Il 10 ottobre 2025, il i mercati delle criptovalute hanno subito una dislocazione sismica. Nel giro di pochi minuti, una cascata di liquidazioni ha spazzato via miliardi di open interest, lasciando paralizzati gli algoritmi di trading standard. Non si è trattato solo di un calo dei prezzi; si è trattato di un fallimento strutturale dei modelli predittivi. Le strategie che avevano stampato denaro per mesi si sono improvvisamente trovate a dover affrontare uno stato di mercato che non esisteva nei loro dati di formazione.
Questo evento è servito da brutale promemoria: nel mondo ad alto rischio della finanza quantitativa, la dipendenza dal Machine Learning (ML) è diventata assoluta, ma i suoi punti ciechi rimangono fatali. Dagli algoritmi di High-Frequency Trading (HFT) eseguiti in nanosecondi ai complessi oracoli DeFi, il settore è impegnato in una corsa agli armamenti per la supremazia dei dati. Ma quando si verifica un “cigno nero”, i modelli addestrati su dati storici non solo sottoperformano, ma si rompono.
Ciò crea un paradosso per le moderne società commerciali: come si costruiscono sistemi resilienti quando i propri strumenti primari sono ciechi rispetto ai rischi più significativi?
Per rispondere a questa domanda, ci siamo seduti Grigory ChikishevTeam Lead e trader quantitativo presso Cervelli quantistici. Con oltre nove anni di esperienza nella creazione di soluzioni infrastrutturali per i mercati, dagli algoritmi HFT e dai modelli ML ai sistemi di valutazione del flusso basati su grafici, Grigory ha trascorso la sua carriera all’intersezione tra velocità di esecuzione e resilienza sistemica. Presso Quantum Brains, ha trasformato i processi di mercato in architetture scalabili progettate per resistere proprio alla volatilità che infrange i modelli standard.
Ecco il suo punto di vista sul motivo per cui l’industria deve andare oltre la “scatola nera” e su come progettare una vera antifragilità.
Lo Zen dell’imprevedibile
Quando la discussione si sposta sul fallimento dei modelli di rischio durante eventi come il recente crollo di ottobre, la pandemia di COVID-19 o la crisi finanziaria del 2008, la critica standard è che i modelli “hanno fallito” nel prevedere l’evento. Grigorij contesta completamente questa premessa. Sostiene che l’aspettativa che un modello ML preveda una singolarità è matematicamente errata e che la soluzione non sta in una migliore previsione ma in una migliore accettazione.
“Vorrei subito precisare che non vedo alcun problema nell’esistenza dei cigni neri. Sono, per definizione, eventi impossibili da prevedere. E non possiamo farci niente. Ad esempio, una cometa che entra in collisione con la Terra: possiamo quasi certamente dire che non accadrà nelle prossime settimane e nemmeno negli anni, ma nessuno sa cosa sta succedendo nella parte invisibile della galassia…
La parola “fallire” potrebbe essere un’esagerazione. Se sappiamo in anticipo della nostra incapacità di prevedere l’evento A, allora dovremmo accettare il suo verificarsi con calma buddista”.
Tuttavia, accettare l’imprevedibilità non significa ignorare le conseguenze. Grigory sottolinea che, sebbene un modello non possa prevedere il tempistica di una crisi, gli esperti del dominio umano devono progettare sistemi che comprendano la situazione conseguenze dello scenario peggiore: qualcosa che i modelli puramente basati sui dati spesso non vedono perché i dati semplicemente non ci sono.
“Da qualche parte tra questi due numeri si trova il punto critico che separa un evento prevedibile da uno imprevedibile (un cigno nero). E il difetto fondamentale di qualsiasi modello è che non può calcolare questo punto… Possiamo solo prepararci per lo scenario peggiore, che il modello NON tiene conto.”
Il mito del compromesso sulla trasparenza
Un dibattito significativo nella finanza quantitativa è la tensione tra Explainable AI (XAI) e profitto. L’opinione prevalente suggerisce che i modelli “Black Box” (modelli di deep learning non supervisionati difficili da interpretare) sono più redditizi perché sono più complessi e che forzarli a essere spiegabili (per conformità normativa) rallenta l’esecuzione e ne attenua il vantaggio.
Grigorij non è d’accordo con veemenza con questa dicotomia. Per lui la trasparenza non è un onere normativo; è uno strumento di debug.
“Dubito fortemente che un approccio senza supervisione o a scatola nera alla fine avrà più successo di un approccio a scatola bianca se confrontato direttamente… Pertanto, qualsiasi sforzo verso l'”interpretabilità a livello normativo” è solo per il meglio. Se il tuo bambino appena nato potesse spiegare cosa fa male, sarebbe molto conveniente e sarebbe chiaramente di aiuto nella sua educazione.”
