Prima di lasciarvi all’interessante analisi di Francesco Federici (uno dei nostri architetti di strategie quantitative ed AI-driven che alimentano i Gandalf Oracles), desidero fare un paio di premesse.

Da novembre 2024, anche grazie al lavoro fatto insieme a Michael Trequattrini (architetto di strategie e Quantitative Researcher), abbiamo lanciato il Volatility Forecaster (consultate la nostra sezione articoli per approfondimenti), una previsione settimanale della volatilità futura dei 100 asset a maggiore capitalizzazione dell’S&P500. Da allora, ogni settimana, un insieme di modelli di AI, alimentati da dataset differenti, concorre a creare un’unica predizione di sintesi per ciascuno degli asset per la settimana successiva (questa informazione è ad oggi gratuita e per riceverla è sufficiente scrivere ad info@gandalfproject.com). Questo dato può essere uno strumento estremamente utile e versatile in svariate applicazioni finanziarie, dalla composizione di portafogli di asset allocation, fino all’operatività in opzioni (dove si può comprare e vendere volatilità).

Il Volatility Forecaster costituisce il primo “oracolo” dei Gandalf Oracles, che oggi non predicono più soltanto la volatilità, ma anche la direzione (va detto con un’incertezza maggiore), il ranking di forza relativa e gli scenari di mercato su diversi orizzonti temporali. Proprio grazie ad una ricerca costante e meticolosa, stiamo lavorando per rendere questi strumenti davvero competitivi e, per farlo, li abbiamo allestiti in modo centralizzato, approvvigionando i nostri agenti con pletore di strategie eterogenee che controlliamo da quando nascono a quando muoiono. Alcune di queste strategie derivano dal Machine Learning più tradizionale (Ensemble Methods, Deep Neural Networks, Spiking Neural Networks ecc.), altre hanno matrice genetica (Genetic Asset Management), altre ancora derivano dal Reinforcement Learning o dal Generative AI.

La chiave è che oggi è possibile ideare e realizzare una elevata diversificazione, gestendo i singoli modelli concorrenti, monitorandone la qualità nel tempo e conservando un controllo diretto su ciascuno di essi.

L’apparente mancanza di limitazioni (oggi con gli LLM si può passare da un paper accademico ad un codice operativo in modo rapido) e la potente scalabilità (non solo numerica) dei modelli sintetizzati, deve tuttavia fare i conti con gli stessi demoni di sempre: la de-correlazione dei modelli, la liquidità degli strumenti di applicazione ed i costi di esercizio delle strategie finali.

Di seguito Francesco Federici ci aggiorna sulle performance reali di uno di questi agenti, in monitoring e sul mercato da settembre 2025.

Non mi dilungo ulteriormente e vi lascio alla lettura

Giovanni Trombetta
Head of R&D
Gandalf Project

Gandalf Oracles – Asset Allocation

Aggiornamento Live Trading – 25 Settimane

Settembre 2025 – Febbraio 2026

“Si può guadagnare se il mercato non sale?”

Questa è la domanda che ci siamo posti e a cui il mercato sta, in parte, rispondendo per noi. Nelle ultime tre settimane l’S&P 500 è passato da +6.73% a +5.91% rispetto all’inizio del nostro track record.

È sceso.

Il benchmark che tutti seguono ha restituito una parte dei guadagni. E la nostra strategia? È passata da +12.33% a +14.11%.

Ha subito un’ulteriore accelerazione.

Questo aggiornamento, a 25 settimane, racconta esattamente questo: cosa succede quando il mercato si ferma, torna indietro, diventa laterale ed un sistema sembra in grado di continuare a generare alpha.

1. Il Paradosso: Mercato Piatto, Strategia in Accelerazione

Chi opera sui mercati sa bene che la maggior parte delle strategie long-only vive e muore con il benchmark. Se l’S&P sale, tutti festeggiano. Se scende o rimane laterale, i portafogli soffrono. È la realtà dei beta player: esposti al mercato, dipendenti dalla sua direzione.

