Dati, modelli e nuova computazione nei mercati.
Non è «l’AI che prevede il mercato». Sono strumenti per analisi, feature, risk, execution e ricerca — con rischi reali: overfitting, black box, data leakage, fragilità e governance.
A cosa serve
Questa disciplina studia come grandi masse di dati, machine learning e computazione avanzata (incluso il quantum in fase di ricerca) supportino analisi, previsione, risk management, execution e costruzione di strategie.
| Area | Applicazioni | Limiti |
|---|---|---|
| ML classico | Feature, classificazione, regressione | Overfitting, regime change |
| Deep learning / LLM | NLP su news, agenti, summarization | Black box, hallucination |
| Alternative data | Satellite, card, web, social | Costo, qualità, survivorship |
| Quantum (ricerca) | Portfolio opt, pricing, Monte Carlo | Hardware immaturo, ibrido classico |
Nel quantum finance le aree più studiate sono ottimizzazione portafoglio, pricing derivati, simulazioni Monte Carlo e quantum ML — oggi spesso in workflow ibridi, non sostituzione immediata dei sistemi classici.
Concetti fondamentali
| Termine | In Cyclepedia |
|---|---|
| AI / ML / deep learning | |
| Big data / alternative data | |
| NLP / sentiment / news analytics | |
| Feature engineering / selection | |
| Train / test / validation set | |
| Cross-validation / data leakage | |
| Overfitting / black box / XAI | |
| Regime detection / anomaly detection | |
| Quantum computing / QML | |
| Post-quantum security |
Infrastruttura: Matching engine · Latenza di esecuzione · Market Maker
Strumenti collegati
| Strumento | Ruolo |
|---|---|
| Pipeline dati (tick → feature) | Preparazione ML |
| Backtest ML con purge/embargo | Evitare leakage |
| LLM + RAG su documenti finanziari | Research assistito |
| Agentic workflows | Automazione analisi (con supervisione) |
| Simulatori quantistici (Qiskit, ecc.) | Prototipi QML |
| MLOps / monitoring drift | Produzione modelli |
Ricercatori, desk e istituzioni rappresentative
| Figura / ente | Contributo |
|---|---|
| Jim Simons | Renaissance, statistica su scala |
| Marcos López de Prado | ML in finance, validation |
| D.E. Shaw / David Shaw | Computational finance |
| Two Sigma / AQR | Quant + alternative data |
| Doyne Farmer / J.-P. Bouchaud | Complessità e microstruttura |
| IBM Quantum / ricerca accademica | Quantum finance prototypes |
| Patrick Rebentrost, Seth Lloyd, Marco Pistoia | Quantum algorithms per finanza |
Percorso consigliato
- Trading quantitativo — base quant
- Backtest · Sample size — dati e campioni
- Trading Sistematico — modelli e metriche
- Overfitting · Out of sample — backtest ML e leakage
- Forward test · Paper trading — validazione
- Regime di mercato — contesto e drift
- Anti-scam — rischi, bot fake, promesse irrealistiche
Prerequisito: Trading Sistematico.
Collegamenti
- Trading Sistematico
- Analisi Volumetrica — microstruttura e dati ad alta frequenza
- Anti-scam — «AI trading» fraudolento