← Tutti i progetti
Caso studio · Ricerca quantitativa · Machine learning · Automazione

Cinque modelli di trading competono sul Nasdaq-100. La regola per vincere è stata scritta prima della gara.

Nasdaq Arena è un sistema di ricerca che gira sul mio MacBook. Ogni sera assegna un punteggio ai 102 ticker del Nasdaq-100 con quattro modelli (due modelli ad alberi con gradient boosting, una LSTM e un Transformer) e il loro ensemble. Tutti e cinque sono testati in walk-forward su sette anni mai visti contro scelte casuali, il campione pubblica i sette trade simulati del giorno dopo con stop e target, e ogni sabato l'intera arena viene riaddestrata. Nessun broker, nessun denaro reale, e il suo verdetto di oggi è “nessun vantaggio dimostrato, per ora”.
RuoloDa solo: disegno della ricerca, Python, machine learning, dashboard
RealizzatoNovembre 2026, in esecuzione come servizio in background
Gira suMacBook Pro M1 Pro, server FastAPI gestito da launchd
Tecnologie principaliLightGBM, PyTorch, pandas, FastAPI
Dashboard di Nasdaq Arena in arabo: un banner rosso che dice che non c'è ancora un vantaggio confermato e i sette segnali della prossima seduta con chiusura, stop e target
La dashboard dal vivo, 2 novembre 2026 (interfaccia in arabo). Il banner rosso è il verdetto dell'arena stessa.
5
modelli nell'arena
102
ticker del Nasdaq-100 classificati ogni giorno
13,748
trade fuori campione per modello
t = 1.63
campione contro casuale (serve 2,0)

Panoramica.

Perché costruire un'arena invece di un solo modello brillante.
La domanda

Un modello sa scegliere swing trade migliori del caso?

Non “sa guadagnare in un mercato rialzista”, ma: le sue sette scelte battono sette titoli del Nasdaq presi a caso lo stesso giorno, con stessi stop, target e costi?

La trappola

Ogni backtest sembra buono a chi lo ha scritto

Prova abbastanza varianti e una brillerà per fortuna. Così è costruita la maggior parte dell'AI per il trading, poi venduta con la sua curva migliore.

Il disegno

I modelli competono con regole fisse

Famiglie di modelli diverse affrontano gli stessi anni mai visti, lo stesso trade e una regola di vittoria scritta in anticipo. Il campione va in produzione su carta; il verdetto è stampato accanto ai segnali.

I modelli.

Quattro famiglie e il loro ensemble, con gli stessi input dove è corretto.
Modello 1

LightGBM

Alberi con gradient boosting su 31 variabili di prezzo, volume e mercato note alla chiusura: rendimenti da 1 a 120 giorni, volatilità, ATR, distanza dalle medie a 20, 50 e 200 giorni, RSI, gap, forza relativa contro QQQ, VIX e ranking trasversali.

Modello 2

LightGBM + utili

Gli stessi alberi più il drift post-utili: l'ultima sorpresa, i giorni dalla pubblicazione, la reazione del prezzo e la sua serie. Un report conta solo dal primo giorno in cui il mercato poteva negoziarlo.

Modello 3

LSTM

Una rete ricorrente sugli ultimi 20 giorni × 13 input di ogni titolo, addestrata con PyTorch sulla GPU M1 (Metal).

Modello 4

Transformer

Un encoder a due livelli con posizioni apprese sulla stessa sequenza di 20 giorni, così può confrontare qualsiasi giorno della finestra con qualsiasi altro.

Modello 5

Ensemble

La media dei ranghi percentili giornalieri dei quattro modelli, che elimina le loro diverse scale di punteggio.

I dati

Dal 2010 a oggi

Prezzi giornalieri di ogni ticker più QQQ e VIX, e lo storico degli utili di ogni azienda, aggiornati ogni settimana da Yahoo Finance e salvati in Parquet.

Le regole.

