A chi serve — A chi vuole capire come si passa da un'intuizione a una strategia specificata, simulata e monitorabile; a chi deve valutare criticamente un backtest; a chi gestisce già ricerca quantitativa, esecuzione o rischio.
Il trading sistematico prende decisioni attraverso regole esplicite e ripetibili. Non coincide necessariamente con il trading automatico: una regola può essere eseguita manualmente. Non coincide neppure con il trading quantitativo, che pone l'accento su dati, misure e modelli, né con il trading algoritmico, che comprende anche algoritmi dedicati soltanto all'esecuzione. Queste aree si sovrappongono, ma rispondono a domande diverse.
Il cuore della disciplina non è una curva crescente né un bot. È una catena di affermazioni controllabili: che cosa si ipotizza, che cosa era conoscibile in ogni istante, quale ordine sarebbe stato possibile inviare, quanto sarebbe costato, come si è scelto il modello e quale evidenza farebbe cambiare decisione. Un backtest è una simulazione storica condizionata da queste assunzioni; non è un track record reale, una previsione o una prova definitiva di profitto futuro.
Le quattro fasi del capitolo
| Fase | Domanda decisiva | Pagine principali |
|---|---|---|
| 1. Specificare | la strategia è descritta prima di vedere il risultato? | |
| 2. Simulare | dati, orologio ed esecuzione erano realmente disponibili? | |
| 3. Validare | il risultato sopravvive a dati non usati, dipendenza e selezione? | |
| 4. Governare | il processo funziona in avanti e sa quando fermarsi? |
Le fasi non sono una scala che produce certezza crescente. Ciascuna elimina o rende visibile una classe di errore. Un forward test può rivelare un problema di processo, ma un buon esito breve non prova che la distribuzione futura sia uguale al passato. Il live introduce inoltre impatto, code operative, comportamento umano e cambi di regime che una simulazione può rappresentare solo in parte.
Prima distinzione: quattro termini vicini
| Termine | Proprietà che lo definisce | Esempio | Non implica |
|---|---|---|---|
| Sistematico | decisioni determinate da regole dichiarate | ribilanciamento mensile con criteri prefissati | codice o alta frequenza |
| Quantitativo | ipotesi espresse e valutate con dati e modelli | segnale cross-sectional stimato su un universo | esecuzione automatica |
| Algoritmico | una procedura software decide o esegue azioni | algoritmo che spezza un ordine nel tempo | presenza di alpha |
| Automatico | il sistema compie azioni senza conferma per ogni evento | invio e gestione ordini via API | validità del modello |
La distinzione protegge da due equivoci. Primo: automatizzare una strategia non la rende corretta. Secondo: un algoritmo di esecuzione può migliorare il modo in cui si negozia un ordine senza generare il segnale che ha deciso la posizione. Il rapporto della SEC sul trading algoritmico documenta proprio la pluralità di usi, benefici e rischi degli algoritmi nei mercati moderni.
Dal meccanismo alla strategia
Le famiglie classiche — trend following, momentum cross-sectional, mean reversion, carry, relative value, market making ed event-driven — sono categorie di meccanismi, non ricette di rendimento. Una strategia concreta deve specificare universo, osservabili, timestamp, trasformazioni, segnali, costruzione delle posizioni, vincoli, rischio, ordini, costi, benchmark e regole di monitoraggio.
Due sistemi chiamati “momentum” possono avere esposizioni e rischi opposti. Uno può confrontare strumenti tra loro, un altro osservare la serie storica di ogni strumento; uno può essere long-only, l'altro long-short; uno può negoziare giornalmente, l'altro mensilmente. Il nome della famiglia non sostituisce la specifica e non dimostra che un premio storico sia acquisibile dopo costi.
Il contratto di un backtest leggibile
Un risultato serio permette a un lettore competente di ricostruire almeno questi elementi:
- Protocollo di ricerca — ipotesi, universo, periodo, frequenza, benchmark, metriche, costi e criterio decisionale definiti prima della valutazione.
- Registro delle prove — varianti riuscite e fallite, modifiche, data e ragione di ogni scelta; il numero dei tentativi è parte dell'evidenza.
- Dati point-in-time — disponibilità effettiva, lag di pubblicazione, revisioni, composizione storica dell'universo, delisting e corporate action.
- Orologio causale — timestamp dell'informazione, calcolo del segnale, invio dell'ordine e primo fill possibile non vengono confusi.
