Adriano Dal Pastro
14522262e6
Reset del progetto su fondamenta verificate dopo la scoperta che l'intera libreria "validata OOS" era artefatto di feed contaminato (print fantasma del feed Cerbero TESTNET + storico Binance/USDT). - Storico ricostruito da Deribit MAINNET (ccxt pubblico, tokenless) e CERTIFICATO (certify_feed.py): BTC/ETH puliti su TUTTA la storia (mediana 2-6 bps vs Coinbase USD), integrita' OHLC + coerenza resample (maxΔ 0.00) + cross-venue OK. Alt esclusi (illiquidi/divergenti: LTC/DOGE 50-82% barre flat; XRP/BNB non certificabili). - Verdetto sul feed pulito: FADE / PAIRS / XS01 / TSM01 morti (ogni portafoglio Sharpe -2.3..-3.0, DD ~40%); solo SH01 e frammenti HONEST con segnale residuo, da ri-validare in isolamento. - Cleanup "restart pulito": strategie, stack live (src/live, src/portfolio, runner/executor, yml, docker), ~100 script ricerca/gate, waste/games/ portfolios, dati non certificati + cache e 60+ diari -> archiviati in Old/ (preservati, non cancellati). Diario consolidato in un unico documento. - Skeleton ricerca tenuto: Strategy ABC + indicatori + src/fractal + src/backtest/engine + load_data; tool dati certificati (rebuild_history, certify_feed, audit_feed, multi_source_check). - Universo dati ATTIVO: solo BTC/ETH (5m/15m/1h); guardrail fisico (load_data su alt -> FileNotFoundError). Esecuzione DISABILITATA, conto flat. Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
8.5 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 |
01:00 — Strategia 5 corretta (senza leakage)
Reale dopo fix: 53-58% accuracy (BTC LA=3 thr=0.65). Massimo 72.7% ma solo 11 trade. Conferma: senza leakage, edge tipico è 55-60%.
01:15 — SVOLTA: Strategia 11 — Volatility Squeeze Breakout
Cosa: approccio completamente diverso. Non predire la direzione direttamente. Identifica periodi di COMPRESSIONE (Bollinger dentro Keltner = squeeze), poi segui il breakout quando la volatilità ESPLODE. Perché: dopo compressione, il prezzo accumula "energia" e il breakout ha forte momentum direzionale. Approccio fisicamente motivato, non ML puro. Atteso: migliore di ML generico perché sfruttiamo un pattern strutturale ben definito Reale: ECCEZIONALE
| Config | Asset | TF | Trades | Accuracy | Ann. Return |
|---|---|---|---|---|---|
| BBw=20 sqThr=0.8 +VOL | ETH | 1h | 87 | 83.9% | 22.2% |
| BBw=30 sqThr=0.9 | ETH | 1h | 203 | 82.8% | 46.8% |
| BBw=20 sqThr=0.8 | ETH | 1h | 285 | 79.3% | 65.7% |
| BBw=14 sqThr=0.8 | BTC | 1h | 438 | 77.6% | 53.3% |
| BBw=14 sqThr=0.8 +VOL | BTC | 15m | 315 | 75.6% | 6.0% |
Lezione CRUCIALE: gli approcci strutturali (compressione→espansione) battono ML generico di 20+ punti percentuali in accuracy. La struttura frattale del prezzo si manifesta nei cicli di compressione-espansione.
Target assessment
| Target | Risultato | Status |
|---|---|---|
| Accuracy >80% | 83.9% (ETH 1h +VOL) | ✅ RAGGIUNTO |
| ROI annuo >30% | 65.7% (ETH 1h) | ✅ RAGGIUNTO |
| Fees considerate | 0.1% maker/taker | ✅ |
01:30 — Strategia 9: Walk-forward ML — COMPLETATA
Cosa: GBM con features structural+fractal, walk-forward validation (train 15K, step 3K), BTC e ETH su 2 lookahead × 4 threshold Reale:
- BTC: max 58.4% acc, +75% ret, 8.8% ann, Sharpe 3.27 (LA=3, thr=0.70)
- ETH LA=3 thr=0.70: 57.7% acc, +758% ret, 38.1% ann, Sharpe 7.40, €3.12/giorno
- ETH LA=6 thr=0.70: 56.5% acc, +1994% ret, 57.9% ann, Sharpe 6.72, €8.20/giorno Lezione: walk-forward elimina il bias del singolo split. ETH più predittibile di BTC con ML. Sharpe >7 eccezionale per un sistema reale. Drawdown alto (47-52%) → servono nervi saldi.
