revisione generale per fix

signals daily kNN prod v.2.py

@@ -651,9 +651,18 @@ def compute_current_capital_from_log(
 
 
 def size_equal_weight(candidates: List[str]) -> Dict[str, float]:
+    """
+    Equal-Weight sizing.
+
+    FIX v2.1.1: ogni candidato riceve peso 1/MAX_OPEN, NON 1/len(candidates).
+    Cosi' il peso massimo per asset e' sempre <= 1/MAX_OPEN, indipendentemente
+    dal numero di candidati effettivamente selezionati. Se il target ha meno
+    di MAX_OPEN candidati, la quota non investita resta implicitamente in cash
+    (il sistema non apre nuove posizioni per "riempire" l'esposizione).
+    """
     if not candidates:
         return {}
-    w = 1.0 / max(1, len(candidates))
+    w = 1.0 / max(1, MAX_OPEN)
     return {isin: w for isin in candidates}
 
 
@@ -663,7 +672,13 @@ def size_risk_parity(
     asof_idx: int,
     rp_max_weight: float,
 ) -> Dict[str, float]:
-    """Risk Parity sui soli candidati con cap per singolo asset."""
+    """
+    Risk Parity sui soli candidati con cap per singolo asset.
+
+    FIX v2.1.1: la normalizzazione finale rispetta il cap. Target di esposizione
+    totale = len(candidates)/MAX_OPEN (cosi' con MAX_OPEN candidati l'esposizione
+    e' ~100%, con meno candidati e' frazionaria e il resto va in cash).
+    """
     if not candidates:
         return {}
     L = RISK_PARITY_LOOKBACK
@@ -674,8 +689,14 @@ def size_risk_parity(
     inv_vol = inv_vol.replace([np.inf, -np.inf], np.nan).fillna(0.0)
     if inv_vol.sum() == 0:
         return size_equal_weight(candidates)
-    w = (inv_vol / inv_vol.sum()).to_dict()
+
+    # Pesi normalizzati a sum=target_total invece di sum=1
+    target_total = len(candidates) / max(1, MAX_OPEN)
+    w_raw = (inv_vol / inv_vol.sum()) * target_total
+    w = w_raw.to_dict()
+
     if rp_max_weight is not None:
+        # Cap per singolo asset (NON si rinormalizza: il deficit resta in cash)
         w = {k: min(rp_max_weight, float(v)) for k, v in w.items()}
     return w