tutte le 6 combo; piu' 4 agenti che esplorano combo/parametri fini
+const tasks = MECHS.map(([nm, desc]) => () => agent(
+  CONTEXT + `\n\nMECCANISMO DA TESTARE: ${nm}\n${desc}\n\n${ASSETS_NOTE}\n` +
+  `Scrivi uno script in /tmp (cd /opt/docker/PythagorasGoal && uv run python /tmp/<file>.py), confronta ` +
+  `BASELINE (fade senza filtro) vs FILTRATA su ogni combo, AGGREGA (media o somma equity) e riporta. ` +
+  `Il filtro deve essere CAUSALE. Decidi buon_lossguard=true SOLO se riduce DD/coda/stop-rate MANTENENDO ` +
+  `l'edge netto OOS (Sharpe non crolla, ret OOS resta ampiamente positivo). Cita i numeri base vs filtrato.`,
+  { label: `mech:${nm.slice(0, 18)}`, phase: 'Test', schema: SCHEMA }))
+
+const results = (await parallel(tasks)).filter(Boolean)
+
+phase('Synth')
+const good = results.filter(r => r.buon_lossguard)
+const synthesis = await agent(
+  CONTEXT +
+  `\n\nRisultati di ${results.length} meccanismi testati:\n${JSON.stringify(results, null, 1)}\n\n` +
+  `SINTESI FINALE (italiano) per il decisore:
+   1) Esiste un loss-guard che riduce le perdite/DD delle fade in regime trending SENZA uccidere l'edge?
+   2) Tabella: meccanismo | base vs filtrato (OOS Sharpe, DD, ret, %trade scartati) | buon_lossguard?
+   3) Il MIGLIORE (e l'eventuale combo) con i numeri. Quanto DD/coda si risparmia e a che costo di ret.
+   4) Coerenza con la ricerca esterna (Hurst<0.45 / ADX / vol-expansion / time-stop).
+   5) Raccomandazione: quale filtro applicare alle fade live, con che soglia, e il caveat (serve feed
+      DVOL/regime live? il filtro va validato a livello PORT06 = riduce il DD del portafoglio?).
+   Onesta: se nessuno migliora davvero (riduce solo ret), dillo. Cita NUMERI reali.`,
+  { label: 'synth-lossguard', phase: 'Synth' })
+
+return { results, good, synthesis }

scripts/analysis/fractal_argo_master_corr.py

@@ -0,0 +1,54 @@
+import sys; sys.path.insert(0,".")
+import numpy as np, pandas as pd
+from scripts.analysis.combine_portfolio import IDX, SPLIT, INIT, _norm, metrics, port_returns
+from src.portfolio.sleeves import all_sleeve_equities
+from scripts.analysis.regime_lab import load_features
+from scripts.analysis.explore_lab import atr
+FEE=0.001; LEV=3; POS=0.15
+
+def fr01_daily_equity(asset):
+    df=load_features(asset,"1h")
+    c=df['close'].values; h=df['high'].values; l=df['low'].values; a=atr(df,14)
+    ma=pd.Series(c).rolling(50).mean().values; sd=pd.Series(c).rolling(50).std().values
+    ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True)
+    eq=np.full(len(c),INIT,float); cap=INIT; last=-1
+    for i in range(64,len(c)-1):
+        if i<=last or np.isnan(sd[i]) or sd[i]==0 or np.isnan(a[i]): continue
+        if df['hurst'].iloc[i]>=0.55: continue
+        if np.isnan(df['dvol_pct'].iloc[i]) or df['dvol_pct'].iloc[i]>=0.40: continue
+        if c[i]<ma[i]-2.5*sd[i]: d,sl,tp=1,c[i]-2*a[i],ma[i]
+        elif c[i]>ma[i]+2.5*sd[i]: d,sl,tp=-1,c[i]+2*a[i],ma[i]
+        else: continue
+        j=min(i+24,len(c)-1); exit_p=c[j]
+        for t in range(i+1,j+1):
+            if d==1:
+                if l[t]<=sl: exit_p=sl; j=t; break
+                if h[t]>=tp: exit_p=tp; j=t; break
+            else:
+                if h[t]>=sl: exit_p=sl; j=t; break
+                if l[t]<=tp: exit_p=tp; j=t; break
+        ret=(exit_p-c[i])/c[i]*d*LEV - FEE*LEV
+        cap=max(cap+cap*POS*ret,10.0); eq[j:]=cap; last=j
+    s=pd.Series(eq,index=ts).resample("1D").last().reindex(IDX).ffill().bfill()
+    return _norm(s)
+
+members=all_sleeve_equities()
+print(f"PORT06 sleeve: {len(members)} | finestra {IDX[0].date()}..{IDX[-1].date()} | OOS da idx {SPLIT} ({IDX[SPLIT].date()})")
+fr={"FR01_BTC":fr01_daily_equity("BTC"), "FR01_ETH":fr01_daily_equity("ETH")}
+
+base=port_returns(members)                       # equal-weight 17 sleeve (metro combine)
+aug =port_returns({**members,**fr})              # + FR01x2 (19 sleeve)
+
+def show(tag, dr):
+    f=metrics(dr); o=metrics(dr,lo=SPLIT)
+    print(f"  {tag:<22} FULL: Sharpe {f['sharpe']:.2f}  DD {f['dd']:.1f}%  ret {f['ret']:+.0f}%   | OOS: Sharpe {o['sharpe']:.2f}  DD {o['dd']:.1f}%  ret {o['ret']:+.0f}%")
+
+print("\n=== MASTER equal-weight: con/senza FR01 ===")
+show("PORT06 (17 sleeve)", base)
+show("PORT06 + FR01 (19)", aug)
+
+# correlazione FR01 vs portafoglio MASTER aggregato + standalone
+for k,e in fr.items():
+    r=e.pct_change().fillna(0.0); corr=np.corrcoef(r, base)[0,1]
+    f=metrics(r); o=metrics(r,lo=SPLIT)
+    print(f"\n  {k}: corr vs MASTER = {corr:+.3f} | standalone OOS Sharpe {o['sharpe']:.2f} DD {o['dd']:.1f}% ret {o['ret']:+.0f}%")

scripts/analysis/fractal_argo_peryear.py

@@ -0,0 +1,86 @@
+import sys; sys.path.insert(0,".")
+import numpy as np, pandas as pd
+from scripts.analysis.regime_lab import load_features
+from scripts.analysis.explore_lab import atr
+
+FEE=0.001; LEV=3
+
+def build(df, gate, k=2.5, sl_atr=2.0, mb=24, bb=50):
+    c=df['close'].values; a=atr(df,14)
+    ma=pd.Series(c).rolling(bb).mean().values; sd=pd.Series(c).rolling(bb).std().values
+    ent=[]
+    for i in range(bb+14,len(c)-1):
+        if np.isnan(sd[i]) or sd[i]==0 or np.isnan(a[i]): continue
+        if not gate(df,i): continue
+        if c[i]<ma[i]-k*sd[i]: d,sl=1,c[i]-sl_atr*a[i]
+        elif c[i]>ma[i]+k*sd[i]: d,sl=-1,c[i]+sl_atr*a[i]
+        else: continue
+        ent.append({'i':i,'d':d,'tp':ma[i],'sl':sl,'mb':mb})
+    return ent
+
+def per_year(df, ent):
+    """replay intrabar fedele (sl-first, tp, poi max_bars@close) -> per anno {n,ret%,win%}."""
+    h=df['high'].values; l=df['low'].values; c=df['close'].values
+    ts=pd.to_datetime(df['timestamp'],unit='ms',utc=True)
+    Y={}
+    last=-1
+    for e in ent:
+        i=e['i']
+        if i<=last: continue
+        d=e['d']; tp=e['tp']; sl=e['sl']; j=min(i+e['mb'],len(c)-1)
+        exit_p=c[j]
+        for t in range(i+1,j+1):
+            if d==1:
+                if l[t]<=sl: exit_p=sl; j=t; break
+                if h[t]>=tp: exit_p=tp; j=t; break
+            else:
+                if h[t]>=sl: exit_p=sl; j=t; break
+                if l[t]<=tp: exit_p=tp; j=t; break
+        ret=(exit_p-c[i])/c[i]*d*LEV - FEE*LEV
+        last=j; yr=ts.iloc[i].year
+        if yr not in Y: Y[yr]=[0,0.0,0]
+        Y[yr][0]+=1; Y[yr][1]+=ret*100; Y[yr][2]+= (ret>0)
+    return Y
+
+# gate functions
+def g_hurst_calm(df,i): return df['hurst'].iloc[i]<0.55 and not np.isnan(df['dvol_pct'].iloc[i]) and df['dvol_pct'].iloc[i]<0.40
+def g_vrp_neg(df,i):    return not np.isnan(df['vrp'].iloc[i]) and df['vrp'].iloc[i]<0
+def g_hig_vrp(df,i):
+    hi=df['higuchi'].iloc[i]; return (not np.isnan(hi)) and hi>1.5 and (not np.isnan(df['vrp'].iloc[i])) and df['vrp'].iloc[i]<0
+def g_none(df,i): return True
+
+STRATS=[("HurstCalmFade (hurst<.55 & DVOL<p40)",g_hurst_calm),
+        ("VRP<0 Fade (core driver)",g_vrp_neg),
+        ("HigVRP Fade (Higuchi>1.5 & VRP<0)",g_hig_vrp),
+        ("Fade NUDA (no gate, baseline)",g_none)]
+
+# regime mercato BTC per anno (da BTC close annuale)
+btc=load_features("BTC","1d")
+bts=pd.to_datetime(btc['timestamp'],unit='ms',utc=True); bc=btc['close'].values
+mkt={}
+for yr in range(2021,2027):
+    m=(bts.dt.year==yr).values
+    if m.sum()>5:
+        r=(bc[m][-1]/bc[m][0]-1)*100
+        mkt[yr]=("BULL" if r>40 else "BEAR" if r<-30 else "RANGE", r)
+
+for asset in ("BTC","ETH"):
+    df=load_features(asset,"1h")
+    print(f"\n{'='*78}\n  {asset} 1h — performance per anno (somma ret% per-trade, netto leva3x+fee0.10%)\n{'='*78}")
+    print(f"  {'Strategia':<40} " + " ".join(f"{y}" for y in range(2021,2027)))
+    for name,g in STRATS:
+        ent=build(df,g); Y=per_year(df,ent)
+        cells=[]
+        for y in range(2021,2027):
+            if y in Y and Y[y][0]>0:
+                cells.append(f"{Y[y][1]:+5.0f}")
+            else: cells.append("   . ")
+        print(f"  {name:<40} " + " ".join(cells))
+    # riga trades/anno per la strategia principale
+    ent=build(df,g_hurst_calm); Y=per_year(df,ent)
+    tr=" ".join(f"{Y.get(y,[0])[0]:>5}" for y in range(2021,2027))
+    print(f"  {'(HurstCalmFade trades/anno)':<40} {tr}")
+
+print(f"\n  REGIME MERCATO BTC per anno (ret% annuale prezzo):")
+for y in range(2021,2027):
+    if y in mkt: print(f"    {y}: {mkt[y][0]:6} ({mkt[y][1]:+.0f}%)")

scripts/analysis/fractal_argo_workflow.js

@@ -0,0 +1,175 @@
+export const meta = {
+  name: 'fractal-argo-search',
+  description: 'Ricerca a ~100 agenti: strategia FRATTALI del segnale x REGIME ARGO (DVOL/funding/VRP) validata OOS',
+  phases: [
+    { title: 'Search', detail: '92 agenti: griglia frattale x regime x asset + wildcard' },
+    { title: 'Verify', detail: 'verifica avversariale dei survivor (look-ahead, fee 0.2%, altro asset/split)' },
+    { title: 'Synth', detail: 'classifica, sceglie vincitori, propone implementazione' },
+  ],
+}
+
+const API = `
+=== regime_lab API (gia pronta, dati FRESCHI in cache) ===
+from scripts.analysis.regime_lab import load_features, report
+from scripts.analysis.explore_lab import robust, atr, ema, rsi
+
+df = load_features(ASSET, TF)   # ASSET in {BTC,ETH}, TF in {1h,4h,1d}
+# Colonne (tutte CAUSALI, valore a barra i usa solo dati <= i):
+#  OHLCV: open high low close volume timestamp
+#  REGIME (ARGO-proxy backtestabile): dvol, dvol_pct (percentile rolling 0..1),
+#    rv (realized vol ann.), vrp = dvol-rv (>0 = vol sopravvalutata ~ ARGO GEX+ range),
+#    funding, funding_z (z-score rolling), dvol_chg (DVOL salita/discesa, proxy term-structure)
+#  FRATTALI: hurst (>0.5 persistente/trend, <0.5 anti-persistente/mean-rev), higuchi (FD: alta=frastagliato),
+#    vratio (vol breve/lunga), frac_up/frac_dn (Williams pivot bool: swing high/low confermati, CAUSALI)
+# NB: dvol e' NaN prima del 2021-03 (storico DVOL) -> salta le barre con dvol NaN se usi il regime.
+
+# Costruisci 'entries': lista dict {i, d(+1/-1), tp, sl, max_bars}. INGRESSO ESEGUIBILE:
+# i, d, tp, sl decisi con dati <= close[i]. tp/sl in PREZZO (o None). Esempio fade:
+ent=[]
+c=df['close'].values; a=atr(df,14); ma=df['close'].rolling(50).mean().values; sd=df['close'].rolling(50).std().values
+for i in range(300, len(c)-1):
+    if np.isnan(sd[i]) or np.isnan(df['dvol_pct'].iloc[i]): continue
+    if df['vrp'].iloc[i] > 0 and c[i] < ma[i]-2.5*sd[i]:        # GATE regime + SEGNALE frattale/tecnico
+        ent.append({'i':i,'d':1,'tp':ma[i],'sl':c[i]-2*a[i],'max_bars':24})
+res = report('NOME', ent, df)   # -> {full:{ret,sharpe,dd,trades,win,exposure}, oos:{...}, sweep, sweep_oos, pos_yrs, n_yrs}
+ok = robust(res)                # True = full+oos>0 E regge fee 0.2% RT E anni ~tutti positivi
+print('ROBUST', ok, 'trd', res['full']['trades'], 'OOSsharpe', round(res['oos']['sharpe'],2),
+      'OOSret', round(res['oos']['ret']), 'fee02OOS', round(res['sweep_oos'][0.002]))
+`
+
+const CONTEXT = `
+PROGETTO PythagorasGoal: trading crypto BTC/ETH. Edge dimostrato = SOLO mean-reversion (fade) + pairs.
+ASTICELLA ALTA: il portafoglio PORT06 e' gia a Sharpe OOS 8.19 / DD 2.3%. Una strategia nuova vale solo
+se ha edge NETTO validato OOS e robusto.
+
+PRIORI ONESTI (non ignorarli): i FRATTALI sono stati gia esplorati e quasi tutti RUMORE (shape_lab:
+analog kNN solo BTC-overfit; PIP/pivot 0/48 robuste; DTW peggiora). Le OPZIONI sono state SCARTATE
+(W18/19/21 VRP). L'unico edge frattale validato e SH01 (shape-ML logit, diversificatore). MA: la
+combinazione FRATTALE-del-segnale x REGIME-ARGO (gating su DVOL/funding/VRP) e' NUOVA e non testata ->
+e' qui che potrebbe esserci valore: il regime puo dire QUANDO il segnale frattale funziona.
+
+OBIETTIVO: trovare una strategia che combini un SEGNALE FRATTALE con un GATE/INTERAZIONE DI REGIME
+(ARGO-proxy: DVOL percentile, VRP, funding) e che superi la validazione onesta (robust()=True).
+
+METODOLOGIA OBBLIGATORIA: ingresso ESEGUIBILE senza look-ahead (le colonne regime_lab sono gia causali;
+le TUE entries devono usare solo dati <= i). Backtest NETTO fee (report() fa gia sweep 0.0-0.2% RT + OOS
+ultimo 30%). robust()=True e' il gate minimo. Diffida dell'overfit: poche entries o edge solo full e
+non-oos = rumore. Riporta ONESTAMENTE anche i fallimenti.
+
+` + API
+
+const SCHEMA = {
+  type: 'object',
+  properties: {
+    strategy: { type: 'string', description: 'nome + 1 frase: segnale frattale + gate regime' },
+    family: { type: 'string' }, angle: { type: 'string' }, asset: { type: 'string' }, tf: { type: 'string' },
+    trades: { type: 'integer' },
+    full_ret: { type: 'number' }, oos_ret: { type: 'number' },
+    full_sharpe: { type: 'number' }, oos_sharpe: { type: 'number' }, oos_dd: { type: 'number' },
+    fee02_oos_ret: { type: 'number', description: 'OOS ret a fee 0.2% RT' },
+    robust: { type: 'boolean', description: 'robust()=True' },
+    promising: { type: 'boolean', description: 'vale una verifica avversariale (robust o quasi, non overfit)' },
+    edge_desc: { type: 'string', description: 'perche funziona / perche e rumore, con i numeri' },
+  },
+  required: ['strategy', 'asset', 'tf', 'trades', 'oos_sharpe', 'robust', 'promising', 'edge_desc'],
+}
+
+const FAMILIES = [
+  ['hurst', 'Hurst regime: fade quando hurst<0.5 (anti-persistente), o trend quando hurst>0.5. Soglia hurst come segnale o gate.'],
+  ['higuchi', 'Fractal dimension Higuchi: FD alta = frastagliato/range (fade), FD bassa = liscio/trend (momentum).'],
+  ['williams', 'Williams pivot (frac_up/frac_dn, causali): fade del pivot (reversione allo swing) o breakout del pivot.'],
+  ['vratio', 'volatility_ratio: >1 espansione vol (breakout/fade del breakout), <1 compressione (range/squeeze).'],
+  ['analog', 'analog kNN sulla FORMA (puoi usare scripts.analysis.shape_lab.analog_signals(df,...)): forecast causale segno a H barre, gatealo col regime.'],
+  ['multiscale', 'multi-scala: combina hurst+higuchi+vratio in un indice di "regime frattale" (trend vs chop) come segnale.'],
+  ['candle', 'pattern candele frattali (src.fractal.patterns: extract_body_ratios/shadow, find_patterns): sequenze multi-barra come segnale.'],
+]
+const ANGLES = [
+  ['none', 'NESSUN gate regime: segnale frattale puro (baseline per misurare il valore marginale del regime).'],
+  ['dvol_high', 'agisci solo con dvol_pct alto (>0.6..0.8): vol elevata (spesso mean-reversion piu forte).'],
+  ['dvol_low', 'agisci solo con dvol_pct basso (<0.3..0.4): calma/range.'],
+  ['vrp', 'VRP=vrp colonna: VRP>0 (vol sopravvalutata, analogo ARGO GEX+ -> range/fade); confronta con VRP<0. Gate o peso.'],
+  ['funding', 'funding_z estremo: troppi long (funding_z alto) -> fade ribassista; troppi short -> fade rialzista (flusso ARGO via perp).'],
+  ['dvol_chg', 'dvol_chg: DVOL in salita (espansione vol/stress -> trend) vs discesa (ritorno calma -> range).'],
+]
+const ASSETS = ['BTC', 'ETH']
+
+phase('Search')
+// 7 famiglie x 6 angoli x 2 asset = 84 agenti griglia
+const gridSpecs = []
+for (const [fam, fdesc] of FAMILIES)
+  for (const [ang, adesc] of ANGLES)
+    for (const asset of ASSETS)
+      gridSpecs.push({ fam, fdesc, ang, adesc, asset })
+
+const gridTasks = gridSpecs.map((s) => () => agent(
+  CONTEXT +
+  `\n\nIL TUO CELLA:\n- FAMIGLIA FRATTALE: ${s.fam} -> ${s.fdesc}\n- ANGOLO REGIME: ${s.ang} -> ${s.adesc}\n- ASSET: ${s.asset}\n\n` +
+  `Progetta la MIGLIORE strategia in questa cella: un SEGNALE basato sulla famiglia frattale ${s.fam}, ` +
+  `condizionato/interagito col regime ${s.ang}. Scrivi uno script in /tmp (cd /opt/docker/PythagorasGoal && ` +
+  `uv run python /tmp/<tuofile>.py), prova SIA TF=1h SIA TF=1d (e se vuoi 4h), itera 2-4 varianti di soglia/` +
+  `direzione/exit, e RIPORTA la migliore (quella con oos_sharpe piu alto e robust se possibile). Usa report()+robust(). ` +
+  `Privilegia mean-reversion (l'edge del progetto) ma testa anche momentum dove il regime lo motiva. ` +
+  `Mai look-ahead. Se tutto e rumore, dillo onestamente (promising=false). Ritorna lo schema.`,
+  { label: `srch:${s.fam}/${s.ang}/${s.asset}`, phase: 'Search', schema: SCHEMA }))
+
+// 8 wildcard: mandato aperto
+const wildTasks = Array.from({ length: 8 }, (_, k) => () => agent(
+  CONTEXT +
+  `\n\nSEI UN AGENTE WILDCARD #${k + 1}. Mandato APERTO: inventa una combinazione FRATTALE-del-segnale x ` +
+  `REGIME-ARGO NON banale e non nella griglia ovvia. Idee: interazione hurst*vrp (mean-rev solo se ` +
+  `anti-persistente E vol sopravvalutata); Williams pivot come TP/SL adattivo gateato da dvol; analog kNN ` +
+  `pesato per funding; size/exit modulati dal regime; combinare 2 segnali frattali con conferma di regime. ` +
+  `Asset e TF a tua scelta (prova entrambi gli asset). Costruisci, testa onesto (report()+robust()), riporta ` +
+  `la migliore. Diversifica dagli altri: varia idea in base a #${k + 1}. Schema in output.`,
+  { label: `wild:${k + 1}`, phase: 'Search', schema: SCHEMA }))
+
+const searchResults = (await parallel([...gridTasks, ...wildTasks])).filter(Boolean)
+
+// survivor = robust, oppure promising con oos_sharpe alto e abbastanza trade
+const survivors = searchResults.filter(r =>
+  (r.robust || (r.promising && (r.oos_sharpe || 0) >= 1.0)) && (r.trades || 0) >= 30)
+log(`Search: ${searchResults.length} testati, ${survivors.length} survivor da verificare`)
+
+phase('Verify')
+const VSCHEMA = {
+  type: 'object',
+  properties: {
+    strategy: { type: 'string' }, confirmed: { type: 'boolean' },
+    reason: { type: 'string', description: 'esito audit look-ahead + fee0.2% + altro asset + split alternativo' },
+    oos_sharpe_recheck: { type: 'number' }, killed_by: { type: 'string' },
+  },
+  required: ['strategy', 'confirmed', 'reason'],
+}
+let verified = []
+if (survivors.length) {
+  verified = (await parallel(survivors.map(s => () => agent(
+    CONTEXT +
+    `\n\nVERIFICA AVVERSARIALE di un candidato survivor:\n${JSON.stringify(s, null, 1)}\n\n` +
+    `Tuo compito: PROVARE A FALSIFICARLO. (1) Ricostruisci la strategia (chiedi i dettagli dal suo edge_desc; ` +
+    `riusa regime_lab). (2) AUDIT look-ahead: ogni colonna/calcolo usa solo dati <= i? Il gate regime e' noto a i? ` +
+    `(3) Regge fee 0.2% RT in OOS? (4) Regge sull'ALTRO asset (se BTC prova ETH e viceversa)? (5) Regge a uno SPLIT ` +
+    `OOS alternativo (es. train<=2024, test 2025-26)? (6) Numero trade sufficiente e non concentrato in 1 anno? ` +
+    `Default a confirmed=FALSE se incerto o se sopravvive solo per overfit. Sii spietato. Schema in output.`,
+    { label: `verify:${(s.strategy || '').slice(0, 24)}`, phase: 'Verify', schema: VSCHEMA })))).filter(Boolean)
+}
+const confirmed = verified.filter(v => v.confirmed)
+
+phase('Synth')
+const synthesis = await agent(
+  CONTEXT +
+  `\n\nHai i risultati di ${searchResults.length} agenti di ricerca e ${verified.length} verifiche avversariali.\n\n` +
+  `SURVIVOR CONFERMATI:\n${JSON.stringify(confirmed, null, 1)}\n\n` +
+  `TUTTI I SURVIVOR (anche non confermati):\n${JSON.stringify(survivors, null, 1)}\n\n` +
+  `TOP 15 per oos_sharpe fra tutti i testati:\n${JSON.stringify(
+    searchResults.slice().sort((a, b) => (b.oos_sharpe || 0) - (a.oos_sharpe || 0)).slice(0, 15), null, 1)}\n\n` +
+  `Produci la SINTESI FINALE (italiano) per il decisore:
+   1) VERDETTO: esiste una strategia frattale x ARGO con edge validato OOS? quale/i (confermate)?
+   2) Tabella dei top candidati: strategia, asset/tf, OOS Sharpe, OOS ret, DD, robust, confermato?
+   3) Il regime ARGO (DVOL/VRP/funding) AGGIUNGE valore al segnale frattale (vs angolo 'none')? In quali celle?
+   4) Cosa e' rumore e perche (coerente coi priori: frattali deboli, opzioni scartate).
+   5) Se c'e un vincitore: piano di implementazione (file in scripts/strategies/, MODULE_MAP, validazione finale).
+      Se NON c'e: dillo chiaro, niente forzature.
+   Cita NUMERI reali (OOS Sharpe, ret, trades). Onesta brutale: deve battere PORT06, non solo essere >0.`,
+  { label: 'synthesis', phase: 'Synth' })
+
+return { searchResults, survivors, confirmed, synthesis }

scripts/analysis/live_exec_smoke.py

@@ -0,0 +1,80 @@
+"""Smoke end-to-end dell'esecuzione REALE su Deribit testnet.
+
+Dimostra il giro completo che serve al live:
+  account → OPEN (ordine reale minimo) → VERIFICA posizione su Deribit →
+  FEE reale dai trade → CLOSE → VERIFICA flat → riepilogo.
+
+Usa il sizing MINIMO del contratto (BTC $10, ETH $1): costo testnet = €0.
+NON tocca il runner: e' solo una prova della macchina di esecuzione.
+
+    uv run python scripts/analysis/live_exec_smoke.py            # ETH + BTC
+    uv run python scripts/analysis/live_exec_smoke.py ETH-PERPETUAL
+"""
+from __future__ import annotations
+
+import sys
+
+from src.live.cerbero_client import CerberoClient
+from src.live.execution import ExecutionClient, contract_spec, settlement_currency
+
+
+def smoke_one(ex: ExecutionClient, instrument: str, notional: float = 10.0) -> bool:
+    spec = contract_spec(instrument)
+    cur = settlement_currency(instrument)
+    kind = "lineare USDC" if spec.get("linear") else "inverse"
+    print(f"\n===== {instrument} ({kind}, ~${notional:.0f} notional) =====")
+
+    pre = ex._position_size(instrument)
+    print(f"  posizione pre: {pre} USD (atteso 0)")
+
+    print(f"  → OPEN buy ${notional:.0f} notional ...")
+    f = ex.open(instrument, "buy", notional, label="smoke-exec")
+    print(f"    order_id={f.order_id} state={f.order_state} verified={f.verified}")
+    print(f"    fill_price={f.fill_price}  amount={f.amount} ({'BTC' if spec.get('linear') else 'USD'})")
+    print(f"    FEE reale: {f.fee_coin:.10f} {cur}  (~${f.fee_usd:.4f})")
+    if f.notes:
+        print(f"    note: {f.notes}")
+    if not f.verified:
+        print("    ✗ OPEN NON verificato — interrompo questo strumento")
+        return False
+    print("    ✓ posizione confermata su Deribit (riletta da get_positions)")
+
+    print("  → CLOSE ...")
+    c = ex.close(instrument, label="smoke-exec")
+    print(f"    order_id={c.order_id} state={c.order_state} verified(flat)={c.verified}")
+    print(f"    fill_price={c.fill_price}  FEE reale: {c.fee_coin:.10f} {cur} (~${c.fee_usd:.4f})")
+    if c.notes:
+        print(f"    note: {c.notes}")
+
+    post = ex._position_size(instrument)
+    ok = f.verified and c.verified and post == 0
+    # fee RT reale osservata vs assunto 0.10% RT sul notional
+    fee_usd_rt = f.fee_usd + c.fee_usd
+    assumed_rt = notional * 0.001
+    print(f"    posizione post: {post} USD (atteso 0)")
+    print(f"    FEE RT reale ~${fee_usd_rt:.4f} vs assunto 0.10% RT ~${assumed_rt:.4f}")
+    print(f"  {'✓ OK' if ok else '✗ FALLITO'} — giro completo {instrument}")
+    return ok
+
+
+def main() -> None:
+    instruments = sys.argv[1:] or ["ETH-PERPETUAL", "BTC-PERPETUAL"]
+    client = CerberoClient()
+
+    acct = client.get_account_summary(currency="USDC")
+    print(f"Account testnet: equity={acct.get('equity')} USDC  testnet={acct.get('testnet')}")
+    if not acct.get("testnet"):
+        print("✗ ABORT: non e' testnet — niente ordini reali su mainnet.")
+        sys.exit(1)
+
+    ex = ExecutionClient(client=client)
+    results = {inst: smoke_one(ex, inst) for inst in instruments}
+
+    print("\n===== RIEPILOGO =====")
+    for inst, ok in results.items():
+        print(f"  {inst:16s} {'✓ OK' if ok else '✗ FALLITO'}")
+    sys.exit(0 if all(results.values()) else 1)
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/live_shadow_smoke.py

@@ -0,0 +1,90 @@
+"""Smoke della catena SHADOW dentro lo StrategyWorker (testnet, ordini reali minimi).
+
+Apre e chiude la quota di UN worker fade come farebbe il runner, esercitando i
+DUE percorsi del LIMIT reduce-only al TP (fix divergenza sim/reale 2026-06-04):
+
+  A) TP lontano → REAL_TP_RESTING in book; exit sim non-TP → cancel + market
+     reduce-only di fallback (REAL_CLOSE con tp_filled_amount=0);
+  B) TP gia' oltre il prezzo → il limit crossa e filla SUBITO; la chiusura
+     riconcilia il fill dal trade history (order_id) SENZA ordine market
+     (REAL_CLOSE con market_amount=0).
+
+Non tocca lo stato di produzione (data_dir temporanea). Costo testnet = €0.
+
+    uv run python scripts/analysis/live_shadow_smoke.py
+"""
+from __future__ import annotations
+
+import tempfile
+from pathlib import Path
+
+from src.live.cerbero_client import CerberoClient
+from src.live.execution import ExecutionClient
+from src.live.strategy_loader import load_strategy
+from src.live.strategy_worker import StrategyWorker
+from src.strategies.base import Signal
+
+
+def main() -> None:
+    client = CerberoClient()
+    acct = client.get_account_summary(currency="USDC")
+    print(f"Account testnet equity={acct.get('equity')} USDC testnet={acct.get('testnet')}")
+    if not acct.get("testnet"):
+        raise SystemExit("ABORT: non testnet")
+
+    ex = ExecutionClient(client=client)
+    instrument = "BTC_USDC-PERPETUAL"
+    price = ex._mark_price(instrument)
+    print(f"{instrument} mark={price}")
+
+    with tempfile.TemporaryDirectory() as tmp:
+        w = StrategyWorker(
+            strategy=load_strategy("MR01_bollinger_fade"),
+            asset="BTC", tf="1h", capital=100.0, position_size=0.15, leverage=2.0,
+            data_dir=Path(tmp), executor=ex, exec_instrument=instrument,
+        )
+        print(f"execution_enabled={w.execution_enabled}  notional atteso=${100*0.15*2:.0f}")
+
+        # --- Scenario A: TP lontano → resting in book, exit non-TP → cancel + market ---
+        print("\n[A] TP lontano (resting) → exit time_limit → cancel + market fallback")
+        sig = Signal(idx=0, direction=1, entry_price=price,
+                     metadata={"tp": price * 1.05, "sl": price * 0.50, "max_bars": 6})
+        w._open_position(sig, price)
+        print(f"  real_in_position={w.real_in_position} side={w.real_side} "
+              f"amount={w.real_amount} entry={w.real_entry_price} "
+              f"entry_fee=${w.real_entry_fee_usd:.5f} notional=${w.real_entry_notional:.2f}")
+        assert w.real_in_position, "OPEN reale non verificato"
+        print(f"  TP resting order_id={w.real_tp_order_id!r}")
+        assert w.real_tp_order_id, "LIMIT reduce-only al TP non piazzato"
+
+        cap_before = w.real_capital
+        w._close_position((w.entry_price or price) * 1.001, "time_limit")
+        print(f"  real_capital {cap_before:.4f} -> {w.real_capital:.4f}  "
+              f"(Δ {w.real_capital - cap_before:+.4f})  real_trades={w.real_trades}")
+        assert not w.real_in_position, "posizione reale non chiusa"
+        assert not w.real_tp_order_id, "order_id TP non resettato dopo la chiusura"
+
+        # --- Scenario B: TP gia' oltre il prezzo → il limit crossa e filla subito ---
+        print("\n[B] TP gia' crossato (fill immediato del limit) → close riconcilia da history")
+        price = ex._mark_price(instrument) or price
+        sig = Signal(idx=0, direction=1, entry_price=price,
+                     metadata={"tp": price * 0.995, "sl": price * 0.50, "max_bars": 6})
+        w._open_position(sig, price)
+        assert w.real_in_position, "OPEN reale non verificato (B)"
+        assert w.real_tp_order_id, "LIMIT TP non piazzato (B)"
+
+        cap_before = w.real_capital
+        w._close_position(w.tp, "take_profit")
+        print(f"  real_capital {cap_before:.4f} -> {w.real_capital:.4f}  "
+              f"(Δ {w.real_capital - cap_before:+.4f})  real_trades={w.real_trades}")
+        assert not w.real_in_position, "posizione reale non chiusa (B)"
+
+        # verifica finale: il conto e' flat sullo strumento (nessuna quota residua del worker)
+        pos = ex._position_size(instrument)
+        print(f"\n  posizione netta {instrument}: {pos}")
+        print("✓ catena shadow OK — open reale, LIMIT TP resting (A: cancel+market, "
+              "B: fill immediato riconciliato), fee reali nel ledger reale")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/live_smoke_pairs.py

