Un sistema di trading prende forma molto prima del primo ordine. Comincia da un’idea, ma cresce attraverso le scelte: quali dati usare, cosa chiedere al modello, come misurare il rischio e quale lavoro affidare all’AI. Imparare a collegare queste scelte è una competenza che puoi portare da un progetto al successivo.
La ricerca che ha portato a Quantic Eagle è iniziata prima della società. Circa dieci anni di tentativi, sviluppi, correzioni e decisioni hanno costruito un patrimonio pratico: come organizzare un esperimento, confrontare alternative e rendere il lavoro riutilizzabile. È da queste lezioni che nasce Prima del capitale.
Se ripartissimo oggi, vorremmo avere una mappa del lavoro: cosa definire subito, cosa costruire per passi e come usare gli agenti AI per avanzare con ordine. Questa edizione raccoglie una selezione di quell’esperienza in casi visivi, procedure, schede e strumenti da adattare al tuo laboratorio. Il percorso di ricerca è distinto dall’età della società e da qualsiasi track record live.
Dal dato alla decisione: che cosa devi poter ricostruire
Un modello è una parte del sistema. Questa mappa didattica collega ogni passaggio a un errore possibile, a un controllo e a un documento da conservare. Non descrive l’architettura proprietaria di Quantic Eagle.
1 Dati disponibili allora
- Rischio
- Usare revisioni o informazioni arrivate dopo la decisione.
- Controllo
- Confronta il momento osservato con quello di disponibilità.
- Da conservare
- Fonti, versioni e tempi di disponibilità.
2 Variabili ed esiti da apprendere
- Rischio
- Calcolare una variabile con il futuro o usare un esito non ancora noto.
- Controllo
- Dichiara la finestra di ogni variabile e quando termina l’esito.
- Da conservare
- Definizioni delle variabili e intervalli delle etichette.
3 Partizioni temporali
- Rischio
- Mescolare passato e futuro o far sovrapporre gli esiti fra train e test.
- Controllo
- Fissa i confini e verifica le esclusioni prima del fit.
- Da conservare
- Elenco delle righe per partizione e motivi delle esclusioni.
4 Addestramento e selezione
- Rischio
- Scegliere modello, soglie o trasformazioni dopo aver visto il test finale.
- Controllo
- Confronta una baseline e le alternative nei soli dati riservati alle scelte.
- Da conservare
- Tentativi, parametri, trasformazioni e criterio di scelta.
5 Portafoglio ed esecuzione simulata
- Rischio
- Passare dagli stessi score a ordini diversi o omettere costi.
- Controllo
- Segui selezione, dimensionamento, vincoli e costi lungo la stessa traccia.
- Da conservare
- Tracce delle decisioni e ipotesi di esecuzione.
6 Equity e rischio osservabile
- Rischio
- Leggere il saldo come equity o scambiare un deposito per rendimento.
- Controllo
- Includi posizioni aperte, frequenza dei campioni e flussi esterni.
- Da conservare
- Serie, metodo di rettifica e costi inclusi o esclusi.
7 Valutazione riservata e stress
- Rischio
- Riutilizzare un test già consultato come se fosse ancora indipendente.
- Controllo
- Valuta il candidato fissato e registra tutte le analisi consultate.
- Da conservare
- Risultati OOS, prove di stress e storia della selezione.
8 Decisione e nuove osservazioni
- Rischio
- Cambiare il sistema senza separare il prima dal dopo.
- Controllo
- Documenta versione, limiti e condizioni della verifica successiva.
- Da conservare
- Decisione datata e registro prospettico separato.
Le frecce indicano dipendenze del lavoro, non un’autorizzazione a operare. Preprocessing e stime dei parametri vanno adattati soltanto sui dati ammessi. OOF significa che una previsione proviene da un modello non addestrato sulla relativa partizione; da solo non garantisce correttezza temporale. Un periodo OOS usato ripetutamente per scegliere non è più un test finale intatto.
Il tuo punto di partenza.
Una guida operativa per chi vuole sviluppare un progetto quantitativo e conosce già i concetti di backtest, rischio e rendimento.
Per leggere bastano un browser e familiarità con i concetti di base. Per gli esercizi Python serve saper lavorare con file CSV e usare il terminale. Se termini come backtest, drawdown o dati di addestramento sono nuovi, conviene partire da una formazione introduttiva.
