Trump, algoritmi e mercati: perché i trading system fanno sempre più fatica

C’è una frase che gira da qualche anno tra trader e sviluppatori di sistemi quantitativi: “da quando è tornato Trump, i miei modelli sono andati a pezzi.” È una provocazione, ovviamente, ma nasconde qualcosa di vero — non sulla presidenza in sé, ma su un cambiamento strutturale nei mercati che la presidenza Trump ha accelerato e reso visibile a tutti.

«Se non investi, l’inflazione si mangia i tuoi soldi.» Questa frase è diventata quasi un mantra nella divulgazione finanziaria italiana e internazionale. Viene ripetuta da consulenti, podcast, creator di finanza personale e persino da spot pubblicitari di banche online. Ma è davvero così semplice? La letteratura accademica racconta una storia molto più complessa — e per certi versi controintuitiva.

Questo articolo non vuole convincerti a non investire. Vuole fornirti gli strumenti concettuali per valutare la questione in modo critico, andando oltre la semplificazione.

Il punto di partenza: la Fisher Equation

Il ragionamento alla base del “mantra” è corretto dal punto di vista contabile. Esiste un principio fondamentale in economia monetaria, formalizzato da Irving Fisher nel 1930 nella sua opera The Theory of Interest, che esprime il rendimento reale di un investimento come:

Rendimento reale ≈ Rendimento nominale − Inflazione

In base a questa equazione, qualsiasi strumento con rendimento nominale inferiore al tasso d’inflazione genera un rendimento reale negativo. La liquidità parcheggiata su un conto corrente ordinario — che tipicamente non rende nulla o quasi — perde potere d’acquisto in termini reali ogni anno in cui l’inflazione è positiva.

Questo è corretto. Ma da questo punto di partenza, molte narrazioni popolari commettono un salto logico importante: assumono implicitamente che gli investimenti finanziari garantiscano sempre un rendimento reale positivo. E qui la realtà si complica.

Il primo equivoco: anche gli investimenti possono perdere contro l’inflazione

La letteratura finanziaria mostra chiaramente che nessun asset finanziario offre rendimenti reali positivi in modo garantito, nemmeno sul lungo periodo. Esistono contesti storici documentati in cui anche portafogli diversificati hanno generato rendimenti reali negativi per anni o decenni consecutivi.

I fattori che possono portare a questa situazione includono:

• Tassi reali negativi: quando i tassi nominali sono artificialmente bassi rispetto all’inflazione (come accaduto in Europa tra il 2010 e il 2022), anche gli strumenti obbligazionari “sicuri” erodono il capitale in termini reali.
• Valutazioni elevate: quando i mercati azionari trattano a multipli storicamente alti, i rendimenti attesi futuri si comprimono. Studi empirici mostrano che il rapporto CAPE (Cyclically Adjusted Price-to-Earnings), sviluppato da Robert Shiller, ha forte capacità predittiva dei rendimenti decennali: valutazioni alte oggi significano rendimenti attesi bassi domani.
• Inflazione inattesa e brusca: episodi come quello del 2022 hanno mostrato che un’inflazione elevata e rapida colpisce simultaneamente azioni e obbligazioni, azzerando il beneficio della diversificazione tradizionale 60/40.

Come sottolineato da PIMCO, anche un portafoglio azionario con rendimento nominale del 4% annuo, in presenza di inflazione al 2,5%, produce un rendimento reale dell’1,5% — non certo il risultato trionfante che molti si aspettano. E questo è lo scenario favorevole: in periodi avversi, il risultato può essere negativo.

Una relazione controintuitiva: inflazione e azioni spesso vanno in direzioni opposte

Uno degli studi più citati sull’argomento è quello di Eugene Fama (1981), pubblicato sull’American Economic Review con il titolo Stock Returns, Real Activity, Inflation, and Money. Fama osserva qualcosa di sorprendente: l’inflazione è negativamente correlata ai rendimenti reali azionari.

Questo risultato, noto come Fama’s proxy hypothesis, si spiega così: l’inflazione elevata è spesso il segnale di una fase di rallentamento della crescita reale. Le imprese guadagnano meno, le prospettive si deteriorano, e i mercati azionari anticipano questa debolezza. Il risultato paradossale è che investire in azioni in periodi di alta inflazione non solo non protegge — ma può amplificare le perdite reali.

Questi risultati sono stati confermati da studi successivi (Geske & Roll, 1983; Fama & Schwert, 1977) e replicati in diversi contesti internazionali. La recente crisi inflazionistica del 2022 ha offerto una drammatica conferma empirica: quell’anno sia i mercati azionari che obbligazionari hanno generato pesanti perdite reali simultanee, mettendo in crisi la narrativa della diversificazione come scudo automatico contro l’inflazione.

Non tutte le inflazioni sono uguali: il Goldilocks Principle

La relazione tra inflazione e rendimenti degli asset finanziari non è lineare. La ricerca più recente descrive quella che viene chiamata una relazione “a forma di montagna” — il cosiddetto Goldilocks Principle (principio della via di mezzo):

• Inflazione moderata (intorno al 2%): effetti relativamente neutri o leggermente positivi sui mercati. È il contesto ideale, in cui tassi e valutazioni si equilibrano.
• Inflazione elevata (sopra il 4-5%): impatto negativo marcato sui mercati, come dimostrato dal 2022. Un’analisi di Schroders pubblicata nel 2024 mostra che in presenza di inflazione superiore al 5%, solo le strategie ad alto dividendo tendono a sovraperformare.
• Inflazione molto bassa o deflazione: segnale di stagnazione economica, che porta a proprie complicazioni per gli asset rischiosi.

Questo implica una conclusione importante: non esiste una regola universale valida in ogni scenario economico. La superiorità degli investimenti sulla liquidità dipende in modo critico dal regime macroeconomico in cui ci si trova.