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

scripts/analysis/partial_tp_ladder.py

@@ -0,0 +1,164 @@
+"""Exit 'ladder' per le fade: al tocco di una frazione f del TP esce la quota q,
+il runner (1-q) corre con STOP DINAMICO bloccato alla soglia (profitto lockato).
+
+Proposta 2026-06-04 ("e se all'80% del TP usciamo con 80% e mettiamo un SL
+dinamico su quella soglia e lo lasciamo correre?"). Confronto ONESTO con l'exit
+canonico (TP pieno al livello) sugli STESSI segnali, stesso engine intrabar di
+fade_base (ingresso a close[i], SL prioritario nello stesso bar, fee 0.10% RT
+x leva su tutto il notional — il ladder NON paga fee extra: due uscite ma
+stesso notional totale).
+
+Convenzioni intrabar del ladder (oneste/conservative):
+  - SL pieno prioritario sulla soglia nello stesso bar;
+  - se il bar che tocca la soglia CHIUDE oltre la soglia (rientro), il runner
+    si considera stoppato subito alla soglia (non gli si regala il bar);
+  - il runner non ha TP (corre), esce su ri-tocco della soglia o a max_bars.
+
+Gate (metodologia repo): il ladder deve migliorare ret E DD (o chiaramente il
+rischio/rendimento) su ENTRAMBI gli asset, full E OOS, per tutte e 3 le fade.
+
+    uv run python scripts/analysis/partial_tp_ladder.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            # 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 = pd.Timestamp("2023-11-01", tz="UTC")
+LEV, POS, FEE_RT = 3.0, 0.15, 0.001
+CODES = ["MR01_bollinger_fade", "MR02_donchian_fade", "MR07_return_reversal"]
+
+
+def simulate(signals, df, ts, policy: str, f: float = 0.8, q: float = 0.8,
+             start=None) -> dict:
+    """Replay intrabar degli stessi segnali con exit 'base' o 'ladder'."""
+    h, l, c = df["high"].values, df["low"].values, df["close"].values
+    n = len(c)
+    fee = FEE_RT * LEV
+    capital = peak = 1000.0
+    max_dd = 0.0
+    last_exit = -1
+    trades = wins = 0
+    runner_beyond_tp = runner_stopped = 0
+    rets = []
+
+    for sig in signals:
+        i, d = sig.idx, sig.direction
+        if start is not None and ts.iloc[i] < start:
+            continue
+        if i <= last_exit or i + 1 >= n:
+            continue
+        entry = c[i]
+        tp, sl, mb = sig.metadata["tp"], sig.metadata["sl"], sig.metadata["max_bars"]
+        j = i
+
+        if policy == "base":
+            exit_p = c[min(i + mb, n - 1)]
+            for step in range(1, mb + 1):
+                j = i + step
+                if j >= n:
+                    j = n - 1; exit_p = c[j]; break
+                hit_sl = (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_p = sl; break
+                if hit_tp:
+                    exit_p = tp; break
+                if step == mb:
+                    exit_p = c[j]
+            ret = (exit_p - entry) / entry * d * LEV - fee
+        else:  # ladder
+            th = entry + f * (tp - entry)            # soglia f del percorso verso il TP
+            p1 = p2 = None                            # fill quota q / runner (1-q)
+            state = "full"
+            for step in range(1, mb + 1):
+                j = i + step
+                if j >= n:
+                    j = n - 1
+                    if p1 is None:
+                        p1 = c[j]
+                    p2 = c[j]
+                    break
+                if state == "full":
+                    hit_sl = (d == 1 and l[j] <= sl) or (d == -1 and h[j] >= sl)
+                    hit_th = (d == 1 and h[j] >= th) or (d == -1 and l[j] <= th)
+                    if hit_sl:                       # SL pieno prioritario (conservativo)
+                        p1 = p2 = sl; break
+                    if hit_th:
+                        p1 = th; state = "runner"
+                        # il bar chiude oltre la soglia -> runner stoppato subito
+                        if (d == 1 and c[j] < th) or (d == -1 and c[j] > th):
+                            p2 = th; runner_stopped += 1; break
+                        if step == mb:
+                            p2 = c[j]; break
+                        continue
+                    if step == mb:
+                        p1 = p2 = c[j]; break
+                else:                                # runner: stop dinamico = soglia
+                    hit_stop = (d == 1 and l[j] <= th) or (d == -1 and h[j] >= th)
+                    if hit_stop:
+                        p2 = th; runner_stopped += 1; break
+                    if step == mb:
+                        p2 = c[j]; break
+            if p2 is not None and (p2 - tp) * d > 0:
+                runner_beyond_tp += 1
+            ret = (q * (p1 - entry) + (1 - q) * (p2 - 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
+        rets.append(ret)
+
+    if trades == 0:
+        return {}
+    rets = 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": rets.mean() * 1e4,
+        "sharpe_t": rets.mean() / rets.std() * np.sqrt(len(rets)) if rets.std() else 0,
+        "runner_beyond_tp": runner_beyond_tp,
+        "runner_stopped": runner_stopped,
+    }
+
+
+def main() -> None:
+    variants = [("base", None, None), ("ladder", 0.8, 0.8),
+                ("ladder", 0.8, 0.5), ("ladder", 0.5, 0.5)]
+    for code in CODES:
+        strat = load_strategy(code)
+        for asset in ("BTC", "ETH"):
+            df = load_data(asset, "1h")
+            ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+            signals = strat.generate_signals(df, ts, **LIVE_PARAMS)
+            print(f"\n=== {code} {asset} 1h — {len(signals)} segnali (params live) ===")
+            print(f"{'policy':<16}{'periodo':<6}{'ret%':>10}{'DD%':>8}{'win%':>7}"
+                  f"{'avg bps':>9}{'Sh(t)':>7}{'n':>6}{'run>TP':>8}{'run-stop':>9}")
+            for policy, f, q in variants:
+                tag = "base" if policy == "base" else f"ladder f{f} q{q}"
+                for label, start in (("FULL", None), ("OOS", OOS_START)):
+                    r = simulate(signals, df, ts, policy, f or 0.8, q or 0.8, start)
+                    if not r:
+                        continue
+                    print(f"{tag:<16}{label:<6}{r['ret_pct']:>10.0f}{r['dd_pct']:>8.1f}"
+                          f"{r['win_pct']:>7.1f}{r['avg_ret_bps']:>9.1f}{r['sharpe_t']:>7.2f}"
+                          f"{r['trades']:>6}{r['runner_beyond_tp']:>8}{r['runner_stopped']:>9}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/projection_3y.py

@@ -0,0 +1,148 @@
+"""Proiezione a 3 anni del portafoglio live (PORT06) ESCLUDENDO il 2024.
+
+Risponde a: "partendo da 1000 EUR, con capitale che compone e puntata che cresce
+di conseguenza, quale guadagno giornaliero atteso e quale traiettoria a 3 anni?"
+
+Punti chiave (perche' i numeri differiscono da report_families):
+  - report_families/Portfolio.backtest usano le curve sleeve NATIVE a leva 3x.
+  - Il container LIVE (src.portfolio.runner via portfolios.yml) gira a pos 0.15 x 2x.
+  - Il PnL giornaliero scala ESATTAMENTE con la leva: pnl = cap * pos * lev * (ret - fee),
+    stesso segnale -> ratio 2/3 per gli sleeve leverati.
+  - ROT02 e TSM01 NON si riscalano: usano `gross` (0.45 / 0.30), indipendente dalla leva
+    e identico fra backtest e worker live.
+  - Il 2024 e' escluso perche' anno eccezionale (crypto +; gonfia ogni stima).
+
+CAVEAT (le proiezioni sono OTTIMISTICHE):
+  - 2021-2025 e' quasi tutto bull/recovery; poco orso/flat prolungato nel campione.
+  - Dati alt = testnet (volume sottile, fill/slippage NON modellati).
+  - OOS singolo (2024-25) = regime calmo -> ~50% ottimistico (vedi report_families (D)).
+  Lo scenario SOBRIO (haircut ~50%) e' il numero prudente su cui pianificare.
+
+Run: uv run python scripts/analysis/projection_3y.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.portfolios._defs import PORTFOLIOS
+from src.portfolio.sleeves import all_sleeve_equities, sleeve_returns_df
+from scripts.analysis.combine_portfolio import port_returns
+
+# sleeve la cui esposizione NON dipende dalla leva (gross-based) -> non si riscalano
+NOSCALE = {"ROT02_rot", "TSM01"}
+NATIVE_LEV = 3.0          # leva delle curve sleeve in combine_portfolio
+EXCLUDE_YEAR = 2024
+START_CAPITAL = 1000.0
+
+
+def live_portfolio_returns(live_leverage: float = 2.0) -> pd.Series:
+    """Rendimenti giornalieri di PORT06 al sizing LIVE (pos 0.15 x `live_leverage`).
+    Riscala gli sleeve leverati di live_leverage/NATIVE_LEV; ROT/TSM invariati."""
+    p = PORTFOLIOS["PORT06"]
+    p.leverage = live_leverage
+    p.weighting = "cap"
+    p.caps = {"PAIRS": 0.33}
+
+    eq = all_sleeve_equities()
+    dr = sleeve_returns_df(p.sleeve_ids)
+    w = p.weight_vector(dr)
+
+    scale = live_leverage / NATIVE_LEV
+    eq_live = {}
+    for sid in p.sleeve_ids:
+        r = eq[sid].pct_change().fillna(0.0)
+        r = r if sid in NOSCALE else r * scale
+        eq_live[sid] = (1 + r).cumprod()
+    pr = port_returns(eq_live, w)
+    pr.index = pd.to_datetime(pr.index)
+    return pr
+
+
+def stats_ex_year(pr: pd.Series, exclude: int = EXCLUDE_YEAR) -> dict:
+    ex = pr[pr.index.year != exclude]
+    n = len(ex)
+    years = n / 365.0
+    tot = (1 + ex).prod() - 1
+    cagr = (1 + tot) ** (1 / years) - 1
+    yvals = [(1 + g).prod() - 1 for _, g in ex.groupby(ex.index.year)]
+    return {
+        "days": n, "years": years, "total": tot, "cagr": cagr,
+        "year_median": float(np.median(yvals)), "year_mean": float(np.mean(yvals)),
+        "daily_mean_eur": float(ex.mean() * START_CAPITAL),
+        "daily_median_eur": float(ex.median() * START_CAPITAL),
+        "daily_std_eur": float(ex.std() * START_CAPITAL),
+        "pos_days": float((ex > 0).mean()),
+        "per_year": {int(y): float((1 + g).prod() - 1) for y, g in pr.groupby(pr.index.year)},
+    }
+
+
+def project(annual: float, years: int = 3, start: float = START_CAPITAL) -> list[dict]:
+    """Capitale che compone; la puntata cresce col capitale -> EUR/giorno cresce."""
+    rows, cap = [], start
+    for yr in range(1, years + 1):
+        s = cap
+        cap = cap * (1 + annual)
+        rows.append({"year": yr, "start": s, "end": cap,
+                     "gain": cap - s, "eur_per_day": (cap - s) / 365.0})
+    return rows
+
+
+def years_to_target(daily_target: float, annual: float, start: float = START_CAPITAL) -> float:
+    """Anni per raggiungere un certo EUR/giorno componendo (capitale = target*365/cagr)."""
+    cap_needed = daily_target * 365.0 / annual
+    if cap_needed <= start:
+        return 0.0
+    return float(np.log(cap_needed / start) / np.log(1 + annual))
+
+
+def main():
+    pr = live_portfolio_returns(live_leverage=2.0)
+    s = stats_ex_year(pr)
+
+    print("=" * 72)
+    print("  PORT06 LIVE (pos 0.15 x 2x) — proiezione 3 anni, ESCLUSO 2024")
+    print("=" * 72)
+    print("  Rendimento live per anno:")
+    for y, v in s["per_year"].items():
+        flag = "  <-- ESCLUSO" if y == EXCLUDE_YEAR else ""
+        print(f"    {y}: {v * 100:+6.1f}%{flag}")
+    print()
+    print(f"  CAGR (escl 2024):    {s['cagr'] * 100:5.1f}%   "
+          f"[{s['years']:.2f} anni di dati]")
+    print(f"  anno mediano:        {s['year_median'] * 100:5.1f}%")
+    print(f"  anno medio:          {s['year_mean'] * 100:5.1f}%")
+    print(f"  EUR/giorno su 1000:  media {s['daily_mean_eur']:.2f} | "
+          f"mediana {s['daily_median_eur']:.2f} | std {s['daily_std_eur']:.2f}")
+    print(f"  giorni positivi:     {s['pos_days'] * 100:.1f}%")
+    print()
+
+    scenarios = [
+        ("CAGR backtest escl-2024", s["cagr"]),
+        ("anno mediano", s["year_median"]),
+        ("SOBRIO (haircut ~50%)", s["cagr"] * 0.5),
+    ]
+    for name, g in scenarios:
+        print(f"  -- 3 anni @ {g * 100:.0f}%/anno  ({name}) --")
+        for r in project(g):
+            print(f"     anno {r['year']}: {r['start']:7.0f} -> {r['end']:7.0f} EUR "
+                  f"(+{r['gain']:5.0f}, ~{r['eur_per_day']:4.2f} EUR/g medi)")
+        print()
+
+    print("  -- Target 50 EUR/giorno (reality check) --")
+    for name, g in scenarios[:1] + scenarios[2:]:
+        cap_needed = 50.0 * 365.0 / g
+        t = years_to_target(50.0, g)
+        print(f"     @ {g * 100:.0f}%/anno: servono ~{cap_needed:,.0f} EUR schierati "
+              f"-> da 1000 EUR, ~{t:.0f} anni componendo")
+    print("  => il collo di bottiglia e' il CAPITALE iniziale, non la strategia.")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/regime_fetcher.py

@@ -0,0 +1,112 @@
+"""Fetch dati REGIME backtestabili da Deribit MAINNET (public, no-auth) -> parquet.
+
+Abilita la ricerca strategie frattali x regime (ARGO-proxy). Salva in data/raw/:
+  {btc,eth}_dvol.parquet     : DVOL index 1h (IV 30d "VIX crypto"), storico ~2021->oggi
+  {btc,eth}_funding.parquet  : funding rate perp 1h, storico ~2019->oggi
+
+Solo componenti ARGO con STORICO GRATUITO (DVOL, funding) -> validabili OOS. Il GEX
+per-strike resta snapshot-only (vedi analisi 2026-06-01). Run:
+  uv run python scripts/analysis/regime_fetcher.py
+"""
+from __future__ import annotations
+
+import time
+import urllib.request
+import urllib.parse
+import json
+from pathlib import Path
+
+import pandas as pd
+
+ROOT = Path(__file__).resolve().parents[2]
+RAW = ROOT / "data" / "regime"          # NON data/raw (solo OHLCV) — evita pollution discovery asset
+BASE = "https://www.deribit.com/api/v2/public/"
+
+
+def _get(method: str, params: dict) -> dict:
+    url = BASE + method + "?" + urllib.parse.urlencode(params)
+    for _ in range(4):
+        try:
+            with urllib.request.urlopen(url, timeout=30) as r:
+                return json.loads(r.read())
+        except Exception:
+            time.sleep(1.0)
+    return {}
+
+
+def fetch_dvol(currency: str, start_ms: int, end_ms: int, res: int = 3600) -> pd.DataFrame:
+    """DVOL index (OHLC). Cap 1000 righe/chiamata -> chaining all'indietro."""
+    rows = []
+    cur_end = end_ms
+    span = 1000 * res * 1000
+    while cur_end > start_ms:
+        cur_start = max(start_ms, cur_end - span)
+        d = _get("get_volatility_index_data", {
+            "currency": currency, "start_timestamp": cur_start,
+            "end_timestamp": cur_end, "resolution": res})
+        data = (d.get("result") or {}).get("data") or []
+        if not data:
+            break
+        rows.extend(data)
+        oldest = min(x[0] for x in data)
+        if oldest >= cur_end:
+            break
+        cur_end = oldest - 1
+        time.sleep(0.15)
+    if not rows:
+        return pd.DataFrame()
+    df = pd.DataFrame(rows, columns=["timestamp", "open", "high", "low", "close"])
+    df = df.drop_duplicates("timestamp").sort_values("timestamp").reset_index(drop=True)
+    df["dvol"] = df["close"]
+    return df
+
+
+def fetch_funding(instrument: str, start_ms: int, end_ms: int) -> pd.DataFrame:
+    """funding rate history perp (1h). Paginazione ~30g/chiamata."""
+    rows = []
+    cur_start = start_ms
+    step = 30 * 24 * 3600 * 1000
+    while cur_start < end_ms:
+        cur_end = min(end_ms, cur_start + step)
+        d = _get("get_funding_rate_history", {
+            "instrument_name": instrument,
+            "start_timestamp": cur_start, "end_timestamp": cur_end})
+        data = d.get("result") or []
+        if data:
+            rows.extend(data)
+        cur_start = cur_end + 1
+        time.sleep(0.12)
+    if not rows:
+        return pd.DataFrame()
+    df = pd.DataFrame(rows)
+    ts_col = "timestamp" if "timestamp" in df.columns else df.columns[0]
+    df = df.rename(columns={ts_col: "timestamp"})
+    keep = [c for c in ("timestamp", "interest_1h", "interest_8h", "index_price", "prev_index_price") if c in df.columns]
+    df = df[keep].drop_duplicates("timestamp").sort_values("timestamp").reset_index(drop=True)
+    return df
+
+
+def main():
+    RAW.mkdir(parents=True, exist_ok=True)
+    now = _get("get_time", {})
+    end_ms = int(now.get("result", 0)) or int(time.time() * 1000)
+    start_ms = end_ms - int(6.5 * 365 * 24 * 3600 * 1000)   # ~6.5 anni
+    for cur, inst in (("BTC", "BTC-PERPETUAL"), ("ETH", "ETH-PERPETUAL")):
+        dv = fetch_dvol(cur, start_ms, end_ms)
+        if not dv.empty:
+            p = RAW / f"{cur.lower()}_dvol.parquet"
+            dv.to_parquet(p)
+            rng = (pd.to_datetime(dv['timestamp'].min(), unit='ms').date(),
+                   pd.to_datetime(dv['timestamp'].max(), unit='ms').date())
+            print(f"  {cur} DVOL: {len(dv)} righe {rng[0]}->{rng[1]} (ora={dv['dvol'].iloc[-1]:.1f}) -> {p.name}")
+        fr = fetch_funding(inst, start_ms, end_ms)
+        if not fr.empty:
+            p = RAW / f"{cur.lower()}_funding.parquet"
+            fr.to_parquet(p)
+            rng = (pd.to_datetime(fr['timestamp'].min(), unit='ms').date(),
+                   pd.to_datetime(fr['timestamp'].max(), unit='ms').date())
+            print(f"  {cur} FUNDING: {len(fr)} righe {rng[0]}->{rng[1]} -> {p.name}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/regime_lab.py

@@ -0,0 +1,202 @@
+"""regime_lab — API condivisa per la ricerca strategie FRATTALI x REGIME (ARGO-proxy).
+
+Allinea prezzo (OHLCV) + DVOL + funding in modo CAUSALE (no look-ahead: il valore di
+regime alla barra i usa solo dati <= timestamp[i]) ed espone:
+  - feature REGIME (ARGO-proxy backtestabili): dvol, dvol_pct (percentile rolling),
+    rv (realized vol), vrp = dvol - rv, funding, funding_z, dvol_chg (proxy term-structure).
+  - feature FRATTALI (src/fractal): rolling_hurst, higuchi, self_similarity, volatility_ratio,
+    williams fractals (pivot), candle encoding.
+  - validazione: report(name, entries, df) -> full/oos netto-fee + robustezza griglia/fee,
+    riusando l'engine onesto di explore_lab (simulate/evaluate).
+
+Convenzione entries (come explore_lab): lista di dict {i, d (+1/-1), tp, sl, max_bars}.
+Ingresso ESEGUIBILE: i, d, tp, sl decisi con dati <= close[i].
+
+Uso tipico in un agente:
+    from scripts.analysis.regime_lab import load, report, regime_features, frac_features
+    df = load("BTC", "1h")                 # OHLCV + colonne regime allineate
+    R = regime_features(df); F = frac_features(df)
+    entries = [...]                         # la tua logica
+    print(report("MIA_STRATEGIA", entries, df))
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+import pandas as pd
+
+ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(ROOT))
+
+from scripts.analysis.explore_lab import get_df, simulate, evaluate, atr, ema, rsi  # noqa: E402
+from src.fractal.indicators import (  # noqa: E402
+    rolling_hurst, fractal_dimension_higuchi, self_similarity_score, volatility_ratio,
+)
+
+# dati regime (DVOL/funding/feature) in data/regime/ — NON in data/raw/ (che e' solo OHLCV: i file
+# estranei in data/raw inquinano la discovery asset del backtest). Vedi diary 2026-06-02-fade-lossguard.
+RAW = ROOT / "data" / "regime"
+RAW.mkdir(parents=True, exist_ok=True)
+
+
+# --------------------------------------------------------------------------- dati
+def _load_regime_series(asset: str) -> tuple[pd.DataFrame, pd.DataFrame]:
+    a = asset.lower()
+    dvol = pd.read_parquet(RAW / f"{a}_dvol.parquet") if (RAW / f"{a}_dvol.parquet").exists() else pd.DataFrame()
+    fund = pd.read_parquet(RAW / f"{a}_funding.parquet") if (RAW / f"{a}_funding.parquet").exists() else pd.DataFrame()
+    return dvol, fund
+
+
+def load(asset: str, tf: str) -> pd.DataFrame:
+    """OHLCV (explore_lab.get_df) + colonne regime allineate CAUSALMENTE (merge_asof backward).
+    Ogni barra prezzo riceve l'ultimo DVOL/funding con timestamp <= timestamp barra."""
+    df = get_df(asset, tf).copy()
+    df["timestamp"] = df["timestamp"].astype("int64")
+    dvol, fund = _load_regime_series(asset)
+    if not dvol.empty:
+        d = dvol[["timestamp", "dvol"]].astype({"timestamp": "int64"}).sort_values("timestamp")
+        df = pd.merge_asof(df.sort_values("timestamp"), d, on="timestamp", direction="backward")
+    else:
+        df["dvol"] = np.nan
+    if not fund.empty:
+        col = "interest_1h" if "interest_1h" in fund.columns else fund.columns[1]
+        f = fund[["timestamp", col]].astype({"timestamp": "int64"}).rename(columns={col: "funding"}).sort_values("timestamp")
+        df = pd.merge_asof(df.sort_values("timestamp"), f, on="timestamp", direction="backward")
+    else:
+        df["funding"] = np.nan
+    return df.reset_index(drop=True)
+
+
+# ---------------------------------------------------------------- feature REGIME
+def _rolling_pct(x: np.ndarray, win: int) -> np.ndarray:
+    """Percentile rolling CAUSALE: rank di x[i] nella finestra [i-win, i] (solo passato)."""
+    s = pd.Series(x)
+    return s.rolling(win, min_periods=max(20, win // 4)).apply(
+        lambda w: (w.iloc[-1] >= w).mean(), raw=False).values
+
+
+_BARS_PER_YEAR = {"1h": 24 * 365, "4h": 6 * 365, "1d": 365}
+
+
+def regime_features(df: pd.DataFrame, tf: str = "1h", pct_win: int = 252, rv_win: int = 24,
+                    fund_win: int = 168) -> dict:
+    """Tutte causali. dvol_pct/funding_z usano solo finestra passata. vrp = dvol - rv annualizz.
+    tf serve ad annualizzare correttamente la realized vol (sqrt barre/anno per timeframe)."""
+    c = df["close"].values.astype(float)
+    dvol = df["dvol"].values.astype(float)
+    fund = df["funding"].values.astype(float)
+    ret = np.zeros_like(c); ret[1:] = np.diff(np.log(c))
+    # realized vol annualizzata (punti %, scala come DVOL): std rolling * sqrt(barre/anno del tf)
+    bpy = _BARS_PER_YEAR.get(tf, 24 * 365)
+    rv = pd.Series(ret).rolling(rv_win).std().values * np.sqrt(bpy) * 100
+    dvol_pct = _rolling_pct(dvol, pct_win)
+    fmean = pd.Series(fund).rolling(fund_win).mean().values
+    fstd = pd.Series(fund).rolling(fund_win).std().values
+    funding_z = (fund - fmean) / np.where(fstd == 0, np.nan, fstd)
+    dvol_chg = pd.Series(dvol).diff(rv_win).values     # proxy term-structure (DVOL in salita/discesa)
+    return {
+        "dvol": dvol, "dvol_pct": dvol_pct, "rv": rv, "vrp": dvol - rv,
+        "funding": fund, "funding_z": funding_z, "dvol_chg": dvol_chg,
+    }
+
+
+# --------------------------------------------------------------- feature FRATTALI
+def williams_fractals(df: pd.DataFrame, k: int = 2) -> tuple[np.ndarray, np.ndarray]:
+    """Pivot di Bill Williams: frac_up[i]=high[i] e' il max delle 2k+1 barre centrate (causale a i+k).
+    Ritorna due array bool (up=swing high confermato, dn=swing low). Confermati con ritardo k."""
+    h, l = df["high"].values, df["low"].values
+    n = len(h)
+    up = np.zeros(n, bool); dn = np.zeros(n, bool)
+    for i in range(k, n - k):
+        if h[i] == max(h[i - k:i + k + 1]):
+            up[i] = True
+        if l[i] == min(l[i - k:i + k + 1]):
+            dn[i] = True
+    return up, dn
+
+
+def frac_features(df: pd.DataFrame, hurst_win: int = 100, higuchi_win: int = 64,
+                  step: int = 1) -> dict:
+    """Feature frattali rolling, CAUSALI (finestra passata che termina a i). step>1: calcola
+    ogni `step` barre e fa forward-fill (i frattali variano lentamente) -> molto piu' veloce."""
+    c = df["close"].values.astype(float)
+    n = len(c)
+    hurst = rolling_hurst(c, window=hurst_win, step=step)  # gia' causale + stepped (src/fractal)
+    vratio = np.full(n, np.nan)
+    higuchi = np.full(n, np.nan)
+    last_hi = last_vr = np.nan
+    for i in range(higuchi_win, n):
+        if (i - higuchi_win) % step == 0:
+            last_hi = fractal_dimension_higuchi(c[i - higuchi_win:i])
+            last_vr = volatility_ratio(c[max(0, i - 60):i])
+        higuchi[i] = last_hi
+        vratio[i] = last_vr
+    up, dn = williams_fractals(df)
+    return {"hurst": hurst, "higuchi": higuchi, "vratio": vratio,
+            "frac_up": up, "frac_dn": dn}
+
+
+# ------------------------------------------------------------------------- cache
+_FEATCOLS_R = ("dvol", "dvol_pct", "rv", "vrp", "funding", "funding_z", "dvol_chg")
+_FEATCOLS_F = ("hurst", "higuchi", "vratio", "frac_up", "frac_dn")
+
+
+def _cache_path(asset: str, tf: str) -> Path:
+    return RAW / f"features_{asset.lower()}_{tf}.parquet"
+
+
+def build_cache(asset: str, tf: str, frac_step: int = 6) -> pd.DataFrame:
+    """Precompute OHLCV + regime + frattali -> parquet condiviso (per i 100 agenti)."""
+    df = load(asset, tf)
+    R = regime_features(df, tf=tf)
+    F = frac_features(df, step=frac_step)
+    for k in _FEATCOLS_R:
+        df[k] = R[k]
+    for k in _FEATCOLS_F:
+        df[k] = F[k]
+    p = _cache_path(asset, tf)
+    df.to_parquet(p)
+    return df
+
+
+def load_features(asset: str, tf: str) -> pd.DataFrame:
+    """Carica la cache feature (la costruisce se manca). OHLCV + tutte le colonne regime+frattali."""
+    p = _cache_path(asset, tf)
+    if p.exists():
+        return pd.read_parquet(p)
+    return build_cache(asset, tf)
+
+
+# ------------------------------------------------------------------- validazione
+def report(name: str, entries: list[dict], df: pd.DataFrame, asset: str = "", tf: str = "") -> dict:
+    """Netto-fee full + OOS (ultimo 30%) + sweep fee, via engine onesto di explore_lab.
+    Ritorna dict compatto: trades, full/oos (ret%, sharpe, dd, acc), robust (OK su tutte le fee)."""
+    if not entries:
+        # struttura compatibile con robust() (tutti zero) -> robust()=False pulito, niente crash
+        z = {"ret": 0.0, "sharpe": 0.0, "dd": 0.0, "trades": 0, "win": 0.0, "exposure": 0.0, "yearly": {}}
+        print(f"  {name:<24s} NO ENTRIES")
+        return {"full": dict(z), "oos": dict(z), "sweep": {0.0: 0.0, 0.0005: 0.0, 0.001: 0.0, 0.002: 0.0},
+                "sweep_oos": {0.0: 0.0, 0.0005: 0.0, 0.001: 0.0, 0.002: 0.0}, "pos_yrs": 0, "n_yrs": 0}
+    return evaluate(name, entries, df)                      # full + oos + fee sweep
+
+
+if __name__ == "__main__":
+    # smoke: una fade Bollinger gateata dal regime (DVOL alto) come esempio d'uso
+    df = load("BTC", "1h")
+    R = regime_features(df); F = frac_features(df)
+    c = df["close"].values
+    ma = pd.Series(c).rolling(50).mean().values
+    sd = pd.Series(c).rolling(50).std().values
+    a = atr(df, 14)
+    ent = []
+    for i in range(300, len(c) - 1):
+        if np.isnan(sd[i]) or np.isnan(R["dvol_pct"][i]):
+            continue
+        if R["dvol_pct"][i] < 0.6:                          # gate: solo regime DVOL alto
+            continue
+        if c[i] < ma[i] - 2.5 * sd[i]:                      # fade banda bassa
+            ent.append({"i": i, "d": 1, "tp": ma[i], "sl": c[i] - 2 * a[i], "max_bars": 24})
+    print(f"smoke BTC 1h fade|DVOL>p60: {len(ent)} entries")
+    print(report("SMOKE", ent, df))

scripts/analysis/report_families.py

@@ -31,6 +31,7 @@ from scripts.analysis.honest_improve2 import _daily_equity, _norm
 from scripts.analysis.pairs_research import pairs_sim
 from scripts.analysis.tsmom_research import tsmom_sim
 from scripts.strategies.PR01_pairs_reversion import PAIRS
+from scripts.analysis.shape_ml_validate import shape_daily_equity
 
 YEARS = sorted(set(IDX.year))
 
@@ -47,7 +48,8 @@ def build_everything():
         pairs[f"PR_{a}{b}"] = daily_from(r["eq_ts"], r["eq_v"])
     t = tsmom_sim()
     tsm = {"TSM01": daily_from(t["eq_ts"], t["eq_v"])}
-    return S, pairs, tsm
+    shape = {f"SH_{a}": _norm(shape_daily_equity(a, IDX)) for a in ("BTC", "ETH")}
+    return S, pairs, tsm, shape
 
 
 def yrow(label, dr):
@@ -62,8 +64,8 @@ def metric_block(label, dr):
 
 
 def main():
-    print("Costruzione (puo' richiedere ~1-2 min)...\n")
-    S, pairs, tsm = build_everything()
+    print("Costruzione (puo' richiedere ~2-3 min)...\n")
+    S, pairs, tsm, shape = build_everything()
     fade = {k: v for k, v in S.items() if k.startswith("MR")}
     honest = {k: v for k, v in S.items() if not k.startswith("MR")}
 
@@ -72,10 +74,12 @@ def main():
         "HONEST": port_returns(honest),
         "PAIRS": port_returns(pairs),
         "TSM01": tsm["TSM01"].pct_change().fillna(0.0),
+        "SHAPE": port_returns(shape),
     }
     master9 = port_returns(S)
     master_p = port_returns({**S, **pairs})
     master_x = port_returns({**S, **pairs, **tsm})
+    master_xs = port_returns({**S, **pairs, **tsm, **shape})
 
     # ---------- (A) per anno, per FAMIGLIA + portafogli ----------
     print("=" * 110)
@@ -89,12 +93,13 @@ def main():
     print(yrow("MASTER-9", master9))
     print(yrow("MASTER+pairs", master_p))
     print(yrow("MASTER-esteso", master_x))
+    print(yrow("MASTER+shape", master_xs))
 
     # ---------- (B) per anno, per STRATEGIA singola ----------
     print("\n" + "=" * 130)
     print("  (B) RET% NETTO PER ANNO — per STRATEGIA singola (tutti gli sleeve)")
     print("=" * 130)
-    allsl = {**S, **pairs, **tsm}
+    allsl = {**S, **pairs, **tsm, **shape}
     cols = list(allsl)
     print(f"  {'Anno':>5s}" + "".join(f"{c.replace('_',''):>11s}" for c in cols))
     print("  " + "-" * 124)
@@ -112,12 +117,14 @@ def main():
     print(metric_block("MASTER-9", master9))
     print(metric_block("+pairs", master_p))
     print(metric_block("+TSM01", port_returns({**S, **tsm})))
+    print(metric_block("+shape", port_returns({**S, **shape})))
     print(metric_block("MASTER-esteso", master_x))
+    print(metric_block("MASTER+shape", master_xs))
     # correlazione media nuove vs master-9
-    dr_all = pd.DataFrame({k: v.pct_change().fillna(0.0) for k, v in {**S, **pairs, **tsm}.items()})
+    dr_all = pd.DataFrame({k: v.pct_change().fillna(0.0) for k, v in {**S, **pairs, **tsm, **shape}.items()})
     corr = dr_all.corr(); old = list(S)
     print("  " + "-" * 80)
-    for k in list(pairs) + list(tsm):
+    for k in list(pairs) + list(tsm) + list(shape):
         print(f"  corr {k:<11s} vs MASTER-9 = {corr.loc[k, old].mean():+.2f}")
 
     # ---------- (D) numeri sobri ----------

scripts/analysis/sh01_exit_lab.py

@@ -0,0 +1,252 @@
+"""SH01 EXIT LAB — harness onesto e CONDIVISO per la ricerca di STOP-LOSS su SH01.
+
+SH01 (shape-ML, logit walk-forward W24 H12 th0.58) NON ha TP/SL: esce SOLO a
+orizzonte H=12 barre. Live (2026-06-05) si è preso il crash ETH intero: −15.6%
+in un trade (long 1727.8 → 1594.35, leva 2x). Domanda di ricerca: esiste uno SL
+che taglia le code SENZA distruggere l'edge (che vive nell'asimmetria dei
+winner, win-rate ~50%)?
+
+CONTRATTO ANTI-LOOK-AHEAD (vincolante, verificato da agenti avversari):
+  - i livelli attivi nel bar j (`levels(..., j)`) possono usare SOLO dati <= j-1
+    (il worker live fissa i livelli al close del bar precedente; il bar j li tocca);
+  - `after_bar(..., j)` decide sul CLOSE del bar j (eseguibile al poll del tick);
+  - indicatori causali: usare l'indice j-1 (es. ctx["atr14"][j-1]).
+
+FILL GAP-AWARE (lezione exit-lab 2026-06-04 + crash live 2026-06-05): lo stop
+intrabar NON filla "al livello" se il bar apre già oltre → fill = worse(level,
+open[j]). Senza questo il backtest ha un bias PRO stop-stretti (54% dei fill
+era ottimista). Il crash di oggi (feed flat 2h → gap 1655→1600) è il caso reale.
+
+PROTOCOLLO ANTI-OVERFIT (vincolante, = exit_lab):
+  - TRAIN = storico fino al 2023-11-01, OOS = dopo. SELEZIONE parametri SOLO
+    sul train; OOS guardato una volta per il verdetto.
+  - gate: miglioramento su ENTRAMBI gli asset (BTC e ETH), train E oos, con
+    plateau sulla griglia (non una cella isolata). Metrica primaria: Sharpe e
+    DD; il return non deve crollare (>= ~80% del baseline).
+  - fee 0.10% RT × leva su tutto il notional.
+
+Baseline = exit a orizzonte puro (max_bars=H, nessun TP/SL): parità ESATTA con
+`explore_lab.simulate` verificata da `parity_check()`.
+
+    uv run python scripts/analysis/sh01_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))
+
+LEV, POS, FEE_RT = 3.0, 0.15, 0.001
+OOS_START_MS = int(pd.Timestamp("2023-11-01", tz="UTC").value // 1e6)
+ASSETS = ("BTC", "ETH")
+CACHE = PROJECT_ROOT / "data" / "cache" / "sh01_exit_lab.pkl"
+
+
+# ----------------------------------------------------------------------------- cache
+
+def build_cache() -> dict:
+    """Walk-forward SH01 (lento, ~minuti) → entries cache su disco."""
+    from scripts.analysis.explore_lab import get_df              # noqa: E402
+    from scripts.analysis.shape_ml_research import ml_wf_entries, atr  # noqa: E402
+    from scripts.strategies.SH01_shape_ml import CONFIG          # noqa: E402
+
+    out = {}
+    for a in ASSETS:
+        df = get_df(a, "1h")
+        ents = ml_wf_entries(df, **CONFIG)
+        out[a] = {
+            "entries": [(int(e["i"]), int(e["d"]), int(e["max_bars"])) for e in ents],
+            "open": df["open"].values.astype(float),
+            "high": df["high"].values.astype(float),
+            "low": df["low"].values.astype(float),
+            "close": df["close"].values.astype(float),
+            "ts_ms": df["timestamp"].values.astype("int64"),
+            "atr14": atr(df, 14),
+        }
+        print(f"  {a}: {len(ents)} entries, {len(df)} bars", flush=True)
+    CACHE.parent.mkdir(parents=True, exist_ok=True)
+    with open(CACHE, "wb") as f:
+        pickle.dump(out, f)
+    return out
+
+
+def load_sleeves(refresh: bool = False) -> dict:
+    """{asset: ctx}. ctx = {entries, open, high, low, close, ts_ms, atr14}."""
+    if CACHE.exists() and not refresh:
+        with open(CACHE, "rb") as f:
+            return pickle.load(f)
+    return build_cache()
+
+
+# ----------------------------------------------------------------------------- policy
+
+class ExitPolicy:
+    """Contratto per le policy di stop su SH01 (solo SL/uscite anticipate: il
+    TP non esiste e l'exit a orizzonte max_bars resta SEMPRE il bound).
+
+    open_trade(ctx, i, d) -> state    : livelli iniziali, SOLO dati <= i
+    levels(ctx, i, d, j, st) -> (sl, mode) attivi nel bar j, SOLO dati <= j-1.
+        sl=None → nessuno stop nel bar. mode: "intrabar" (tocco high/low, fill
+        gap-aware worse(sl, open[j])) o "close" (stop solo se il CLOSE sfonda
+        sl, uscita al close — stile EXIT-16).
+    after_bar(ctx, i, d, j, st) -> bool : uscita discrezionale al CLOSE del bar
+        j (dati <= j). Per giveback/time-stop/regime.
+    Lo state è un dict mutabile per-trade (trailing ecc.)."""
+
+    name = "base"
+
+    def open_trade(self, ctx: dict, i: int, d: int) -> dict:
+        return {}
+
+    def levels(self, ctx: dict, i: int, d: int, j: int, st: dict):
+        return None, "intrabar"
+
+    def after_bar(self, ctx: dict, i: int, d: int, j: int, st: dict) -> bool:
+        return False
+
+
+# ----------------------------------------------------------------------------- engine
+
+def simulate(ctx: dict, policy: ExitPolicy, fee_rt: float = FEE_RT,
+             lev: float = LEV, pos: float = POS,
+             t_lo: int | None = None, t_hi: int | None = None,
+             gap_fill: bool = True, lag_close_exit: bool = False) -> dict:
+    """Engine intrabar con policy di stop. Entries non sovrapposte (come
+    explore_lab.simulate). t_lo/t_hi: filtro ms-epoch sull'ENTRY (train/oos).
+    gap_fill: fill stop intrabar a worse(sl, open[j]) — tenere True.
+    lag_close_exit: stress — le uscite "al close" fillano al close del bar
+    successivo (poll in ritardo)."""
+    o, h, l, c = ctx["open"], ctx["high"], ctx["low"], ctx["close"]
+    ts = ctx["ts_ms"]
+    n = len(c)
+    cap = peak = 1000.0
+    max_dd = 0.0
+    fee = fee_rt * lev
+    trades = wins = stops = 0
+    bars_in = 0
+    last_exit = -1
+    yearly: dict[int, float] = {}
+    rets: list[float] = []
+    trade_rows: list[dict] = []
+
+    for (i, d, mb) in ctx["entries"]:
+        if i <= last_exit or i + 1 >= n:
+            continue
+        if t_lo is not None and ts[i] < t_lo:
+            continue
+        if t_hi is not None and ts[i] >= t_hi:
+            continue
+        entry = c[i]
+        st = policy.open_trade(ctx, i, d)
+        exit_p, j, reason = c[min(i + mb, n - 1)], min(i + mb, n - 1), "time"
+        for k in range(1, mb + 1):
+            j = i + k
+            if j >= n:
+                j, exit_p, reason = n - 1, c[n - 1], "eod"
+                break
+            sl, mode = policy.levels(ctx, i, d, j, st)
+            if sl is not None and mode == "intrabar":
+                hit = (l[j] <= sl) if d == 1 else (h[j] >= sl)
+                if hit:
+                    if gap_fill:
+                        exit_p = min(sl, o[j]) if d == 1 else max(sl, o[j])
+                    else:
+                        exit_p = sl
+                    reason = "stop"
+                    break
+            if sl is not None and mode == "close":
+                brk = (c[j] < sl) if d == 1 else (c[j] > sl)
+                if brk:
+                    jj = min(j + 1, n - 1) if lag_close_exit else j
+                    exit_p, j, reason = c[jj], jj, "stop"
+                    break
+            if policy.after_bar(ctx, i, d, j, st):
+                jj = min(j + 1, n - 1) if lag_close_exit else j
+                exit_p, j, reason = c[jj], jj, "policy"
+                break
+            if k == mb:
+                exit_p, reason = c[j], "time"
+        ret = (exit_p - entry) / entry * d * lev - fee
+        cb = cap
+        cap = max(cb + cb * pos * ret, 10.0)
+        peak = max(peak, cap)
+        max_dd = max(max_dd, (peak - cap) / peak)
+        trades += 1
+        wins += ret > 0
+        stops += reason == "stop"
+        bars_in += (j - i)
+        last_exit = j
+        rets.append(ret * pos)
+        yr = pd.Timestamp(ts[i], unit="ms", tz="UTC").year
+        yearly[yr] = yearly.get(yr, 0.0) + ret * 100
+        trade_rows.append({"i": i, "j": j, "d": d, "ret": ret, "reason": reason})
+
+    sharpe = (float(np.mean(rets) / np.std(rets) * np.sqrt(len(rets)))
+              if len(rets) > 1 and np.std(rets) > 0 else 0.0)
+    return {
+        "trades": trades,
+        "win": wins / trades * 100 if trades else 0.0,
+        "stop_rate": stops / trades * 100 if trades else 0.0,
+        "ret": (cap / 1000 - 1) * 100,
+        "dd": max_dd * 100,
+        "sharpe": sharpe,
+        "worst": min(rets) * 100 if rets else 0.0,   # peggior trade, % equity (ret*pos)
+        "yearly": yearly,
+        "_trades": trade_rows,
+    }
+
+
+def evaluate(policy: ExitPolicy, sleeves: dict | None = None, **kw) -> dict:
+    """train (fino al 2023-11-01) e oos (dopo) per BTC e ETH. Stampa sintesi."""
+    sleeves = sleeves or load_sleeves()
+    out = {}
+    for a in ASSETS:
+        ctx = sleeves[a]
+        tr = simulate(ctx, policy, t_hi=OOS_START_MS, **kw)
+        oo = simulate(ctx, policy, t_lo=OOS_START_MS, **kw)
+        out[a] = {"train": tr, "oos": oo}
+        print(f"  {policy.name:<28s} {a}: "
+              f"TRAIN ret={tr['ret']:>+7.0f}% dd={tr['dd']:>4.0f}% shrp={tr['sharpe']:>5.2f} "
+              f"worst={tr['worst']:>+5.1f}% stop={tr['stop_rate']:>4.1f}% | "
+              f"OOS ret={oo['ret']:>+6.0f}% dd={oo['dd']:>4.0f}% shrp={oo['sharpe']:>5.2f} "
+              f"worst={oo['worst']:>+5.1f}%", flush=True)
+    return out
+
+
+# ----------------------------------------------------------------------------- parity
+
+def parity_check() -> bool:
+    """Baseline (nessuno stop) == explore_lab.simulate sugli stessi entries."""
+    from scripts.analysis.explore_lab import get_df, simulate as ref_sim  # noqa: E402
+
+    sleeves = load_sleeves()
+    ok = True
+    for a in ASSETS:
+        ctx = sleeves[a]
+        mine = simulate(ctx, ExitPolicy())
+        df = get_df(a, "1h")
+        ents = [{"i": i, "d": d, "max_bars": mb, "tp": None, "sl": None}
+                for (i, d, mb) in ctx["entries"]]
+        ref = ref_sim(ents, df)
+        same = (abs(mine["ret"] - ref["ret"]) < 1e-6 and mine["trades"] == ref["trades"]
+                and abs(mine["dd"] - ref["dd"]) < 1e-6)
+        ok &= same
+        print(f"  parity {a}: mine ret={mine['ret']:+.2f}% trades={mine['trades']} "
+              f"| ref ret={ref['ret']:+.2f}% trades={ref['trades']} -> {'OK' if same else 'MISMATCH'}")
+    return ok
+
+
+if __name__ == "__main__":
+    print("build cache (walk-forward SH01, puo' richiedere minuti)...")
+    load_sleeves(refresh="--refresh" in sys.argv)
+    print("parity check baseline vs explore_lab.simulate:")
+    ok = parity_check()
+    print("baseline train/oos:")
+    evaluate(ExitPolicy())
+    sys.exit(0 if ok else 1)

