I Modelli di Previsione dei Prezzi delle Criptovalute basati sull’IA Affrontano il Test della Volatilità

L’intelligenza artificiale (IA) è una delle più importanti innovazioni tecnologiche dell’era moderna, ridefinendo non solo il modo in cui lavoriamo ma anche il modo in cui prendiamo decisioni.

Nei mercati delle criptovalute, che operano 24 ore su 24 a livello globale, i modelli di IA hanno guadagnato notevole attenzione e adozione, soprattutto per la previsione di prezzi che mostrano movimenti improvvisi ed estremi. Questa volatilità rende le criptovalute un’opportunità straordinaria ma anche estremamente imprevedibile.

Man mano che la tecnologia diventa più avanzata e ampiamente adottata, i partecipanti al mercato si rivolgono sempre più ai sistemi di apprendimento automatico per filtrare il rumore, identificare schemi e generare intuizioni predittive.

Tuttavia, i mercati delle criptovalute rappresentano uno degli ambienti finanziari più difficili in cui fare previsioni.

L’estrema volatilità è una delle principali ragioni, ma vi sono anche altri fattori, tra cui il sentiment speculativo, gli shock macroeconomici, i cambiamenti normativi e il comportamento di trading guidato dai social media, che rendono la previsione delle criptovalute eccezionalmente difficile.

Armati di sofisticate architetture di deep learning e di enormi quantità di dati on-chain e di mercato, ricercatori, trader e investitori stanno ora cercando di fare ciò che gli analisti umani hanno per lo più fallito a fare costantemente: prevedere dove si dirigeranno i prezzi delle criptovalute.

Ma la domanda fondamentale ora non è se l’IA possa prevedere i prezzi delle criptovalute, ma se questi modelli possano costantemente fornire vantaggi di trading affidabili e reali in condizioni di mercato volatili.

Con l’adozione delle criptovalute che continua a crescere e a diventare mainstream grazie alla sua integrazione con il settore finanziario tradizionale, nuove ricerche mirano a superare le sfide poste dalle estreme fluttuazioni dei prezzi e a fornire un modello affidabile per generare previsioni precise.

La ricerca valuta i modelli di deep learning su quattro principali criptovalute, Bitcoin, Ethereum, Dogecoin e Litecoin, e scopre che sebbene gli algoritmi avanzati di machine learning possano migliorare l’accuratezza delle previsioni in determinate condizioni, la volatilità limita ancora la loro robustezza, scalabilità e implementazione pratica.

L’Esplosione dell’IA Raggiunge i Mercati delle Criptovalute

Oggi, l’IA è ovunque, diventando una parte integrante della nostra vita. E sebbene possa sembrare che l’IA sia comparsa dal nulla, non è così.

L’IA è in sviluppo sin dagli anni ’50, evolvendosi attraverso decenni di ricerca e innovazioni tecnologiche. Ma nonostante la sua lunga storia, la tecnologia è passata da un campo emergente a uno strumento aziendale mainstream a una velocità notevole. Tale accelerazione divenne impossibile da ignorare alla fine del 2022 con il lancio di ChatGPT.

Il chatbot di OpenAI, molto popolare, ChatGPT, supportato da Microsoft (MSFT ), ha battuto record raggiungendo 1 milione di utenti in soli cinque giorni. Rendendo i potenti Large Language Models (LLM) facilmente accessibili agli utenti quotidiani, ChatGPT ha spinto l’IA da un concetto tecnologico di nicchia al mainstream. Ora conta 900 milioni di utenti attivi settimanali a livello globale, il che significa che una quota considerevole della popolazione mondiale interagisce con l’IA in qualche forma.

Questa adozione si estende ben oltre i consumatori. Le aziende oggi utilizzano sempre più strumenti di IA per l’automazione, lo sviluppo software, la cybersecurity, le diagnosi sanitarie, il marketing, il servizio clienti, la logistica e le previsioni.

Secondo McKinsey, circa 88% delle organizzazioni intervistate utilizzerà l’IA in almeno una funzione aziendale entro il 2025, trattando l’IA come un catalizzatore per trasformare le loro organizzazioni, ridisegnare i flussi di lavoro e accelerare l’innovazione.

Il fascino dell’IA risiede nella sua capacità di elaborare enormi quantità di dati, automatizzare compiti ripetitivi, identificare relazioni non lineari e generare previsioni molto più velocemente degli esseri umani. Di conseguenza, le aziende stanno rapidamente implementando l’IA per migliorare la produttività, ridurre i costi operativi, personalizzare le esperienze dei clienti e accelerare i cicli di innovazione.

