Quando si parla di intelligenza artificiale, la domanda che quasi sempre monopolizza il dibattito è: quanto è potente il modello? Quanti parametri ha, su quanti dati è stato addestrato, quale architettura utilizza. È una domanda legittima, ma parziale, perché lascia in ombra un aspetto altrettanto decisivo: cosa succede al modello dopo che è stato addestrato, quando il mondo che descrive continua a cambiare.
La maggior parte dei sistemi di previsione, anche quelli più sofisticati, condivide un limite strutturale: vengono addestrati su uno storico di dati e poi “congelati”, per essere utilizzati su dati nuovi senza ulteriori aggiornamenti. È l’approccio classico del batch learning: si studia il passato, si fissano i pesi del modello, si passa alla fase operativa. Funziona bene in contesti relativamente stabili in cui la distribuzione dei dati e le relazioni da apprendere rimangono relativamente stabili e non cambiano da un giorno all’altro. Diventa invece un problema serio quando l’oggetto di osservazione muta continuamente natura, come accade nei mercati finanziari, nei flussi di traffico di una rete, nei sensori di un impianto industriale o nei comportamenti di un’utenza online.
La soluzione naturale sarebbe un apprendimento online, cioè un modello che si aggiorna costantemente man mano che arrivano nuovi dati. L’apprendimento online è un approccio consolidato nella letteratura sul data stream mining, applicato da tempo in ambiti come il rilevamento di anomalie di rete o la manutenzione predittiva. Nella finanza, però, resta ancora poco esplorato, e non a caso: aggiornare un modello in tempo reale senza comprometterne la stabilità è tutt’altro che semplice.
Indice degli argomenti
Il costo nascosto dei valori estremi
C’è un secondo aspetto, più sottile, che complica ulteriormente le cose: come trattare i valori estremi. Le tecniche statistiche tradizionali tendono a considerare gli outlier come rumore da attenuare, per aumentare la robustezza complessiva del modello. È un principio sensato in molti contesti: se un sensore registra per errore un valore assurdo, ha senso ignorarlo.
Nei mercati finanziari, però, un’oscillazione di prezzo insolita non può essere considerata automaticamente rumore: è spesso il segnale più informativo che il sistema possa osservare, perché può segnalare un cambiamento di trend. Scartarlo, o comprimerlo statisticamente come farebbe un modello “prudente”, significa perdere esattamente l’informazione che più conta. Lo stesso vale, con le dovute proporzioni, in molti altri domini: un picco anomalo di traffico su una rete può essere un attacco informatico in corso, non un errore di misurazione; una variazione improvvisa nei parametri vitali di un paziente può essere il sintomo più importante, non un artefatto da filtrare.
Il problema, in altre parole, non è tecnico in senso stretto: è concettuale. Riguarda la definizione stessa di cosa sia “normale” e cosa sia “rilevante” in un flusso di dati che cambia distribuzione nel tempo.
Perché i mercati e non solo si muovono in gruppo
A questi due problemi se ne aggiunge spesso un terzo, altrettanto trascurato: la tendenza di fenomeni collegati a muoversi insieme. È un’osservazione comune, anche solo guardando i grafici di mercato, che gruppi di azioni mostrino andamenti correlati. Questo fenomeno è ancora più evidente nel contesto delle criptovalute: eventi normativi, avanzamenti tecnologici o semplicemente l’umore generale del mercato influenzano più asset contemporaneamente. Un modello che analizza ogni asset in isolamento rinuncia a un’informazione preziosa: il fatto che ciò che accade a un elemento del gruppo anticipi spesso ciò che accadrà agli altri.
Anche in questo caso l’osservazione va oltre la finanza: reti di sensori ambientali, portafogli di clienti con comportamenti simili, impianti produttivi dello stesso tipo dislocati in siti diversi costituiscono ulteriori esempi in cui questo fenomeno si verifica di frequente. In molti sistemi complessi, le dipendenze temporali tra entità correlate sono una risorsa informativa che i modelli tradizionali non riescono a sfruttare.
Un caso di studio concreto
Su questi tre problemi — apprendimento che non si aggiorna, valori estremi trattati come rumore, e le dipendenze tra entità correlate ignorate — si è concentrato il lavoro condotto dal gruppo di ricerca KDDE dell’Università degli Studi di Bari, in collaborazione con il Jožef Stefan Institute di Lubiana, pubblicato sulla rivista Data Mining and Knowledge Discovery.
Il sistema proposto, chiamato LEMON, è stato applicato al caso limite dei mercati delle criptovalute, che costituisce probabilmente il contesto finanziario più esigente in termini di velocità e volatilità che si possa trovare oggi, e affronta i tre problemi in modo congiunto. Da un lato costruisce uno schema di pesatura dinamica delle osservazioni: attraverso una semplice struttura statistica, capace di stimare in tempo reale la distribuzione dei valori osservati, il sistema assegna un peso più alto ai movimenti di prezzo più marcati e uno più contenuto ai valori centrali, di routine, correggendo inoltre l’asimmetria tipica delle distribuzioni finanziarie, che raramente seguono una curva normale ben bilanciata.
Dall’altro lato, il sistema individua periodicamente gruppi di criptovalute che hanno mostrato andamenti simili nel recente passato, utilizzando una misura di distanza (Dynamic Time Warping) particolarmente adatta a confrontare serie storiche che si muovono con velocità diverse. I gruppi così identificati vengono utilizzati per addestrare modelli capaci di prevedere simultaneamente l’andamento di tutte le valute appartenenti allo stesso gruppo, sfruttandone le dipendenze reciproche.