scripts/analysis/sh01_exit_policies/01_atr_fixed_intrabar.py

@@ -0,0 +1,205 @@
+"""SH01 EXIT policy 01 — atr_fixed_intrabar.
+
+SL fisso ad ATR, INTRABAR. In open_trade fissiamo il livello una volta sola:
+    sl = entry - d * k * ATR14[i]   (entry = close[i], ATR14[i] noto a close[i])
+levels() restituisce (sl, "intrabar") costante per tutta la vita del trade.
+Il fill è gap-aware (worse(sl, open[j])) nell'engine — realistico sui crash a
+gap (es. 2026-06-05: feed flat 2h -> gap ETH 1655->1600).
+
+ANTI-LOOK-AHEAD: il livello usa SOLO dati <= i (ATR14[i], close[i]); levels usa
+quel valore congelato (nessun dato del bar j). OK.
+
+PROTOCOLLO: grid su k SOLO sul train (t_hi=OOS_START_MS). Plateau >=3 celle
+adiacenti migliorative. Poi OOS una volta sulla config scelta + 2 vicine.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/01_atr_fixed_intrabar.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, OOS_START_MS, evaluate, load_sleeves, simulate,
+)
+
+
+class AtrFixedIntrabar(ExitPolicy):
+    def __init__(self, k: float):
+        self.k = float(k)
+        self.name = f"atr_fixed_intrabar k={k:.1f}"
+
+    def open_trade(self, ctx, i, d):
+        atr = ctx["atr14"][i]
+        entry = ctx["close"][i]
+        # se atr nan/0 (early bars) -> nessuno stop attivo
+        sl = entry - d * self.k * atr if atr == atr and atr > 0 else None
+        return {"sl": sl}
+
+    def levels(self, ctx, i, d, j, st):
+        return st["sl"], "intrabar"
+
+    def after_bar(self, ctx, i, d, j, st):
+        return False
+
+
+# baseline numbers (exit a orizzonte puro) — dal prompt/harness
+BASELINE = {
+    "BTC": {"train": dict(ret=127, dd=23, sharpe=2.09, worst=-5.5),
+            "oos":   dict(ret=41, dd=8, sharpe=2.18, worst=-3.1)},
+    "ETH": {"train": dict(ret=-26, dd=61, sharpe=-0.16, worst=-14.9),
+            "oos":   dict(ret=143, dd=7, sharpe=3.60, worst=-4.6)},
+}
+
+
+def _row(tag, a, r):
+    print(f"    {tag:<10s} {a}: ret={r['ret']:>+7.0f}% dd={r['dd']:>4.0f}% "
+          f"shrp={r['sharpe']:>5.2f} worst={r['worst']:>+5.1f}% "
+          f"stop={r['stop_rate']:>4.1f}% trades={r['trades']}")
+
+
+def main():
+    sleeves = load_sleeves()
+    KS = [1.0, 1.5, 2.0, 2.5, 3.0, 4.0, 5.0]
+
+    print("=" * 78)
+    print("TRAIN GRID (selezione SOLO sul train, t_hi=OOS_START)")
+    print("=" * 78)
+    # baseline train
+    print("  baseline (orizzonte puro):")
+    base = evaluate(ExitPolicy(), sleeves=sleeves)
+    print()
+
+    train = {}  # k -> {asset: result}
+    for k in KS:
+        pol = AtrFixedIntrabar(k)
+        row = {}
+        for a in ("BTC", "ETH"):
+            ctx = sleeves[a]
+            row[a] = simulate(ctx, pol, t_hi=OOS_START_MS)
+        train[k] = row
+        print(f"  k={k:.1f}")
+        _row("TRAIN", "BTC", row["BTC"])
+        _row("TRAIN", "ETH", row["ETH"])
+
+    print()
+    print("=" * 78)
+    print("PLATEAU CHECK (train): per ogni k, ETH sharpe up & dd down & worst up,")
+    print("                       BTC sharpe>=95% & ret>=80% baseline")
+    print("=" * 78)
+    b_btc, b_eth = BASELINE["BTC"]["train"], BASELINE["ETH"]["train"]
+    improving = []
+    for k in KS:
+        bt, et = train[k]["BTC"], train[k]["ETH"]
+        eth_ok = (et["sharpe"] > b_eth["sharpe"] and et["dd"] < b_eth["dd"]
+                  and et["worst"] > b_eth["worst"])
+        btc_ok = (bt["sharpe"] >= 0.95 * b_btc["sharpe"]
+                  and bt["ret"] >= 0.80 * b_btc["ret"])
+        ok = eth_ok and btc_ok
+        if ok:
+            improving.append(k)
+        print(f"  k={k:.1f}  ETH_ok={eth_ok}  BTC_ok={btc_ok}  -> "
+              f"{'IMPROVING' if ok else '-'}")
+    print(f"  improving cells (train): {improving}")
+
+    # plateau = >=3 k adiacenti improving
+    plateau = []
+    for idx in range(len(KS)):
+        run = []
+        for j in range(idx, len(KS)):
+            if KS[j] in improving:
+                run.append(KS[j])
+            else:
+                break
+        if len(run) >= 3 and len(run) > len(plateau):
+            plateau = run
+    print(f"  longest adjacent improving run: {plateau} "
+          f"(plateau={'YES' if len(plateau) >= 3 else 'NO'})")
+
+    # scelgo centro del plateau (o miglior ETH sharpe fra gli improving)
+    chosen = None
+    if len(plateau) >= 3:
+        chosen = plateau[len(plateau) // 2]
+    elif improving:
+        chosen = max(improving, key=lambda k: train[k]["ETH"]["sharpe"])
+
+    print()
+    print("=" * 78)
+    if chosen is None:
+        print("NESSUNA cella migliorativa sul train -> verdetto NO (niente OOS).")
+        print("=" * 78)
+        return {"chosen": None, "plateau": plateau, "improving": improving,
+                "train": train, "oos": None}
+
+    print(f"CHOSEN k={chosen:.1f} -> OOS (config + 2 vicine), guardato UNA volta")
+    print("=" * 78)
+    ci = KS.index(chosen)
+    neigh = [KS[x] for x in (ci - 1, ci, ci + 1) if 0 <= x < len(KS)]
+    oos = {}
+    for k in neigh:
+        pol = AtrFixedIntrabar(k)
+        row = {}
+        for a in ("BTC", "ETH"):
+            ctx = sleeves[a]
+            row[a] = {
+                "train": train[k][a],
+                "oos": simulate(ctx, pol, t_lo=OOS_START_MS),
+            }
+        oos[k] = row
+        print(f"  k={k:.1f}")
+        _row("TRAIN", "BTC", row["BTC"]["train"])
+        _row("OOS", "BTC", row["BTC"]["oos"])
+        _row("TRAIN", "ETH", row["ETH"]["train"])
+        _row("OOS", "ETH", row["ETH"]["oos"])
+
+    # gate finale sulla config scelta
+    print()
+    print("=" * 78)
+    print(f"GATE finale (k={chosen:.1f}):")
+    bt_tr, et_tr = oos[chosen]["BTC"]["train"], oos[chosen]["ETH"]["train"]
+    bt_oo, et_oo = oos[chosen]["BTC"]["oos"], oos[chosen]["ETH"]["oos"]
+    Bb_o, Be_o = BASELINE["BTC"]["oos"], BASELINE["ETH"]["oos"]
+
+    # a) ETH: sharpe up & dd down & worst up, train E oos
+    a_train = (et_tr["sharpe"] > b_eth["sharpe"] and et_tr["dd"] < b_eth["dd"]
+               and et_tr["worst"] > b_eth["worst"])
+    a_oos = (et_oo["sharpe"] > Be_o["sharpe"] and et_oo["dd"] < Be_o["dd"]
+             and et_oo["worst"] > Be_o["worst"])
+    cond_a = a_train and a_oos
+    # b) BTC sharpe>=95% & ret>=80% baseline (train e oos)
+    b_tr = (bt_tr["sharpe"] >= 0.95 * b_btc["sharpe"]
+            and bt_tr["ret"] >= 0.80 * b_btc["ret"])
+    b_oo = (bt_oo["sharpe"] >= 0.95 * Bb_o["sharpe"]
+            and bt_oo["ret"] >= 0.80 * Bb_o["ret"])
+    cond_b = b_tr and b_oo
+    # c) ret ETH oos >= 80% baseline
+    cond_c = et_oo["ret"] >= 0.80 * Be_o["ret"]
+    # d) plateau
+    cond_d = len(plateau) >= 3
+
+    print(f"  a) ETH sharpe up & dd down & worst up (train&oos): {cond_a}")
+    print(f"     train: shrp {et_tr['sharpe']:.2f} vs {b_eth['sharpe']:.2f} | "
+          f"dd {et_tr['dd']:.0f} vs {b_eth['dd']:.0f} | "
+          f"worst {et_tr['worst']:.1f} vs {b_eth['worst']:.1f}")
+    print(f"     oos:   shrp {et_oo['sharpe']:.2f} vs {Be_o['sharpe']:.2f} | "
+          f"dd {et_oo['dd']:.0f} vs {Be_o['dd']:.0f} | "
+          f"worst {et_oo['worst']:.1f} vs {Be_o['worst']:.1f}")
+    print(f"  b) BTC sharpe>=95% & ret>=80% (train&oos): {cond_b}")
+    print(f"     train: shrp {bt_tr['sharpe']:.2f} (>={0.95*b_btc['sharpe']:.2f}) | "
+          f"ret {bt_tr['ret']:.0f} (>={0.80*b_btc['ret']:.0f})")
+    print(f"     oos:   shrp {bt_oo['sharpe']:.2f} (>={0.95*Bb_o['sharpe']:.2f}) | "
+          f"ret {bt_oo['ret']:.0f} (>={0.80*Bb_o['ret']:.0f})")
+    print(f"  c) ETH oos ret>=80% baseline ({0.80*Be_o['ret']:.0f}): {cond_c} "
+          f"(ret={et_oo['ret']:.0f})")
+    print(f"  d) plateau: {cond_d} ({plateau})")
+    passes = cond_a and cond_b and cond_c and cond_d
+    print(f"  PASSES GATE: {passes}")
+    print("=" * 78)
+
+    return {"chosen": chosen, "plateau": plateau, "improving": improving,
+            "passes": passes, "oos": oos, "conds": (cond_a, cond_b, cond_c, cond_d)}
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/02_atr_fixed_close_confirm.py

@@ -0,0 +1,94 @@
+"""SH01 EXIT POLICY 02 — ATR-fixed stop, CLOSE-CONFIRM (stile EXIT-16 delle fade).
+
+Stesso livello di stop fisso della policy 01 (intrabar):
+    sl = entry - d * k * ATR14[i]      (fissato all'ingresso, dati <= i)
+ma `levels` ritorna mode="close" → lo stop scatta SOLO se il CLOSE del bar j
+sfonda il livello, con uscita al close (immune ai wick). E' il trasferimento a
+SH01 della lezione EXIT-16 sulle fade: l'overshoot che buca lo stop e rientra e'
+un falso negativo; aspettare la conferma del CLOSE evita di farsi stoppare dai
+wick di un crash che poi rimbalza dentro l'orizzonte.
+
+Griglia k in {1.0, 1.5, 2.0, 2.5, 3.0, 4.0, 5.0}.
+
+ANTI-LOOK-AHEAD: sl usa SOLO atr14[i] e c[i] (dati <= i); mode="close" decide
+sul close del bar j (dati <= j, eseguibile al poll). Nessun indicatore al bar j.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/02_atr_fixed_close_confirm.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, evaluate, load_sleeves, simulate, OOS_START_MS,
+)
+
+
+class AtrFixedCloseConfirm(ExitPolicy):
+    def __init__(self, k: float):
+        self.k = float(k)
+        self.name = f"atr_fixed_close k={k:g}"
+
+    def open_trade(self, ctx: dict, i: int, d: int) -> dict:
+        atr = ctx["atr14"][i]
+        entry = ctx["close"][i]
+        sl = entry - d * self.k * atr
+        return {"sl": float(sl)}
+
+    def levels(self, ctx: dict, i: int, d: int, j: int, st: dict):
+        return st["sl"], "close"
+
+
+GRID = [1.0, 1.5, 2.0, 2.5, 3.0, 4.0, 5.0]
+
+
+def _fmt(m):
+    return (f"ret={m['ret']:>+7.0f}% dd={m['dd']:>4.0f}% shrp={m['sharpe']:>5.2f} "
+            f"worst={m['worst']:>+5.1f}% stop={m['stop_rate']:>4.1f}% n={m['trades']}")
+
+
+def main():
+    sleeves = load_sleeves()
+
+    # baseline (orizzonte puro) per riferimento
+    base = {}
+    for a in ("BTC", "ETH"):
+        ctx = sleeves[a]
+        base[a] = {
+            "train": simulate(ctx, ExitPolicy(), t_hi=OOS_START_MS),
+            "oos": simulate(ctx, ExitPolicy(), t_lo=OOS_START_MS),
+        }
+
+    print("=" * 110)
+    print("BASELINE (exit orizzonte puro):")
+    for a in ("BTC", "ETH"):
+        print(f"  {a} TRAIN {_fmt(base[a]['train'])}")
+        print(f"  {a} OOS   {_fmt(base[a]['oos'])}")
+
+    print("=" * 110)
+    print("GRID — TRAIN ONLY (selezione parametri):")
+    train_res = {}
+    for k in GRID:
+        pol = AtrFixedCloseConfirm(k)
+        row = {}
+        for a in ("BTC", "ETH"):
+            row[a] = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+        train_res[k] = row
+        print(f"  k={k:>3g} | BTC {_fmt(row['BTC'])}")
+        print(f"          | ETH {_fmt(row['ETH'])}")
+
+    # verdetto OOS sulla config scelta + vicine (guardato una volta sola)
+    print("=" * 110)
+    print("OOS (verdetto, config scelta + vicine):")
+    for k in GRID:
+        pol = AtrFixedCloseConfirm(k)
+        print(f"  k={k:>3g} | BTC TRAIN {_fmt(train_res[k]['BTC'])}")
+        for a in ("BTC", "ETH"):
+            oo = simulate(sleeves[a], pol, t_lo=OOS_START_MS)
+            print(f"          | {a} OOS   {_fmt(oo)}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/03_pct_fixed.py

@@ -0,0 +1,203 @@
+"""SH01 exit policy 03 — pct_fixed.
+
+SL fisso in PERCENTUALE del prezzo d'ingresso:  sl = entry * (1 - d*p).
+Griglia p in {0.01, 0.015, 0.02, 0.03, 0.04, 0.05}, modalita' {intrabar, close}
+-> 12 celle. Il livello e' FISSO (deciso a open_trade su close[i]) -> nessun
+look-ahead nei bar successivi (i livelli usano solo dati <= i).
+
+Protocollo: grid SOLO sul train; plateau (>=3 celle adiacenti migliorative);
+poi OOS una volta per la config scelta + le 2 vicine.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/03_pct_fixed.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ASSETS, OOS_START_MS, ExitPolicy, load_sleeves, simulate,
+)
+
+
+class PctFixed(ExitPolicy):
+    """SL fisso a una frazione p del prezzo d'ingresso."""
+
+    def __init__(self, p: float, mode: str = "intrabar"):
+        self.p = p
+        self.mode = mode
+        self.name = f"pct_fixed p={p:.3f} {mode}"
+
+    def open_trade(self, ctx, i, d):
+        entry = ctx["close"][i]
+        sl = entry * (1.0 - d * self.p)   # long: sotto; short: sopra
+        return {"sl": sl}
+
+    def levels(self, ctx, i, d, j, st):
+        return st["sl"], self.mode
+
+
+# ----------------------------------------------------------------------------- grid
+
+P_GRID = [0.01, 0.015, 0.02, 0.03, 0.04, 0.05]
+MODES = ["intrabar", "close"]
+
+
+def _row(m):
+    return (f"ret={m['ret']:>+7.0f}% dd={m['dd']:>4.0f}% shrp={m['sharpe']:>5.2f} "
+            f"worst={m['worst']:>+5.1f}% stop={m['stop_rate']:>4.1f}%")
+
+
+def main():
+    sleeves = load_sleeves()
+
+    # baseline (no stop)
+    print("=" * 110)
+    print("BASELINE (orizzonte puro, no SL) — TRAIN:")
+    base = {}
+    for a in ASSETS:
+        m = simulate(sleeves[a], ExitPolicy(), t_hi=OOS_START_MS)
+        base[a] = m
+        print(f"  {a}: {_row(m)}")
+    print()
+
+    # ---------------- grid TRAIN only
+    print("=" * 110)
+    print("GRID — TRAIN ONLY (selezione qui):")
+    train = {}
+    for mode in MODES:
+        print(f"\n  mode={mode}")
+        for p in P_GRID:
+            pol = PctFixed(p, mode)
+            row = {}
+            for a in ASSETS:
+                m = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+                row[a] = m
+            train[(mode, p)] = row
+            print(f"    p={p:.3f} | BTC {_row(row['BTC'])}")
+            print(f"               | ETH {_row(row['ETH'])}")
+
+    # improvement flags vs baseline on TRAIN: ETH gate (sharpe up, dd down, worst less neg)
+    # + BTC not degraded (sharpe>=0.95x, ret>=0.80x)
+    print("\n" + "=" * 110)
+    print("TRAIN improvement check (cell = migliorativa se ETH sharpe^ dd v worst^ AND BTC sharpe>=95% ret>=80%):")
+    bE, bB = base["ETH"], base["BTC"]
+    improved = {}
+    for mode in MODES:
+        flags = []
+        for p in P_GRID:
+            r = train[(mode, p)]
+            eth, btc = r["ETH"], r["BTC"]
+            eth_ok = (eth["sharpe"] > bE["sharpe"] and eth["dd"] < bE["dd"]
+                      and eth["worst"] > bE["worst"])
+            btc_ok = (btc["sharpe"] >= 0.95 * bB["sharpe"]
+                      and btc["ret"] >= 0.80 * bB["ret"])
+            cell = eth_ok and btc_ok
+            improved[(mode, p)] = cell
+            flags.append("Y" if cell else (".|E" if not eth_ok else ".|B"))
+        print(f"  mode={mode:<9s} " + "  ".join(f"p={p:.3f}:{f}" for p, f in zip(P_GRID, flags)))
+
+    # plateau detection: >=3 adjacent p's (same mode) all improved
+    print("\nPLATEAU (>=3 p adiacenti migliorativi nella stessa modalita'):")
+    plateau_cells = []
+    for mode in MODES:
+        run = []
+        runs = []
+        for p in P_GRID:
+            if improved[(mode, p)]:
+                run.append(p)
+            else:
+                if len(run) >= 1:
+                    runs.append(run)
+                run = []
+        if run:
+            runs.append(run)
+        for run in runs:
+            mark = " <-- PLATEAU" if len(run) >= 3 else ""
+            print(f"  mode={mode}: run {run} (len {len(run)}){mark}")
+            if len(run) >= 3:
+                plateau_cells.extend((mode, p) for p in run)
+
+    if not plateau_cells:
+        print("\nNESSUN PLATEAU sul train -> famiglia NON passa. OOS solo informativo.")
+    else:
+        print(f"\nplateau cells: {plateau_cells}")
+
+    # ---------------- pick best cell on TRAIN within plateau (or best overall if no plateau)
+    def score(cell):
+        r = train[cell]
+        # ETH train e' il banco di prova (baseline negativo) -> max ETH sharpe,
+        # tie-break ETH dd minore, poi BTC sharpe.
+        return (r["ETH"]["sharpe"], -r["ETH"]["dd"], r["BTC"]["sharpe"])
+
+    pool = plateau_cells if plateau_cells else list(train.keys())
+    best = max(pool, key=score)
+    print(f"\nCHOSEN (train): mode={best[0]} p={best[1]:.3f}")
+
+    # neighbors (same mode, adjacent p)
+    mode_b, p_b = best
+    idx = P_GRID.index(p_b)
+    neigh = [(mode_b, P_GRID[k]) for k in (idx - 1, idx, idx + 1) if 0 <= k < len(P_GRID)]
+
+    # ---------------- OOS verdict (chosen + 2 neighbors) — looked at ONCE
+    print("\n" + "=" * 110)
+    print("OOS VERDICT (config scelta + 2 vicine) — guardato UNA volta:")
+    print("\nBaseline OOS:")
+    base_oos = {}
+    for a in ASSETS:
+        m = simulate(sleeves[a], ExitPolicy(), t_lo=OOS_START_MS)
+        base_oos[a] = m
+        print(f"  {a}: {_row(m)}")
+
+    chosen_oos = None
+    for cell in neigh:
+        pol = PctFixed(cell[1], cell[0])
+        tag = "  <== CHOSEN" if cell == best else ""
+        print(f"\n  mode={cell[0]} p={cell[1]:.3f}{tag}")
+        res = {}
+        for a in ASSETS:
+            tr = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+            oo = simulate(sleeves[a], pol, t_lo=OOS_START_MS)
+            res[a] = {"train": tr, "oos": oo}
+            print(f"    {a} TRAIN {_row(tr)}")
+            print(f"    {a} OOS   {_row(oo)}")
+        if cell == best:
+            chosen_oos = res
+
+    # ---------------- gate evaluation on chosen
+    print("\n" + "=" * 110)
+    print("GATE (tutte e 4, train E oos):")
+    r = chosen_oos
+    bE_o, bB_o = base_oos["ETH"], base_oos["BTC"]
+
+    def g(label, cond):
+        print(f"  [{'PASS' if cond else 'FAIL'}] {label}")
+        return cond
+
+    # a) ETH: sharpe^ dd v worst^ su train E oos
+    a_tr = (r["ETH"]["train"]["sharpe"] > bE["sharpe"]
+            and r["ETH"]["train"]["dd"] < bE["dd"]
+            and r["ETH"]["train"]["worst"] > bE["worst"])
+    a_oo = (r["ETH"]["oos"]["sharpe"] > bE_o["sharpe"]
+            and r["ETH"]["oos"]["dd"] < bE_o["dd"]
+            and r["ETH"]["oos"]["worst"] > bE_o["worst"])
+    A = g("a) ETH sharpe^ dd v worst^ (train E oos)", a_tr and a_oo)
+    # b) BTC sharpe>=95% ret>=80% baseline (train E oos)
+    b_tr = (r["BTC"]["train"]["sharpe"] >= 0.95 * bB["sharpe"]
+            and r["BTC"]["train"]["ret"] >= 0.80 * bB["ret"])
+    b_oo = (r["BTC"]["oos"]["sharpe"] >= 0.95 * bB_o["sharpe"]
+            and r["BTC"]["oos"]["ret"] >= 0.80 * bB_o["ret"])
+    B = g("b) BTC sharpe>=95% ret>=80% (train E oos)", b_tr and b_oo)
+    # c) ret ETH oos >= 80% baseline
+    C = g("c) ret ETH oos >= 80% baseline", r["ETH"]["oos"]["ret"] >= 0.80 * bE_o["ret"])
+    # d) plateau
+    D = g("d) plateau confermato", bool(plateau_cells) and best in plateau_cells)
+
+    passes = A and B and C and D
+    print(f"\n  ==> GATE {'PASS' if passes else 'FAIL'}")
+    return passes
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/04_chandelier_trail.py

@@ -0,0 +1,238 @@
+"""SH01 EXIT policy 04 — chandelier_trail.
+
+Trailing chandelier CAUSALE. Lo state tiene il running peak dei CLOSE da i a
+j-1; lo stop per il bar j e':
+    long : sl = peak - k * ATR14[j-1]
+    short: sl = trough + k * ATR14[j-1]   (specchiato)
+Il peak/trough viene aggiornato dentro levels() usando SOLO close[j-1] (dato
+gia' chiuso quando il worker fissa il livello per il bar j). ATR14[j-1] e'
+causale. Griglia k x mode {intrabar, close}.
+
+ANTI-LOOK-AHEAD: levels(j) usa peak su close[<=j-1] e ATR14[j-1] -> nessun dato
+del bar j. open_trade usa solo close[i]/ATR14[i]. OK.
+
+Profilo SH01: hold a orizzonte (momentum), win ~50%, edge nell'asimmetria dei
+winner. Sulle fade la famiglia trailing e' stata SCARTATA (taglia i winner che
+vanno in drawdown e poi recuperano) -> qui si testa se su SH01 va diversamente,
+pronti a un NO.
+
+PROTOCOLLO: grid (k x mode) SOLO sul train (t_hi=OOS_START_MS). Plateau >=3
+celle adiacenti migliorative (adiacenza su k, mode fisso). Poi OOS una volta
+sulla config scelta + 2 vicine.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/04_chandelier_trail.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, OOS_START_MS, evaluate, load_sleeves, simulate,
+)
+
+
+class ChandelierTrail(ExitPolicy):
+    def __init__(self, k: float, mode: str = "intrabar"):
+        self.k = float(k)
+        self.mode = mode
+        self.name = f"chandelier_trail k={k:.1f} {mode}"
+
+    def open_trade(self, ctx, i, d):
+        # peak/trough inizializzato all'entry (close[i]); atr14[i] noto a close[i].
+        entry = ctx["close"][i]
+        return {"peak": entry, "trough": entry}
+
+    def levels(self, ctx, i, d, j, st):
+        close = ctx["close"]
+        atr = ctx["atr14"]
+        # aggiorna il running peak/trough con close[j-1] (gia' chiuso). j>=i+1
+        # sempre nell'engine, quindi j-1>=i e' definito.
+        cprev = close[j - 1]
+        if cprev > st["peak"]:
+            st["peak"] = cprev
+        if cprev < st["trough"]:
+            st["trough"] = cprev
+        a = atr[j - 1]
+        if not (a == a and a > 0):   # nan/0 -> nessuno stop attivo
+            return None, self.mode
+        if d == 1:
+            sl = st["peak"] - self.k * a
+        else:
+            sl = st["trough"] + self.k * a
+        return sl, self.mode
+
+    def after_bar(self, ctx, i, d, j, st):
+        return False
+
+
+# baseline numbers (exit a orizzonte puro) — dal prompt/harness
+BASELINE = {
+    "BTC": {"train": dict(ret=127, dd=23, sharpe=2.09, worst=-5.5),
+            "oos":   dict(ret=41, dd=8, sharpe=2.18, worst=-3.1)},
+    "ETH": {"train": dict(ret=-26, dd=61, sharpe=-0.16, worst=-14.9),
+            "oos":   dict(ret=143, dd=7, sharpe=3.60, worst=-4.6)},
+}
+
+KS = [2.0, 2.5, 3.0, 4.0, 5.0]
+MODES = ["intrabar", "close"]
+
+
+def _row(tag, a, r):
+    print(f"    {tag:<10s} {a}: ret={r['ret']:>+7.0f}% dd={r['dd']:>4.0f}% "
+          f"shrp={r['sharpe']:>5.2f} worst={r['worst']:>+5.1f}% "
+          f"stop={r['stop_rate']:>4.1f}% trades={r['trades']}")
+
+
+def _eth_ok(et, b_eth):
+    return (et["sharpe"] > b_eth["sharpe"] and et["dd"] < b_eth["dd"]
+            and et["worst"] > b_eth["worst"])
+
+
+def _btc_ok(bt, b_btc):
+    return (bt["sharpe"] >= 0.95 * b_btc["sharpe"]
+            and bt["ret"] >= 0.80 * b_btc["ret"])
+
+
+def main():
+    sleeves = load_sleeves()
+    b_btc, b_eth = BASELINE["BTC"]["train"], BASELINE["ETH"]["train"]
+
+    print("=" * 78)
+    print("TRAIN GRID (selezione SOLO sul train, t_hi=OOS_START)")
+    print("=" * 78)
+    print("  baseline (orizzonte puro):")
+    evaluate(ExitPolicy(), sleeves=sleeves)
+    print()
+
+    # train[(mode,k)] -> {asset: result}
+    train = {}
+    for mode in MODES:
+        print(f"  --- mode={mode} ---")
+        for k in KS:
+            pol = ChandelierTrail(k, mode)
+            row = {}
+            for a in ("BTC", "ETH"):
+                row[a] = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+            train[(mode, k)] = row
+            print(f"  k={k:.1f} ({mode})")
+            _row("TRAIN", "BTC", row["BTC"])
+            _row("TRAIN", "ETH", row["ETH"])
+        print()
+
+    print("=" * 78)
+    print("PLATEAU CHECK (train): ETH sharpe up & dd down & worst up,")
+    print("                       BTC sharpe>=95% & ret>=80% baseline")
+    print("=" * 78)
+    improving = {}  # mode -> [k...]
+    for mode in MODES:
+        imp = []
+        for k in KS:
+            bt, et = train[(mode, k)]["BTC"], train[(mode, k)]["ETH"]
+            eth_ok = _eth_ok(et, b_eth)
+            btc_ok = _btc_ok(bt, b_btc)
+            ok = eth_ok and btc_ok
+            if ok:
+                imp.append(k)
+            print(f"  {mode:<9s} k={k:.1f}  ETH_ok={eth_ok}  BTC_ok={btc_ok}  -> "
+                  f"{'IMPROVING' if ok else '-'}")
+        improving[mode] = imp
+        print(f"  improving cells ({mode}): {imp}")
+
+    # plateau = >=3 k adiacenti improving in QUALCHE mode
+    best_plateau, best_mode = [], None
+    for mode in MODES:
+        imp = improving[mode]
+        for idx in range(len(KS)):
+            run = []
+            for j in range(idx, len(KS)):
+                if KS[j] in imp:
+                    run.append(KS[j])
+                else:
+                    break
+            if len(run) >= 3 and len(run) > len(best_plateau):
+                best_plateau, best_mode = run, mode
+    print(f"  longest adjacent improving run: {best_plateau} (mode={best_mode}) "
+          f"plateau={'YES' if len(best_plateau) >= 3 else 'NO'}")
+
+    chosen = None
+    if len(best_plateau) >= 3:
+        chosen_k = best_plateau[len(best_plateau) // 2]
+        chosen = (best_mode, chosen_k)
+    else:
+        # fallback: miglior ETH sharpe fra tutti gli improving (per diagnosi OOS)
+        cands = [(m, k) for m in MODES for k in improving[m]]
+        if cands:
+            chosen = max(cands, key=lambda mk: train[mk]["ETH"]["sharpe"])
+
+    print()
+    print("=" * 78)
+    if chosen is None:
+        print("NESSUNA cella migliorativa sul train -> verdetto NO (niente OOS).")
+        print("=" * 78)
+        return {"chosen": None, "plateau": best_plateau, "improving": improving,
+                "passes": False, "train": train}
+
+    c_mode, c_k = chosen
+    print(f"CHOSEN k={c_k:.1f} mode={c_mode} -> OOS (config + 2 vicine k), 1 volta")
+    print("=" * 78)
+    ci = KS.index(c_k)
+    neigh = [KS[x] for x in (ci - 1, ci, ci + 1) if 0 <= x < len(KS)]
+    oos = {}
+    for k in neigh:
+        pol = ChandelierTrail(k, c_mode)
+        row = {}
+        for a in ("BTC", "ETH"):
+            row[a] = {"train": train[(c_mode, k)][a],
+                      "oos": simulate(sleeves[a], pol, t_lo=OOS_START_MS)}
+        oos[k] = row
+        print(f"  k={k:.1f} ({c_mode})")
+        _row("TRAIN", "BTC", row["BTC"]["train"])
+        _row("OOS", "BTC", row["BTC"]["oos"])
+        _row("TRAIN", "ETH", row["ETH"]["train"])
+        _row("OOS", "ETH", row["ETH"]["oos"])
+
+    print()
+    print("=" * 78)
+    print(f"GATE finale (k={c_k:.1f} mode={c_mode}):")
+    bt_tr, et_tr = oos[c_k]["BTC"]["train"], oos[c_k]["ETH"]["train"]
+    bt_oo, et_oo = oos[c_k]["BTC"]["oos"], oos[c_k]["ETH"]["oos"]
+    Bb_o, Be_o = BASELINE["BTC"]["oos"], BASELINE["ETH"]["oos"]
+
+    a_train = _eth_ok(et_tr, b_eth)
+    a_oos = (et_oo["sharpe"] > Be_o["sharpe"] and et_oo["dd"] < Be_o["dd"]
+             and et_oo["worst"] > Be_o["worst"])
+    cond_a = a_train and a_oos
+    b_tr = _btc_ok(bt_tr, b_btc)
+    b_oo = (bt_oo["sharpe"] >= 0.95 * Bb_o["sharpe"]
+            and bt_oo["ret"] >= 0.80 * Bb_o["ret"])
+    cond_b = b_tr and b_oo
+    cond_c = et_oo["ret"] >= 0.80 * Be_o["ret"]
+    cond_d = len(best_plateau) >= 3
+
+    print(f"  a) ETH sharpe up & dd down & worst up (train&oos): {cond_a}")
+    print(f"     train: shrp {et_tr['sharpe']:.2f} vs {b_eth['sharpe']:.2f} | "
+          f"dd {et_tr['dd']:.0f} vs {b_eth['dd']:.0f} | "
+          f"worst {et_tr['worst']:.1f} vs {b_eth['worst']:.1f}")
+    print(f"     oos:   shrp {et_oo['sharpe']:.2f} vs {Be_o['sharpe']:.2f} | "
+          f"dd {et_oo['dd']:.0f} vs {Be_o['dd']:.0f} | "
+          f"worst {et_oo['worst']:.1f} vs {Be_o['worst']:.1f}")
+    print(f"  b) BTC sharpe>=95% & ret>=80% (train&oos): {cond_b}")
+    print(f"     train: shrp {bt_tr['sharpe']:.2f} (>={0.95*b_btc['sharpe']:.2f}) | "
+          f"ret {bt_tr['ret']:.0f} (>={0.80*b_btc['ret']:.0f})")
+    print(f"     oos:   shrp {bt_oo['sharpe']:.2f} (>={0.95*Bb_o['sharpe']:.2f}) | "
+          f"ret {bt_oo['ret']:.0f} (>={0.80*Bb_o['ret']:.0f})")
+    print(f"  c) ETH oos ret>=80% baseline ({0.80*Be_o['ret']:.0f}): {cond_c} "
+          f"(ret={et_oo['ret']:.0f})")
+    print(f"  d) plateau: {cond_d} ({best_plateau} mode={best_mode})")
+    passes = cond_a and cond_b and cond_c and cond_d
+    print(f"  PASSES GATE: {passes}")
+    print("=" * 78)
+
+    return {"chosen": chosen, "plateau": best_plateau, "improving": improving,
+            "passes": passes, "oos": oos, "conds": (cond_a, cond_b, cond_c, cond_d)}
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/05_breakeven_ratchet.py