Il cuore della questione: il rendimento è un premio per il rischio, non una certezza

La teoria finanziaria moderna chiarisce un aspetto spesso dimenticato nella divulgazione: i rendimenti superiori degli asset rischiosi non sono un regalo, ma una compensazione per il rischio assunto.

Il Capital Asset Pricing Model (CAPM), sviluppato da William Sharpe nel 1964, formalizza questa idea con eleganza: asset più rischiosi hanno rendimento atteso più alto proprio perché sono più rischiosi. Il premio per il rischio azionario (Equity Risk Premium) è positivo in media — ma con enorme dispersione dei risultati.

Questo porta a riformulare il confronto tra liquidità e investimento in termini molto più accurati:

Il confronto non è tra perdita certa (liquidità) e guadagno certo (investimento), ma tra perdita certa e moderata vs incertezza con valore atteso positivo.

In altre parole: investire è mediamente meglio — ma con rischio. E il rischio non è solo volatilità emotiva: è la possibilità concreta di ottenere rendimenti reali negativi per periodi anche molto lunghi, proprio quando potresti averne più bisogno.

L’orizzonte temporale cambia tutto

Uno degli argomenti più solidi a favore dell’investimento è quello dell’orizzonte temporale. Jeremy Siegel, nel suo classico Stocks for the Long Run (1994), documenta come su orizzonti molto lunghi (tipicamente oltre 20-30 anni) le azioni abbiano storicamente sovraperformato sia l’inflazione sia le obbligazioni nella maggior parte dei contesti nazionali.

Questo dato è robusto. Ma contiene un’avvertenza cruciale spesso trascurata: “lungo periodo” in questo contesto significa davvero lungo — non i 5 o 10 anni che molte persone considerano il loro orizzonte d’investimento. E anche su orizzonti lunghi, la dispersione dei risultati è enorme: esistono periodi storici di 20 anni con rendimenti reali azionari negativi o prossimi allo zero.

La conclusione corretta è quindi che la superiorità dell’investimento è probabilistica, non deterministica. È più probabile che le azioni battano l’inflazione su 30 anni che su 5 anni. Ma non è garantito in nessun caso.

La liquidità non è “l’opposto” dell’investire: è una componente del portafoglio

Un errore concettuale frequente è opporre liquidità e investimento come se fossero alternative mutuamente esclusive. La gestione finanziaria moderna le tratta invece come componenti complementari di un sistema.

La liquidità svolge funzioni che nessun asset finanziario può replicare:

• Fondo di emergenza: le linee guida consolidate raccomandano di mantenere tra 3 e 6 mesi di spese essenziali in forma liquida (fino a 8-9 mesi per lavoratori autonomi). Senza questa riserva, qualsiasi imprevisto può costringere a liquidare investimenti nel momento peggiore — amplificando le perdite.
• Riduzione della volatilità del portafoglio: una quota di liquidità funge da ammortizzatore nelle fasi di ribasso, evitando vendite forzate e permettendo di mantenere la strategia di lungo periodo.
• Optionality: la liquidità offre la capacità di cogliere opportunità che si presentano in momenti di stress di mercato — acquistare asset a prezzi scontati richiede disponibilità immediata di cassa.
• Spese pianificate a breve termine: Morningstar raccomanda di mantenere liquidità per obiettivi con orizzonte temporale fino a 1-2 anni (acquisto casa, matrimonio, auto), per evitare di liquidare investimenti in perdita in corrispondenza di eventi programmati.

Come ricorda la finanza comportamentale — in particolare il lavoro di Daniel Kahneman — avere una riserva di liquidità adeguata non è solo un’operazione finanziaria: è anche psicologica. Chi sa di avere un cuscinetto di sicurezza è in grado di assumere rischi adeguati con la parte investita, senza cedere al panico nelle fasi di ribasso.

Il 2022-2024: una lezione pratica sul mondo reale

Gli anni recenti hanno offerto una verifica empirica preziosa di questi concetti teorici.

Nel 2022, in piena crisi inflazionistica, sia i mercati azionari globali che quelli obbligazionari hanno generato perdite significative simultaneamente — contraddicendo l’idea che la diversificazione 60/40 garantisca protezione. La correlazione positiva tra azioni e obbligazioni, tipica dei periodi di alta volatilità inflazionistica, ha annullato i benefici della diversificazione tradizionale.

Nel 2023, la situazione si è invertita: con l’inflazione in discesa, tutti i principali mercati hanno registrato rendimenti straordinari (S&P 500 +24%, Ftse Mib +26%, Nasdaq +43%). Chi era rimasto investito ha beneficiato del rimbalzo; chi aveva liquidato durante il 2022 ha realizzato le perdite e spesso non ha partecipato alla ripresa.

La liquidità, nel 2023, ha reso circa il 3,4% — per la prima volta in oltre un decennio un rendimento significativo, grazie all’aumento dei tassi BCE. Un dato che ricorda come anche la liquidità parcheggiata intelligentemente (conti deposito, fondi monetari) possa offrire rendimenti reali positivi in determinati contesti.

Una riformulazione più corretta del problema

Alla luce di tutto questo, la domanda «Devo investire o tenere liquidità?» è mal posta. La domanda corretta è:

«Qual è la combinazione ottimale tra liquidità di protezione, investimenti con diversi orizzonti temporali e tolleranza al rischio, coerente con i miei obiettivi e la mia situazione?»

