3.7 KiB
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:
- Multi-timeframe aggiunge margine (+1% accuracy nell'ensemble)
- Consensus forte (3/3) raggiunge 70%+ ma troppo pochi trade
- 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
- Verificare strategia 5 corretta (senza leakage)
- Risultati strategia 9 (walk-forward) e 10 (high precision ensemble)
- Se accuracy ancora insufficiente: provare features da 5m aggregati, o approach completamente diverso (reinforcement learning?)
- Valutare combinazione: multi-asset (BTC+ETH) per diversificazione