Report Febbraio 2024
Puntuali come sempre, siamo felici di condividere il report relativo alle performance del mese di febbraio appena concluso.
Nonostante la ridotta volatilità anche febbraio si è chiuso con un ottimo risultato e un drawdown massimo assolutamente trascurabile 💰🔝
Trovi tutti i dettagli all’interno del report, scaricalo subito! 📊
Decine di utenti hanno già iniziato a replicare la nostra operatività con la massima soddisfazione 🙏🏻
Per iniziare anche tu o per ricevere qualsiasi altra informazione relativa al nostro portafoglio di trading algoritmico Number One Dime restiamo sempre a completa disposizione.
Clicca qui per prenotare una consulenza gratuita 📞
Buon trading! 💪
📱Resta aggiornato su Telegram / 📸 Seguici su Instagram / 📨 Scrivici a info@bottomup.finance
Altri articoli
Trading Algoritmico – Analisi Bibliometrica
🧩 Introduzione Negli ultimi trent’anni il trading algoritmico è passato dall’essere una nicchia sperimentale a una componente centrale dei mercati finanziari e, più recentemente, anche dei mercati energetici. Questo sviluppo è stato reso possibile dall’avanzamento delle tecnologie di intelligenza artificiale (IA), in particolare del machine learning (ML) e del deep learning (DL), che hanno superato i tradizionali modelli statistici nel prevedere andamenti e ridurre i rischi. L’articolo di Horobet et al. (2024) propone una analisi bibliometrica su 4552 pubblicazioni (1990–2023), con l’obiettivo di mappare il paesaggio scientifico del trading algoritmico e individuarne le traiettorie evolutive. 🔬 Metodologia Gli autori
Perchè le strategie algoritmiche smettono di funzionare?
1. Introduzione Negli ultimi decenni sono state documentate centinaia di anomalie di mercato. Tuttavia, molti studi (Harvey et al., 2015; McLean & Pontiff, 2016) hanno dimostrato che le performance tendono a svanirefuori dal campione. Questo lavoro analizza 72 anomalie replicate su dati CRSP/COMPUSTAT (1963–2014), con estensioni a mercati internazionali fino al 2018. Il dibattito sulla solidità delle anomalie di mercato è oggi al centro della finanza empirica. Studi come Harvey, Liu e Zhu (2015) hanno evidenziato che la proliferazione di fattori (più di 400 documentati in letteratura) ha reso difficile distinguere i “veri” segnali da artefatti statistici. McLean e