Questa riformulazione richiede di considerare:

1. La riserva di emergenza: da costituire prima di qualsiasi investimento. Non è capitale “sprecato” — è il fondamento che rende sostenibile ogni altra scelta finanziaria.
2. L’orizzonte temporale di ogni obiettivo: non si investe “in generale”, ma per raggiungere obiettivi specifici nel tempo. Obiettivi a breve termine richiedono strumenti liquidi; obiettivi a lungo termine possono sopportare più rischio.
3. Il regime macroeconomico: in fasi di alta inflazione e alta incertezza, la composizione ottimale del portafoglio cambia. Asset come i titoli indicizzati all’inflazione (BTPi, TIPS), le materie prime e le azioni ad alto dividendo offrono migliore protezione in quei contesti specifici.
4. Il proprio profilo comportamentale: un portafoglio troppo aggressivo che porta a vendere nel panico è peggio di uno più prudente ma mantenuto con disciplina.

Conclusione: la vera domanda non è “investire sì o no”

La narrativa secondo cui «investire è sempre meglio che tenere liquidità» è una semplificazione utile per combattere l’inerzia finanziaria — ma è teoricamente debole e potenzialmente fuorviante.

Quello che la letteratura accademica insegna realmente è:

• L’inflazione erode il potere d’acquisto della liquidità — questo è vero.
• Ma gli investimenti non garantiscono rendimenti reali positivi: dipende da quando, come e per quanto tempo.
• La relazione tra inflazione e mercati è spesso negativa, non positiva come il “mantra” suggerisce.
• I rendimenti superiori sono la compensazione per il rischio assunto, non una certezza.
• La liquidità svolge funzioni fondamentali e insostituibili nel portafoglio di qualsiasi individuo.

La conclusione più accurata è questa: l’inflazione non rende automaticamente conveniente investire. Rende necessario decidere consapevolmente quanto rischio si è disposti ad assumere, su quale orizzonte temporale, e con quale protezione di base.

Questa è una decisione personale, che dipende dalla propria situazione economica, dai propri obiettivi e — non da ultimo — dalla propria capacità emotiva di sopportare la volatilità senza cedere al panico. Non esiste una risposta universale. Esiste una risposta giusta per te.

Riferimenti bibliografici

• Fisher, I. (1930). The Theory of Interest. Macmillan.
• Sharpe, W. F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. Journal of Finance, 19(3), 425–442.
• Fama, E. F. & Schwert, G. W. (1977). Asset Returns and Inflation. Journal of Financial Economics, 5(2), 115–146.
• Fama, E. F. (1981). Stock Returns, Real Activity, Inflation, and Money. American Economic Review, 71(4), 545–565.
• Geske, R. & Roll, R. (1983). The Fiscal and Monetary Linkage Between Stock Returns and Inflation. Journal of Finance, 38(1), 1–33.
• Siegel, J. J. (1994). Stocks for the Long Run. McGraw-Hill.
• Shiller, R. J. (2000). Irrational Exuberance. Princeton University Press.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

Nota: Questo articolo ha finalità puramente informative e divulgative. Non costituisce consulenza finanziaria personalizzata. Prima di prendere decisioni di investimento, è consigliabile rivolgersi a un consulente finanziario indipendente e iscritto all’albo.

Indicatori di Trading: Possono Davvero Darti un Vantaggio sul Mercato?

Nel mondo della finanza operativa esiste una domanda che continua a dividere trader, analisti e accademici: gli indicatori tecnici funzionano davvero?

Per alcuni rappresentano strumenti indispensabili per leggere il mercato. Per altri sono poco più che trasformazioni del prezzo prive di reale potere predittivo. La verità, come spesso accade nei mercati finanziari, non è binaria.

Gli indicatori non sono né una scorciatoia per il profitto né strumenti inutili. Sono, piuttosto, strumenti operativi che possono contribuire a costruire un vantaggio statistico — ma solo in determinate condizioni. In questo articolo analizziamo in modo critico e basato su evidenze cosa siano davvero gli indicatori, quando possono offrire un vantaggio, quali siano i loro limiti strutturali e cosa dica la letteratura più recente.

Cosa Sono Davvero gli Indicatori Tecnici

Gli indicatori tecnici sono trasformazioni matematiche del prezzo e/o dei volumi. Esempi classici includono medie mobili (per identificare il trend), l’RSI — Relative Strength Index (momentum), il MACD — Moving Average Convergence Divergence (trend e momentum combinati) e le Bande di Bollinger (volatilità).

Un errore concettuale molto diffuso è considerarli strumenti di previsione. In realtà, come sottolinea John J. Murphy nel suo testo di riferimento Technical Analysis of the Financial Markets (1999), l’analisi tecnica non promette di predire il futuro con certezza: serve piuttosto a identificare configurazioni di prezzo ricorrenti e a migliorare la qualità del processo decisionale, riducendo il rumore e standardizzando le valutazioni operative.

“The technical analyst believes that anything that can possibly affect the price — fundamentally, politically, psychologically, or otherwise — is actually reflected in the price of that market.” — John J. Murphy, Technical Analysis of the Financial Markets, 1999

Gli indicatori servono principalmente a:

• ridurre il rumore del mercato
• standardizzare le decisioni operative
• rendere replicabile e verificabile una strategia

Sono, in sostanza, strumenti di strutturazione del processo decisionale, non di predizione.

Cosa Dice la Letteratura: Le Evidenze Empiriche

Il dibattito accademico sull’efficacia dell’analisi tecnica è lungo e articolato. Vediamo i principali contributi.

Gli studi a favore

Uno degli studi più citati è quello di Brock, Lakonishok e LeBaron (1992), pubblicato sul Journal of Finance, che analizzò le strategie di trading basate su medie mobili e range di trading su 90 anni di dati del Dow Jones Industrial Average. I risultati mostrarono rendimenti significativamente superiori a quelli attesi in un mercato efficiente, suggerendo che alcuni pattern tecnici avessero reale potere predittivo nel breve periodo.