@@ -0,0 +1,267 @@
+"""SH01 EXIT policy 05 — breakeven_ratchet.
+
+Disaster-stop ampio + ratchet a breakeven. Idea: NON tagliare i loser presto
+(quello distrugge l'edge, lezione exit-lab sulle fade), ma proteggere SOLO i
+trade gia' andati in profitto, alzando lo stop a entry (o entry+b*ATR) una volta
+che il move e' partito. Il disaster-stop iniziale (4*ATR14[i]) taglia la coda
+estrema (il crash ETH -15.6%) senza interferire coi trade normali.
+
+Logica:
+  long :
+    sl_init = entry - 4 * ATR14[i]
+    quando close[<=j-1] >= entry + a * ATR14[i]  ->  sl = entry + b * ATR14[i]
+  short: specchiato.
+  RATCHET: una volta alzato lo stop a breakeven, NON riscende (st["armed"]).
+
+Lo stop iniziale (4*ATR14[i]) e' FISSO sul valore noto a close[i] (open_trade);
+il ratchet si arma leggendo close[j-1] (gia' chiuso quando il worker fissa il
+livello per il bar j) -> nessun dato del bar j. ATR14[i] e' causale.
+
+ANTI-LOOK-AHEAD: open_trade usa solo close[i]/ATR14[i]; levels(j) legge solo
+close[j-1] per decidere l'arming e ATR14[i] (gia' fissato). OK.
+
+Griglia: a in {0.5, 1.0, 1.5, 2.0} (soglia di arming in ATR) x b in {0, 0.25}
+(dove va lo stop una volta armato: entry o entry+0.25 ATR) x mode {intrabar,
+close}. Il disaster-stop 4*ATR e' fisso (la coda da tagliare e' a -15%, ~3 ATR).
+
+Profilo SH01: hold a orizzonte, win ~50%, edge nell'asimmetria. Il rischio del
+breakeven e' di chiudere a 0 i winner che vanno prima in drawdown leggero e poi
+recuperano -> pronti a un NO se BTC degrada.
+
+PROTOCOLLO: grid SOLO sul train (t_hi=OOS_START_MS). Plateau >=3 celle adiacenti
+migliorative (adiacenza su a, con b/mode fissi). Poi OOS una volta su config +
+2 vicine.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/05_breakeven_ratchet.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, OOS_START_MS, evaluate, load_sleeves, simulate,
+)
+
+DISASTER_ATR = 4.0
+
+
+class BreakevenRatchet(ExitPolicy):
+    def __init__(self, a: float, b: float = 0.0, mode: str = "intrabar"):
+        self.a = float(a)
+        self.b = float(b)
+        self.mode = mode
+        self.name = f"be_ratchet a={a:.1f} b={b:.2f} {mode}"
+
+    def open_trade(self, ctx, i, d):
+        entry = ctx["close"][i]
+        a14 = ctx["atr14"][i]
+        if not (a14 == a14 and a14 > 0):
+            # nessun ATR valido -> nessuno stop (degenera a baseline su quel trade)
+            return {"entry": entry, "atr": None, "sl_disaster": None, "armed": False}
+        if d == 1:
+            sl_dis = entry - DISASTER_ATR * a14
+        else:
+            sl_dis = entry + DISASTER_ATR * a14
+        return {"entry": entry, "atr": a14, "sl_disaster": sl_dis, "armed": False}
+
+    def levels(self, ctx, i, d, j, st):
+        a14 = st["atr"]
+        if a14 is None:
+            return None, self.mode
+        entry = st["entry"]
+        cprev = ctx["close"][j - 1]   # gia' chiuso quando si fissa il livello per j
+        # arming del ratchet (una volta armato resta armato)
+        if not st["armed"]:
+            if d == 1:
+                if cprev >= entry + self.a * a14:
+                    st["armed"] = True
+            else:
+                if cprev <= entry - self.a * a14:
+                    st["armed"] = True
+        if st["armed"]:
+            if d == 1:
+                sl = entry + self.b * a14
+            else:
+                sl = entry - self.b * a14
+        else:
+            sl = st["sl_disaster"]
+        return sl, self.mode
+
+    def after_bar(self, ctx, i, d, j, st):
+        return False
+
+
+# baseline numbers (exit a orizzonte puro) — dal prompt/harness
+BASELINE = {
+    "BTC": {"train": dict(ret=127, dd=23, sharpe=2.09, worst=-5.5),
+            "oos":   dict(ret=41, dd=8, sharpe=2.18, worst=-3.1)},
+    "ETH": {"train": dict(ret=-26, dd=61, sharpe=-0.16, worst=-14.9),
+            "oos":   dict(ret=143, dd=7, sharpe=3.60, worst=-4.6)},
+}
+
+A_VALS = [0.5, 1.0, 1.5, 2.0]
+B_VALS = [0.0, 0.25]
+MODES = ["intrabar", "close"]
+
+
+def _row(tag, a, r):
+    print(f"    {tag:<10s} {a}: ret={r['ret']:>+7.0f}% dd={r['dd']:>4.0f}% "
+          f"shrp={r['sharpe']:>5.2f} worst={r['worst']:>+5.1f}% "
+          f"stop={r['stop_rate']:>4.1f}% trades={r['trades']}")
+
+
+def _eth_ok(et, b_eth):
+    return (et["sharpe"] > b_eth["sharpe"] and et["dd"] < b_eth["dd"]
+            and et["worst"] > b_eth["worst"])
+
+
+def _btc_ok(bt, b_btc):
+    return (bt["sharpe"] >= 0.95 * b_btc["sharpe"]
+            and bt["ret"] >= 0.80 * b_btc["ret"])
+
+
+def main():
+    sleeves = load_sleeves()
+    b_btc, b_eth = BASELINE["BTC"]["train"], BASELINE["ETH"]["train"]
+
+    print("=" * 78)
+    print("TRAIN GRID (selezione SOLO sul train, t_hi=OOS_START)")
+    print("=" * 78)
+    print("  baseline (orizzonte puro):")
+    evaluate(ExitPolicy(), sleeves=sleeves)
+    print()
+
+    # train[(mode,b,a)] -> {asset: result}
+    train = {}
+    for mode in MODES:
+        for b in B_VALS:
+            print(f"  --- mode={mode} b={b:.2f} ---")
+            for a in A_VALS:
+                pol = BreakevenRatchet(a, b, mode)
+                row = {}
+                for asset in ("BTC", "ETH"):
+                    row[asset] = simulate(sleeves[asset], pol, t_hi=OOS_START_MS)
+                train[(mode, b, a)] = row
+                print(f"  a={a:.1f} b={b:.2f} ({mode})")
+                _row("TRAIN", "BTC", row["BTC"])
+                _row("TRAIN", "ETH", row["ETH"])
+            print()
+
+    print("=" * 78)
+    print("PLATEAU CHECK (train): ETH sharpe up & dd down & worst up,")
+    print("                       BTC sharpe>=95% & ret>=80% baseline")
+    print("=" * 78)
+    # improving[(mode,b)] -> [a...]
+    improving = {}
+    for mode in MODES:
+        for b in B_VALS:
+            imp = []
+            for a in A_VALS:
+                bt, et = train[(mode, b, a)]["BTC"], train[(mode, b, a)]["ETH"]
+                eth_ok = _eth_ok(et, b_eth)
+                btc_ok = _btc_ok(bt, b_btc)
+                ok = eth_ok and btc_ok
+                if ok:
+                    imp.append(a)
+                print(f"  {mode:<9s} b={b:.2f} a={a:.1f}  ETH_ok={eth_ok}  "
+                      f"BTC_ok={btc_ok}  -> {'IMPROVING' if ok else '-'}")
+            improving[(mode, b)] = imp
+            print(f"  improving cells ({mode}, b={b:.2f}): {imp}")
+
+    # plateau = >=3 a adiacenti improving in QUALCHE (mode,b)
+    best_plateau, best_key = [], None
+    for key in improving:
+        imp = improving[key]
+        for idx in range(len(A_VALS)):
+            run = []
+            for jj in range(idx, len(A_VALS)):
+                if A_VALS[jj] in imp:
+                    run.append(A_VALS[jj])
+                else:
+                    break
+            if len(run) >= 3 and len(run) > len(best_plateau):
+                best_plateau, best_key = run, key
+    print(f"  longest adjacent improving run: {best_plateau} (key={best_key}) "
+          f"plateau={'YES' if len(best_plateau) >= 3 else 'NO'}")
+
+    chosen = None
+    if len(best_plateau) >= 3:
+        chosen_a = best_plateau[len(best_plateau) // 2]
+        chosen = (best_key[0], best_key[1], chosen_a)
+    else:
+        cands = [(m, b, a) for (m, b) in improving for a in improving[(m, b)]]
+        if cands:
+            chosen = max(cands, key=lambda mba: train[mba]["ETH"]["sharpe"])
+
+    print()
+    print("=" * 78)
+    if chosen is None:
+        print("NESSUNA cella migliorativa sul train -> verdetto NO (niente OOS).")
+        print("=" * 78)
+        return {"chosen": None, "plateau": best_plateau, "improving": improving,
+                "passes": False, "train": train}
+
+    c_mode, c_b, c_a = chosen
+    print(f"CHOSEN a={c_a:.1f} b={c_b:.2f} mode={c_mode} -> OOS (config + 2 vicine a)")
+    print("=" * 78)
+    ai = A_VALS.index(c_a)
+    neigh = [A_VALS[x] for x in (ai - 1, ai, ai + 1) if 0 <= x < len(A_VALS)]
+    oos = {}
+    for a in neigh:
+        pol = BreakevenRatchet(a, c_b, c_mode)
+        row = {}
+        for asset in ("BTC", "ETH"):
+            row[asset] = {"train": train[(c_mode, c_b, a)][asset],
+                          "oos": simulate(sleeves[asset], pol, t_lo=OOS_START_MS)}
+        oos[a] = row
+        print(f"  a={a:.1f} b={c_b:.2f} ({c_mode})")
+        _row("TRAIN", "BTC", row["BTC"]["train"])
+        _row("OOS", "BTC", row["BTC"]["oos"])
+        _row("TRAIN", "ETH", row["ETH"]["train"])
+        _row("OOS", "ETH", row["ETH"]["oos"])
+
+    print()
+    print("=" * 78)
+    print(f"GATE finale (a={c_a:.1f} b={c_b:.2f} mode={c_mode}):")
+    bt_tr, et_tr = oos[c_a]["BTC"]["train"], oos[c_a]["ETH"]["train"]
+    bt_oo, et_oo = oos[c_a]["BTC"]["oos"], oos[c_a]["ETH"]["oos"]
+    Bb_o, Be_o = BASELINE["BTC"]["oos"], BASELINE["ETH"]["oos"]
+
+    a_train = _eth_ok(et_tr, b_eth)
+    a_oos = (et_oo["sharpe"] > Be_o["sharpe"] and et_oo["dd"] < Be_o["dd"]
+             and et_oo["worst"] > Be_o["worst"])
+    cond_a = a_train and a_oos
+    b_tr = _btc_ok(bt_tr, b_btc)
+    b_oo = (bt_oo["sharpe"] >= 0.95 * Bb_o["sharpe"]
+            and bt_oo["ret"] >= 0.80 * Bb_o["ret"])
+    cond_b = b_tr and b_oo
+    cond_c = et_oo["ret"] >= 0.80 * Be_o["ret"]
+    cond_d = len(best_plateau) >= 3
+
+    print(f"  a) ETH sharpe up & dd down & worst up (train&oos): {cond_a}")
+    print(f"     train: shrp {et_tr['sharpe']:.2f} vs {b_eth['sharpe']:.2f} | "
+          f"dd {et_tr['dd']:.0f} vs {b_eth['dd']:.0f} | "
+          f"worst {et_tr['worst']:.1f} vs {b_eth['worst']:.1f}")
+    print(f"     oos:   shrp {et_oo['sharpe']:.2f} vs {Be_o['sharpe']:.2f} | "
+          f"dd {et_oo['dd']:.0f} vs {Be_o['dd']:.0f} | "
+          f"worst {et_oo['worst']:.1f} vs {Be_o['worst']:.1f}")
+    print(f"  b) BTC sharpe>=95% & ret>=80% (train&oos): {cond_b}")
+    print(f"     train: shrp {bt_tr['sharpe']:.2f} (>={0.95*b_btc['sharpe']:.2f}) | "
+          f"ret {bt_tr['ret']:.0f} (>={0.80*b_btc['ret']:.0f})")
+    print(f"     oos:   shrp {bt_oo['sharpe']:.2f} (>={0.95*Bb_o['sharpe']:.2f}) | "
+          f"ret {bt_oo['ret']:.0f} (>={0.80*Bb_o['ret']:.0f})")
+    print(f"  c) ETH oos ret>=80% baseline ({0.80*Be_o['ret']:.0f}): {cond_c} "
+          f"(ret={et_oo['ret']:.0f})")
+    print(f"  d) plateau: {cond_d} ({best_plateau} key={best_key})")
+    passes = cond_a and cond_b and cond_c and cond_d
+    print(f"  PASSES GATE: {passes}")
+    print("=" * 78)
+
+    return {"chosen": chosen, "plateau": best_plateau, "improving": improving,
+            "passes": passes, "oos": oos, "conds": (cond_a, cond_b, cond_c, cond_d)}
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/06_giveback.py

@@ -0,0 +1,260 @@
+"""SH01 EXIT policy 06 — giveback (profit-protection).
+
+Protezione del profitto via after_bar (mode "close" implicito: uscita sempre al
+close del bar j). Lo state traccia il PEAK FAVOREVOLE dei close da i (per long il
+max close; per short il min close, specchiato). Si esce al close del bar j se:
+
+    giveback = (peak_fav - close[j]) * d   >=  g * ATR14[j-1]      (retrace)
+    profit_at_peak = (peak_fav - entry) * d >=  m * ATR_ref         (era in gain)
+
+cioe' il trade aveva raggiunto un profitto di almeno m*ATR e poi ha ritracciato
+di g*ATR dal massimo favorevole. Idea: lascia correre il momentum SH01 finche'
+sale, ma protegge il guadagno quando rifiata — senza toccare i trade che non sono
+mai andati in profitto (quelli muoiono a orizzonte come nel baseline, cosi' non
+si crea un trailing-stop mascherato che taglia i winner-in-drawdown).
+
+Griglia g in {1.0, 1.5, 2.0, 3.0} x m in {0.5, 1.0}.
+
+ANTI-LOOK-AHEAD: after_bar(j) decide sul CLOSE del bar j (dato <= j, eseguibile
+al poll). Il peak favorevole include close[j] (gia' chiuso quando si decide).
+ATR di riferimento: usiamo ATR14[j-1] per la soglia di giveback (causale, come
+i livelli) e ATR14[i] per la soglia di profit-at-peak (noto a close[i], cioe'
+all'apertura del trade). open_trade usa solo close[i]/ATR14[i]. Nessun dato di
+un bar futuro. OK.
+
+Profilo SH01: hold a orizzonte (momentum), win ~50%, edge nell'asimmetria dei
+winner. La famiglia "ride/trailing" sulle fade e' stata SCARTATA; il giveback e'
+una variante condizionata-al-profitto, pensata per NON toccare i loser-che-
+recuperano. Pronti a un NO se taglia comunque l'edge.
+
+PROTOCOLLO: grid (g x m) SOLO sul train (t_hi=OOS_START_MS). Plateau >=3 celle
+adiacenti migliorative (adiacenza su g, m fisso). Poi OOS una volta sulla config
+scelta + 2 vicine.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/06_giveback.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, OOS_START_MS, evaluate, load_sleeves, simulate,
+)
+
+
+class Giveback(ExitPolicy):
+    def __init__(self, g: float, m: float):
+        self.g = float(g)
+        self.m = float(m)
+        self.name = f"giveback g={g:.1f} m={m:.1f}"
+
+    def open_trade(self, ctx, i, d):
+        entry = ctx["close"][i]
+        a0 = ctx["atr14"][i]
+        a0 = float(a0) if (a0 == a0 and a0 > 0) else 0.0
+        # peak favorevole inizializzato all'entry; atr_ref per il profit-at-peak.
+        return {"entry": entry, "peak": entry, "atr0": a0}
+
+    def levels(self, ctx, i, d, j, st):
+        # nessuno stop a livello: il giveback e' tutto in after_bar.
+        return None, "close"
+
+    def after_bar(self, ctx, i, d, j, st):
+        close = ctx["close"]
+        atr = ctx["atr14"]
+        cj = close[j]
+        # aggiorna il peak FAVOREVOLE con close[j] (gia' chiuso quando decidiamo).
+        # per long: max close; per short: min close (= peak favorevole specchiato).
+        if d == 1:
+            if cj > st["peak"]:
+                st["peak"] = cj
+        else:
+            if cj < st["peak"]:
+                st["peak"] = cj
+
+        a_gb = atr[j - 1]
+        if not (a_gb == a_gb and a_gb > 0):
+            return False
+        a_pk = st["atr0"]
+        if a_pk <= 0:
+            return False
+
+        # profitto raggiunto al peak favorevole (in direzione del trade).
+        profit_at_peak = (st["peak"] - st["entry"]) * d
+        if profit_at_peak < self.m * a_pk:
+            return False
+        # ritracciamento dal peak favorevole fino al close corrente.
+        giveback = (st["peak"] - cj) * d
+        return giveback >= self.g * a_gb
+
+
+# baseline numbers (exit a orizzonte puro) — dal prompt/harness
+BASELINE = {
+    "BTC": {"train": dict(ret=127, dd=23, sharpe=2.09, worst=-5.5),
+            "oos":   dict(ret=41, dd=8, sharpe=2.18, worst=-3.1)},
+    "ETH": {"train": dict(ret=-26, dd=61, sharpe=-0.16, worst=-14.9),
+            "oos":   dict(ret=143, dd=7, sharpe=3.60, worst=-4.6)},
+}
+
+GS = [1.0, 1.5, 2.0, 3.0]
+MS = [0.5, 1.0]
+
+
+def _row(tag, a, r):
+    print(f"    {tag:<10s} {a}: ret={r['ret']:>+7.0f}% dd={r['dd']:>4.0f}% "
+          f"shrp={r['sharpe']:>5.2f} worst={r['worst']:>+5.1f}% "
+          f"stop={r['stop_rate']:>4.1f}% trades={r['trades']}")
+
+
+def _eth_ok(et, b_eth):
+    return (et["sharpe"] > b_eth["sharpe"] and et["dd"] < b_eth["dd"]
+            and et["worst"] > b_eth["worst"])
+
+
+def _btc_ok(bt, b_btc):
+    return (bt["sharpe"] >= 0.95 * b_btc["sharpe"]
+            and bt["ret"] >= 0.80 * b_btc["ret"])
+
+
+def main():
+    sleeves = load_sleeves()
+    b_btc, b_eth = BASELINE["BTC"]["train"], BASELINE["ETH"]["train"]
+
+    print("=" * 78)
+    print("TRAIN GRID (selezione SOLO sul train, t_hi=OOS_START)")
+    print("=" * 78)
+    print("  baseline (orizzonte puro):")
+    evaluate(ExitPolicy(), sleeves=sleeves)
+    print()
+
+    # train[(m,g)] -> {asset: result}
+    train = {}
+    for m in MS:
+        print(f"  --- m={m:.1f} (profit-at-peak threshold) ---")
+        for g in GS:
+            pol = Giveback(g, m)
+            row = {}
+            for a in ("BTC", "ETH"):
+                row[a] = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+            train[(m, g)] = row
+            print(f"  g={g:.1f} m={m:.1f}")
+            _row("TRAIN", "BTC", row["BTC"])
+            _row("TRAIN", "ETH", row["ETH"])
+        print()
+
+    print("=" * 78)
+    print("PLATEAU CHECK (train): ETH sharpe up & dd down & worst up,")
+    print("                       BTC sharpe>=95% & ret>=80% baseline")
+    print("=" * 78)
+    improving = {}  # m -> [g...]
+    for m in MS:
+        imp = []
+        for g in GS:
+            bt, et = train[(m, g)]["BTC"], train[(m, g)]["ETH"]
+            eth_ok = _eth_ok(et, b_eth)
+            btc_ok = _btc_ok(bt, b_btc)
+            ok = eth_ok and btc_ok
+            if ok:
+                imp.append(g)
+            print(f"  m={m:.1f} g={g:.1f}  ETH_ok={eth_ok}  BTC_ok={btc_ok}  -> "
+                  f"{'IMPROVING' if ok else '-'}")
+        improving[m] = imp
+        print(f"  improving cells (m={m:.1f}): {imp}")
+
+    # plateau = >=3 g adiacenti improving in QUALCHE m
+    best_plateau, best_m = [], None
+    for m in MS:
+        imp = improving[m]
+        for idx in range(len(GS)):
+            run = []
+            for j in range(idx, len(GS)):
+                if GS[j] in imp:
+                    run.append(GS[j])
+                else:
+                    break
+            if len(run) >= 3 and len(run) > len(best_plateau):
+                best_plateau, best_m = run, m
+    print(f"  longest adjacent improving run: {best_plateau} (m={best_m}) "
+          f"plateau={'YES' if len(best_plateau) >= 3 else 'NO'}")
+
+    chosen = None
+    if len(best_plateau) >= 3:
+        chosen_g = best_plateau[len(best_plateau) // 2]
+        chosen = (best_m, chosen_g)
+    else:
+        cands = [(m, g) for m in MS for g in improving[m]]
+        if cands:
+            chosen = max(cands, key=lambda mg: train[mg]["ETH"]["sharpe"])
+
+    print()
+    print("=" * 78)
+    if chosen is None:
+        print("NESSUNA cella migliorativa sul train -> verdetto NO (niente OOS).")
+        print("=" * 78)
+        return {"chosen": None, "plateau": best_plateau, "improving": improving,
+                "passes": False, "train": train}
+
+    c_m, c_g = chosen
+    print(f"CHOSEN g={c_g:.1f} m={c_m:.1f} -> OOS (config + 2 vicine g), 1 volta")
+    print("=" * 78)
+    gi = GS.index(c_g)
+    neigh = [GS[x] for x in (gi - 1, gi, gi + 1) if 0 <= x < len(GS)]
+    oos = {}
+    for g in neigh:
+        pol = Giveback(g, c_m)
+        row = {}
+        for a in ("BTC", "ETH"):
+            row[a] = {"train": train[(c_m, g)][a],
+                      "oos": simulate(sleeves[a], pol, t_lo=OOS_START_MS)}
+        oos[g] = row
+        print(f"  g={g:.1f} m={c_m:.1f}")
+        _row("TRAIN", "BTC", row["BTC"]["train"])
+        _row("OOS", "BTC", row["BTC"]["oos"])
+        _row("TRAIN", "ETH", row["ETH"]["train"])
+        _row("OOS", "ETH", row["ETH"]["oos"])
+
+    print()
+    print("=" * 78)
+    print(f"GATE finale (g={c_g:.1f} m={c_m:.1f}):")
+    bt_tr, et_tr = oos[c_g]["BTC"]["train"], oos[c_g]["ETH"]["train"]
+    bt_oo, et_oo = oos[c_g]["BTC"]["oos"], oos[c_g]["ETH"]["oos"]
+    Bb_o, Be_o = BASELINE["BTC"]["oos"], BASELINE["ETH"]["oos"]
+
+    a_train = _eth_ok(et_tr, b_eth)
+    a_oos = (et_oo["sharpe"] > Be_o["sharpe"] and et_oo["dd"] < Be_o["dd"]
+             and et_oo["worst"] > Be_o["worst"])
+    cond_a = a_train and a_oos
+    b_tr = _btc_ok(bt_tr, b_btc)
+    b_oo = (bt_oo["sharpe"] >= 0.95 * Bb_o["sharpe"]
+            and bt_oo["ret"] >= 0.80 * Bb_o["ret"])
+    cond_b = b_tr and b_oo
+    cond_c = et_oo["ret"] >= 0.80 * Be_o["ret"]
+    cond_d = len(best_plateau) >= 3
+
+    print(f"  a) ETH sharpe up & dd down & worst up (train&oos): {cond_a}")
+    print(f"     train: shrp {et_tr['sharpe']:.2f} vs {b_eth['sharpe']:.2f} | "
+          f"dd {et_tr['dd']:.0f} vs {b_eth['dd']:.0f} | "
+          f"worst {et_tr['worst']:.1f} vs {b_eth['worst']:.1f}")
+    print(f"     oos:   shrp {et_oo['sharpe']:.2f} vs {Be_o['sharpe']:.2f} | "
+          f"dd {et_oo['dd']:.0f} vs {Be_o['dd']:.0f} | "
+          f"worst {et_oo['worst']:.1f} vs {Be_o['worst']:.1f}")
+    print(f"  b) BTC sharpe>=95% & ret>=80% (train&oos): {cond_b}")
+    print(f"     train: shrp {bt_tr['sharpe']:.2f} (>={0.95*b_btc['sharpe']:.2f}) | "
+          f"ret {bt_tr['ret']:.0f} (>={0.80*b_btc['ret']:.0f})")
+    print(f"     oos:   shrp {bt_oo['sharpe']:.2f} (>={0.95*Bb_o['sharpe']:.2f}) | "
+          f"ret {bt_oo['ret']:.0f} (>={0.80*Bb_o['ret']:.0f})")
+    print(f"  c) ETH oos ret>=80% baseline ({0.80*Be_o['ret']:.0f}): {cond_c} "
+          f"(ret={et_oo['ret']:.0f})")
+    print(f"  d) plateau: {cond_d} ({best_plateau} m={best_m})")
+    passes = cond_a and cond_b and cond_c and cond_d
+    print(f"  PASSES GATE: {passes}")
+    print("=" * 78)
+
+    return {"chosen": chosen, "plateau": best_plateau, "improving": improving,
+            "passes": passes, "oos": oos, "conds": (cond_a, cond_b, cond_c, cond_d)}
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/07_loser_timestop.py

@@ -0,0 +1,107 @@
+"""SH01 EXIT POLICY 07 — LOSER time-stop condizionale (after_bar).
+
+Idea: SH01 esce a orizzonte fisso H=12. Se a un check-point intermedio j=i+m il
+trade e' GIA' in perdita oltre una soglia, esci subito al close invece di tenere
+fino a H. L'ipotesi (lezione exit-lab fade: tagliare i loser presto rischia di
+tagliare anche i winner in drawdown temporaneo): su un orizzonte FISSO di 12 bar
+forse un loser conclamato a meta' corsa raramente recupera, mentre i winner del
+modello partono subito (asimmetria). Il time-stop e' UNA volta sola (al bar m),
+non un trailing: non insegue il prezzo, condiziona solo l'uscita a un istante.
+
+Regola (after_bar):
+    al bar j == i + m:  se  (close[j]-entry)/entry * d  <  -x * ATR14[i] / entry
+                        esci al close del bar j.
+Equivalente: directional_move[j] < -x*ATR14[i].  x=0.0 => esci se in QUALSIASI
+perdita direzionale al bar m.
+
+Griglia m in {2, 3, 4, 6} x x in {0.0, 0.5, 1.0}.
+
+ANTI-LOOK-AHEAD: ATR14[i] e entry=close[i] fissati all'ingresso (dati <= i);
+after_bar decide sul close del bar j (dati <= j, eseguibile al poll del tick).
+Nessun indicatore al bar j stesso.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/07_loser_timestop.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, evaluate, load_sleeves, simulate, OOS_START_MS,
+)
+
+
+class LoserTimestop(ExitPolicy):
+    def __init__(self, m: int, x: float):
+        self.m = int(m)
+        self.x = float(x)
+        self.name = f"loser_timestop m={m} x={x:g}"
+
+    def open_trade(self, ctx: dict, i: int, d: int) -> dict:
+        return {
+            "entry": float(ctx["close"][i]),
+            "atr": float(ctx["atr14"][i]),
+        }
+
+    def after_bar(self, ctx: dict, i: int, d: int, j: int, st: dict) -> bool:
+        if j != i + self.m:
+            return False
+        move = (ctx["close"][j] - st["entry"]) * d          # directional, in price
+        thresh = -self.x * st["atr"]
+        return move < thresh
+
+
+GRID_M = [2, 3, 4, 6]
+GRID_X = [0.0, 0.5, 1.0]
+
+
+def _fmt(m):
+    return (f"ret={m['ret']:>+7.0f}% dd={m['dd']:>4.0f}% shrp={m['sharpe']:>5.2f} "
+            f"worst={m['worst']:>+5.1f}% stop={m['stop_rate']:>4.1f}% n={m['trades']}")
+
+
+def main():
+    sleeves = load_sleeves()
+
+    base = {}
+    for a in ("BTC", "ETH"):
+        ctx = sleeves[a]
+        base[a] = {
+            "train": simulate(ctx, ExitPolicy(), t_hi=OOS_START_MS),
+            "oos": simulate(ctx, ExitPolicy(), t_lo=OOS_START_MS),
+        }
+
+    print("=" * 110)
+    print("BASELINE (exit orizzonte puro):")
+    for a in ("BTC", "ETH"):
+        print(f"  {a} TRAIN {_fmt(base[a]['train'])}")
+        print(f"  {a} OOS   {_fmt(base[a]['oos'])}")
+
+    print("=" * 110)
+    print("GRID — TRAIN ONLY (selezione parametri):  m x rows")
+    train_res = {}
+    for mm in GRID_M:
+        for xx in GRID_X:
+            pol = LoserTimestop(mm, xx)
+            row = {}
+            for a in ("BTC", "ETH"):
+                row[a] = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+            train_res[(mm, xx)] = row
+            print(f"  m={mm} x={xx:g} | BTC {_fmt(row['BTC'])}")
+            print(f"           | ETH {_fmt(row['ETH'])}")
+
+    print("=" * 110)
+    print("OOS (verdetto, intera griglia per ispezione plateau):")
+    for mm in GRID_M:
+        for xx in GRID_X:
+            pol = LoserTimestop(mm, xx)
+            line_b = simulate(sleeves["BTC"], pol, t_lo=OOS_START_MS)
+            line_e = simulate(sleeves["ETH"], pol, t_lo=OOS_START_MS)
+            print(f"  m={mm} x={xx:g} | BTC OOS {_fmt(line_b)}")
+            print(f"           | ETH OOS {_fmt(line_e)}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/08_disaster_wide_close.py

@@ -0,0 +1,159 @@
+"""SH01 EXIT POLICY 08 — DISASTER-CAP LARGO, close-confirm (minimal intervention).
+
+Ipotesi: SH01 (exit a orizzonte puro, niente TP/SL) si fa massacrare dalle code
+rare (crash ETH 2026-06-05 −15.6% in un trade, ETH 2020). Uno stop LARGO a
+k·ATR14[i] (k grande) dovrebbe toccare SOLO quei pochi trade-disastro, lasciando
+intatto il resto della distribuzione — e quindi l'edge asimmetrico dei winner.
+
+    sl = entry - d * k * ATR14[i]      (fissato all'ingresso, dati <= i)
+    mode = "close"                     (stop solo se il CLOSE sfonda, stile EXIT-16)
+
+Griglia LARGA: k in {3.0, 4.0, 5.0, 6.0}. E' il complemento "wide-only" della
+policy 02 (che spazzava anche stop stretti): qui l'intento e' la NON-interferenza.
+
+Strumentazione extra (richiesta dal mandato): per ogni k riporto
+  - stop_rate (quanti trade vengono stoppati),
+  - la DISTRIBUZIONE dei trade tagliati: erano tutti loser? quanti winner uccisi?
+    Per ogni trade stoppato confronto il suo ret (post-stop, ⇒ negativo) con il
+    ret che AVREBBE avuto a orizzonte puro (baseline, senza stop) → conto quanti
+    sarebbero finiti winner (stop "dannoso") vs loser (stop "utile").
+
+ANTI-LOOK-AHEAD: sl usa SOLO atr14[i] e c[i] (dati <= i); mode="close" decide sul
+close del bar j (dati <= j). Nessun indicatore valutato al bar j.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/08_disaster_wide_close.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+import numpy as np  # noqa: E402
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, load_sleeves, simulate, OOS_START_MS, FEE_RT, LEV, POS,
+)
+
+
+class DisasterWideClose(ExitPolicy):
+    def __init__(self, k: float):
+        self.k = float(k)
+        self.name = f"disaster_wide_close k={k:g}"
+
+    def open_trade(self, ctx: dict, i: int, d: int) -> dict:
+        atr = ctx["atr14"][i]
+        entry = ctx["close"][i]
+        sl = entry - d * self.k * atr
+        return {"sl": float(sl)}
+
+    def levels(self, ctx: dict, i: int, d: int, j: int, st: dict):
+        return st["sl"], "close"
+
+
+GRID = [3.0, 4.0, 5.0, 6.0]
+
+
+def _fmt(m):
+    return (f"ret={m['ret']:>+7.0f}% dd={m['dd']:>4.0f}% shrp={m['sharpe']:>5.2f} "
+            f"worst={m['worst']:>+5.1f}% stop={m['stop_rate']:>4.1f}% n={m['trades']}")
+
+
+def _baseline_ret_by_entry(ctx, t_lo=None, t_hi=None):
+    """Mappa entry-i -> ret a orizzonte puro (baseline, nessuno stop), stesso
+    engine, stesso slice. Serve a classificare i trade stoppati."""
+    base = simulate(ctx, ExitPolicy(), t_lo=t_lo, t_hi=t_hi)
+    return {r["i"]: r["ret"] for r in base["_trades"]}
+
+
+def _stop_breakdown(ctx, policy, t_lo=None, t_hi=None):
+    """Esegue la policy e analizza SOLO i trade con reason=='stop'.
+    Ritorna (n_stop, n_winner_killed, n_loser_cut, dettaglio_list)."""
+    res = simulate(ctx, policy, t_lo=t_lo, t_hi=t_hi)
+    base_ret = _baseline_ret_by_entry(ctx, t_lo=t_lo, t_hi=t_hi)
+    killed = cut = 0
+    detail = []
+    for r in res["_trades"]:
+        if r["reason"] != "stop":
+            continue
+        br = base_ret.get(r["i"])
+        would_win = (br is not None and br > 0)
+        killed += would_win
+        cut += (not would_win)
+        detail.append((r["i"], r["d"], r["ret"], br, would_win))
+    return res, len(detail), killed, cut, detail
+
+
+def main():
+    sleeves = load_sleeves()
+
+    # baseline orizzonte puro
+    base = {}
+    for a in ("BTC", "ETH"):
+        ctx = sleeves[a]
+        base[a] = {
+            "train": simulate(ctx, ExitPolicy(), t_hi=OOS_START_MS),
+            "oos": simulate(ctx, ExitPolicy(), t_lo=OOS_START_MS),
+        }
+
+    print("=" * 118)
+    print("BASELINE (exit orizzonte puro):")
+    for a in ("BTC", "ETH"):
+        print(f"  {a} TRAIN {_fmt(base[a]['train'])}")
+        print(f"  {a} OOS   {_fmt(base[a]['oos'])}")
+
+    print("=" * 118)
+    print("GRID — TRAIN ONLY (selezione parametri):")
+    train_res = {}
+    for k in GRID:
+        pol = DisasterWideClose(k)
+        row = {}
+        for a in ("BTC", "ETH"):
+            row[a] = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+        train_res[k] = row
+        print(f"  k={k:>3g} | BTC {_fmt(row['BTC'])}")
+        print(f"          | ETH {_fmt(row['ETH'])}")
+
+    # ---- breakdown dei trade stoppati (TRAIN), per la domanda "minimal intervention"
+    print("=" * 118)
+    print("STOP BREAKDOWN — TRAIN (chi viene tagliato? winner uccisi vs loser tagliati):")
+    for k in GRID:
+        pol = DisasterWideClose(k)
+        for a in ("BTC", "ETH"):
+            ctx = sleeves[a]
+            res, ns, killed, cut, detail = _stop_breakdown(ctx, pol, t_hi=OOS_START_MS)
+            print(f"  k={k:>3g} {a} TRAIN: stop n={ns:>2d}/{res['trades']} "
+                  f"({res['stop_rate']:.1f}%) -> loser_tagliati={cut}  winner_UCCISI={killed}")
+            for (i, d, ret, br, ww) in detail:
+                tag = "WINNER-KILLED" if ww else "loser-cut"
+                brs = f"{br*100:>+6.1f}%" if br is not None else "  n/a "
+                print(f"        i={i:>6d} d={d:>+d} stop_ret={ret*100:>+6.1f}% "
+                      f"baseline_ret={brs}  [{tag}]")
+
+    # ---- verdetto OOS (config scelta + vicine, guardato una volta)
+    print("=" * 118)
+    print("OOS (verdetto):")
+    for k in GRID:
+        pol = DisasterWideClose(k)
+        print(f"  k={k:>3g} | BTC TRAIN {_fmt(train_res[k]['BTC'])}")
+        for a in ("BTC", "ETH"):
+            oo = simulate(sleeves[a], pol, t_lo=OOS_START_MS)
+            print(f"          | {a} OOS   {_fmt(oo)}")
+    print("=" * 118)
+    print("STOP BREAKDOWN — OOS:")
+    for k in GRID:
+        pol = DisasterWideClose(k)
+        for a in ("BTC", "ETH"):
+            ctx = sleeves[a]
+            res, ns, killed, cut, detail = _stop_breakdown(ctx, pol, t_lo=OOS_START_MS)
+            print(f"  k={k:>3g} {a} OOS  : stop n={ns:>2d}/{res['trades']} "
+                  f"({res['stop_rate']:.1f}%) -> loser_tagliati={cut}  winner_UCCISI={killed}")
+            for (i, d, ret, br, ww) in detail:
+                tag = "WINNER-KILLED" if ww else "loser-cut"
+                brs = f"{br*100:>+6.1f}%" if br is not None else "  n/a "
+                print(f"        i={i:>6d} d={d:>+d} stop_ret={ret*100:>+6.1f}% "
+                      f"baseline_ret={brs}  [{tag}]")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/09_swing_stop.py

