Ecco la traduzione in italiano del testo fornito, seguendo tutte le linee guida specificate.
Ti spiegherò esattamente come le migliori società di trading al mondo stanno usando l'AI nei loro flussi di lavoro quotidiani e condividerò tutto ciò di cui hai bisogno per implementare lo stesso sistema da zero.
Andiamo dritti al punto.
Metti questo articolo tra i preferiti. Sono Roan, uno sviluppatore backend che lavora su system design, esecuzione in stile HFT e sistemi di trading quantitativo. Il mio lavoro si concentra su come i mercati di previsione si comportano effettivamente sotto carico. Per suggerimenti, collaborazioni o partnership, i miei DM sono aperti.
La maggior parte dei trader sente parlare di "AI nel trading" e immagina un chatbot che sputa segnali di acquisto.
Quello che sta realmente accadendo all'interno delle migliori società quantitative del mondo è qualcosa di completamente diverso. E il divario tra ciò che stanno facendo loro e ciò che capisce la maggior parte dei trader sistematici è uno dei più grandi vantaggi inespressi nei mercati moderni.
Jane Street ha stanziato 6 miliardi di dollari per un'infrastruttura cloud AI nel 2025. Hanno costruito un data center appositamente progettato in Texas che ospita 4.032 GPU raffreddate a liquido specificamente per addestrare modelli di trading di nuova generazione. Jane Street ha generato 39,6 miliardi di dollari di ricavi da trading nel 2025 con circa 3.500 dipendenti. Il loro capo della ricerca quantitativa, Craig Falls, ha dichiarato pubblicamente di fare affidamento sull'infrastruttura GPU di CoreWeave per addestrare e scalare modelli proprietari.
Man Group, il più grande hedge fund quotato al mondo che gestisce circa 150 miliardi di dollari, ha stretto una partnership pubblica con Anthropic per utilizzare Claude come spina dorsale della loro pipeline di generazione dell'alpha. La loro branca quantitativa, Man Numeric, ha costruito uno strumento interno chiamato AlphaGPT che genera, codifica e fa backtest di strategie di trading in modo autonomo.
Two Sigma opera da anni con strategie guidate dall'AI su un patrimonio di 70 miliardi di dollari. Citadel ha costruito un Assistente AI interno che analizza trascrizioni, riassume ricerche di brokeraggio e segnala rischi per il loro team azionario. Lo strumento è ora parte del flusso di lavoro quotidiano per la maggior parte degli investitori azionari della società.
Bridgewater Associates ha fondato la divisione Artificial Investment Associate Labs nel 2023. Il loro CEO, Nir Bar Dea, ha dichiarato a una conferenza Bloomberg nel marzo 2025 che il loro fondo AI da 2 miliardi di dollari sta generando "un alpha unico, non correlato a ciò che fanno i nostri umani". L'AI funge da decisore principale nel fondo, mentre i professionisti umani supervisionano la gestione del rischio e l'esecuzione delle operazioni.
Questi non sono esperimenti. Sono sistemi di produzione che gestiscono capitali reali.
Ma ecco la domanda che nessuno fa ad alta voce.
Le migliori società stanno usando l'AI per sostituire i loro quant? O la stanno usando per rendere i loro quant così veloci che tutti gli altri semplicemente non riescono a tenere il passo?
La risposta cambia tutto su come dovresti costruire il tuo sistema. E alla fine di questo articolo, avrai la roadmap completa per farlo.
Ho già trattato le Catene di Markov per il rilevamento dei regimi e l'analisi delle serie temporali negli articoli precedenti di questa serie. I flussi di lavoro AI sono il quarto e ultimo strato che completa lo stack di trading istituzionale.
Alla fine di questo articolo capirai esattamente come Man Group, Jane Street, Bridgewater e Citadel strutturano i loro flussi di lavoro AI, dalla ricerca al segnale live, i cinque casi d'uso specifici in cui l'AI genera il vantaggio più misurabile nel trading sistematico, come usare le competenze di Claude Code per comprimere il tuo ciclo di ricerca come fanno i quant istituzionali, l'architettura completa della pipeline agente che puoi costruire oggi con strumenti pubblicamente disponibili, e l'unico strato di cui ogni sistema di trading AI ha bisogno che nessun modello può fornire.