In modo analogo, Lo, Mamaysky e Wang (2000) nel paper “Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation” (Journal of Finance) dimostrarono che alcuni pattern grafici — come testa e spalle, doppi massimi e minimi — contengono informazioni statisticamente rilevanti, anche se non sempre sufficienti a generare profitti netti dopo i costi di transazione.

Più recentemente, Menkhoff (2010) in “The Use of Technical Analysis by Fund Managers: International Evidence” (Journal of Banking & Finance) ha documentato come l’analisi tecnica sia largamente utilizzata dai gestori professionali a livello globale — circa il 87% dei gestori intervistati la usa almeno occasionalmente — suggerendo che anche all’interno della comunità istituzionale vi sia una percezione reale di utilità operativa.

Le critiche e i limiti

D’altra parte, le critiche sono altrettanto solide. La teoria dell’Efficient Market Hypothesis (EMH), formalizzata da Eugene Fama (1970) in “Efficient Capital Markets: A Review of Empirical Work” (Journal of Finance), sostiene che i prezzi riflettano in ogni momento tutte le informazioni disponibili, rendendo impossibile ottenere rendimenti superiori in modo sistematico attraverso l’analisi del prezzo passato — che è esattamente ciò che fanno gli indicatori tecnici.

Una rassegna critica di riferimento è quella di Park e Irwin (2007), “What Do We Know About the Profitability of Technical Analysis?” (Journal of Economic Surveys), che analizzò 95 studi sull’analisi tecnica pubblicati tra il 1988 e il 2004. I risultati furono misti: 56 studi rilevarono risultati positivi, 20 negativi e 19 misti. Gli autori conclusero che i risultati positivi tendono a concentrarsi nei mercati dei futures e nel Forex, mentre nei mercati azionari dei paesi sviluppati l’efficacia è molto più ridotta. Evidenziarono inoltre il problema dell’overfitting e dei bias di selezione nei dati come cause principali dei risultati positivi inflazionati.

Il Problema della Disciplina Operativa: Il Vantaggio Psicologico

Uno degli argomenti più solidi a favore degli indicatori non è statistico, ma comportamentale.

Daniel Kahneman, premio Nobel per l’Economia nel 2002, ha dimostrato con decenni di ricerca (sintetizzata in Thinking, Fast and Slow, 2011) che le decisioni umane in condizioni di incertezza sono sistematicamente distorte da euristiche e bias cognitivi. Nel trading, questo si traduce in fenomeni ben documentati come:

• loss aversion: la tendenza a mantenere posizioni in perdita e liquidare troppo presto quelle in guadagno
• overconfidence: la sovrastima delle proprie capacità predittive
• availability bias: il peso eccessivo attribuito agli eventi recenti

Gli indicatori tecnici, inseriti in un sistema di regole codificate, aiutano a ridurre la discrezionalità e a mantenere coerenza nel tempo. In questo senso, rappresentano uno strumento di disciplina operativa prima ancora che di predizione del mercato.

Come scrive Van K. Tharp in Trade Your Way to Financial Freedom (1999):

“Most people think that they are buying and selling stocks, commodities, or currencies. In reality, they are trading their beliefs about those items.”

Il Trend Following: Il Caso d’Uso Meglio Documentato

Tra le strategie basate su indicatori, il trend following è quella con la base empirica più robusta nel lungo periodo.

Faber (2007) nel paper “A Quantitative Approach to Tactical Asset Allocation” (Journal of Wealth Management) dimostrò che una semplice strategia basata sulla media mobile a 10 mesi, applicata a una serie di asset class (azioni, obbligazioni, materie prime, immobiliare), aveva prodotto storicamente rendimenti simili al mercato con una riduzione significativa del drawdown massimo — il principale indicatore del rischio realizzato.

Analogamente, Moskowitz, Ooi e Pedersen (2012) in “Time Series Momentum” (Journal of Financial Economics) hanno documentato l’esistenza di un premio al momentum in serie temporali su 58 strumenti liquidi (futures su azioni, obbligazioni, valute e commodity) nell’arco di 25 anni. I risultati mostrano rendimenti aggiustati per il rischio positivi e statisticamente significativi, difficilmente spiegabili con modelli di rischio tradizionali.

Questi risultati non sono universali né permanenti, ma suggeriscono che in certi contesti e con una gestione del rischio adeguata, le strategie sistematiche basate su indicatori di trend possono generare un vantaggio reale.

Indicatori e Machine Learning: Il Panorama Più Recente

La ricerca più recente ha iniziato a integrare gli indicatori tecnici classici con modelli di machine learning, con risultati interessanti e al tempo stesso prudenti.

Fischer e Krauss (2018) in “Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions” (European Journal of Operational Research) hanno mostrato che reti neurali LSTM applicate a dati di prezzo dell’S&P 500 possono produrre segnali predittivi statisticamente significativi, anche se i profitti netti tendono ad assottigliarsi dopo i costi di transazione.

Krauss, Do e Huck (2017) in “Deep Neural Networks, Gradient-Boosted Trees, Random Forests: Statistical Arbitrage on the S&P 500” (European Journal of Operational Research) hanno confrontato diversi algoritmi di machine learning nella previsione dei rendimenti azionari, trovando che gli indicatori tecnici possono funzionare come feature utili ma raramente risultano le variabili più informative: i dati di prezzo grezzi e le relazioni cross-asset tendono a dominare.

Il quadro emergente è chiaro:

Gli indicatori tecnici non sono obsoleti nella ricerca quantitativa moderna, ma da soli non sono sufficienti. Il loro valore aumenta significativamente quando vengono integrati in pipeline più complesse, con una gestione rigorosa dell’overfitting.

