CyclicalResearch
Sistema proprietario di analisi ciclica per i mercati crypto che combina Digital Signal Processing, teoria ciclica e machine learning. Identifica i cicli dominanti su più orizzonti temporali, riconosce il regime di mercato in corso e proietta gli scenari futuri con bande di confidenza. Un motore di pattern recognition confronta il ciclo attuale con la memoria storica del mercato per stimarne l'evoluzione più probabile. Tutto in una dashboard interattiva che rende la mappa ciclica leggibile e navigabile in tempo reale. Stack: Python, Polars, NumPy/Numba, SciPy, Dash.
Il problema
Sui mercati crypto la ciclicità si intuisce a occhio ma non si misura: gli indicatori classici reagiscono in ritardo e non distinguono un ciclo che prosegue da un regime che è cambiato. Serviva leggere i cicli dominanti su più orizzonti contemporaneamente e capire in quale fase ci si trova mentre accade, non a posteriori quando il movimento è già finito.
Come lo abbiamo affrontato
Il sistema tratta la serie storica per quello che è, un segnale: filtri DSP per isolare le componenti cicliche, analisi spettrale per i periodi dominanti, riconoscimento del regime in corso. Un motore di pattern recognition confronta il ciclo attuale con la memoria storica del mercato e proietta gli scenari con bande di confidenza, invece di un numero secco che darebbe una falsa precisione.
Scelte tecniche
Python con Polars per l'elaborazione colonnare e Numba per i calcoli JIT-compiled: l'analisi multi-timeframe deve restare interattiva, non diventare un batch notturno. SciPy per la parte spettrale, Dash e Plotly per la dashboard, CCXT per i dati di mercato. Vincolo non negoziabile: nessun lookahead, ogni valore usa solo l'informazione disponibile a quella barra.
Cosa comprende
Estrazione dei cicli dominanti su più timeframe, analisi spettrale, classificazione del regime di mercato, motore di pattern recognition sulla memoria storica, proiezione degli scenari con bande di confidenza e dashboard interattiva per navigare la mappa ciclica. Ingestione dei dati di mercato automatizzata via CCXT, con pipeline riproducibile: stessi dati e stessi parametri, stesso risultato.