PaPP v2 Modello: calibrazione rev (isotonic) + curva precisione/copertura + soglia operativa

Co-Authored-By: Devin AI <158243242+devin-ai-integration[bot]@users.noreply.github.com>

PaPP v2/Modello/README_mean_reversion.md

@@ -99,12 +99,15 @@ Modello/
 ├── config_mr.yaml              parametri del modello di mean-reversion
 ├── src/
 │   ├── mr_labeling.py          costruzione dei 3 target + maschere
-│   └── mr_train.py             pool + walk-forward + LOSO + modelli finali
+│   ├── mr_train.py             pool + walk-forward + LOSO + modelli finali
+│   └── mr_calibrate.py         calibrazione + curva precisione/copertura
 └── results/
-    ├── mr_wf_<task>.csv         metriche walk-forward per anno
-    ├── mr_loso_<task>.csv       metriche leave-one-symbol-out
-    ├── mr_summary.json          riepilogo medio
-    └── mr_model_<task>.joblib   modelli finali (non versionati)
+    ├── mr_wf_<task>.csv               metriche walk-forward per anno
+    ├── mr_loso_<task>.csv             metriche leave-one-symbol-out
+    ├── mr_precision_coverage.csv      soglia -> copertura/precisione/lift
+    ├── mr_calibration_metrics.json    Brier prima/dopo + LOSO
+    ├── mr_*.png                       grafici (affidabilita', precisione/copertura)
+    └── mr_*.joblib                    modelli (non versionati)
 ```
 
 ```bash
@@ -112,12 +115,48 @@ pip install -r requirements.txt
 # copia in ./data i CSV crosses+bars dei 4 simboli (vedi data/README.md), poi:
 cd src
 python mr_train.py            # usa ../config_mr.yaml
+python mr_calibrate.py        # calibrazione + soglia operativa (sez. 8)
 ```
 
-## 8. Prossimi passi
+## 8. Calibrazione e soglia operativa (`src/mr_calibrate.py`)
+
+Il modello `rev` **ordina** bene gli eventi, ma la probabilità grezza non è
+"vera" (vedi curva rossa sotto: un 0.55 grezzo corrispondeva a ~46% di rientri
+reali). La **calibrazione isotonica** la rende affidabile nella zona operativa
+(0.7–0.9) e migliora il Brier score da **0.198 → 0.189** (più basso = meglio).
+
+Split temporale onesto: modello base su anni `< 2016`, calibratore su `2016–2017`,
+valutazione su `2018+` (mai visto). LOSO calibrato: AUC 0.67–0.70 su simbolo mai
+visto → regge.
+
+![Affidabilità](results/mr_calibration_reliability.png)
+
+### Curva precisione/copertura (test 2018+, base rate 73%)
+
+Per ogni soglia di probabilità: **copertura** = quanti segnali tieni,
+**precisione** = tasso di rientro effettivo tra quelli tenuti.
+
+| soglia | copertura | precisione | lift |
+|---|---|---|---|
+| 0.50 | 99% | 73.1% | 1.00 |
+| 0.70 | 85% | 76.2% | 1.04 |
+| **0.75** | **51%** | **81.2%** | **1.11** |
+| 0.80 | 42% | 82.2% | 1.13 |
+| 0.85 | 28% | 83.3% | 1.14 |
+| 0.90 | 6% | 87.0% | 1.19 |
+
+![Precisione vs Copertura](results/mr_precision_coverage.png)
+
+**Soglia consigliata: ~0.75** → l'EA opera su ~metà dei setup di mean-reversion
+ma il tasso di rientro sale dal 73% all'**81%**. Chi vuole essere più selettivo
+usa 0.80–0.85 (precisione ~82–83%, copertura 28–42%). La soglia è un parametro:
+la tabella completa è in `results/mr_precision_coverage.csv`.
+
+Nota: tra 0.70 e 0.75 la copertura crolla (85%→51%) perché lì si concentra la
+massa delle probabilità; è il punto in cui il filtro inizia a "mordere".
+
+## 9. Prossimi passi
 
-- **Calibrazione** delle probabilità di `rev` e scelta soglia operativa
-  (precisione vs copertura) per l'EA.
 - Aggiungere altri major FX al pool per irrobustire ancora il LOSO.
-- **Fase 4**: export del modello `rev` in **ONNX** (skl2onnx) e inferenza in MT5
-  come filtro dei segnali di mean-reversion.
+- **Fase 4**: export del modello `rev` **calibrato** in **ONNX** (skl2onnx) e
+  inferenza in MT5 come filtro dei segnali di mean-reversion (soglia ~0.75).