# InelidaMarketScan — Analisi Scientifica dei Mercati Finanziari con Machine Learning

> **Ricerca in Finanza Quantitativa: ICT, Ichimoku, XGBoost e Calcolo Stocastico**
> Di **Didier Vally / Reuniware Systems**
> Versione 1.0.6 — 2026-07-19
> 📦 PyPI: [https://pypi.org/project/inelida-marketscan](https://pypi.org/project/inelida-marketscan) | GitHub: [https://github.com/reuniware/InelidaMarketScanner](https://github.com/reuniware/InelidaMarketScanner)

---

## Sommario

Questo documento presenta i risultati di 6 mesi di ricerca in finanza quantitativa applicata al trading algoritmico. Il framework InelidaMarketScan combina l'analisi tecnica ICT (Inner Circle Trader) e Ichimoku multi-timeframe con una pipeline di Machine Learning XGBoost (123 feature) e funzioni di calcolo stocastico (Ornstein-Uhlenbeck, Hurst, GARCH, Monte Carlo, Kelly). Il modello v18 raggiunge il 64,0% di accuratezza in cross-validazione su 1.210 trade storici. L'analisi di 27 modelli successivi rivela che le feature Ichimoku (distanze Kijun/Tenkan, incroci T/K) sono più predittive dei pattern ICT (FVG, Order Blocks). La simulazione di capitale con filtraggio ML% ≥ 50% mostra un profit factor di 2,27 su dati in-sample, mentre la validazione out-of-sample identifica un tetto a 1,173. Questo documento costituisce un riferimento scientifico completo sull'intersezione tra ICT, Ichimoku e Machine Learning.

---

## 1. Introduzione

### 1.1 Contesto e Problematica

Il trading algoritmico si basa sull'identificazione di pattern ricorrenti nelle serie temporali finanziarie. I concetti ICT (Inner Circle Trader) sviluppati da Michael Huddleston descrivono il comportamento istituzionale dei mercati: sweep di liquidità, Fair Value Gaps, Order Blocks, Market Structure Shifts. Parallelamente, l'indicatore Ichimoku Kinko Hyo fornisce una lettura multi-timeframe dell'equilibrio di mercato. Questo progetto esplora la fusione di questi due paradigmi attraverso uno scanner automatizzato con modello XGBoost.

### 1.2 Obiettivi di Ricerca

1. Sviluppare uno scanner automatico che combini ICT e Ichimoku su 8 timeframe (M5 a MN). 2. Costruire una pipeline ML con 123 feature nominali estratte dallo scanner. 3. Validare il potere predittivo tramite backtest storico (2025-2026) e test out-of-sample. 4. Integrare funzioni di finanza quantitativa (OU, Hurst, GARCH, Monte Carlo, Kelly). 5. Raggiungere un profit factor > 1,5 in condizioni reali.

## 2. Fondamenti Teorici ICT

I concetti ICT modellano il comportamento delle istituzioni finanziarie (banche, hedge fund) che manipolano i livelli di prezzo per accumulare posizioni. Gli 8 concetti seguenti sono rilevati automaticamente dallo scanner:

| Concetto ICT | Descrizione e Rilevamento |
|:---|:---|
| **Sweep di Liquidità** | Rottura breve di un livello chiave (Asian High/Low, London High/Low) per attivare gli stop prima dell'inversione. Rilevato su H1 con conferma di inversione. |
| **Fair Value Gaps (FVG)** | Divario tra 3 candele consecutive dove il prezzo non ha negoziato. Rilevato su 6 TF (M5 a D1) con percentuale di mitigazione. |
| **Order Blocks (OB)** | Ultima candela prima di un impulso direzionale — zona dove le istituzioni hanno piazzato ordini. Rilevato via ATR(14) su 6 TF. |
| **Breaker Blocks (BRK)** | Order Block rotto che si inverte in supporto/resistenza opposto. Derivato dagli OB esistenti. |
| **Market Structure Shift (MSS/BOS)** | Cambiamento nella struttura di mercato: Break of Structure e Change of Character su 6 TF. |
| **Volume HVN/LVN** | High Volume Node e Low Volume Node basati sul tick volume MT5. Rilevato su 6 TF. |
| **Reversal Pipeline** | Catena completa sweep → inversione → conferma con contatore di barre post-sweep. |
| **Estensioni di Fibonacci** | Estensioni +1,618 a +4,0 basate sul range asiatico per obiettivi di TP. |

