AQuA, l’intelligenza che scopre opportunità nei mercati

Può un’intelligenza artificiale imparare dai propri esperimenti finanziari e diventare, prova dopo prova, un ricercatore più efficace? È la sfida raccolta da AQuA, un sistema sviluppato da ricercatori di Princeton, Ant Group e Stanford per individuare segnali utili nei mercati e costruire modelli capaci di anticipare l’andamento di azioni e criptovalute.

AQuA è l’acronimo di Autonomous Quantitative Agents, cioè “agenti quantitativi autonomi”. La grafia richiama volutamente la parola aqua, acqua: un elemento che scorre, si adatta e alimenta un ciclo continuo.

L’immagine descrive bene il funzionamento del sistema. Ogni esperimento produce nuove informazioni, che vengono utilizzate per formulare la prova successiva. Non è però un nome da confondere con altri prodotti chiamati Aqua: in questo caso indica un progetto di ricerca sull’intelligenza artificiale applicata alla finanza.

Occhio al  rischio di una macchina che si convince da sola

I sistemi di AI possono trovare strategie apparentemente brillanti semplicemente perché hanno analizzato troppo bene i dati del passato. È il cosiddetto overfitting: una forma di “memoria” che funziona sull’esame già svolto, ma non necessariamente nella realtà.

Il pericolo cresce quando l’AI può progettare da sola i propri test. Un errore casuale potrebbe sembrare una scoperta e diventare il punto di partenza per nuovi esperimenti. Invece di correggersi, la macchina finirebbe per rafforzare il proprio sbaglio.

AQuA prova a evitare questo circolo vizioso separando ciò che la AI può esplorare da ciò che deve restare fisso. L’agente può proporre nuove idee, ma non può cambiare le regole del test, i dati riservati alla verifica o il sistema con cui viene giudicato.

Due percorsi indipendenti

AQuA lavora su due binari distinti. Il primo cerca segnali nelle criptovalute, combinando informazioni come prezzi, volumi e volatilità. Il secondo analizza le azioni e cerca di stimarne il rendimento nei trenta minuti successivi.

I due sistemi non condividono memoria, agenti o risultati. Questa separazione riduce il rischio che una scoperta venga trasferita artificialmente da un mercato all’altro e rende più credibile il confronto con i metodi tradizionali.

Nei test, il sistema dedicato alle criptovalute ha raggiunto un indicatore di qualità pari a circa 0,190, superiore a diversi modelli utilizzati come riferimento. Il modello applicato alle azioni ha ottenuto un punteggio di 0,0843, contro 0,0613 del migliore modello alternativo. Questi numeri misurano la capacità di ordinare correttamente i titoli più promettenti, non una percentuale garantita di guadagno.

Dal laboratorio al portafoglio

I segnali prodotti dalla AI sono stati trasformati in una strategia che acquista i titoli giudicati più interessanti e assume posizioni opposte su quelli considerati più deboli. Nei test storici, il portafoglio ha raggiunto uno Sharpe ratio fino a 2,50, dopo aver considerato costi di negoziazione e controllo del rischio.

Il risultato è rilevante anche perché la strategia è rimasta positiva in ciascun anno analizzato, dal 2021 al 2025. Ma un buon backtest non è una promessa di rendimento: dimostra soltanto che il metodo ha funzionato sui dati e nelle condizioni esaminate.

La lezione per il fintech

La novità di AQuA non sta soltanto nell’uso dell’AI per cercare strategie di trading. Il suo contributo più interessante riguarda il modo in cui la macchina viene tenuta sotto controllo.

Un sistema capace di migliorarsi da solo deve avere libertà per esplorare, ma non per riscrivere le regole con cui viene valutato. È un principio che potrebbe diventare importante anche nel rilevamento delle frodi, nella gestione del rischio, nel credito e nella sicurezza informatica.

AQuA non presenta una macchina capace di prevedere il futuro dei mercati. Presenta qualcosa di più concreto: un laboratorio automatico che impara a formulare ipotesi migliori senza poter modificare l’esame a ogni tentativo.

La vera domanda, nel fintech governato dall’intelligenza artificiale, non sarà quindi soltanto quanto è intelligente un algoritmo. Sarà anche quanto è difficile per quell’algoritmo convincersi di avere ragione quando si sbaglia.