I bot di trading su crypto e i nuovi agenti AI promettono automatismi e disciplina, ma dietro grafici impeccabili spesso si nascondono bias, costi non modellati e fragilità operative. Senza un metodo rigoroso, l’illusione di rendimento può durare fino al primo mercato turbolento. Qui si propone un approccio concreto che mette al centro backtesting realisticometriche robuste controllo dell’overfitting qualità dell’esecuzione via API e regole di risk management con criteri chiari di disattivazione.
Il cuore è separare ciò che è ripetibile da ciò che è accidentale. Un modello che funziona fuori campione, resiste a latenza e slippage gestisce errori API e tiene conto di commissioni e funding, vale più di qualunque curva perfetta. La valutazione deve essere riproducibile, documentata e orientata alla protezione del capitale, non alla massimizzazione del P&L ex post.
Backtest realistico: dati, costi e latenza
Un backtest accurato parte da dati puliti e coerenti con il livello di esecuzione: per strategie ad alta frequenza servono tick o order book per strategie lente bastano candles con bid/ask. Vanno inclusi commissionislippage dinamico, funding dei perpetual, borrow fees per short, tasse quando rilevanti e latenza media attesa. Evitare il look-ahead bias usare solo informazioni disponibili al tempo della decisione, con time-stamp coerenti e segnali scattati alla chiusura barra successiva.
Testare su più regimes di mercato (trend, laterale, alta volatilità) e inserire limiti operativi reali: rate limit delle API, quantità minima di lotto, partial fill rifiuti d’ordine, circuit breakers dell’exchange. Utili simulazioni Monte Carlo degli eseguiti per stressare l’impatto del slippage. Ogni scelta deve essere tracciata: versione del dataset, parametri, seed, commit del codice, così che il risultato sia riproducibile e auditabile.
Metriche che contano: Sharpe, Sortino e max drawdown
Una curva di equity non basta. Valutare distribuzione dei rendimenti e rischio di perdita. Pilastri: Sharpe e Sortino annualizzati, max drawdown e durata del drawdown, Calmar (return/DD), hit rate profit factor e skew/kurtosis. Includere turnover e costo medio per trade per capire la sensibilità ai costi. Le metriche vanno calcolate out-of-sample e, se possibile, in paper trading live prima dei fondi reali.
Tre soglie operative utili:
- Sharpe minimo: ≥ 1 su base annuale in out-of-sample per strategie intraday; più basso per trend following, più alto per HFT.
- Max drawdown accettabile: definito in % del capitale, con durata massima; oltre la soglia scatta lo stop.
- Stabilità performance simili su exchange diversi e su perimetri di coin correlati; grandi divergenze indicano fragilità.
Overfitting e robustezza: come evitarli
L’overfitting è il nemico invisibile. Servono walk-forward analysis con finestra di training e test che scorre, cross-validation a blocchi temporali (non casuale), test di parameter stability (griglia attorno all’ottimo: la zona deve essere piatta, non un picco). Aggiungere rumore ai dati e agli eseguiti, eseguire bootstrapping dei rendimenti e ripetere il backtest con semi diversi: la strategia valida mantiene un ordine di grandezza simile delle metriche.
Limitare la complessità: numero di parametri proporzionato ai dati disponibili; preferire feature interpretabili e con motivazione economica. Per agenti AI che generano segnali, imporre vincoli: whitelist di mercati, orari, risk budget per episodio, e template di output idempotenti. Documentare le regole di fallback quando il modello è fuori dominio, deve ridurre la size o passare a modalità sicura.
Gestione API ed esecuzione: dal paper al mercato
Il passaggio critico è l’execution. Gestire con cura rate limitsretries con exponential backoff idempotency keys per evitare doppi ordini, e sincronizzazione di nonce/timestamp. Verificare le order types supportate, gestire partial fills cancellazioni e sostituzioni. Integrare controlli sulle quantità disponibili, margine e rischio per posizione. Logger strutturati e alerts in tempo reale su errori, slippage fuori banda e drift delle metriche.
Con più exchange: normalizzare precisioni e lotti, astrarre le API per ridurre dipendenze, testare in sandbox quando disponibile. Per gli agenti AI includere un human-in-the-loop per trade ad alto impatto e policy di red teaming contro prompt injection se l’agente legge fonti esterne. Backup di network e failover del broker devono essere parte del piano, con runbook operativo e playbook per incidenti.
Risk management, costi nascosti e criteri di stop
La dimensione posizione va definita con regole rigide. Usare volatility targeting o frazione di Kelly limitata (es. 0,25–0,5) con cap per trade e per asset. Imporre stop loss tecnici o percentuali, time-based stops su trade stagnanti, e limiti di correlazione per evitare sovrapposizioni. Introdurre circuit breakers perdita giornaliera, settimanale e mensile massima, oltre la quale il bot si ferma automaticamente e richiede revisione.
I costi nascosti erodono i margini: withdrawal feesfunding variabile, borrow su prestiti, costi infrastrutturali (dati, server, proxy), slippage durante news, e differenze tra mark/last. Definire criteri di disattivazione: tre elementi minimi
- Performance Sharpe sotto soglia o max drawdown oltre limite.
- Esecuzione slippage mediano o tasso di rifiuto ordini oltre banda.
- Integrità drift dei segnali, anomalie nei dati, o errori API ripetuti.
La riattivazione richiede analisi post-mortem, aggiornamento del modello e un nuovo ciclo di backtest e paper trading.
