PythagorasGoal/CLAUDE.md

PythagorasGoal — Istruzioni per agenti

Panoramica

Progetto di ricerca: riconoscimento pattern frattali per trading algoritmico su criptovalute (BTC, ETH). L'obiettivo è arrivare a €50/giorno di profitto partendo da €1.000, entro 6–8 mesi.

Stack

• Linguaggio: Python 3.11+
• Package manager: uv (dipendenze in pyproject.toml, lock in uv.lock)
• Dati: Parquet in data/raw/ (non committati, ~70 MB)
• ML: scikit-learn (GradientBoostingClassifier)
• Analisi: numpy, pandas, scipy
• API dati: Cerbero MCP su cerbero-mcp.tielogic.xyz (Deribit, Bybit, Hyperliquid), ccxt/Binance come fallback
• Config: pyyaml per strategies.yml

Struttura

src/data/              → download e caricamento dati (downloader.py)
src/fractal/           → indicatori frattali (patterns.py, indicators.py, similarity.py)
src/backtest/          → engine di backtesting (engine.py)
src/strategies/        → classe base Strategy ABC + indicatori condivisi
  base.py              → Strategy, Signal, BacktestResult, YearlyStats
  indicators.py        → keltner_ratio, detect_squeezes, ema, atr, rv, correlation
src/live/              → paper trading live multi-strategia
  multi_runner.py      → orchestratore: carica YAML, fetch candele, tick worker
  strategy_worker.py   → worker indipendente: capital, trade log, stato persistente.
                         Exit guidati da strategia (TP/SL/max_bars via Signal.metadata),
                         fallback hold_bars/stop -2%. Usa fee_rt della strategia.
  strategy_loader.py   → import dinamico classi Strategy da scripts/strategies/
  cerbero_client.py    → client HTTP per Cerbero MCP (Deribit testnet)
  signal_engine.py     → squeeze + ML real-time (legacy ML01, ora in waste) + validazione OOS
  telegram_notifier.py → notifiche Telegram per trade
scripts/strategies/    → strategie con edge validato OOS (solo MR01_bollinger_fade)
scripts/waste/         → strategie scartate (W01-W28 + famiglia squeeze SQ/MT/ML/AD/CM/PD)
scripts/analysis/      → ricerca/validazione OOS fee-aware (strategy_research, oos_validation, ...)
strategies.yml         → config multi-strategy paper trader
docs/diary/            → diario di ricerca giornaliero
docs/specs/            → specifiche di design
data/raw/              → file .parquet OHLCV (gitignored)

Comandi

uv sync                                              # installa dipendenze
uv run python -m src.data.downloader                  # scarica dati storici
uv run python scripts/strategies/MR01_bollinger_fade.py        # strategia attiva (mean-reversion)
uv run python scripts/analysis/strategy_research.py            # ricerca strategie fee-aware OOS
uv run python scripts/analysis/oos_validation.py               # perche' la famiglia squeeze e' scartata
uv run python scripts/analysis/validate_worker_mr01.py         # replay worker reale su MR01
uv run python -m src.live.multi_runner                # paper trading live multi-strategia
docker compose up -d                                  # deploy Docker
uv run pytest                                         # test

Dati storici

Scaricati e salvati localmente in Parquet. Per rigenerarli:

from src.data.downloader import download_all, load_data
download_all()           # scarica BTC + ETH su 5m/15m/1h dal 2018
df = load_data("ETH", "15m")  # carica un asset/timeframe

Fonte primaria: Cerbero MCP (endpoint /mcp-deribit/tools/get_historical). Token observer: nel file secrets/observer.token del progetto CerberoSuite.

