Thinking Fast, Trading Late: System One Decision Models vs the Market
Pubblicata su AIChronos il · fonte del · Amir Dehkordi, Alireza Kargarzadeh, Nariman Khaledian, Navid Parvini, Sid Ghatak, Arman Khaledian
Lo studio introduce OLIVIA, un protocollo rigoroso per testare la prevedibilità dei segnali finanziari generati da modelli di linguaggio non generativi (decision models) su notizie aziendali. L'analisi applicata a S&P 500 rivela che i segnali replicabili sui dati storici si degradano drasticamente in test 'ciechi', suggerendo che il mercato assorbe le informazioni prima che un trader possa agire. Sebbene alcuni modelli commerciali identifichino correttamente l'identità delle aziende mascherate, nessun modello riesce a distinguere tra reazioni eccessive o insufficienti del prezzo.
- Il protocollo OLIVIA elimina bias come il look-ahead e la memorizzazione tramite input point-in-time e hash crittografici.
- Un modello fine-tuned su dati 2024-2025 mostra un information coefficient che crolla da ~0.06 a 0.02 nel test blindato gennaio-luglio 2026.
- I modelli commerciali reagiscono ai movimenti di apertura del mercato, confermando che il news pricing avviene prima dell'azione trader.
- Nessuna strategia pre-registrata sopravvive ai costi transazionali e alla riduzione dello Sharpe ratio in questo contesto.
- Le capacità di identificare aziende mascherate (62%-74%) non implicano una comprensione del contenuto, ma un riconoscimento dei pattern.
Perché conta. Per gli sviluppatori che costruiscono agenti o sistemi AI locali per il trading, è fondamentale comprendere i limiti della prevedibilità reale rispetto ai backtest ottimizzati e la necessità di validare le strategie con protocolli rigorosi come OLIVIA.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.