Greche, trend dell’IV, distanza dagli earnings e caratteristiche del sottostante possono diventare variabili di un modello. Il modello potrebbe stimare la probabilità di una chiusura positiva o il risultato economico atteso. Sono obiettivi diversi, e la scelta influenza quali strutture vengono preferite.
Partire da un riferimento leggibile
Un modello lineare o una regressione logistica offre una base interpretabile. Modelli ad alberi possono catturare interazioni; reti neurali possono rappresentare relazioni più complesse. La maggiore flessibilità aumenta anche la capacità di adattarsi al rumore, soprattutto quando migliaia di righe descrivono poche finestre di mercato realmente indipendenti.
Quali prove chiedere
Confrontiamo i modelli su periodi successivi, misuriamo la calibrazione delle probabilità e controlliamo il risultato dopo i costi. Un miglioramento statistico piccolo non assicura un beneficio economico. Anche una previsione corretta può riguardare uno spread che offre troppo poco credito per compensare le perdite occasionali.
Il ruolo dell’AI nel laboratorio
L’AI è uno strumento di selezione e confronto in sviluppo. Non sostituisce controlli sui dati, limiti di portafoglio o disciplina della validazione. Il laboratorio non presume che una rete neurale sia superiore a un modello semplice: la promozione deve dipendere da prove ripetibili. Mostrare risultati storici e strutture aperte serve proprio a rendere osservabile questa ricerca, senza attribuire a un algoritmo una capacità predittiva stabile prima che sia dimostrata.