L’intelligenza di sciame offre una visione più chiara dei mercati delle criptovalute

L’IA spiegabile può migliorare le previsioni sui mercati delle criptovalute?

Un sistema di previsione delle criptovalute può commettere errori più contenuti senza riuscire a prevedere in modo affidabile se i prezzi saliranno o scenderanno. È facile trascurare questa distinzione, ma è proprio ciò che separa uno strumento di ricerca promettente da una strategia di trading comprovata.

Un nuovo studio, accettato per la pubblicazione su Applied Soft Computing, esamina questa differenza attraverso un sistema che combina l’intelligenza di sciame con regole statistiche interpretabili.¹ Invece di considerare i mercati delle criptovalute come un unico flusso continuo di prezzi, i ricercatori insegnano al modello a riconoscere diversi stati di mercato e a stimare come si passa dall’uno all’altro.

I risultati indicano una direzione promettente per l’IA applicata alla finanza: formulare previsioni che le persone possano esaminare e mettere in discussione. Mostrano anche perché trasparenza, accuratezza statistica e redditività degli investimenti vadano valutate separatamente.

Come l’intelligenza di sciame individua gli stati dei mercati delle criptovalute

Il sistema combina l’ottimizzazione a sciame di particelle, o PSO, con le previsioni basate su modelli di Markov. Al di là della terminologia, la logica di fondo è accessibile.

Per prima cosa, il modello raggruppa i rendimenti giornalieri in stati che rappresentano diversi andamenti del mercato. Questi possono distinguere perdite contenute, movimenti relativamente neutrali e guadagni. La posizione dei confini tra gli stati è importante: una classificazione inadeguata può nascondere schemi utili o crearne di fuorvianti.

La PSO cerca confini migliori. Diverse soluzioni candidate si muovono in uno spazio matematico di ricerca e modificano la propria posizione sulla base delle informazioni ricavate dai risultati precedenti, propri e delle altre candidate. Il processo ricorda un gruppo che si scambia indizi mentre cerca un luogo promettente.

Un modello di Markov stima quindi le probabilità di transizione tra gli stati. Valuta che cosa tendeva ad accadere dopo condizioni recenti simili, invece di cercare di spiegare ogni movimento dei prezzi.

I ricercatori condizionano inoltre queste relazioni ai regimi di mercato, che comprendono diversi livelli di volatilità e differenti tendenze direzionali. Una transizione osservata in un mercato tranquillo non deve necessariamente avere lo stesso significato in una fase turbolenta.

L’innovazione centrale riguarda quindi il modo in cui il sistema apprende il proprio vocabolario di mercato. La definizione degli stati diventa parte del problema di previsione, anziché basarsi su categorie fisse imposte prima che le previsioni abbiano inizio.

Che cosa ha effettivamente rilevato lo studio sulle previsioni dei mercati delle criptovalute

Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), e XRP dal 1° gennaio 2018 al 22 aprile 2026. Un’analisi comparativa distinta, basata su finestre mobili, valuta Bitcoin, Ethereum e BNB rispetto a un random walk, al modello statistico classico ARIMA e al modello di apprendimento automatico XGBoost.

Si tratta di analisi complementari, che riguardano asset diversi. Il confronto su finestre mobili riporta complessivamente 270 previsioni fuori campione: non bisogna quindi confondere l’ampio insieme di dati storici con migliaia di previsioni valutate in modo indipendente.

L’RMSE, o radice dell’errore quadratico medio, penalizza maggiormente gli errori di previsione più ampi. Il MAE, o errore assoluto medio, misura l’entità media dell’errore senza attribuire questo peso aggiuntivo. Entrambi riguardano le previsioni dei rendimenti, non i profitti del trading.

Il sistema proposto registra l’RMSE più basso, ma il suo vantaggio rispetto ad ARIMA è contenuto. ARIMA ottiene un MAE leggermente migliore e i test statistici formali non dimostrano una differenza tra i due modelli nella perdita predittiva.

Le previsioni direzionali sono meno efficaci. Il sistema proposto individua correttamente la direzione nel 48,89% dei casi, un risultato statisticamente indistinguibile dal riferimento del 50%. Nessuno dei modelli testati dimostra un’accuratezza direzionale statisticamente superiore a tale riferimento.

La calibrazione delle probabilità rappresenta un ulteriore limite. Se un modello ben calibrato assegna a un esito una probabilità del 70%, quell’esito dovrebbe verificarsi circa il 70% delle volte su previsioni comparabili. ARIMA e XGBoost ottengono risultati migliori nelle misure aggregate di calibrazione riportate.

Perché errori di previsione più contenuti non garantiscono profitti nel trading

Un modello può mantenersi abbastanza vicino ai rendimenti effettivi e, al tempo stesso, sbagliarne ripetutamente la direzione. Quando molti movimenti giornalieri sono di entità ridotta, previsioni concentrate intorno allo zero possono contenere l’errore senza individuare opportunità di trading interessanti.

La redditività richiede ulteriori condizioni. I guadagni dipendono dall’entità delle posizioni vincenti e di quelle perdenti, dai prezzi di esecuzione, dalle commissioni, dagli spread e dalla frequenza delle operazioni della strategia. Anche un’elevata percentuale di previsioni direzionali corrette può accompagnarsi a perdite; una percentuale inferiore può invece talvolta risultare redditizia, se i guadagni superano le perdite.

Il paper non presenta una simulazione di trading corretta per i costi di transazione. I risultati giustificano ulteriori indagini sulle previsioni e sul monitoraggio, ma non dimostrano l’esistenza di un vantaggio d’investimento concretamente sfruttabile.

