Approfondimenti sul trading con IA, l'analisi di mercato e il futuro della DeFi.
Browse collections →Nothing found. Try a different query.
Il GARCH(1,1) semplice tratta le notizie buone e cattive allo stesso modo e assume shock gaussiani. EGARCH, GJR-GARCH e le innovazioni Student-t/skew-t correggono entrambi i difetti, offrendoti un VaR e un Expected Shortfall onesti per le criptovalute.
Come il modello GARCH(1,1) cattura il clustering di volatilita nel crypto, come stimarlo per massima verosimiglianza con la libreria arch e come trasformare le previsioni di varianza condizionale in dimensionamento delle posizioni e stop dinamici.
Il culmine dell'arco narrativo su ricerca e overfitting, e si conclude con un risultato negativo — quello corretto. Una ricerca single-symbol dual-timeframe su ETHUSDT ha trovato una configurazione che valeva +16,35% out-of-sample e +2,62% su un holdout mai toccato; il Deflated Sharpe Ratio, tenendo conto di ~37.000 prove, l'ha sgonfiata a 0,00. Un passaggio cross-instrument su cinque major (ETH/BTC/SOL/BNB/XRP, ~1,18M di barre da 1m ciascuno), selezionando per mediana out-of-sample, la elimina definitivamente: dual DSR 0,24 / PBO 0,264, triple DSR 0,14 / PBO 0,327 — entrambi falliscono i gate. Il campione e profittevole su 1 di 5 simboli e negativo sugli altri. E' proprio a questo che serve l'apparato anti-overfit: a impedirti di spacciare il migliore del rumore per alpha.
I backtest multi-timeframe fanno trapelare il futuro attraverso una barra di timeframe superiore ancora in formazione, la cui chiusura finale non esiste ancora. Non si può raggiungere la certezza con una semplice code review — bisogna testarlo. Riproduciamo esattamente la regola closed-bar del bot live, poi dimostriamo l'assenza di leakage con una probe a futuro perturbato: perturbiamo ogni barra futura e verifichiamo che ogni segnale e trade passato resti bitwise invariato. 25/25 controlli di parità superati, e la probe ha i denti.
Il vantaggio della GPU sulla CPU cresce con la dimensione del batch — da 54.5x a un combo per chiamata fino a 359.6x a 61 sul nostro precompute di indicatori multi-timeframe — perché uno sweep piccolo non può ammortizzare l'overhead di lancio dei kernel e di trasferimento. Scomponiamo un 167x da titolo in una vittoria algoritmica di 27x che aiuta anche la CPU e una vittoria hardware di 6.2x, mostriamo che il vero vantaggio GPU-vs-migliore-CPU è solo 3.2x single-timeframe e 6.2x multi, e diamo una guida decisionale su quanto largo debba essere uno sweep prima che una GPU valga l'investimento.
La GPU Metal di Apple non ha float64. Porta ingenuamente un backtest vettorizzato su di essa e la tentante WMA a somma prefissa manda in overflow l'fp32 — errore relativo massimo 211× — eppure gira comunque e restituisce numeri dall'aspetto plausibile. La soluzione non è più precisione; è una formulazione diversa: una convoluzione a finestra diretta, sicura in fp32 fino a 8×10⁻⁷ e 55,9× più veloce del numba a thread singolo. La trappola, l'aritmetica e come dimostrare di non esserci caduto.
La ricerca drill-down / multi-fedeltà (ASHA, successive halving, Hyperband) filtra economicamente migliaia di configurazioni e promuove solo i sopravvissuti alla costosa valutazione completa. È un'accelerazione autentica — ma collassa silenziosamente se il ranking a bassa fedeltà non concorda con quello ad alta fedeltà. Abbiamo misurato la correlazione di rank tra fold: con un solo fold lo Spearman ρ può essere 0.03 (classifica quasi a caso), salendo a 0.43, 0.67, 0.78, 0.91 man mano che i fold si accumulano. La soluzione è un gate obbligatorio — misurare prima ρ(economico, completo) e alzare automaticamente la fedeltà minima al primo livello in cui ρ ≥ 0.5.