Perché il mercato si sta orientando verso il rilevamento del flusso tossico guidato dall’IA — e perché nessuno è ancora arrivato al traguardo

Parlando con un numero sufficiente di broker agli eventi del settore, un argomento ricorre continuamente: una manciata di conti sta silenziosamente prosciugando il libro, e nessuno è davvero sicuro di come fermarlo senza irritare anche i clienti buoni. Il settore chiama questo fenomeno “flusso tossico” — ordini che, qualunque sia l’intento del trader, tendono a muoversi contro il broker nei secondi e minuti successivi all’esecuzione. È un problema antico. La novità è quanto spesso la “IA” viene citata come risposta in queste conversazioni — anche se, nella pratica, quasi nessuno dispone di uno strumento maturo e provato in produzione.

Per la maggior parte degli ultimi due decenni, la risposta di riferimento è stata un libro di regole: segnalare le operazioni sopra una certa dimensione, allargare gli spread prima delle notizie, limitare l’esposizione sui conti che mantengono posizioni per un tempo sospettosamente breve. Queste regole non sono una cattiva idea, e la maggior parte dei desk le utilizza ancora intensamente. Tuttavia condividono una debolezza — una regola cattura solo il modello per cui è stata scritta, e i trader di cui preoccuparsi sono solitamente quelli più rapidi a notare quale sia la regola e ad aggirarla.

Perché le soglie statiche stanno perdendo terreno

Molti dei noti pattern di flusso tossico — arbitraggio di latenza, spoofing, cattura di quotazioni obsolete su più venue — sono ben documentati in tutto il settore, e i trader tendono a leggere lo stesso materiale dei broker. Segnala qualsiasi operazione mantenuta sotto un secondo, e i trader iniziano a mantenerla per 1,2 secondi. Allarga gli spread 30 secondi prima di una grande notizia, e l’operazione avviene a 45. La regola non diventa più intelligente — è il trader che lo è. Vale la pena notare che anche i più grandi fornitori di piattaforme operano ancora principalmente in questo spazio piuttosto che in quello dell’IA: MetaQuotes’ new MT5 matching engine è dotto di dashboard di monitoraggio integrate nel terminale di gestione che consentono ai broker di vedere il flusso di ordini tossici e l’esposizione A‑book/B‑book in tempo reale — veramente utile, ma rimane una questione di visibilità e dashboard piuttosto che di modellazione predittiva.

C’è anche una questione più sottile: una soglia fissa tratta tutti i conti allo stesso modo, e non è davvero così che il rischio funziona nella pratica. LiquidityFinder offre una buona analisi di come i broker pensano realmente al flusso tossico, e un punto vale la pena sottolineare — la tossicità è relativa al business, non a una proprietà fissa di un’operazione. Ciò che per un broker è solo un errore di arrotondamento può rappresentare un vero problema per un altro, a seconda dei costi di copertura, del mix di clienti, di quanto si gestisce A‑book rispetto a B‑book. Una singola regola statica non può contenere contemporaneamente due definizioni diverse di “ok”. Questo è il divario a cui il settore continua a fare riferimento quando parla di IA — un modello addestrato sui dati di esecuzione del broker stesso potrebbe, in teoria, avvicinarsi molto di più.

Cosa significherebbe realmente “guidato dall’IA” in questo contesto

Vale la pena essere precisi su questo, perché oggi la “IA” viene associata a praticamente qualsiasi cosa con una dashboard, e la maggior parte di ciò che viene commercializzato sotto questa etichetta è ancora abbastanza simile a regole con passaggi aggiuntivi. La versione che contarebbe davvero è un passaggio dalle soglie statiche a modelli che apprendono dai markout — il movimento di prezzo nei momenti subito dopo la chiusura di un’operazione — su molte più variabili di quante possano ragionevolmente essere codificate manualmente: dimensione dell’ordine rispetto alla storia del conto, tempistica rispetto alla volatilità, correlazione con il comportamento di altri conti, oltre a una serie di segnali più piccoli che da soli significano quasi nulla ma che insieme formano un pattern.