- Economia dell'esecuzione — commissioni, spread, slippage, impatto, capacità, borrow, funding, roll, margine e fill parziali quando pertinenti.
- Separazione delle decisioni — sviluppo, selezione e valutazione finale non usano occultamente lo stesso campione.
- Dipendenza e incertezza — trade sovrapposti, autocorrelazione, cluster di esposizione e numero effettivo di osservazioni sono resi visibili.
- Riproducibilità — codice, configurazione, versioni, seed e snapshot o hash dei dati sono identificabili.
Nessuna percentuale universale stabilisce lo split corretto tra in-sample e out-of-sample; nessun numero fisso di trade rende affidabile una metrica; nessun valore di Sharpe o profit factor dimostra da solo un edge. Le scelte dipendono da orizzonte, struttura di dipendenza, eterogeneità dei regimi, turnover, numero di modelli provati e materialità economica.
Validazione: che cosa può dire
La validazione può mostrare che un'implementazione è coerente con la specifica, che il risultato non dipende visibilmente da una singola scelta, che certe prestazioni sono comparse anche in periodi non impiegati per costruire il modello e che costi o scenari dichiarati non cancellano subito l'effetto. Può anche quantificare quanta incertezza resta.
Non può trasformare una relazione storica in una legge immutabile. Il data snooping favorisce il migliore tra molti tentativi; il regime può cambiare; il mercato può reagire alla capacità impiegata; fonti e microstruttura possono mutare. Metodi come Reality Check, Deflated Sharpe Ratio, bootstrap, test walk-forward o probability of backtest overfitting affrontano problemi specifici sotto assunzioni specifiche: non sono timbri universali di qualità.
Una volta che un risultato out-of-sample influenza feature, parametri, universo o regole, quel segmento è entrato nel processo di ricerca. Continuare a chiamarlo “mai visto” altera il significato dell'evidenza. È preferibile conservare un test finale realmente intatto o dichiarare con trasparenza il carattere iterativo dell'analisi.
Dalla ricerca al live
| Ambiente | Che cosa osserva bene | Che cosa non replica pienamente |
|---|---|---|
| Backtest | logica, storia disponibile e scenari modellati | futuri regimi, impatto reale, errori non modellati |
| Paper trading | pipeline, timing, ordini simulati e operatività quotidiana | priorità reale, capacità, pressione economica |
| Shadow mode | segnali e ordini teorici su dati live senza invio | interazione effettiva con mercato e broker |
| Micro-live | fill, costi e controlli con capitale limitato | comportamento alla scala obiettivo |
| Produzione | processo economico effettivo | controfattuale certo su ciò che sarebbe accaduto altrove |
Il passaggio non deve essere automatico. Prima si definiscono responsabilità, limiti, escalation, criteri di sospensione e procedura di rollback. Nel live si separano almeno quattro diagnosi: variazione statistica compatibile con il modello, deterioramento del segnale, problema di esecuzione o dati, cambio di regime. Una serie di perdite, da sola, non identifica quale causa sia presente.
La guida SR 26-2 della Federal Reserve è rivolta alle organizzazioni bancarie sotto la sua supervisione. È citata qui per principi trasferibili — scopo e uso previsto, validazione, monitoraggio, documentazione ed effective challenge — non come obbligo normativo universale per ogni trader o fondo.
Percorso consigliato
Prima lettura: Trading quantitativo → Specifica → Backtest → Out of sample → Forward test.
Approfondimento professionale: dati point-in-time → leakage e survivorship → costi e capacità → validazione temporale → test multipli → dipendenza del campione → robustezza e bootstrap → metriche → governance live.
Questo capitolo ricostruisce la conoscenza pubblica e classica del trading sistematico. Il Metodo Emiciclo è un livello distinto e successivo: non viene retroproiettato sulle definizioni, sugli studi o sulle procedure qui descritte.
Fonti
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — tassonomia, usi, benefici e rischi del trading algoritmico; è un rapporto dello staff, non una posizione adottata dalla Commissione.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — quadro pratico su backtest, validazione, benchmarking, simulazione e documentazione.
- Halbert White, A Reality Check for Data Snooping — inferenza quando una regola viene scelta dopo averne confrontate molte.
- David H. Bailey et al., The Probability of Backtest Overfitting — quadro per stimare il rischio di selezionare una configurazione storicamente vincente ma fragile.
- Federal Reserve, SR 26-2 — Supervisory Guidance on Model Risk Management — fonte settoriale corrente per governance, validazione, monitoraggio e documentazione dei modelli.