Nota: Questo articolo è volutamente lungo. Ogni parte si basa sulla precedente. Se prendi seriamente l'idea di aggiungere un reale vantaggio basato sull'AI al tuo trading sistematico, leggi ogni singola parola. Se cerchi una scorciatoia, questo non fa per te.
Parte 1: L'AI Sostituirà i Quant? La Risposta Che Nessuno Ti Dà
Man Group ha reso pubblico AlphaGPT nel luglio 2025. Bloomberg lo ha riportato per primo. Il sistema genera idee per segnali di trading, scrive il codice di implementazione ed esegue i backtest in modo autonomo. Il senior portfolio manager Ziang Fang ha confermato che diverse dozzine di segnali sono già stati approvati per il trading live dopo aver superato la revisione umana.
Ecco cosa ha detto il team di Man Group: la tecnologia aiuta ad affrontare una sfida crescente nell'investimento quantitativo, ovvero l'enorme volume di dati e possibili relazioni di mercato che è cresciuto più velocemente di quanto qualsiasi team umano possa valutare a mano. Il loro CTO, Gary Collier, lo ha definito una disruption del processo quantitativo stesso.
Questa cornice spiega l'intera situazione. L'AI non sta risolvendo un problema di giudizio. Sta risolvendo un problema di produttività. Un buon team di ricerca potrebbe testare seriamente venti idee di segnale in un trimestre. AlphaGPT ne testa centinaia in una settimana. Le idee che sopravvivono vanno alla revisione umana. Nessuna di esse tocca capitale reale senza che un ricercatore prenda una decisione deliberata al riguardo.
Bridgewater è andata anche oltre. La loro divisione AIA Labs, guidata dal co-CIO Greg Jensen e dal capo scienziato Jasjeet Sekhon di Yale, ha costruito quello che descrivono come un Motore di Ragionamento AI che combina grandi modelli linguistici, machine learning e strumenti di ragionamento per comprendere le relazioni causali nei mercati. Jensen ha detto esplicitamente: "Il grande salto qui è usare l'intelligenza artificiale per generare l'alpha. Questo è un balzo in avanti." Ma anche nella loro implementazione più aggressiva, i professionisti umani supervisionano ancora la gestione del rischio, l'acquisizione dei dati e l'esecuzione delle operazioni. L'AI decide cosa scambiare. Gli umani decidono quanto rischio assumersi.
Jane Street lo dice direttamente sul loro sito web: il deep learning è parte del loro kit di strumenti, non il punto di partenza. Lavorano con decine di migliaia di GPU. I ricercatori sono ancora lì. Le GPU moltiplicano ciò che i ricercatori possono fare.
Il CTO di Citadel, Umesh Subramanian, lo ha detto chiaramente a una conferenza di New York alla fine del 2025: "Non vogliamo che i PM deleghino il loro giudizio di investimento umano all'AI. Questo è uno strumento per accelerare ulteriormente il loro processo di ricerca." Lo stesso Ken Griffin ha detto che, sebbene la tecnologia aumenti l'efficienza, è improbabile che produca rendimenti superiori al mercato da sola.
Il modello è coerente in ogni società che ha reso pubblica la propria implementazione AI. L'AI gestisce le parti in cui velocità e volume contano: generazione di ipotesi, scrittura di codice, backtest iniziale, elaborazione dei dati. Gli umani gestiscono le parti in cui il giudizio conta: valutazione del regime, allocazione del capitale, supervisione del rischio, la decisione di spegnere un sistema quando le condizioni cambiano.
Le società che stanno vincendo non stanno sostituendo i loro quant con l'AI. Stanno rendendo i loro quant 10 volte più veloci. Questo è il modello che dovresti replicare.
Parte 2: I Cinque Casi d'Uso Che Generano Realmente Vantaggio
La maggior parte delle applicazioni AI nel trading produce piccoli miglioramenti che i costi di transazione cancellano nel giro di pochi mesi. Cinque di esse producono vantaggi strutturali che le migliori società hanno pubblicamente confermato di utilizzare in produzione.
Caso d'Uso 1: Scoperta Agenica di Segnali
Questo è ciò che Man Group ha costruito con AlphaGPT. L'architettura esegue quattro agenti separati in un ciclo. Il primo genera un'ipotesi di segnale dai dati. Il secondo scrive la logica esatta e il codice di implementazione. Il terzo agisce puramente come sfidante il cui compito è trovare ogni motivo per cui il segnale potrebbe essere falso, sovradattato o economicamente insostenibile. Il quarto valuta il backtest e decide se il segnale vale la pena di essere inviato alla revisione umana.
