Note di ricerca: osservazioni operative sul portafoglio AI governato
I mercati sono non stazionari. I regimi cambiano. Le correlazioni si ribaltano. I modelli degradano in silenzio. Queste note sono scritte dall'interno, da persone che hanno costruito sistemi, li hanno visti rompersi e hanno imparato che la governance conta più della predizione.
Non teoria. Non marketing. Le verità operative più scomode dietro il portafoglio AI governato: intelligenza di rete cross-asset, disciplina di validazione e ciò che sopravvive davvero al contatto con i mercati reali.
Perché Esistono Queste Note
La maggior parte di ciò che si pubblica sull'AI in finanza è troppo accademico per essere utile o troppo promozionale per essere onesto. Queste note stanno nel mezzo: osservazioni dalla costruzione di un sistema AI governato per il portafoglio, scritte per persone che hanno visto abbastanza sistemi rompersi da sapere che la parte difficile non è mai il modello.
La parte difficile è tutto ciò che lo circonda: il dimensionamento delle posizioni, i vincoli, la logica di uscita, il monitoraggio che fa emergere la deriva prima che diventi drawdown, e la disciplina di eliminare un modello eccellente quando fallisce lo stress test.
Note di ricerca evergreen
Brevi saggi costruiti su vincoli reali: sopravvivenza out-of-sample, rischio operativo e ciò che conta davvero in produzione.
Previsione vs decisioni sotto incertezza
Le reti neurali non “indovinano” il prezzo di domani—ed è un obiettivo
sbagliato.
Conta stimare distribuzioni utili e adattarsi quando il gioco cambia.
Previsione vs decisioni sotto incertezza
Le reti neurali non “indovinano” il prezzo di domani—ed è un obiettivo sbagliato. Conta stimare distribuzioni utili e adattarsi quando il gioco cambia.
Dalla previsione puntuale a distribuzioni azionabili
I mercati sono riflessi rumorosi del comportamento umano: posizionamento, esitazione, comportamento gregario, capitolazione, variazioni di liquidità. Il vantaggio raramente è “vedere il futuro”. È modellare abbastanza bene la dinamica da prendere decisioni sistematicamente migliori del caso, con payoff asimmetrici e campioni limitati.
La domanda più utile non è “Dove sarà il prezzo domani?”, ma: “Quale distribuzione di esiti è plausibile e quanto rapidamente il sistema si aggiorna quando cambiano i regimi?”
Anche le idee possono “overfittare”
Le best practice aiutano, ma possono diventare overfitting mentale: paradigmi
che
si trasformano in limiti invisibili. L’innovazione spesso inizia dove le
checklist dicono “impossibile”.
Anche le idee possono “overfittare”
Le best practice aiutano, ma possono diventare overfitting mentale: paradigmi che si trasformano in limiti invisibili. L’innovazione spesso inizia dove le checklist dicono “impossibile”.
Quando le best practice diventano punti ciechi
Nel trading quantitativo la parola “overfitting” scatta veloce—talvolta a ragione, talvolta per riflesso. I dati descrivono il passato. La teoria descrive ciò che già comprendiamo. Nessuno dei due descrive del tutto il futuro.
A volte il progresso nasce dal togliere rumore, tenere solo l’essenziale e lasciare spazio a ciò che non è ancora in nessun manuale—senza rinunciare a disciplina di validazione e controllo del rischio.
Perché non ottimizziamo l’F1-Score
Un classificatore “su/giù” non è un sistema di trading.
Nel mondo reale contano rischio/rendimento, sizing, costi, slippage—e sapere
quando restare fuori.
Perché non ottimizziamo l’F1-Score
Un classificatore “su/giù” non è un sistema di trading. Nel mondo reale contano rischio/rendimento, sizing, costi, slippage—e sapere quando restare fuori.
La realtà del trading: costi, sizing e la scelta di non entrare
Abbiamo visto modelli con metriche di validazione mediocri sopravvivere a test OOS realistici— e modelli con metriche eccellenti fallire quando applichi costi, slippage, sizing e vincoli di rischio.
Un workflow pratico è brutale ma semplice: addestrare molti modelli, collegarli a test OOS realistici, scartarne la maggior parte e promuovere solo i finalisti che restano stabili sotto monitoraggio e limiti di rischio rigorosi.
Come Pensiamo al Portfolio AI
Governance Prima della Predizione
Il segnale è la parte facile. La differenza la fa tutto ciò che lo circonda: dimensionamento delle posizioni, vincoli, logica di uscita, consapevolezza del regime e la capacità di dire "non ora."
Validazione che Sopravvive
Disciplina out-of-sample, verifiche di comportamento sotto stress, e una regola semplice: se non passa tutti e tre i gate con gli stessi parametri, non si rilascia. Nessuna eccezione.
Intelligenza di Rete
Il portafoglio è un unico sistema interagente, non cinquanta serie storiche indipendenti. Propagazione dello stress cross-asset, aggiornamenti giornalieri delle correlazioni e monitoraggio progettato per leggere le relazioni, non solo le posizioni.
Richiedi accesso in anteprima
Per collaborazione strategica e valutazione istituzionale, contattaci tramite il modulo riservato.