M15-Karte "Setup-Bereitschaft" gebaut - Ersatz der Gesamtempfehlung (v=153)

Nach drei negativen M15-Messungen (Squeeze-Einstieg, VWAP-Baender, Exit-ATR)
steht fest: auf M15 traegt keine Richtungsquelle. Gebaut ist deshalb bewusst
KEINE Empfehlung, sondern eine sequenzielle Gate-Kette:

  [1 HTF-BIAS M30/H1] -> [2 KOSTEN Spread/ATR_M15] -> [3 LEVEL & KEGEL]
  -> Order AM LEVEL

Der Unterschied zur alten Karte ist grundsaetzlich: dort wurden Stimmen zu einem
Bias VERRECHNET (gemessen 48-51 % Treffer), hier muss jedes Gate EINZELN
passieren. Ein gefallenes Gate laesst sich nicht durch ein anderes ausgleichen.

Nur belegte Bausteine: HTF-Trend (einziger robuster Filter, Edge x2), Kosten
(M15 gemessen 0,104 gegen M5 0,193), naechstes stehendes Level + P(break),
Kegel (out-of-sample kalibriert, 80-%-Band trifft 77 %), Veto (-6,60 EUR/Lot).

Status-Banner: SETUP BEREIT / WARTEN AUF LEVEL / KEIN TRADE. Es bestaetigt
ausdruecklich auch das NICHT-Handeln - die gemessene Kern-Leckage sind
diskretionaere Abweichungen.

Die Order-Buttons werden BEWUSST NICHT gesperrt (gegen den Vorschlag
"ausgrauen"): hartes Blockieren wurde im Projekt verworfen, und
User-Uebersteuerungen liefen gemessen 68 % WR.

Umsetzung: engine._m15_setup() setzt nur zusammen, was der Snapshot ohnehin
erzeugt. Neu gerechnet wird allein das M15-Kosten-Verhaeltnis und P(break) fuer
das naechste Level. Dafuer veroeffentlicht wave_rec jetzt tf_atr (ADDITIV) - der
ATR je Zeitebene wurde im Turn-Fetch laengst berechnet, war aber nirgends
abrufbar.

P(break)-Merkmale bleiben auf M5 (Modell ist darauf trainiert, Fix 2026-07-13).

Mit 5 Szenarien getestet (alles passt, Bias uneinig, Kosten teuer, Level zu
weit, Kaltstart ohne ATR_M15 -> kein Absturz), live verifiziert ueber
deploy.py --feld m15_setup.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

core/wave_rec.py

@@ -398,6 +398,14 @@ class WaveRecommender:
         if turn_data:    # frisch geholt → neu berechnen, sonst letzten Stand halten
             self._last_tf_turns = {lbl: self._turn_state(c, a)
                                    for lbl, (c, a) in turn_data.items()}
+            # ⚠ ADDITIV (2026-08-08): den ATR je Zeitebene MITNEHMEN. Er wird im
+            # Turn-Fetch ohnehin berechnet (`turn_data[lbl] = (closes, atr)`),
+            # war aber nirgends abrufbar — die M15-Setup-Karte braucht ihn fuer
+            # das Kosten-Gate (Spread/ATR_M15) und die Abstandsangaben. Ihn dort
+            # neu zu holen waere ein zweiter MT5-Fetch fuer Zahlen, die schon da
+            # sind (derselbe Fehler wie beim Konsens-Pfeil, der ein zweites
+            # `_verdict()` rechnete).
+            self._tf_atr = {lbl: a for lbl, (c, a) in turn_data.items() if a}
             # P(break)-Features IMMER aus M5 (Modell wurde auf M5 trainiert/kalibriert
             # — die Wave-TF wechselt per Heuristik bis M30; damit wäre mom6 ein 3-h-
             # statt 30-min-Momentum und der ATR 2–3× größer → P(break) völlig falsch
@@ -484,6 +492,7 @@ class WaveRecommender:
             else:
                 self._last_bounce = {"state": None, "dir": None, "tf": None}
         snap["tf_turns"] = dict(self._last_tf_turns)
+        snap["tf_atr"]   = dict(getattr(self, "_tf_atr", {}) or {})
         snap["bounce"]   = dict(self._last_bounce)   # Multi-TF überschreibt Basis-TF
         snap["pb_feats"]  = dict(self._pb_feats) if getattr(self, "_pb_feats", None) else None
         snap["pb_levels"] = dict(self._pb_levels) if getattr(self, "_pb_levels", None) else None