C’è una ricerca precoce che punta in questa direzione, anche se è importante chiarire quanto sia precoce. Un articolo del 2023 su real-time toxicity prediction using Bayesian neural networks, testato su dati di transazioni FX in tempo reale, ha scoperto che un modello addestrato in modo sequenziale superava la regressione logistica, le foreste casuali e gli stimatori di massima verosimiglianza standard nella previsione se un’operazione sarebbe diventata tossica — sufficientemente veloce, in teoria, da informare una decisione di internalizzare o esternalizzare in tempo reale. È un risultato significativo in ambito accademico. È qualcosa di completamente diverso rispetto a un broker che lo esegue in modo affidabile in produzione su flusso live, con tutta la messa a punto dei falsi positivi e l’infrastruttura dati necessaria — e per quanto ne so, pochissime aziende sono effettivamente arrivate a questo punto.

Perché questo è più difficile di quanto suggeriscano le presentazioni

Niente di tutto ciò elimina la tensione fondamentale. Ogni sistema di rilevamento, regole o modelli, deve collocarsi da qualche parte sulla linea tra catturare il flusso realmente tossico e segnalare clienti legittimi che semplicemente operano in modo insolito. Finance Magnates offre un ottimo articolo su come i broker identificano i clienti tossici, e fa un’osservazione valida — segnalare troppo aggressivamente e i broker finiscono per allargare gli spread o ridurre il credito a persone che non sono mai state un problema, e quei clienti tendono a non restare più.

Un modello non elimina quel compromesso, ma ne cambia la forma — in teoria permette a un broker di tracciare la linea con molta più risoluzione rispetto a “oltre $X dimensione lotto” o “sotto Y millisecondi mantenuto”. Tuttavia ciò è valido solo se il modello è effettivamente ben calibrato, il che richiede un volume di dati storici puliti e etichettati che molti broker di media dimensione semplicemente non possiedono ancora, e una ricalibrazione continua a cui pochi team di rischio sono attualmente in grado di dedicarsi. Un modello addestrato in modo inadeguato classificherà erroneamente con la stessa sicurezza di una regola obsoleta — sembrerà semplicemente più preciso mentre lo fa, il che, si potrebbe sostenere, lo rende più pericoloso da fidarsi ciecamente.

Dove probabilmente si sta dirigendo

Le cause sottostanti del flusso tossico — trading istituzionale informato, HFT che sfrutta i gap di prezzo, grandi ordini aggressivi intorno alle notizie — non sono realmente cambiate in un decennio. cause sottostanti del flusso tossico. Ciò che è cambiato è la quantità di dati storici di esecuzione che le postazioni consolidate hanno ora a disposizione, il che è una parte importante del motivo per cui il rilevamento basato su modelli è ora discusso seriamente, invece di cinque anni fa, quando la maggior parte dei broker semplicemente non disponeva di dati puliti sufficienti per renderlo vantaggioso.

Mi aspetto che l’adozione sia più lenta e più caotica rispetto a quanto suggerisce l’attuale ondata di marketing dell’IA. I sistemi basati su regole non spariranno — sono economici, facili da spiegare a un team di conformità, e continuano a catturare bene i casi ovvi. Il percorso più realistico è una configurazione a più livelli nei prossimi anni: regole rapide e spiegabili per i casi chiari, con una valutazione basata su modelli che gradualmente si occupa della zona grigia molto più ampia nel mezzo, una volta che broker e fornitori avranno effettivamente messo il lavoro necessario per renderla affidabile piuttosto che solo commercializzabile. In Brokerpilot, quella zona grigia è esattamente ciò che osserviamo più da vicino mentre pensiamo a dove gli strumenti di rischio dovranno andare prossimamente.