McKinsey stima che l’IA potrebbe contribuire con trilioni di dollari in guadagni di produttività a lungo termine a livello globale. Non sorprende che uno dei settori più attivi per l’implementazione dell’IA sia quello finanziario, dove banche e società di investimento utilizzano modelli di machine learning per rilevare frodi, rispettare le norme anti-riciclaggio (AML), gestire il rischio ed eseguire operazioni automaticamente.

I mercati delle criptovalute, nel frattempo, sono emersi come ambienti particolarmente attraenti per la sperimentazione dell’IA grazie alla loro struttura nativa digitale e alla generazione di dati ad alta frequenza.

L’IA nel crypto generalmente si riferisce all’applicazione di machine learning, deep learning, elaborazione del linguaggio naturale, reinforcement learning e analisi predittiva ai sistemi finanziari basati su blockchain. Attualmente, gli strumenti di IA vengono utilizzati per bot di trading crypto, analisi del sentiment di mercato, rilevamento delle frodi, analisi della blockchain, audit di smart contract, ottimizzazione di portafogli, gestione autonoma del rischio, analisi della finanza decentralizzata (DeFi) e previsione dei prezzi dei token, mentre la blockchain fornisce trasparenza e auditabilità.

La convergenza tra IA e crypto, un’evoluzione naturale, dovrebbe modellare la prossima generazione di prodotti finanziari e guidare l’adozione oltre la speculazione verso applicazioni reali e generatrici di entrate.

Ancora più importante, la crescente istituzionalizzazione dei mercati crypto, insieme all’espansione degli asset digitali, ha intensificato la domanda di sistemi predittivi più sofisticati capaci di navigare ambienti di prezzo volatili.

La Ricerca di un Vantaggio in un Mercato Caotico

Mentre le criptovalute emergono come fattore chiave nelle opportunità dei mercati finanziari, gli investitori cercano previsioni accurate per prendere decisioni informate e aumentare i profitti. Ma prevedere i prezzi delle criptovalute non è facile; come un studio del 2020 osserva¹, è un compito difficile “a causa della sua natura caotica e molto complessa.”

La previsione dei prezzi delle criptovalute è il processo di prevedere i futuri movimenti di prezzo utilizzando dati storici, indicatori tecnici, comportamento di trading, informazioni macroeconomiche e altri set di dati, come il sentiment dei social media e l’attività della blockchain. Si colloca all’intersezione di importanti interessi finanziari e di una vera sfida scientifica.

Per gli investitori, la capacità di prevedere i futuri movimenti di prezzo porta con sé il potenziale di profitto. Attualmente, più di mezzo miliardo di persone possiedono almeno una criptovaluta, e Bitcoin da solo detiene il 58% del mercato crypto totale con una capitalizzazione di mercato di 1,5 trilioni di dollari.

Con così tanti utenti e così tanto capitale in movimento, anche un modello predittivo leggermente migliore può offrire un vantaggio finanziario significativo per molte persone.

L’apprezzamento rapido dei prezzi e le brusche flessioni in un breve periodo, in particolare, creano opportunità di profitto per i trader speculativi. I cicli crypto passati mostrano che quando la volatilità aumenta, i trader che reagiscono in tempo ruotando dentro e fuori dagli stablecoin ottengono risultati migliori. Tuttavia, navigare questi cambiamenti non dipende solo dalla disciplina; richiede anche lungimiranza, che è ciò che promettono i modelli di previsione.

Poiché le criptovalute vengono scambiate continuamente e sperimentano grandi oscillazioni a breve termine, gli strumenti di previsione sono anche utili a trader e investitori per migliorare il timing delle loro entrate, dimensionare le posizioni, bilanciare i portafogli, gestire l’esposizione al rischio e persino sfruttare opportunità di arbitraggio. Tuttavia, prevedere i prezzi delle criptovalute non è così semplice come prevedere gli asset finanziari tradizionali.

L’innata alta volatilità delle criptovalute, che le rende un mercato redditizio per la speculazione, complica anche l’analisi predittiva dei prezzi. Inoltre, i mercati crypto si muovono in base a emozioni, notizie e alle azioni dei principali detentori di token, o balene. Con una singola transazione, le balene possono muovere i mercati. Allo stesso modo, le narrazioni sui social media, gli sviluppi normativi, le condizioni macroeconomiche e i flussi di dati on-chain hanno un enorme impatto sui prezzi delle criptovalute.

Inoltre, la natura decentralizzata delle criptovalute, le loro caratteristiche distintive come la velocità delle transazioni e le variazioni dell’ecosistema, e la loro sensibilità a fattori quali avanzamenti tecnologici, politiche governative, eventi globali e percezione pubblica aggiungono difficoltà nel fare previsioni accurate.