I Gandalf Oracles cercano di giocare ad un’altra partita. E le ultime 3 settimane di operatività lo hanno dimostrato in modo ancora più evidente di prima (sappiamo bene come questo non sia ancora sufficiente, ma costituisca comunque un primo segnale da monitorare).

Evoluzione delle Metriche Chiave

Mentre il benchmark ha ceduto quasi un punto percentuale (-0.82%), la strategia ha aggiunto quasi 2 punti (+1.78%). Il gap di outperformance è esploso da +5.60% a +8.20%. E lo Sharpe è salito a 2.30. In un momento in cui il mercato arretra, la nostra efficienza risk-adjusted migliora.

Il mercato scende, la strategia accelera. L’outperformance è più che raddoppiata in 3 settimane: da +5.60% a +8.20%. Questo non è semplice esposizione direzionale al mercato. È una componente di rendimento che, nel modello adottato, non risulta spiegata dal beta.

2. Perché Funziona Quando il Mercato Non Si Muove?

La risposta sta in tre numeri che raccontano una storia piuttosto chiara:

β = 0.11

Beta contenuto – Bassa esposizione direzionale al mercato

Alpha +18.73%

Indica che, nel campione analizzato e secondo il modello lineare utilizzato, il rendimento non è spiegato dall’esposizione al mercato, ma dalla capacità dell’agente nel selezionare le baseline corrette.

Convexity +20.88

Il valore stimato indica la presenza, nel campione osservato, di una componente non lineare positiva nella relazione con il mercato. In termini semplici, la strategia mostra una sensibilità che non è puramente lineare: la risposta ai movimenti dell’indice non cresce in modo proporzionale, ma evidenzia una dinamica più articolata.

La regressione con termine quadratico suggerisce quindi una possibile risposta asimmetrica ai movimenti di mercato, pur trattandosi di una strategia long-only, senza utilizzo di derivati, leva finanziaria o posizioni short.

LOW BETA PROFILE CON SOLO POSIZIONI LONG: con un R² pari a 0.016, solo l’1.6% della varianza dei rendimenti è spiegata dal benchmark nel modello lineare adottato. La gran parte della variabilità osservata non risulta attribuibile al mercato, caratteristica che può renderla interessante in ottica di diversificazione di portafoglio.

3. Confronto Completo: Strategy vs S&P 500 a 25 Settimane

Dopo 25 settimane di operatività live, 158 trade eseguiti autonomamente, il quadro complessivo si è rafforzato su tutti i fronti:

Le metriche sono calcolate su un campione di 25 settimane; la stabilità dei parametri nel tempo richiede validazione su orizzonti più lunghi e differenti regimi di mercato.

Osserviamo il Calmar Ratio (non annualizzato sul periodo di test): 5.22 contro 1.16. Significa che per ogni punto di drawdown massimo sopportato, la strategia ha generato 5.22 punti di rendimento. L’S&P 500 ne genera poco più di uno. Il Calmar è forse una delle metriche più esplicite quando si opera: ti dice quanto dolore devi sopportare per ogni unità di guadagno. Il nostro è 4.5 volte quello del benchmark.

E la volatilità? La strategia ha una volatilità annualizzata dell’8.55%, contro il 9.72% del benchmark. Rendiamo di più, rischiando di meno. Stando ai 158 trade documentati fino ad oggi, con i prezzi reali di Interactive Brokers.

4. Performance Settimanale: Dove Si Nasconde la Consistenza

25 settimane di operatività. 17 positive, 8 negative. Un Win Rate settimanale del 68% che racconta di un sistema che non vince per un colpo fortunato, ma per accumulo sistematico.

La miglior settimana (+$4,997) vale 3.2 volte la peggior settimana (-$1,573). È l’asimmetria favorevole in azione: quando guadagnamo, guadagnamo di più. Quando perdiamo, le perdite sono contenute. Questa caratteristica è il riflesso diretto della convexity positiva che emerge dall’analisi della correlazione.