Strategie attive

LEZIONE CRITICA (2026-05-28). L'intera famiglia squeeze-breakout (SQ01-04, MT01, ML01, AD01, CM01, PD01) è stata scartata in scripts/waste/: le accuratezze storiche 76-82% erano un artefatto di look-ahead. Quei backtest decidono la direzione con sign(close[i]-close[i-1]) (la candela di breakout i) ma entrano a close[i-1] — cioè comprano prima della candela che usano per scegliere la direzione. Dal vivo il worker scopre il breakout solo a close[i] ed entra lì: l'edge sparisce (win-rate ~47%, lancio di moneta). Sotto ingresso onesto e fee reali tutte perdono, anche a fee zero. Inoltre i breakout rientrano (mean-reversion > continuation). Vedi scripts/analysis/oos_validation.py e intrabar_test.py.

Tutte le strategie estendono src.strategies.base.Strategy (generate_signals() → backtest()). Le strategie mean-reversion condividono src.strategies.fade_base.FadeStrategy (backtest intrabar TP/SL/max_bars). Strategie con edge netto validato OOS fee-aware (tutte fade/mean-reversion):

Codice	Nome	Meccanismo	Edge OOS netto (1h, fee 0.10% RT)	DD	Note
MR01	Bollinger Fade	banda std attorno a SMA	BTC +201% / ETH +1238%	15-72%	Fada la banda, TP alla media, SL ad ATR
MR02	Donchian Fade	estremi canale H/L	BTC +172% / ETH enorme	30-42%	Fada la rottura del canale, TP al centro
MR07	Return Reversal	z dei rendimenti di barra	BTC +105% / ETH +195%	25-46%	Fada il movimento estremo, exit in ATR; esposizione ~8%

MR03 Keltner Fade spostata in scripts/waste/: era la fade più debole (BTC Sharpe 1.22, il filtro trend la peggiorava) e ridondante con MR01 (stessa idea di banda). Rimuoverla dal portafoglio ne ha migliorato le metriche. La funzione keltner_fade resta in strategy_research_v2.py come record.

Lezione confermata: l'edge è sempre mean-reversion (i breakout rientrano). Il trend-following (Donchian trend, RSI cross) e gli oscillatori senza filtro (RSI revert, ADX-filtered fade) perdono netti → restano scartati.

Ogni strategia è robusta su tutta la sua griglia parametri (entrambi gli asset → tutte positive OOS) e su tutte le fee 0.00-0.20% RT (margine ampio). MR01 validato col worker reale: BTC +196% / ETH +251% OOS (nov 2023→mag 2026). Ricerca completa: scripts/analysis/strategy_research.py (MR01) e scripts/analysis/strategy_research_v2.py (MR02/MR03/MR07). Validazione live-path: scripts/analysis/oos_validation.py.

Filtro trend (riduzione DD + aumento Acc). Tutte le fade accettano i parametri opzionali trend_max / ema_long: saltano i segnali quando il prezzo è troppo esteso rispetto al trend di fondo (|close − EMA(ema_long)| / ATR(14) > trend_max), cioè quando si starebbe fadando un trend/crollo estremo. Con trend_max=3.0, ema_long=200 (default in strategies.yml): accuratezza su tutti gli sleeve e DD giù drasticamente su ETH (MR01 71%→26%, MR02 42%→25%, MR03 66%→34%, MR07 46%→21%), edge OOS confermato (vedi scripts/analysis/risk_management.py). Unica eccezione: MR03 BTC, dove il filtro peggiora entrambe → lasciato disattivo. Leva non robusta scartate: vol-target sizing e skip-alta-volatilità (peggiorano).

Portafoglio. Diversificare su sotto-conti indipendenti equipesati (le 4 strategie × BTC/ETH, pos 0.15 ciascuno) abbatte il DD aggregato: ~14% full / ~10% OOS sul paniere di 8 sleeve, contro il 20-70% del singolo. È la vera leva anti-drawdown.

