Random Walk e Mercati Finanziari: perché prevedere la borsa è (quasi) impossibile
L’illusione del controllo
C’è un momento esatto in cui chi lavora con i dati, l’informatica o l’economia prende la sua prima, vera facciata contro la realtà dei mercati finanziari.
Succede davanti allo schermo, fissando il grafico di un’azione.
L’occhio umano è programmato per cercare un senso nel caos: vede linee che salgono, rimbalzi, sequenze che sembrano ripetersi con una precisione quasi geometrica. Testa e spalle. Supporti. Trend.
Il pensiero scatta in automatico: se c’è uno schema, posso anticiparlo. Se ho abbastanza dati storici, posso prevedere la prossima mossa.
È qui che nasce l’illusione del controllo.
Una trappola in cui cadono anche i data scientist più brillanti.
Perché il mercato non è un sistema fisico obbediente, e la matematica che ne governa i movimenti ci mette davanti a una verità molto più scomoda: il passato, per quanto lo si studi a fondo, non offre alcun vantaggio sistematico sul futuro.
Per capire perché l’istinto ci inganna in modo così clamoroso, dobbiamo fare i conti con due concetti spietati: il Random Walk e l’Efficient Market Hypothesis.
Pubblicità
Il Random Walk: il modello più controintuitivo della finanza
Il modello del Random Walk (cammino casuale) descrive un processo in cui ogni passo è indipendente dal precedente.
Formalmente, possiamo scrivere:
[math]
P_{t+1} = P_t + \epsilon_t
[/math]
dove:
[math]\epsilon_t[/math] è una variabile casuale (rumore)
[math]P_t[/math] è il prezzo al tempo t
Questo implica una cosa fortissima:
👉 Il miglior predittore del prezzo di domani è il prezzo di oggi.
Non perché il mercato sia semplice. Ma perché tutta l’informazione disponibile è già incorporata nel prezzo attuale.
1. L’anatomia della formula: [math]P_{t+1} = P_t + \epsilon_t[/math]
Questa non è solo un’equazione; è una dichiarazione di umiltà. Vediamola nel dettaglio:
[math]P_{t+1}[/math] (Il futuro): Il prezzo di domani.
[math]P_t[/math] (Il presente): Il prezzo di oggi.
[math]\epsilon_t[/math] (L’imprevisto): Questo è il cosiddetto “termine di errore” o “rumore bianco”. Rappresenta l’arrivo di nuove informazioni.
Il punto cruciale: In statistica, per definizione, [math]\epsilon_t[/math] ha un valore atteso pari a zero ([math]E[\epsilon_t] = 0[/math]) ed è indipendente da tutto ciò che è successo prima.
Se sommiamo i due lati, otteniamo che il valore atteso del prezzo di domani è esattamente il prezzo di oggi:
In termini poveri: se oggi un’azione vale 100€, la tua scommessa matematicamente più onesta per domani è 100€. Non 101€ perché “è in trend”, né 99€ perché “deve rintracciare”. Solo 100€.
Ecco i tre pilastri che spiegano perché, matematicamente, la tua previsione migliore è una linea piatta.
1. Il concetto di “Fair Game” (Gioco Equo)
In statistica, dire che [math]E[\epsilon_t] = 0[/math] significa che il mercato è un gioco equo. Le nuove informazioni che arriveranno domani possono essere positive o negative con la stessa probabilità e intensità rispetto al prezzo attuale.
Se pensassi che domani il prezzo sarà 101€, staresti implicitamente dicendo che [math]E[\epsilon_t] > 0[/math].
Ma se l’informazione fosse già disponibile (ovvero, se sapessimo che c’è una probabilità maggiore che il prezzo salga), il prezzo salirebbe ora, non domani.
Quindi, il valore [math]P_t = 100€[/math] non è solo un numero: è il punto di equilibrio esatto dove le forze dei compratori e dei venditori si annullano, rendendo ogni variazione futura puramente casuale.
2. La memoria corta della martingala
Prima di tutto: cos’è una martingala? In termini semplici, una martingala è un processo in cui:
👉 la miglior previsione del futuro, anche conoscendo tutto il passato, è il valore attuale. Formalmente:
Questa parte significa:
👉 “qual è il valore medio atteso del prezzo di domani, sapendo tutto il passato?”
Non solo il prezzo di oggi. Ma tutta la storia:
ieri
l’altro ieri
un anno fa
tutti i trend
tutti i crolli
👉 È come dire: “immagina di avere accesso a ogni grafico possibile”.
2. Il lato destro: una sorpresa brutale
[math]P_t[/math]
Il risultato è semplicissimo:
👉 il prezzo di oggi.
