Inversione contrarian del crowding retail, long-short (paniere 3 asset a forte presenza retail USD-M DOGE/XRP/SOL, barre da 4h + feed del rapporto long/short GLOBAL ACCOUNT; andare contro il crowd ONLY agli estremi statistici del posizionamento — short quando il retail è al massimo net-long / comprare quando il retail è al massimo net-short; uscita verso la media, 3 parametri)

Un contrarian LONG-SHORT multi-strumento su tre perp Binance USD-M con alta partecipazione retail (DOGEUSDT, XRPUSDT, SOLUSDT), su barre da 4h, guidato dal rapporto long/short GLOBAL ACCOUNT (proxy del posizionamento retail basato sul conteggio, nel file delle metriche Binance Vision CSV — count_long_short_ratio — che ha una cronologia MULTI-YEAR, a differenza del feed dei top trader disponibile solo via API, che ha lasciato inattivo il precedente paniere «Informed-Positioning» dopo 2021). Il vantaggio è comportamentale e strutturale, non una previsione dei prezzi: agli estremi, il crowd retail sbaglia sistematicamente. Quando la stragrande maggioranza dei conti retail è net-long su uno strumento, i compratori marginali sono esauriti e i rendimenti futuri sono deboli; quando il retail è al massimo net-short, la pressione ribassista si è esaurita e seguono rimbalzi. È fondamentale che questa sia la lettura CONTRARIAN del retail (andare contro il crowd), NOT la lettura trend-following dei conti informati o di grandi dimensioni, già fallita. I parametri sono deliberatamente 3 (z_lookback, entry_z, atr_stop_mult) per resistere ai fallimenti da overfitting; un paniere di 3 nomi diluisce l'adattamento della curva a un singolo simbolo e aumenta il numero di operazioni, per una maggiore affidabilità statistica.

L’iterazione 4 corregge il problema Layer-4 QA (incongruenza dell’insieme di strumenti + misurabilità su un singolo asset), trasformando la strategia nel vero paniere di 3 asset imposto dall’ipotesi: extra_instruments ora include XRPUSDT.BINANCE e SOLUSDT.BINANCE, on_extra_bar viene sovrascritto ed entrambe le posizioni aggiuntive vengono effettivamente negoziate con gestione completa di posizione, uscita e dimensionamento. Questo ripristina la diversificazione e il conteggio di circa 3x operazioni (circa 300 operazioni contro le precedenti 100) che l’ipotesi indica come meccanismo centrale contro l’overfitting e per la dimensione del campione, affrontando la nota QA secondo cui lo Sharpe CI attraversava lo zero su un singolo asset. Il vincolo sui dati è gestito in modo trasparente: ho verificato in src/backtesting/supp_collector.py e lanciando load_for_subprocess che la pipeline di backtest carica il rapporto long/short degli account ONLY per la posizione primaria (le posizioni aggiuntive ricevono solo i funding), quindi un paniere rigoroso basato sul rapporto per ogni posizione lascerebbe XRP/SOL senza dati e non negoziato (un paniere fittizio). Invece, il paniere condivide il rapporto globale long/short degli account della posizione primaria DOGE — DOGE è quello con la maggiore predominanza di trader retail tra i tre, un indicatore generale del sentiment retail — mantenendo il meccanismo contrarian basato sul rapporto long/short degli account SAME (non NOT una sostituzione con un indicatore basato solo sui prezzi), mentre l’esecuzione di ciascuna posizione (tempistica d’ingresso basata sullo z condiviso, ma stop ATR, uscita al ritorno alla media, prezzo e dimensionamento indipendenti per posizione) resta del tutto separata. I calcoli di z-score, ingresso, uscita e dimensionamento sono identici byte per byte alla logica già approvata al Layer 3 per DOGE (100 operazioni, rifattorizzata negli helper condivisi _zscore_for_bars/_atr_of/_size_for), perciò il comportamento DOGE è preservato e le posizioni aggiuntive si comportano allo stesso modo. Sicurezza Layer-2: gli ordini delle posizioni aggiuntive passano da _submit_entry_instrument della classe base, che restituisce subito se la cache simulata non fornisce uno strumento; così il nuovo percorso on_extra_bar non può causare un arresto anomalo del proxy sintetico: ho verificato localmente che il Layer 1 (statico) e tutti e sei gli scenari Layer 2 sono superati. Le importazioni restano invariate (nessuna aggiunta vietata); il parser del rapporto resta una closure locale per evitare il problema di binding statico del proxy. La leva è usata in _size_for (max_size = equity*leverage/price), quindi non è impostata senza essere utilizzata.

