Adriano Dal Pastro
d25d897fd1
Origine: gioco "Blind Traders" (100 agenti ciechi su BTC/ETH anonimizzati) -> vincitore = spread ETH/BTC reversion a 15m. Testato sul serio col gate PORT06: non duplicato (corr 1h vs 15m = 0.37), robusto (16/16 celle Sharpe>1), edge NON artefatto delle candele flat ETH 15m (filtrandole resta l'83% dello Sharpe). Percorso live costruito e validato: - pairs_research.pairs_sim_flat: engine generalizzato con exit LIVE-REALIZABLE (arma exit_ready, esce alla 1a barra pulita); regression-lock a pairs_sim. - PairsWorker: flat_skip + exit_ready + rilevamento flat da OHLC (1h byte-exact). - runner: fetch diretto dei timeframe sub-orari + override position_size per-sleeve. - validate_worker_pairs: replay worker == backtest a 15m (8452 vs 8453 trade). - _defs/build_everything: sleeve PR_ETHBTC_15M (mezza size, pos 0.10) -> PORT06 FULL 6.43->7.20, OOS 8.58->9.66, DD giu'. Rischio bilanciato col 1h. - smoke live: Cerbero serve candele 15m fresche; worker ticca. Diari docs/diary/2026-06-09-*. Caveat slippage: mezza size = blend-tilt prudente. Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
57 lines
3.2 KiB
Markdown
57 lines
3.2 KiB
Markdown
# 2026-06-09 — Gioco "Blind Traders": 100 agenti ciechi
|
||
|
||
## Setup
|
||
100 agenti LLM (haiku) ricevono due serie anonime **X** e **Y** — in realta'
|
||
**BTC** e **ETH** 1h/15m/5m, mai etichettate — e devono proporre UNA regola che
|
||
"anticipi" i movimenti per un PnL netto positivo (fee 0.10% RT) con **>=10
|
||
trade/mese**. Non sanno cosa siano i dati. L'orchestratore (engine deterministico)
|
||
valuta ogni strategia, assegna un punteggio su **PNL + %win**, da' **90 epoche di
|
||
elaborazione** (hill-climb dei parametri) e **ogni 10 epoche blocca il 10% meno
|
||
profittevole** -> restano i **10 piu' profittevoli**.
|
||
|
||
Infrastruttura in `scripts/games/`:
|
||
- `engine.py` — dati anonimizzati, 6 famiglie segnale (zscore/breakout/ma_cross/
|
||
rsi/momentum/pairs), backtester causale fee-aware, scoring (>=10 tpm o squalifica).
|
||
- `agent_brief.py` — digest ANONIMO (stat aggregate + finestra normalizzata) + menu.
|
||
- `arena.py` — torneo a **3 finestre**: TRAIN (hill-climb), VALID (cull+rank
|
||
dell'orchestratore), TEST (OOS puro, mai ottimizzato). Anti-overfit.
|
||
- `run_game.py` — carica le 100 spec degli agenti e lancia il torneo.
|
||
|
||
## Risultato emergente
|
||
I 100 agenti ciechi, leggendo SOLO le statistiche anonime (autocorrelazione
|
||
negativa, "after_big_move_continues_pct" ~30-40% => le mosse estreme rientrano),
|
||
hanno **riscoperto da soli che il mercato e' mean-reverting**: 100/100 reversion,
|
||
67 hanno scelto il detector pairs, 30 zscore. Esattamente la lezione storica del
|
||
progetto (edge = reversione; pairs ETH/BTC il piu' robusto) — senza sapere che
|
||
fosse crypto.
|
||
|
||
## Classifica finale (top 10) — tutti PAIRS su 15m
|
||
Vincitore **agente #91** (15m, pairs market-neutral sul log-ratio X/Y):
|
||
- TEST/OOS puro: **PnL +3126%**, **win 77%**, **108.9 trade/mese**, **Sharpe 20.3**
|
||
- Full-period: PnL +8052%, win 70%, 94 tpm, Sharpe 12.2 (9604 trade)
|
||
- params: lookback 66, entry 1.67σ, exit 1.0σ, max_bars 35
|
||
- ipotesi (cieca): "Y altamente reversivo, X/Y log-ratio strong mean-reversion
|
||
(-0.43 autocorr), bassa correlazione cross-asset -> pairs market-neutral".
|
||
|
||
Tutti i 10 finalisti: pairs 15m, TEST Sharpe medio 19.9, tpm 66-109 (>>10).
|
||
|
||
## Caveat onesti
|
||
- Numeri OOS ottimistici: PnL additivo a notional fisso, **niente slippage sulle 2
|
||
gambe**, finestra OOS calma, 15m molti trade. Coerente col caveat PR01 del
|
||
progetto (Sharpe reale atteso ~4-5, non 20). Il valore del gioco e' il **metodo**
|
||
(scoperta cieca + selezione anti-overfit), non il livello assoluto di Sharpe.
|
||
- La convergenza su pairs conferma robustezza ma riduce la diversita': i 10 finalisti
|
||
sono varianti della stessa idea (ETH/BTC spread). Per un portafoglio servirebbe
|
||
diversificare (gia' fatto altrove: fade + honest + shape).
|
||
|
||
## Re-run "sobrio" con slippage (0.05%/lato)
|
||
`GAME_SLIP=0.0005` -> i pairs pagano +0.20% RT extra (4 lati). Lo slippage spinge
|
||
l'ottimizzatore verso **meno churn**: tpm dei finalisti 66-109 -> **40-47**, Sharpe
|
||
top-10 ~20 -> ~13.5. Vincitore **#43** (15m pairs): TEST PnL **+2091%**, win 77%,
|
||
**46.9 tpm**, Sharpe **15.6**. La gerarchia (pairs 15m domina) e la robustezza
|
||
reggono lo stress; lo Sharpe reale atteso resta ~4-5 (OOS calmo + PnL additivo).
|
||
Log: `data/games/game_slip.log`.
|
||
|
||
Artefatti: `data/games/tournament_result.json`, `data/games/specs/agent_*.json`,
|
||
`engine.set_slippage()` (env `GAME_SLIP`).
|