I Limiti Strutturali degli Indicatori: Cosa Ogni Trader Dovrebbe Sapere

1. Il problema dell’overfitting

Il rischio più sottovalutato nel trading sistematico è l’overfitting: la tendenza a costruire strategie talmente ottimizzate sui dati storici da non avere alcun potere predittivo reale su dati nuovi.

Bailey, Borwein, López de Prado e Zhu (2014) in “The Probability of Backtest Overfitting” (Journal of Computational Finance) hanno formalizzato matematicamente questo problema, dimostrando che con un numero sufficientemente elevato di prove è possibile trovare una strategia con performance straordinaria su qualsiasi dataset storico — anche su dati casuali. Introdussero la metrica PBO (Probability of Backtest Overfitting) come strumento di valutazione della robustezza delle strategie testate.

2. Il vantaggio non è stabile nel tempo

Un indicatore può funzionare molto bene in mercati trend-following e fallire completamente in fasi laterali — e viceversa. Più in generale, quando una strategia diventa troppo diffusa, il mercato tende ad eliminarla per arbitraggio.

Schwager (1989) in Market Wizards documenta come molti trader professionali di successo abbiano abbandonato nel tempo sistemi che avevano funzionato per anni, proprio perché il mercato si era adattato.

3. L’effetto di profezia auto-avverante

Un aspetto spesso trascurato è che alcuni indicatori funzionano almeno in parte perché molti trader li usano simultaneamente, generando flussi di ordini convergenti. Livelli di supporto e resistenza “rispettati”, rimbalzi sull’RSI a 30 o 70: in molti casi questi livelli si confermano anche solo perché abbastanza operatori li guardano e reagiscono agli stessi segnali.

Questo crea una componente sociale nel valore degli indicatori — come notato da Shiller (1981, 2000) nella sua critica all’EMH e nei lavori sulla finanza comportamentale — che non è necessariamente irrazionale ma che rende difficile distinguere tra segnale reale e profezia auto-avverante.

Come Usare gli Indicatori in Modo Efficace: Le Condizioni Necessarie

Sulla base della letteratura e dell’esperienza operativa consolidata, possiamo identificare le condizioni in cui gli indicatori offrono il maggiore valore aggiunto:

1. Inserimento in un sistema coerente. Un singolo indicatore raramente è sufficiente. L’efficacia aumenta combinando più dimensioni: ad esempio, un indicatore di trend (media mobile), uno di momentum (RSI), e regole esplicite di gestione del rischio (stop loss, position sizing). Come sintetizza Elder (1993) in Trading for a Living, il cosiddetto Triple Screen System si basa proprio sull’allineamento di segnali su timeframe multipli.
2. Test rigoroso con metodologia out-of-sample. Qualsiasi strategia deve essere validata su dati che non sono stati usati nell’ottimizzazione. La divisione standard in training set, validation set e test set — mutuata dal machine learning — dovrebbe diventare pratica standard nel trading sistematico.
3. Adattamento al regime di mercato. Molti indicatori performano in modo molto diverso a seconda del contesto (trend vs lateralità, alta vs bassa volatilità). Strategie adattive che identificano il regime corrente prima di applicare l’indicatore appropriato tendono ad essere più robuste.
4. Integrazione con una solida gestione del rischio. Come dimostra ampiamente la letteratura sul Kelly Criterion (Kelly, 1956) e sui suoi sviluppi moderni, il dimensionamento corretto della posizione può avere un impatto sui rendimenti complessivi di lungo periodo superiore a quello del segnale di ingresso stesso.

Conclusione: Il Vero Ruolo degli Indicatori nel Trading Moderno

La letteratura accademica e l’evidenza operativa convergono su una posizione equilibrata: gli indicatori tecnici possono offrire un vantaggio reale, ma limitato, fragile e non universale.

Non sono strumenti di previsione. Non eliminano il rischio. Non garantiscono profitti. Sono, piuttosto, strumenti che — se usati correttamente, inseriti in sistemi ben costruiti e testati con rigore metodologico — permettono di costruire un processo decisionale più disciplinato e statisticamente fondato.

Il paradosso fondamentale degli indicatori è ben sintetizzato da López de Prado (2018) in Advances in Financial Machine Learning:

“Most discoveries in finance are the result of data snooping. The solution is not to avoid research, but to develop a scientific method that prevents false discoveries.”

La vera differenza tra chi ottiene risultati consistenti e chi no non sta nell’indicatore scelto. Sta nella capacità di costruire e gestire un sistema con disciplina, metodo e profonda consapevolezza dei propri limiti — e di quelli degli strumenti che si usano.

Riferimenti Bibliografici

• Bailey, D.H., Borwein, J., López de Prado, M., & Zhu, Q. (2014). The Probability of Backtest Overfitting. Journal of Computational Finance.
• Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple Technical Trading Rules and the Stochastic Properties of Stock Returns. Journal of Finance, 47(5), 1731–1764.
• Elder, A. (1993). Trading for a Living. Wiley.
• Faber, M.T. (2007). A Quantitative Approach to Tactical Asset Allocation. Journal of Wealth Management, 9(4), 69–79.
• Fama, E.F. (1970). Efficient Capital Markets: A Review of Empirical Work. Journal of Finance, 25(2), 383–417.
• Fischer, T., & Krauss, C. (2018). Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions. European Journal of Operational Research, 270(2), 654–669.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Kelly, J.L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal, 35(4), 917–926.
• Krauss, C., Do, X.A., & Huck, N. (2017). Deep Neural Networks, Gradient-Boosted Trees, Random Forests: Statistical Arbitrage on the S&P 500. European Journal of Operational Research, 259(2), 689–702.
• Lo, A.W., Mamaysky, H., & Wang, J. (2000). Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation. Journal of Finance, 55(4), 1705–1770.
• López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.
• Menkhoff, L. (2010). The Use of Technical Analysis by Fund Managers: International Evidence. Journal of Banking & Finance, 34(11), 2573–2586.
• Moskowitz, T.J., Ooi, Y.H., & Pedersen, L.H. (2012). Time Series Momentum. Journal of Financial Economics, 104(2), 228–250.
• Murphy, J.J. (1999). Technical Analysis of the Financial Markets. New York Institute of Finance.
• Park, C.H., & Irwin, S.H. (2007). What Do We Know About the Profitability of Technical Analysis? Journal of Economic Surveys, 21(4), 786–826.
• Schwager, J.D. (1989). Market Wizards. New York Institute of Finance.
• Shiller, R.J. (2000). Irrational Exuberance. Princeton University Press.
• Tharp, V.K. (1999). Trade Your Way to Financial Freedom. McGraw-Hill.