Combinare le due famiglie (fade + honest). Le fade (reversione intraday 1h) e le honest (DIP/TR/ROT trend+rotazione multi-crypto) sono quasi scorrelate (correlazione cross-famiglia ~0.05). Combinarle in un unico portafoglio migliora il rischio/rendimento rispetto a ciascuna famiglia da sola: equal-weight dei 9 sleeve → DD 5.2% full / 4.7% OOS e Sharpe 4.23 full / 4.33 OOS (vs honest-only 12.6% DD / 2.20 Sharpe e fade-only 8.2% DD / 4.09 Sharpe), CAGR ~47% mantenuta. Studio in scripts/analysis/combine_portfolio.py.

ROT02 — riduzione DD (top_k 2→3). La rotazione dual-momentum honest concentrava il book su 2 soli asset (DD 40%). Diversificare su 3 (top_k=3) dimezza quasi il DD (40%→26%) e alza pure il ritorno full (+1095%→+1303%, ret/DD da 27 a 50); il vol-target abbassa il DD ma sacrifica ritorno, quindi si tiene top_k=3 senza VT. Applicato a ROT02_dual_momentum.py e a _rot_daily_equity (usata dai portafogli).

Portafogli pronti (artefatti accorpati e migliorati). Oltre a PORT01 (solo honest), due script in scripts/strategies/:

• PORT02_fade_master.py — le 3 fade × BTC/ETH accorpate (6 sleeve, filtro trend), equal-weight daily: DD ~8.2% full / 5.9% OOS, Sharpe 3.95/4.09, CAGR ~46%.
• PORT03_all_master.py — portafoglio MASTER (fade + honest, 9 sleeve). Due varianti: equal (massimo Sharpe: DD 5.2%/4.7% OOS, Sharpe 4.23/4.33) e 5050 fra le due famiglie (minimo DD: 5.0% full / 4.5% OOS). È la configurazione consigliata. Come PORT01, sono meta-portafogli (script run() di report), non Strategy con generate_signals, quindi non nel strategy_loader.

Esplorazione famiglie alternative (branch strategy_explore, 2026-05-29). Esplorate 9 famiglie nuove con agenti paralleli su harness onesto condiviso (scripts/analysis/explore_lab.py). 7 sono rumore (rifiutate: stagionalità oraria/mensile, cross-sectional reversal, opening-range breakout, lead-lag BTC→alt, continuation intraday — quest'ultima riconferma la dominanza mean-reversion). Due edge reali:

• PR01 Pairs (scripts/strategies/PR01_pairs_reversion.py): spread reversion market-neutral sul log-ratio z-score di coppie cripto (ETH/BTC, LTC/ETH, ADA/ETH). ETH/BTC: CAGR 144%, Sharpe 4.04, OOS DD 17%, 8/9 anni; corr col mercato ~0.02. Fee su 2 gambe (worker da estendere prima del live). Verifica: pairs_research.py.
• TSM01 (scripts/analysis/tsmom_research.py): TSMOM multi-orizzonte 3/6/12m + risk-off, marginale ma distinto (corr 0.53 con ROT02), DD 22%/12% OOS, mai un anno negativo.

Aggiungere i pairs al MASTER (quasi scorrelati, ~0.05) è il free-lunch più grande: MASTER+pairs (12 sleeve) → CAGR 47→66%, DD 5.2→3.8% full / 4.7→3.3% OOS, Sharpe OOS 4.33→6.86 (scripts/analysis/combine_v2.py). Caveat: backtest leva 3x, OOS ~1.6 anni.

Metodologia obbligatoria per ogni nuova strategia (per non ripetere l'errore squeeze):

1. Ingresso eseguibile: direzione e prezzo decisi con dati fino a close[i], mai close[i-1] con direzione da i.
2. Backtest NETTO dopo fee realistiche Deribit (0.10% RT taker, non 0.20%) + leva.
3. Validazione out-of-sample (held-out) + robustezza su griglia parametri + sweep fee.
4. Crea script in scripts/strategies/, aggiungi a MODULE_MAP (strategy_loader.py) e a strategies.yml.

