Ottimizzare le strategie quantitative significa, per la nostra community di Trend Following Traders, prendere una strategia che già funziona sulla carta e lavorarci sopra con l’intelligenza artificiale per controllare meglio il rischio, intercettare i pattern giusti e catturare il profitto che oggi resta inutilizzato. Non si tratta di reinventare la strategia, ma di affinarla: in questo articolo raccontiamo il metodo che stiamo sviluppando con due motori AI, il Realistic Engine AI e il Nature Law AI Quant. È la sintesi della nostra serie di ricerca in tre parti; i dati che troverai sono in gran parte di backtest, da validare a mercato reale.
Il punto di partenza resta StrategyQuant, il software-pilastro con cui calcoliamo le strategie completamente automatiche. Qui non parliamo di come si configura quel software, ma di cosa facciamo dopo: come ottimizziamo le strategie già elaborate. È un lavoro di ricerca in corso, che condividiamo passo dopo passo.
Qui sotto la prima parte della serie, in cui spieghiamo i due motori di ottimizzazione:
Perché ottimizzare le strategie quantitative che già funzionano?
La domanda è legittima: se una strategia elaborata con StrategyQuant produce già buoni risultati sulla carta, perché toccarla? La risposta è che ogni strategia ha vantaggi e limiti, e c’è quasi sempre un margine di miglioramento. Possiamo controllare meglio il rischio, intercettare schemi ricorrenti che aiutano a selezionare le opportunità migliori e, soprattutto, recuperare il profitto che la strategia ha toccato ma non ha portato a casa. È per questo che vale la pena ottimizzare le strategie quantitative anche quando producono già buoni risultati sulla carta.
StrategyQuant è il pilastro della nostra ricerca quantitativa, e richiede molta potenza di calcolo: Steve racconta di aver speso fino a circa 5.000$ al mese per disporre della capacità necessaria a produrre soluzioni competitive, una cifra paragonabile alle esigenze di un piccolo fondo speculativo. Il meglio di queste strategie, circa 100, è pubblicato nella community e organizzato per generazioni (G1, G2 e così via, sempre più precise). Tutte sono oggetto di studio per trovare ottimizzazioni valide da testare a mercato reale. L’ottimizzazione, in questo senso, è il passo che trasforma una buona base in qualcosa di più solido, senza mai promettere certezze: una corretta gestione del rischio resta il cuore di tutto.
Che cos’è il dato MFE (il profitto non sfruttato)?
Il dato MFE (Maximum Favorable Excursion) è ciò che chiamiamo “profitto non sfruttato”: sono quelle opportunità che hanno prima prodotto un profitto e poi si sono chiuse con una spesa. È esattamente lo spazio all’interno del quale possiamo lavorare per sviluppare ottimizzazioni. La strategia ci dice quanto produce, ma il dato MFE ci dice anche quanto profitto è passato dalle nostre mani senza essere catturato.
Per dare un’idea concreta, in un backtest a nove anni su una strategia oro-dollaro emergono circa 323.000$ di MFE: profitto che le opportunità avevano toccato prima di chiudere in spesa. Un caso singolo è emblematico: un’opportunità che aveva raggiunto circa 32.000$ di profitto si è poi chiusa con una spesa di circa 1.000$. Sono numeri sulla carta, frutto di una simulazione su dati storici, non rendimenti realizzati. Ma indicano dove c’è margine: ci interrogano su quali soluzioni mettere in opera per catturare i profitti di opportunità che si comportano diversamente da come la strategia è programmata per gestire di default. E questo lavoro lo facciamo con l’intelligenza artificiale.
Come funziona il Realistic Engine AI?
Il Realistic Engine AI è il primo dei due motori: gestisce le ottimizzazioni più semplici, quelle in cui è il trader a configurare le variabili seguendo le indicazioni che pubblichiamo. È un agente basato su Claude Code, istruito per settimane con la nostra knowledge base. Sostituisce un sistema precedente che abbiamo rimosso perché restituiva dati troppo ottimistici e ci portava fuori strada.
La sua forza è il modo in cui lavora: invece di rifare i calcoli pesantissimi e costosi di StrategyQuant, ricalcola in modo dinamico e veloce i valori di profitto della strategia analizzando tutte le oscillazioni di mercato.
Per farlo usa i dati reali del nostro partner Darwinex, così da ottenere una soluzione calcolata sui dati di mercato effettivi. Le tecniche di base che applica sono quelle classiche del nostro metodo: un rischio percentuale per trade (per esempio 0,2% o 0,5%, dinamico sull’equity line), un limite di drawdown mensile (per esempio 0,5% o 2%), uno stop a pareggio o break-even (per esempio dopo l’1% di profitto), un obiettivo di profitto (per esempio 10% o 20%) e il trailing stop (per esempio 5% / 2,5%).
