PythagorasGoal/README.md

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 35 strategie testate su dati storici 2018–2026 (BTC e ETH, timeframe 15m / 1h, fee 0.2% round-trip, leva 3x, posizione 15%). Le migliori:

Codice	Strategia	Mercato	Accuracy	Trades	Max DD	Robustezza
MT01	Squeeze + MTF Momentum	BTC 15m	82.7%	503	5.9%	✅ 9/9 anni
MT01	Squeeze + MTF Momentum	ETH 15m	81.2%	404	2.9%	✅ 9/9 anni
PD01	Price-Volume Divergence	ETH 15m	80.9%	465	2.3%	✅ 9/9 anni
PD01	Price-Volume Divergence	BTC 15m	80.6%	578	2.7%	✅ 9/9 anni
CM01	Cross-Market Momentum	ETH 15m	80.6%	433	2.2%	✅ 9/9 anni
AD01	Adaptive Squeeze	BTC 15m	79.9%	1364	9.9%	✅ 9/9 anni
SQ02	Antifake + Volume	BTC 15m	79.7%	1250	6.5%	✅ 9/9 anni

La famiglia squeeze (compressione → espansione di volatilità) è il nucleo comune. Le migliori varianti aggiungono un filtro indipendente: conferma del trend su timeframe superiore (MT01), trend del volume al breakout (PD01), momentum dell'asset correlato (CM01), o soglia di squeeze adattiva al regime di volatilità (AD01). Tutte mantengono accuracy ≥67% in ogni singolo anno dal 2018, con i drawdown più contenuti (2-3%) su ETH.

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.

Filtri di conferma indipendenti

Le varianti più recenti aggiungono un singolo filtro di conferma al breakout, ciascuno motivato da una dinamica di mercato reale (non da ottimizzazione dei parametri):

• MT01 — Multi-timeframe momentum. Entra solo se la EMA su timeframe orario conferma il trend nella direzione del breakout. Filtra i breakout controtendenza.
• PD01 — Price-volume divergence. Richiede che il volume sia in crescita al momento del breakout, non solo elevato: un breakout su volume calante è debole e viene scartato.
• CM01 — Cross-market momentum. Entra solo se l'asset correlato (BTC ↔ ETH) mostra momentum nella stessa direzione nelle ultime barre.
• AD01 — Adaptive squeeze. La soglia di squeeze si adatta al regime di volatilità: più selettiva nei mercati agitati, più permissiva in quelli calmi.

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, MT01, PD01, CM01, AD01)
│   ├── waste/             # Strategie scartate (W01-W28)
│   └── 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
MT01	MT01_squeeze_mtf_momentum.py	Regole	Squeeze 15m + conferma trend EMA 1h (max accuracy)
PD01	PD01_price_volume_divergence.py	Regole	Squeeze + trend del volume al breakout (DD minimo)
CM01	CM01_cross_market_momentum.py	Regole	Squeeze + momentum dell'asset correlato (BTC ↔ ETH)
AD01	AD01_adaptive_squeeze.py	Regole	Squeeze con soglia adattiva al regime di volatilità

Per eseguire il backtest di una strategia:

uv run python scripts/strategies/MT01_squeeze_mtf_momentum.py

Per il confronto completo per anno e mercato:

uv run python scripts/analysis/yearly_market_report.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

# Locale
uv run python -m src.live.multi_runner

# Docker
docker compose up -d

Configurazione

Le strategie attive sono definite in strategies.yml:

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

# 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/MT01_squeeze_mtf_momentum.py

# Paper trading live
uv run python -m src.live.multi_runner

Requisiti

• Python ≥ 3.11
• 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.