Quali sono i limiti del Rischio Algoritmico?

Definizione: cosa significa “Rischio Algoritmico”

Il Rischio Algoritmico è l’incertezza che sorge quando un approccio di trading algoritmico produce risultati diversi da quelli previsti dai suoi ideatori, dagli utenti o dai backtest. In termini semplici, è la probabilità che le regole all’interno dell’algoritmo, insieme alle condizioni di trading reali, non si comportino come previsto.

Il Rischio Algoritmico è spesso discusso come una categoria di rischio di modello ed esecutivo. L’idea principale è che le “prestazioni dell’algoritmo” non dipendono solo dalla logica della strategia, ma anche dagli input, dalla struttura del mercato e dalle frizioni di trading come i costi di transazione. Poiché questi elementi possono cambiare, il Rischio Algoritmico può persistere anche quando il codice dell’algoritmo rimane invariato.

Come funziona: meccaniche e assunzioni

Per comprendere i limiti, è utile separare le meccaniche stabili dalle condizioni variabili.

Meccaniche stabili sono elementi come le regole decisionali dell’algoritmo (ad esempio, come calcola i segnali dai dati), i suoi controlli di rischio (ad esempio, le regole di dimensionamento della posizione) e il modo in cui invia gli ordini (ad esempio, logica di mercato rispetto a limite). Questi aspetti possono essere deterministici dati gli stessi input.

Condizioni variabili includono l’ambiente di mercato e l’infrastruttura (“plumbing”) relativa all’esecuzione. Anche senza presupporre dati di mercato in tempo reale, il concetto dipende comunque da assunzioni come:

• I dati utilizzati per eseguire l’algoritmo corrispondono a quelli utilizzati per validarli.
• Il comportamento degli ordini dell’algoritmo porta a esecuzioni comparabili.
• I costi e i vincoli sono simili a quelli ipotizzati nella valutazione.
• La relazione tra input e risultati rimane abbastanza stabile.

Se una di queste assunzioni è errata o solo parzialmente vera, il Rischio Algoritmico aumenta. Un limite fondamentale è che molte valutazioni assumono implicitamente condizioni che in seguito non si verificano.

Evidenze ed esempi: dove spesso vengono meno le aspettative

Consideriamo uno scenario semplificato con assunzioni esplicite.

• Assunzione A: Una relazione storica tra un input e i futuri cambiamenti di prezzo è stabile.
• Assunzione B: I costi di transazione e lo slippage sono ridotti e approssimativamente costanti.
• Assunzione C: L’esecuzione degli ordini produce esecuzioni simili a quelle ipotizzate nella valutazione.

Se l’Assunzione A si indebolisce a causa di un cambiamento nel regime di volatilità di mercato, la logica interna dell’algoritmo potrebbe continuare a prendere lo stesso tipo di decisione, mentre il mercato non risponde più come faceva durante la valutazione. Se falliscono l’Assunzione B o C, anche decisioni corrette possono tradursi in risultati peggiori a causa di differenze nei costi e nella qualità delle esecuzioni rispetto alle aspettative.

Questo illustra un limite pratico: i risultati storici non si trasferiscono automaticamente al futuro, poiché l’ambiente e i vincoli che hanno generato i dati storici potrebbero non riprodursi.

Limiti e rischi: modalità di fallimento da considerare

Il Rischio Algoritmico è meno utile come singola metrica precisa quando viene trattato come se fosse costante o prevedibile. Le comuni modalità di fallimento includono:

1. Squilibrio tra modello e mercato L’algoritmo potrebbe basarsi su relazioni valide solo in determinati regimi di mercato. Quando la liquidità, la volatilità o il comportamento dei partecipanti cambiano, la relazione può deteriorarsi.

2. Sensibilità all’esecuzione e ai costi Anche piccole differenze negli spread, nello slippage o nei costi di transazione possono alterare significativamente i risultati, specialmente per strategie che operano frequentemente o si affidano a margini di guadagno molto stretti.

3. Assunzioni di valutazione non replicate I backtest e le simulazioni possono differire dal trading reale a causa della qualità dei dati, dei tempi, delle assunzioni sul riempimento degli ordini e dei vincoli. Se la valutazione assume esecuzioni ideali o esclude certe frizioni, le prestazioni apparenti possono essere sovrastimate.

4. Non stazionarietà I mercati sono dinamici. Le “regole che hanno funzionato nel periodo precedente” potrebbero non funzionare nel prossimo, anche se l’algoritmo non cambia. Questo limita la fiducia che un utente può ragionevolmente riporre nelle aspettative future.

5. Overfitting ai dati passati Se un algoritmo è troppo ottimizzato sui dati storici, potrebbe performare bene sui campioni passati ma fallire in nuove condizioni.

Verifica: cosa puoi controllare autonomamente

Il Rischio Algoritmico è meglio compreso verificando le assunzioni alla base del comportamento atteso di un algoritmo. Controlli indipendenti possono includere:

• Confermare che gli input decisionali dell’algoritmo nella valutazione corrispondano a quelli che riceverà in condizioni operative reali.
• Verificare se la valutazione include costi realistici e un comportamento di esecuzione plausibile.
• Esaminare se il periodo di valutazione copre diverse condizioni di mercato e non un regime troppo ristretto.
• Testare la robustezza variando le assunzioni, piuttosto che affidarsi a uno scenario ottimistico.

Un limite del concetto stesso è che non può eliminare l’incertezza.