## 3. Architettura Ichimoku Multi-TF

Lo scanner Diamond analizza 8 timeframe simultaneamente. Per ogni TF, vengono calcolati 5 componenti Ichimoku:

| Timeframe | Tenkan | Kijun | Kumo | T/K Cross | Flat History |
|:---|:---:|:---:|:---:|:---:|:---:|
| **M5** | X | X | - | X | - |
| **M15** | X | X | - | X | - |
| **M30** | X | X | - | X | - |
| **H1** | X | X | X | X | X |
| **H4** | X | X | X | X | X |
| **D1** | X | X | X | X | X |
| **W1** | X | X | X | X | X |
| **MN** | X | X | X | X | X |

## 4. Architettura dello Scanner Diamond

Il Diamond Scanner aggrega 109 criteri di scoring in 10 categorie:

| Categoria | Criteri | Esempi |
|:---|---:|:---|
| Ichimoku H1-D1 | 24 | Distanze Kijun/Tenkan, incroci T/K, posizioni Kumo, Flat bar |
| Ichimoku W1-MN | 8 | Kijun W1/MN, Kumo W1/MN, colore nuvola, Doppia memoria |
| FVG (6 TF) | 12 | FVG bear/bull M5 a D1, % mitigazione, priorità temporale |
| Order Blocks (6 TF) | 12 | OB bear/bull M5 a D1, posizione SOPRA/SOTTO/A |
| MSS/BOS (6 TF) | 18 | Regime, BOS, CHoCH su M5 a D1 |
| Volume HVN/LVN (6 TF) | 12 | Picco volume, HVN, LVN su M5 a D1 |
| Breaker Blocks (6 TF) | 12 | BRK bear/bull M5 a D1 |
| Sweep Asian/London | 4 | Sweep AH/AL, sweep London H/L |
| Reversal Pipeline | 5 | Sweep→inversione→conferma, FVG post-sweep, retest |
| Kijun M30/M15/M5 | 2 | Incrocio direzionale Kijun M30/M15/M5 |

**Punteggio massimo:** 109 criteri (107 senza MN)

## 5. Pipeline di Machine Learning

La pipeline ML trasforma i risultati dello scanner in probabilità di vincita attraverso 3 fasi:

| Fase | Strumento | Dettagli |
|:---:|:---|:---|
| 1 | `ml_labeler.py` | Estrazione feature dalla scansione Diamond (DB / CSV manuale / backtest). Genera CSV etichettato con colonna outcome (1=vinto, 0=perso). |
| 2 | `ml_trainer.py` | Addestramento XGBoost con cross-validazione 5-fold, scale_pos_weight per classi sbilanciate, grid search iperparametri. |
| 3 | `ml_predictor.py` | Inferenza in tempo reale: extract_features() → predict_proba() → ML% visualizzato nella scansione live. MLPredictor semplificato: 1 joblib.load invece di 5. |

## 6. Modello XGBoost v18 — Configurazione

Il modello v18 è il modello di produzione attivo. Addestrato su 1.210 trade storici con 123 feature nominali (incluse GARCH e stocastico).

| Iperparametro | Valore |
|:---|:---|
| `max_depth` | 6 |
| `learning_rate` | 0.03 |
| `n_estimators` | 200 |
| `subsample` | 0.8 |
| `min_child_weight` | 3 |
| `gamma` | 0.1 |
| `reg_alpha` | 0.5 (L1) |
| `reg_lambda` | 1.0 (L2) |
| `scale_pos_weight` | auto (basato su rapporto win/loss) |

**123 feature nominali** includono: punteggi/bias (6), Kijun 6 TF (18), Tenkan 6 TF (18), incroci T/K (6), Kumo (6), incroci M5/M15/M30 (12), Flat bar (2), FVG attivi (1), Order Blocks (6), Sweep (5), Volume (6), MSS/BOS (6), Breaker Blocks (6), Compressione (1), Stocastico (8: OU, Hurst, Monte Carlo, GARCH), Temporale (3), Tipo di asset (3).

## 7. Cronologia dei Modelli

27 modelli XGBoost sono stati addestrati e valutati dall'inizio del progetto. Ecco la cronologia delle versioni principali:

| Modello | Dati | Feature | Trade | CV | OOS PF | Stato |
|:---|:---|---:|---:|:---:|:---:|
| v1 | 6 principali | 36 | 852 | 61.0% | — | Archiviato |
| v4 | 13 simboli | 111 | 1.210 | 62.9% | 1.26* | In-sample (leakage) |
| v7 | 13 simboli | 25 migliori | 2.923 | 60.1% | 1.173 | 🥇 Migliore OOS unificato |
| v13 | 4 modelli/asset | 25 | 2.923 | 53-64% | 4.000 | 🏆 Per asset (15 trade) |
| v15 | 2025-2026 | 25 + OU/Hurst | 5.009 | 59.8% | — | Stocastico integrato |
| v18 | 13 simboli | 123 (GARCH) | 1.210 | 64.0% | 0.503 F1 | [X] Produzione attivo |

