Approfondimenti sul trading con IA, l'analisi di mercato e il futuro della DeFi.
Browse collections →Nothing found. Try a different query.
Come abbiamo costruito researcher.marketmaker.cc — un archivio unificato e interrogabile a tutto testo della ricerca quant (paper di arXiv, repository GitHub, blog quant, script Pine di TradingView) che gli umani sfogliano e gli agenti AI interrogano tramite MCP.
Uno sguardo approfondito ad algo-investor-skills — un insieme di skill di Claude Code che portano una strategia di algotrading dai fatti grezzi misurati a una proposta per investitori sottoposta ad audit e improntata all'onestà. Sei skill componibili, un motore di modelli finanziari, un pacchetto di prove a verifica indipendente e un gate di audit obbligatorio con un investitore scettico che non inventa mai un numero.
Una strategia con aspettativa matematica positiva può mandare in rovina il deposito se si sbaglia la dimensione della puntata. Analizziamo il criterio di Kelly dalla derivazione della formula al portafoglio di strategie: perché il full Kelly è pericoloso, come il Kelly frazionario offre il 75% della crescita a metà della volatilità, e un calcolatore interattivo dove si vede come la frazione di Kelly modifica rendimento e rischio.
Un'analisi approfondita di daily_stock_analysis di ZhuLinsen — un sistema open-source che recupera dati di mercato per azioni A, Hong Kong, USA e altro, esegue analisi tecnica e di notizie tramite un LLM e invia un 'cruscotto decisionale' strutturato al tuo messenger ogni giorno di contrattazione. Architettura, fallback dei dati, strategie agente, limiti.
Come il Temporal Fusion Transformer di Google porta una previsione multi-orizzonte interpretabile nella gestione quantitativa del portafoglio, con selezione delle variabili basata sull'attenzione, output a quantili e una pipeline pratica con pytorch-forecasting.
Intervalli di previsione distribution-free con copertura garantita. Usiamo split conformal, jackknife+ e adaptive conformal inference per calibrare il rischio di trading e dimensionare le posizioni senza assunzioni parametriche.
Scomporre e prevedere gli spread bid-ask con il ML — dallo stimatore implicito di Roll al gradient boosting e alle reti neurali — con le insidie di unità di misura, leakage e benchmarking che fanno male in produzione.