Come persone e IA preparano le nostre idee di trading

Approfondimento tecnico

I capitoli seguenti spiegano i componenti dei moderni sistemi di IA nel trading. Mostrano quali compiti possono svolgere queste tecnologie, dove si trovano i loro limiti e perché il controllo umano resta indispensabile.

Gli LLM e i loro limiti

I grandi modelli linguistici, in inglese Large Language Models o in breve LLM, elaborano il linguaggio con l'aiuto di reti neurali artificiali. I modelli moderni si basano per lo più sull'architettura Transformer. Un cosiddetto meccanismo di attention aiuta il modello a mettere in relazione tra loro le parti rilevanti di un testo.

Il metodo alla base appartiene al deep learning. Durante l'addestramento un modello elabora quantità di testo molto grandi e apprende relazioni statistiche. Impara per esempio quali termini compaiono spesso insieme, come sono costruite le argomentazioni e quali informazioni possono essere importanti in un determinato contesto.

Per farlo, i testi vengono scomposti in unità più piccole, i cosiddetti token. Quanti token un modello può considerare contemporaneamente lo determina la sua finestra di contesto. Una finestra di contesto ampia permette analisi estese, ma non garantisce che ogni informazione venga considerata con lo stesso peso o valutata correttamente.

Oltre all'addestramento generale, i modelli possono essere adattati a compiti specifici. Con il fine-tuning si usano esempi aggiuntivi, così che un modello padroneggi in modo più affidabile le strutture desiderate o il linguaggio specialistico. Per una conoscenza aggiornata dei mercati, però, il fine-tuning da solo non è adatto, perché quotazioni e notizie cambiano di continuo.

Nel trading gli LLM sono particolarmente forti quando bisogna elaborare informazioni non strutturate. Tra queste ci sono notizie, report di mercato, testi delle banche centrali, comunicati aziendali o analisi più lunghe. Un modello può riassumere testi, confrontare affermazioni importanti, ordinare i possibili effetti e spiegare in modo comprensibile relazioni complesse.

Perché un modello linguistico da solo non basta

Un LLM non è un database di quotazioni né una calcolatrice. Genera una risposta linguisticamente adatta sulla base di schemi appresi. Da qui nascono tre limiti importanti:

• Conoscenze che invecchiano: l'addestramento termina in un momento preciso. Il modello conosce quotazioni ed eventi più recenti solo se un'applicazione glieli fornisce in aggiunta.
• Allucinazioni: un modello può formulare un numero o una motivazione plausibile ma sbagliata. La sicurezza con cui risponde non è una prova di correttezza.
• Precisione di calcolo limitata: per i calcoli esatti andrebbero usate funzioni definite in modo fisso o strumenti di calcolo verificati.

Per questo nel trading un modello linguistico non deve decidere da solo. Ha bisogno di dati aggiornati, compiti chiaramente delimitati, controlli tecnici e controllo umano.

Agenti di IA e divisione dei compiti

Un agente di IA è più di una finestra di chat. È un sistema software che riceve un compito definito, elabora informazioni, può usare strumenti e passare un risultato strutturato al passaggio successivo. L'applicazione attorno al modello stabilisce quali dati sono disponibili e quali azioni sono consentite.

Per i compiti complessi ha senso suddividere le responsabilità. Un sistema può per esempio raccogliere informazioni, un altro valutare la struttura del mercato e un altro ancora verificare se un'idea rispetta i criteri di rischio stabiliti. Il vantaggio non sta nell'impiegare il maggior numero possibile di agenti. Ciò che conta sono competenze chiare e controlli reciproci.

Cosa rende affidabile un agente di IA

Un agente delimitato in modo sensato ha bisogno di più di un modello linguistico:

• un compito univoco, così che il risultato resti verificabile,
• un contesto adeguato, che contenga solo le informazioni necessarie,
• strumenti autorizzati, per esempio per l'accesso ai dati o per i calcoli,
• limiti chiari, cioè quali azioni sono espressamente vietate,
• un formato di output definito, che renda possibili ulteriori verifiche.