Fissate prima del primo risultato.
  • 1
    Walk-forward, mai mescolatoOgni modello viene riaddestrato ogni anno solo sui dati precedenti e valutato sull'anno successivo, mai visto, dal 2019 al 2026. Un intervallo di purge di 12 giorni impedisce che un'etichetta di training si sovrapponga all'anno di test.
  • 2
    Lo stesso trade per tuttiEntrata all'apertura successiva, stop a 1×ATR, target a 2×ATR, uscita al massimo dopo 5 giorni, meno lo 0,10% di costi andata e ritorno. Se in un giorno vengono toccati sia stop sia target, conta come stop.
  • 3
    Una regola del campione scritta primaPrima di qualsiasi risultato: vince il modello le cui 7 scelte migliori battono la media di tutti i titoli con la t-statistica più alta, corretta per la sovrapposizione. È considerato dimostrato solo se t ≥ 2.
  • 4
    Ogni tentativo viene contatoOgni configurazione mai testata è registrata in trials.json e lo Sharpe ratio viene corretto (deflated) per quel numero di tentativi (Bailey e López de Prado), così provare molte varianti non può fabbricare un risultato.

Risultati.

Dal 2019-01-02 al 2026-10-23, fuori campione, al netto dei costi.
LightGBMLightGBM + utili7 scelte casuali
Crescita di 1 dollaro, le 7 scelte migliori dei due modelli più forti contro scelte casuali, dal 2019 al 20261×2×3×4×20192020202120222023202420252026LightGBM 4.2×LightGBM + utili 3.7×7 scelte casuali 2.1×
Crescita di 1 $ negoziando ogni giorno le 7 scelte migliori di ciascun modello con le regole sopra, capitalizzata settimanalmente. Passa il mouse per i valori.
Modellot contro casualeExtra / tradeAspettativaPercentuale vincenteProfit factorCAGRDrawdown massimoSharpe
LightGBM 🏆1.63+0.188%+0.379%47.7%1.2120.3%-23.0%1.75
LightGBM + utili1.57+0.157%+0.348%48.5%1.218.5%-24.6%1.71
LSTM0.86+0.080%+0.271%47.5%1.1514.1%-34.9%1.43
Transformer0.84+0.072%+0.264%47.3%1.1713.8%-21.2%1.6
Ensemble0.52+0.044%+0.236%48.1%1.1512.1%-23.9%1.34
7 scelte casuali––+0.187%45.3%–9.9%-18.4%1.48
Cosa dicono i numeri

Meglio del caso su ogni riga, non ancora dimostrato

Le scelte del campione hanno reso lo +0,188% in più per trade rispetto al titolo medio e hanno circa raddoppiato la crescita del portafoglio casuale (20,3% contro 9,9% l'anno), con uno Sharpe più alto. Ma t = 1,63 è sotto il 2,0 richiesto dalla regola, e il vantaggio si è ridotto nel 2025 e nel 2026. Per questo l'arena lo considera non dimostrato, e anch'io.

Contro l'indice

Comprare QQQ era difficile da battere

Nello studio v1 (dal 2019-01-02 al 2026-09-30), tenere semplicemente QQQ ha reso il 23,1% l'anno con un drawdown del -35,1%. Il campione cresce un po' meno con un drawdown molto più piccolo (-23,0%). Una percentuale vincente sotto il 50% è normale qui: i target sono due volte più lontani degli stop.

Limiti noti, scritti anche nel README del progetto: per il passato si usa la lista attuale del Nasdaq-100, quindi mancano i titoli usciti dall'indice e i risultati sono ottimistici; i punteggi ordinano i titoli e non sono probabilità calibrate; finora sono state contate 7 configurazioni. Ricerca, non consulenza finanziaria.

Il ciclo giornaliero.