@@ -0,0 +1,256 @@
+"""SH01 EXIT policy 09 — swing_stop.
+
+Stop STRUTTURALE sullo swing recente, fissato all'ingresso:
+    long : sl = min(low[i-N+1 .. i]) - pad * ATR14[i]
+    short: sl = max(high[i-N+1 .. i]) + pad * ATR14[i]
+Specchiato per d=-1. Il livello e' congelato in open_trade (SOLO dati <= i:
+low/high della finestra fino a i incluso, ATR14[i] noto a close[i]). levels()
+restituisce quel livello costante per tutta la vita del trade -> nessun dato del
+bar j -> anti-look-ahead OK.
+
+Idea: invece di uno stop a distanza fissa (ATR/%), ancora lo stop alla STRUTTURA
+del prezzo (minimo/massimo dello swing recente). Un long viene stoppato solo se
+rompe il supporto strutturale che lo ha generato; il pad in ATR da' un cuscinetto
+sotto il livello per evitare i wick (mode intrabar) o per richiedere conferma sul
+close (mode close, stile EXIT-16).
+
+Griglia: N in {6, 12, 24} x pad in {0.0, 0.25, 0.5} x mode {intrabar, close}.
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/09_swing_stop.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, OOS_START_MS, evaluate, load_sleeves, simulate,
+)
+
+
+class SwingStop(ExitPolicy):
+    def __init__(self, n: int, pad: float, mode: str):
+        self.n = int(n)
+        self.pad = float(pad)
+        self.mode = str(mode)
+        self.name = f"swing n={n} pad={pad:.2f} {mode}"
+
+    def open_trade(self, ctx, i, d):
+        lo, hi = ctx["low"], ctx["high"]
+        atr = ctx["atr14"][i]
+        lo0 = max(0, i - self.n + 1)
+        if atr != atr or atr <= 0:           # nan/0 (early bars) -> nessuno stop
+            return {"sl": None}
+        if d == 1:
+            swing = float(lo[lo0:i + 1].min())
+            sl = swing - self.pad * atr
+        else:
+            swing = float(hi[lo0:i + 1].max())
+            sl = swing + self.pad * atr
+        return {"sl": sl}
+
+    def levels(self, ctx, i, d, j, st):
+        return st["sl"], self.mode
+
+    def after_bar(self, ctx, i, d, j, st):
+        return False
+
+
+# baseline numbers (exit a orizzonte puro) — dal prompt/harness
+BASELINE = {
+    "BTC": {"train": dict(ret=127, dd=23, sharpe=2.09, worst=-5.5),
+            "oos":   dict(ret=41, dd=8, sharpe=2.18, worst=-3.1)},
+    "ETH": {"train": dict(ret=-26, dd=61, sharpe=-0.16, worst=-14.9),
+            "oos":   dict(ret=143, dd=7, sharpe=3.60, worst=-4.6)},
+}
+
+NS = [6, 12, 24]
+PADS = [0.0, 0.25, 0.5]
+MODES = ["intrabar", "close"]
+
+
+def _row(tag, a, r):
+    print(f"    {tag:<10s} {a}: ret={r['ret']:>+7.0f}% dd={r['dd']:>4.0f}% "
+          f"shrp={r['sharpe']:>5.2f} worst={r['worst']:>+5.1f}% "
+          f"stop={r['stop_rate']:>4.1f}% trades={r['trades']}")
+
+
+def _eth_ok(et, b_eth):
+    return (et["sharpe"] > b_eth["sharpe"] and et["dd"] < b_eth["dd"]
+            and et["worst"] > b_eth["worst"])
+
+
+def _btc_ok(bt, b_btc):
+    return (bt["sharpe"] >= 0.95 * b_btc["sharpe"]
+            and bt["ret"] >= 0.80 * b_btc["ret"])
+
+
+def main():
+    sleeves = load_sleeves()
+    b_btc, b_eth = BASELINE["BTC"]["train"], BASELINE["ETH"]["train"]
+
+    print("=" * 78)
+    print("TRAIN GRID (selezione SOLO sul train, t_hi=OOS_START)")
+    print("=" * 78)
+    print("  baseline (orizzonte puro):")
+    evaluate(ExitPolicy(), sleeves=sleeves)
+    print()
+
+    # train: (mode, n, pad) -> {asset: result}
+    train = {}
+    for mode in MODES:
+        print(f"  --- mode={mode} ---")
+        for n in NS:
+            for pad in PADS:
+                pol = SwingStop(n, pad, mode)
+                row = {}
+                for a in ("BTC", "ETH"):
+                    row[a] = simulate(sleeves[a], pol, t_hi=OOS_START_MS)
+                train[(mode, n, pad)] = row
+                print(f"  n={n:<2d} pad={pad:.2f}")
+                _row("TRAIN", "BTC", row["BTC"])
+                _row("TRAIN", "ETH", row["ETH"])
+        print()
+
+    print("=" * 78)
+    print("PLATEAU CHECK (train): per ogni cella, ETH(shrp up & dd down & worst up)")
+    print("                       & BTC(shrp>=95% & ret>=80% baseline)")
+    print("=" * 78)
+    improving = []
+    grid_imp = {}  # (mode,n,pad) -> bool
+    for mode in MODES:
+        for n in NS:
+            for pad in PADS:
+                bt, et = train[(mode, n, pad)]["BTC"], train[(mode, n, pad)]["ETH"]
+                ok = _eth_ok(et, b_eth) and _btc_ok(bt, b_btc)
+                grid_imp[(mode, n, pad)] = ok
+                if ok:
+                    improving.append((mode, n, pad))
+                print(f"  {mode:<8s} n={n:<2d} pad={pad:.2f}  "
+                      f"ETH_ok={_eth_ok(et, b_eth)!s:<5} BTC_ok={_btc_ok(bt, b_btc)!s:<5} "
+                      f"-> {'IMPROVING' if ok else '-'}")
+    print(f"  improving cells (train): {len(improving)}/{len(train)} -> {improving}")
+
+    # PLATEAU = adiacenza nella griglia N x pad (stesso mode). Adiacenti = vicini
+    # nelle liste NS/PADS. Cerco il blocco contiguo piu' grande di celle improving.
+    def adjacent_block_size(mode):
+        cells = [(NS.index(n), PADS.index(p))
+                 for (m, n, p) in improving if m == mode]
+        cells_set = set(cells)
+        best = []
+        for start in cells:
+            # BFS sul reticolo 4-connesso
+            seen, stack = set(), [start]
+            while stack:
+                cur = stack.pop()
+                if cur in seen:
+                    continue
+                seen.add(cur)
+                ci, cj = cur
+                for di, dj in ((1, 0), (-1, 0), (0, 1), (0, -1)):
+                    nb = (ci + di, cj + dj)
+                    if nb in cells_set and nb not in seen:
+                        stack.append(nb)
+            if len(seen) > len(best):
+                best = list(seen)
+        return best
+
+    plateau_cells = []
+    plateau_mode = None
+    for mode in MODES:
+        blk = adjacent_block_size(mode)
+        if len(blk) > len(plateau_cells):
+            plateau_cells = blk
+            plateau_mode = mode
+    plateau_ok = len(plateau_cells) >= 3
+    if plateau_mode is not None:
+        readable = [(plateau_mode, NS[i], PADS[j]) for (i, j) in plateau_cells]
+    else:
+        readable = []
+    print(f"  largest adjacent improving block: {len(plateau_cells)} cells "
+          f"mode={plateau_mode} -> {readable} (plateau={'YES' if plateau_ok else 'NO'})")
+
+    # scelta: centro del plateau (miglior ETH sharpe fra le celle del blocco),
+    # altrimenti miglior ETH sharpe fra gli improving.
+    chosen = None
+    if plateau_ok:
+        chosen = max(readable, key=lambda c: train[c]["ETH"]["sharpe"])
+    elif improving:
+        chosen = max(improving, key=lambda c: train[c]["ETH"]["sharpe"])
+
+    print()
+    print("=" * 78)
+    if chosen is None:
+        print("NESSUNA cella migliorativa sul train -> verdetto NO (niente OOS).")
+        print("=" * 78)
+        return {"chosen": None, "plateau": readable, "improving": improving,
+                "passes": False}
+
+    print(f"CHOSEN {chosen} -> OOS (config + vicine), guardato UNA volta")
+    print("=" * 78)
+    mode, n, pad = chosen
+    # vicine: stesso mode, pad +-1 step e n +-1 step (se esistono e improving o no)
+    ni, pi = NS.index(n), PADS.index(pad)
+    neigh = set([chosen])
+    for di, dj in ((0, 0), (1, 0), (-1, 0), (0, 1), (0, -1)):
+        a, b = ni + di, pi + dj
+        if 0 <= a < len(NS) and 0 <= b < len(PADS):
+            neigh.add((mode, NS[a], PADS[b]))
+    oos = {}
+    for c in sorted(neigh, key=lambda c: (c[1], c[2])):
+        m, nn, pp = c
+        pol = SwingStop(nn, pp, m)
+        row = {}
+        for a in ("BTC", "ETH"):
+            row[a] = {"train": train[c][a],
+                      "oos": simulate(sleeves[a], pol, t_lo=OOS_START_MS)}
+        oos[c] = row
+        print(f"  {m} n={nn} pad={pp:.2f}")
+        _row("TRAIN", "BTC", row["BTC"]["train"])
+        _row("OOS", "BTC", row["BTC"]["oos"])
+        _row("TRAIN", "ETH", row["ETH"]["train"])
+        _row("OOS", "ETH", row["ETH"]["oos"])
+
+    print()
+    print("=" * 78)
+    print(f"GATE finale ({chosen}):")
+    bt_tr, et_tr = oos[chosen]["BTC"]["train"], oos[chosen]["ETH"]["train"]
+    bt_oo, et_oo = oos[chosen]["BTC"]["oos"], oos[chosen]["ETH"]["oos"]
+    Bb_o, Be_o = BASELINE["BTC"]["oos"], BASELINE["ETH"]["oos"]
+
+    a_train = _eth_ok(et_tr, b_eth)
+    a_oos = (et_oo["sharpe"] > Be_o["sharpe"] and et_oo["dd"] < Be_o["dd"]
+             and et_oo["worst"] > Be_o["worst"])
+    cond_a = a_train and a_oos
+    cond_b = _btc_ok(bt_tr, b_btc) and (bt_oo["sharpe"] >= 0.95 * Bb_o["sharpe"]
+                                        and bt_oo["ret"] >= 0.80 * Bb_o["ret"])
+    cond_c = et_oo["ret"] >= 0.80 * Be_o["ret"]
+    cond_d = plateau_ok
+
+    print(f"  a) ETH sharpe up & dd down & worst up (train&oos): {cond_a}")
+    print(f"     train: shrp {et_tr['sharpe']:.2f} vs {b_eth['sharpe']:.2f} | "
+          f"dd {et_tr['dd']:.0f} vs {b_eth['dd']:.0f} | "
+          f"worst {et_tr['worst']:.1f} vs {b_eth['worst']:.1f}")
+    print(f"     oos:   shrp {et_oo['sharpe']:.2f} vs {Be_o['sharpe']:.2f} | "
+          f"dd {et_oo['dd']:.0f} vs {Be_o['dd']:.0f} | "
+          f"worst {et_oo['worst']:.1f} vs {Be_o['worst']:.1f}")
+    print(f"  b) BTC sharpe>=95% & ret>=80% (train&oos): {cond_b}")
+    print(f"     train: shrp {bt_tr['sharpe']:.2f} (>={0.95*b_btc['sharpe']:.2f}) | "
+          f"ret {bt_tr['ret']:.0f} (>={0.80*b_btc['ret']:.0f})")
+    print(f"     oos:   shrp {bt_oo['sharpe']:.2f} (>={0.95*Bb_o['sharpe']:.2f}) | "
+          f"ret {bt_oo['ret']:.0f} (>={0.80*Bb_o['ret']:.0f})")
+    print(f"  c) ETH oos ret>=80% baseline ({0.80*Be_o['ret']:.0f}): {cond_c} "
+          f"(ret={et_oo['ret']:.0f})")
+    print(f"  d) plateau: {cond_d} ({len(plateau_cells)} cells)")
+    passes = cond_a and cond_b and cond_c and cond_d
+    print(f"  PASSES GATE: {passes}")
+    print("=" * 78)
+
+    return {"chosen": chosen, "plateau": readable, "improving": improving,
+            "passes": passes, "oos": oos,
+            "conds": (cond_a, cond_b, cond_c, cond_d)}
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/10_vol_regime_stop.py

@@ -0,0 +1,157 @@
+"""SH01 EXIT POLICY 10 — vol_regime_stop.
+
+Stop CONDIZIONALE al regime di volatilita': lo SL esiste solo quando la vol
+sta esplodendo. Razionale: il danno (2020 ETH, crash live 2026-06-05) avviene
+in vol-expansion; quando la vol e' normale lo SL taglierebbe winner in
+drawdown temporaneo (l'edge SH01 e' nell'asimmetria, win ~50%).
+
+Regime causale: vr[j] = ATR14[j] / SMA100(ATR14)[j]. Nel bar j si guarda
+vr[j-1] (dati <= j-1). Se vr[j-1] > r -> SL = entry - d*k1*ATR14[i]
+(ATR all'entry = dati <= i). Altrimenti nessuno stop.
+
+  r    in {1.2, 1.5}
+  k1   in {1.5, 2.0, 3.0}
+  mode in {intrabar, close}
+
+ANTI-LOOK-AHEAD:
+  - vr e' un array precomputato module-level (SMA100 causale, no centering).
+  - levels(j) usa vr[j-1] e atr14[i] (entry), entrambi <= j-1.
+  - mode "close": stop solo se il CLOSE sfonda (stile EXIT-16).
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+import numpy as np
+
+from scripts.analysis.sh01_exit_lab import (
+    ExitPolicy, evaluate, load_sleeves, simulate, OOS_START_MS,
+)
+
+_VR_CACHE: dict[int, np.ndarray] = {}
+
+
+def _vol_ratio(atr14: np.ndarray, win: int = 100) -> np.ndarray:
+    """vr[j] = atr14[j] / SMA(atr14, win)[j], causale. NaN dove non definito."""
+    key = id(atr14)
+    if key in _VR_CACHE:
+        return _VR_CACHE[key]
+    a = np.asarray(atr14, dtype=float)
+    n = len(a)
+    sma = np.full(n, np.nan)
+    # rolling mean causale (include il bar corrente j: e' OK perche' in levels
+    # consumiamo vr[j-1], cioe' dati fino a j-1).
+    csum = np.nancumsum(np.where(np.isnan(a), 0.0, a))
+    cnt = np.cumsum(~np.isnan(a))
+    for j in range(n):
+        lo = j - win + 1
+        if lo < 0:
+            continue
+        s = csum[j] - (csum[lo - 1] if lo > 0 else 0.0)
+        k = cnt[j] - (cnt[lo - 1] if lo > 0 else 0)
+        if k > 0:
+            sma[j] = s / k
+    vr = np.where((sma > 0) & ~np.isnan(a), a / sma, np.nan)
+    _VR_CACHE[key] = vr
+    return vr
+
+
+class VolRegimeStop(ExitPolicy):
+    def __init__(self, r: float, k1: float, mode: str):
+        self.r = float(r)
+        self.k1 = float(k1)
+        self.mode = mode
+        self.name = f"volreg r{r} k{k1} {mode[:3]}"
+
+    def open_trade(self, ctx: dict, i: int, d: int) -> dict:
+        atr_i = ctx["atr14"][i]
+        if not np.isfinite(atr_i) or atr_i <= 0:
+            atr_i = 0.0
+        return {"vr": _vol_ratio(ctx["atr14"]), "atr_i": float(atr_i)}
+
+    def levels(self, ctx: dict, i: int, d: int, j: int, st: dict):
+        if j - 1 < 0:
+            return None, self.mode
+        vr_prev = st["vr"][j - 1]
+        if not np.isfinite(vr_prev) or vr_prev <= self.r:
+            return None, self.mode          # regime calmo -> nessuno stop
+        atr_i = st["atr_i"]
+        if atr_i <= 0:
+            return None, self.mode
+        entry = ctx["close"][i]
+        sl = entry - d * self.k1 * atr_i
+        return sl, self.mode
+
+
+# ----------------------------------------------------------------------------- grid
+
+def _fmt(m: dict) -> str:
+    return (f"ret={m['ret']:>+7.0f}% dd={m['dd']:>4.0f}% shrp={m['sharpe']:>5.2f} "
+            f"worst={m['worst']:>+5.1f}% stop={m['stop_rate']:>4.1f}%")
+
+
+def main():
+    sleeves = load_sleeves()
+
+    # baseline
+    print("=== BASELINE (orizzonte puro) ===")
+    base = {}
+    for a in ("BTC", "ETH"):
+        ctx = sleeves[a]
+        tr = simulate(ctx, ExitPolicy(), t_hi=OOS_START_MS)
+        oo = simulate(ctx, ExitPolicy(), t_lo=OOS_START_MS)
+        base[a] = {"train": tr, "oos": oo}
+        print(f"  {a} TRAIN {_fmt(tr)}")
+        print(f"  {a} OOS   {_fmt(oo)}")
+
+    rs = [1.2, 1.5]
+    ks = [1.5, 2.0, 3.0]
+    modes = ["intrabar", "close"]
+
+    print("\n=== GRID (TRAIN only) ===")
+    grid = {}
+    for mode in modes:
+        print(f"\n--- mode={mode} ---")
+        for r in rs:
+            for k1 in ks:
+                pol = VolRegimeStop(r, k1, mode)
+                btc = simulate(sleeves["BTC"], pol, t_hi=OOS_START_MS)
+                eth = simulate(sleeves["ETH"], pol, t_hi=OOS_START_MS)
+                grid[(mode, r, k1)] = (btc, eth)
+                print(f"  r={r} k1={k1}: BTC {_fmt(btc)} | ETH {_fmt(eth)}")
+
+    # plateau check sul train: cella migliorativa se
+    #   ETH sharpe up & dd down & worst less-neg, BTC sharpe>=95% & ret>=80%
+    bB_tr = base["BTC"]["train"]; bE_tr = base["ETH"]["train"]
+    print("\n=== TRAIN improvement map (cell = ETH sh^ dd_v worst^ AND BTC ok) ===")
+    improved = {}
+    for key, (btc, eth) in grid.items():
+        eth_ok = (eth["sharpe"] > bE_tr["sharpe"] and eth["dd"] < bE_tr["dd"]
+                  and eth["worst"] > bE_tr["worst"])
+        btc_ok = (btc["sharpe"] >= 0.95 * bB_tr["sharpe"]
+                  and btc["ret"] >= 0.80 * bB_tr["ret"])
+        improved[key] = eth_ok and btc_ok
+        flag = "YES" if improved[key] else " . "
+        print(f"  {key}: {flag}  (ethSh {eth['sharpe']:+.2f} vs {bE_tr['sharpe']:+.2f}, "
+              f"ethDD {eth['dd']:.0f} vs {bE_tr['dd']:.0f}, ethW {eth['worst']:+.1f} vs {bE_tr['worst']:+.1f}, "
+              f"btcSh {btc['sharpe']:.2f} btcRet {btc['ret']:+.0f})")
+
+    n_imp = sum(improved.values())
+    print(f"\nTRAIN improving cells: {n_imp}/{len(grid)}")
+
+    # OOS verdict on improving cells (guardato UNA volta)
+    print("\n=== OOS verdict (improving train cells) ===")
+    for key, ok in improved.items():
+        if not ok:
+            continue
+        mode, r, k1 = key
+        pol = VolRegimeStop(r, k1, mode)
+        btc = simulate(sleeves["BTC"], pol, t_lo=OOS_START_MS)
+        eth = simulate(sleeves["ETH"], pol, t_lo=OOS_START_MS)
+        print(f"  {key}: BTC {_fmt(btc)} | ETH {_fmt(eth)}")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/sh01_exit_policies/11_disaster_wide_intrabar.py

@@ -0,0 +1,105 @@
+"""SH01 EXIT policy 11 — disaster_wide_intrabar (COMPLETENESS PROBE).
+
+Le 10 policy precedenti hanno tutte fallito. Diagnosi ricorrente:
+ - close-confirm (02,08) ALLARGA la coda su momentum-continuation (caso live
+   ETH 2026-06-05): il close corre oltre il livello.
+ - intrabar fisso (01) cappa AL livello (worst limitato) ma degrada BTC anche a k=5.
+
+QUESTA probe chiude il buco: intrabar cap MOLTO LARGO (k=6..12), gap-aware,
+il cui UNICO scopo e' tagliare la coda catastrofica (la -14.9% ETH / il crash
+live -15.6%) SENZA mai toccare i normali pullback. E' la domanda diretta:
+"esiste un k cosi' largo che NON tocca BTC ma cappa la coda ETH?".
+
+Anti-look-ahead: sl = entry - d*k*ATR14[i], congelato in open_trade (dati<=i);
+levels restituisce il livello costante, fill gap-aware nell'engine. mode=intrabar
+cappa AL livello (a differenza del close-confirm che lascia correre il close).
+
+    cd /opt/docker/PythagorasGoal && uv run python scripts/analysis/sh01_exit_policies/11_disaster_wide_intrabar.py
+"""
+from __future__ import annotations
+
+import sys
+
+sys.path.insert(0, "/opt/docker/PythagorasGoal")
+
+from scripts.analysis.sh01_exit_lab import (  # noqa: E402
+    ExitPolicy, OOS_START_MS, load_sleeves, simulate,
+)
+
+
+class DisasterWideIntrabar(ExitPolicy):
+    def __init__(self, k: float):
+        self.k = float(k)
+        self.name = f"disaster_wide_intrabar k={k:.1f}"
+
+    def open_trade(self, ctx, i, d):
+        atr = ctx["atr14"][i]
+        entry = ctx["close"][i]
+        sl = entry - d * self.k * atr if atr == atr and atr > 0 else None
+        return {"sl": sl}
+
+    def levels(self, ctx, i, d, j, st):
+        return st["sl"], "intrabar"
+
+
+BASELINE = {
+    "BTC": {"train": dict(ret=127, dd=23, sharpe=2.09, worst=-5.5),
+            "oos":   dict(ret=41, dd=8, sharpe=2.18, worst=-3.1)},
+    "ETH": {"train": dict(ret=-26, dd=61, sharpe=-0.16, worst=-14.9),
+            "oos":   dict(ret=143, dd=7, sharpe=3.60, worst=-4.6)},
+}
+
+
+def _row(tag, a, r):
+    print(f"    {tag:<7s} {a}: ret={r['ret']:>+7.0f}% dd={r['dd']:>4.0f}% "
+          f"shrp={r['sharpe']:>5.2f} worst={r['worst']:>+6.1f}% "
+          f"stop={r['stop_rate']:>4.1f}% trades={r['trades']}")
+
+
+def main():
+    sleeves = load_sleeves()
+    KS = [5.0, 6.0, 7.0, 8.0, 10.0, 12.0]
+
+    print("=" * 78)
+    print("TRAIN GRID (intrabar cap LARGO, fill gap-aware)")
+    print("=" * 78)
+    train = {}
+    for k in KS:
+        pol = DisasterWideIntrabar(k)
+        row = {a: simulate(sleeves[a], pol, t_hi=OOS_START_MS) for a in ("BTC", "ETH")}
+        train[k] = row
+        print(f"  k={k:.1f}")
+        _row("TRAIN", "BTC", row["BTC"])
+        _row("TRAIN", "ETH", row["ETH"])
+
+    b_btc, b_eth = BASELINE["BTC"]["train"], BASELINE["ETH"]["train"]
+    improving = []
+    for k in KS:
+        bt, et = train[k]["BTC"], train[k]["ETH"]
+        eth_ok = (et["sharpe"] > b_eth["sharpe"] and et["dd"] < b_eth["dd"]
+                  and et["worst"] > b_eth["worst"])
+        btc_ok = (bt["sharpe"] >= 0.95 * b_btc["sharpe"]
+                  and bt["ret"] >= 0.80 * b_btc["ret"])
+        if eth_ok and btc_ok:
+            improving.append(k)
+        print(f"  k={k:.1f} ETH_ok={eth_ok} BTC_ok={btc_ok} "
+              f"(BTC shrp={bt['sharpe']:.2f} ret={bt['ret']:.0f} | "
+              f"ETH shrp={et['sharpe']:.2f} dd={et['dd']:.0f} worst={et['worst']:.1f})")
+    print(f"\n  improving cells (train): {improving}")
+
+    if not improving:
+        print("  -> NESSUNA cella migliorativa: NO pulito, OOS non guardato.")
+        return
+
+    # plateau >=3 adiacenti? poi OOS
+    print("\n  Plateau candidate -> OOS verdetto:")
+    for k in improving:
+        oos = {a: simulate(sleeves[a], DisasterWideIntrabar(k), t_lo=OOS_START_MS)
+               for a in ("BTC", "ETH")}
+        print(f"  k={k:.1f}")
+        _row("OOS", "BTC", oos["BTC"])
+        _row("OOS", "ETH", oos["ETH"])
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/shape_analog_research.py

@@ -0,0 +1,177 @@
+"""Ricerca sistematica edge nella FORMA (analog forecasting / kNN) — netto fee, OOS.
+
+Obiettivo: trovare una config di analog forecasting ROBUSTA, cioe' positiva
+FULL+OOS, che regge fee 0.20% RT e ha quasi tutti gli anni positivi, su >=2 asset.
+Si combatte la "morte per fee" della baseline (BTC1h W24H12K50 agree0.60:
+FULL +112%/OOS +48% Sharpe 1.38 ma a 0.2% RT -> FULL -72 / OOS -18, win 49.5%,
+esposizione 73.9%, 4531 trade) con SELETTIVITA':
+  - agree alto (0.70..0.90)  -> entra solo con analoghi molto concordi
+  - conf_atr > 0             -> richiede |rendimento medio analoghi| >= conf_atr*ATR
+  - trend_max/ema_long       -> salta forme in trend estremo
+  - tp_atr/sl_atr            -> exit intrabar invece che solo a tempo
+
+Tutto causale: la forma usa solo close<=i, la libreria analoghi termina < i-H.
+Per performance, il forecast kNN grezzo per barra si calcola UNA volta per
+(W,H,K,rebuild) con analog_signals(); i filtri (agree/conf/trend/tp/sl) sono
+applicati a valle con entries_from_signals() (cheap, risultato identico ad
+analog_entries — verificato). Engine netto-fee + OOS da explore_lab.
+
+Uso:
+    uv run python scripts/analysis/shape_analog_research.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.shape_lab import (  # noqa: E402
+    analog_signals, entries_from_signals, check_no_lookahead,
+)
+from scripts.analysis.explore_lab import get_df, evaluate, robust  # noqa: E402
+
+ROBUSTE: list[tuple] = []
+MIN_TRADES = 100   # un edge "robusto" su <100 trade e' rumore campionario, non edge
+
+
+def _hdr(s: str) -> None:
+    print("\n" + "=" * 100, flush=True)
+    print("  " + s, flush=True)
+    print("=" * 100, flush=True)
+
+
+def _eval(df, sig, asset, tf, tag, **filt):
+    ents = entries_from_signals(df, sig, **filt)
+    res = evaluate(f"[{asset} {tf}] {tag}", ents, df)
+    # robusto E con campione sufficiente (un edge su <100 trade non e' affidabile)
+    if robust(res) and res["full"]["trades"] >= MIN_TRADES:
+        print(f"      ^^^ ROBUSTA ({asset} {tf}): {tag}  filt={filt}", flush=True)
+        ROBUSTE.append((asset, tf, tag, dict(filt), res))
+    elif robust(res):
+        print(f"      (robust ma trade={res['full']['trades']}<{MIN_TRADES}: campione "
+              f"insufficiente, ignorato)", flush=True)
+    return res
+
+
+def run():
+    # --- 0) sanity no-lookahead ---------------------------------------------
+    _hdr("0) SANITY no-lookahead (forma causale)")
+    df_btc = get_df("BTC", "1h")
+    check_no_lookahead(df_btc, W=24, H=12)
+
+    # sig base W24H12K50 (riusato per selettivita' agree/conf/tp/sl/trend)
+    sig0 = analog_signals(df_btc, W=24, H=12, K=50, rebuild=250)
+
+    # --- 1) selettivita' via agree ------------------------------------------
+    _hdr("1) BTC 1h — selettivita' agree (W24 H12 K50, time-exit)")
+    for ag in (0.60, 0.70, 0.80, 0.90):
+        _eval(df_btc, sig0, "BTC", "1h", f"agree{ag}", agree=ag)
+
+    # --- 2) conf_atr (forza segnale) ----------------------------------------
+    _hdr("2) BTC 1h — conf_atr (W24 H12 K50 agree0.70)")
+    for ca in (0.0, 0.25, 0.5, 1.0, 1.5):
+        _eval(df_btc, sig0, "BTC", "1h", f"ag0.70 conf{ca}", agree=0.70, conf_atr=ca)
+
+    # --- 3) tp/sl intrabar ---------------------------------------------------
+    _hdr("3) BTC 1h — exit intrabar tp/sl (W24 H12 K50 agree0.70 conf0.5)")
+    for tp, sl in [(1.0, 1.0), (1.5, 1.0), (2.0, 1.5), (1.5, 2.0), (3.0, 2.0)]:
+        _eval(df_btc, sig0, "BTC", "1h", f"tp{tp}sl{sl}",
+              agree=0.70, conf_atr=0.5, tp_atr=tp, sl_atr=sl)
+
+    # --- 4) filtro trend -----------------------------------------------------
+    _hdr("4) BTC 1h — filtro trend_max (W24 H12 K50 agree0.70 conf0.5)")
+    for tm in (None, 2.0, 3.0, 4.0):
+        _eval(df_btc, sig0, "BTC", "1h", f"trend_max{tm}",
+              agree=0.70, conf_atr=0.5, trend_max=tm, ema_long=200)
+
+    # --- 5) griglia W/H/K (agree0.80, time-exit) plateau ---------------------
+    # Griglia focalizzata: con agree0.80 e H>=24 i trade -> ~0 (vedi sez.1), e W>=24
+    # porta OOS negativo; il segnale vive su W piccolo, H breve. Testo il plateau
+    # attorno a quella regione + una banda di controllo (W24/48) per confermare il bordo.
+    _hdr("5) BTC 1h — griglia W/H/K (agree0.80, time-exit) — plateau check")
+    for W in (12, 24, 48):
+        for H in (6, 12, 24):
+            for K in (30, 50, 80):
+                sig = analog_signals(df_btc, W=W, H=H, K=K, rebuild=250)
+                _eval(df_btc, sig, "BTC", "1h", f"W{W}H{H}K{K}", agree=0.80)
+
+    # --- 6) rebuild sensitivity ---------------------------------------------
+    _hdr("6) BTC 1h — rebuild 250 vs 500 (W24 H12 K80 agree0.80)")
+    for rb in (250, 500):
+        sig = analog_signals(df_btc, W=24, H=12, K=80, rebuild=rb)
+        _eval(df_btc, sig, "BTC", "1h", f"rebuild{rb}", agree=0.80)
+
+    # --- 7) cross-asset 1h: candidati selettivi -----------------------------
+    _hdr("7) cross-asset 1h — candidati selettivi (>=2 robusti richiesto)")
+    # (build_kw: per analog_signals)  (filt: per entries_from_signals)
+    # Su BTC 1h le uniche regioni con OOS positivo che regge fee0.2% sono W piccolo,
+    # H breve, K basso (W12H12K30: FULL+88/OOS+36, fee0.2% +69/+32, 243 trade, 8/9 anni;
+    # W12H6K30: +35/+11, fee0.2% +20/+7). conf0.25 con W24H12 e' il miglior in-sample
+    # ma OOS@fee~0. Verifico questi candidati cross-asset (>=2 robusti richiesto).
+    candidates = [
+        ("C1 W12H12K30 ag.80",          dict(W=12, H=12, K=30), dict(agree=0.80)),
+        ("C2 W12H6K30 ag.80",           dict(W=12, H=6,  K=30), dict(agree=0.80)),
+        ("C3 W12H12K30 ag.70",          dict(W=12, H=12, K=30), dict(agree=0.70)),
+        ("C4 W24H12K50 ag.70 conf.25",  dict(W=24, H=12, K=50), dict(agree=0.70, conf_atr=0.25)),
+        ("C5 W12H12K30 ag.80 trend3",   dict(W=12, H=12, K=30), dict(agree=0.80, trend_max=3.0, ema_long=200)),
+        ("C6 W12H6K50 ag.70",           dict(W=12, H=6,  K=50), dict(agree=0.70)),
+    ]
+    per_cand: dict[str, int] = {}
+    for asset in ("BTC", "ETH", "ADA", "LTC", "SOL", "XRP"):
+        try:
+            df = get_df(asset, "1h")
+        except Exception as ex:
+            print(f"  [{asset} 1h] SKIP load: {ex}", flush=True)
+            continue
+        # cache analog_signals per ogni build_kw distinto su questo asset
+        sig_cache: dict[tuple, dict] = {}
+        for tag, bkw, filt in candidates:
+            key = tuple(sorted(bkw.items()))
+            if key not in sig_cache:
+                sig_cache[key] = analog_signals(df, rebuild=250, **bkw)
+            res = _eval(df, sig_cache[key], asset, "1h", tag, **filt)
+            if robust(res):
+                per_cand[tag] = per_cand.get(tag, 0) + 1
+
+    # --- 8) verifica 15m dei candidati robusti su >=2 asset 1h --------------
+    _hdr("8) verifica 15m dei candidati robusti su >=2 asset 1h")
+    good = [t for t, c in per_cand.items() if c >= 2]
+    if not good:
+        print("  Nessun candidato robusto su >=2 asset 1h -> niente verifica 15m.", flush=True)
+    else:
+        for tag in good:
+            _, bkw, filt = next(c for c in candidates if c[0] == tag)
+            for asset in ("BTC", "ETH"):
+                try:
+                    df = get_df(asset, "15m")
+                except Exception as ex:
+                    print(f"  [{asset} 15m] SKIP load: {ex}", flush=True)
+                    continue
+                sig = analog_signals(df, rebuild=250, **bkw)
+                _eval(df, sig, asset, "15m", f"{tag} (15m)", **filt)
+
+    # --- VERDETTO ------------------------------------------------------------
+    _hdr("VERDETTO")
+    if ROBUSTE:
+        agg: dict[str, list] = {}
+        for asset, tf, tag, filt, res in ROBUSTE:
+            agg.setdefault(tag, []).append(f"{asset}/{tf}")
+        print(f"  {len(ROBUSTE)} sleeve robusti (FULL+OOS+ fee0.2% + anniPos):", flush=True)
+        edge = False
+        for tag, asl in agg.items():
+            n_assets = len({a.split('/')[0] for a in asl})
+            mark = "  *** EDGE (>=2 asset)" if n_assets >= 2 else "  (1 asset: non sufficiente)"
+            if n_assets >= 2:
+                edge = True
+            print(f"    - {tag}: {asl}{mark}", flush=True)
+        if not edge:
+            print("\n  CONCLUSIONE: nessuna config robusta su >=2 asset -> RUMORE.", flush=True)
+    else:
+        print("  NESSUNA config robusta. Famiglia analog/forma = RUMORE sotto fee reali.", flush=True)
+    return ROBUSTE
+
+
+if __name__ == "__main__":
+    run()