Le ultime 3 settimane aggiunte sono state: -$97 (settimana debole ma controllata), +$351, +$1,530. Due su tre positive, con l’ultima che ha compensato la prima settimana negativa di un fattore 16x. È così che si accumula alpha: non evitando le perdite, ma compensandole con guadagni asimmetrici.

5. Top e Bottom Performer: La Selezione Conta

L’analisi per ticker rivela come il motore di selezione distribuisce il rischio e cattura le opportunità:

Top 5 Performer

Bottom 5 Performer

TJX resta il leader assoluto con quasi $7,000 di profitto e un win rate dell’80% su 10 trade. Il dato interessante è la diversificazione settoriale dei top performer: Consumer Discretionary, Health Care, Energy, Financials. Non c’è concentrazione su un singolo settore di mercato.

Sul fronte negativo, INTU (Intuit) continua a pesare con -$3,726. Ma il dato chiave è che la somma dei top 5 (+$17,343) supera di gran lunga la somma dei bottom 5 (-$6,651). Il rapporto guadagni/perdite dei migliori vs peggiori è quasi 3:1. Il sistema è in grado di generare alpha.

6. Aggiornamento Slippage: Broker vs Teorico

Nell’articolo precedente avevamo documentato uno dei risultati più contro-intuitivi: lo slippage positivo, il P&L reale che superava quello teorico calcolato sui prezzi Yahoo Finance. Con 3 settimane di dati in più, il quadro si è aggiornato:

Il dato è cambiato: lo slippage è passato da leggermente positivo a leggermente negativo. Questo è più in linea con le aspettative teoriche, nella realtà operativa, è normale aspettarsi un certo costo di esecuzione. Tuttavia, -$6.05 per trade è un valore assolutamente contenuto, specialmente considerando che il P&L medio per trade è di $89.30.

Lo slippage rappresenta circa il 6.8% del P&L medio, un costo di esecuzione irrisorio che conferma la qualità dell’infrastruttura MOO/MOC su Interactive Brokers. Il confronto con Yahoo Finance rimane comunque imperfetto: i prezzi di riferimento differiscono strutturalmente dagli execution price delle aste, e la variabilità trade-by-trade (64 migliori vs 94 peggiori) è fisiologica.

Lo slippage normalizzato (-6.35%) è contenuto e non compromette il profilo di alpha della strategia. Il costo di esecuzione reale è marginale rispetto al rendimento generato.

7. Cosa ci stanno dicendo i Dati

25 settimane. 158 trade. Zero intervento umano. E un messaggio che diventa sempre più chiaro man mano che il track record si allunga:

Non serve che il mercato salga per guadagnare.

Il lavoro che stiamo facendo con i Gandalf Oracles sta dimostrato nei fatti, non in simulazione, che un sistema AI-driven di asset allocation settimanale può generare alpha indipendente dalla direzione del mercato. Con un Beta di 0.11 e un Alpha annualizzato del +18.73%, il sistema rappresenta un caso di studio nel panorama delle strategie quantitative.

Le ultime 3 settimane hanno offerto la dimostrazione più elegante: il benchmark arretra, l’outperformance si allarga, lo Sharpe sale. È esattamente il comportamento che ci si aspetta da una strategia genuinamente decorrelata con il mercato su cui viene applicata.

Naturalmente, 25 settimane restano un campione limitato e le performance passate non sono indicative di risultati futuri. Ma la coerenza tra le previsioni teoriche dell’architettura (decorrelazione, convexity, alpha puro) e i risultati effettivi è un segnale forte. L’agente non sta facendo qualcosa di diverso da ciò per cui è stato progettato, lo sta facendo in modo consistente, trade dopo trade, settimana dopo settimana.

Continueremo a documentare ogni aspetto di questo percorso con la trasparenza che lo ha caratterizzato fin dall’inizio.

Buon trading!
Francesco Federici
R&D Team – Gandalf Project
Febbraio 2026