La storia dei motori analitici di TyBuff — raccontata con trasparenza, senza svelarne la formula.
La maggior parte degli strumenti di trading basati sull'AI addestra un modello per ogni strumento sulla sua storia. È il modo più rapido per sembrare brillante in un backtest — e il modo più sicuro per fallire al di fuori di esso, perché il modello ha memorizzato un singolo passato invece di imparare come si comportano i mercati. I motori di TyBuff sono stati costruiti fin dal primo giorno secondo l'approccio opposto: durante la loro formazione non hanno mai visto una singola azione reale. Quello che segue descrive la struttura di quel processo. Le tecniche precise, i parametri e i dataset sono segreti commerciali — ma vale la pena raccontarne la struttura, perché spiega perché i motori si comportano nel modo in cui lo fanno.
Tutto è iniziato dalla data science, non dalla previsione dei prezzi: un campione di azioni selezionate per essere statisticamente e settorialmente diverse tra loro — scelte per quanto differente fosse il loro comportamento, non per quanto bene avessero performato.
Da porzioni randomizzate di quei comportamenti, abbiamo generato centinaia di milioni di serie storiche sintetiche dei prezzi — mercati che non sono mai esistiti, ma che statisticamente avrebbero potuto esistere. È questo il passaggio che elimina la memorizzazione: non esiste alcun ticker reale su cui il modello possa fare overfitting.
Il clustering basato sul machine learning e la cross-validation sistematica hanno analizzato quell'universo sintetico alla ricerca di famiglie coerenti di comportamento del mercato — pattern che persistono per il modo in cui funzionano i mercati, non per ciò che ha fatto un singolo titolo in un determinato decennio.
Il processo è convergito su quindici logiche analitiche distinte e internamente coerenti. Ognuna è diventata un motore. Nessuna è stata progettata manualmente attorno a una particolare narrativa di mercato — ognuna si è guadagnata il proprio posto superando il processo di clustering e validazione.
Solo allora i motori sono stati messi alla prova sui dati di mercato reali — l'intera serie storica, mai vista durante la fase di formazione. Ogni logica ha dovuto dimostrare la propria coerenza su quei dati prima di guadagnarsi un posto nella piattaforma. Quelle che utilizzi oggi sono quelle che hanno superato questa prova.
Rendiamo pubblica la struttura del processo — mai la formula.
Le tecniche specifiche, i parametri, i dataset e le soglie di validazione sono segreti commerciali proprietari e non vengono divulgati.
Poiché nessuno strumento reale è stato memorizzato, gli stessi motori applicano un'unica prospettiva analitica coerente ad azioni, ETF e crypto — nessun riaddestramento per singolo asset, nessuna eccezione per singolo asset.
L'overfitting viene solitamente contrastato con disciplina a posteriori. Qui è stato eliminato alla radice: non puoi fare overfitting su una specifica storia sulla quale non hai mai addestrato il modello.
Il comportamento dei motori è sottoposto a controllo di versione e congelato. Qualsiasi modifica a un motore deve riprodurre esattamente i risultati precedentemente verificati — fino all'ultima cifra decimale — prima di essere rilasciata. Le tue strategie salvate restano riproducibili.
I motori valutano universi costruiti su dati point-in-time: a ogni data storica vengono considerati solo gli strumenti che esistevano realmente in quel momento — compresi quelli successivamente delistati. Nessun survivorship bias, nessun vantaggio del senno di poi.