Quando sai cosa fare, ma non riesci a farlo: il vero stress del trading

Ci sono momenti nel trading in cui il problema non è la strategia.
La conosci. L’hai testata. Sai esattamente cosa dovresti fare.

Eppure, quando arriva il momento:

• entri prima

• esci troppo presto

• o resti dentro sperando che “torni”

Questo scollamento tra conoscenza e azione è una delle esperienze più frustranti per un trader. Ed è anche una delle meno comprese.

Non è mancanza di disciplina. È un conflitto cognitivo

Dal punto di vista scientifico, quello che stai vivendo è ben documentato.
Daniel Kahneman, premio Nobel per l’economia, descrive come il nostro cervello alterni due sistemi decisionali:

• Sistema 1: veloce, emotivo, reattivo

• Sistema 2: lento, razionale, analitico
  (Kahneman, Thinking, Fast and Slow, 2011)

Il trading richiede decisioni razionali in contesti di incertezza e stress, cioè esattamente il terreno in cui il Sistema 1 tende a prendere il controllo.

In altre parole:
sapere cosa fare non garantisce di riuscire a farlo.

Lo stress finanziario altera le decisioni

Studi neuroscientifici mostrano che l’esposizione al rischio finanziario attiva le stesse aree cerebrali associate alla paura e alla minaccia fisica
(Lo & Repin, “The Psychophysiology of Real-Time Financial Risk Processing”, Journal of Cognitive Neuroscience).

Questo significa che:

• il tuo corpo reagisce prima della tua logica

• la perdita potenziale viene vissuta come pericolo reale

• il cervello cerca sollievo immediato (chiudere, evitare, forzare)

Perché questo è importante riconoscerlo

Molti trader interiorizzano questo problema come un fallimento personale:

“Se fossi più disciplinato, non succederebbe.”

La ricerca ci dice il contrario:

• il comportamento è prevedibile

• è replicabile

• ed è lavorabile, se affrontato nel modo corretto

Il primo passo non è “forzarsi a essere migliori”, ma capire cosa sta realmente accadendo quando prendi una decisione sotto pressione.

Perché una buona strategia non basta: il problema è il processo decisionale

Una delle convinzioni più diffuse nel trading è che migliorare significhi:

• ottimizzare la strategia

• trovare l’ingresso migliore

• aumentare il win rate

Eppure, la maggior parte delle perdite non nasce dalla strategia in sé, ma da come il trader interagisce con essa.

Overconfidence, loss aversion e decisioni subottimali

La finanza comportamentale ha identificato da decenni alcuni bias chiave:

• Loss Aversion: le perdite pesano psicologicamente più dei guadagni
  (Tversky & Kahneman, 1979)

• Overconfidence: sovrastima delle proprie capacità dopo periodi positivi
  (Barber & Odean, 2001)

Nel trading questi bias si traducono in:

• overtrading

• mancato rispetto delle regole

• modifica continua del piano

Il problema non è l’errore, ma l’assenza di struttura

La ricerca sul Naturalistic Decision Making mostra che in ambienti complessi (come mercati finanziari) i professionisti performano meglio quando:

• seguono processi chiari

• valutano le decisioni, non solo i risultati
  (Klein, Sources of Power, 1998)

Questo porta a una distinzione fondamentale:

Un buon risultato può nascere da una cattiva decisione.
Una buona decisione può portare a una perdita.

Se analizzi solo il P&L, stai perdendo l’informazione più importante.

Il nostro approccio: dal trade al processo

Nel nostro lavoro partiamo sempre da tre domande:

1. Perché hai preso questa decisione?

2. Era coerente con il tuo piano?

3. In che stato cognitivo ed emotivo eri?

Questo tipo di analisi permette di:

• separare abilità da casualità

• ridurre l’impatto dei bias

• costruire fiducia operativa nel tempo

Migliorare nel trading non significa “sbagliare meno”, ma decidere meglio in modo ripetibile

Strategia di Trading Ottimale dell’Oro Basata sul Tempo di Stop Ottimale

Abstract

Il concetto di tempo di stop ottimale ha un ruolo centrale in statistica, matematica e finanza, poiché permette di scegliere in modo ottimale quando fermarsi in situazioni incerte. Questo articolo esplora l’applicazione di tale concetto al trading dell’oro, utilizzando il moto browniano per individuare il momento migliore per vendere e massimizzare il profitto. L’analisi si basa su dati storici del prezzo dell’oro, permettendo di stimare valori di boundary e retracement che guidano decisioni di investimento basate su criteri quantitativi. Il modello è flessibile e può essere adattato a diverse strategie individuali, fornendo un approccio concreto alla gestione del rischio.

Keywords: Tempo di Stop Ottimale; Moto Browniano; Prezzo dell’Oro

Introduzione

Il tempo di stop ottimale rappresenta un problema matematico che combina teoria della probabilità e controllo ottimale, con l’obiettivo di individuare la soluzione migliore in contesti complessi e incerti [1,2]. Applicazioni concrete includono mercati azionari, selezione di candidati, locazioni immobiliari e, naturalmente, il trading dell’oro.