Quindi, è difficile per i sistemi di IA prevedere i movimenti esatti delle criptovalute. La tecnologia fatica con problemi di qualità dei dati, scarsa generalizzazione, cambiamenti di regime e eventi cigno nero. I modelli di IA funzionano al meglio per segnali di direzione, valutazione del sentiment e probabilità di tendenza a breve termine, piuttosto che per obiettivi di prezzo precisi.

Nonostante le limitazioni, l’applicazione dell’IA alla previsione delle criptovalute è cresciuta notevolmente.

Le Promesse e i Punti di Fallimento dei Modelli di IA

Proprio come la previsione dei prezzi azionari, la previsione dei prezzi delle criptovalute è un tipico problema di serie temporali. Tuttavia, i metodi di previsione tradizionali, come i noti modelli autoregressivi integrati a media mobile (ARIMA) e le regressioni statistiche, faticano a catturare il comportamento non lineare dei prezzi crypto, che mostrano anche instabilità di regime e sensibilità a shock esogeni.

I modelli di IA, in particolare le architetture di deep learning, sono attraenti in questo contesto perché possono apprendere complesse relazioni temporali e adattarsi a grandi set di dati multidimensionali.

Il deep learning (DL) è un ramo del machine learning progettato per risolvere problemi non lineari e complessi. E con i valori delle criptovalute che mostrano un comportamento quasi caotico e imprevedibile, le tecniche di deep learning offrono un’ottima alternativa per prevedere i prezzi delle criptovalute.

Questi modelli sono diventati centrali nella ricerca moderna di previsione delle criptovalute e componenti standard dei desk di trading crypto istituzionali.

I moderni sistemi di previsione crypto guidati dall’IA utilizzano comunemente reti Long Short-Term Memory (LSTM) per la previsione di serie temporali, Convolutional Neural Networks (CNN) per l’estrazione di caratteristiche, architetture transformer per la modellazione di sequenze, modelli multivariati che sfruttano dati macroeconomici e asset correlati, sistemi di analisi del sentiment addestrati su notizie e dati dei social media, e reinforcement learning per strategie di trading automatizzate.

Le CNN e le reti LSTM sono due delle tecniche di deep learning più ampiamente utilizzate e di successo.

L’LSTM è un tipo speciale di Rete Neurale Ricorrente (RNN) progettata per elaborare dati sequenziali. Mentre le reti tradizionali faticano a ricordare il contesto a lungo termine, gli LSTM possono apprendere dipendenze a lungo termine usando connessioni di feedback.

Queste reti sono composte da una cella di memoria per memorizzare e aggiornare le informazioni nel tempo, un gate di ingresso che controlla quali nuove informazioni devono essere aggiunte alla cella, un gate di dimenticanza che controlla quali informazioni devono essere rimosse, e un gate di uscita che controlla quali informazioni dalla cella di memoria devono essere passate allo stato nascosto successivo e all’output, creando così un flusso di informazioni controllato.

I modelli LSTM hanno mostrato prestazioni notevoli nella previsione di serie temporali, dove sia i pattern storici recenti che quelli più lontani hanno peso predittivo.

Il Bidirectional Long Short-Term Memory (BiLSTM), nel frattempo, elabora i dati di sequenza in entrambe le direzioni, avanti e indietro. Connette due layer LSTM in direzioni opposte a un output condiviso, catturando sia informazioni contestuali passate che future e rendendolo altamente efficace per la previsione di serie temporali.

Poi ci sono le Convolutional Neural Networks, che sono modelli di deep learning specializzati progettati per elaborare dati strutturati a griglia, come immagini e video. Imitano il sistema visivo umano apprendendo automaticamente pattern spaziali, come quelli presenti in oggetti complessi, attraverso una gerarchia di filtri addestrabili. Le CNN utilizzano layer di convoluzione e di pooling per filtrare i dati grezzi in ingresso ed estrarre caratteristiche preziose, che vengono poi inviate a un layer completamente connesso per produrre l’output finale.

Per quanto riguarda l’architettura transformer, è il design fondamentale di deep learning alla base dell’IA moderna, che utilizza un meccanismo di auto-attenzione per catturare le relazioni tra gli input. Invece di procedere passo dopo passo, elabora intere sequenze simultaneamente.

Mentre questi modelli possono gestire l’instabilità strutturale dei mercati crypto, la domanda è se qualcuno di essi possa migliorare in modo significativo il trading nel mondo reale.

