A chi serve — A chi incontra parole come “quant”, “systematic”, “algo” e “bot” usate come sinonimi e vuole capire quale parte del processo descrivono davvero.
Il trading quantitativo formula e valuta decisioni di mercato usando dati, misure e modelli espliciti. Il trading sistematico stabilisce in anticipo regole ripetibili per segnali, portafoglio, rischio o esecuzione. Molte strategie sono entrambe le cose, ma i termini non sono equivalenti: una semplice regola di ribilanciamento può essere sistematica senza richiedere un modello statistico complesso; un'analisi quantitativa può invece informare una decisione finale discrezionale.
“Algoritmico” descrive l'uso di una procedura computazionale per prendere o attuare decisioni. “Automatico” indica che alcune azioni avvengono senza una conferma umana per ogni evento. Un algoritmo può limitarsi a distribuire nel tempo un ordine deciso altrove; un sistema può produrre segnali ma lasciare l'invio manuale. Nessuna di queste proprietà dimostra che la strategia abbia un vantaggio economico.
Quattro proprietà, non quattro livelli
| Proprietà | Domanda diagnostica | Possibile senza le altre? |
|---|---|---|
| Sistematica | la stessa informazione produce la stessa decisione secondo regole note? | sì, anche con calcolo ed esecuzione manuali |
| Quantitativa | dati e modello rendono misurabile l'ipotesi e la sua incertezza? | sì, anche se la decisione finale è umana |
| Algoritmica | una procedura computazionale genera o esegue istruzioni? | sì, anche senza alpha proprietario |
| Automatica | il sistema agisce senza autorizzazione caso per caso? | sì, ma richiede controlli operativi più forti |
La sistematicità riduce la discrezione nel singolo evento, ma non elimina il giudizio. Persone e organizzazioni scelgono dati, obiettivo, modello, vincoli, frequenza, costi, soglie e momenti di revisione. Queste decisioni possono incorporare bias anche quando il codice è deterministico. La trasparenza del processo conta quindi più dell'etichetta “quant”.
Anatomia di un sistema
- Ipotesi economica o comportamentale. Descrive perché la relazione potrebbe esistere, chi sostiene il rischio e che cosa potrebbe farla sparire.
- Informazioni osservabili. Identifica dati, timestamp di disponibilità, revisioni, universo e trasformazioni ammesse.
- Segnale. Traduce l'ipotesi in una quantità calcolabile senza usare il futuro; include frequenza e condizioni di assenza del segnale.
- Costruzione del portafoglio. Converte score o previsioni in posizioni, considerando esposizioni, concentrazione, leva e vincoli.
- Esecuzione. Stabilisce ordine, venue, orario, urgenza e ipotesi su fill, spread, impatto, borrow e funding.
- Controlli e governance. Definisce versioni, responsabilità, limiti, escalation, monitoraggio, sospensione e recupero.
Una regola di ingresso isolata non è una strategia completa. Lo stesso segnale può produrre risultati diversi con un universo point-in-time anziché attuale, con pesi uguali anziché risk-weighted, con ordine market anziché limit o con una capacità dieci volte superiore. Per questo la specifica deve coprire l'intero ciclo.
Ricerca e produzione sono sistemi diversi
| Ricerca | Produzione |
|---|---|
| esplora ipotesi e alternative | esegue una versione approvata |
| può rieseguire dati storici | riceve eventi una sola volta e in ordine |
| confronta modelli | applica controlli e limiti predefiniti |
| stima costi e capacità | incontra code, rifiuti, ritardi e fill effettivi |
| conserva un test finale | produce osservazioni prospettiche per il monitoraggio |
La parità tra i due ambienti richiede definizioni condivise di calendario, timezone, simboli, corporate action, arrotondamenti, prezzi e stato degli ordini. Una differenza silenziosa può sembrare deterioramento del modello quando è invece un problema di implementazione. Test unitari, replay di eventi e riconciliazione tra segnale teorico, ordine e fill aiutano a isolare la causa.