Man Group lo ha descritto con le loro stesse parole: il sistema si comporta molto come una vera società, un gruppo di team. Una persona propone. Un'altra sfida. Una terza valuta. Gli agenti eseguono questo ciclo su centinaia di idee simultaneamente. Quelle che sopravvivono alla revisione avversaria vanno a un ricercatore. Le altre vengono scartate.
Man Group ha anche evidenziato i rischi incontrati durante lo sviluppo. Allucinazioni, lookahead bias, problemi di test multipli e molte altre questioni. Il loro modello di ragionamento registra ogni decisione in ogni fase, fornendo una trasparenza totale che i processi guidati dall'uomo non sempre offrono.
Caso d'Uso 2: Estrazione di Segnali da Dati Alternativi
Point72 utilizza modelli NLP per analizzare le trascrizioni delle chiamate sugli utili e convertirle in segnali strutturati che alimentano direttamente le strategie sulle opzioni. Two Sigma utilizza il machine learning per estrarre segnali da immagini satellitari e dati macroeconomici. Hudson Labs, una società specializzata in questo settore, mette a punto l'AI per separare gli utili effettivi dichiarati dalle guidance future, risolvendo il problema dell'AI che confonde i dati storici con le proiezioni.
Il modello è lo stesso ovunque. Le informazioni non strutturate vengono convertite in segnali numerici precisi. Il vantaggio deriva dall'AI che elabora simultaneamente ogni trascrizione, ogni documento, ogni dato disponibile e produce un output quantificato coerente.
Per un trader sistematico, la versione più immediatamente accessibile è l'analisi delle chiamate sugli utili. Le trascrizioni sono pubbliche. Ecco la struttura di estrazione di livello produttivo esatta:
L'output è un numero, non un paragrafo. Quel numero confluisce direttamente nel tuo modello di dimensionamento della posizione.
Caso d'Uso 3: Backtesting Accelerato dall'AI
Il collo di bottiglia più grande nella ricerca sistematica non è la mancanza di idee. È il tempo che intercorre tra l'avere un'idea e sapere se ha una reale validità storica. Un ricercatore che dimezza quel ciclo testa il doppio delle strategie all'anno. In cinque anni, questa differenza di produttività è decisiva.
Il flusso di lavoro che sfrutta al massimo questo aspetto è preciso fin dall'inizio. Descrivi le specifiche complete della strategia prima che venga scritta una singola riga di codice. Condizione di entrata, condizione di uscita, regola di dimensionamento della posizione, periodo di detenzione, ipotesi sui costi di transazione e metodo di validazione. La precisione nella descrizione produce precisione nell'output.
Caso d'Uso 4: Test di Significatività Monte Carlo
Ogni backtest standard utilizza un solo percorso attraverso la storia. Un percorso non è sufficiente per sapere se il tuo risultato riflette un vantaggio genuino o la sequenza specifica di eventi nella tua finestra di test.
La simulazione Monte Carlo genera migliaia di percorsi possibili e mostra l'intera distribuzione dei risultati. Il risultato del quinto percentile, il drawdown massimo atteso e la probabilità di una perdita superiore alla tua soglia di rischio. Questi tre numeri determinano la dimensione della tua posizione prima che qualsiasi capitale venga impegnato. Eseguirli attraverso un livello AI che interpreta i risultati in linguaggio semplice, dicendoti cosa significano per la tua specifica tolleranza al rischio, è il modo in cui i fondi istituzionali traducono l'output della simulazione in decisioni di allocazione.
Caso d'Uso 5: Dimensionamento della Posizione Consapevole del Regime
Qui è dove il framework delle Catene di Markov dell'articolo precedente si collega direttamente al livello AI. Il modello di regime ti dice dove si trova il mercato e la probabilità che transiti. L'AI sintetizza quel segnale con il tuo drawdown attuale, la tua stima di volatilità realizzata e la forza del tuo segnale per produrre una raccomandazione di posizione coerente con tutti gli input.
Una dimensione della posizione corretta in un regime di trend a bassa volatilità è quasi certamente troppo grande in un regime di crisi ad alta volatilità. Nessun singolo input ti dice la dimensione giusta. La sintesi di tutti e quattro sì.
Compiti per casa: Classifica questi cinque casi d'uso in base a quale avrebbe l'impatto più immediato sulla tua ricerca attuale. Quella classifica ti dice esattamente da dove iniziare.
