Collections
Curated reading paths through the blog, ordered from basics to advanced.
Backtesting Without Fooling Yourself
A step-by-step path from what your backtest really optimizes to proving an edge survives overfitting, multiple testing, and live execution. Read top to bottom — each part builds on the last.
- 01Il Design della Funzione Obiettivo: La Metrica che Ottimizzi Sceglie di Nascosto la Tua Strategia
- 02Dimostrare l'assenza di look-ahead nei backtest multi-timeframe: perturbare il futuro per dimostrare che il passato non può vederlo
- 03Look-Ahead Bias: Come un Errore di un Singolo Bar Genera uno Sharpe di 15 dal Rumore Puro
- 04Walk-Forward Optimization: L'Unico Test Onesto per una Strategia
- +7 more
High-Performance Backtest Engines
How to build a backtest engine that runs hundreds of times faster without changing a single PnL number — data layout, caching, adaptive resolution, and architecture, from first speedups to production internals.
- 01La Scala di Velocità del Backtest: 298x su una CPU da Laptop, PnL Identico Fino all'Ultimo Trade
- 02La tassa del framework: quando la tua libreria di backtest è più lenta di un ingenuo ciclo pandas
- 03Cache Parquet Aggregata: Come Accelerare i Backtest Multi-Timeframe di Centinaia di Volte
- 04Lo spazio dei parametri a due assi: perché gran parte del tuo sweep dovrebbe essere quasi gratis
- +7 more
Complex Arbitrage in Rust
A six-part build-up of multi-leg crypto arbitrage — from negative-cycle detection to the linear algebra, copulas, and machine learning behind it, ending in low-latency Rust execution.
- 01Algoritmi su Grafi per il Rilevamento dell'Arbitraggio: Da Bellman-Ford a RICH
- 02Arbitraggio Futures-Spot: dal Cash-and-Carry al DeFi-CeFi
- 03Matrici, Tensori e Algebra Tropicale: Algebra Lineare per il Rilevamento dell'Arbitraggio
- 04Vine Copulas per l'Arbitraggio: Modellazione delle Dipendenze ad Alta Dimensione
- +2 more
Order Book & Market Microstructure
How the order book really works — accessing the data, reading queue position, rebuilding bars from order flow, and modeling it with deep learning and Hawkes processes.
- 01CCXT: Come Funzionano Davvero i Metodi WebSocket per l'Orderbook
- 02Tipi di ordine nel trading algoritmico: dal limite con inseguimento agli ordini virtuali
- 03La Coda Dentro il Muro: Analisi della Posizione degli Ordini nella Densità del Book degli Ordini
- 04Tipi di Bar e Metodi di Aggregazione per il Trading Algoritmico
- +8 more
Portfolio Construction & Risk
From Markowitz to production HRP + CVaR: how to allocate across crypto assets, model tail dependence with copulas, and size positions without blowing up.
- 01Teoria del Portafoglio di Markowitz per le Crypto: Da Zero a Esperto
- 0212 Algoritmi di Ottimizzazione del Portafoglio a Confronto: HRP, Black-Litterman, NCO e Oltre
- 03Nel Nostro Algoritmo di Casa: HRP + Long/Short + CVaR con Hull-White
- 04Modelli Copula per la Modellazione del Rischio Congiunto nei Portafogli Crypto
- +1 more
Risk & Position Sizing
Build position sizes from drawdown math, realistic trading costs, and uncertainty in backtest results before applying Kelly.
- 01Asimmetria Perdite-Profitti: La Matematica Che Distrugge il Tuo Deposito
- 02Curve di slippage, non costanti di slippage: modelli di costo che sopravvivono al contatto con il trading live
- 03Monte Carlo Bootstrap: Come Ottenere Intervalli di Confidenza per un Backtest in 10 Righe di Codice
- 04Criterio di Kelly per le strategie: come scegliere la dimensione della posizione e allocare il capitale
Statistical Arbitrage & Pairs Trading
Trade the spread between correlated assets — from the distance approach to cointegration and Kalman filters, then dynamically combining mean reversion with momentum.
- 01Approccio della Distanza nel Pairs Trading: Implementazione e Analisi con Rust
- 02Arbitraggio Statistico e Pairs Trading nei Mercati Crypto: Dalla Cointegrazione al Filtro di Kalman
- 03Correlazione dei Segnali: Quante Coppie Monitorare
- 04Combinazione Dinamica di Strategie di Mean Reversion e Momentum nell'Arbitraggio Statistico: Fondamenti Matematici e Implementazione Pratica
- +1 more
Deep Learning for Markets
Neural forecasting for crypto — transformers, diffusion models, and foundation models, and how conformal prediction keeps their uncertainty honest.