Un agente dovrebbe inoltre saper riconoscere quando le informazioni mancano o sono contraddittorie. In questo caso «nessuna valutazione affidabile possibile» è un risultato migliore di una sicurezza inventata.

Controllo attraverso la divisione dei compiti

Se un singolo modello sceglie i dati, preferisce una direzione e valuta il proprio risultato tutto allo stesso tempo, gli errori possono passare inosservati. Passaggi di verifica separati creano una forma di controllo: un risultato non viene solo prodotto, ma poi anche messo in discussione da un'altra prospettiva.

Questo principio viene spesso chiamato sistema multi-agente. Il numero esatto dei componenti, però, dice poco sulla qualità. Più importanti sono passaggi di consegne tracciabili, permessi limitati e la possibilità di scartare una proposta. Come questi ruoli vengano combinati concretamente nel nostro sistema di trading resta parte del nostro sviluppo interno.

Informazioni aggiornate e strumenti

Le decisioni di trading richiedono informazioni aggiornate e verificabili. Un modello linguistico preaddestrato non può garantirle da solo. Per questo le moderne applicazioni di IA collegano il modello a dati esterni e a strumenti chiaramente definiti.

RAG: fornire in modo mirato le conoscenze rilevanti

Retrieval-Augmented Generation, in breve RAG, significa che un'applicazione, prima di rispondere, recupera le informazioni adatte da una base di conoscenza collegata. Il modello riceve solo i documenti o gli estratti rilevanti per il compito concreto. In questo modo si può aggiungere contesto aggiornato senza dover riaddestrare un modello per ogni nuova informazione.

RAG migliora la base di una risposta, ma non elimina automaticamente gli errori. La qualità dipende dal fatto che le informazioni recuperate siano aggiornate, complete e affidabili.

Chiamate a strumenti e MCP

In una chiamata a uno strumento, un modello non si limita a tirare fuori un numero dalla propria memoria. Emette invece una richiesta strutturata all'applicazione in cui è inserito. Questa applicazione richiama una funzione consentita, verifica il risultato e lo rimette a disposizione del modello. Calcoli esatti, dati aggiornati e regole definite in modo fisso possono così essere eseguiti al di fuori del modello linguistico.

Il Model Context Protocol, in breve MCP, è un modo standardizzato per collegare le applicazioni di IA a strumenti e fonti di informazione. Semplifica questi collegamenti, ma non sostituisce né il controllo dei permessi né la verifica dei dati forniti.

Memorizzazione temporanea e CAG

Le informazioni richieste spesso non devono essere cercate ed elaborate di nuovo per ogni richiesta. Una memorizzazione temporanea intelligente può rendere disponibile più rapidamente un contesto già verificato. Con il termine Cache-Augmented Generation, in breve CAG, si indicano gli approcci in cui un contesto preparato in anticipo viene riutilizzato in modo efficiente.

Nel trading la velocità è utile, ma non deve mai andare a scapito dell'attualità. Per questo una cache ha bisogno di regole di validità chiare. Per i dati che incidono sui prezzi, un'informazione vecchia consegnata in fretta è peggio di una risposta un po' più lenta ma aggiornata.

La verifica delle fonti resta indispensabile

RAG, chiamate a strumenti e MCP rispondono anzitutto solo alla domanda di come le informazioni arrivino in un sistema di IA. Non dicono ancora se una fonte sia affidabile. Un'architettura solida deve tenere conto di provenienza, momento e completezza di un'informazione.

Particolarmente critici sono numeri o notizie in contraddizione. Un sistema dovrebbe rendere visibili questi conflitti invece di mescolarli in silenzio in una risposta apparentemente univoca. Per i calcoli, dati strutturati e funzioni deterministiche sono di solito più adatti di un testo formulato liberamente.

La pipeline dei segnali come principio

Una pipeline dei segnali descrive il percorso da informazioni disordinate a un'idea di trading comprensibile. Non è un singolo modello, ma una sequenza di passaggi chiaramente delimitati. Ogni passaggio ha un proprio compito e può fermare un risultato o rimandarlo a una nuova verifica.

