181 lines
6.6 KiB
Markdown
181 lines
6.6 KiB
Markdown
# PythagorasGoal
|
||
|
||
Sistema di riconoscimento pattern frattali e predizione per il trading di criptovalute (BTC, ETH), ispirato al framework teorico di Serleto & Malanga (*Pythagoras Trading Prediction*).
|
||
|
||
## 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.
|
||
|
||
## Risultati
|
||
|
||
Oltre 30 strategie testate su dati storici 2018–2026 (BTC e ETH, timeframe 15m / 1h). Le migliori:
|
||
|
||
| Codice | Strategia | Accuracy | Trades | Max DD | €/giorno | Robustezza |
|
||
|--------|-----------|----------|--------|--------|----------|------------|
|
||
| SQ02 | Antifake+Vol BTC 15m | **79.7%** | 1250 | 6.5% | €5.23 | ✅ 9/9 anni |
|
||
| ML01 | Squeeze+GBM BTC 15m | 79.1% | 1929 | 5.5% | €8.45 | ✅ 5/5 anni |
|
||
| SQ02 | Antifake+Vol ETH 15m | 78.6% | 942 | 3.4% | €4.33 | 8/9 anni |
|
||
| SQ02 | Antifake+Vol BTC 1h | 78.0% | 473 | 3.5% | €3.85 | ✅ 9/9 anni |
|
||
| SQ01 | Squeeze Base ETH 15m | 76.4% | 2948 | 6.2% | €10.31 | 9/9 anni |
|
||
| ML01 | Squeeze+GBM ETH 15m | 76.7% | 1210 | 4.2% | €11.12 | 5/5 anni |
|
||
|
||
La strategia più robusta (SQ02 BTC 15m) mantiene accuracy ≥73% ogni anno dal 2018 con Sharpe 5.01.
|
||
|
||
## Come funziona
|
||
|
||
### Volatility Squeeze Breakout
|
||
|
||
Il meccanismo centrale sfrutta i cicli naturali di compressione ed espansione della volatilità:
|
||
|
||
1. **Compressione** — le Bollinger Bands entrano dentro i Keltner Channel (il prezzo si muove sempre meno, accumulando "energia").
|
||
2. **Breakout** — le bande escono dal canale. Un impulso direzionale parte.
|
||
3. **Filtri** — anti-fakeout (scarta breakout con retrace >60%) + volume confirmation (breakout >1.3× media).
|
||
4. **ML opzionale** — un modello GradientBoosting (GBM), addestrato walk-forward su feature strutturali, conferma la direzione e filtra i segnali deboli.
|
||
|
||
### Feature ML (44 dimensioni)
|
||
|
||
- Rapporti body/shadow normalizzati su finestre multiple (12, 24, 48 candele)
|
||
- Momentum, volatilità, skewness, kurtosis dei rendimenti logaritmici
|
||
- Autocorrelazione lag-1 e profilo volumetrico
|
||
- Durata della fase di squeeze e rapporto di espansione Keltner
|
||
- Posizione del prezzo rispetto al range recente e ATR normalizzato
|
||
|
||
## Struttura progetto
|
||
|
||
```
|
||
PythagorasGoal/
|
||
├── src/
|
||
│ ├── data/ # Download e gestione dati (Cerbero MCP + Binance)
|
||
│ ├── fractal/ # Indicatori frattali: Hurst, Higuchi FD, self-similarity
|
||
│ ├── backtest/ # Motore di backtesting con fee e metriche
|
||
│ ├── 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 (per ML01)
|
||
│ └── telegram_notifier.py
|
||
├── scripts/
|
||
│ ├── strategies/ # Strategie attive (SQ01-SQ04, ML01)
|
||
│ ├── waste/ # Strategie scartate (W01-W22)
|
||
│ └── analysis/ # Script di confronto e report
|
||
├── strategies.yml # Config multi-strategy paper trader
|
||
├── data/
|
||
│ └── raw/ # Parquet OHLCV (gitignored, ~70 MB)
|
||
├── docs/
|
||
│ ├── diary/ # Diario di ricerca giornaliero
|
||
│ └── specs/ # Specifiche di design
|
||
├── Dockerfile
|
||
├── docker-compose.yml
|
||
└── pyproject.toml
|
||
```
|
||
|
||
## Strategie attive
|
||
|
||
Tutte le strategie estendono `src.strategies.base.Strategy` con interfaccia comune: `generate_signals() → backtest() → report()`.