Il contributo distintivo è una selezione di casi, decisioni e pratiche ricavate dalla ricerca interna: tentativi utili, strade abbandonate, correzioni e risultati che hanno cambiato il progetto. La guida spiega il ragionamento alla base di queste scelte e propone esercizi per applicarlo ad altri progetti.
Le sei scelte con cui cominciare
Dai forma all’idea. Definisci il comportamento che vuoi studiare e un riferimento semplice con cui confrontarlo. Una buona domanda rende più utile anche il primo incarico all’AI.
Progetta a partire dai dati. Scegli universo, fonti e tempi di disponibilità in funzione della decisione che il sistema dovrà prendere. Il dataset diventa una parte esplicita del progetto.
Assegna un ruolo a ogni modello. Parti da un confronto che sai spiegare. Aggiungi complessità quando sai quale contributo cercare e come misurarlo alle stesse condizioni.
Porta il rischio dentro il progetto. Decidi come osservare equity, costi e posizioni aperte. Il risultato economico va letto insieme al percorso necessario per ottenerlo.
Organizza gli agenti AI. Distribuisci compiti delimitati, input e criteri di consegna. Misura il lavoro completato e il tempo di revisione: sono informazioni utili per scegliere cosa automatizzare.
Prepara la prossima prova. Conserva una versione riconoscibile, raccogli le decisioni e stabilisci cosa osservare dopo. È così che un esperimento può diventare la base del successivo.
Nel percorso completo queste scelte sono collegate a capitoli, schede e workshop. Qui entriamo nel laboratorio attraverso tre casi: la misura del rischio, la selezione dei modelli e la qualità dei dati. Il controllo gratuito del CSV ti permette già di provare una parte del metodo, localmente e senza lasciare un’email.
La curva che non mostrava tutto
Immagina un indice che parte da 100 e arriva a 104. Le operazioni chiuse non producono mai un arretramento. Nel report il drawdown è zero.
Ora guarda le stesse osservazioni includendo le posizioni aperte: l'equity sale a 101, scende a 87 e termina a 104. Il drawdown osservato è il 13,86%. Il risultato finale non cambia; cambia ciò che riesci a vedere lungo il percorso.
Due curve. Lo stesso finale.
Questo esempio è sintetico, non rappresenta performance Quantic Eagle. Mostra perché la definizione di una metrica conta quanto il numero. Nella pratica devi conoscere frequenza delle osservazioni, costi, flussi di capitale e copertura delle posizioni. Una serie giornaliera può non vedere il minimo intraday.
La prima verifica è semplice: il report misura il rischio che vuoi capire oppure soltanto quello che i dati disponibili consentono di calcolare?
Il modello interessante era fuori dalla prima selezione
In un confronto interno sui primi 192 backtest di una campagna, nove dei dieci candidati meglio classificati economicamente erano fuori dal quartile superiore del proxy nella popolazione di riferimento. La correlazione di rango fra proxy e ranking economico era circa 0,27.
Chi sarebbe rimasto fuori?
Il dato riguarda una coorte selezionata e una ricerca adattiva. Non dimostra una legge generale, la superiorità di una famiglia di modelli o un rendimento futuro. Offre una domanda molto pratica: quanto materiale utile può scartare il filtro con cui decidi cosa valutare davvero?
Un proxy può misurare una parte del problema. Un portafoglio include anche costi, posizioni contemporanee, rischio e concentrazione. La differenza diventa visibile quando confronti le due graduatorie alle stesse condizioni.
Prima di scegliere il modello, scegli che cosa deve imparare
Il sistema cerca di riconoscere una direzione, oppure di prendere una decisione economicamente utile? La risposta cambia il significato delle metriche con cui lo giudichi.
La loss è la funzione che guida l’addestramento. L’AUC (area sotto la curva ROC) misura quanto bene un punteggio colloca gli esempi positivi prima di quelli negativi; non misura direttamente quanto valgono le decisioni, quanto costano o quanto capitale assorbono. Una loss che approssima un obiettivo economico può attribuire un peso diverso a errori che una metrica direzionale tratta allo stesso modo.
Per questo una buona AUC non basta a scegliere un sistema di trading. Ma neppure un’AUC mediocre dimostra che hai trovato un modello economicamente intelligente. L’AUC sui dati di addestramento descrive dati usati per imparare: un valore estremo richiede controlli su separabilità, overfitting e possibili contaminazioni. La scelta della loss non lo trasforma in una prova di capacità futura.