1. Raccolta dei dati: vengono raccolte informazioni di mercato di diverse categorie. Quali fonti concrete utilizzi un sistema di trading fa parte della sua metodologia interna.
2. Preparazione: numeri, testi e indicazioni temporali vengono uniformati. Le informazioni incomplete, contraddittorie o superate devono essere riconosciute.
3. Analisi: la struttura tecnica del mercato, il quadro attuale delle notizie e altri fattori rilevanti vengono valutati separatamente e poi messi insieme.
4. Verifica del rischio: una possibile idea viene verificata rispetto a criteri fissi di rischio e di qualità. Uno schema tecnicamente interessante non è ancora un trade pubblicabile.
5. Approvazione umana e pubblicazione: il nostro team valuta il quadro complessivo e decide se dalla proposta nasce un'idea di trading per i nostri membri. Le idee approvate compaiono nel canale Telegram privato e, su richiesta, anche per e-mail.
6. Valutazione: dopo la chiusura, il risultato confluisce nella valutazione continua delle regole e dei processi.

Questa separazione crea tracciabilità. Se un'idea di trading viene scartata o riesaminata in seguito, si può giudicare con più precisione in quale punto è nata un'ipotesi. La scelta concreta, la ponderazione e il collegamento di questi passaggi restano il nostro know-how interno.

Per il passaggio tra una fase e l'altra sono importanti risultati strutturati. Invece di un lungo testo libero, un passaggio può per esempio indicare separatamente quale osservazione è stata fatta, quali dati la sostengono, quali argomenti contrari esistono e quanto è sicura la valutazione. Il passaggio di verifica successivo può mettere in discussione questi elementi uno per uno.

Una pipeline deve inoltre potersi interrompere. Dati mancanti, prezzi poco chiari o un evento straordinario non sono un invito a generare comunque un segnale. Possono essere un motivo oggettivo per non pubblicare nessuna idea di trading.

La verifica del rischio come parte integrante

La gestione del rischio non inizia solo dopo l'ingresso. Fa già parte della valutazione di una possibile idea di trading. Un sistema non dovrebbe quindi chiedersi solo se un movimento è plausibile, ma anche se l'idea si può mettere in pratica in modo sensato con un limite di perdita chiaro.

Tra le possibili categorie di verifica ci sono:

• l'attuale ampiezza delle oscillazioni del mercato,
• la negoziabilità ai prezzi previsti,
• la distanza tra ingresso, limite di perdita e obiettivi di guadagno,
• le correlazioni con altri mercati o idee aperti,
• i dati economici in arrivo e gli eventi straordinari.

Una verifica tecnica del rischio può imporre disciplina, perché le stesse domande vengono poste ogni volta. Non può però decidere quale rischio personale sia adeguato per un partecipante. Dimensione del conto, dimensione del trade e messa in pratica restano sempre sotto la responsabilità dell'utente.

Una prospettiva dedicata al rischio

Ha senso separare la verifica del rischio dalla ricerca delle opportunità. Chi sviluppa un'idea trova spesso buoni motivi a suo favore. Una verifica indipendente cerca di proposito i motivi contrari: il rapporto tra possibile guadagno e possibile perdita è adeguato? Esistono già rischi simili? È in arrivo un evento che potrebbe vanificare l'analisi?

Questa controverifica non serve a impedire ogni trade. Fa in modo che l'entusiasmo per un'idea non diventi più importante dei limiti fissati in precedenza.

Perché la decisione finale resta alle persone

I mercati cambiano. Le relazioni storiche possono rompersi, gli eventi politici possono sovrapporsi a schemi noti e le fasi di mercato straordinarie non si possono ricavare del tutto dai dati passati. Proprio qui l'esperienza umana è particolarmente importante.

Per questo l'approvazione finale di un'idea di trading spetta al nostro team, con oltre 20 anni di esperienza di mercato in diverse fasi di mercato e classi di attivi. I sistemi di IA forniscono analisi, confronti e verifiche. Le persone giudicano il contesto, mettono in discussione i risultati contraddittori e si assumono la responsabilità della pubblicazione.

Questo approccio ibrido unisce due punti di forza diversi. La tecnologia può elaborare con costanza grandi quantità di informazioni e non si stanca né diventa impaziente. Le persone sanno inquadrare l'incertezza, le situazioni straordinarie e le relazioni qualitative. Nessuna delle due parti deve fingere di poter sostituire completamente l'altra.

