Il trading basato su IA non ha ancora raggiunto un "momento iPhone", quando tutti avranno in tasca un gestore di portafoglio algoritmico con apprendimento per rinforzo, ma qualcosa del genere sta arrivando, dicono gli esperti.

In effetti, la potenza dell'IA trova il suo limite quando si confronta con l'arena dinamica e avversariale dei mercati di trading. A differenza di un agente IA informato da infiniti circuiti di auto a guida autonoma che imparano a riconoscere con precisione i segnali stradali, nessuna quantità di dati e modellazione sarà mai in grado di prevedere il futuro.

Questo rende il perfezionamento dei modelli di trading IA un processo complesso e impegnativo. La misura del successo è stata tipicamente la valutazione del profitto e della perdita (PNL). Ma i progressi su come personalizzare gli algoritmi stanno generando agenti che imparano continuamente a bilanciare rischio e rendimento quando si trovano di fronte a molteplici condizioni di mercato.

Consentire a metriche corrette per il rischio come l'indice di Sharpe di informare il processo di apprendimento moltiplica la sofisticazione di un test, ha affermato Michael Sena, chief marketing officer di Recall Labs, un'azienda che ha gestito circa 20 arene di trading IA, dove una community invia agenti di trading IA, e questi agenti competono per un periodo di quattro o cinque giorni.

"Quando si tratta di scansionare il mercato alla ricerca di alpha, la prossima generazione di costruttori sta esplorando la personalizzazione e la specializzazione degli algoritmi, tenendo conto delle preferenze degli utenti", ha detto Sena in un'intervista. "Essere ottimizzati per un particolare rapporto e non solo per il PNL grezzo è più simile al modo in cui le principali istituzioni finanziarie operano nei mercati tradizionali. Quindi, guardando cose come, qual è il tuo massimo prelievo, quanto era il tuo valore a rischio per ottenere questo PNL?"

Facendo un passo indietro, una recente competizione di trading sulla borsa decentralizzata Hyperliquid, che ha coinvolto diversi modelli linguistici di grandi dimensioni (LLM), come GPT-5, DeepSeek e Gemini Pro, ha in qualche modo stabilito la base di riferimento per la posizione dell'IA nel mondo del trading. Questi LLM hanno ricevuto tutti lo stesso prompt ed eseguito autonomamente, prendendo decisioni. Ma non erano così buoni, secondo Sena, superando a malapena il mercato.

"Abbiamo preso i modelli IA utilizzati nella competizione Hyperliquid e abbiamo permesso alle persone di inviare i loro agenti di trading che avevano costruito per competere contro quei modelli. Volevamo vedere se gli agenti di trading sono migliori dei modelli fondamentali, con quella specializzazione aggiunta", ha detto Sena.

I primi tre posti nella competizione di Recall sono stati occupati da modelli personalizzati. "Alcuni modelli non erano redditizi e hanno avuto prestazioni inferiori, ma è diventato ovvio che gli agenti di trading specializzati che prendono questi modelli e applicano logica aggiuntiva, inferenza e fonti di dati e cose sopra, stanno superando l'IA di base", ha detto.

La democratizzazione del trading basato sull'IA solleva interessanti domande su se ci sarà ancora alpha da coprire se tutti utilizzano lo stesso livello di sofisticata tecnologia di apprendimento automatico.

"Se tutti usano lo stesso agente e quell'agente sta eseguendo la stessa strategia per tutti, questo non collassa su se stesso?" ha detto Sena. "L'alpha che sta rilevando scompare perché sta cercando di eseguirlo su larga scala per tutti gli altri?"

Ecco perché coloro che sono meglio posizionati per beneficiare del vantaggio che il trading IA alla fine porterà sono quelli con le risorse per investire nello sviluppo di strumenti personalizzati, ha detto Sena. Come nella finanza tradizionale, gli strumenti di qualità più elevata che generano la maggior parte dell'alpha tipicamente non sono pubblici, ha aggiunto.

"Le persone vogliono mantenere questi strumenti il più privati possibile, perché vogliono proteggere quell'alpha", ha detto Sena. "Hanno pagato molto per questo. L'hai visto con gli hedge fund che acquistano set di dati. Puoi vederlo con algoritmi proprietari sviluppati da family office.

"Penso che il punto dolce magico sarà dove c'è un prodotto che è un gestore di portafoglio ma l'utente ha ancora voce in capitolo nella propria strategia. Possono dire: 'Questo è il modo in cui mi piace fare trading e questi sono i miei parametri, implementiamo qualcosa di simile, ma rendiamolo migliore.'"