Nella nostra ricerca distinguiamo tre passaggi: l’obiettivo di addestramento, il punteggio che aiuta a scegliere i candidati e il risultato del backtest di portafoglio. Anche un proxy economico può ordinare male i candidati quando il sistema completo applica costi, limiti e regole di esecuzione. Il confronto sui 192 candidati descritto qui riguarda il proxy e la graduatoria del backtest: non è uno studio sull’AUC e non dimostra che la loss abbia causato il disaccordo.
Considera quattro opportunità simultanee con esiti lordi +1, +8, −1 e −8. Le etichette direzionali sono quindi 1, 1, 0, 0. Il modello A assegna i punteggi 0,9; 0,7; 0,8; 0,6. Il modello B assegna 0,6; 0,9; 0,7; 0,8. A ordina correttamente tre delle quattro coppie positivo-negativo: AUC 0,75. B ne ordina due: AUC 0,50. La regola, uguale per entrambi, prende soltanto il punteggio più alto. A sceglie +1, B sceglie +8; sottrai 0,10 di costo a ciascuna operazione. Gli esiti sono disponibili solo dopo la scelta: non sono input dei modelli. Questo caso dimostra che due obiettivi possono divergere, non che B sia migliore su dati futuri o che una loss economica lo abbia prodotto.
L’idea di addestrare su obiettivi economici esiste anche nella ricerca accademica: Lim, Zohren e Roberts descrivono reti addestrate per ottimizzare l’indice di Sharpe, con una penalizzazione del turnover per tenere conto dei costi di transazione. Il nostro contributo educativo è il percorso di progettazione e verifica, non la rivendicazione di aver inventato questa categoria. Studio originale: Enhancing Time Series Momentum Strategies Using Deep Neural Networks.
La domanda utile diventa: quale comportamento sto premiando, e quanto somiglia a quello che il sistema dovrà eseguire?
Separare le date non basta: guarda quando diventano noti gli esiti
Esempio sintetico: vuoi valutare decisioni nei periodi 5–6. Una riga di addestramento parte nel periodo 4, ma la sua etichetta usa un esito che si conosce soltanto nel periodo 6. Addestrare prima del periodo 5 usando quell’etichetta introdurrebbe informazione futura.
Divisione casuale ingenua
- 1T
- 2V
- 3T
- 4T
- 5V
- 6T
- 7—
- 8—
Usa anche osservazioni successive per valutare decisioni precedenti. Non ricostruisce il compito di prevedere il futuro dal passato.
Walk-forward, senza verificare le etichette
- 1T
- 2T
- 3T
- 4T
- 5V
- 6V
- 7—
- 8—
Il train precede il test per data iniziale, ma l’esito della riga 4 arriva nel periodo 6. La sola cronologia delle righe non risolve il problema.
Walk-forward con esclusione della sovrapposizione
- 1T
- 2T
- 3T
- 4×
- 5V
- 6V
- 7—
- 8—
Si esclude la riga 4. In questo esempio gli esiti delle righe 1–3 sono già noti prima del periodo 5; in un dataset reale si controlla ogni intervallo.
Purging, embargo e distanza prima del test
Il purging esclude dal train le osservazioni i cui intervalli di etichetta si sovrappongono alla valutazione. Un embargo può escludere un tratto successivo al test quando il disegno di cross-validation ammette dati di addestramento successivi: serve a limitare dipendenze residue, per esempio dovute a finestre informative sovrapposte. Nel walk-forward strettamente causale non si usano quei dati futuri per il fit; un eventuale intervallo di esclusione prima del test è invece un gap. Durata e confini dipendono da etichette, disponibilità dei dati e finestre delle variabili: non esiste un numero universale di giorni.
Queste esclusioni non correggono dati pubblicati in ritardo, normalizzazioni adattate sull’intero dataset o selezioni ripetute sul test. Conserva righe escluse e motivi, includi un caso difettoso che il controllo deve rilevare e registra quali risultati avevi già visto prima di decidere.
Prova su carta: la riga parte nel periodo 4 e il suo esito si chiude nel 6. Puoi usarla per addestrare un modello che decide all’inizio del 5? No. Cambia poi la chiusura dell’esito al periodo 4: quella specifica sovrapposizione scompare, ma disponibilità delle variabili e storia della selezione restano da verificare.