Un esempio-lezione tratto dal backtest aiuta a capire. La strategia pilota sull’oro-dollaro (operativa dalle 4:00 alle 12:00, stop 0,2%, take profit 10%) sulla carta produce circa 464.000$ in nove anni. Applicando un trailing stop, però, il risultato peggiora a circa 112.000$: significa circa 351.000$ in meno.
La lezione è chiara: il trailing stop, in questo caso, limita molto il profitto finale. Un’altra combinazione (limite di drawdown 0,5% più break-even all’1%) fa invece risparmiare circa 24.000$ intervenendo su 58 trade. Sono tutti dati di backtest, da validare a mercato reale. E attenzione: non esiste una soluzione “migliore” in assoluto. Alcune favoriscono il breve termine (perdono poco quando perdono, guadagnano molto quando il trend c’è), altre il lungo termine: sono soluzioni diverse, strumenti per la ricerca, non promesse.
Nella seconda parte entriamo nel dettaglio delle ottimizzazioni con il Realistic Engine:
Che cos’è il Nature Law AI Quant?
Il Nature Law AI Quant è il secondo motore, dedicato alle ottimizzazioni avanzate generate dall’intelligenza artificiale. Il nome non è casuale: arriva dal libro “Nature’s Law” di Ralph Nelson Elliott e da quello di Patrick Mikula sulla teoria azione-reazione di Alan Andrews, entrambi fondati sullo studio delle leggi naturali. L’idea è proprio questa: usare l’AI per cercare nei dati i riferimenti delle leggi naturali che ritroviamo anche sui mercati finanziari. È coerente con il principio che Van Tharp ci ha insegnato da anni: l’unico vero “segreto” è studiare i propri mercati di riferimento, capirne il funzionamento e poi costruire soluzioni per trarne profitto.
Da settimane di istruzione dell’agente sono emersi tre metodi creati dall’AI. Il primo è di pre-apertura: valuta lo stato del mercato nelle ultime 24 ore e classifica le giornate “tossiche” (in cui non conviene aprire) rispetto a quelle valide (in cui aprire se c’è un’opportunità); poi legge circa 4 variabili nelle prime tre ore dell’opportunità per capire se ha potenziale. Tutto questo è codificato su circa nove anni e mezzo di dati.
Il secondo è di gestione: valuta i dati MFE per decidere se spostare lo stop loss “in base a come il mercato respira”, leggendo l’ampiezza delle oscillazioni e i cicli di mercato. Il terzo è morfologico, il più complesso: analizza il comportamento a 5 minuti per decidere quando incassare il profitto al momento giusto. Queste ottimizzazioni avanzate sono calcolate per singola strategia e mercato, e condivise come file specifici nella community.
Per questo lavoro usiamo Opus di Claude Code, oggi la massima capacità di calcolo a nostra disposizione. Il livello superiore, più potente, è uscito ma per il momento è bloccato: ne abbiamo parlato nell’approfondimento dedicato a Fable 5. Vale la pena ricordare la differenza tra i due motori: il Realistic Engine AI gestisce variabili semplici che il trader configura, mentre il Nature Law AI Quant lavora su situazioni complesse che richiedono l’analisi di grandi masse di dati. Entrambi fanno parte della famiglia di AI power tools per il trading che sviluppiamo con la community, e di un approccio più ampio al trading con l’intelligenza artificiale.
Come funziona il Power Tool che applica le ottimizzazioni in autonomia?
Tutto questo lavoro sulla carta non resterebbe utile senza uno strumento che lo metta in opera. Per questo stiamo sviluppando un Power Tool, oggi in versione beta, con il modulo Nature Law iQuant su MT5: legge gli algoritmi codificati dall’AI e li applica in autonomia. La soluzione migliore che abbiamo trovato è attivare un monitor, un log dove il modulo “parla” e spiega cosa sta facendo e perché, giorno per giorno. Mentre le ottimizzazioni del Realistic Engine si basano su variabili facili da intercettare, qui le situazioni sono complesse: era meglio lasciare mani libere al modulo per rilevare i dati e decidere come agire.
