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 hanno seguito il protocollo PRISMA e il modello PICO (Population, Intervention, Comparison, Outcomes) per selezionare i lavori più rilevanti dal database Scopus.
Sono state applicate due tecniche principali:

Performance analysis: misurazione della produttività (numero di articoli, citazioni, h-index).
Science mapping: mappatura concettuale, intellettuale e sociale della letteratura tramite analisi di co-citazione, co-autorship e co-parole.

Per l’elaborazione è stato utilizzato Biblioshiny in ambiente R.

📈 Risultati principali

1. Crescita della produzione scientifica

Dal 1990 al 2023 il numero di articoli è cresciuto da poche unità a quasi 600 pubblicazioni annue.
I picchi di citazioni si registrano nel 2019 e nel 2020, con articoli che hanno superato le 100 citazioni in pochi anni.

2. Paesi e istituzioni più attivi

Cina: leader assoluta, con circa il 30% delle pubblicazioni e università come la North China Electric Power University.
Stati Uniti: al secondo posto, con forte presenza di ricercatori indipendenti.
Singapore e Iran mostrano poli accademici molto concentrati (es. Nanyang Technological University, Islamic Azad University).

3. Riviste più influenti

Expert Systems with Applications (h-index: 44).
IEEE Transactions on Smart Grid (g-index: 61).
Applied Energy e IEEE Access sono particolarmente rilevanti per l’applicazione in ambito energetico

📚 Contributi intellettuali

Articoli più citati

Davis & Jedwab (1999) – 766 citazioni, codici di trasmissione nei sistemi finanziari.
Hendershott et al. (2011) – 700 citazioni, impatto della liquidità del trading automatico.
Altman et al. (1994) – confronto reti neurali vs. metodi statistici per diagnosi di insolvenza.

Riferimenti teorici fondamentali

Markowitz (1952): teoria del portafoglio.
Boyd & Vandenberghe (2004): ottimizzazione matematica.
Hochreiter & Schmidhuber (1997): reti neurali ricorrenti (LSTM).
Nakamoto (2008): Bitcoin e blockchain.

⚙️ Struttura concettuale

L’analisi delle parole chiave ha rivelato due traiettorie principali:

Mercati finanziari → portfolio optimization, high-frequency trading, behavioural finance.
Mercati energetici → smart grid, peer-to-peer energy trading, blockchain.

Tra le tecniche più ricorrenti troviamo:

Algoritmi genetici: basati su principi evolutivi, usati per ottimizzazione complessa.

$\max f(x), \quad x \in \{0,1\}^n$
$max f (x), x \in {0, 1}^{n}$
dove
$f(x)$
$f (x)$ è la funzione di fitness e la soluzione
$x$
$x$ evolve attraverso selezione, crossover e mutazione.
Machine Learning e Deep Learning: modelli predittivi basati su reti neurali multilayer.
L’output generico di una rete neurale è espresso come:

$y = \sigma \left( \sum_{i=1}^{n} w_i x_i + b \right)$

dove
$\sigma$
è la funzione di attivazione,
$w_i$
i pesi
$b$
il bias.

🌍 Collaborazioni e limiti

La rete di co-autorship mostra bassa collaborazione internazionale, con cluster isolati e poco interconnessi.
Le partnership più forti emergono tra Cina e USA, seguite da Cina–Hong Kong e UK–Canada.
Gli autori sottolineano la necessità di una maggiore cooperazione interdisciplinare per accelerare i progressi.

🏁 Conclusioni

L’analisi mostra come il trading algoritmico sia un campo in rapida espansione, che:

trascende la finanza e si estende a energia, sostenibilità e blockchain;
è dominato da tecniche di IA avanzata (DL, algoritmi genetici, reinforcement learning);
presenta ancora scarsa collaborazione accademica, con rischi di frammentazione.

Il futuro sarà caratterizzato dall’integrazione di algoritmi più sofisticati, con applicazioni non solo alla ottimizzazione dei portafogli, ma anche alla transizione energetica e alla gestione delle risorse globali.

📖 Riferimenti principali

Horobet, A., Boubaker, S., Belascu, L., Negreanu, C.C., & Dinca, Z. (2024). Technology-driven advancements: Mapping the landscape of algorithmic trading literature. Technological Forecasting & Social Change, 209, 123746. https://doi.org/10.1016/j.techfore.2024.123746
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77–91.
Boyd, S., & Vandenberghe, L. (2004). Convex Optimization. Cambridge University Press.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System

📬 Vuoi contenuti ancora più approfonditi?

Iscriviti alla nostra newsletter per ricevere:

📚 Guide gratuite
📈 Strategie avanzate di trading
🧠 Analisi di libri e paper scientifici

Bottom Up

Altri articoli

Ricerca

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

13 Settembre 2025