Adriano Dal Pastro
14522262e6
Reset del progetto su fondamenta verificate dopo la scoperta che l'intera libreria "validata OOS" era artefatto di feed contaminato (print fantasma del feed Cerbero TESTNET + storico Binance/USDT). - Storico ricostruito da Deribit MAINNET (ccxt pubblico, tokenless) e CERTIFICATO (certify_feed.py): BTC/ETH puliti su TUTTA la storia (mediana 2-6 bps vs Coinbase USD), integrita' OHLC + coerenza resample (maxΔ 0.00) + cross-venue OK. Alt esclusi (illiquidi/divergenti: LTC/DOGE 50-82% barre flat; XRP/BNB non certificabili). - Verdetto sul feed pulito: FADE / PAIRS / XS01 / TSM01 morti (ogni portafoglio Sharpe -2.3..-3.0, DD ~40%); solo SH01 e frammenti HONEST con segnale residuo, da ri-validare in isolamento. - Cleanup "restart pulito": strategie, stack live (src/live, src/portfolio, runner/executor, yml, docker), ~100 script ricerca/gate, waste/games/ portfolios, dati non certificati + cache e 60+ diari -> archiviati in Old/ (preservati, non cancellati). Diario consolidato in un unico documento. - Skeleton ricerca tenuto: Strategy ABC + indicatori + src/fractal + src/backtest/engine + load_data; tool dati certificati (rebuild_history, certify_feed, audit_feed, multi_source_check). - Universo dati ATTIVO: solo BTC/ETH (5m/15m/1h); guardrail fisico (load_data su alt -> FileNotFoundError). Esecuzione DISABILITATA, conto flat. Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
93 lines
4.8 KiB
Markdown
93 lines
4.8 KiB
Markdown
# 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
|