Cosa significa “edge” in questo contesto
Nel linguaggio operativo, “edge” indica un vantaggio atteso condizionato a una strategia e a un ambiente. Non è direttamente osservabile in un singolo risultato. Un rendimento storico può derivare dal meccanismo ipotizzato, da esposizioni di rischio non dichiarate, fortuna, selezione tra molti test, leakage, costi sottostimati o un regime irripetibile.
Una valutazione utile confronta almeno:
- una baseline semplice e un benchmark coerente;
- prestazioni lorde e nette con assunzioni di esecuzione documentate;
- periodi e strumenti non usati per scegliere la configurazione;
- sensibilità a parametri, dati, sottoperiodi e costi;
- incertezza statistica e numero totale di tentativi;
- concentrazione dei profitti, turnover e capacità.
Non esiste una soglia universale di Sharpe, profit factor, win rate o numero di trade che converta automaticamente il risultato in evidenza sufficiente.
Esempio illustrativo
Un ricercatore ipotizza che rendimenti relativi persistano per un certo orizzonte. La parte quantitativa definisce score, universo, stima e confronto con una baseline. La parte sistematica fissa quando ricalcolare lo score, come ordinare gli strumenti, costruire le posizioni e applicare i limiti. La parte algoritmica può generare gli ordini e suddividerli. La parte automatica può inviarli senza conferma manuale, fermandosi se dati o rischio violano i controlli.
Il caso non fornisce parametri da copiare. Serve a mostrare che quattro proprietà possono convivere nello stesso processo e che ciascuna introduce domande di validazione diverse.
Rischi caratteristici
| Rischio | Manifestazione | Controllo informativo |
|---|---|---|
| Data leakage | il modello usa informazioni non disponibili alla decisione | audit dei timestamp e pipeline fit/transform |
| Selezione | emerge solo il migliore di molti tentativi | registro completo e inferenza per test multipli |
| Model risk | specifica, stima o uso non sono adeguati | validazione, effective challenge e limiti d'uso |
| Execution gap | il prezzo simulato non era ottenibile | modello di ordini, costi, impatto e capacità |
| Operational risk | dati mancanti, doppio ordine, perdita di connettività | monitor, kill switch, idempotenza e procedure |
| Regime change | cambiano relazione, partecipanti o microstruttura | scenari, monitoraggio e criteri di escalation |
Il rapporto SEC del 2020 descrive effetti sia benefici sia avversi del trading algoritmico nei mercati statunitensi. La conclusione corretta non è “algoritmi buoni” o “algoritmi cattivi”, ma che finalità, architettura, interazione e controlli determinano i rischi osservabili.
Checklist di lettura critica
- La terminologia identifica quale parte è sistematica, quantitativa, algoritmica o automatica?
- Ipotesi, universo e benchmark erano dichiarati prima del risultato?
- Il dataset ricostruisce ciò che era disponibile in ogni momento?
- Segnale e fill rispettano un ordine causale eseguibile?
- Sono visibili costi, capacità, varianti provate e risultati falliti?
- Esiste una separazione reale tra sviluppo, selezione e test?
- Versioni di codice, dati e configurazione sono riproducibili?
- Limiti, responsabilità e risposta agli incidenti sono predefiniti?
Un “no” non prova che il sistema fallirà, ma riduce ciò che si può inferire dal materiale presentato.
Fonti
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — descrizione istituzionale di forme, impieghi ed effetti del trading algoritmico.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — ciclo di validazione dei modelli d'investimento e tecniche principali.
- Federal Reserve, SR 26-2 — Revised Guidance on Model Risk Management — guida bancaria corrente su sviluppo, uso, validazione e governance; i principi sono richiamati per analogia, non come obbligo universale.
- National Futures Association, Interpretive Notice 9025 — Hypothetical Results — limiti e disclosure dei risultati ipotetici nel proprio perimetro regolamentare statunitense.