Stiamo testando il Power Tool su un conto virtuale, su un conto demo, e ne esistono diverse varianti: una “Falcon” a tre ore con rischio 0,25% e obiettivo al 10%, una “Wolf” e altre ancora. Già nei test il modulo, dopo tre ore di lettura dei dati, decide in autonomia se lasciar correre una posizione, mettere uno stop a pareggio o chiudere: tutto da solo, rispettando l’algoritmo che l’AI ha definito come valido per quella strategia su quel mercato. Funziona già, ma richiede ancora ottimizzazioni e correzioni: per questo contiamo di rilasciarlo verso la fine del mese, così che anche gli utenti della community possano codificarlo e lasciarlo lavorare per raccogliere dati. Per chi vuole capire lo stack tecnico dietro a questi strumenti, ne parliamo in Claude Code per il trading.
Perché backtest realistici e non promesse?
Su questo punto siamo categorici, perché è il cuore della nostra onestà verso la community: una strategia che guadagna sempre non è realistica. I calcoli sulla carta si basano sul passato, e il futuro non è garantito. C’è però una cosa che abbiamo imparato: i mercati tendono a ripetere nel tempo le stesse dinamiche. È su questa tendenza che pianifichiamo, sapendo che eventi esterni possono sempre disturbare l’andamento: la guerra USA-Iran, la crisi energetica, la guerra in Ucraina, il Covid, fino all’11 settembre. Sono shock che alterano l’operatività sistemica dei nostri mercati, e nessun backtest può prevederli.
Proprio per questo non ci fermiamo ai dati storici: validiamo ogni soluzione a mercato reale, su conti demo Darwinex di piccole dimensioni, e raccogliamo i dati nella sezione “conti di ricerca”. I conti in MetaTrader (MT4/MT5) trasmettono i dati con circa 30 minuti di ritardo, mostrandoci come una certa soluzione sta funzionando davvero con i prezzi di oggi. Più dati raccogliamo, più capiamo se ciò che abbiamo pianificato si sviluppa anche nella realtà. L’intelligenza artificiale, qui, è uno strumento di ricerca, non un oracolo: accelera e raffina l’analisi, ma il giudice ultimo resta sempre il mercato reale.
Esempi reali di strategie ottimizzate
Con la terza parte della serie passiamo dal metodo agli esempi concreti. Eccola:
L’ottimizzazione avanzata poggia su due pilastri: da un lato la knowledge base che abbiamo costruito (le dinamiche dei nostri mercati di riferimento, da oro-dollaro a euro-dollaro a sterlina-dollaro), dall’altro i dati Darwinex degli ultimi nove anni e mezzo su dieci mercati diversi. Con queste due basi l’agente AI ricalcola una strategia rivalutando tutte le oscillazioni di mercato in poche ore.
Un esempio concreto: una strategia sul cambio Sterlina-Yen che in backtest a nove anni produceva circa 469.000$. Ricalcolata ottimizzando rischio e gestione, sulla carta arriva a circa 1,7 milioni. È un backtest accurato — calcolato con StrategyQuant su una postazione di calcolo avanzata (il budget di circa 5.000$ al mese di cui parlavamo), non sul PC di casa — ma resta una simulazione su dati storici, da validare a mercato reale.
La sorpresa più grande è arrivata dal motore Nature Law AI Quant: calcolando con Opus, ha proposto da solo tre modelli di analisi a cui non avevamo pensato. Il primo è un filtro contestuale di pre-apertura, che valuta il comportamento del mercato nelle ultime 24 ore e segnala le giornate “tossiche” in cui è meglio non aprire ordini. Il secondo, battezzato “Falcon”, valuta il contesto nelle prime ore dell’operazione e decide in autonomia se restare, mettere lo stop a pareggio o chiudere. Il terzo, “Wolf”, è un trigger morfologico che durante lo sviluppo del trend assegna un punteggio e decide cosa conviene fare per rendere il profitto più frequente, sfruttando anche i dati MFE.
Il punto interessante è che l’AI adatta i filtri a ogni strategia: per alcune ha addirittura scartato il filtro “Falcon”, giudicandolo controproducente su quel mercato, e ha decretato la combinazione migliore. Sul terminale MT5 vediamo le strategie ottimizzate con i vari filtri: per esempio il codice “Falcon 3” indica le tre ore di osservazione e “0,25” il coefficiente sotto il quale il modulo chiude la posizione da solo.
Le ottimizzazioni avanzate escono già configurate — gli algoritmi sono troppo complessi da impostare a mano — e girano dentro il Power Tool, un cruscotto integrato sulla strategia con un log che mostra in tempo reale cosa sta facendo. Un primo conto Darwinex live ha mostrato, nei primi giorni di giugno, un profitto di circa 11.700$ su una posizione; ma parliamo di pochissimi giorni e di un campione minimo: è esattamente il tipo di dato che raccogliamo in fase di ricerca, non un risultato rappresentativo né ripetibile.