Il messaggio nascosto (ed è potentissimo)
Mettiamo insieme i due lati:
👉 Anche se conosci perfettamente tutto il passato, la tua previsione migliore resta il presente. Questo implica una cosa fondamentale:
👉 il passato non aggiunge potere predittivo
Attenzione: non significa che il passato “non esiste”.
Significa qualcosa di più preciso:
👉 Il passato è già completamente incorporato nel presente.
Facciamo un’analogia.
Analogia: il riassunto perfetto
Immagina di leggere un libro di 500 pagine. Poi qualcuno ti dà un riassunto perfetto di 1 pagina. Se il riassunto è davvero perfetto:
👉 leggere le 500 pagine non ti dà nessuna informazione in più.
Nel mercato:
le 500 pagine → tutta la storia dei prezzi
il riassunto → il prezzo attuale
👉 Il prezzo di oggi è già il riassunto perfetto del passato.
Traduzione concreta
Prendiamo l’esempio:
ieri +50%
settimana scorsa -20%
trend crescente da mesi
Domanda: 👉 serve per prevedere domani? Risposta della martingala: No. Tutto questo è già “dentro” il prezzo di oggi.
Se oggi il prezzo è 100€:
👉 quel 100€ è già il risultato di tutte quelle informazioni.
Collegamento con il valore atteso
Torniamo al concetto chiave:
👉 valore atteso = media delle possibili evoluzioni future
Dire che:
[math]\displaystyle \begin{aligned}
E[P_{t+1} \mid \text{tutto il passato}] = P_t
\end{aligned}[/math]
significa:
👉 Se potessi simulare mille futuri possibili partendo da oggi:
alcuni andrebbero a 105
altri a 95
altri a 110 o 90
👉 Ma la media di tutti questi scenari sarebbe sempre 100.
Implicazione devastante
Questa proprietà distrugge una delle idee più diffuse:
“Se studio bene il passato, posso prevedere il futuro”
La martingala dice:
👉 Puoi studiare quanto vuoi. Non otterrai un vantaggio sistematico.
Attenzione: cosa NON significa
È importante evitare un fraintendimento.
❌ Non significa che:
il prezzo non si muove
il mercato è stabile
non esistono variazioni
✔ Significa che:
le variazioni future sono imprevedibili
non esiste una direzione “favorita”
il miglior punto di partenza resta il presente
Intuizione finale
Immagina di lanciare una moneta equa. Se esce:
testa, testa, testa, testa
👉 cosa prevedi al prossimo lancio?
Ancora 50% testa, 50% croce.
👉 La sequenza passata non cambia la probabilità futura.
La “memoria corta” della martingala non è un limite.
È una proprietà profonda:
👉 il mercato ricorda tutto… ma in forma compressa. E quella compressione è il prezzo attuale. Tutto il resto — grafici, pattern, trend — 👉 è già stato assorbito.
3. L’espansione della varianza (Il cono d’incertezza)
Dire che il miglior predittore è 100€ non significa che domani il prezzo sarà esattamente 100€. Significa che 100€ è il baricentro delle infinite possibilità.
Se immaginiamo il futuro, il Random Walk non disegna una linea retta, ma un ventaglio che si allarga:
Più ci allontaniamo nel tempo ([math]t+1, t+2, t+n[/math]), più l’incertezza (varianza) aumenta.
Tuttavia, la media di tutte queste possibili traiettorie rimane sempre una linea orizzontale ferma a [math]P_t[/math].
L’analogia del cecchino bendato:Prendiamo l’esempio di un cecchino bendato che deve sparare a un bersaglio. Se non ha alcuna informazione sulla direzione del vento ([math]\epsilon_t[/math]), la sua migliore stima per dove colpirà il proiettile è esattamente il punto in cui punta la canna del fucile ora. Potrebbe colpire più in alto o più in basso a causa del vento, ma poiché il vento è casuale, puntare esattamente al centro è l’unica scelta razionale.
Il “Bug” Biologico: Perché la nostra mente rifiuta il caso
Se la matematica del Random Walk è così solida, perché continuiamo a vedere segnali dove c’è solo rumore? La risposta non è nei dati, ma nel nostro hardware cerebrale.
Siamo macchine progettate per sopravvivere, non per fare statistica. Nella savana, dare un senso a un fruscio nell’erba salvava la vita; oggi, quel medesimo istinto ci spinge a cercare una trama logica in un grafico a candele giapponesi. Prima di dare la colpa a un algoritmo di Machine Learning che fallisce, dobbiamo capire i sabotatori interni che guidano le nostre scelte.
1. Hindsight Bias: La maledizione del “Senno di Poi”
Osservate un crollo di mercato passato, come il 2008 o il recente scoppio della bolla tech. Oggi i segnali vi sembrano ovvi, quasi urlati. Vi dite: “Era palese che non potesse durare”.