Suggerisce che l’opacità nelle strategie di trading è spesso una maschera di fortuna piuttosto che di genialità – in particolare, un pregiudizio alla sopravvivenza.
“Se vedi una strategia ML di successo che “non è chiaro come funziona”, molto probabilmente è vera una delle due cose:
- O i suoi creatori capiscono davvero tutto, ma preferiscono tenere le carte nascoste.
- Oppure abbiamo a che fare con il pregiudizio della sopravvivenza… Se 1.024 persone fanno una catena di 10 previsioni binarie, esattamente una di queste sarà assolutamente corretta in ogni previsione.
Sfortunatamente, a volte entrambe le ragioni sono corrette. Quindi chiedi sempre una spiegazione al tuo agente AI!”
Antifragilità ingegneristica
Se la previsione è impossibile, l’unica strategia praticabile è l’antifragilità – la capacità di un sistema di trarre vantaggio dal disordine, un concetto reso popolare da Nassim Taleb. Tuttavia, implementarlo nell’hardware e nelle infrastrutture è notoriamente difficile. Costruire un sistema in grado di gestire 100 volte il normale carico di mercato durante un crollo è spesso proibitivo in termini di costi.
L’approccio di Grigory alle infrastrutture di Quantum Brains dà priorità alla flessibilità rispetto alla capacità della forza bruta.
“Non puoi preparare la tua infrastruttura per un evento del cigno nero. Ad esempio, se calcoli il carico di picco del tuo server e consenti un aumento di 100 volte, allora stai bruciando denaro su risorse inutilizzate quasi il 100% delle volte… Ma puoi preparare un sistema flessibile per ridurre i costi delle risorse. Ad esempio, semplicemente chiudendo una configurazione di trading dopo l’altra. Che senso ha comunque se tutto va a puttane?”
Questa flessibilità consente all’impresa di sopravvivere allo shock iniziale. Ma in realtà profitto dalla dislocazione – per essere veramente antifragili – è necessario un cambiamento di mentalità. Occorre riconoscere che quando gli algoritmi degli altri falliscono, il mercato non è più efficiente.
“Ripeto, stiamo parlando di una situazione che i nostri modelli non avevano previsto… Questa formulazione contiene anche una buona notizia: possiamo supporre che altri partecipanti al mercato stiano vivendo lo stesso scenario ‘difficile’. Il 10 ottobre, le criptovalute hanno subito uno shock significativo, spingendo molte posizioni a essere liquidate. Alcuni partecipanti hanno letteralmente abbandonato il mercato: o hanno scelto la seconda opzione (shutdown) o semplicemente non hanno avuto il tempo di farlo (RIP).
Questo era un buon momento per sfruttare le inefficienze o realizzare opportunità che normalmente sarebbero chiuse… In un certo senso, anche questo è il modo di Taleb: per evitare di essere un tacchino, semplicemente non devi esserlo.”
L’elemento umano in un gioco a somma zero
Poiché l’intelligenza artificiale continua a dominare l’esecuzione degli scambi, molti mettono in dubbio il ruolo futuro del trader quantitativo umano. Se le macchine gestiscono il flusso, il rischio e l’esecuzione, l’uomo è obsoleto?
Grigory ritiene che la natura stessa del mercato salvaguarda l’elemento umano: è un gioco a somma zero guidato dal desiderio di vincere, un’emozione che gli algoritmi non possiedono. Sebbene l’intelligenza artificiale possa funzionare, non ha la spinta a “battere” il mercato che alimenta la vera innovazione.
“Il commercio è diverso da molti altri campi in cui l’intelligenza artificiale si sta sviluppando attivamente, perché è un gioco a somma zero… Immaginiamo un estremo: non ci sono più partecipanti viventi nel mercato… C’è posto per gli esseri umani qui? Secondo me non c’è.
Ma fortunatamente… nel mondo reale ci saranno sempre partecipanti viventi… Un altro fattore umano è l’eccessiva sicurezza. L’idea: “Sono umano, sarò più creativo e originale dell’intelligenza artificiale” non lascerà mai le nostre menti.”
In definitiva, il futuro del commercio quantitativo non riguarda la sostituzione degli esseri umani con l’intelligenza artificiale, ma l’utilizzo dell’intelligenza artificiale da parte degli esseri umani per competere contro altri esseri umani. L’algoritmo è l’arma, non il soldato.
“Come ho detto, è un gioco a somma zero. Ma un algoritmo non ha interesse a fare soldi in tali condizioni. Solo l’homo sapiens avrà sempre il desiderio di ‘battere’ gli altri.”