Per le ottimizzazioni più semplici, invece, abbiamo costruito un editor Realistic Engine dentro la community: si sceglie una strategia, si impostano rischio, limite di drawdown e stop, e l’AI ricalcola i nove anni e mezzo di dati Darwinex (ogni ricalcolo consuma crediti, perché ha un costo reale: per questo lo strumento fa parte dell’area premium). E qui vale la pena essere onesti: non tutte le ottimizzazioni migliorano la strategia. Capita di crearne una che la penalizza — per esempio un rischio e un limite di drawdown troppo stretti che la “soffocano” — e allora si correggono le variabili per lasciarla “respirare”. È ricerca: si prova, si misura e si scarta ciò che non funziona.
Cosa significa per la community e come partecipare?
Tutto questo lavoro lo facciamo prima di tutto per la nostra attività, ma lo condividiamo nella community perché siamo convinti, fin dalla fondazione del progetto nel 2014, che il lavoro di gruppo porti vantaggi a tutto il gruppo. Ogni trader cerca una soluzione coerente con il proprio modo di intendere il trading, e questo fa emergere idee utili a tutti. Le ottimizzazioni valide vengono pubblicate, scartando ciò che non funziona; gli utenti possono scaricare i file, avviare i test sulle singole strategie e restituire i dati nella sezione dei conti di ricerca.
Il messaggio di fondo è semplice: l’intelligenza artificiale accelera enormemente la ricerca e apre porte che prima non avevamo, ma il metodo e la gestione del rischio restano centrali. Nessuno strumento sostituisce lo studio dei propri mercati né la disciplina nell’esecuzione. Se vuoi capire meglio la base di partenza, puoi approfondire il trading sull’oro-dollaro, il mercato della nostra strategia pilota, e gli strumenti di analisi del trading quantitativo che usiamo per leggere i dati.
Domande frequenti sull’ottimizzazione delle strategie quantitative
Cosa vuol dire ottimizzare una strategia quantitativa?
Vuol dire partire da una strategia che già funziona sulla carta e affinarla per controllare meglio il rischio, intercettare pattern utili e catturare il profitto che oggi resta inutilizzato. Non si riscrive la strategia: si lavora sulle variabili (rischio, drawdown, stop, obiettivi di profitto) e sui suoi schemi ricorrenti, validando poi le soluzioni a mercato reale.
Che cos’è l’MFE?
L’MFE (Maximum Favorable Excursion) è il “profitto non sfruttato”: il picco di profitto che un’opportunità ha toccato prima di chiudersi, eventualmente in spesa. È lo spazio in cui ha senso ottimizzare, perché indica profitto che sulla carta era a disposizione ma non è stato catturato. Tutti i valori MFE che citiamo sono dati di backtest.
Che differenza c’è tra Realistic Engine e Nature Law AI Quant?
Il Realistic Engine AI gestisce ottimizzazioni semplici, in cui è il trader a configurare variabili come rischio, drawdown e stop, ricalcolando i risultati in modo dinamico sui dati reali. Il Nature Law AI Quant gestisce ottimizzazioni avanzate generate dall’AI, con tre metodi (pre-apertura, gestione dello stop e presa di profitto morfologica) calcolati per singola strategia e mercato.
Che modello AI usate?
Usiamo Opus di Claude Code, oggi la massima capacità di calcolo a nostra disposizione. Il livello superiore, più potente, è uscito ma al momento è bloccato: ne parliamo nell’articolo dedicato a Fable 5. Gli agenti sono stati istruiti per settimane con la nostra knowledge base prima di poter elaborare le ottimizzazioni.
I dati di backtest sono garanzia di risultati?
No. I dati di backtest si basano sul passato e non garantiscono risultati futuri: una strategia che guadagna sempre non sarebbe realistica, ed eventi esterni possono sempre disturbare i mercati. Per questo validiamo ogni soluzione a mercato reale, su conti demo, raccogliendo dati nei conti di ricerca prima di considerarla affidabile.
I contenuti di questo articolo hanno scopo esclusivamente informativo e formativo e non costituiscono consulenza finanziaria né un invito a operare. I numeri riportati sono in gran parte dati di backtest calcolati su dati storici; i pochi dati a mercato reale si riferiscono a campioni minimi raccolti in fase di ricerca. In nessun caso rappresentano rendimenti attesi o garanzia di risultati futuri. Si tratta di un lavoro di ricerca in evoluzione, da validare a mercato reale: il trading comporta un rischio concreto di perdita del capitale.