|
||
|
||
| Codice | Script | Tipo | Descrizione |
|
||
|--------|--------|------|-------------|
|
||
| SQ01 | `SQ01_squeeze_base.py` | Regole | Squeeze breakout puro |
|
||
| SQ02 | `SQ02_squeeze_antifake_vol.py` | Regole | Squeeze + antifakeout + volume confirm |
|
||
| SQ03 | `SQ03_squeeze_all_filters.py` | Regole | Squeeze + filtri selezionabili (9 preset) |
|
||
| SQ04 | `SQ04_squeeze_ultimate.py` | Regole | Combo incrementali con correlazione/trend |
|
||
| ML01 | `ML01_squeeze_gbm.py` | ML | Squeeze + GBM walk-forward |
|
||
|
||
Per eseguire il backtest di una strategia:
|
||
|
||
```bash
|
||
uv run python scripts/strategies/SQ02_squeeze_antifake_vol.py
|
||
```
|
||
|
||
## Paper Trading Live
|
||
|
||
Il multi-strategy runner esegue N strategie in parallelo su dati live da Cerbero MCP, ognuna con €1000 USDC virtuali indipendenti.
|
||
|
||
### Avvio
|
||
|
||
```bash
|
||
# Locale
|
||
uv run python -m src.live.multi_runner
|
||
|
||
# Docker
|
||
docker compose up -d
|
||
```
|
||
|
||
### Configurazione
|
||
|
||
Le strategie attive sono definite in `strategies.yml`:
|
||
|
||
```yaml
|
||
defaults:
|
||
capital: 1000
|
||
position_size: 0.15
|
||
leverage: 3
|
||
|
||
strategies:
|
||
- name: SQ02_antifake_vol
|
||
asset: BTC
|
||
tf: 15m
|
||
enabled: true
|
||
```
|
||
|
||
Per aggiungere una strategia: nuova riga in `strategies.yml`, poi `docker compose restart`. Lo storico delle strategie esistenti rimane intatto.
|
||
|
||
### Persistenza
|
||
|
||
Ogni strategia ha la sua directory in `data/paper_trades/`:
|
||
|
||
```
|
||
data/paper_trades/
|
||
SQ02_antifake_vol__BTC__15m/
|
||
trades.jsonl # Storico trade append-only
|
||
status.json # Stato corrente (resume al restart)
|
||
```
|
||
|
||
Notifiche Telegram per ogni trade (richiede `TELEGRAM_BOT_TOKEN` e `TELEGRAM_CHAT_ID` in `.env`).
|
||
|
||
## Setup
|
||
|
||
```bash
|
||
# Clona e installa
|
||
git clone <repo-url> && cd PythagorasGoal
|
||
uv sync
|
||
|
||
# Scarica dati storici (~70 MB)
|
||
uv run python -m src.data.downloader
|
||
|
||
# Backtest strategia migliore
|
||
uv run python scripts/strategies/SQ02_squeeze_antifake_vol.py
|
||
|
||
# Paper trading live
|
||
uv run python -m src.live.multi_runner
|
||
```
|
||
|
||
### Requisiti
|
||
|
||
- Python ≥ 3.11
|
||
- [uv](https://docs.astral.sh/uv/) come package manager
|
||
- Accesso a Cerbero MCP (`cerbero-mcp.tielogic.xyz`) per dati Deribit live
|
||
- Docker (opzionale, per deploy su VPS)
|
||
|
||
## 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 |
|
||
|
||
Fonte primaria: Deribit perpetual via Cerbero MCP. Fallback: Binance spot via ccxt. Formato: Apache Parquet.
|
||
|
||
## Riferimenti
|
||
|
||
- Serleto, L. & Malanga, C. — *Pythagoras Trading Prediction* (2024)
|
||
- Serleto, L. & Malanga, C. — *Libro dei Frattali* (2024)
|
||
|
||
## Licenza
|
||
|
||
Uso privato. Non destinato alla distribuzione.
|