# 2026-05-26 — Giorno 1: Setup e download dati

### 23:15 — Inizializzazione progetto

**Cosa:** creato struttura progetto Python con uv, git init, moduli base
**Perché:** servono fondamenta solide per ricerca iterativa. Struttura: src/data (download/storage), src/fractal (analisi pattern), src/strategies (strategie trading), src/backtest (engine di test), src/nn (reti neurali), src/utils (utility)
**Atteso:** progetto funzionante con dipendenze installate
**Reale:** in corso

### 23:20 — Verifica Cerbero MCP

**Cosa:** testato accesso API Cerbero su cerbero-mcp.tielogic.xyz per dati storici crypto
**Perché:** verificare se può fornire dati dal 2018
**Atteso:** dati storici cross-exchange (consensus multi-sorgente)
**Reale:** API funziona, dati recenti OK. Per storico 2018→oggi uso Binance via ccxt (copertura temporale maggiore, dati 1m disponibili)

### 23:25 — Script download dati

**Cosa:** creato src/data/downloader.py — scarica OHLCV da Binance per BTC/USDT e ETH/USDT su 4 timeframe (1m, 5m, 15m, 1h) dal 2018-01-01 a oggi. Formato: parquet (veloce, compresso). Supporta resume in caso di interruzione.
**Perché:** dati locali per iterazione veloce. Parquet per caricamento istantaneo vs CSV.
**Atteso:** ~4.2M candele 1m per asset, ~70K candele 1h per asset. Download 1m stimato ~30-60 min per asset.
**Reale:** in corso (avvio download)

### Metriche target

| Metrica | Valore target |
|---|---|
| Accuratezza previsione direzione | >80% |
| ROI annuo (con fees) | >30% |
| Capitale iniziale | €1.000 |
| Obiettivo giornaliero (steady state) | €50/giorno |
| Fee considerate | 0.1% maker/taker (Binance standard) |

### Approccio

1. **Focus frattali**: pattern ricorrenti multi-scala, non indicatori classici
2. **Multi-timeframe**: conferma segnali su scale diverse (1m→1h)
3. **Fuori dagli schemi**: combinare Fourier, auto-similarità, entropia di Shannon, dimensione frattale di Hausdorff
4. **Pragmatismo**: se un approccio non funziona, pivotare veloce. Misurare tutto.

### 23:40 — Analisi baseline completata

**Cosa:** analisi distribuzione pattern discreti (U/D/0) su BTC 1h, 73.557 candele 2018→2026
**Perché:** baseline per capire se pattern candlestick semplici hanno potere predittivo
**Atteso:** almeno alcuni pattern con >60% accuracy direzionale
**Reale:** NESSUN pattern supera 55% accuracy a 24h. Max: DDD→58.5% a 1h, ma scende a 53.6% a 24h. Pattern discreti semplici NON hanno edge significativo.
**Lezione:** 
- Distribuzione candele quasi uniforme: UP 42.1%, DOWN 40.8%, DOJI 17.1%
- 1080 pattern unici (esattamente lo spazio teorico 3^3 + 3^4 + 3^5 + 3^6)
- Pattern alternanti (UDU, DUD) più frequenti → mercato mean-reverting a scala oraria
- Serve andare oltre: features continue (body/shadow ratios, volume), Fourier, self-similarity, ML
**Benchmark:** Buy & Hold test period: +110%, annualizzato 34.3%, Sharpe 0.52

### 23:40 — Download dati completato

**Cosa:** scaricati dati storici BTC + ETH, 3 timeframe (5m, 15m, 1h) dal 2018-01-01
**Fonti:** Cerbero MCP (Deribit) per set 2018+, Binance/ccxt per gap iniziale
**Reale:**

| Asset | TF  | Candele | Peso    |
|-------|-----|---------|---------|
| BTC   | 5m  | 882.630 | 23.6 MB |
| BTC   | 15m | 294.213 |  9.1 MB |
| BTC   | 1h  |  73.557 |  2.8 MB |
| ETH   | 5m  | 882.312 | 19.4 MB |
| ETH   | 15m | 294.107 |  7.9 MB |
| ETH   | 1h  |  73.531 |  2.5 MB |

**Note:** 1m rimandato (troppo pesante per primo round). 5m sufficiente per analisi fine-grained.

### 23:50 — Strategia 3: Fourier projection — FALLITA

**Cosa:** proiezione FFT naive su BTC 1h (ispirata dal paper Pythagoras)
**Atteso:** almeno 55% accuracy direzionale
**Reale:** 49.8% accuracy (=random), -99.9% return. Tutte le varianti parametri (W=144-588, N=5-50) identicamente pessime.
**Lezione:** FFT extrapola sinusoidi che non continuano fuori finestra. Il paper Pythagoras non fa proiezione naive — usa trasformazioni geometriche (centro inversione, riflessioni). Approccio sbagliato, non la tecnica in sé.

### 00:05 — Strategia 4: Regime-aware fractal ML — PARZIALE SUCCESSO

**Cosa:** RandomForest + GradientBoosting su features frattali (Hurst, fractal dim, self-similarity, vol ratio, momentum, candle patterns)
**Atteso:** >55% accuracy con ML su features ricche
**Reale:**
- RF: 38% accuracy (3 classi), pochissimi segnali ad alta confidenza (8 @ thr 0.55 → 100% acc)
- GB: 41.6% accuracy, MA a threshold sweep:
  - thr=0.65: **63.6% accuracy**, 66 segnali, **+5.7% return**, Sharpe 0.21
  - thr=0.80: **80% accuracy**, 5 segnali
- Feature importance: volatility (21%) > momentum (10%) > fractal features (6%)
**Lezione:** 
1. Classificazione 3-classi troppo dispersiva → switch a binario
2. Features frattali contribuiscono ma non dominano — serve combinarle meglio
3. Trade filtering ad alta confidenza funziona: meno trade, più precisi
4. Direzione giusta: ML su features frattali produce edge reale, anche se piccolo