121 lines
4.7 KiB
Markdown
121 lines
4.7 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
|
||
|
||
Tredici strategie testate su dati storici 2018–2026 (BTC e ETH, timeframe 5m / 15m / 1h). Le migliori cinque:
|
||
|
||
| # | Strategia | Accuracy | ROI annuo | Max DD | €/giorno |
|
||
|---|-----------|----------|-----------|--------|----------|
|
||
| 1 | ETH 15m Squeeze + ML ibrida | 76.9% | 118% | 4.2% | €13.78 |
|
||
| 2 | ETH 1h Squeeze + Vol | 83.9% | 22% | 2.0% | €0.71 |
|
||
| 3 | BTC 15m Squeeze + ML ibrida | 78.8% | 69% | 7.0% | €5.51 |
|
||
| 4 | ETH 1h Squeeze (BBw=30) | 82.8% | 47% | 3.2% | €1.77 |
|
||
| 5 | ETH Walk-Forward ML | 57.7% | 38% | 47% | €3.12 |
|
||
|
||
La strategia vincente (#1) opera su ETH a 15 minuti con ~1 trade al giorno, leva 3x e drawdown contenuto al 4.2%.
|
||
|
||
## 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. **Conferma ML** — un modello GradientBoosting, addestrato su feature strutturali e frattali della finestra precedente, conferma la direzione e filtra i segnali deboli.
|
||
|
||
### Feature frattali
|
||
|
||
- Rapporti body/shadow normalizzati su finestre multiple (12, 24, 48 candele)
|
||
- Momentum, volatilità, skewness, kurtosis dei rendimenti logaritmici
|
||
- Autocorrelazione lag-1
|
||
- Profilo volumetrico e spike detection
|
||
- 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 storici (Cerbero MCP + Binance)
|
||
│ ├── fractal/ # Indicatori frattali: Hurst, Higuchi FD, self-similarity
|
||
│ ├── backtest/ # Motore di backtesting con fee e metriche
|
||
│ ├── strategies/ # (predisposto per strategie modulari)
|
||
│ ├── nn/ # (predisposto per reti neurali)
|
||
│ └── utils/
|
||
├── scripts/ # Script di analisi e test (01–13)
|
||
├── data/
|
||
│ ├── raw/ # Parquet OHLCV (non committati, ~70 MB)
|
||
│ └── processed/ # Modelli salvati
|
||
├── docs/
|
||
│ └── diary/ # Diario di ricerca giornaliero
|
||
├── tests/
|
||
├── pyproject.toml
|
||
└── README.md
|
||
```
|
||
|
||
## Setup
|
||
|
||
```bash
|
||
# Clona il repository
|
||
git clone <repo-url> && cd PythagorasGoal
|
||
|
||
# Installa dipendenze (richiede uv)
|
||
uv sync
|
||
|
||
# Scarica dati storici (~70 MB, richiede connessione)
|
||
uv run python -m src.data.downloader
|
||
|
||
# Esegui la strategia ibrida vincente
|
||
uv run python scripts/13_squeeze_ml_hybrid.py
|
||
```
|
||
|
||
### Requisiti
|
||
|
||
- Python ≥ 3.11
|
||
- [uv](https://docs.astral.sh/uv/) come package manager
|
||
- Accesso a Cerbero MCP (`cerbero-mcp.tielogic.xyz`) per i dati Deribit, oppure Binance via ccxt come fallback
|
||
|
||
## 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 per il periodo antecedente: Binance spot via ccxt. Formato: Apache Parquet.
|
||
|
||
## Strategie testate
|
||
|
||
| Script | Approccio | Esito |
|
||
|--------|-----------|-------|
|
||
| 01 | Pattern candlestick discreti (U/D/0) | Nessun edge |
|
||
| 02 | DTW pattern matching | Troppo lento, edge minimo |
|
||
| 03 | Proiezione FFT (ispirata al paper) | Random (49.8%) |
|
||
| 04 | GBM su feature frattali (Hurst, FD) | 63.6% a soglia 0.65 |
|
||
| 05 | GBM multi-window (corretto data leakage) | 58.9% |
|
||
| 06 | GBM su feature strutturali normalizzate | 58.6%, +57.5% return |
|
||
| 07 | LSTM su sequenze candele | 58.4%, comparabile a GBM |
|
||
| 08 | Ensemble multi-timeframe (1h + 15m) | 59.2% (consensus 2/3) |
|
||
| 09 | Walk-forward ML | 57.7%, Sharpe 7.4, €3.12/day |
|
||
| 10 | Ensemble 5 modelli alta precisione | In corso |
|
||
| 11 | **Volatility Squeeze Breakout** | **83.9%**, approccio strutturale |
|
||
| 12 | Report finale e simulazione crescita | — |
|
||
| 13 | **Squeeze + ML ibrida** | **76.9%**, 118% ann, €13.78/day |
|
||
|
||
## Riferimenti
|
||
|
||
- Serleto, L. & Malanga, C. — *Pythagoras Trading Prediction* (2024)
|
||
- Serleto, L. & Malanga, C. — *Libro dei Frattali* (2024)
|
||
|
||
## Licenza
|
||
|
||
Uso privato. Non destinato alla distribuzione.
|