In pratica, il prezzo dell’oro è caratterizzato da volatilità ma mostra anche una certa stabilità relativa rispetto ad altri strumenti finanziari. Per gli investitori, capire quando vendere è fondamentale: un timing ottimale permette di massimizzare i profitti e ridurre le perdite. Studi precedenti hanno utilizzato processi semi-Markov, moto browniano geometrico e modelli di deep learning per predire i movimenti del prezzo dell’oro e identificare momenti ottimali di vendita [3–6]. Questo lavoro si concentra sul moto browniano per costruire un modello quantitativo del tempo di stop ottimale.

Metodologia

Fondamenti Teorici

Sia \(B = (B_t)_{t \ge 0}\) un moto browniano standard e \(B^\mu = (B_t^\mu)_{t \ge 0}\) un moto browniano con drift \(\mu\):

\(B_t^\mu = \mu t + B_t\)

Definiamo il massimo valore del processo su [0,t]:

\(S_t^\mu = \sup_{0 \le s \le t} B_s^\mu\)

Il tempo \(\theta\) del massimo globale del prezzo è:

\(\theta = \arg\max_{0 \le t \le 1} B_t^\mu\)

Il problema del tempo di stop ottimale consiste nel trovare \(\tau^\ast_\mu\) che minimizzi la distanza dal massimo globale:

\(\tau^\ast_\mu = \inf \mathbb{E}(|\tau – \theta|)\)

Per il caso \(\mu = 0\), si utilizzano la funzione di densità della distribuzione normale standard \(\phi(x)\) e la funzione di ripartizione \(\Phi(x)\):

\(\phi(x) = \frac{1}{\sqrt{2\pi}} e^{-x^2/2}, \quad \Phi(x) = \int_{-\infty}^{x} \phi(y) \, dy\)

La funzione di ottimizzazione V è definita come:

\(V = 2 \Phi(z^\ast) – 1\)

dove z^\ast è soluzione dell’equazione:

\(4 \Phi(z^\ast) – 2 z^\ast \phi(z^\ast) – 3 = 0\)

Il tempo di stop ottimale \(\tau^\ast\) è il momento in cui il retracement del prezzo \(\Delta = S_t^\mu – B_t^\mu\) supera la soglia di boundary \(z^\ast (1-t)^\beta\):

\(\tau^\ast = \inf \{ 0 \le t \le 1 : S_t^0 – B_t^0 \ge z^\ast (1-t)^\beta \}\)

Interpretazione del Modello

Il modello stabilisce una boundary decrescente nel tempo, riflettendo l’aumento della probabilità di ribasso del mercato con l’avanzare della durata del bull market. Quando il retracement supera questa soglia, si genera un segnale di vendita. Questo approccio consente di filtrare i rumori di mercato iniziali, evitando vendite premature, e di adattare la strategia in base alla tolleranza al rischio tramite il parametro \(\beta\).

Analisi dei Risultati

Applicazione a Dati Storici

Applicando il modello a intervalli significativi del prezzo dell’oro, si osserva che il tempo di stop ottimale consente di vendere prima di un crollo importante, massimizzando i profitti e riducendo i rischi. Il modello tiene conto sia delle caratteristiche intrinseche della volatilità dell’oro sia della durata del bull market.

Effetto del Parametro \(\beta\)

Il parametro \(\beta\) determina la tolleranza al retracement. Studiando valori diversi (\(\beta = 0.25, 0.5, 0.75\)), si nota che:

• Un \(\beta\) basso è indicato per strategie conservative e short-term.
• Un \(\beta\) alto è adatto a investitori con visione long-term disposti a tollerare maggiori fluttuazioni.

β	τ*	Loss Rate
0.25	20	-1.27%
0.50	60	-3.93%
0.75	116	-7.67%

Conclusioni

Il modello del tempo di stop ottimale basato sul moto browniano:

• Fornisce strumenti quantitativi per la gestione del rischio in tempo reale.
• Permette di massimizzare il profitto durante mercati rialzisti.
• È adattabile a diverse strategie tramite la regolazione del parametro \(\beta\).

Ricerche future possono includere: estensione dei dati storici, ottimizzazione di \(\beta\) tramite reinforcement learning, e combinazione con catene semi-Markoviane per integrare informazioni storiche ponderate [1–6]. L’uso combinato di analisi macro e micro dei mercati può ulteriormente migliorare la predittività del modello.

References

1. Chen, Y., Guo, X., & Liao, S. (2021). Optimal stopping time for semi-Markov processes. Journal of Applied Mathematics, 45(3), 112–125.
2. Peskir, G., & Shiryaev, A. (2006). Optimal Stopping and Free-Boundary Problems. Birkhäuser.
3. Zhan, Y. (2015). Optimal stopping time in the Chinese stock market. Quantitative Finance, 15(4), 567–580.
4. Livieris, I.E., Pintelas, E., & Pintelas, P. (2020). Deep learning models for gold price prediction. Neural Computing and Applications, 32(15), 11777–11793.
5. Zhao, X., Xu, Z., & Gu, Y. (2019). Graph-based time series analysis for gold price volatility. Physica A, 532, 121891.
6. Hussin, F., Rahman, A., & Bahar, R. (2018). Geometric Brownian motion for gold price analysis. Journal of Financial Studies, 26(2), 45–60.
<

Analisi approfondita dei rendimenti dell’oro: interazioni con petrolio, dollaro e volatilità di mercato

L’oro è da sempre un punto di riferimento nei mercati finanziari, non solo per il suo ruolo di bene rifugio durante le crisi economiche, ma anche come indicatore delle dinamiche macroeconomiche globali. La comprensione dei fattori che influenzano il suo prezzo è essenziale per investitori, analisti, policy-maker e studiosi di economia finanziaria. Lo studio “Structural analysis and forecast of gold price returns” rappresenta un contributo significativo, analizzando le interazioni fra oro, prezzo del petrolio, indice del dollaro statunitense e indice di volatilità (VIX), e proponendo modelli predittivi avanzati per i rendimenti dell’oro.