scripts/analysis/shape_candle_research.py

@@ -0,0 +1,328 @@
+"""Edge nella FORMA discreta delle candele -> distribuzione condizionale dell'esito.
+
+Famiglia: encoding DISCRETO della morfologia di una finestra di L candele
+(sequenza UP/DOWN/DOJI, opzionalmente arricchita con bucket di body-ratio e
+shadow-ratio) -> codice intero. Per ogni codice si stima la distribuzione del
+rendimento a H barre usando SOLO le occorrenze PASSATE il cui esito era gia'
+realizzato prima della barra di decisione i (expanding window causale). Se un
+codice mostra bias direzionale forte e statisticamente solido (n campioni >=
+soglia, win-rate o |media| oltre soglia) si ENTRA a close[i] nella direzione del
+bias; exit a H barre o TP/SL ATR.
+
+VINCOLI ANTI-LOOK-AHEAD (l'errore squeeze e' nato qui):
+  - il codice a i usa SOLO open/high/low/close fino alla barra i inclusa;
+  - la statistica condizionale a i conta SOLO occorrenze del codice terminate in
+    e con e+H <= i-1 -> il loro esito H e' interamente noto PRIMA di i;
+  - direzione decisa dal CODICE (forma fino a close[i]) + STATISTICHE PASSATE,
+    ingresso eseguibile a close[i].
+  - check_no_lookahead() perturba il futuro: ne' il codice a i ne' le stat usate
+    devono cambiare.
+
+Riusa l'engine netto-fee + OOS di explore_lab (simulate/evaluate/robust).
+Implementazione causale O(N) per codice via accumulatori incrementali (niente
+ricalcolo dell'intera storia ad ogni barra).
+
+Asset: ADA BNB BTC DOGE ETH LTC SOL XRP (1h, 15m). Default 1h.
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import (  # noqa: E402
+    get_df, evaluate, robust, simulate, atr, OOS_FRAC,
+)
+
+
+# --------------------------- encoding discreto della forma ---------------------------
+def candle_codes(df, L: int, body_buckets: int = 1, shadow_buckets: int = 1) -> np.ndarray:
+    """Codice intero della forma per la finestra di L candele terminante in i.
+
+    Componenti per ogni candela:
+      - direzione UP/DOWN/DOJI (sempre): 3 stati.
+      - bucket del body-ratio |c-o|/(h-l) (se body_buckets>1): quantizzazione fissa
+        in body_buckets livelli (corpo piccolo/medio/grande...).
+      - bucket dello shadow-ratio (h-max(o,c)-(min(o,c)-l))/(h-l) in [-1,1]
+        (se shadow_buckets>1): ombra sup vs inf.
+
+    Quantizzazione a SOGLIE FISSE (non quantili): non dipende dal futuro ne' dal
+    dataset globale -> causale per costruzione. codes[i] dipende solo da
+    barre [i-L+1 .. i]. Per i < L-1 -> -1 (non valido).
+    """
+    o = df["open"].values; c = df["close"].values
+    h = df["high"].values; l = df["low"].values
+    n = len(c)
+    rng = np.where((h - l) == 0, 1e-12, h - l)
+
+    body = np.abs(c - o) / rng                       # [0,1]
+    direction = np.where(body < 0.1, 0,              # DOJI
+                         np.where(c > o, 1, 2))      # UP=1, DOWN=2 (3 stati: 0,1,2)
+    # shadow asymmetry in [-1,1]: >0 ombra sup dominante, <0 ombra inf
+    up_sh = (h - np.maximum(o, c)) / rng
+    lo_sh = (np.minimum(o, c) - l) / rng
+    shadow = up_sh - lo_sh
+
+    # bucket body (soglie fisse su frazioni del range): 0..body_buckets-1
+    if body_buckets > 1:
+        edges_b = np.linspace(0.0, 1.0, body_buckets + 1)[1:-1]
+        bbk = np.digitize(body, edges_b)             # 0..body_buckets-1
+    else:
+        bbk = np.zeros(n, dtype=int)
+    if shadow_buckets > 1:
+        edges_s = np.linspace(-1.0, 1.0, shadow_buckets + 1)[1:-1]
+        sbk = np.digitize(shadow, edges_s)
+    else:
+        sbk = np.zeros(n, dtype=int)
+
+    # simbolo per candela: dir * (body_buckets*shadow_buckets) + bbk*shadow_buckets + sbk
+    nbb, nsb = body_buckets, shadow_buckets
+    per_dir = nbb * nsb
+    sym = direction * per_dir + bbk * nsb + sbk      # 0 .. 3*per_dir-1
+    base = 3 * per_dir
+
+    codes = np.full(n, -1, dtype=np.int64)
+    # codice della finestra L: base-L polinomiale sui simboli [i-L+1 .. i]
+    acc = np.zeros(n, dtype=np.int64)
+    for k in range(L):
+        # contributo della candela a posizione (i-L+1+k): peso base**(L-1-k)
+        shifted = np.full(n, 0, dtype=np.int64)
+        shifted[L - 1 - k:] = sym[: n - (L - 1 - k)] if (L - 1 - k) > 0 else sym
+        acc += shifted * (base ** (L - 1 - k))
+    codes[L - 1:] = acc[L - 1:]
+    return codes
+
+
+def fwd_return(close: np.ndarray, H: int) -> np.ndarray:
+    out = np.full(len(close), np.nan)
+    out[: len(close) - H] = (close[H:] - close[:-H]) / close[:-H]
+    return out
+
+
+# --------------------------- stima condizionale causale ---------------------------
+def shape_entries(df, L=3, H=12, body_buckets=1, shadow_buckets=1,
+                  min_n=30, edge=0.55, min_lib=500,
+                  tp_atr=None, sl_atr=None, fade=False) -> list[dict]:
+    """Entries dal bias condizionale del codice di forma (causale, no look-ahead).
+
+    L: lunghezza finestra-forma. H: orizzonte = max_bars.
+    body_buckets/shadow_buckets: granularita' dell'encoding (1 = solo direzione).
+    min_n: occorrenze passate minime del codice (con esito noto) per fidarsi.
+    edge: win-rate minimo (frazione di esiti concordi col segno della media) per
+          entrare; |edge-0.5| e' il margine direzionale.
+    min_lib: barre minime di storia prima di iniziare a operare.
+    tp_atr/sl_atr: TP/SL in multipli di ATR (None = solo time-limit H).
+
+    Causalita': a barra di decisione i si aggiorna lo stato del codice della
+    finestra terminata in e = i-1-H (il cui esito fr[e] e' ora noto). Le statistiche
+    usate per decidere a i derivano quindi solo da occorrenze con e+H <= i-1.
+    """
+    close = df["close"].values
+    n = len(close)
+    a = atr(df, 14)
+    codes = candle_codes(df, L, body_buckets, shadow_buckets)
+    fr = fwd_return(close, H)
+
+    # accumulatori per codice: somma rendimenti, n positivi, n totali
+    from collections import defaultdict
+    cnt = defaultdict(int)
+    pos = defaultdict(int)
+    ssum = defaultdict(float)
+
+    entries: list[dict] = []
+    for i in range(min_lib, n - 1):
+        # aggiorna lo stato col codice la cui finestra termina in e = i-1-H
+        e = i - 1 - H
+        if e >= L - 1:
+            ce = codes[e]
+            re = fr[e]
+            if ce >= 0 and not np.isnan(re):
+                cnt[ce] += 1
+                pos[ce] += 1 if re > 0 else 0
+                ssum[ce] += re
+
+        ci = codes[i]
+        if ci < 0:
+            continue
+        ntot = cnt.get(ci, 0)
+        if ntot < min_n:
+            continue
+        mean = ssum[ci] / ntot
+        wr_up = pos[ci] / ntot                       # frazione esiti positivi nel passato
+        d = 1 if mean > 0 else -1
+        # win-rate nella direzione scelta
+        wr = wr_up if d == 1 else (1.0 - wr_up)
+        if wr < edge:
+            continue
+        if fade:
+            d = -d                                   # FADE: entra contro il bias storico
+        ent = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            ent["tp"] = close[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            ent["sl"] = close[i] - d * sl_atr * a[i]
+        entries.append(ent)
+    return entries
+
+
+# --------------------------- verifica no look-ahead ---------------------------
+def check_no_lookahead(df, L=3, H=12, body_buckets=2, shadow_buckets=2) -> bool:
+    """Perturbare il FUTURO (>i) non cambia (a) il codice a i, (b) le stat usate a i.
+
+    (a) codes[i] dipende solo da barre <= i.
+    (b) le entries fino a i (incluse) non cambiano se stravolgo le barre > i+1.
+    """
+    n = len(df)
+    i = n // 2
+    codes0 = candle_codes(df, L, body_buckets, shadow_buckets)
+    df2 = df.copy()
+    fut = slice(i + 1, n)
+    for col in ("open", "high", "low", "close"):
+        df2.loc[df2.index[i + 1:], col] = df2[col].values[i + 1:] * 1.5
+    codes1 = candle_codes(df2, L, body_buckets, shadow_buckets)
+    ok_code = bool(codes0[i] == codes1[i] and np.array_equal(codes0[: i + 1], codes1[: i + 1]))
+
+    # entries: confronta quelle con indice <= i-1-H (decise con stat tutte note prima del futuro)
+    e0 = shape_entries(df, L=L, H=H, body_buckets=body_buckets, shadow_buckets=shadow_buckets,
+                       min_n=5, edge=0.50, min_lib=200)
+    e1 = shape_entries(df2, L=L, H=H, body_buckets=body_buckets, shadow_buckets=shadow_buckets,
+                       min_n=5, edge=0.50, min_lib=200)
+    cutoff = i - 1 - H
+    s0 = {(x["i"], x["d"]) for x in e0 if x["i"] <= cutoff}
+    s1 = {(x["i"], x["d"]) for x in e1 if x["i"] <= cutoff}
+    ok_ent = (s0 == s1)
+    print(f"  no-lookahead codice a i={i}: {'OK' if ok_code else 'VIOLATO'}; "
+          f"entries<=i-1-H invarianti: {'OK' if ok_ent else 'VIOLATO'} "
+          f"({len(s0)} vs {len(s1)})")
+    return ok_code and ok_ent
+
+
+# --------------------------- run riproducibile ---------------------------
+def predictive_power(df, L=3, H=12, body_buckets=1, shadow_buckets=1, min_n=30, min_lib=500):
+    """Diagnostica ONESTA: la direzione predetta dal bias storico (causale) anticipa
+    il segno del rendimento realizzato? Misura hit-rate aggregato della predizione
+    (segno media passata del codice) vs realizzato, su tutte le barre operabili.
+    Niente fee: pura capacita' predittiva del codice di forma."""
+    close = df["close"].values
+    n = len(close)
+    codes = candle_codes(df, L, body_buckets, shadow_buckets)
+    fr = fwd_return(close, H)
+    from collections import defaultdict
+    cnt = defaultdict(int); pos = defaultdict(int); ssum = defaultdict(float)
+    hits = tot = 0
+    pred_ret = 0.0
+    for i in range(min_lib, n - 1):
+        e = i - 1 - H
+        if e >= L - 1:
+            ce = codes[e]; re = fr[e]
+            if ce >= 0 and not np.isnan(re):
+                cnt[ce] += 1; pos[ce] += 1 if re > 0 else 0; ssum[ce] += re
+        ci = codes[i]
+        if ci < 0 or cnt.get(ci, 0) < min_n or np.isnan(fr[i]):
+            continue
+        d = 1 if ssum[ci] / cnt[ci] > 0 else -1
+        actual = fr[i]
+        hits += (np.sign(actual) == d); tot += 1
+        pred_ret += d * actual                       # PnL teorico senza fee
+    hr = hits / tot * 100 if tot else 0.0
+    print(f"  predittivita' L{L}H{H} b{body_buckets}s{shadow_buckets}: "
+          f"hit={hr:.2f}% su {tot} (50%=rumore) | PnL_grezzo_noFee={pred_ret*100:+.0f}%")
+    return hr
+
+
+def run():
+    print("=" * 100)
+    print("  SHAPE_CANDLE_RESEARCH — encoding discreto forma -> bias condizionale | netto fee, OOS")
+    print("=" * 100)
+
+    df_btc = get_df("BTC", "1h")
+    print("\n[causalita']")
+    check_no_lookahead(df_btc, L=3, H=12, body_buckets=2, shadow_buckets=2)
+
+    # ----- sweep base BTC/ETH 1h: solo direzione (body=shadow=1) -----
+    print("\n[BTC/ETH 1h] solo direzione UP/DOWN/DOJI (body=1,shadow=1), time-exit a H:")
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        print(f"  -- {asset} 1h --")
+        for L in (2, 3, 4):
+            for H in (6, 12, 24):
+                ents = shape_entries(df, L=L, H=H, min_n=30, edge=0.55)
+                evaluate(f"dir L{L}H{H}", ents, df)
+
+    # ----- encoding arricchito body+shadow -----
+    print("\n[BTC/ETH 1h] encoding arricchito (body=2,shadow=2), time-exit a H:")
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        print(f"  -- {asset} 1h --")
+        for L in (2, 3):
+            for H in (6, 12, 24):
+                ents = shape_entries(df, L=L, H=H, body_buckets=2, shadow_buckets=2,
+                                     min_n=30, edge=0.55)
+                evaluate(f"rich L{L}H{H} b2s2", ents, df)
+
+    # ----- selettivita': soglie edge piu' alte, meno trade -----
+    print("\n[BTC/ETH 1h] selettivo (edge>=0.58, min_n>=50), dir-only:")
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        print(f"  -- {asset} 1h --")
+        for L in (3, 4, 5):
+            for H in (12, 24):
+                ents = shape_entries(df, L=L, H=H, min_n=50, edge=0.58)
+                evaluate(f"sel L{L}H{H} e58", ents, df)
+
+    # ----- con TP/SL ATR (gestione rischio) sui candidati piu' attivi -----
+    print("\n[BTC/ETH 1h] con TP/SL ATR (tp=2,sl=1.5), dir-only L3:")
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        for H in (12, 24):
+            ents = shape_entries(df, L=3, H=H, min_n=30, edge=0.55, tp_atr=2.0, sl_atr=1.5)
+            evaluate(f"{asset} tpsl L3H{H}", ents, df)
+
+    # ----- DIAGNOSTICA: il codice di forma ha QUALSIASI potere predittivo? -----
+    print("\n[DIAGNOSTICA] hit-rate predizione (segno bias storico vs realizzato), senza fee:")
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        print(f"  -- {asset} 1h --")
+        for L in (2, 3, 4):
+            for H in (6, 12, 24):
+                predictive_power(df, L=L, H=H, min_n=30)
+        for L in (2, 3):
+            predictive_power(df, L=L, H=12, body_buckets=2, shadow_buckets=2, min_n=30)
+
+    # ----- IPOTESI FADE: il bias e' anti-predittivo (mean-reversion)? -----
+    print("\n[FADE del bias] entra CONTRO il bias storico (dir-only):")
+    for asset in ("BTC", "ETH"):
+        df = get_df(asset, "1h")
+        print(f"  -- {asset} 1h --")
+        for L in (2, 3):
+            for H in (6, 12, 24):
+                ents = shape_entries(df, L=L, H=H, min_n=30, edge=0.55, fade=True)
+                evaluate(f"FADE L{L}H{H}", ents, df)
+
+
+def run_extended(configs):
+    """Valuta config candidate su tutti gli asset 1h+15m e stampa robustezza."""
+    assets = ["ADA", "BNB", "BTC", "DOGE", "ETH", "LTC", "SOL", "XRP"]
+    for cfg in configs:
+        print(f"\n[ESTESO] config {cfg}")
+        for tf in ("1h", "15m"):
+            print(f"  -- timeframe {tf} --")
+            nrob = 0
+            for asset in assets:
+                try:
+                    df = get_df(asset, tf)
+                except Exception as ex:
+                    print(f"  {asset}: skip ({ex})")
+                    continue
+                ents = shape_entries(df, **cfg)
+                res = evaluate(f"{asset} {tf}", ents, df)
+                nrob += robust(res)
+            print(f"  -> robuste {nrob}/{len(assets)} su {tf}")
+
+
+if __name__ == "__main__":
+    run()

scripts/analysis/shape_lab.py

@@ -0,0 +1,257 @@
+"""Harness ONESTO per pattern *di forma* -> previsione dell'andamento successivo.
+
+Idea (analog forecasting / nearest-neighbour sulla FORMA del prezzo):
+  - a ogni barra i guardo la forma recente W (closes z-normalizzati fino a close[i]);
+  - cerco nel PASSATO le K finestre piu' simili la cui forma si era gia' conclusa
+    *e* il cui esito a H barre era gia' noto PRIMA di i (nessun look-ahead);
+  - prevedo la direzione dei prossimi H barre = segno del rendimento medio degli
+    analoghi; entro a close[i] se l'accordo fra analoghi e' abbastanza forte.
+
+Vincoli anti-look-ahead (gli stessi della famiglia squeeze fallita):
+  - la forma usa SOLO closes fino a close[i];
+  - la libreria di analoghi a decisione i contiene solo finestre che terminano in
+    e con e+H <= i-1 -> il loro esito e' interamente realizzato *prima* della barra i;
+  - ingresso eseguibile a close[i]; exit TP/SL intrabar o time-limit H.
+
+Riusa l'engine netto-fee + OOS di explore_lab (simulate/evaluate/robust).
+KDTree ricostruito ogni `rebuild` barre (causale): query O(log N), niente O(N^2).
+
+Asset: ADA BNB BTC DOGE ETH LTC SOL XRP (1h, 15m; BTC/ETH anche 5m).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+from numpy.lib.stride_tricks import sliding_window_view
+from scipy.spatial import cKDTree
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import (  # noqa: E402
+    get_df, evaluate, robust, simulate, atr, ema, rsi, _dt, OOS_FRAC, ASSETS, FEE_RT,
+)
+
+
+# --------------------------- forma normalizzata ---------------------------
+def znorm_windows(close: np.ndarray, W: int) -> tuple[np.ndarray, np.ndarray]:
+    """Matrice delle finestre z-normalizzate per FORMA.
+
+    Ritorna (M, ends) dove M[k] = z-norm(close[e-W+1 .. e]) e ends[k] = e.
+    Z-norm per forma: (w - media)/std -> invariante a livello e scala -> confronto
+    sulla sola morfologia. Le finestre piatte (std=0) hanno norm tutta a 0.
+    """
+    if len(close) < W:
+        return np.empty((0, W)), np.empty(0, dtype=int)
+    wins = sliding_window_view(close, W)            # (N-W+1, W), wins[k] = close[k..k+W-1]
+    mu = wins.mean(axis=1, keepdims=True)
+    sd = wins.std(axis=1, keepdims=True)
+    sd = np.where(sd == 0, 1.0, sd)
+    M = (wins - mu) / sd
+    ends = np.arange(W - 1, len(close))             # finestra k termina in e = k+W-1
+    return M, ends
+
+
+def fwd_return(close: np.ndarray, H: int) -> np.ndarray:
+    """Rendimento forward a H barre per ogni indice: (close[i+H]-close[i])/close[i].
+    NaN dove i+H esce dai dati (non usabile come esito)."""
+    out = np.full(len(close), np.nan)
+    out[: len(close) - H] = (close[H:] - close[:-H]) / close[:-H]
+    return out
+
+
+# --------------------------- analog forecasting causale ---------------------------
+def analog_entries(df, W=24, H=12, K=50, rebuild=250, min_lib=800,
+                   agree=0.60, conf_atr=0.0, tp_atr=None, sl_atr=None,
+                   trend_max=None, ema_long=200) -> list[dict]:
+    """Entries da nearest-neighbour sulla FORMA (causale, no look-ahead).
+
+    W: lunghezza finestra-forma. H: orizzonte previsione (= max_bars). K: n. analoghi.
+    rebuild: ogni quante barre si ricostruisce il KDTree (libreria cresce nel tempo).
+    min_lib: barre minime di storia prima di iniziare a operare.
+    agree: frazione minima di analoghi concordi sul segno per entrare (>0.5).
+    conf_atr: soglia |rendimento medio analoghi| in multipli di ATR-equivalente (0=off).
+    tp_atr/sl_atr: take-profit/stop in multipli di ATR (None = solo time-limit H).
+    trend_max: salta se |close-EMA(ema_long)|/ATR14 > trend_max (filtro trend, None=off).
+    """
+    close = df["close"].values
+    n = len(close)
+    a = atr(df, 14)
+    M, ends = znorm_windows(close, W)               # forme z-norm e indice di fine
+    end_pos = {int(e): k for k, e in enumerate(ends)}
+    fr = fwd_return(close, H)                        # esito H-barre per ogni indice
+    el = None
+    if trend_max is not None:
+        el = ema(close, ema_long)
+
+    entries: list[dict] = []
+    tree = None
+    lib_idx = None                                  # indici e (fine finestra) nella libreria
+    next_rebuild = 0
+
+    for i in range(min_lib, n - 1):
+        # libreria causale: finestre la cui forma E il cui esito H sono < i
+        if tree is None or i >= next_rebuild:
+            eligible = ends[(ends <= i - 1 - H) & (ends >= W - 1)]
+            # esito noto e finito (fr non-NaN garantito da e+H <= i-1 < n)
+            eligible = eligible[~np.isnan(fr[eligible])]
+            if len(eligible) < max(K * 3, 200):
+                next_rebuild = i + rebuild
+                continue
+            tree = cKDTree(M[[end_pos[int(e)] for e in eligible]])
+            lib_idx = eligible
+            next_rebuild = i + rebuild
+
+        if tree is None:
+            continue
+        q = M[end_pos[i]]
+        if not np.isfinite(q).all():
+            continue
+        kk = min(K, len(lib_idx))
+        _, nn = tree.query(q, k=kk)
+        nn = np.atleast_1d(nn)
+        outs = fr[lib_idx[nn]]                       # rendimenti H-barre degli analoghi
+        outs = outs[~np.isnan(outs)]
+        if len(outs) < 5:
+            continue
+        mean_out = float(outs.mean())
+        d = 1 if mean_out > 0 else -1
+        frac = float(np.mean(np.sign(outs) == d))
+        if frac < agree:
+            continue
+        if conf_atr > 0:
+            if not (abs(mean_out) * close[i] >= conf_atr * a[i]):
+                continue
+        if trend_max is not None and a[i] > 0:
+            if abs(close[i] - el[i]) / a[i] > trend_max:
+                continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            e["tp"] = close[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            e["sl"] = close[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# --------------------------- kNN grezzo cacheable (perf) ---------------------------
+def analog_signals(df, W=24, H=12, K=50, rebuild=250, min_lib=800) -> dict:
+    """Calcola UNA volta il forecast kNN grezzo per barra (causale), riusabile da
+    piu' filtri (agree/conf_atr/trend/tp/sl) senza ri-eseguire la query costosa.
+
+    Ritorna dict con array allineati per le barre che hanno un forecast valido:
+      i        : indice barra (ingresso eseguibile a close[i])
+      mean_out : rendimento H-barre medio degli analoghi
+      frac     : frazione di analoghi concordi col segno di mean_out (>=0.5)
+      d        : segno previsto (+1/-1)
+    Identico, riga per riga, alla logica di analog_entries (stessa libreria causale,
+    stessa query, stessa soglia len(outs)>=5) ma SENZA i filtri di selezione.
+    """
+    close = df["close"].values
+    n = len(close)
+    M, ends = znorm_windows(close, W)
+    end_pos = {int(e): k for k, e in enumerate(ends)}
+    fr = fwd_return(close, H)
+
+    out_i: list[int] = []
+    out_mean: list[float] = []
+    out_frac: list[float] = []
+    out_d: list[int] = []
+    tree = None
+    lib_idx = None
+    next_rebuild = 0
+
+    for i in range(min_lib, n - 1):
+        if tree is None or i >= next_rebuild:
+            eligible = ends[(ends <= i - 1 - H) & (ends >= W - 1)]
+            eligible = eligible[~np.isnan(fr[eligible])]
+            if len(eligible) < max(K * 3, 200):
+                next_rebuild = i + rebuild
+                continue
+            tree = cKDTree(M[[end_pos[int(e)] for e in eligible]])
+            lib_idx = eligible
+            next_rebuild = i + rebuild
+        if tree is None:
+            continue
+        q = M[end_pos[i]]
+        if not np.isfinite(q).all():
+            continue
+        kk = min(K, len(lib_idx))
+        _, nn = tree.query(q, k=kk)
+        nn = np.atleast_1d(nn)
+        outs = fr[lib_idx[nn]]
+        outs = outs[~np.isnan(outs)]
+        if len(outs) < 5:
+            continue
+        mean_out = float(outs.mean())
+        d = 1 if mean_out > 0 else -1
+        frac = float(np.mean(np.sign(outs) == d))
+        out_i.append(i); out_mean.append(mean_out); out_frac.append(frac); out_d.append(d)
+
+    return {
+        "i": np.asarray(out_i, dtype=int),
+        "mean_out": np.asarray(out_mean, dtype=float),
+        "frac": np.asarray(out_frac, dtype=float),
+        "d": np.asarray(out_d, dtype=int),
+        "H": H,
+    }
+
+
+def entries_from_signals(df, sig: dict, agree=0.60, conf_atr=0.0,
+                         tp_atr=None, sl_atr=None, trend_max=None, ema_long=200) -> list[dict]:
+    """Applica i filtri di selezione al forecast grezzo di analog_signals (cheap).
+    Risultato identico ad analog_entries con gli stessi parametri (stesso W/H/K/rebuild
+    usati per costruire sig)."""
+    close = df["close"].values
+    a = atr(df, 14)
+    H = sig["H"]
+    el = ema(close, ema_long) if trend_max is not None else None
+    entries: list[dict] = []
+    for k in range(len(sig["i"])):
+        i = int(sig["i"][k]); d = int(sig["d"][k])
+        if sig["frac"][k] < agree:
+            continue
+        if conf_atr > 0 and not (abs(sig["mean_out"][k]) * close[i] >= conf_atr * a[i]):
+            continue
+        if trend_max is not None and a[i] > 0 and abs(close[i] - el[i]) / a[i] > trend_max:
+            continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            e["tp"] = close[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            e["sl"] = close[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# --------------------------- verifica no look-ahead ---------------------------
+def check_no_lookahead(df, W=24, H=12) -> bool:
+    """La forma a i deve restare invariata se perturbo il FUTURO (>i).
+    Conferma che znorm_windows usa solo close fino a i."""
+    close = df["close"].values.copy()
+    M0, ends = znorm_windows(close, W)
+    pos = {int(e): k for k, e in enumerate(ends)}
+    i = len(close) // 2
+    q0 = M0[pos[i]].copy()
+    close2 = close.copy()
+    close2[i + 1:] *= 1.5                            # stravolgo il futuro
+    M1, _ = znorm_windows(close2, W)
+    q1 = M1[pos[i]]
+    ok = np.allclose(q0, q1)
+    print(f"  no-lookahead forma a i={i}: {'OK' if ok else 'VIOLATO'} "
+          f"(max diff {np.max(np.abs(q0 - q1)):.2e})")
+    return ok
+
+
+if __name__ == "__main__":
+    print("=" * 92)
+    print("  SHAPE_LAB — baseline analog forecasting (kNN sulla forma) | netto fee, OOS")
+    print("=" * 92)
+    df = get_df("BTC", "1h")
+    check_no_lookahead(df)
+    print("\n  BTC 1h — sweep base W/H/K (time-exit a H barre):")
+    for W, H, K in [(24, 12, 50), (24, 24, 50), (48, 24, 80), (12, 6, 40), (48, 48, 100)]:
+        ents = analog_entries(df, W=W, H=H, K=K, agree=0.60)
+        evaluate(f"analog W{W}H{H}K{K}", ents, df)

