# 2026-05-27 — Giorno 2: Strategie e risultati

### 00:00 — Strategia 5: Enhanced fractal (DATA LEAKAGE trovata!)

**Cosa:** GBM con features multi-window (4 finestre × 9 features), classification binaria, BTC + ETH su 3 lookahead
**Atteso:** miglioramento rispetto a #4 con più features e classificazione binaria
**Reale:** risultati iniziali troppo belli (84.5% accuracy BTC, 85% ETH) → **DATA LEAKAGE TROVATA**
**Bug:** `returns[i-w : i]` includeva `returns[i-1]` che usa `close[i]` (1 candle nel futuro)
**Fix:** cambiato a `returns[i-w : i-1]` — re-run in corso
**Lezione:** SEMPRE verificare che nessuna feature usi dati oltre il timestamp di decisione. Returns ha off-by-one insidioso.

### 00:10 — Strategia 6: Structural Pattern KNN + GBM

**Cosa:** features normalizzate da finestra OHLC (close norm, body, direction, shadow, volume), con KNN e GBM
**Reale:**
- KNN: max 55.9% accuracy (K=100, thr=0.65) → edge minimo
- **GBM: thr=0.65, 795 trades, 58.6% accuracy, +57.5% return** ← MIGLIOR SINGOLO (senza leakage)
**Lezione:** features strutturali normalizzate battono features raw. GBM >> KNN per questo tipo di dati.

### 00:20 — Strategia 7: LSTM

**Cosa:** LSTM (2 layer, 64 hidden, dropout 0.3) su sequenze di 48 candele × 6 features per-candle
**Reale:**
- BTC test: 51.9% base, ma thr=0.60: **58.4% accuracy, 214 trades, +4.3%**
- BTC thr=0.65: **64.3% accuracy** ma solo 14 trade
- ETH: 52.6% base, thr=0.55: **54.5%, +19.9%**
- Training su CPU (CUDA non disponibile) → 14 epoch con early stopping
**Lezione:** LSTM cattura pattern ma non aggiunge molto rispetto a GBM su features ingegnerizzate. Edge comparabile (~58-64%) con molte meno features. CPU training lento.

### 00:30 — Strategia 8: Ensemble multi-timeframe

**Cosa:** 3 modelli (structural 1h, multi-tf 15m, combined) con voting e media probabilità
**Reale:**
- M1_structural thr=0.65: 829 trades, **58.3% acc, +53.4%, 17.8% annualizzato**
- M2_multi_tf: scarso (15m features da sole non bastano)
- Ensemble agree≥2, thr=0.65: 520 trades, **59.2% accuracy, +19.9%**
- Ensemble agree≥3, thr=0.65: 27 trades, **70.4% accuracy** ma pochi trade
**Lezione:** 
1. Multi-timeframe aggiunge margine (+1% accuracy nell'ensemble)
2. Consensus forte (3/3) raggiunge 70%+ ma troppo pochi trade
3. Il collo di bottiglia è la frequenza segnali ad alta confidenza

### 00:45 — Strategie 9 e 10 in esecuzione

- **#9**: Walk-forward validation con GBM, features combinate structural+fractal
- **#10**: High precision (target >80%) con ensemble 5 modelli (2×GBM, RF, ExtraTrees, LogReg), consensus voting, leva 3x

### Riepilogo risultati validi (no leakage)

| # | Nome | Accuracy | Return | Ann. | Trades | Note |
|---|------|----------|--------|------|--------|------|
| 6 | GBM structural | 58.6% | +57.5% | ~20% | 795 | Miglior singolo |
| 8/M1 | Structural WF | 58.3% | +53.4% | 17.8% | 829 | Robusto |
| 8/ens | Ensemble 2/3 | 59.2% | +19.9% | 7.2% | 520 | Più filtrato |
| 8/ens3 | Ensemble 3/3 | 70.4% | +11.3% | 4.2% | 27 | Alta acc, pochi trade |
| 4 | GBM fractal | 63.6% | +5.7% | ~3% | 66 | Pochi ma precisi |
| 7 | LSTM | 58.4% | +4.3% | 3.1% | 214 | Comparabile a GBM |

### Analisi gap verso target

| Target | Attuale | Gap |
|--------|---------|-----|
| Accuracy >80% | max 70.4% (ens 3/3) | serve +10% |
| ROI annuo >30% | max ~20% (structural) | serve +10% |
| €50/giorno da €1000 | richiede ~5% daily | richiede crescita capitale su 6 mesi |

### Prossimi passi

1. Verificare strategia 5 corretta (senza leakage)
2. Risultati strategia 9 (walk-forward) e 10 (high precision ensemble)
3. Se accuracy ancora insufficiente: provare features da 5m aggregati, o approach completamente diverso (reinforcement learning?)
4. Valutare combinazione: multi-asset (BTC+ETH) per diversificazione