Questa è una distorsione cognitiva micidiale. L’Hindsight Bias cancella dalla memoria tutta l’incertezza e le opinioni contrastanti che esistevano mentre quel grafico si stava formando.
Ex-post: Il grafico è una storia coerente e inevitabile.
Ex-ante: Ogni passo è un lancio di dadi nel buio.
Confondiamo la chiarezza del passato con la prevedibilità del futuro, convincendoci che, se il passato è così “logico”, allora deve esserlo anche il domani.
2. Narrative Fallacy: Il bisogno di una storia (anche falsa)
Il vuoto di senso ci terrorizza. Se la Borsa chiude a -2% a causa di una fluttuazione casuale (εt), nessun analista scriverà mai: “Oggi non è successo nulla di rilevante, i prezzi si sono mossi a caso”.
Dobbiamo costruire una narrazione. Leggerete titoli come: “Mercati in calo per timori sull’inflazione”. Spesso sono storie cucite addosso ai numeri a posteriori per dare un senso al caos. La Narrative Fallacy ci spinge a credere che esista una catena causale lineare dietro ogni movimento. Se crediamo alla “storia” di ieri, finiamo inevitabilmente per cercare di scriverne il capitolo di domani, cadendo nella trappola dei modelli predittivi.
3. L’illusione del controllo e della correlazione
Pensiamo che aggiungere un livello di complessità — un indicatore tecnico in più, una GPU più potente, un modello di Deep Learning più profondo — ci dia un vantaggio reale. Ma spesso stiamo solo aumentando la nostra capacità di vedere pattern nel rumore (Apophenia).
Il paradosso del Data Scientist: Più il modello è complesso, più è probabile che stia “imparando” la Narrative Fallacy dai dati storici, trasformando coincidenze passate in regole future destinate a fallire.
Perché questo distrugge il Machine Learning?
Questi bias non colpiscono solo gli investitori retail, ma infettano direttamente il modo in cui costruiamo i modelli. Quando un analista progetta un algoritmo, è vittima dell’Hindsight Bias: seleziona le variabili che sembrano aver funzionato nel passato, ignorando che quella configurazione era unica, irripetibile e puramente stocastica.
È qui che il Machine Learning si scontra con la realtà: se il modello impara la “storia” (Narrative Fallacy) invece della struttura statistica, il suo destino è segnato non appena il mercato volta pagina.
Efficient Market Hypothesis: la teoria che distrugge le scorciatoie
L’Efficient Market Hypothesis (EMH) afferma che:
Non è possibile ottenere rendimenti superiori al mercato utilizzando informazioni pubbliche.
Esistono tre versioni:
Debole → i prezzi incorporano già i dati storici
Semi-forte → incorporano tutte le informazioni pubbliche
Forte → incorporano anche informazioni private
Nella pratica?
👉 Anche solo la versione “debole” è sufficiente a mettere in crisi moltissimi modelli predittivi.
Perché significa che:
analizzare grafici passati non basta
pattern visivi possono essere illusioni statistiche
Esempio: una sequenza che sembra prevedibile
Considera questa sequenza di prezzi:
Giorno
Prezzo
1
100
2
102
3
104
4
103
5
105
6
107
Domanda (stile esame):
👉 Il prezzo segue un trend prevedibile?
Analisi ingenua
Uno studente potrebbe dire:
“Sta crescendo”
“C’è un trend positivo”
“Posso prevedere che salirà ancora”
Analisi corretta
Calcoliamo le variazioni:
[math]
\Delta P_t = P_t – P_{t-1}
[/math]
Otteniamo:
Giorno
Variazione
2
+2
3
+2
4
-1
5
+2
6
+2
Sembrano positive. Ma attenzione.
👉 Anche una sequenza casuale può generare cluster di valori positivi.
confondere un pattern locale con una legge globale
Machine Learning: Perché i modelli “muoiono” sul campo
Se pensi che basti dare in pasto dieci anni di dati storici a una XGBoost o a una LSTM per ottenere un bancomat automatico, ti scontrerai con tre barriere invisibili.
In finanza, il passato non è solo un pessimo predittore: a volte è un vero e proprio sabotatore.
1. Regime Shift: Cambiano le regole del gioco
Un modello di ML viene addestrato su una specifica distribuzione di dati. Il problema è che il mercato non è un unico processo, ma una sequenza di regimi diversi (bull market, crisi di liquidità, periodi di alta volatilità).
Il fallimento: Un modello ottimizzato durante un decennio di tassi a zero e crescita stabile “impazzisce” quando l’inflazione sale e le banche centrali invertono la rotta.