Vantaggio corretto per il rischio non significativo, oltre a code grasse dipendenti dai giorni di crollo. Lo Sharpe è solo 0.285, con un 95% CI pari a [-0.326, 0.916] che comprende lo zero: il vantaggio non è distinguibile dal rumore e l’ottimizzazione di tre parametri non può portarlo vicino a un valore promuovibile di ~1.5. Il rendimento totale +1814% è un artefatto delle code grasse (curtosi 15.5, asimmetria 1.18), sostenuto da ~6 giornate estreme — +80.8% nel crollo di 2022-11-01 FTX, +40.3%, +37.5%, +32.9%, +30.2%, +30.0% — cioè alcuni fortunati short contrarian durante i crolli, non un vantaggio regolare derivante dall’andare contro le posizioni retail. È fondamentale che la nota sul codice ammetta che la pipeline supp del backtest fornisce il rapporto L/S del conto solo per la componente principale, quindi XRP e SOL operano sullo z-score del posizionamento di massa di DOGE, anziché sul proprio; la premessa centrale di diversificazione dell’ipotesi (tre segnali indipendenti sul posizionamento retail) non si realizza: è un solo segnale applicato a tre asset principali correlati, motivo per cui la varianza è enorme e lo Sharpe crolla. Questo difetto è un vincolo di fornitura dei dati del motore che lo sviluppatore non può correggere, quindi iterare non servirà. A ciò si aggiungono max_drawdown 40.4% (da CI a 98.4%), turnover 784x, impatto pari a 14.6% del lordo e capacità di appena $4.67M. avg_trade_return_pct 0.716% supera la soglia minima delle commissioni: si abbandona per la qualità del rischio e la significatività del vantaggio, non perché il vantaggio al netto delle commissioni sia esaurito.

Verifica non superata (Layer 4 — revisione QA): - Incoerenza nel gruppo di strumenti: l'ipotesi definisce esplicitamente un paniere di 3 asset (DOGEUSDT, XRPUSDT, SOLUSDT) e afferma che il paniere IS il meccanismo centrale contro l'overfitting e per aumentare il numero di operazioni («un paniere di 3 nomi diluisce l'adattamento della curva a un singolo simbolo e aumenta il numero di operazioni per l'affidabilità statistica»). Il codice fornito usa solo il singolo strumento DOGE: config.instrument_id=DOGEUSDT.BINANCE, extra_instruments=[], la docstring della classe dice 'single-name' e manca la gestione multi-strumento (on_extra_bar non è sovrascritto). Due dei tre strumenti indicati (XRP, SOL) sono assenti: il codice non implementa l'ipotesi a cui è associato e vengono meno la diversificazione e la dimensione del campione su cui l'ipotesi fa affidamento. - Lo Sharpe 1.05 del sandbox è CI [-0.57, 2.66] (attraversa lo zero) su 100 operazioni; il risultato dipende dalla gamba short (short_win_rate 0.596 contro long_win_rate 0.417) in una sola finestra di 363 giorni. Riducendo il paniere a un solo nome, il vantaggio resta al limite della misurabilità.

L'auditor semantico ha rilevato un disallineamento tra codice e ipotesi: il codice NOT implementa l'ipotesi. Riscrivi la strategia affinché implementi l'ipotesi EXACTLY (strumento, intervallo temporale, direzione, vantaggio o meccanismo dichiarato, dimensionamento). Problemi specifici: l'ipotesi (titolo e corpo) definisce un paniere di LONG-SHORT asset 3 su DOGEUSDT/XRPUSDT/SOLUSDT, con lo scopo dichiarato di diluire l'adattamento della curva a un singolo simbolo e aumentare il numero di operazioni; tuttavia config.extra_instruments e extra_bar_types sono entrambi vuoti (solo DOGEUSDT.BINANCE) e il codice implementa una strategia su un singolo nome (un solo _ts_arr/_ratio_arr, singoli accessi a self.instrument_id, nessuna logica on_extra_bar/paniere, docstring con 'single-name'). Il campo che motiva la strategia ammette che il paniere di DOGE/XRP/SOL è stato abbandonato perché «impraticabile» a causa di un limite del framework relativo ai feed supplementari; la strategia distribuita è quindi un'inversione su un singolo nome, non il paniere long-short di 3 asset dichiarato nell'ipotesi.

Verifica non superata (Layer 2 — scenari sintetici): Parametri usati: ['entry_z', 'risk_frac', 'atr_period', 'z_lookback', 'min_notional', 'atr_stop_mult', 'min_ratio_pts'] Verifica che __init__ imposti tutti gli attributi con self.parameters.get(). - steady_uptrend: TypeError: RetailCrowdingContrarianReversalLS._extract() accetta 1 argomenti posizionali ma ne sono stati forniti 2 (timestamp della barra: 1735692540000) - steady_downtrend: TypeError: RetailCrowdingContrarianReversalLS._extract() accetta 1 argomenti posizionali ma ne sono stati forniti 2 (timestamp della barra: 1735692540000) - flat_ranging: TypeError: RetailCrowdingContrarianReversalLS._extract() accetta 1 argomenti posizionali ma ne sono stati forniti 2 (timestamp della barra: 1735692540000) - volatility_spike: TypeError: RetailCrowdingContrarianReversalLS._extract() accetta 1 argomenti posizionali ma ne sono stati forniti 2 (timestamp della barra: 1735692540000) - zero_volume: TypeError: RetailCrowdingContrarianReversalLS._extract() accetta 1 argomenti posizionali ma ne sono stati forniti 2 (timestamp della barra: 1735692540000) - price_gap: TypeError: RetailCrowdingContrarianReversalLS._extract() accetta 1 argomenti posizionali ma ne sono stati forniti 2 (timestamp della barra: 1735692540000)