“`

Questo lavoro si inserisce in un dibattito più ampio: capire come un asset tradizionalmente considerato sicuro risponda a variabili complesse, spesso interconnesse, offre spunti preziosi sia per la finanza comportamentale che per la gestione strategica dei portafogli.

“`

Contesto storico e motivazione dello studio

Storicamente, l’oro ha svolto molteplici funzioni: valuta, riserva monetaria e strumento di investimento. Negli ultimi decenni, la sua dinamica è stata influenzata non solo da fattori interni al mercato aurifero, come domanda e offerta, ma anche da variabili esterne come:

• Andamento del dollaro USA, principale valuta di riferimento per il mercato aurifero.
• Prezzi dell’energia e del petrolio, che impattano sui costi di estrazione e sull’inflazione globale.
• Volatilità dei mercati finanziari globali, misurata dall’indice VIX.

Lo studio si propone di analizzare le interdipendenze tra queste variabili e di valutare come possano essere integrate in modelli predittivi per i rendimenti dell’oro.

Obiettivi specifici della ricerca

Gli autori si concentrano su due obiettivi principali:

1. Analizzare la struttura dinamica delle relazioni fra oro, petrolio, dollaro e volatilità, identificando legami di breve e lungo periodo.
2. Costruire modelli previsionali affidabili, che siano in grado di anticipare le oscillazioni dei rendimenti dell’oro e fornire indicazioni utili a investitori e analisti.

L’approccio non si limita ad analisi di correlazione, ma esplora le interazioni multivariabili e la loro evoluzione temporale, un aspetto cruciale per comprendere le dinamiche reali del mercato aurifero.

Metodologia e approccio analitico

La ricerca si basa su dati storici accuratamente raccolti e copre un periodo significativo per garantire robustezza statistica. Gli autori impiegano:

• Modelli econometrici dinamici per valutare le interdipendenze tra oro, petrolio, dollaro e VIX.
• Analisi di stabilità temporale per identificare cambiamenti strutturali e variazioni nella forza delle relazioni nel tempo.
• Test predittivi confrontando il modello sviluppato con metodi tradizionali, al fine di validarne l’efficacia nel forecasting dei rendimenti.

“Comprendere le dinamiche di un asset come l’oro richiede un approccio sistemico, che consideri le interazioni tra fattori macroeconomici, finanziari e psicologici.”

La metodologia combina rigore quantitativo e considerazioni qualitative, riflettendo la complessità intrinseca dei mercati moderni.

Risultati principali e interpretazione

Dall’analisi emergono diversi insight rilevanti:

• I rendimenti dell’oro sono fortemente influenzati dalla volatilità di mercato, con una relazione significativa con VIX, indicatore di incertezza finanziaria.
• Il prezzo del petrolio contribuisce in maniera significativa alle fluttuazioni dell’oro, riflettendo il legame fra costi di produzione, inflazione e pressione sui mercati.
• L’andamento del dollaro USA mantiene un ruolo chiave: variazioni nella valuta di riferimento impattano direttamente sui rendimenti e sulle decisioni degli investitori internazionali.
• Le relazioni individuate non sono statiche: i periodi di crisi accentuano l’impatto della volatilità, mentre in fasi di stabilità economica prevalgono fattori legati al petrolio e al cambio.

Questi risultati sottolineano l’importanza di un modello integrato che consideri simultaneamente più variabili per una previsione accurata dei rendimenti dell’oro.

Discussione e implicazioni pratiche

Per gli investitori, questo studio suggerisce che non è sufficiente monitorare solo il prezzo dell’oro: occorre considerare un insieme di indicatori macro-finanziari per strategie di copertura e gestione del rischio.

Gli analisti macroeconomici possono utilizzare i risultati come base per interpretare l’oro come indicatore di stress finanziario globale e di tensioni economiche emergenti.

Per la ricerca accademica, lo studio rappresenta un esempio di approccio integrato e metodologicamente rigoroso, che può essere esteso ad altri asset o combinazioni di mercati per valutare interazioni complesse.

Infine, l’analisi suggerisce che la finanza comportamentale gioca un ruolo chiave: la percezione di rischio degli investitori amplifica le risposte del mercato aurifero alle variazioni di volatilità e dollaro, creando oscillazioni che vanno oltre i fondamentali economici.

Limiti e prospettive future

• Il modello si basa su dati storici; eventi imprevisti o shock strutturali possono alterarne l’accuratezza.
• Le relazioni empiriche individuate non implicano necessariamente causalità, ma evidenziano pattern utili per la previsione.
• Studi futuri potrebbero includere ulteriori fattori macroeconomici, tassi reali, inflazione globale e dati comportamentali per affinare ulteriormente le previsioni.
• Lo sviluppo di grafici interattivi e dashboard analitici potrebbe rendere l’interpretazione dei dati più immediata e fruibile da investitori e policy-maker.

Conclusione

In sintesi, lo studio “Structural analysis and forecast of gold price returns” fornisce un quadro esaustivo e scientificamente robusto delle dinamiche dell’oro. L’adozione di un modello strutturale multivariato permette di comprendere le complesse interazioni tra oro, petrolio, dollaro e volatilità, e di produrre previsioni attendibili dei rendimenti. Per investitori, analisti e studiosi, l’oro non è più solo un asset isolato, ma un termometro delle condizioni economico-finanziarie globali, che riflette le interazioni tra fattori strutturali, cicli economici e percezione del rischio.