Molti di questi modelli incontrano problemi di alta dimensionalità e scalabilità, che limitano la loro adattabilità all’unica volatilità dei mercati delle criptovalute. Affrontano anche sfide legate all’overfitting, la tendenza dei modelli complessi a imparare rumore idiosincratico nel set di addestramento anziché un segnale generalizzabile.

Il divario tra le prestazioni in laboratorio e quelle nel mercato reale rimane ampio. Per gli investitori e i trader, ciò significa che invece di adottare gli strumenti di previsione IA come palle di cristallo, dovrebbero usarli come sistemi di supporto decisionale per ridurre l’incertezza.

Nuove Ricerche Mettono alla Prova l’IA Contro la Turbolenza Crypto

Ricercatori del Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics, UNSW Sydney, Australia, hanno pubblicato lo studio “Review of deep learning models for crypto price prediction: Implementation and evaluation²“, in cui valutano i modelli di deep learning per la previsione dei prezzi delle criptovalute in condizioni di volatilità.

Hanno trovato i modelli di machine learning e deep learning promettenti per le loro capacità predittive e la loro abilità di modellare dati multimodali, spaziotemporali e serie temporali.

In particolare, i ricercatori hanno investigato molteplici architetture di deep learning, includendo varianti LSTM e CNN, sistemi Conv-LSTM e modelli transformer, e hanno confrontato strategie di previsione univariate e multivariate su diverse criptovalute principali.

Lo studio si è concentrato su Bitcoin (BTC ), Ethereum (ETH ), Dogecoin (DOGE ) e Litecoin (LTC ), la cui performance di previsione è stata valutata utilizzando set di dati pre-COVID-19 per prevedere il periodo iniziale della pandemia e set di dati dell’era COVID per prevedere i prezzi dal 2023 al 2024.

Utilizzando questo design, i ricercatori hanno testato come i sistemi di deep learning rispondono a grandi cambiamenti di volatilità e a condizioni di mercato mutevoli.

Lo studio ha scoperto che un LSTM convoluzionale con strategie multivariate ha prodotto costantemente una performance di previsione “eccezionale” su tutte e quattro le criptovalute e in entrambe le condizioni sperimentali. La strategia che incorporava i prezzi di chiusura delle criptovalute altamente correlate insieme ai prezzi dell’oro ha raggiunto la massima accuratezza predittiva. Seguono i modelli LSTM bidirezionali, che hanno fornito risultati competitivi.

Nel frattempo, i modelli transformer hanno avuto prestazioni scarse rispetto a entrambi i sistemi, il che contraddice la loro reputazione dominante in altri ambiti. Ciò potrebbe dipendere dalla dimensione dei set di dati disponibili.

Bitcoin, fondato nel 2009, ha solo 17 anni, mentre Litecoin esiste da 15 anni. La popolare meme coin Dogecoin ha una storia di 13 anni, mentre Ethereum è attiva da poco più di un decennio.

La storia delle criptovalute è relativamente breve, mentre i modelli transformer sono adatti a grandi volumi di dati, e il meccanismo di attenzione che li rende potenti nel testo diventa un handicap quando applicato alle limitate serie temporali finanziarie di questi principali asset crypto.

Lo studio ha inoltre scoperto che i modelli di deep learning multivariati hanno superato i modelli univariati quando incorporavano criptovalute altamente correlate e variabili esterne come i prezzi dell’oro.

Ciò suggerisce che le criptovalute non si muovono in modo indipendente e che l’uso di segnali di mercato correlati può migliorare le prestazioni predittive. I ricercatori hanno osservato correlazioni particolarmente forti tra il comportamento dei prezzi di BTC e ETH, mentre DOGE ha mostrato pattern di volatilità più caotici e difficili da modellare. Tuttavia, aggiungere semplicemente più variabili a un modello non garantisce miglioramenti.

Secondo lo studio, incorporare variabili esterne generiche potrebbe fuorviare i modelli. I benefici di performance derivano dalla selezione di caratteristiche che hanno una relazione genuina e stabile con la variabile target. Pertanto, quando il team ha esteso il modello multivariato includendo la criptovaluta più altamente correlata insieme all’oro, l’accuratezza delle previsioni è migliorata in modo significativo.

È importante notare che la ricerca evidenzia che la volatilità riduce sostanzialmente l’accuratezza delle previsioni. I modelli addestrati su set di dati di volatilità COVID-19 hanno prodotto errori di previsione più elevati rispetto a quelli addestrati su dati pre-pandemia più stabili. Questo risultato supporta la prospettiva generale secondo cui, sebbene i sistemi di deep learning possano identificare strutture storiche e migliorare l’accuratezza delle previsioni a breve termine, le loro prestazioni peggiorano durante periodi di instabilità strutturale e stress di mercato.