Parte 3: Competenze di Claude Code e gli Strumenti Esatti Usati in Produzione
Man Group ha dichiarato pubblicamente che Claude ha migliorato significativamente l'efficienza delle attività di codifica per i loro tecnologi quantitativi. Questo viene dall'annuncio della loro partnership con Anthropic. Ma Claude Code non è solo un chatbot che scrive codice. È un ambiente di codifica agente che funziona nel tuo terminale, legge i tuoi file ed esegue codice sulla tua macchina.
Il vero potere deriva dalle competenze (skills). Si tratta di file di istruzioni SKILL.md che funzionano come ricette, dicendo a Claude esattamente come affrontare un compito specifico. Installane una e Claude si trasforma in uno specialista per quel dominio.
Ecco le competenze verificate disponibili in questo momento che contano per i trader sistematici.
La competenza Backtesting Frameworks costruisce architetture di backtesting sia event-driven che vettorializzate ad alta velocità. Implementa l'analisi walk-forward, i test out-of-sample e la modellazione realistica dei costi di transazione, inclusi slippage e commissioni. È stata costruita specificamente per eliminare il lookahead bias e il survivorship bias, i due errori che gonfiano quasi ogni backtest al dettaglio. La competenza gestisce flussi di lavoro di ottimizzazione multi-periodo e supporta parametri di backtest personalizzabili su qualsiasi periodo di tempo.
La competenza Quant Trading and Backtesting va più in profondità. Include il rilevamento automatico dei bordi taglienti (Sharp Edge detection), che identifica gli errori specifici di backtesting che fanno sembrare le strategie redditizie nella ricerca e fallire immediatamente nei mercati live. Ricerca di fattori e alpha mining su dimensioni di valore, momentum e qualità. Dimensionamento della posizione basato sul Criterio di Kelly. E modelli completi di sviluppo di strategie per trend following, mean reversion e statistical arbitrage.
La competenza Quantitative Research abilita standard di validazione di livello istituzionale. Sviluppo di strategie, generazione di alpha, modellazione di fattori e tecniche di statistical arbitrage con metodologie di stress testing integrate. Risolve il problema specifico di distinguere i segnali alpha genuini dagli artefatti statistici.
La competenza Market Data Pipeline gestisce lo strato di acquisizione dati completo. Standardizza il modo in cui Claude recupera e struttura i dati di mercato dai fornitori, normalizza le risposte in DataFrame con nomi di colonna standard, applica aggiustamenti per azioni societarie per l'analisi storica e memorizza nella cache i risultati per evitare chiamate API ridondanti. I dati di scarsa qualità sono il killer silenzioso dei backtest. Questa competenza rende la gestione dei dati deterministica.
Esiste anche una competenza per il monitoraggio dei segnali in tempo reale che chiude il ciclo dalla ricerca alla distribuzione. Recupera dati in tempo reale, mantiene una finestra mobile di barre, ricalcola gli indicatori su ogni nuova barra, valuta le condizioni del segnale e invia avvisi. Non esegue mai ordini direttamente. Emette solo il segnale. Quel design è intenzionale.
Il flusso di lavoro che estrae il massimo valore segue un ordine specifico.
Primo, specifica la strategia completamente in un linguaggio preciso prima di chiedere a Claude Code di costruire qualsiasi cosa. Secondo, specifica i requisiti di validazione in modo esplicito: validazione walk-forward, minimo 252 giorni di trading nel campione, costi di transazione di almeno dieci punti base per operazione. Terzo, tratta l'output come una bozza per la tua revisione. Il codice funzionerà. Il backtest produrrà numeri. Il tuo compito è valutare se quei numeri riflettono un vantaggio genuino o una coincidenza statistica.
L'AI gestisce l'implementazione in modo che tu ti concentri interamente sull'ipotesi e sulla valutazione. Il lavoro intellettuale non scompare. Si concentra sulle parti che richiedono effettivamente una mente addestrata.
Parte 4: Costruire la Pipeline Completa Da Zero
Man Group non ha costruito AlphaGPT in un fine settimana. Ma l'architettura non è proprietaria. È un flusso di lavoro multi-agente applicato a un problema specifico. La struttura centrale è replicabile oggi usando Claude Code e l'API Anthropic.
La pipeline ha sei fasi. Nessuna può essere saltata.