- 01Temporal Fusion Transformer per la previsione multi-orizzonte di portafoglio
- 02Modelli di Diffusione vs Anarchia delle Criptovalute: Perché DDPM Può Prevedere i Crash di Bitcoin Meglio del Tuo Astrologo
- 03Kronos: Un Modello Fondamentale che Insegna ai Grafici Candlestick a Parlare il Linguaggio dei Transformer
- 04Conformal Prediction per il dimensionamento delle posizioni consapevole del rischio
AI Agents for Trading
The agentic-AI stack for markets — multi-agent frameworks, open-source hedge funds, and LLMs that mine alpha from earnings calls.
- 01Rivoluzione nella Gestione del Portafoglio di Investimenti con l'AI Agenziale
- 02TradingAgents: Framework AI Multi-Agente che Modella un Hedge Fund
- 03AI4Finance Foundation: L'Ecosistema FinGPT, FinRL e FinRobot per l'Algo-Trading
- 04AI Hedge Fund: Un Fondo Multi-Agente in cui gli Analisti AI Votano sulle Operazioni
- +1 more
QuestDB for Algorithmic Trading
Stand up a time-series stack for trading on QuestDB — from architecture to the SQL that matters, to a production deployment.
- 01QuestDB per il Trading Algoritmico: Un'Architettura che Parla il Linguaggio dei Mercati
- 02QuestDB per il Trading Algoritmico: Le Estensioni SQL che Cambiano le Regole del Gioco
- 03QuestDB per il Trading Algoritmico: Dai Libri degli Ordini all'Architettura di Produzione
Low-Latency Trading Infrastructure
The plumbing under an HFT stack — how components talk (WebSocket, FIX, gRPC, Aeron), messaging on Aeron and Zig, and a C++ FIX/FAST scalper.
- 01Comunicazione dei Dati nei Sistemi di Algo Trading: Una Panoramica Tecnologica
- 02Aeron: Dentro il Sistema di Messaggistica che Alimenta Metà del Settore HFT
- 03ZigBolt: Perché Abbiamo Costruito il Nostro Aeron in Zig e Raggiunto 20 Nanosecondi per Messaggio
- 04Sviluppo di un Semplice Scalper in C++ con FAST/FIX: Guida Passo dopo Passo
Execution & Market Making
From TWAP/VWAP and Almgren-Chriss to TCA, slippage models, and the Avellaneda-Stoikov market maker — how to turn a signal into fills without paying the spread twice.
- 01TWAP vs VWAP vs POV: scegliere un benchmark di esecuzione (e sapere quando ciascuno ti inganna)
- 02Almgren-Chriss senza fumo negli occhi: esecuzione ottimale implementabile in un pomeriggio
- 03Dentro la slice: le tattiche sui child order tra scheduler ed exchange
- 04Smart Order Routing nel crypto: un ordine, dodici venue, nessun NBBO
- +7 more
Onchain & DeFi Quant
Quantitative DeFi from first principles — MEV and sandwich attacks, atomic arbitrage, liquidation cascades on lending protocols, and LP profitability on Uniswap v3.
- 01Anatomia del MEV: sandwich, frontrunning e la foresta oscura della mempool
- 02La catena di approvvigionamento MEV: PBS, MEV-Boost e chi cattura effettivamente il valore
- 03Arbitraggio on-chain: cicli atomici, flash loan e l'asta che devi vincere
- 04Liquidazioni on-chain: le meccaniche di Aave e Compound, e il business dei bot che ci gira intorno
- +5 more
Causality & Lead-Lag in Markets
Who moves whom — Granger causality, transfer entropy, PCMCI discovery, and the causal ML toolbox (double ML, causal forests, synthetic control) applied to crypto markets.
- 01Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?
- 02Transfer Entropy: Which Way Does Information Flow Between Crypto Assets?
- 03PCMCI: Causal Discovery in Multivariate Crypto Time Series
- 04Causal Forests per effetti di trattamento eterogenei nel trading
- +3 more
Volatility Modeling & Regimes
Forecast volatility with the GARCH family — asymmetry and leverage effects, dynamic correlations, vol targeting — then detect market regimes with HMMs and trade adaptively.
- 01GARCH(1,1): previsione della volatilita nel crypto
- 02GARCH asimmetrico e a code pesanti: EGARCH, GJR e Student-t
- 03DCC-GARCH: correlazioni dinamiche per coppie e rischio di portafoglio
- 04Targeting della Volatilita e Trading con Previsioni GARCH
- +1 more
Modern ML for Trading
The full gradient-boosting-to-neural-operator toolkit — ensembles, AutoML, probabilistic forecasting, distillation and pruning for latency, plus physics-informed architectures like Neural ODEs and Fourier operators.
- 01XGBoost for Return Direction: Class Imbalance and Decision Thresholds
- 02Metodi d'insieme: combinare studenti deboli per un alfa robusto
- 03AutoML per pipeline di trading sistematico
- 04Multi-Task Learning for Simultaneous Price, Volume, and Volatility Prediction
- +11 more