Il cambiamento di regime COVID-19 ha fornito il test di stress più istruttivo. Quando i modelli addestrati su dati pre-pandemia sono stati valutati durante il primo periodo COVID, e quando i modelli addestrati su dati dell’era COVID sono stati usati per proiettare i prezzi nel 2023‑2024, l’accuratezza delle previsioni è diminuita notevolmente. Lo studio ha osservato:

“In termini dell’effetto del COVID-19, abbiamo riscontrato che la volatilità dei prezzi di chiusura per le criptovalute è abbastanza evidente, il che porta ulteriori sfide ai rispettivi modelli. I nostri risultati sperimentali mostrano che utilizzare un set di dati di addestramento con alta volatilità indebolisce la precisione delle nostre previsioni.”

Ha inoltre riportato che per il modello con le migliori prestazioni, l’errore quadratico medio (RMSE), che misura la differenza media tra i valori reali e quelli predetti, è aumentato da 0,02 per BTC e ETH nell’esperimento pre-COVID a 0,03 nell’esperimento dell’era COVID.

Per quanto riguarda la popolare meme coin DOGE, ha presentato sfide ancora maggiori a causa di picchi di volatilità estremi a gennaio e maggio 2021, quando la sua volatilità mensile ha superato il 20%, ben al di sopra dei livelli osservati nei dati di addestramento.

Inoltre, i modelli statistici più semplici come ARIMA e i percettroni multistrato (MLP) hanno avuto prestazioni molto peggiori rispetto alle architetture di deep learning nei compiti di previsione crypto.

Tuttavia, i ricercatori avvertono che l’accuratezza delle previsioni non dovrebbe essere considerata una garanzia di redditività nel trading. Sebbene un RMSE più basso migliori l’affidabilità predittiva, i risultati del trading nel mondo reale dipendono dalla qualità dell’esecuzione del trader, dalla liquidità di mercato, dallo slippage, dai costi di transazione e da improvvisi shock esterni.

La qualità e la scala dei dati sono altre limitazioni che potrebbero spiegare perché i modelli transformer faticano. Questo supporta ulteriormente l’idea che la sola complessità architetturale non garantisce migliori prestazioni nella previsione finanziaria.

Per migliorare i sistemi di previsione crypto, il documento raccomanda l’uso del deep learning bayesiano per la quantificazione dell’incertezza, modelli multimodali che incorporano dati da notizie e social media, inferenza causale per identificare variabili più fortemente correlate, e previsioni ad alta frequenza utilizzando dati orari o intraday.

Conclusione

Negli ultimi dieci anni, le criptovalute hanno guadagnato una notevole adozione e ora stanno vedendo una più profonda integrazione con il mondo finanziario tradizionale. Nonostante ciò, rimangono altamente volatili e suscettibili a comportamenti speculativi, interruzioni macroeconomiche e catalizzatori esterni imprevedibili, rendendo la previsione accurata dei prezzi estremamente difficile.

La previsione guidata dall’IA è evoluta da un argomento accademico di nicchia a un’area di grande interesse per trader, istituzioni e ricercatori finanziari che cercano di navigare questi mercati volatili in modo più efficace.

Tuttavia, sebbene i sistemi di machine learning possano migliorare la qualità delle previsioni, non possono eliminare l’incertezza né garantire costantemente risultati di trading redditizi. Anche i modelli avanzati rimangono vulnerabili a ambienti ad alta volatilità come il periodo COVID-19.

In definitiva, i modelli di previsione crypto basati sull’IA sono meglio visti come strumenti di supporto decisionale capaci di identificare pattern che gli analisti umani potrebbero perdere, elaborare set di dati a scale inaccessibili agli individui e generare segnali probabilistici che possono fornire un vantaggio significativo nelle decisioni di trading.

Clicca qui per scoprire tutto sull’investimento nell’intelligenza artificiale.

Riferimenti

1. Pintelas, E., Livieris, I. E., Stavroyiannis, S., Kotsilieris, T., & Pintelas, P. (7 maggio 2020). Indagine sul problema della previsione dei prezzi delle criptovalute: Un approccio di deep learning. Artificial Intelligence Applications and Innovations, 584, 99–110. Springer. https://pmc.ncbi.nlm.nih.gov/articles/PMC7256561/
2. Wu, J., Alom, M. Z., & Taha, T. M. (2026). Revisione dei modelli di deep learning per la previsione dei prezzi delle criptovalute: Implementazione e valutazione. Intelligent Systems with Applications, 29, 101337. Elsevier. https://www.sciencedirect.com/science/article/pii/S3050475926002101