v1.3: startup conserva datos de derivados + fix pydantic

startup.sh

@@ -1,25 +1,36 @@
 #!/bin/bash
 echo "========================================="
-echo "  AURORA BRAIN v1.2 — Starting Pipeline"
+echo "  AURORA BRAIN v1.3 — Starting Pipeline"
 echo "========================================="
 
-# Limpiar datos anteriores para re-entrenar con mejoras
-rm -rf data/*.parquet models/*.pkl models/*.json
-echo "Datos anteriores limpiados — re-entrenando desde cero"
+# Solo limpiar features y modelos (NO los parquets de datos crudos)
+rm -f data/features_*.parquet data/labeled_*.parquet
+rm -f models/*.pkl models/*.json
+echo "Features y modelos limpiados — re-entrenando"
 
-# Paso 1: Descargar datos
-echo "Descargando datos historicos..."
-python download_data.py --symbols BTCUSDT ETHUSDT SOLUSDT --days 1825
+# Paso 1: Descargar datos (solo si no existen las klines)
+if [ ! -f "data/klines_BTCUSDT_4h.parquet" ]; then
+    echo "Descargando datos historicos..."
+    python download_data.py --symbols BTCUSDT ETHUSDT SOLUSDT --days 1825
+else
+    echo "Klines ya existen — salteando descarga"
+    # Igual intentar macro y F&G (se actualizan)
+    python download_data.py --symbols BTCUSDT --days 1825 --no-derivatives 2>/dev/null || true
+fi
 
-# Paso 2: Generar features
+# Mostrar archivos de datos disponibles
+echo "Archivos de datos disponibles:"
+ls -la data/*.parquet 2>/dev/null || echo "  (ninguno)"
+
+# Paso 2: Generar features (incluye derivados si los parquets existen)
 echo "Generando features..."
 python feature_engine.py --all
 
-# Paso 3: Etiquetar regimenes (3 clases con thresholds ajustados)
+# Paso 3: Etiquetar regimenes
 echo "Etiquetando regimenes..."
 python regime_labeler.py --all
 
-# Paso 4: Entrenar modelo con datos combinados (BTC+ETH+SOL = 3x datos)
+# Paso 4: Entrenar modelo multi-symbol
 echo "Entrenando detector de regimen (multi-symbol)..."
 python regime_detector.py --multi