Dalla chiusura USA ai sette trade simulati di domani.
La classifica della dashboard con cinque modelli contro scelte casuali e le curve di capitale dal 2019
  • 1
    17:30 New York, dal lunedì al venerdìScarica prezzi e utili del giorno, chiude i trade simulati che hanno toccato stop, target o il quinto giorno, e pubblica i risultati con il totale progressivo.
  • 2
    Punteggio e sceltaCarica il campione salvato, assegna un punteggio a ogni ticker sulla chiusura di oggi e tiene i 7 migliori con livelli di stop e target dall'ATR di ciascun titolo.
  • 3
    Pubblicare con il verdettoScrive i segnali nel registro prima dell'apertura e li invia su Telegram con il nome del modello e il verdetto attuale. L'invio su Telegram è collegato; finché non viene impostato il token del bot, i messaggi vanno nel log.
  • 4
    Sabato 10:00Aggiorna tutti i dati, ripete l'intera arena walk-forward, incorona un campione secondo la regola e riaddestra ogni modello su tutto lo storico per la settimana successiva.

Architettura.

Un pacchetto Python, un server locale, un registro.
Dati
data · earningsBarre giornaliere di Yahoo Finance per 102 ticker, QQQ e VIX dal 2010 · date, sorprese e reazioni degli utili
features31 variabili + 5 variabili sugli utili · etichette triple-barrier con costi · Parquet
→
Ricerca
zoo · arenaQuattro modelli + ensemble · walk-forward annuale 2019–2026 con purge · regola del campione sulla t-statistica · registro dei tentativi
backtest · reportAspettativa, profit factor, CAGR, drawdown, Sharpe, Sharpe deflated · curve di capitale
→
Online
serverFastAPI + APScheduler (ora di New York) · dashboard e API JSON su 127.0.0.1:8787 · avvio manuale dei job
liveRegistro simulato (CSV) · chiusura dei trade su barre reali · messaggi via Telegram Bot API
Python 3
pandas
LightGBM
PyTorch (Apple MPS)
scikit-learn
yfinance
FastAPI
APScheduler
uvicorn
launchd
Parquet
API bot di Telegram

Approfondimenti tecnici.

Sei problemi che ogni modello di trading ha, e come li affronta questo.

1. Battere il mercato è il test sbagliato

Problema
In un mercato rialzista quasi ogni strategia solo long sembra buona. Scegliere ogni giorno 7 titoli del Nasdaq a caso con gli stessi stop ha reso qui il 9,9% l'anno.
Approccio
L'arena misura ogni modello contro scelte casuali tra gli stessi titoli negli stessi giorni: il rendimento extra giornaliero delle sue 7 scelte rispetto alla media di tutti i titoli, come t-statistica corretta per i trade di 5 giorni sovrapposti. Così si isola l'abilità di scelta dalla direzione del mercato.
Trade-off
Un modello può guadagnare e fallire comunque il test. È proprio questo il punto.
Si trova in: arena/arena.py: edge, run

2. Il leakage è la norma, quindi è escluso per progetto

Problema
I dati azionari giornalieri lasciano filtrare il futuro in modi silenziosi: etichette che finiscono dopo l'inizio del test, utili datati all'annuncio invece che al primo giorno negoziabile, righe mescolate nel tempo.
Approccio
Le variabili usano solo ciò che è noto alla chiusura del giorno t. Le etichette sono esiti di trade triple-barrier dall'apertura successiva. Il training si ferma 12 giorni prima di ogni anno di test. Gli utili dopo la chiusura contano dalla seduta successiva. Le sequenze per le reti neurali sono costruite per singolo titolo con padding a zero, mai tra ticker diversi.
Trade-off
Riaddestrare ogni anno si adatta più lentamente che ogni trimestre; lo studio v1 riaddestrava ogni trimestre senza un guadagno che valesse il calcolo.
Si trova in: arena/features.py, arena/earnings.py, arena/train.py (PURGE)