Fase 1: Acquisizione Dati e Ingegneria delle Feature. La qualità dei tuoi dati fissa il limite massimo per tutto ciò che segue. I dati di scarsa qualità non generano errori. Producono backtest che sembrano fantastici e crollano nei mercati live. Il survivorship bias, i prezzi non aggiustati, le azioni societarie mancanti sono errori silenziosi che gonfiano i rendimenti senza annunciarsi. Il livello AI prende i tuoi dati puliti e genera un riepilogo statistico strutturato dell'ambiente attuale: volatilità realizzata su diversi orizzonti temporali, segnali di momentum, pattern di volume, indicatori di regime.
Fase 2: Generazione di Ipotesi di Segnale. Il primo agente riceve il riepilogo dei dati e genera un'ipotesi specifica e testabile. Un'ipotesi che dice "scambia il momentum" non è un'ipotesi. Un'ipotesi che dice "vai lungo quando il rendimento a 20 giorni supera una deviazione standard della distribuzione dei rendimenti mobili a 60 giorni e la volatilità realizzata attuale è inferiore alla sua mediana a 90 giorni" è un'ipotesi. L'agente genera anche la logica economica e le condizioni specifiche in cui ci si aspetterebbe che il segnale smetta di funzionare.
Fase 3: Sfida Avversaria. Questa è la fase che la maggior parte dei quant al dettaglio salta completamente e la fase che separa AlphaGPT dai consigli di trading dei chatbot. Un agente separato riceve l'ipotesi e il suo unico ruolo è distruggerla. Il segnale è calcolabile a partire dai dati disponibili al momento dell'operazione? La logica economica è coerente o è una storia costruita a posteriori? È valido in diversi regimi? Quale evento macro lo farebbe fallire?
Fase 4: Backtest Walk-Forward. In ogni punto nel tempo, ogni parametro del modello è stimato utilizzando solo i dati storici disponibili fino a quel punto. Il modello non vede mai dati futuri. Questo singolo requisito elimina la fonte più comune di performance di backtest gonfiate.
Fase 5: Test di Significatività Statistica. Genera la serie di rendimenti di una strategia casuale con proprietà statistiche corrispondenti mille volte. Se il tuo Sharpe ratio effettivo si trova nel cinque percento superiore di quella distribuzione, hai la prova di un vantaggio genuino. In caso contrario, hai la prova di un pattern matching sul rumore.
Fase 6: Cancello di Revisione Umana. Questa fase non può essere automatizzata. Nessun segnale tocca capitale reale senza che un ricercatore lo valuti. Man Group, Bridgewater, Citadel e Jane Street lo hanno confermato tutti pubblicamente.
Sei fasi. Cinque automatizzate. Una sempre umana.
Lo strato di monitoraggio del deployment di cui ogni sistema ha bisogno:
Definisci le soglie prima di iniziare a fare trading. Il momento peggiore per prendere quella decisione è quando il sistema sta già sottoperformando. L'output è un segnale per la revisione umana, non uno spegnimento automatico. Il segnale di regime della Catena di Markov dell'articolo precedente alimenta direttamente questo strato di monitoraggio come trigger aggiuntivo.
Parte 5: Prima dell'AI vs Dopo l'AI e il Flusso di Lavoro di Produzione Completo
Prima dell'AI: Un'idea nasceva dalla lettura di un articolo o dall'osservazione di un'anomalia di mercato. Scrivere l'implementazione richiedeva ore, a volte giorni. Impostare un backtest corretto con validazione walk-forward richiedeva tempo aggiuntivo. Il numero di idee che un singolo ricercatore poteva testare seriamente in un anno era gravemente limitato. La selezione delle idee avveniva prima del test, piuttosto che a causa del test. La gestione del rischio era un passaggio manuale separato. Il dimensionamento della posizione veniva calibrato per intuizione e aggiustato dopo il fatto, quando i drawdown superavano le aspettative.
Dopo l'AI: Il tempo tra un'idea e una valutazione rigorosa si è compresso da giorni a ore. Quando i test sono veloci, puoi permetterti di testare idee che sembrano meno certe. Puoi eseguire una revisione avversaria sulle tue stesse ipotesi prima di investire tempo a svilupparle. Puoi generare una dozzina di varianti di un segnale promettente e testarle tutte l'una contro l'altra invece di sceglierne una per intuizione.