Per la separazione cronologica e il parametro gap: documentazione ufficiale di TimeSeriesSplit. Per i rischi della selezione fra molti backtest: Bailey e coautori. Nessuno dei due riferimenti certifica questo progetto o garantisce risultati futuri.
scikit-learn: TimeSeriesSplit · Bailey et al.: The Probability of Backtest Overfitting
Un file identico può essere incompleto
Un controllo d'integrità può confermare che il file è quello previsto. Può anche confermare, perfettamente, che hai riprodotto lo stesso buco informativo.
Nei nostri audit questa distinzione ha richiesto controlli separati: identità del file, copertura dei dati e storia effettivamente disponibile per calcolare gli indicatori. Sono tre domande diverse.
Tre condizioni da distinguere
— Assenza iniziale prevista · ✓ Disponibile · ! Lacuna inattesa
Le prime osservazioni di un indicatore possono essere mancanti per una ragione prevista. Un'assenza inattesa mesi dopo richiede un'indagine. Cancellare tutte le righe incomplete può nascondere la differenza e cambiare il campione.
Dove l'esperienza diventa trasferibile
Un assistente AI può spiegare questi concetti. Per ricostruire fedelmente decisioni, tentativi e verifiche del nostro archivio, deve avere accesso a quei materiali. Il valore dell'edizione sta nel lavoro di selezione: rendere una parte di quell'esperienza comprensibile e applicabile senza distribuire le configurazioni proprietarie.
Ogni caso segue la stessa struttura: cosa volevamo capire, cosa sembrava vero, quale verifica ha cambiato la lettura e quale procedura può usare il lettore. Spieghiamo anche le ragioni delle decisioni di fermarsi.
La sezione La seconda partenza affronta il passo successivo: come impostare oggi un piccolo laboratorio didattico, con un'idea, una baseline, dati utilizzabili, agenti con compiti delimitati e risultati verificabili. L’obiettivo è evitare tentativi inutili. Il risparmio effettivo di tempo dipende dal punto di partenza e dall'uso degli strumenti.
Sei risposte prima di un altro esperimento
Prima delle domande, tre episodi spiegano perché abbiamo scelto di aprire una parte del laboratorio.
Le probabilità coincidevano. Gli ordini potevano cambiare.
Un audit aveva verificato modelli, input e previsioni di un replay. Un controllo successivo ha trovato una differenza nel componente che risolveva un conflitto fra direzioni. La simulazione eseguiva effettivamente quel ramo del codice. La qualifica di replica esatta è stata ritirata, conservando il risultato a fini diagnostici.
Dove nasce la divergenza
La conseguenza pratica è chiara: puoi avere gli stessi modelli e costruire portafogli diversi. Fra previsione e ordine intervengono priorità, limiti di capacità e gestione delle posizioni. Un posto occupato adesso cambia le opportunità ammesse dopo. Per verificare la replica serve seguire la decisione lungo tutta la catena.
Nel dossier ricostruiamo come individuare il primo punto di divergenza e decidere quali calcoli riutilizzare. Rifare tutto non è sempre necessario; conservare tutto senza distinguere le dipendenze può essere altrettanto sbagliato.
L'agente analizzava più volte gli stessi oggetti
Un componente AI riceveva l'elenco globale dei candidati in ogni piccolo batch. Le risposte venivano concatenate senza un controllo completo di ambito e unicità. La duplicazione cominciava nel contratto dei dati, prima di qualsiasi valutazione della qualità del ragionamento.
Con dodici oggetti in quattro batch, il test è elementare: ogni oggetto deve essere ammesso nel proprio batch, una sola volta. Non serve pagare un modello per verificare questa proprietà. Servono identificativi, risposte simulate e un parser che rifiuti output fuori ambito.
La domanda economica viene dopo: abbiamo registrato abbastanza informazioni per capire se il componente aiuta? Nel caso interno, no. La spesa era reale e il beneficio non dimostrabile con le prove conservate; il componente è stato sospeso. Questa decisione appartiene all'esperienza che vogliamo trasferire quanto una soluzione riuscita.
Il report stava rallentando ciò che raccontava
Una coda di ricerca disponeva di cache e processi paralleli. Ma generare il report dentro il ciclo che ammetteva nuovi lavori ritardava il riempimento della coda. Il sistema sembrava organizzato per lavorare in parallelo, mentre una funzione accessoria introduceva attese.