## 8. Importanza delle Feature (v4)

L'analisi dell'importanza delle feature rivela quali criteri pesano di più nelle decisioni del modello:

| Rank | Feature | Guadagno | Insight |
|:---:|:---|:---:|:---|
| 1 | `is_dxy` | 14.2 | Il dollaro segue una logica radicalmente diversa dalle coppie forex |
| 2 | `rr` | 10.0 | Il rapporto risk/reward teorico predice il risultato reale |
| 3 | `tkx_h1` | 9.2 | L'incrocio Tenkan/Kijun H1 è il miglior predittore singolo |
| 4 | `kj_h1` | 6.9 | La distanza dalla Kijun H1 cattura l'equilibrio a breve termine |
| 5 | `sl` | 6.4 | Il livello di stop-loss è importante quanto il take-profit |
| 6 | `day_wednesday` | 6.4 | I mercoledì (FOMC) mostrano un comportamento statisticamente distinto |
| 7 | `d_kj_h4` | 6.3 | La distanza dalla Kijun H4 indica il trend sottostante |
| 8 | `d_kj_d1` | 6.0 | La distanza dalla Kijun D1 ancora il contesto macro |
| 9 | `tkx_h4` | 6.0 | L'incrocio T/K H4 conferma il trend di sessione |
| 10 | `is_forex` | 5.9 | Le coppie FX hanno un comportamento proprio vs indici/metalli |

## 9. Validazione Out-of-Sample

La validazione OOS (addestramento Gennaio-Giugno 2026, test Luglio 2026) è il test decisivo. Il modello v4 mostra un PF in-sample di 2,27 alla soglia ML% ≥ 50%, ma questo include data leakage (il modello ha visto l'80% dei dati di test durante l'addestramento). Il vero PF OOS del v7 è 1,173 — un edge statisticamente significativo ma modesto. Il modello v13 (per asset) raggiunge PF=4,000 su 15 trade, ma il campione è troppo piccolo per essere affidabile. Conclusione: il ML fornisce un edge reale (PF > 1,0), ma il tetto attuale è ~1,17 con architettura unificata.

## 10. Simulazione di Capitale — Filtraggio ML%

Simulazione su 1.210 trade storici con capitale iniziale di 10.000 € e rischio 1% per trade:

| Soglia ML% | Trade | Tasso di Successo | PF (RR) | P&L (10k€) |
|:---|---:|---:|:---:|---:|
| Nessun filtro | 1.210 | 37.6% | 1.02 | +1.442 € |
| ML% ≥ 45% | 661 | 54.3% | 1.91 🔥 | +27.542 € |
| ML% ≥ 50% | 504 | 59.7% | 2.27 🔥🔥 | +25.842 € |
| ML% ≥ 55% | 327 | 67.3% | 2.80 | +19.242 € |
| ML% ≥ 60% | 170 | 78.8% | 3.59 | +9.340 € |
| ML% ≥ 70% | 71 | 88.7% | 1.64 | +514 € |

## 11. Finanza Quantitativa e Calcolo Stocastico

6 funzioni di finanza quantitativa sono state integrate nello scanner e nella pipeline ML. Queste funzioni calcolano metriche di rischio, volatilità e regime di mercato:

| Funzione | Scopo | Feature ML | Rank v18 |
|:---|:---|:---|:---:|
| **Ornstein-Uhlenbeck** | Rileva la sovraestensione del prezzo dalla media a lungo termine. Score 0-100%: >80% = probabile inversione. | `ou_score` | Non testato |
| **Esponente di Hurst** | Classifica il regime di mercato: H < 0.45 = RANGE, H > 0.55 = TREND. | `hurst_h` | Non testato |
| **GARCH(1,1)** | Modella la volatilità condizionale. 4 feature: persistenza, vol_lungo_termine, emivita, vol_previsionale. | `garch_persistence` | #14 |
| **Monte Carlo** | Simula 10.000 traiettorie di prezzo. Calcola P(SL raggiunto) e P(TP raggiunto). | `mc_p_sl, mc_p_tp` | Non testato |
| **Criterio di Kelly** | Dimensionamento ottimale delle posizioni per tipo di asset. Guadagno=0.00 (ridondante con SL/TP già ottimizzati). | `kelly_full` | #124 |
| **Rovina FTMO** | Probabilità di rovina di un conto prop firm con drawdown 10% su 100 trade simulati. | `ftmo_ruin_prob` | Non testato |