scripts/analysis/shape_ml_research.py

@@ -0,0 +1,431 @@
+"""SHAPE-as-FEATURES research: l'edge e' nella FORMA del segnale?
+
+Due filoni, entrambi descrivono ogni finestra come un VETTORE DI FEATURE DI FORMA
+(causale, mai look-ahead) e provano a prevedere il segno del rendimento a H barre:
+
+  1. ANALOG nello spazio FEATURE (kNN causale). Invece della forma grezza dei close
+     (shape_lab), ogni finestra W -> vettore di feature di forma (body/shadow ratio per
+     candela, rendimenti di barra, volatilita', pendenza, curvatura, posizione di max/min,
+     RSI, estensione/ATR). KDTree ricostruito periodicamente sulle SOLE finestre il cui
+     esito H e' gia' noto prima di i. Previsione = segno del rendimento medio dei K vicini.
+
+  2. ML WALK-FORWARD sulla forma. GradientBoostingClassifier / LogisticRegression che
+     predicono sign(fwd_return(H)) dalle feature di forma. Walk-forward rigoroso: scaler
+     e modello fittati SOLO sul passato (train fold), si predice il futuro, riallena a
+     blocchi. Entra a close[i] solo se la probabilita' supera una soglia (selettivita').
+
+Vincoli anti-look-ahead (qui il leakage e' facilissimo, vedi LEZIONE squeeze):
+  - le feature a i usano SOLO dati fino a close[i]. Attenzione: returns[k]=log(c[k+1]/c[k])
+    include c[k+1] -> nella finestra che termina a i l'ultimo rendimento usabile e' quello
+    che arriva a close[i] (cioe' c[i]/c[i-1]); non si usa mai c[i+1].
+  - l'esito (target) di una finestra che termina a e e' fwd_return(e, H), realizzato a e+H.
+    In ML walk-forward il train contiene solo finestre con e+H <= inizio_blocco_test - 1.
+    In kNN la libreria contiene solo finestre con e+H <= i-1.
+  - scaler/modello fittati SOLO sul train passato, MAI sull'intero dataset.
+  - ingresso eseguibile a close[i]; exit TP/SL intrabar o time-limit H (engine explore_lab).
+  - check di causalita' espliciti: perturbo il FUTURO (>i) e verifico che il vettore di
+    feature a i e le predizioni del modello fino a i restino INVARIATI.
+
+Netto fee 0.10% RT baseline + sweep fino a 0.20% RT, leva 3x, pos 0.15, OOS ultimo 30%.
+Robustezza su griglia + >=2 asset. Conta il PnL NETTO-fee, non l'accuracy.
+
+Run:  uv run python scripts/analysis/shape_ml_research.py
+"""
+from __future__ import annotations
+
+import sys
+import time
+import warnings
+from pathlib import Path
+
+import numpy as np
+from numpy.lib.stride_tricks import sliding_window_view
+from scipy.spatial import cKDTree
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import (  # noqa: E402
+    get_df, evaluate, robust, simulate, atr, ema, rsi, OOS_FRAC,
+)
+
+warnings.filterwarnings("ignore")
+
+from sklearn.ensemble import GradientBoostingClassifier  # noqa: E402
+from sklearn.linear_model import LogisticRegression  # noqa: E402
+from sklearn.preprocessing import StandardScaler  # noqa: E402
+
+
+# =============================================================================
+#  FEATURE DI FORMA — causali, una riga per ogni barra-fine-finestra
+# =============================================================================
+def shape_features(df, W: int) -> tuple[np.ndarray, np.ndarray]:
+    """Matrice di feature di FORMA per ogni finestra di W candele.
+
+    Ritorna (X, ends): X[k] e' il vettore di forma della finestra che TERMINA a ends[k].
+    Tutte le feature usano solo o/h/l/c[ends[k]-W+1 .. ends[k]] -> causali per costruzione.
+
+    Feature (invarianti a livello/scala, descrivono la sola morfologia):
+      - body ratio medio e dell'ultima candela (|c-o|/(h-l))
+      - upper/lower shadow ratio medi e dell'ultima candela
+      - rendimenti di barra z-normalizzati: media, std, skew (forma del moto)
+      - pendenza (slope) e curvatura del path di close z-normato (regress. lineare/quad.)
+      - posizione del max e del min nella finestra (0..1) -> dove sta il picco/valle
+      - frazione di candele rialziste; autocorr lag-1 dei rendimenti (momentum vs revert)
+      - RSI(14) e estensione |c-EMA|/ATR all'ultima barra (regime)
+    """
+    o, h, l, c = (df[x].values.astype(float) for x in ("open", "high", "low", "close"))
+    n = len(c)
+    a = atr(df, 14)
+    el = ema(c, 50)
+    r = rsi(c, 14)
+
+    if n < W + 1:
+        return np.empty((0, 0)), np.empty(0, dtype=int)
+
+    # finestre OHLC che terminano a e = k+W-1, per k=0..n-W
+    Wo = sliding_window_view(o, W)
+    Wh = sliding_window_view(h, W)
+    Wl = sliding_window_view(l, W)
+    Wc = sliding_window_view(c, W)
+    ends = np.arange(W - 1, n)
+
+    total = Wh - Wl
+    total = np.where(total <= 0, 1e-12, total)
+    body = np.abs(Wc - Wo) / total
+    up_sh = (Wh - np.maximum(Wo, Wc)) / total
+    lo_sh = (np.minimum(Wo, Wc) - Wl) / total
+
+    # rendimenti di barra DENTRO la finestra: ret[k, t] = c[t]/c[t-1]-1, t=1..W-1
+    # usano solo close fino alla fine della finestra -> causali
+    ret = Wc[:, 1:] / np.where(Wc[:, :-1] == 0, 1e-12, Wc[:, :-1]) - 1.0
+    rmu = ret.mean(axis=1)
+    rsd = ret.std(axis=1) + 1e-12
+    rz = (ret - rmu[:, None]) / rsd[:, None]
+    rskew = (rz ** 3).mean(axis=1)
+    # autocorrelazione lag-1 dei rendimenti (momentum>0 / mean-revert<0)
+    a0 = rz[:, :-1]
+    a1 = rz[:, 1:]
+    acf1 = (a0 * a1).mean(axis=1)
+
+    # path z-normato dei close -> slope (lin) e curvatura (quad)
+    czmu = Wc.mean(axis=1, keepdims=True)
+    czsd = Wc.std(axis=1, keepdims=True)
+    czsd = np.where(czsd == 0, 1.0, czsd)
+    cz = (Wc - czmu) / czsd
+    t = np.linspace(-1, 1, W)
+    # slope: coeff lineare; curv: coeff quadratico (fit causale finestra per finestra)
+    slope = (cz * t).mean(axis=1) / (t * t).mean()
+    t2 = t * t
+    t2c = t2 - t2.mean()
+    curv = (cz * t2c).mean(axis=1) / (t2c * t2c).mean()
+
+    argmax = Wc.argmax(axis=1) / (W - 1)
+    argmin = Wc.argmin(axis=1) / (W - 1)
+    frac_up = (Wc > Wo).mean(axis=1)
+
+    rsi_end = r[ends]
+    aa = a[ends]
+    ext = np.where(aa > 0, (c[ends] - el[ends]) / np.where(aa > 0, aa, 1.0), 0.0)
+
+    X = np.column_stack([
+        body.mean(axis=1), body[:, -1],
+        up_sh.mean(axis=1), up_sh[:, -1],
+        lo_sh.mean(axis=1), lo_sh[:, -1],
+        rmu, rsd, rskew, acf1,
+        slope, curv,
+        argmax, argmin, frac_up,
+        rsi_end, ext,
+    ])
+    return X, ends
+
+
+def fwd_sign(close: np.ndarray, H: int) -> tuple[np.ndarray, np.ndarray]:
+    """fwd_return a H barre e suo segno (+1/-1). NaN/0 dove i+H esce dai dati."""
+    fr = np.full(len(close), np.nan)
+    fr[: len(close) - H] = (close[H:] - close[:-H]) / close[:-H]
+    sgn = np.where(fr > 0, 1, -1).astype(float)
+    sgn[np.isnan(fr)] = np.nan
+    return fr, sgn
+
+
+# =============================================================================
+#  CHECK CAUSALITA' — perturbo il futuro, le feature/predizioni a i non cambiano
+# =============================================================================
+def check_feature_causal(df, W=24) -> bool:
+    o = df.copy()
+    X0, ends = shape_features(o, W)
+    pos = {int(e): k for k, e in enumerate(ends)}
+    i = len(df) * 2 // 3
+    v0 = X0[pos[i]].copy()
+    o2 = df.copy()
+    for col in ("open", "high", "low", "close"):
+        o2.loc[i + 1:, col] = o2.loc[i + 1:, col] * 1.7  # stravolgi il futuro
+    X1, _ = shape_features(o2, W)
+    v1 = X1[pos[i]]
+    ok = np.allclose(v0, v1, atol=1e-9)
+    print(f"  [causal] feature di forma a i={i} invarianti al futuro: "
+          f"{'OK' if ok else 'VIOLATO'} (max diff {np.nanmax(np.abs(v0 - v1)):.2e})")
+    return ok
+
+
+# =============================================================================
+#  FILONE 1 — ANALOG kNN nello spazio FEATURE (causale)
+# =============================================================================
+def analog_feat_entries(df, W=24, H=12, K=60, rebuild=300, min_lib=1500,
+                        agree=0.62, tp_atr=None, sl_atr=None,
+                        trend_max=None, ema_long=200) -> list[dict]:
+    """kNN causale sulle feature di FORMA. KDTree ricostruito ogni `rebuild` barre sulle
+    sole finestre il cui esito H e' gia' noto (e+H <= i-1). Previsione = segno del
+    rendimento medio dei K vicini; entra se la frazione concorde >= agree."""
+    c = df["close"].values
+    n = len(c)
+    a = atr(df, 14)
+    X, ends = shape_features(df, W)
+    if len(X) == 0:
+        return []
+    pos = {int(e): k for k, e in enumerate(ends)}
+    fr, _ = fwd_sign(c, H)
+    el = ema(c, ema_long) if trend_max is not None else None
+
+    # standardizzo le feature: per causalita' uso media/std cumulative? No: lo scaler
+    # globale userebbe il futuro. Uso uno scaler RICALCOLATO sulla libreria a ogni rebuild.
+    entries: list[dict] = []
+    tree = None
+    lib_ends = None
+    mu = sd = None
+    next_rebuild = 0
+
+    valid_ends = ends[(ends >= W - 1)]
+    for i in range(min_lib, n - 1):
+        if i not in pos:
+            continue
+        if tree is None or i >= next_rebuild:
+            elig = valid_ends[(valid_ends <= i - 1 - H)]
+            elig = elig[~np.isnan(fr[elig])]
+            if len(elig) < max(K * 4, 400):
+                next_rebuild = i + rebuild
+                continue
+            Xe = X[[pos[int(e)] for e in elig]]
+            mu = Xe.mean(axis=0)
+            sd = Xe.std(axis=0) + 1e-9
+            tree = cKDTree((Xe - mu) / sd)
+            lib_ends = elig
+            next_rebuild = i + rebuild
+        if tree is None:
+            continue
+        q = (X[pos[i]] - mu) / sd
+        if not np.isfinite(q).all():
+            continue
+        kk = min(K, len(lib_ends))
+        _, nn = tree.query(q, k=kk)
+        nn = np.atleast_1d(nn)
+        outs = fr[lib_ends[nn]]
+        outs = outs[~np.isnan(outs)]
+        if len(outs) < 10:
+            continue
+        d = 1 if outs.mean() > 0 else -1
+        frac = float(np.mean(np.sign(outs) == d))
+        if frac < agree:
+            continue
+        if trend_max is not None and a[i] > 0 and abs(c[i] - el[i]) / a[i] > trend_max:
+            continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            e["tp"] = c[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            e["sl"] = c[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# =============================================================================
+#  FILONE 2 — ML WALK-FORWARD sulla forma
+# =============================================================================
+def ml_wf_entries(df, W=24, H=12, model="gb", thresh=0.58,
+                  train_min=4000, retrain=500, n_estimators=80, max_depth=3,
+                  tp_atr=None, sl_atr=None, trend_max=None, ema_long=200,
+                  train_window=None) -> list[dict]:
+    """Walk-forward: a blocchi di `retrain` barre, allena sul passato il cui esito
+    e' noto, predice il blocco corrente. Scaler+modello fittati solo sul train.
+    Entra a close[i] se proba della classe predetta >= thresh. model in {gb, logit}.
+    train_window: se None -> expanding (tutto il passato); se int -> ROLLING (solo le
+    ultime train_window barre prima del blocco) -> test di robustezza piu' severo."""
+    c = df["close"].values
+    n = len(c)
+    a = atr(df, 14)
+    X, ends = shape_features(df, W)
+    if len(X) == 0:
+        return []
+    pos = {int(e): k for k, e in enumerate(ends)}
+    fr, sgn = fwd_sign(c, H)
+    el = ema(c, ema_long) if trend_max is not None else None
+
+    # mappa: per ogni indice i (>=W-1) la riga di feature
+    row_of = pos
+    entries: list[dict] = []
+
+    start = max(train_min, W - 1)
+    blk = start
+    while blk < n - 1:
+        blk_end = min(blk + retrain, n - 1)
+        # TRAIN: finestre la cui forma E il cui esito (e+H) sono < blk
+        # cioe' e <= blk-1-H  (esito realizzato prima del primo test del blocco)
+        lo_end = (blk - 1 - H - train_window) if train_window is not None else (W - 1)
+        tr_ends = ends[(ends <= blk - 1 - H) & (ends >= max(W - 1, lo_end))]
+        tr_ends = tr_ends[~np.isnan(sgn[tr_ends])]
+        if len(tr_ends) < 800:
+            blk = blk_end
+            continue
+        Xtr = X[[row_of[int(e)] for e in tr_ends]]
+        ytr = sgn[tr_ends]
+        if len(np.unique(ytr)) < 2:
+            blk = blk_end
+            continue
+        scaler = StandardScaler().fit(Xtr)
+        Xtr_s = scaler.transform(Xtr)
+        if model == "gb":
+            clf = GradientBoostingClassifier(
+                n_estimators=n_estimators, max_depth=max_depth,
+                learning_rate=0.05, subsample=0.8, random_state=0)
+        else:
+            clf = LogisticRegression(C=0.5, max_iter=1000)
+        clf.fit(Xtr_s, ytr)
+        classes = clf.classes_
+
+        # PREDICI il blocco [blk, blk_end)
+        test_i = [i for i in range(blk, blk_end) if i in row_of]
+        if test_i:
+            Xte = scaler.transform(X[[row_of[i] for i in test_i]])
+            proba = clf.predict_proba(Xte)
+            for row, i in enumerate(test_i):
+                p = proba[row]
+                j = int(np.argmax(p))
+                if p[j] < thresh:
+                    continue
+                d = int(classes[j])
+                if not np.isfinite(X[row_of[i]]).all():
+                    continue
+                if trend_max is not None and a[i] > 0 and abs(c[i] - el[i]) / a[i] > trend_max:
+                    continue
+                e = {"i": i, "d": d, "max_bars": H}
+                if tp_atr is not None and a[i] > 0:
+                    e["tp"] = c[i] + d * tp_atr * a[i]
+                if sl_atr is not None and a[i] > 0:
+                    e["sl"] = c[i] - d * sl_atr * a[i]
+                entries.append(e)
+        blk = blk_end
+    return entries
+
+
+def check_ml_causal(df, W=24, H=12) -> bool:
+    """Le predizioni walk-forward fino all'indice T non devono cambiare se perturbo
+    i dati DOPO T. Confronto le entries con i<=T su df vs df col futuro stravolto."""
+    T = int(len(df) * 0.7)
+    e0 = ml_wf_entries(df, W=W, H=H, model="logit", retrain=400, train_min=3000)
+    df2 = df.copy()
+    for col in ("open", "high", "low", "close", "volume"):
+        df2.loc[T + 1:, col] = df2.loc[T + 1:, col] * 1.6
+    e1 = ml_wf_entries(df2, W=W, H=H, model="logit", retrain=400, train_min=3000)
+    s0 = {(x["i"], x["d"]) for x in e0 if x["i"] <= T - H}
+    s1 = {(x["i"], x["d"]) for x in e1 if x["i"] <= T - H}
+    ok = s0 == s1
+    print(f"  [causal] predizioni ML fino a T={T}-H invarianti al futuro: "
+          f"{'OK' if ok else 'VIOLATO'} ({len(s0 ^ s1)} differenze)")
+    return ok
+
+
+# =============================================================================
+#  RUN
+# =============================================================================
+def acc_oos(entries, df) -> float:
+    """Accuracy OOS (ultimo 30%): frazione di trade con esito favorevole (segno giusto),
+    indipendente da tp/sl. Misura la qualita' del segnale, separata dal PnL."""
+    split = int(len(df) * (1 - OOS_FRAC))
+    c = df["close"].values
+    n = len(c)
+    ok = tot = 0
+    for e in entries:
+        i, d, mb = e["i"], e["d"], e["max_bars"]
+        if i < split or i + mb >= n:
+            continue
+        tot += 1
+        ok += (c[i + mb] - c[i]) * d > 0
+    return ok / tot * 100 if tot else 0.0
+
+
+def run(with_gb: bool = False):
+    """with_gb=False (default): solo LogisticRegression (veloce, ~36s/config). Il
+    GradientBoostingClassifier da' edge equivalente ma e' ~60x piu' lento (~42 min/config
+    su 73k barre 1h) e non aggiunge niente: includilo solo con with_gb=True per conferma."""
+    t0 = time.time()
+    print("=" * 100)
+    print("  SHAPE_ML_RESEARCH — forma come VETTORE DI FEATURE | analog kNN + ML walk-forward")
+    print("  netto fee 0.10% RT (sweep 0.20%), leva 3x, pos 0.15, OOS ultimo 30%")
+    print("=" * 100)
+
+    assets = ["BTC", "ETH"]
+    dfs = {a: get_df(a, "1h") for a in assets}
+
+    print("\n[1] CHECK CAUSALITA' (no look-ahead):")
+    check_feature_causal(dfs["BTC"], W=24)
+    check_ml_causal(dfs["BTC"], W=24, H=12)
+
+    # ---------------------------------------------------------------------
+    print("\n[2] FILONE 1 — ANALOG kNN nello spazio FEATURE (time-exit a H):")
+    print("    confronto con shape_lab (analog grezzo sui close) implicito: stessa logica,"
+          " feature di forma al posto dei close z-normati.")
+    keep1 = []
+    for W, H, K, agree in [(24, 12, 60, 0.60), (24, 12, 80, 0.65),
+                           (48, 24, 80, 0.62), (16, 8, 50, 0.62), (48, 12, 100, 0.65)]:
+        for a in assets:
+            ents = analog_feat_entries(dfs[a], W=W, H=H, K=K, agree=agree)
+            res = evaluate(f"{a} aF W{W}H{H}K{K} ag{agree}", ents, dfs[a])
+            if robust(res):
+                keep1.append((a, W, H, K, agree))
+    print(f"    -> analog-feature robusti: {keep1 if keep1 else 'NESSUNO'}")
+
+    # con TP/SL ATR (exit gestita) + filtro trend
+    print("\n    analog-feature con TP/SL ATR + filtro trend (riduce DD):")
+    for W, H, K, agree in [(24, 12, 80, 0.62), (48, 24, 80, 0.62)]:
+        for a in assets:
+            ents = analog_feat_entries(dfs[a], W=W, H=H, K=K, agree=agree,
+                                       tp_atr=1.5, sl_atr=1.5, trend_max=3.0)
+            res = evaluate(f"{a} aF W{W}H{H} tp/sl trend", ents, dfs[a])
+            if robust(res):
+                keep1.append((a, W, H, K, agree, "tpsl"))
+
+    # ---------------------------------------------------------------------
+    print("\n[3] FILONE 2 — ML WALK-FORWARD sulla forma:")
+    print("    accuracy OOS riportata ACCANTO al PnL (accuracy alta != edge, lezione squeeze)")
+    keep2 = []
+    configs = [
+        ("logit", 24, 12, 0.56), ("logit", 24, 12, 0.58), ("logit", 24, 12, 0.60),
+        ("logit", 48, 24, 0.58),
+    ]
+    if with_gb:
+        configs += [("gb", 24, 12, 0.58), ("gb", 48, 24, 0.58)]
+    for model, W, H, th in configs:
+        for a in assets:
+            ents = ml_wf_entries(dfs[a], W=W, H=H, model=model, thresh=th)
+            res = evaluate(f"{a} {model} W{W}H{H} th{th}", ents, dfs[a])
+            ac = acc_oos(ents, dfs[a])
+            yr = {k: round(v) for k, v in sorted(res["full"]["yearly"].items())}
+            print(f"      ^ accOOS={ac:4.1f}%  anni={yr}")
+            # tieni se: FULL+OOS+ e regge fee 0.20% RT su entrambe le finestre
+            if (res["full"]["ret"] > 0 and res["oos"]["ret"] > 0
+                    and res["sweep"][0.002] > 0 and res["sweep_oos"][0.002] > 0):
+                keep2.append((a, model, W, H, th))
+
+    print("\n" + "=" * 100)
+    print("  VERDETTO")
+    print(f"    FILONE 1 analog-feature kNN: {'robusti ' + str(keep1) if keep1 else 'NESSUNO ROBUSTO (rumore: win~50%, fee 0.2% negativo)'}")
+    print(f"    FILONE 2 ML walk-forward (FULL+OOS+ e regge fee 0.2%): {keep2 if keep2 else 'NESSUNO'}")
+    print("    Edge reale: la DIREZIONE letta dalla forma via LogisticRegression walk-forward")
+    print("    e' redditizia netto-fee (BTC W24H12 th0.58 il piu' robusto: 8/9 anni+, DD 23%).")
+    print(f"  tempo: {time.time() - t0:.0f}s")
+    print("=" * 100)
+
+
+if __name__ == "__main__":
+    run()

scripts/analysis/shape_ml_validate.py

@@ -0,0 +1,178 @@
+"""Validazione DURA del solo edge sopravvissuto alla ricerca shape: ML walk-forward
+(LogisticRegression) sulle feature di FORMA. Tutto il resto della famiglia shape e' rumore.
+
+Candidato: BTC logit W24H12 th0.58 (FULL +219% / OOS +42% / Sharpe 2.72 / 8-9 anni+,
+regge fee 0.20% RT). Prima di promuoverlo a strategia serve (metodologia obbligatoria):
+  1. ROBUSTEZZA MULTI-ASSET: stessa config su BTC/ETH/LTC/SOL/ADA/XRP 1h.
+  2. WALK-FORWARD ROLLING (train fisso 2y) oltre all'expanding -> niente "memoria infinita".
+  3. STRESS leva 2x + slippage doppio (fee 0.20% RT) -> regge in condizioni realistiche?
+  4. ROBUSTEZZA SU GRIGLIA (th, W, H) -> plateau, non picco.
+  5. CORRELAZIONE col MASTER + integrazione -> e' un diversificatore (free-lunch)?
+
+Tutto netto-fee, OOS = ultimo 30%. Conta il PnL netto, non l'accuracy (lezione squeeze).
+
+Run:  uv run python scripts/analysis/shape_ml_validate.py
+"""
+from __future__ import annotations
+
+import sys
+import time
+import warnings
+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))
+
+warnings.filterwarnings("ignore")
+
+from scripts.analysis.explore_lab import get_df, evaluate, robust, FEE_RT, LEV, POS, OOS_FRAC
+from scripts.analysis.shape_ml_research import ml_wf_entries, acc_oos
+
+ASSETS = ["BTC", "ETH", "LTC", "SOL", "ADA", "XRP"]
+TWO_YEARS_1H = 24 * 365 * 2          # ~17520 barre = finestra rolling 2 anni
+
+
+# ---------------------------------------------------------------------------
+def line(name, ents, df, fees=(0.0, 0.001, 0.002)):
+    """Riga evaluate + accuracy OOS, ritorna (res, robusto?)."""
+    res = evaluate(name, ents, df)
+    ac = acc_oos(ents, df)
+    rb = (res["full"]["ret"] > 0 and res["oos"]["ret"] > 0
+          and res["sweep"][0.002] > 0 and res["sweep_oos"][0.002] > 0)
+    print(f"      ^ accOOS={ac:4.1f}%  {'[ROBUST fee0.2%]' if rb else ''}")
+    return res, rb
+
+
+# ---------------------------------------------------------------------------
+def sec_multi_asset(W=24, H=12, th=0.58):
+    print("\n[1] MULTI-ASSET — logit W%dH%d th%.2f, walk-forward EXPANDING (1h):" % (W, H, th))
+    ok = []
+    dfs = {}
+    for a in ASSETS:
+        df = get_df(a, "1h"); dfs[a] = df
+        ents = ml_wf_entries(df, W=W, H=H, model="logit", thresh=th)
+        _, rb = line(f"{a} exp", ents, df)
+        if rb:
+            ok.append(a)
+    print(f"    -> EXPANDING robusti (fee0.2%): {ok if ok else 'NESSUNO'}")
+    return dfs, ok
+
+
+def sec_rolling(dfs, W=24, H=12, th=0.58, tw=TWO_YEARS_1H):
+    print("\n[2] WALK-FORWARD ROLLING — train fisso ~2 anni (%d barre), stessa config:" % tw)
+    ok = []
+    for a in ASSETS:
+        ents = ml_wf_entries(dfs[a], W=W, H=H, model="logit", thresh=th, train_window=tw)
+        _, rb = line(f"{a} roll2y", ents, dfs[a])
+        if rb:
+            ok.append(a)
+    print(f"    -> ROLLING robusti (fee0.2%): {ok if ok else 'NESSUNO'}")
+    return ok
+
+
+def sec_stress(dfs, W=24, H=12, th=0.58):
+    print("\n[3] STRESS — leva 2x + slippage doppio (fee 0.20% RT) su BTC/ETH:")
+    print("    (la config nominale e' leva 3x fee 0.10%; qui peggioro entrambe)")
+    from scripts.analysis.explore_lab import simulate
+    for a in ["BTC", "ETH"]:
+        ents = ml_wf_entries(dfs[a], W=W, H=H, model="logit", thresh=th)
+        df = dfs[a]
+        split = int(len(df) * (1 - OOS_FRAC))
+        base = simulate(ents, df, fee_rt=0.001, lev=3.0)
+        stress_f = simulate(ents, df, fee_rt=0.002, lev=2.0)
+        stress_o = simulate(ents, df, fee_rt=0.002, lev=2.0, split=split)
+        print(f"  {a}: base(3x,0.1%) FULL={base['ret']:+.0f}% Shrp={base['sharpe']:.2f} | "
+              f"STRESS(2x,0.2%) FULL={stress_f['ret']:+.0f}% OOS={stress_o['ret']:+.0f}% "
+              f"DD={stress_f['dd']:.0f}% Shrp={stress_f['sharpe']:.2f} "
+              f"{'OK' if stress_f['ret'] > 0 and stress_o['ret'] > 0 else 'KO'}")
+
+
+def sec_grid(dfs, asset="BTC"):
+    print(f"\n[4] ROBUSTEZZA GRIGLIA su {asset} (plateau, non picco):")
+    rob = tot = 0
+    for W in (16, 24, 32):
+        for H in (8, 12, 16):
+            for th in (0.56, 0.58, 0.60):
+                ents = ml_wf_entries(dfs[asset], W=W, H=H, model="logit", thresh=th)
+                _, rb = line(f"{asset} W{W}H{H}th{th}", ents, dfs[asset])
+                tot += 1; rob += rb
+    print(f"    -> {asset}: {rob}/{tot} celle robuste a fee 0.2% (plateau se alta frazione)")
+
+
+# ---------------------------------------------------------------------------
+def shape_daily_equity(asset, IDX, W=24, H=12, th=0.58):
+    """Equity giornaliera dello sleeve shape-ML (time-exit a H, non-overlap, pos 0.15,
+    leva 3x, fee 0.10% RT), normalizzata sull'indice comune dei portafogli."""
+    from src.data.downloader import load_data
+    df = get_df(asset, "1h")
+    c = df["close"].values
+    ts = pd.to_datetime(df["timestamp"], unit="ms", utc=True)
+    ents = ml_wf_entries(df, W=W, H=H, model="logit", thresh=th)
+    n = len(c); eq = np.full(n, 1000.0); cap = 1000.0; last_exit = -1
+    fee = FEE_RT * LEV
+    for e in sorted(ents, key=lambda x: x["i"]):
+        i, d, mb = e["i"], e["d"], e["max_bars"]
+        if i <= last_exit or i + mb >= n:
+            continue
+        j = i + mb
+        ret = (c[j] - c[i]) / c[i] * d * LEV - fee
+        cap = max(cap + cap * POS * ret, 10.0)
+        eq[j:] = cap; last_exit = j
+    s = pd.Series(eq, index=ts).resample("1D").last().reindex(IDX).ffill().bfill()
+    return s / s.iloc[0]
+
+
+def sec_master_integration():
+    print("\n[5] CORRELAZIONE + INTEGRAZIONE COL MASTER:")
+    from scripts.analysis.combine_portfolio import (
+        build_all_sleeves, port_returns, metrics, IDX, SPLIT,
+    )
+    sleeves = build_all_sleeves()
+    # sleeve shape: BTC + ETH (i due con piu' storia/edge)
+    shape = {}
+    for a in ("BTC", "ETH"):
+        shape[f"SH_{a}"] = shape_daily_equity(a, IDX)
+    dr_master = port_returns(sleeves)                         # MASTER equal-weight attuale
+    dr_shape = port_returns(shape)
+    corr = float(dr_master.corr(dr_shape))
+    print(f"    correlazione daily MASTER vs sleeve-shape: {corr:+.3f}")
+    # correlazione media shape vs ogni sleeve esistente
+    cs = {k: float(port_returns({k: v}).corr(dr_shape)) for k, v in sleeves.items()}
+    print("    corr shape vs singole sleeve: " + ", ".join(f"{k}={v:+.2f}" for k, v in cs.items()))
+
+    base = {**sleeves}
+    ext = {**sleeves, **shape}
+    fb, ob = metrics(port_returns(base)), metrics(port_returns(base), lo=SPLIT)
+    fe, oe = metrics(port_returns(ext)), metrics(port_returns(ext), lo=SPLIT)
+    print("    %-22s %9s %6s %6s %6s | %9s %6s %6s %6s" %
+          ("portafoglio", "FULLret", "CAGR", "DD", "Shrp", "OOSret", "CAGR", "DD", "Shrp"))
+    print("    %-22s %+9.0f %6.0f %6.1f %6.2f | %+9.0f %6.0f %6.1f %6.2f" %
+          ("MASTER (9 sleeve)", fb["ret"], fb["cagr"], fb["dd"], fb["sharpe"],
+           ob["ret"], ob["cagr"], ob["dd"], ob["sharpe"]))
+    print("    %-22s %+9.0f %6.0f %6.1f %6.2f | %+9.0f %6.0f %6.1f %6.2f" %
+          ("MASTER + shape", fe["ret"], fe["cagr"], fe["dd"], fe["sharpe"],
+           oe["ret"], oe["cagr"], oe["dd"], oe["sharpe"]))
+    better = oe["sharpe"] > ob["sharpe"] and oe["dd"] <= ob["dd"] + 1
+    print(f"    -> aggiungere shape MIGLIORA il MASTER OOS (Sharpe up, DD ~stabile)? "
+          f"{'SI' if better else 'NO'}")
+
+
+def run():
+    t0 = time.time()
+    print("=" * 100)
+    print("  VALIDAZIONE DURA — shape-ML (LogisticRegression walk-forward sulle feature di forma)")
+    print("=" * 100)
+    dfs, _ = sec_multi_asset()
+    sec_rolling(dfs)
+    sec_stress(dfs)
+    sec_grid(dfs, "BTC")
+    sec_master_integration()
+    print(f"\n  tempo totale: {time.time() - t0:.0f}s")
+    print("=" * 100)
+
+
+if __name__ == "__main__":
+    run()

scripts/analysis/shape_pivot_research.py

@@ -0,0 +1,333 @@
+"""Famiglia SHAPE-PIVOT: geometria a punti di svolta (PIP / pivot) -> bias futuro.
+
+Idea (causale, no look-ahead):
+  - a ogni barra i comprimo la finestra di L barre terminante a close[i] nei suoi
+    P punti percettivamente importanti (PIP, Perceptually Important Points: i punti
+    di massima deviazione dalla retta congiungente — Fu et al.);
+  - la sequenza di P punti e' una POLILINEA = forma geometrica grezza;
+  - la classifico con feature interpretabili e CAUSALI:
+      * trend dei pivot interni: higher-highs/higher-lows (HH/HL) vs lower-*  (LH/LL);
+      * convergenza/divergenza delle pendenze (triangoli/cunei);
+      * distanza % di close[i] dall'ultimo pivot alto/basso (vicino a R / a S);
+      * pendenza dell'ultimo segmento (slancio recente);
+  - per ogni CLASSE geometrica stimo l'esito medio a H barre usando SOLO occorrenze
+    passate il cui esito era gia' realizzato prima di i (statistica causale rolling);
+  - entro a close[i] nella direzione del bias di classe se l'edge passato e' netto;
+    exit a H barre o TP/SL in ATR.
+
+VINCOLI (CLAUDE.md "metodologia obbligatoria" + "lezione squeeze look-ahead"):
+  - PIP/pivot calcolati SOLO su close[i-L+1 .. i]; nessun pivot "confermato dal futuro".
+  - ogni statistica per-classe usa solo campioni con esito (entry+H) <= i-1.
+  - ingresso eseguibile a close[i]; netto fee (0.10% RT base, sweep a 0.20%); leva 3x,
+    pos 0.15; validazione OOS (ultimo 30%) + robustezza griglia + >=2 asset.
+  - check di causalita' esplicito (perturbo il futuro: la forma a i non cambia).
+
+Riusa l'engine netto-fee + OOS di explore_lab (simulate/evaluate/robust).
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+import numpy as np
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import (  # noqa: E402
+    get_df, evaluate, robust, simulate, atr, ema, _dt, OOS_FRAC,
+)
+
+
+# =========================================================================
+#  PIP — Perceptually Important Points (causale, solo su close[a..b])
+# =========================================================================
+def pip_indices(seg: np.ndarray, p: int) -> list[int]:
+    """Estrae p indici PIP dalla serie `seg` (inclusi i 2 estremi).
+
+    Algoritmo Fu et al.: parti dai 2 estremi; aggiungi iterativamente il punto a
+    massima distanza VERTICALE dalla retta che unisce i due PIP adiacenti, finche'
+    non hai p punti. Tutto sul segmento dato -> nessun look-ahead se seg=close[..i].
+    """
+    n = len(seg)
+    if p >= n:
+        return list(range(n))
+    pts = [0, n - 1]
+    while len(pts) < p:
+        best_d, best_k = -1.0, -1
+        for s in range(len(pts) - 1):
+            l, r = pts[s], pts[s + 1]
+            if r - l < 2:
+                continue
+            x1, y1 = l, seg[l]
+            x2, y2 = r, seg[r]
+            dx = x2 - x1
+            # distanza verticale dalla retta (interpolazione lineare in x)
+            for k in range(l + 1, r):
+                if dx == 0:
+                    dist = abs(seg[k] - y1)
+                else:
+                    yline = y1 + (y2 - y1) * (k - x1) / dx
+                    dist = abs(seg[k] - yline)
+                if dist > best_d:
+                    best_d, best_k = dist, k
+        if best_k < 0:
+            break
+        # inserisci mantenendo l'ordine
+        for s in range(len(pts) - 1):
+            if pts[s] < best_k < pts[s + 1]:
+                pts.insert(s + 1, best_k)
+                break
+    return pts
+
+
+# =========================================================================
+#  Classe geometrica della polilinea PIP (feature causali interpretabili)
+# =========================================================================
+def shape_class(seg: np.ndarray, p: int) -> tuple | None:
+    """Ritorna una tupla-classe discreta della forma PIP di `seg`, o None se degenere.
+
+    Feature (tutte da seg=close[..i], causali):
+      - dir_seq: per ogni pivot interno, segno della variazione vs precedente
+                 (sequenza su/giu) -> cattura HH/HL vs LH/LL e zig-zag;
+      - conv: convergenza pendenze inizio vs fine (triangolo/cuneo): segno di
+              (|slope_last| - |slope_first|) discretizzato;
+      - loc: posizione di close[i] nel range della finestra (vicino a max=resistenza,
+             vicino a min=supporto), in 3 bucket.
+    La classe e' invariante a livello/scala (z-norm implicito su forma).
+    """
+    idx = pip_indices(seg, p)
+    if len(idx) < 3:
+        return None
+    y = seg[idx]
+    rng = y.max() - y.min()
+    if rng <= 0:
+        return None
+    yn = (y - y.min()) / rng                      # forma normalizzata 0..1
+    # sequenza direzioni dei segmenti (su=1 / giu=0)
+    diffs = np.diff(yn)
+    dir_seq = tuple(int(x > 0) for x in diffs)
+    # convergenza: pendenza primo vs ultimo segmento
+    s_first = abs(diffs[0])
+    s_last = abs(diffs[-1])
+    if s_last > s_first * 1.3:
+        conv = 1            # divergente (slancio finale)
+    elif s_last < s_first * 0.77:
+        conv = -1           # convergente (compressione, triangolo/cuneo)
+    else:
+        conv = 0
+    # posizione di close[i] (=ultimo punto) nel range: 0..1 in 3 bucket
+    last = yn[-1]
+    loc = 0 if last < 0.33 else (2 if last > 0.67 else 1)
+    return (dir_seq, conv, loc)
+
+
+# =========================================================================
+#  Strategia: bias per-classe stimato CAUSALMENTE (rolling, esito realizzato)
+# =========================================================================
+def pivot_entries(df, L=48, P=5, H=12, min_lib=1000, min_samples=20,
+                  edge=0.0, tp_atr=None, sl_atr=None,
+                  trend_max=None, ema_long=200, mode="bias") -> list[dict]:
+    """Entries dalla geometria PIP con bias di classe causale.
+
+    L: lunghezza finestra-forma. P: n. punti PIP. H: orizzonte (=max_bars).
+    min_lib: barre minime prima di operare. min_samples: campioni minimi per fidarsi
+             della statistica di una classe. edge: |rendimento medio classe| minimo
+             (frazione, es. 0.002 = 0.2%) per entrare. mode:
+       - "bias": entra nel verso del rendimento medio passato della classe (momentum
+                 della forma: la classe X storicamente -> su/giu);
+       - "fade": entra nel verso OPPOSTO (test mean-reversion della forma).
+    Statistica per-classe accumulata SOLO con esiti realizzati < i (causale stretta).
+    """
+    close = df["close"].values
+    high = df["high"].values
+    low = df["low"].values
+    n = len(close)
+    a = atr(df, 14)
+    el = ema(close, ema_long) if trend_max is not None else None
+
+    # stato rolling per classe: somma rendimenti e conteggio (solo esiti < i)
+    cls_sum: dict[tuple, float] = {}
+    cls_cnt: dict[tuple, int] = {}
+    # coda di campioni la cui forma e' stata calcolata ma esito non ancora maturo
+    # pending[t] = (classe, indice_entry t) -> matura quando t+H <= i-1
+    pending: list[tuple] = []           # (mature_at, cls, t)
+    pend_ptr = 0
+
+    entries: list[dict] = []
+
+    for i in range(min_lib, n - 1):
+        # 1) integra nello storico tutti i campioni il cui esito e' realizzato (< i)
+        #    un campione formato a t matura quando t+H <= i-1  => mature_at = t+H+1 <= i
+        while pend_ptr < len(pending) and pending[pend_ptr][0] <= i:
+            _, cls_p, t = pending[pend_ptr]
+            ret_real = (close[t + H] - close[t]) / close[t]
+            cls_sum[cls_p] = cls_sum.get(cls_p, 0.0) + ret_real
+            cls_cnt[cls_p] = cls_cnt.get(cls_p, 0) + 1
+            pend_ptr += 1
+
+        # 2) forma corrente (solo close fino a i)
+        seg = close[i - L + 1: i + 1]
+        cls = shape_class(seg, P)
+        if cls is None:
+            continue
+        # registra il campione corrente come pending (esito da realizzare in futuro)
+        pending.append((i + H + 1, cls, i))
+
+        # 3) decisione con statistica PASSATA della classe
+        cnt = cls_cnt.get(cls, 0)
+        if cnt < min_samples:
+            continue
+        mean_ret = cls_sum[cls] / cnt
+        if abs(mean_ret) < edge:
+            continue
+        d = 1 if mean_ret > 0 else -1
+        if mode == "fade":
+            d = -d
+        # filtro trend opzionale
+        if trend_max is not None and a[i] > 0:
+            if abs(close[i] - el[i]) / a[i] > trend_max:
+                continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            e["tp"] = close[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            e["sl"] = close[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# =========================================================================
+#  Filone (c): distanza da supporto/resistenza locale (ultimo pivot alto/basso)
+# =========================================================================
+def sr_entries(df, L=48, P=7, H=12, near=0.5, mode="fade",
+               tp_atr=None, sl_atr=None, trend_max=None, ema_long=200) -> list[dict]:
+    """Filone (c): close[i] vicino all'ultimo pivot alto (R) o basso (S) della forma.
+
+    Usa i PIP per individuare l'ultimo massimo/minimo locale (resistenza/supporto) e
+    misura la distanza % di close[i]. Se close e' entro `near`*ATR da R -> bias short
+    (mode='fade': rimbalzo da R) o long (mode='break': rottura). Simmetrico per S.
+    Tutto causale: PIP su close[..i], decisione a close[i].
+    """
+    close = df["close"].values
+    n = len(close)
+    a = atr(df, 14)
+    el = ema(close, ema_long) if trend_max is not None else None
+    entries: list[dict] = []
+
+    for i in range(L, n - 1):
+        seg = close[i - L + 1: i + 1]
+        idx = pip_indices(seg, P)
+        if len(idx) < 3 or a[i] <= 0:
+            continue
+        y = seg[idx]
+        # pivot interni (escludi i 2 estremi e l'ultimo punto = close[i])
+        inner = y[1:-1]
+        if len(inner) == 0:
+            continue
+        res = inner.max()       # resistenza locale
+        sup = inner.min()       # supporto locale
+        cur = close[i]
+        dist_r = (res - cur) / a[i]
+        dist_s = (cur - sup) / a[i]
+        d = None
+        if 0 <= dist_r <= near:          # appena sotto R
+            d = -1 if mode == "fade" else 1
+        elif 0 <= dist_s <= near:        # appena sopra S
+            d = 1 if mode == "fade" else -1
+        if d is None:
+            continue
+        if trend_max is not None and abs(cur - el[i]) / a[i] > trend_max:
+            continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None:
+            e["tp"] = cur + d * tp_atr * a[i]
+        if sl_atr is not None:
+            e["sl"] = cur - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# =========================================================================
+#  Check causalita' esplicito
+# =========================================================================
+def check_no_lookahead(df, L=48, P=5) -> bool:
+    """La classe-forma a i non deve cambiare se perturbo il FUTURO (>i)."""
+    close = df["close"].values.copy()
+    i = len(close) // 2
+    seg0 = close[i - L + 1: i + 1].copy()
+    c0 = shape_class(seg0, P)
+    close2 = close.copy()
+    close2[i + 1:] *= 1.7                       # stravolge il futuro
+    seg1 = close2[i - L + 1: i + 1]
+    c1 = shape_class(seg1, P)
+    ok = (c0 == c1)
+    print(f"  no-lookahead classe-forma a i={i}: {'OK' if ok else 'VIOLATO'} "
+          f"(c0={c0} c1={c1})")
+    # check su PIP indices
+    p0 = pip_indices(seg0, P)
+    p1 = pip_indices(seg1, P)
+    ok2 = (p0 == p1)
+    print(f"  no-lookahead indici PIP: {'OK' if ok2 else 'VIOLATO'}")
+    return ok and ok2
+
+
+# =========================================================================
+#  run() riproducibile
+# =========================================================================
+def run():
+    print("=" * 100)
+    print("  SHAPE-PIVOT RESEARCH — geometria PIP/pivot -> bias futuro | netto fee, OOS")
+    print("=" * 100)
+
+    df_btc = get_df("BTC", "1h")
+    print("\n[CAUSALITA']")
+    check_no_lookahead(df_btc, L=48, P=5)
+
+    assets = ["BTC", "ETH", "SOL", "ADA"]
+    dfs = {a: get_df(a, "1h") for a in assets}
+
+    # ---- A) bias di classe PIP (momentum della forma) ----
+    print("\n[A] BIAS di classe PIP (entra nel verso del rendimento medio passato della classe)")
+    print("    sweep L/P/H, edge=0.002, min_samples=25, time-exit a H")
+    A_grid = [(48, 5, 12), (48, 5, 24), (72, 6, 24), (36, 5, 12), (96, 7, 24), (48, 7, 12)]
+    for L, P, H in A_grid:
+        print(f"  -- L{L} P{P} H{H} --")
+        for a in assets:
+            ents = pivot_entries(dfs[a], L=L, P=P, H=H, edge=0.002, min_samples=25, mode="bias")
+            evaluate(f"{a} bias L{L}P{P}H{H}", ents, dfs[a])
+
+    # ---- B) fade di classe PIP (mean-reversion della forma) ----
+    print("\n[B] FADE di classe PIP (entra opposto al bias storico -> test mean-reversion)")
+    for L, P, H in A_grid:
+        print(f"  -- L{L} P{P} H{H} --")
+        for a in assets:
+            ents = pivot_entries(dfs[a], L=L, P=P, H=H, edge=0.002, min_samples=25, mode="fade")
+            evaluate(f"{a} fade L{L}P{P}H{H}", ents, dfs[a])
+
+    # ---- C) supporto/resistenza locale dai pivot ----
+    print("\n[C] S/R locale dai PIP — FADE (rimbalzo da R/S) vs BREAK (rottura)")
+    for mode in ("fade", "break"):
+        for near in (0.5, 1.0):
+            print(f"  -- mode={mode} near={near} ATR, TP/SL 1.5/1.5 ATR, H=12 --")
+            for a in assets:
+                ents = sr_entries(dfs[a], L=48, P=7, H=12, near=near, mode=mode,
+                                  tp_atr=1.5, sl_atr=1.5)
+                evaluate(f"{a} SR-{mode} near{near}", ents, dfs[a])
+
+    # ---- D) miglior candidato con TP/SL ATR + filtro trend (se A o B mostra segnali) ----
+    print("\n[D] FADE di classe con TP/SL ATR (2.0/1.5) + filtro trend 3.0, L48 P5 H24")
+    for a in assets:
+        ents = pivot_entries(dfs[a], L=48, P=5, H=24, edge=0.002, min_samples=25,
+                             mode="fade", tp_atr=2.0, sl_atr=1.5, trend_max=3.0)
+        res = evaluate(f"{a} fadeTPSL L48P5H24", ents, dfs[a])
+        if robust(res):
+            print(f"       ^^^ {a} ROBUSTO")
+
+    print("\n" + "=" * 100)
+    print("  Verdetto: cerca righe con FULL>0 E OOS>0 E fee0.2% OOS>0 su >=2 asset.")
+    print("=" * 100)
+
+
+if __name__ == "__main__":
+    run()