Questa lezione riguarda chi vuole gestire un piccolo laboratorio con l’AI: automatizzare significa anche separare responsabilità, definire chi può scrivere e verificare che un processo riprenda senza duplicare lavoro. La dashboard più elegante non vale come prova di avanzamento. La prova sono risultati completi, verificati e recuperabili.
Sei domande da portare nel tuo progetto
- Quali informazioni erano disponibili quando veniva presa la decisione?
- Quali risultati avevi già osservato quando hai scelto il modello?
- La curva comprende posizioni aperte, costi e flussi con definizioni coerenti?
- Il confronto cambia una sola cosa o più condizioni contemporaneamente?
- Un'altra persona può riprodurre il risultato dai materiali conservati?
- Quale esito ti farebbe abbandonare l'ipotesi?
Le risposte mancanti indicano dove lavorare. Non assegnano un voto alla tua capacità e non certificano una strategia.
Dalla lettura al tuo laboratorio
Prima del capitale — Protocollo di verifica della ricerca collega venti capitoli e i casi del laboratorio a sette comandi Python per controllare drawdown osservato, contraddizioni temporali, suddivisioni temporali con purging, classifiche, tracce decisionali, batch e finestre di osservazione. Gli input sono CSV o JSON, secondo il controllo. Include un notebook riproducibile, test, dodici schede e incarichi per gli agenti. La consegna prevista è un pacchetto nella lingua che scegli: italiano, inglese o spagnolo.
Ogni percorso parte da un problema, propone un comando e mostra il risultato atteso. Prima lo riproduci su un esempio; poi colleghi una copia dei tuoi dati. Il rapporto conserva gli hash dei file di input, la versione e i parametri usati. L'incarico all'agente chiede anche un controesempio alla conclusione: una spiegazione elegante diventa un’affermazione che puoi verificare.
Non devi condividere con noi la tua strategia. Scopri il contenuto della guida e comincia dal caso che riconosci nel tuo lavoro.
Il punto di arrivo è un dossier che sai leggere, di cui sai riprodurre i risultati e che puoi mettere in discussione. Il materiale non include segnali, modelli proprietari o garanzie di guadagno.
La guida è in preparazione. Le risorse di questo sito sono gratuite. Puoi chiedere una sola email quando sarà pronta; non sono disponibili acquisti o prenotazioni. Avvisami quando sarà pronta.
Fonti e perimetro
Il caso dei 192 backtest deriva da ricerca interna Quantic Eagle del 16 settembre 2026, non auditata indipendentemente. Le altre figure sono schemi o esempi sintetici. I dieci anni descrivono il percorso dichiarato dal fondatore, iniziato prima della società, non dieci anni di risultati live.
Per il problema della selezione fra molti backtest: Bailey et al., The Probability of Backtest Overfitting. Quantic Eagle opera con capitale proprio e non raccoglie o gestisce fondi di terzi. Questa è formazione metodologica generale, non una raccomandazione d'investimento.
Il museo dei falsi verdi
Due programmi restituiscono le stesse probabilità. Uno sceglie A, l’altro B. Due batch restituiscono JSON valido, ma ripetono gli stessi oggetti. Una feature è un numero finito, ma la sua finestra ha un buco. Tre risultati rassicuranti; tre domande ancora aperte.
Nel Museo dei falsi verdi puoi mostrare il difetto e applicare la correzione. Le figure sono sintetiche e scaricabili: puoi usarle per spiegare a un collega perché un controllo che passa non coincide con una conclusione dimostrata. Non serve registrarsi.
La parte più utile dell’esperienza, spesso, è sapere dove una prova si ferma. Un confronto degli score può essere esatto e non coprire la selezione. Un hash può essere corretto e identificare un dataset incompleto. Un agente può eseguire il mandato senza che il suo contributo economico sia stato misurato.
Il protocollo completo aggiunge sei workshop, tre nuove verifiche di workflow e un dossier che riunisce anomalie, input dichiarati e controlli mancanti. Ogni controesempio ha una versione corretta: prima chiediamo al test di distinguere le due, poi lo portiamo sui nostri dati.
Se hai una curva di equity con intestazioni diverse, il convertitore CSV locale aiuta a prepararla. Se hai soltanto trade chiusi, non inventa la curva mancante. Questo confine è parte del prodotto: riconoscere ciò che le prove non permettono di concludere.