Questa distinzione integra la recente analisi di Securities.io sui rischi nascosti del trading di futures sulle criptovalute. Stimare un rendimento e capire se una posizione può essere negoziata in sicurezza sono attività correlate, ma distinte.

La spiegabilità genera un valore di tipo diverso

Il modello proposto rende visibili le regole di transizione e le osservazioni storiche che le supportano. Questo potrebbe aiutare un analista a stabilire se uno schema apparente poggia su prove consistenti o su un piccolo insieme di episodi insoliti.

Per esempio, una dashboard di ricerca potrebbe segnalare per una verifica manuale una regola di transizione supportata da prove limitate. Si tratta di una possibile applicazione, non di un risultato dimostrato dallo studio.

La trasparenza facilita anche l’analisi degli insuccessi. Gli analisti possono verificare se i confini degli stati sono diventati inadatti, se è cambiato un regime o se una transizione un tempo comune ha smesso di verificarsi. Questo valore diagnostico merita di essere valutato insieme alle prestazioni predittive.

La memoria del mercato delle criptovalute cambia con le condizioni

Nell’analisi principale condotta su quattro asset, tutti selezionano una dipendenza di primo ordine. In termini pratici, lo stato più recente fornisce il contesto di transizione selezionato. Sequenze più lunghe non producono automaticamente previsioni più utili.

Questo non significa che le informazioni più datate non siano mai importanti. Le osservazioni storiche restano necessarie per stimare le relazioni. Significa che aggiungere altri stati consecutivi a una regola di previsione può frammentare le prove disponibili.

Quando le sequenze possibili aumentano, ciascuna può disporre di un numero minore di esempi. I cambiamenti di regime complicano ulteriormente la situazione, perché le relazioni apprese in determinate condizioni possono indebolirsi quando le condizioni cambiano.

L’implicazione va oltre le criptovalute: la complessità deve dimostrare di meritare il proprio posto attraverso verifiche. Una memoria più lunga o un’architettura più elaborata è utile solo se le informazioni aggiuntive compensano la maggiore incertezza.

Anche la qualità dei dati è importante. L’analisi di Securities.io sul wash trading e sulla volatilità del mercato mette in luce perché l’attività apparente debba essere esaminata con attenzione. Aggiungere indicatori di volume o liquidità ai modelli futuri introdurrebbe nuove informazioni, ma anche nuovi requisiti di convalida dei dati.

Cosa dovrebbero esigere gli investitori dall’IA finanziaria

Il passo successivo consiste in una convalida più solida su un numero maggiore di asset, condizioni di mercato e metodi concorrenti. Gli autori indicano come ambiti di ulteriore lavoro benchmark più ampi, una calibrazione migliore, esecuzioni ripetute dell’ottimizzazione e una valutazione economica.

Gli investitori che valutano strumenti analoghi possono concentrarsi su tre domande:

• Le prestazioni si mantengono su dati non osservati e rispetto ad alternative semplici ma credibili?
• Le probabilità riportate corrispondono ai risultati osservati?
• Un eventuale vantaggio di trading resiste a costi di esecuzione realistici?

Tenere distinte queste domande evita che un risultato positivo su una misura si trasformi in un’affermazione non supportata su un’altra. Inoltre, offre agli sviluppatori obiettivi di miglioramento più chiari.

Coinbase collega l’analisi delle criptovalute alle infrastrutture di mercato

Per gli investitori interessati alle infrastrutture che supportano mercati delle criptovalute più sofisticati, Coinbase è una società quotata di interesse da esaminare. La sua piattaforma istituzionale riunisce servizi di esecuzione, custodia, finanziamento e altro tramite Coinbase Prime.

Il collegamento va oltre questo specifico metodo di previsione. Per trasformare la ricerca in flussi di lavoro utilizzabili, gli istituti hanno bisogno di dati affidabili, controlli operativi e infrastrutture di esecuzione. I modelli spiegabili potrebbero integrare questi sistemi, se verifiche successive ne dimostrassero il valore pratico.

Coinbase pubblica anche analisi di mercato. Le prospettive di Charting Crypto del 7 ottobre esaminano le condizioni on-chain, le valutazioni e la liquidità, illustrando l’insieme più ampio di informazioni disponibile oltre alle transizioni dei rendimenti storici.

Lo studio non dimostra che Coinbase utilizzi la sua architettura né che trarrebbe vantaggi finanziari dalla sua adozione. Le azioni Coinbase comportano inoltre rischi aziendali, competitivi, normativi e legati al mercato delle criptovalute. La domanda d’investimento pertinente è se la sua infrastruttura possa sostenere una domanda duratura da parte dei clienti, non se un singolo modello di previsione abbia successo.

Ultime notizie e aggiornamenti su Coinbase (COIN)

Un futuro più verificabile per le previsioni sulle criptovalute

Il contributo dello studio consiste in un processo di previsione ispezionabile, con prestazioni competitive in termini di errore dei rendimenti. I suoi limiti sono altrettanto istruttivi: le previsioni direzionali restano vicine al caso, la calibrazione deve migliorare e la redditività non è stata verificata.

I progressi possono derivare dal rendere più facile mettere in discussione l’IA finanziaria. Quando gli utenti possono esaminare le regole, comprendere le prove a sostegno e distinguere le prestazioni statistiche dal valore economico, dispongono di basi migliori per decidere quale ruolo assegnare a un modello nel processo di investimento.

Riferimenti:

¹ do Nascimento, K. K. F., & dos Santos, F. S. (2026). Un sistema intelligente di previsione di Markov ottimizzato con PSO per dinamiche delle criptovalute dipendenti dal regime. Applied Soft Computing. Pubblicazione online anticipata. https://doi.org/10.1016/j.asoc.2026.116666