Alla valutazione umana spettano in particolare situazioni come:

• decisioni politiche o regolamentari,
• fasi di mercato straordinarie e rotture strutturali,
• notizie il cui significato non si può ricavare da un singolo indicatore,
• contraddizioni tra la struttura tecnica e il contesto di mercato attuale.

Feedback e sviluppo continuo

Un sistema di trading non è finito solo perché un'idea di trading è stata pubblicata. Solo il risultato effettivo mostra quali ipotesi erano solide. Per questo i trade chiusi vengono analizzati e confrontati con la pianificazione originale.

Tra le altre cose, si possono esaminare queste domande:

• L'ingresso previsto era sensato nelle condizioni reali di mercato?
• Il rischio era chiaramente limitato e nel giusto rapporto con gli obiettivi?
• Quali informazioni sono state particolarmente preziose per la decisione?
• C'erano segnali di allarme di cui si sarebbe dovuto tenere più conto?
• Il contesto di mercato è cambiato in modo sostanziale durante il trade?

Feedback umano e tecnico

La valutazione tecnica guarda a risultati misurabili: sono stati raggiunti gli obiettivi o il limite di perdita? Come si è mosso il mercato dopo l'ingresso? Ci sono state differenze evidenti tra la pianificazione e il movimento effettivo? Questi dati permettono un confronto coerente tra molti trade.

Il feedback umano aggiunge il contesto. Una perdita può essere stata accettabile anche con una pianificazione accurata. Un guadagno, invece, può basarsi su una decisione debole che è finita bene solo per caso. Per questo la valutazione non può ridursi alla semplice domanda «guadagno o perdita?».

Perché l'ottimizzazione va fatta con cautela

I buoni risultati del passato si possono facilmente sovraottimizzare. Questo problema si chiama Overfitting: un sistema si adatta ai dati storici in modo così preciso da non aver più appreso il comportamento generale del mercato, ma il rumore casuale.

Uno sviluppo solido richiede quindi periodi di verifica separati, fasi di mercato diverse e una velocità di adattamento limitata. Una regola non dovrebbe essere modificata dopo un singolo guadagno o una singola perdita. Anche qui valutazione umana e valutazione tecnica si completano a vicenda.

Nelle verifiche storiche, i dati su cui è stata sviluppata una regola dovrebbero restare separati dai periodi di verifica successivi. Solo così si riconosce meglio se un miglioramento regge anche al di fuori del passato già noto. Anche un backtest convincente resta comunque una simulazione e non una garanzia di risultati futuri.

Limiti e misure di sicurezza

L'IA può elaborare le informazioni più rapidamente e preparare le decisioni in modo più strutturato. Non può né conoscere il futuro né garantire guadagni. Ogni architettura tecnica deve quindi tenere conto non solo delle proprie capacità, ma anche dei modi in cui può sbagliare.

Gli errori tipici non nascono solo nel modello. Una fonte di dati difettosa, una memorizzazione temporanea non aggiornata, un'unità di misura fraintesa o uno strumento dal campo d'azione troppo ampio possono portare a un cattivo risultato anche con un modello potente. Per questo la sicurezza va pensata lungo l'intera catena di elaborazione.

• Verificare i dati aggiornati: le decisioni finanziarie non devono basarsi su un numero non documentato fornito da un modello linguistico.
• Delimitare i compiti: ogni componente riceve solo le informazioni e i permessi di cui ha bisogno per il suo compito.
• Documentare i passaggi critici: proposte e verifiche devono essere ricostruibili in seguito.
• Tenere le persone nel ciclo decisionale: un'idea di trading viene verificata e approvata prima della pubblicazione.
• Analizzare apertamente i risultati: guadagni e perdite contano allo stesso modo nella valutazione del sistema.

Il nostro servizio di segnali non esegue trade in automatico sul conto di un partecipante. Ogni utente decide da sé se mettere in pratica un'idea e con quale dimensione del trade. L'IA resta uno strumento per una preparazione migliore, verifiche più coerenti e uno sviluppo continuo.