Man Group lo ha descritto precisamente: la tecnologia li aiuta a testare più idee. La soglia di qualità per ciò che viene inviato a un ricercatore è aumentata perché l'AI pre-filtra i modi comuni di fallimento. I ricercatori dedicano tempo alla valutazione di segnali che hanno già superato un processo di sfida automatizzato, piuttosto che dedicare quel tempo al lavoro di implementazione.
I dati alternativi che in precedenza richiedevano team di data science dedicati sono ora accessibili attraverso pipeline di estrazione NLP costruite in poche ore. Trascrizioni di utili, documenti normativi e rapporti macroeconomici possono essere convertiti in segnali strutturati in modo continuo.
Il dimensionamento della posizione non è più un passaggio manuale separato. È integrato con il rilevamento del regime dello strato delle Catene di Markov, la stima della volatilità dello strato GARCH e la forza del segnale della strategia corrente, producendo una raccomandazione di posizione coerente con tutti gli input simultaneamente.
Il flusso di lavoro di produzione completo: La ricerca funziona in background in modo continuo. La pipeline agente genera e testa ipotesi di segnale, scarta quelle che falliscono la revisione avversaria e invia i sopravvissuti alla valutazione umana. I segnali approvati entrano in paper trading monitorati quotidianamente rispetto alle aspettative out-of-sample. I segnali che si mantengono passano a una piccola allocazione live. La dimensione della posizione cresce solo quando la performance conferma le aspettative. Qualsiasi deviazione significativa innesca una revisione umana immediata.
Jane Street descrive la sfida centrale sul loro sito web: i mercati subiscono frequenti cambiamenti strutturali in reazione a pandemie, elezioni, regolamentazioni e cambiamenti nel comportamento collettivo. Identificare quando si è verificato uno di questi cambiamenti è l'unico compito in cui il giudizio umano è più insostituibile.
Compiti per casa: Prima di distribuire qualsiasi segnale generato dall'AI in un ambiente live, scrivi tre condizioni che ti faranno smettere di fare trading e revisionare il sistema. Scrivi questo prima di iniziare. Il momento in cui un sistema sta sottoperformando è il momento peggiore per prendere quella decisione per la prima volta.
Il Riepilogo
L'AI non prevede i mercati. Ciò che fa è comprimere il tempo tra un'idea di trading e un test rigoroso di quell'idea da giorni a ore. Esegue una revisione avversaria che la maggior parte dei trader sistematici non applica mai alle proprie ipotesi. Scala la produttività di ricerca di un singolo quant a qualcosa che in precedenza richiedeva un intero team.
Man Group lo ha detto dopo aver reso pubblico AlphaGPT: i LLM hanno accelerato significativamente il ritmo del cambiamento. Ma i loro quant sono ancora lì. Ogni segnale che raggiunge il capitale è stato approvato da un ricercatore.
Bridgewater è andata anche oltre, costruendo un fondo da 2 miliardi di dollari in cui l'AI è il decisore principale mentre gli umani supervisionano il rischio e l'esecuzione.
Jane Street ha investito 6 miliardi di dollari in infrastrutture GPU per moltiplicare ciò che i loro ricercatori possono fare, non per sostituirli.
L'AI ha dato loro scala. Il giudizio è ancora umano.
Ora hai gli stessi mattoni fondamentali. L'architettura della pipeline agente. Le competenze di Claude Code per backtesting, generazione di segnali e monitoraggio. Il framework di estrazione NLP per dati alternativi. Il test di significatività Monte Carlo. Il dimensionamento della posizione consapevole del regime. E il cancello di revisione umana che mantiene vivo il sistema quando i mercati si muovono in modi che nessun dataset storico conteneva mai.
Ecco la domanda su cui voglio che rifletti.
Man Group testa centinaia di segnali con AlphaGPT e invia i sopravvissuti alla revisione umana. Bridgewater ha costruito un fondo da 2 miliardi di dollari in cui l'AI è il decisore principale. Jane Street addestra modelli su petabyte di dati con decine di migliaia di GPU. Two Sigma estrae vantaggio da dati alternativi che la maggior parte dei trader non ha mai considerato.
Se potessi costruire solo una di queste capacità come trader sistematico che lavora in modo indipendente, quale sceglieresti e perché?
La tua risposta rivela esattamente dove credi che risieda la fonte del vantaggio sistematico nei mercati moderni.
Lasciala nei commenti. Non esiste una risposta sbagliata. Ma ce ne sono alcune molto rivelatrici.