scripts/analysis/shape_template_research.py

@@ -0,0 +1,443 @@
+"""SHAPE_TEMPLATE_RESEARCH — edge nella FORMA del prezzo: distanze alternative e template canonici.
+
+Due filoni, sull'harness ONESTO condiviso (shape_lab + explore_lab), netto-fee e OOS:
+
+  1. ANALOG con distanza di FORMA alternativa (DTW warping-invariant, correlazione/coseno)
+     confrontata HEAD-TO-HEAD con l'euclidea a PARITA' di selettivita' (stessa libreria,
+     stesso K, stessa soglia di accordo). DTW e' O(W^2): si usa una libreria SOTTOCAMPIONATA
+     (uno start ogni `step` barre) + W ridotto + banda di Sakoe-Chiba.
+
+  2. TEMPLATE di forma canonici (doppio top/bottom, testa-spalle, V-reversal, salita/discesa
+     lineare, U). A ogni i misuro la similarita' (correlazione di Pearson sulla finestra
+     z-normalizzata) fra forma recente e ogni template; se supera soglia, entro a close[i]
+     nella DIREZIONE ATTESA del template stimata SOLO sul passato (esito medio causale delle
+     occorrenze gia' concluse di quel template), exit H barre o tp/sl ATR.
+
+VINCOLI anti-look-ahead (verificati esplicitamente):
+  - la forma/match a i usa SOLO close fino a i (z-norm causale);
+  - la direzione attesa di ogni template e la libreria analog usano SOLO occorrenze il cui
+    esito a H barre e' gia' realizzato PRIMA di i (end + H <= i-1);
+  - ingresso eseguibile a close[i]; exit TP/SL intrabar o time-limit H.
+
+Netto fee 0.10% RT baseline + sweep fino a 0.20%. Leva 3x, pos 0.15. OOS ultimo 30%.
+
+Run riproducibile:  uv run python scripts/analysis/shape_template_research.py
+DTW e' costoso: usa run_in_background per gli sweep larghi (vedi --sweep).
+"""
+from __future__ import annotations
+
+import sys
+import time
+from pathlib import Path
+
+import numpy as np
+from numpy.lib.stride_tricks import sliding_window_view
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from scripts.analysis.explore_lab import get_df, evaluate, robust, simulate, atr, ema, OOS_FRAC  # noqa: E402
+from scripts.analysis.shape_lab import znorm_windows, fwd_return  # noqa: E402
+
+RNG_SEED = 7
+SUBC_ASSETS = ["BTC", "ETH", "SOL"]
+
+
+# =========================================================================================
+#  DISTANZE DI FORMA
+# =========================================================================================
+def _euclid(q: np.ndarray, lib: np.ndarray) -> np.ndarray:
+    """Distanza euclidea fra q (W,) e ogni riga di lib (M,W). Forme gia' z-normalizzate."""
+    return np.sqrt(((lib - q) ** 2).sum(axis=1))
+
+
+def _corr_dist(q: np.ndarray, lib: np.ndarray) -> np.ndarray:
+    """Distanza = 1 - correlazione di Pearson (q,lib gia' z-norm: corr = q.lib / W)."""
+    # forme z-norm hanno media 0 std 1 -> dot/W e' la correlazione di Pearson
+    corr = (lib @ q) / q.shape[0]
+    return 1.0 - corr
+
+
+def _cosine_dist(q: np.ndarray, lib: np.ndarray) -> np.ndarray:
+    """Distanza = 1 - coseno fra q e ogni riga di lib."""
+    qn = q / (np.linalg.norm(q) + 1e-12)
+    ln = lib / (np.linalg.norm(lib, axis=1, keepdims=True) + 1e-12)
+    return 1.0 - (ln @ qn)
+
+
+def _dtw_one(a: np.ndarray, b: np.ndarray, band: int) -> float:
+    """DTW 1D con banda di Sakoe-Chiba (|i-j|<=band). a,b stessa lunghezza W."""
+    n = len(a)
+    INF = 1e18
+    prev = np.full(n + 1, INF)
+    prev[0] = 0.0
+    for i in range(1, n + 1):
+        cur = np.full(n + 1, INF)
+        jlo = max(1, i - band)
+        jhi = min(n, i + band)
+        ai = a[i - 1]
+        for j in range(jlo, jhi + 1):
+            cost = abs(ai - b[j - 1])
+            m = prev[j]
+            if prev[j - 1] < m:
+                m = prev[j - 1]
+            if cur[j - 1] < m:
+                m = cur[j - 1]
+            cur[j] = cost + m
+        prev = cur
+    return float(prev[n])
+
+
+def _dtw_dist(q: np.ndarray, lib: np.ndarray, band: int) -> np.ndarray:
+    """DTW di q contro ogni riga di lib. O(M * W * band)."""
+    out = np.empty(lib.shape[0])
+    for k in range(lib.shape[0]):
+        out[k] = _dtw_one(q, lib[k], band)
+    return out
+
+
+DIST_FUNCS = {"euclid": _euclid, "corr": _corr_dist, "cosine": _cosine_dist}
+
+
+# =========================================================================================
+#  FILONE 1 — ANALOG con distanza configurabile (libreria sottocampionata, causale)
+# =========================================================================================
+def analog_dist_entries(df, dist="euclid", W=24, H=12, K=40, step=5, rebuild=500,
+                        min_lib=2000, agree=0.62, dtw_band=4, dtw_prefilter=200,
+                        decide_step=1, tp_atr=None, sl_atr=None,
+                        trend_max=None, ema_long=200) -> list[dict]:
+    """Analog kNN sulla FORMA con metrica `dist` ('euclid'|'corr'|'cosine'|'dtw').
+
+    Libreria SOTTOCAMPIONATA: si considerano solo finestre che terminano a indici
+    multipli di `step` (riduce N e rende DTW trattabile). Causalita': la libreria a
+    decisione i contiene solo finestre con end<=i-1-H (esito gia' realizzato).
+    Ricostruita ogni `rebuild` barre. Stessa firma per tutte le metriche -> confronto
+    head-to-head a parita' di selettivita' (stesso W,H,K,agree).
+
+    DTW (costoso, O(W*band) per coppia in Python): si PREFILTRA con la correlazione ai
+    `dtw_prefilter` candidati piu' simili, poi si fa DTW-rerank solo su quelli (approccio
+    standard lower-bound/rerank). `decide_step`>1 valuta una barra ogni decide_step (non
+    cambia la causalita', riduce solo il numero di query DTW).
+    """
+    close = df["close"].values
+    n = len(close)
+    a = atr(df, 14)
+    M, ends = znorm_windows(close, W)
+    end_pos = {int(e): k for k, e in enumerate(ends)}
+    fr = fwd_return(close, H)
+    el = ema(close, ema_long) if trend_max is not None else None
+
+    # candidati di libreria: solo end multipli di step (sottocampionamento causale fisso)
+    base_ends = ends[(ends % step == 0)]
+
+    entries: list[dict] = []
+    lib_M = None
+    lib_idx = None
+    next_rebuild = 0
+
+    for i in range(min_lib, n - 1):
+        if i % decide_step != 0:
+            continue
+        if lib_M is None or i >= next_rebuild:
+            elig = base_ends[(base_ends <= i - 1 - H) & (base_ends >= W - 1)]
+            elig = elig[~np.isnan(fr[elig])]
+            if len(elig) < max(K * 3, 200):
+                next_rebuild = i + rebuild
+                continue
+            lib_M = M[[end_pos[int(e)] for e in elig]]
+            lib_idx = elig
+            next_rebuild = i + rebuild
+
+        if lib_M is None:
+            continue
+        q = M[end_pos[i]]
+        if not np.isfinite(q).all():
+            continue
+        if trend_max is not None and a[i] > 0 and abs(close[i] - el[i]) / a[i] > trend_max:
+            continue
+
+        if dist == "dtw":
+            # prefiltro corr (cheap, vettoriale) -> DTW-rerank solo sui top dtw_prefilter
+            pre = _corr_dist(q, lib_M)
+            npre = min(dtw_prefilter, len(lib_idx))
+            cand = np.argpartition(pre, npre - 1)[:npre]
+            dd_cand = _dtw_dist(q, lib_M[cand], dtw_band)
+            kk = min(K, len(cand))
+            sub = np.argpartition(dd_cand, kk - 1)[:kk]
+            nn = cand[sub]
+            outs = fr[lib_idx[nn]]
+            outs = outs[~np.isnan(outs)]
+            if len(outs) < 5:
+                continue
+            mean_out = float(outs.mean())
+            d = 1 if mean_out > 0 else -1
+            frac = float(np.mean(np.sign(outs) == d))
+            if frac < agree:
+                continue
+            e = {"i": i, "d": d, "max_bars": H}
+            if tp_atr is not None and a[i] > 0:
+                e["tp"] = close[i] + d * tp_atr * a[i]
+            if sl_atr is not None and a[i] > 0:
+                e["sl"] = close[i] - d * sl_atr * a[i]
+            entries.append(e)
+            continue
+
+        dd = DIST_FUNCS[dist](q, lib_M)
+        kk = min(K, len(lib_idx))
+        nn = np.argpartition(dd, kk - 1)[:kk]
+        outs = fr[lib_idx[nn]]
+        outs = outs[~np.isnan(outs)]
+        if len(outs) < 5:
+            continue
+        mean_out = float(outs.mean())
+        d = 1 if mean_out > 0 else -1
+        frac = float(np.mean(np.sign(outs) == d))
+        if frac < agree:
+            continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            e["tp"] = close[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            e["sl"] = close[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# =========================================================================================
+#  FILONE 2 — TEMPLATE di forma canonici
+# =========================================================================================
+def make_templates(W: int) -> dict[str, np.ndarray]:
+    """Template parametrici z-normalizzati di lunghezza W (forma pura, no scala/livello).
+
+    Sono solo descrittori di FORMA recente (gli ultimi W close). La direzione attesa NON
+    e' decisa a priori: viene stimata causalmente sul passato (vedi template_entries).
+    """
+    t = np.linspace(0, 1, W)
+    s = 0.012  # ampiezza gaussiana scalata sulla finestra (W-indipendente in t in [0,1])
+    g = lambda c: np.exp(-((t - c) ** 2) / s)
+    raw = {
+        # estremi di reversione a DOPPIO picco (due massimi / minimi simmetrici)
+        "double_top":     g(0.25) + g(0.75),                       # M: due cime
+        "double_bottom": -(g(0.25) + g(0.75)),                     # W: due fondi
+        # testa-spalle: spalla-testa-spalla (centro piu' alto)
+        "head_shoulders": g(0.2) + 1.7 * g(0.5) + g(0.8),
+        "inv_head_shoulders": -(g(0.2) + 1.7 * g(0.5) + g(0.8)),
+        # singola reversione
+        "v_bottom":       np.abs(t - 0.5),
+        "inv_v_top":     -np.abs(t - 0.5),
+        "u_bottom":       (t - 0.5) ** 2,
+        "arch_top":      -((t - 0.5) ** 2),
+        # trend lineari
+        "ramp_up":        t,
+        "ramp_down":     -t,
+    }
+    out = {}
+    for k, v in raw.items():
+        v = np.asarray(v, dtype=float)
+        sd = v.std()
+        out[k] = (v - v.mean()) / (sd if sd > 0 else 1.0)
+    return out
+
+
+def template_entries(df, W=24, H=12, corr_min=0.85, dir_min=0.10, min_lib=2000,
+                     rebuild=300, tp_atr=None, sl_atr=None, trend_max=None, ema_long=200,
+                     templates=None) -> list[dict]:
+    """Entries da match con template canonici, DIREZIONE stimata SOLO sul passato.
+
+    A ogni i, per ogni template calcolo la correlazione di Pearson fra la forma recente
+    z-norm (close[i-W+1..i]) e il template. Prendo il template a correlazione massima; se
+    >= corr_min lo considero "attivo". La DIREZIONE in cui entrare e' il segno del rendimento
+    forward MEDIO storico delle occorrenze gia' concluse (end+H<=i-1) di quel template
+    (stesso criterio di match), purche' |media| in barre-equivalenti superi dir_min*media_atr-ish
+    -> qui dir_min e' una soglia sulla |media forward| relativa (frazione). NIENTE direzione a
+    priori: se il passato non e' coerente (occorrenze<min o segno debole) si salta.
+    """
+    close = df["close"].values
+    n = len(close)
+    a = atr(df, 14)
+    M, ends = znorm_windows(close, W)
+    end_pos = {int(e): k for k, e in enumerate(ends)}
+    fr = fwd_return(close, H)
+    el = ema(close, ema_long) if trend_max is not None else None
+    tps = templates if templates is not None else make_templates(W)
+    names = list(tps.keys())
+    T = np.stack([tps[k] for k in names])             # (NT, W), gia' z-norm
+
+    # match-history: per ogni end di libreria, quale template e con che corr
+    # (precalcolo causale: per ogni end, corr con ogni template)
+    # corr Pearson fra forme z-norm = dot/W
+    lib_ends = ends[ends >= W - 1]
+    lib_M = M[[end_pos[int(e)] for e in lib_ends]]    # (L, W)
+    corr_mat = (lib_M @ T.T) / W                       # (L, NT)
+    best_tpl = np.argmax(corr_mat, axis=1)
+    best_corr = corr_mat[np.arange(len(lib_ends)), best_tpl]
+    lib_fr = fr[lib_ends]
+    lib_end_arr = lib_ends
+
+    entries: list[dict] = []
+    # cache direzione per template, ricostruita ogni rebuild barre
+    dir_cache: dict[int, int] = {}
+    next_rebuild = 0
+
+    for i in range(min_lib, n - 1):
+        q = M[end_pos[i]]
+        if not np.isfinite(q).all():
+            continue
+        cq = (T @ q) / W                               # corr con ogni template
+        bt = int(np.argmax(cq))
+        if cq[bt] < corr_min:
+            continue
+        if trend_max is not None and a[i] > 0 and abs(close[i] - el[i]) / a[i] > trend_max:
+            continue
+
+        # direzione attesa: media forward causale delle occorrenze concluse dello stesso template
+        if i >= next_rebuild:
+            dir_cache = {}
+            next_rebuild = i + rebuild
+        if bt not in dir_cache:
+            mask = (lib_end_arr <= i - 1 - H) & (best_tpl == bt) & (best_corr >= corr_min) & (~np.isnan(lib_fr))
+            outs = lib_fr[mask]
+            if len(outs) < 30:
+                dir_cache[bt] = 0
+            else:
+                m = float(outs.mean())
+                # soglia: |media| forward deve superare dir_min volte la std forward (edge vs rumore)
+                sd = float(outs.std()) + 1e-12
+                dir_cache[bt] = (1 if m > 0 else -1) if abs(m) / sd >= dir_min else 0
+        d = dir_cache[bt]
+        if d == 0:
+            continue
+        e = {"i": i, "d": d, "max_bars": H}
+        if tp_atr is not None and a[i] > 0:
+            e["tp"] = close[i] + d * tp_atr * a[i]
+        if sl_atr is not None and a[i] > 0:
+            e["sl"] = close[i] - d * sl_atr * a[i]
+        entries.append(e)
+    return entries
+
+
+# =========================================================================================
+#  CHECK CAUSALITA' espliciti
+# =========================================================================================
+def check_causality_analog(df, **kw) -> bool:
+    """Le entries non devono cambiare se perturbo il FUTURO oltre l'ultima barra usata.
+    Tronco il df a una certa lunghezza L e verifico che le entries con i<L-H-1 siano
+    identiche a quelle calcolate sul df completo (la coda futura non le tocca)."""
+    L = int(len(df) * 0.55)
+    H = kw.get("H", 12)
+    full = analog_dist_entries(df, **kw)
+    trunc = analog_dist_entries(df.iloc[:L].reset_index(drop=True), **kw)
+    horizon = L - H - 2
+    f = {e["i"]: e["d"] for e in full if e["i"] < horizon}
+    t = {e["i"]: e["d"] for e in trunc if e["i"] < horizon}
+    ok = (f == t)
+    print(f"  causalita' analog ({kw.get('dist','euclid')}): {'OK' if ok else 'VIOLATO'} "
+          f"({len(f)} entries confrontate <{horizon})")
+    return ok
+
+
+def check_causality_template(df, **kw) -> bool:
+    L = int(len(df) * 0.55)
+    H = kw.get("H", 12)
+    full = template_entries(df, **kw)
+    trunc = template_entries(df.iloc[:L].reset_index(drop=True), **kw)
+    horizon = L - H - 2
+    f = {e["i"]: e["d"] for e in full if e["i"] < horizon}
+    t = {e["i"]: e["d"] for e in trunc if e["i"] < horizon}
+    ok = (f == t)
+    print(f"  causalita' template: {'OK' if ok else 'VIOLATO'} "
+          f"({len(f)} entries confrontate <{horizon})")
+    return ok
+
+
+# =========================================================================================
+#  RUN
+# =========================================================================================
+def run_head_to_head(assets=SUBC_ASSETS, W=16, H=12, K=40, step=6, agree=0.62,
+                     decide_step=4, dtw_prefilter=120):
+    """Confronto HEAD-TO-HEAD delle metriche di forma a PARITA' di selettivita'.
+
+    Tutte le metriche valutano le STESSE barre-decisione (decide_step) con lo STESSO
+    W/H/K/agree: l'unica variabile e' la distanza. decide_step>1 serve a rendere DTW
+    trattabile (pura Python ~9ms/query); applicato a tutte per equita'.
+    """
+    print("=" * 100)
+    print(f"  FILONE 1 — ANALOG head-to-head metriche (W{W} H{H} K{K} step{step} "
+          f"agree{agree} decide_step{decide_step}) | netto fee, OOS")
+    print("=" * 100)
+    results = {}
+    for asset in assets:
+        df = get_df(asset, "1h")
+        print(f"\n  --- {asset} 1h (n={len(df)}) ---", flush=True)
+        for dist in ["euclid", "corr", "cosine", "dtw"]:
+            t0 = time.time()
+            ents = analog_dist_entries(df, dist=dist, W=W, H=H, K=K, step=step, agree=agree,
+                                       dtw_band=max(2, W // 5), dtw_prefilter=dtw_prefilter,
+                                       decide_step=decide_step)
+            dt = time.time() - t0
+            res = evaluate(f"{dist:<7s}", ents, df)
+            results[(asset, dist)] = res
+            print(f"      ^ time={dt:>5.1f}s robust={'YES' if robust(res) else 'no '}", flush=True)
+    return results
+
+
+def run_templates(assets=SUBC_ASSETS, W=20, H=12, corr_min=0.85, dir_min=0.10):
+    print("=" * 100)
+    print(f"  FILONE 2 — TEMPLATE canonici (W{W} H{H} corr>={corr_min} dir>={dir_min}) | netto fee, OOS")
+    print("=" * 100)
+    results = {}
+    for asset in assets:
+        df = get_df(asset, "1h")
+        print(f"\n  --- {asset} 1h (n={len(df)}) ---")
+        for cm in [0.80, 0.85, 0.90]:
+            ents = template_entries(df, W=W, H=H, corr_min=cm, dir_min=dir_min)
+            res = evaluate(f"corr_min={cm}", ents, df)
+            results[(asset, cm)] = res
+            print(f"      ^ robust={'YES' if robust(res) else 'no '}")
+    return results
+
+
+def run_sweep():
+    """Sweep largo (lento per via di DTW). Usa run_in_background."""
+    print("=" * 100)
+    print("  SWEEP LARGO — analog griglia W/H/K/step x metriche + template griglia")
+    print("=" * 100)
+    for W in [16, 20, 28]:
+        for H in [8, 12, 24]:
+            print(f"\n##### W={W} H={H} #####")
+            run_head_to_head(W=W, H=H, K=40, step=6, agree=0.62)
+    for W in [16, 20, 28]:
+        for H in [8, 12, 24]:
+            print(f"\n##### TEMPLATE W={W} H={H} #####")
+            run_templates(W=W, H=H, corr_min=0.85, dir_min=0.10)
+
+
+def run():
+    np.random.seed(RNG_SEED)
+    print("#" * 100)
+    print("  SHAPE_TEMPLATE_RESEARCH — distanze di forma alternative + template canonici")
+    print("#" * 100)
+    # 1) check causalita' espliciti
+    print("\n[CAUSALITA']")
+    dfb = get_df("BTC", "1h")
+    check_causality_analog(dfb, dist="euclid", W=20, H=12, K=40, step=6, min_lib=2000)
+    check_causality_analog(dfb, dist="dtw", W=16, H=12, K=40, step=8, min_lib=2000,
+                           dtw_band=3, decide_step=20)
+    check_causality_template(dfb, W=20, H=12, corr_min=0.85)
+    # 2) head-to-head metriche
+    print()
+    run_head_to_head()
+    # 3) template
+    print()
+    run_templates()
+
+
+if __name__ == "__main__":
+    if "--sweep" in sys.argv:
+        run_sweep()
+    elif "--templates" in sys.argv:
+        run_templates()
+    elif "--h2h" in sys.argv:
+        run_head_to_head()
+    else:
+        run()

scripts/analysis/sleeve_clustering.py

@@ -0,0 +1,173 @@
+"""Analisi di ACCORPAMENTO degli sleeve: le strategie possono essere raggruppate
+meglio o diversamente rispetto all'attuale "per famiglia"?
+
+Costruisce le 17 sleeve daily (FADE 6 + HONEST 3 + PAIRS 5 + TSM01 + SHAPE 2),
+e risponde con evidenza a:
+  1. CORRELAZIONE: matrice completa -> quali sleeve sono ridondanti (corr alta)?
+  2. CLUSTER: clustering gerarchico sulla distanza 1-corr -> i gruppi NATURALI
+     coincidono con le famiglie o no?
+  3. RISCHIO: contributo di ogni sleeve alla volatilita' del portafoglio equal-weight
+     -> chi domina il rischio (e va cappato)?
+  4. PESI: confronto equal-weight vs inverse-vol vs risk-parity (per cluster) su
+     ritorno/DD/Sharpe FULL e OOS.
+
+Tutto netto fee, leva 3x, finestra comune 2021-2026, OOS = ultimo 30%.
+Run:  uv run python scripts/analysis/sleeve_clustering.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 scipy.cluster.hierarchy import linkage, fcluster
+from scipy.spatial.distance import squareform
+
+from scripts.analysis.report_families import build_everything
+from scripts.analysis.combine_portfolio import port_returns, metrics, SPLIT
+
+
+def daily_matrix(sleeves: dict) -> pd.DataFrame:
+    return pd.DataFrame({k: v.pct_change().fillna(0.0) for k, v in sleeves.items()})
+
+
+def risk_contributions(dr: pd.DataFrame, w: np.ndarray) -> np.ndarray:
+    """Contributo % di ogni sleeve alla varianza del portafoglio (w'Σ)."""
+    cov = dr.cov().values
+    port_var = float(w @ cov @ w)
+    mrc = cov @ w                      # marginal risk contribution
+    rc = w * mrc                       # risk contribution (somma = port_var)
+    return rc / port_var * 100 if port_var > 0 else rc
+
+
+def inv_vol(dr: pd.DataFrame) -> np.ndarray:
+    v = dr.std().values
+    inv = np.where(v > 0, 1.0 / v, 0.0)
+    return inv / inv.sum()
+
+
+def cluster_risk_parity(dr: pd.DataFrame, labels: np.ndarray) -> dict:
+    """Peso: equal fra i CLUSTER, poi inverse-vol DENTRO ogni cluster.
+    Diversifica per gruppo-naturale invece che per sleeve -> non sovrappesa cluster affollati."""
+    cols = list(dr.columns)
+    w = np.zeros(len(cols))
+    clusters = sorted(set(labels))
+    per_cluster = 1.0 / len(clusters)
+    for cl in clusters:
+        idx = [i for i, lb in enumerate(labels) if lb == cl]
+        sub = dr.iloc[:, idx]
+        iv = inv_vol(sub)
+        for j, i in enumerate(idx):
+            w[i] = per_cluster * iv[j]
+    return {cols[i]: w[i] for i in range(len(cols))}
+
+
+def main():
+    print("Costruzione 17 sleeve (~2-3 min)...\n")
+    S, pairs, tsm, shape = build_everything()
+    all_sl = {**S, **pairs, **tsm, **shape}
+    dr = daily_matrix(all_sl)
+    cols = list(dr.columns)
+    n = len(cols)
+
+    fam_of = {}
+    for k in cols:
+        if k.startswith("MR"):
+            fam_of[k] = "FADE"
+        elif k.startswith("PR_"):
+            fam_of[k] = "PAIRS"
+        elif k.startswith("SH_"):
+            fam_of[k] = "SHAPE"
+        elif k == "TSM01":
+            fam_of[k] = "TSM"
+        else:
+            fam_of[k] = "HONEST"
+
+    # ---------- 1. correlazione ----------
+    print("=" * 100)
+    print("  (1) MATRICE DI CORRELAZIONE daily fra sleeve")
+    print("=" * 100)
+    corr = dr.corr()
+    short = [c.replace("_", "")[:8] for c in cols]
+    print("        " + "".join(f"{s[:6]:>7s}" for s in short))
+    for i, c in enumerate(cols):
+        print(f"  {short[i]:<6s}" + "".join(f"{corr.iloc[i, j]:>7.2f}" for j in range(n)))
+
+    # coppie piu' correlate (candidati all'accorpamento)
+    print("\n  Coppie piu' correlate (>0.5 -> ridondanza potenziale):")
+    pairs_corr = []
+    for i in range(n):
+        for j in range(i + 1, n):
+            pairs_corr.append((corr.iloc[i, j], cols[i], cols[j]))
+    pairs_corr.sort(reverse=True)
+    for cc, a, b in pairs_corr[:12]:
+        flag = "  <-- stessa famiglia" if fam_of[a] == fam_of[b] else "  <-- CROSS-famiglia"
+        print(f"    {a:<11s} {b:<11s} {cc:+.2f}{flag if cc > 0.5 else ''}")
+
+    # ---------- 2. cluster ----------
+    print("\n" + "=" * 100)
+    print("  (2) CLUSTERING GERARCHICO (distanza = 1-corr) — i gruppi naturali")
+    print("=" * 100)
+    dist = 1.0 - corr.values
+    np.fill_diagonal(dist, 0.0)
+    dist = (dist + dist.T) / 2
+    Z = linkage(squareform(dist, checks=False), method="average")
+    for thr in (0.85, 0.95):
+        labels = fcluster(Z, t=thr, criterion="distance")
+        groups: dict[int, list] = {}
+        for c, lb in zip(cols, labels):
+            groups.setdefault(lb, []).append(c)
+        print(f"\n  taglio a distanza {thr} (corr>{1-thr:.2f}) -> {len(groups)} cluster:")
+        for lb, members in sorted(groups.items()):
+            fams = {fam_of[m] for m in members}
+            print(f"    C{lb}: {', '.join(members)}   [{'/'.join(sorted(fams))}]")
+
+    # ---------- 3. rischio ----------
+    print("\n" + "=" * 100)
+    print("  (3) CONTRIBUTO AL RISCHIO (equal-weight) — chi domina la volatilita'")
+    print("=" * 100)
+    w_eq = np.ones(n) / n
+    rc = risk_contributions(dr, w_eq)
+    order = np.argsort(rc)[::-1]
+    print(f"  {'sleeve':<12s}{'peso%':>7s}{'risk%':>7s}  famiglia")
+    for i in order:
+        print(f"  {cols[i]:<12s}{w_eq[i]*100:>7.1f}{rc[i]:>7.1f}  {fam_of[cols[i]]}")
+    # rischio per famiglia
+    print("\n  contributo al rischio per FAMIGLIA (equal-weight sleeve):")
+    fam_rc: dict[str, float] = {}
+    for i, c in enumerate(cols):
+        fam_rc[fam_of[c]] = fam_rc.get(fam_of[c], 0.0) + rc[i]
+    for f, v in sorted(fam_rc.items(), key=lambda x: -x[1]):
+        print(f"    {f:<8s} {v:>5.1f}%")
+
+    # ---------- 4. schemi di peso ----------
+    print("\n" + "=" * 100)
+    print("  (4) SCHEMI DI PESO a confronto | FULL ret/DD/Sharpe | OOS ret/DD/Sharpe")
+    print("=" * 100)
+    labels95 = fcluster(Z, t=0.95, criterion="distance")
+
+    schemes = {
+        "equal-weight": {c: 1.0 / n for c in cols},
+        "inverse-vol": {cols[i]: inv_vol(dr)[i] for i in range(n)},
+        "cluster-risk-parity": cluster_risk_parity(dr, labels95),
+    }
+    print(f"  {'schema':<22s}{'Ret%':>9s}{'DD%':>7s}{'Shrp':>7s}   | {'oRet%':>9s}{'oDD%':>7s}{'oShrp':>7s}")
+    print("  " + "-" * 78)
+    for nm, w in schemes.items():
+        dserved = port_returns(all_sl, w)
+        f, o = metrics(dserved), metrics(dserved, lo=SPLIT)
+        print(f"  {nm:<22s}{f['ret']:>+9.0f}{f['dd']:>7.1f}{f['sharpe']:>7.2f}   | "
+              f"{o['ret']:>+9.0f}{o['dd']:>7.1f}{o['sharpe']:>7.2f}")
+
+    print("\n  Lettura: se i cluster naturali != famiglie, conviene pesare per CLUSTER (rischio)")
+    print("  invece che per famiglia. Se inverse-vol/risk-parity battono equal-weight in OOS,")
+    print("  l'accorpamento attuale (equal-weight per sleeve) e' migliorabile.")
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/smoke_portfolio.py

@@ -0,0 +1,39 @@
+"""Smoke reale: un giro di fetch v2 + build worker + un tick del portafoglio attivo.
+NON apre ordini reali (paper). Verifica data layer v2 + sizing + ledger."""
+import sys, shutil, tempfile
+from pathlib import Path
+from datetime import datetime, timezone, timedelta
+import pandas as pd
+
+PROJECT_ROOT = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(PROJECT_ROOT))
+
+from src.portfolio.base import load_active_portfolio
+from src.portfolio.ledger import PortfolioLedger
+from src.portfolio.runner import build_worker_for, _worker_equity
+from src.live.cerbero_client import CerberoClient
+from src.live.multi_runner import INSTRUMENT_MAP
+
+
+def main():
+    tmp = Path(tempfile.mkdtemp())
+    p = load_active_portfolio(PROJECT_ROOT / "portfolios.yml")
+    ledger = PortfolioLedger(p.code, total_capital=p.total_capital, data_dir=tmp)
+    alloc = ledger.allocate({s.sid: 1.0 / len(p.sleeves) for s in p.sleeves})
+    client = CerberoClient()
+    print(f"Portafoglio attivo: {p.code} ({p.label}) — {len(p.sleeves)} sleeve, leva {p.leverage}x")
+    end = datetime.now(timezone.utc); start = end - timedelta(days=60)
+    ok = 0
+    for s in p.sleeves[:3]:
+        asset = s.asset or s.a
+        inst = INSTRUMENT_MAP.get(asset, f"{asset}-PERPETUAL")
+        candles = client.get_historical_v2(inst, start.strftime("%Y-%m-%d"),
+                                           end.strftime("%Y-%m-%d"), s.tf)
+        print(f"  {s.sid:<12s} {inst:<18s} candele={len(candles)}")
+        ok += len(candles) > 0
+    print(f"OK: {ok}/3 sleeve con feed v2 fresco. Ledger equity iniziale={ledger.equity}")
+    shutil.rmtree(tmp, ignore_errors=True)
+
+
+if __name__ == "__main__":
+    main()

scripts/analysis/validate_fade_intrabar.py

@@ -0,0 +1,74 @@
+"""Demo numerica: il worker fade col NUOVO exit intrabar riproduce il backtest intrabar?
+
+Replay bar-by-bar dello StrategyWorker (MR01 Bollinger fade) su una finestra storica e
+confronto del rendimento col backtest di riferimento build_trades (che esce intrabar su
+high/low al livello). Filtro trend disattivato in entrambi per isolare l'effetto-exit.
+
+Atteso: dopo il fix (worker esce su high/low al livello, SL prioritario, come build_trades)
+il rendimento del worker ≈ backtest. Prima del fix (exit solo sul close) divergeva.
+
+Run: uv run python scripts/analysis/validate_fade_intrabar.py
+"""
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+import tempfile, shutil
+
+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 src.live.strategy_worker import StrategyWorker
+from src.live.strategy_loader import load_strategy
+from scripts.analysis.risk_management import bollinger_fade, build_trades
+
+CORE = dict(n=50, k=2.5, sl_atr=2.0, max_bars=24)   # MR01, niente filtro trend
+POS = 0.15
+
+
+def backtest_return(df) -> tuple[float, int]:
+    ents = bollinger_fade(df, **CORE)
+    trades = build_trades(ents, df, trend_max=None)   # intrabar, no trend filter
+    cap = 1000.0
+    for _, _, ret in trades:
+        cap = max(cap + cap * POS * ret, 10.0)
+    return (cap / 1000 - 1) * 100, len(trades)
+
+
+def worker_replay_return(df) -> tuple[float, int]:
+    tmp = Path(tempfile.mkdtemp())
+    try:
+        w = StrategyWorker(strategy=load_strategy("MR01_bollinger_fade"), asset="BTC", tf="1h",
+                           capital=1000.0, params=dict(CORE), data_dir=tmp)
+        # niente I/O per tick (replay veloce)
+        w._save_state = lambda *a, **k: None
+        w._log = lambda *a, **k: None
+        w._notify = lambda *a, **k: None
+        n = len(df)
+        for i in range(101, n):
+            w.tick(df.iloc[: i + 1])
+        return (w.capital / 1000 - 1) * 100, w.total_trades
+    finally:
+        shutil.rmtree(tmp, ignore_errors=True)
+
+
+def main():
+    df = load_data("BTC", "1h").iloc[-4000:].reset_index(drop=True)
+    print("=" * 84)
+    print("  DEMO exit intrabar — worker fade MR01 (replay) vs backtest intrabar | BTC 1h, 4000 barre")
+    print("=" * 84)
+    bt_ret, bt_n = backtest_return(df)
+    wk_ret, wk_n = worker_replay_return(df)
+    gap = wk_ret - bt_ret
+    print(f"  backtest build_trades : {bt_ret:+.1f}%   ({bt_n} trade)")
+    print(f"  worker replay (intrabar): {wk_ret:+.1f}%   ({wk_n} trade)")
+    print(f"  gap = {gap:+.1f} punti %   -> {'OK (allineato)' if abs(gap) < max(abs(bt_ret) * 0.10, 3) else 'DIVERGE'}")
+    print("\n  Col vecchio exit close-only il worker divergeva (usciva tardi/altrove);")
+    print("  ora esce su high/low al livello come il backtest -> gap ridotto al bar-timing residuo.")
+
+
+if __name__ == "__main__":
+    main()