LEMON è stato valutato su sedici delle principali criptovalute, osservate su tre anni di dati a granularità oraria, riscontrando miglioramenti consistenti sia nella previsione della variazione percentuale di prezzo sia nella classificazione del trend, con riduzioni dell’errore che in alcuni casi superano il 50% rispetto ai migliori concorrenti online e il 70% rispetto agli approcci puramente batch. È anche vero che per alcune criptovalute a bassa capitalizzazione e liquidità ridotta gli errori di previsione restano elevati per tutti i sistemi testati, incluso LEMON. Quando gli scambi sono pochi e concentrati, la stessa nozione di “prezzo di mercato” diventa più fragile.
Una lezione più ampia: contano i dati, non solo i modelli
Al netto dell’applicazione specifica alle criptovalute, il punto di fondo del lavoro si inserisce in un filone di ricerca più ampio, noto come Data-Centric AI, che negli ultimi anni ha spostato l’attenzione dalla sola progettazione dei modelli alla qualità dei dati che li alimentano. Il valore di un sistema di intelligenza artificiale dipende sempre meno dalla sola sofisticazione architetturale del modello, e sempre più da come questo tratta i dati che riceve nel tempo, da quanto è capace di aggiornarsi, di distinguere segnale da rumore, di dare peso a ciò che conta davvero invece di appiattire tutto nella media.
È una prospettiva che ribalta parzialmente le priorità con cui spesso si discute di intelligenza artificiale in pubblico. Non basta chiedersi se un modello sia abbastanza grande o abbastanza recente: bisogna chiedersi se il sistema nel suo complesso, costituito da dati, pipeline di aggiornamento, meccanismi di pesatura, architettura, sia stato progettato per il contesto in cui dovrà operare. Un modello enorme addestrato una volta sola può essere meno utile, in produzione, di un modello più semplice ma capace di adattarsi.
Cosa significa per chi lavora con l’AI in produzione
Per le organizzazioni che stanno introducendo sistemi di intelligenza artificiale nei propri processi, non solo in finanza, ma nella gestione del rischio, nella cybersecurity, nella manutenzione industriale, nell’analisi di dati sanitari, questo tipo di lavoro suggerisce alcune domande operative più che tecniche. Il sistema che si sta valutando è pensato per un mondo statico o per un mondo che cambia? Come vengono trattati gli eventi rari, quelli che davvero contano ai fini decisionali: sono considerati rumore da filtrare o segnale da valorizzare? Esistono meccanismi per riconoscere quando entità diverse del sistema (clienti, asset, sensori, impianti) si muovono in modo correlato?
Sono domande che raramente compaiono nelle schede tecniche dei prodotti di intelligenza artificiale, ma che determinano, più della potenza di calcolo dichiarata, se un sistema resterà affidabile quando le condizioni operative cambieranno, come spesso accade.
C’è anche una dimensione più strutturale, che riguarda le scelte organizzative prima ancora che quelle tecniche. Introdurre un sistema capace di aggiornarsi continuamente significa accettare un cambio di paradigma nella governance dei modelli: non più un collaudo una tantum seguito da un rilascio in produzione, ma un monitoraggio costante delle prestazioni, meccanismi di allerta quando il modello inizia a “invecchiare” rispetto ai dati correnti, e processi di ricalibrazione che devono essere pensati fin dalla progettazione, non aggiunti in un secondo momento. È un investimento che richiede competenze diverse rispetto al semplice addestramento di un modello: servono figure capaci di presidiare la pipeline nel tempo, non solo di costruirla una volta.
In un momento in cui il dibattito pubblico sull’intelligenza artificiale si concentra quasi ossessivamente sulla dimensione dei modelli, sul numero di parametri o sulla potenza di calcolo necessaria per addestrarli, il lavoro che abbiamo condotto ci ricorda una lezione più semplice, ma spesso trascurata: un sistema che sa quando aggiornarsi e quali dati considerare come rilevanti può essere più utile, e più affidabile nel tempo, di uno semplicemente più grande. È una lezione che vale per i mercati finanziari quanto per qualunque altro dominio in cui l’intelligenza artificiale è chiamata a lavorare su un mondo che, per definizione, non si ferma mai ad aspettarla.
Riferimenti bibliografici
Il nostro lavoro
Pellicani, A., Pio, G., Džeroski, S., Ceci, M., “Dynamic instance weighting for online learning in multi-cryptocurrency price and trend forecasting”, Data Mining and Knowledge Discovery, 2026, 40:58. doi.org/10.1007/s10618-026-01232-9
Scarsità di letteratura su apprendimento online in finanza
Hoi, S.C.H., Sahoo, D., Lu, J., Zhao, P., “Online Learning: A Comprehensive Survey”, Neurocomputing, 2021, 459, 249-289.
Valori estremi e regressione sbilanciata
Ribeiro, R.P., Moniz, N., “Imbalanced regression and extreme value prediction”, Machine Learning, 2020, 109(9-10), 1803-1835.
Qualità dei dati e Data-Centric AI
Malerba, D. et al., “Data-Centric AI Manifesto: How Data Quality Drives Modern AI”, Electronics, 2026, 15(9), 1913. mdpi.com/2079-9292/15/9/1913
Articolo aggiornato al 30 luglio 2026.
Partecipa alla community