3. Deep learning su un portatile, senza fingere

Problema
LSTM e Transformer sono la risposta di moda per i prezzi. Su un M1 Pro devono essere piccoli per addestrarsi dentro un job settimanale.
Approccio
Entrambe le reti vedono 20 giorni × 13 input normalizzati, si addestrano per 4 epoche in batch da 4.096 sul backend Metal (MPS) di Apple, con seed fissi per esecuzioni ripetibili. Entrano nella stessa arena degli alberi, con la stessa regola.
Trade-off
Hanno perso contro il gradient boosting su questi dati: t = 0,86 e 0,84 contro 1,63. Le variabili tabellari giornaliere favoriscono gli alberi.
Si trova in: arena/zoo.py: Neural, _LSTM, _Transformer

4. Un server che lavora mentre dormo

Problema
I segnali servono solo se arrivano ogni sera e i modelli vengono riaddestrati ogni settimana, anche quando il Mac era chiuso all'ora prevista.
Approccio
Un'app FastAPI con APScheduler in ora di New York (così l'ora legale USA è gestita): il job giornaliero dal lunedì al venerdì alle 17:30 chiude i trade simulati conclusi e pubblica i 7 del giorno dopo; il job di riaddestramento del sabato aggiorna prezzi e utili, ripete l'arena e riaddestra ogni modello. I job saltati partono al risveglio entro 6 ore. launchd tiene vivo il server.
Trade-off
I dati di mercato arrivano da Yahoo Finance, che elimina i ticker delistati senza avviso; il job lo registra e prosegue.
Si trova in: arena/server.py, arena/live.py, com.nasdaq-arena.server.plist

5. Trade simulati, registrati come quelli veri

Problema
Un backtest è una storia raccontata dopo. L'unico storico onesto è quello scritto prima del risultato.
Approccio
Ogni segnale viene aggiunto a un registro prima dell'apertura del mercato: ticker, punteggio, ATR e chiusura di riferimento. Le esecuzioni successive registrano l'entrata all'apertura, lo stop e il target, poi lo chiudono su stop, target o quinto giorno, al netto dei costi. I messaggi precisano che il punteggio ordina i titoli e non è una probabilità di vincita.
Trade-off
Il registro è partito il 30 ottobre 2026; servono mesi prima che significhi qualcosa.
Si trova in: ledger/trades.csv, arena/live.py: close_trades, new_signals

6. Dire “non dimostrato” sulla dashboard

Problema
Gli strumenti di trading mostrano in verde il backtest migliore. Gli utenti lo leggono come una promessa.
Approccio
La dashboard e il messaggio dei segnali riportano il verdetto dell'arena: finché la t-statistica del campione è sotto 2, un banner rosso dice che non c'è un vantaggio confermato e che i segnali non vanno usati con denaro reale. Il verdetto viene dallo stesso JSON che legge la classifica, quindi non può discostarsi dai numeri.
Trade-off
Rende il prodotto più debole in uno screenshot, e più affidabile in una conversazione.
Si trova in: arena/web/index.html, reports/arena.json

Cosa ho imparato.

I risultati utili sono stati quelli negativi.

Il semplice ha battuto il sofisticato

Un filtro di meta-labelling sopra il primo modello, il miglioramento da manuale, ha ridotto la crescita annua dal 17,1% all'8,8% nello studio v1. La media dei quattro modelli è stata la voce più debole dell'arena (t = 0,52).

Qui gli alberi battono le sequenze

Sulle variabili tabellari giornaliere, LightGBM ha battuto nettamente entrambe le reti neurali, e aggiungere il drift degli utili non ha battuto LightGBM semplice nel complesso, anche se ha fatto meglio nel 2024 e nel 2025.

Prossimi passi

Un universo senza survivorship bias con gli ex membri dell'indice, mesi di trade simulati prima di qualsiasi affermazione, variabili di settore e di regime di mercato, e l'attivazione del canale Telegram quando il registro avrà qualcosa di onesto da mostrare.