Strategie scartate storiche in scripts/waste/ (W01-W28 + la famiglia squeeze).

Verso €50/giorno. Con 4 strategie indipendenti (MR01/MR02/MR03/MR07) × 2 asset (BTC/ETH) su €1000 ciascuna, il PnL medio storico aggregato è ben oltre €50/giorno; ma quei numeri sono backtest a leva 3x su 8 anni e includono anni eccezionali (es. ETH 2024). Stima onesta: il target è plausibile su un portafoglio diversificato di queste fade, ma va confermato col paper trader live prima di rischiare capitale reale.

Multi-Strategy Paper Trader

Orchestratore che esegue N strategie in parallelo su dati live Cerbero, ognuna con €1000 USDC virtuali indipendenti.

Config: strategies.yml — lista strategie con asset, tf, sizing, parametri. Attualmente solo MR01 (BTC/ETH 1h). Persistenza: data/paper_trades/{strategy}___{asset}__{tf}/ con trades.jsonl (append-only) + status.json (resume al restart, include tp/sl/max_bars). Hot-add: aggiungi riga YAML → docker compose restart → storico intatto. Exit strategia: se un Signal porta tp/sl/max_bars in metadata (come MR01), il worker esce su take-profit/stop-loss/time-limit a quei livelli; altrimenti usa il fallback hold_bars/stop -2%. Notifiche: Telegram per ogni trade (richiede .env con TELEGRAM_BOT_TOKEN e TELEGRAM_CHAT_ID).

Convenzioni

• Strategie in scripts/strategies/ con codice univoco (MR01, ...).
• Script scartati in scripts/waste/ (W01-W28 + famiglia squeeze).
• Diario in docs/diary/YYYY-MM-DD.md. Aggiornare dopo ogni esperimento significativo.
• Nessun dato sensibile nei commit (token, chiavi API). Usare .gitignore.
• Verificare sempre assenza di data leakage prima di fidarsi dei risultati. In particolare: returns[i-w : i] include close[i] che è un candle nel futuro — usare returns[i-w : i-1].

Attenzione

• Data leakage: è stata trovata e corretta nello script 05. Ogni volta che si usano rendimenti logaritmici (np.diff(np.log(close))), ricordare che returns[k] usa close[k+1]. I feature devono fermarsi a returns[i-2] se il prezzo corrente è close[i-1].
• Fee: Deribit perp reale = taker ~0.05%/lato (0.10% round-trip), maker ~0%. Usare 0.10% RT come baseline (lo 0.20% storico era pessimista 2x). Includere SEMPRE nel backtest: sono vincolo di prim'ordine, molte operazioni = morte per fee. Il worker usa strategy.fee_rt (MR01 = 0.001).
• Leva: testato con 3x. Aumentare a 5x migliora i rendimenti ma raddoppia il drawdown.
• GBM: GradientBoostingClassifier di scikit-learn. Ensemble di alberi decisionali sequenziali. Walk-forward per evitare leakage temporale.
• Cerbero get_historical (fix 2026-05-28): end_date come data nuda è inclusivo dell'intera giornata fino all'ultima candela chiusa (es. end=oggi arriva fino ad ora, non più a mezzanotte); accettati anche timestamp con orario (...T14:00:00, naive=UTC); nessun cap a ~5000 righe (paginazione interna). Il client passa già end=oggi, ora corretto. Prima del fix il paper trader restava a zero trade perché il feed era fermo a mezzanotte.
• Dati ETH Deribit 15m: 14-30%/anno di candele flat (O=H=L=C, volume 0, run fino a ~54h) per bassa liquidità del perpetuo. Verificato (2026-05-28): escluderle NON cambia i backtest (Δacc ≤0.5pp) → edge robusto. Resta un caveat operativo (slippage/fill in trading reale, irrilevante per paper). BTC pulito eccetto picco ~8% nel 2024.