## 12. Criterio di Kelly per Tipo di Asset

Il Criterio di Kelly utilizza tassi di successo reali per tipo di asset (dal backtest) invece di un win_rate=0.40 uniforme. Risultati:

| Tipo di Asset | Tasso di Successo | Kelly Pieno | Kelly Metà |
|:---|---:|:---:|:---:|
| **DXY** | 73% | 46.0% | 23.0% |
| **XAUUSD** | 42% | 13.0% | 6.5% |
| **Forex** | 31% | 3.5% | 1.8% |
| **Indici** | 38% | 7.0% | 3.5% |
| **Cripto** | 35% | 2.5% | 1.3% |

## 13. MLPredictor Semplificato (19/07/2026)

Il MLPredictor caricava precedentemente lo stesso modello 5 volte (1× per metodo di predizione). La semplificazione del 19/07/2026 l'ha ridotto a un singolo `joblib.load()`. Risultato: 30 righe di codice eliminate, tempo di caricamento diviso per 4, e la `_ASSET_MODEL_MAP` ridondante eliminata. Il modello v18 è ora il modello unificato unico per tutti i tipi di asset.

## 14. Correzione di Bug — 19/07/2026

Una revisione approfondita del codice il 19/07/2026 ha identificato e corretto 4 bug:

| # | Gravità | File | Descrizione |
|:---:|:---|:---|:---|
| 1 | CRITICO | `diamond_scanner.py` | Codice morto dopo `return` in `ml_available` — i simboli non venivano mai attivati. `initialize()` non impostava `_initialized = True`. |
| 2 | ALTO | `stochastic_analytics.py` | GARCH: se nessuna coppia (α,β) valida trovata, fallback silenzioso con parametri inventati. Aggiunto controllo `best_ll <= -1e100`. |
| 3 | MEDIO | `stochastic_analytics.py` | Monte Carlo: il fallback di volatilità (log-returns) era calcolato ma mai usato quando il sigma OU era zero. |
| 4 | BASSO | `stochastic_analytics.py` | FTMO: `pnl_avg`/`roi_avg` fuori dal blocco try — rischio di NameError se codice aggiunto tra calcolo e return. |

## 15. Matrice Decisionale Finale

La matrice decisionale combina punteggio Diamond, ML%, guardrail e contesto macro:

| Condizione | Azione | Giustificazione |
|:---|:---:|:---|
| ML% ≥ 60% + TKx H1 allineato + no HIGH NEWS | 🟢 GO | Tripla conferma: ML, Ichimoku, macro |
| ML% ≥ 60% + TKx H1 conflitto | 🟡 ATTENDERE | Il ML è contraddetto dall'incrocio T/K H1 |
| ML% 50-60% + TKx H1 allineato | 🟡 CAUTELA | Edge ML moderato, necessita conferma aggiuntiva |
| ML% < 50% | 🔴 NO GO | Il modello non ha edge statistico |
| HIGH NEWS DAY + BULL | 🔴 ATTENDERE | I giorni macro (≥2 eventi maggiori) rompono le correlazioni |
| Mercoledì (giorno FOMC) + Forex | 🟡 Rischio Alto | I mercoledì mostrano comportamento statisticamente distinto |

## 16. Conclusione e Prospettive

Il progetto InelidaMarketScan dimostra che una pipeline ML addestrata su feature Ichimoku può generare un edge statistico significativo (PF OOS = 1,173). I 4 bug critici corretti il 19/07/2026 rafforzano l'affidabilità dello scanner live. I 27 modelli successivi hanno rivelato intuizioni chiave: le feature Ichimoku sono più predittive dei pattern ICT, il tipo di asset (is_dxy, is_forex) è un predittore principale, e le funzioni di calcolo stocastico forniscono segnale complementare di volatilità. Il prossimo salto di prestazioni richiederà un dataset più grande (2024-2026, >5.000 trade/asset) e potenzialmente architetture deep learning.

## Riferimenti

- Huddleston, M. — Inner Circle Trader (ICT) Concepts, 2022-2024
- Chen, T. & Guestrin, C. — XGBoost: A Scalable Tree Boosting System, KDD 2016
- Bollerslev, T. — Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 1986
- Hurst, H.E. — Long-term Storage Capacity of Reservoirs, Trans. ASCE, 1951
- Uhlenbeck, G.E. & Ornstein, L.S. — On the Theory of Brownian Motion, Physical Review, 1930
- Kelly, J.L. — A New Interpretation of Information Rate, Bell System Technical Journal, 1956
- Hosoda, G. — Ichimoku Kinko Hyo, 1968

---

> **Opera di ricerca in finanza quantitativa. Riproduzione consentita con citazione.**

## 🌐 Comunità

Unisciti al server Discord **Trading Pro** per connetterti con la community: https://discord.gg/u9JApXqhXy

---

> **Didier Vally / Reuniware Systems** — InelidaMarketScan v1.0.6
> 2026-07-19