TOP 5 DEFINITIVO (aggiornato con strategia 9)
| # | Nome | Acc. | ROI ann | Sharpe | DD | €/day | Best for |
|---|---|---|---|---|---|---|---|
| 1 | ETH Squeeze+Vol (BBw=20) | 83.9% | 22.2% | - | 2.0% | €0.71 | Precisione |
| 2 | ETH Squeeze (BBw=30,sq=0.9) | 82.8% | 46.8% | - | 3.2% | €1.77 | Bilanciato |
| 3 | ETH WF-ML (LA=3,thr=0.70) | 57.7% | 38.1% | 7.40 | 47% | €3.12 | Daily PnL |
| 4 | ETH Squeeze aggressivo | 79.3% | 65.7% | - | 3.6% | €2.79 | Max ROI |
| 5 | ETH WF-ML (LA=6,thr=0.70) | 56.5% | 57.9% | 6.72 | 53% | €8.20 | Max growth |
Piano operativo consigliato
Fase 1 (mesi 1-3): usa M2 (squeeze BBw=30, 82.8% acc, 3.2% DD) per crescita sicura Fase 2 (mesi 4-6): aggiungi M3 (WF-ML) per accelerare crescita con capitale più alto Fase 3 (mese 6+): combina entrambi — squeeze per trade sicuri, ML per volume
02:00 — Strategia 13: Squeeze + ML IBRIDA — IL VINCITORE
Cosa: squeeze breakout come pre-filtro (QUANDO tradare), GBM su features frattali/strutturali come conferma direzionale (QUALE direzione). Walk-forward validation. 12 configurazioni testate su BTC + ETH, 1h + 15m. Atteso: combinare accuratezza squeeze (>80%) con volume trade ML Reale:
Vincitore assoluto: ETH 15m BBw=14 sq=0.8 ml_thr=0.70
- 76.9% accuracy, 118.1% annualizzato, 4.2% max drawdown
- €13.78/giorno da €1000 (!!)
- 1213 trades nel test, ~313/anno → ~1 trade/giorno
- Con 3x leva, 15% position size
Runner-up: BTC 15m BBw=14 sq=0.9 ml_thr=0.70
- 78.8% accuracy, 68.8% ann, 7% DD, €5.51/day
Osservazioni chiave:
- Il 15m batte il 1h per frequenza trade (più segnali di squeeze a timeframe basso)
- ML non migliora drammaticamente l'accuracy rispetto a squeeze puro (baseline ETH 15m squeeze: 79.5%) ma RIDUCE il drawdown (da ~8% a 4.2%)
- Il vero valore del ML è nel filtraggio: scarta i breakout deboli, tiene i forti
- ETH più predittibile di BTC in tutte le configurazioni
Piano per €50/giorno:
- Capitale attuale: €1000
- Crescita stimata: 118% annuo
- €1000 → €3600 in ~8 mesi
- €3600 × €13.78/€1000 = €49.60/giorno ≈ target
TOP 5 DEFINITIVO FINALE
| # | Config | Acc. | Ann. | DD | €/day | Tipo |
|---|---|---|---|---|---|---|
| 1 | ETH 15m Squeeze+ML (BBw=14,sq=0.8,ml=0.70) | 76.9% | 118% | 4.2% | €13.78 | Ibrido |
| 2 | ETH 1h Squeeze+Vol (BBw=20,sq=0.8) | 83.9% | 22% | 2.0% | €0.71 | Strutturale |
| 3 | BTC 15m Squeeze+ML (BBw=14,sq=0.9,ml=0.70) | 78.8% | 69% | 7.0% | €5.51 | Ibrido |
| 4 | ETH 1h Squeeze (BBw=30,sq=0.9) | 82.8% | 47% | 3.2% | €1.77 | Strutturale |
| 5 | ETH WF-ML (LA=3,thr=0.70) | 57.7% | 38% | 47% | €3.12 | ML puro |
Prossimi passi
- Implementare sistema live con Cerbero MCP per segnali real-time
- Paper trading per 2-4 settimane prima di capitale reale
- Risk management: stop-loss, max daily loss, correlation filter