⚠️ Non è un errore di calcolo, è un cambiamento del sottostante. Il modello cerca di applicare la logica della savana mentre si trova nel bel mezzo di una tormenta artica.
2. Non-stazionarietà Strutturale: La fisica che muta
In fisica, la gravità è una costante. In finanza, le relazioni tra le variabili (le “leggi” del sistema) sono fluide. Non è solo la distribuzione dei prezzi [math]P(X_t)[/math] a cambiare, ma la funzione stessa che lega gli input agli output.
Le correlazioni tra asset che sembravano scolpite nella pietra possono evaporare in un pomeriggio. Un data scientist junior cerca di correggere il modello; un senior capisce che il modello ha smesso di descrivere la realtà perché la struttura causale del sistema è mutata.
3. Reflexivity: L’osservatore che altera la realtà
Questo è il concetto più filosofico e brutale, introdotto da George Soros. A differenza delle previsioni meteo (le nuvole non sanno che le stiamo guardando), i mercati sono influenzati dalle aspettative degli attori.
Il loop: Se un algoritmo di massa identifica un segnale “buy”, inizierà a comprare, facendo salire il prezzo.
La conseguenza: Il modello non sta “prevedendo” il futuro; lo sta creando artificialmente fino a quando la bolla non scoppia.
Questo crea un feedback loop dove il modello altera il dataset su cui sta lavorando. In pratica, l’atto di osservare e operare sul mercato distrugge il segnale che stavi cercando di sfruttare.
È l’essenza della natura adattiva: il mercato “impara” i tuoi modelli e li neutralizza.
Il consiglio
La vera skill non è costruire un modello con un errore quadratico medio (MSE) bassissimo sui dati storici. È costruire un sistema che sappia di non sapere.
Invece di cercare la previsione perfetta, chi lavora a certi livelli si concentra su:
Modularità: Modelli diversi per regimi diversi.
Adaptive Learning: Sistemi che pesano maggiormente i dati recenti senza cadere nell’overfitting.
Robustezza: Accettare che il modello fallirà e costruire un sistema di gestione del rischio che eviti il disastro quando (e non “se”) accadrà il prossimo regime shift.
Dove il Machine Learning funziona davvero
A questo punto potresti pensare:
Allora il ML è inutile nella finanza?
Assolutamente no.
Funziona molto bene in contesti specifici:
1. Trading ad alta frequenza (HFT)
Qui si lavora su:
millisecondi
micro-pattern
inefficienze temporanee
👉 non si predice il mercato 👉 si sfruttano ritardi microscopici
2. Feature engineering avanzato
Il ML può aiutare a:
costruire indicatori
ridurre dimensionalità
identificare anomalie
3. Gestione del rischio
Modelli per:
Value at Risk (VaR)
stress test
simulazioni Monte Carlo
Esempio in stile “data interview”: smontare un falso modello predittivo
Domanda tipica:
Hai costruito un modello che predice il prezzo con accuracy del 90%. È affidabile?
Risposta ragionata:
No, per diversi motivi:
Classe sbilanciata Se il mercato sale il 90% del tempo, un modello banale ottiene 90%.
Data leakage Informazioni future nei dati di training.
Overfitting Il modello ha imparato il rumore.
Violazione EMH Se fosse davvero predittivo, sarebbe già sfruttato.
La vera skill non è prevedere
Il punto più importante da portare a casa è questo:
👉 Il problema non è costruire un modello più complesso. 👉 È capire quando un problema NON è prevedibile.
Questa è una competenza da:
data scientist avanzato
analista quantitativo
decision maker
Dal controllo all’adattamento
Il Random Walk non dice che il mercato è “caotico”.
Dice qualcosa di più sottile:
👉 è un sistema in cui il vantaggio informativo è temporaneo.
E questo cambia completamente il mindset.
Non devi:
cercare la formula magica
inseguire il modello perfetto
Devi:
gestire il rischio
riconoscere i limiti
sfruttare opportunità locali
Perché nei mercati finanziari, più che prevedere il futuro…
👉 devi sopravvivere abbastanza a lungo da poterci operare.
Dai dati di mercato alla mente umana: capire davvero le decisioni
Dietro ogni grafico non ci sono solo numeri, ma comportamenti. E dietro ogni comportamento, pattern che possono essere analizzati, modellati… e talvolta fraintesi.
👉SMA, RSI e MACD: leggere il “segnale” nel rumore Indicatori come SMA, RSI e MACD trasformano i dati grezzi in segnali interpretabili, filtrando il rumore :contentReference[oaicite:0]{index=0}
👉Bias cognitivi tra trading e marketing Ma attenzione: ciò che vediamo nei grafici è spesso influenzato dalla nostra mente. I bias possono trasformare pattern reali in illusioni.
