Quantum Radar: quando seguire un settore diventa un lavoro

Inizio questo articolo con una precisazione necessaria, prima di raccontare come sono arrivato a monitorare un settore con l’intelligenza artificiale: non sono un investitore professionista e non sono un trader.Non cerco di prevedere il movimento di un titolo nelle prossime ore o nei prossimi giorni, né di costruire strategie di ingresso e uscita continuamente ottimizzate. Mi interessa piuttosto analizzare aziende o interi settori che, nel corso di alcuni anni, potrebbero produrre una forte discontinuità di valore: possibili unicorni, tecnologie che attraversano una fase di maturazione, mercati oggi marginali che potrebbero diventare molto più importanti di quanto appaiano. La pubblicistica di settore è piena di casi, alcuni molto interessanti, che meritano di essere osservati e approfonditi nel tempo.

Il profitto è naturalmente parte della scommessa, ma non è l’unico elemento che mi attira. Mi incuriosisce soprattutto verificare se una convinzione costruita oggi su un determinato settore — tecnologico, industriale o magari anche molto meno “digitale” — riesca a conservare un senso nel tempo, attraversando eventi, errori, mode, crisi e cambiamenti di scenario. Un approccio, se volete, da “cassettista” di altri tempi, ma supportato da strumenti moderni di osservazione.

Il mercato finanziario è poi un laboratorio particolarmente affascinante per un tecnologo, perché mette insieme fattori profondamente diversi: dati economici, aspettative, casualità, comportamento umano, algoritmi automatici, eccessi collettivi e volatilità. Il risultato non è soltanto non deterministico; spesso non è nemmeno riconducibile con facilità a un processo stocastico ben modellabile. Cause reali ed effetti apparenti possono sovrapporsi, separarsi e ricomporsi in modi difficili da interpretare.

È da qui che è nata l’idea di costruirmi un piccolo Quantum Radar.

Quando ho cominciato a seguire con maggiore attenzione alcune aziende impegnate nel calcolo quantistico, pensavo che la difficoltà principale sarebbe stata comprenderne la tecnologia. In parte era vero, naturalmente, ma dopo qualche tempo mi sono accorto che il problema più concreto era un altro: mantenere nel tempo una visione coerente di informazioni molto diverse senza perderne il contesto.

Prezzi, trimestrali, annunci industriali, partnership, roadmap tecnologiche, aumenti di capitale, dichiarazioni del management, aspettative degli analisti e oscillazioni improvvise dei titoli si accumulavano rapidamente. Ciascun elemento, preso da solo, era relativamente facile da leggere; molto più difficile era stabilire quanto modificasse davvero il quadro complessivo e quanto, invece, si limitasse ad aggiungere rumore a una storia già conosciuta.

Un forte rialzo può essere sostenuto da un’informazione nuova oppure soltanto da un cambiamento temporaneo dell’umore del mercato. Un crollo dopo una trimestrale può segnalare un deterioramento reale della tesi di lungo periodo oppure una semplice correzione di aspettative diventate troppo ambiziose. Una promessa del management può sembrare importante se letta oggi e rivelarsi quasi identica a quella formulata sei mesi prima. Soprattutto, è sorprendentemente facile dimenticare che cosa pensavamo davvero di una società quando avevamo deciso di seguirla o di acquistarla.

A quel punto una raccolta di link, appunti e fogli Excel comincia a mostrare i suoi limiti. Non perché manchino le informazioni, ma perché ce ne sono troppe e arrivano con velocità, peso e affidabilità molto diversi. Anche la memoria umana contribuisce al problema: privilegia gli eventi recenti e spettacolari e tende inevitabilmente a ricostruire il passato alla luce di ciò che sappiamo oggi. Dopo un forte rialzo, i segnali positivi che lo precedevano sembrano quasi inevitabili; dopo un crollo, diventano improvvisamente evidenti tutte le avvisaglie negative che avevamo trascurato.

Quantum Radar è nato per mettere un po’ d’ordine proprio in questo spazio. Non per prevedere il mercato e nemmeno per decidere automaticamente quando comprare o vendere, ma per costruire una traccia ordinata e persistente del settore osservato.

Il nome descrive abbastanza bene l’idea. Un radar non governa la nave e non sceglie la rotta: rende visibile ciò che accade intorno e aiuta chi governa a interpretarlo. Allo stesso modo, Quantum Radar raccoglie dati di mercato, eventi e notizie sulle aziende osservate, li dispone lungo una continuità temporale e segnala ciò che sembra modificare davvero lo scenario. La decisione resta altrove.

La parte che trovo più interessante, dal punto di vista dell’intelligenza artificiale, è che proprio costruendo lo strumento è diventato evidente quanto poco senso avrebbe avuto affidarle tutto. I prezzi devono essere numeri esatti, le date devono restare date, le variazioni percentuali devono essere calcolate da codice deterministico e gli elementi storici devono essere archiviati senza reinterpretazioni. In queste attività un modello linguistico sarebbe inutile e, in qualche caso, persino pericoloso.

L’IA entra quando il problema cambia natura: quando occorre leggere testi, confrontare notizie, riconoscere elementi ricorrenti, sintetizzare molte informazioni o valutare se un nuovo fatto confermi oppure incrini una traiettoria già osservata. Non la uso per chiederle quale titolo comprare, ma per capire quali elementi siano davvero nuovi, quali rafforzino una lettura precedente e quali meritino invece di rimetterla in discussione.

Il principio, alla fine, è molto semplice: il codice calcola, le fonti forniscono i dati, il database ricorda, il modello linguistico interpreta e la persona decide.

Usandolo nel tempo ho scoperto però qualcosa che non avevo previsto. Pensavo che il vantaggio principale sarebbe consistito nell’ottenere segnali migliori; mi sono accorto invece che il valore più importante è costringermi a una maggiore coerenza.

Quando accade qualcosa di rilevante non devo ricostruire mentalmente ciò che pensavo settimane prima: posso confrontare l’evento con quanto era stato registrato allora e capire più facilmente se rappresenti una vera discontinuità, una conferma oppure soltanto un episodio inserito in un movimento più generale del settore.

Quantum Radar non elimina quindi l’incertezza — e sarebbe sospetto se pretendesse di farlo — ma la rende un po’ più leggibile.

C’è poi un effetto ancora più interessante. Quando una decisione si rivela sbagliata, una traccia strutturata rende molto più difficile riscriverne retroattivamente le ragioni. Rimangono le informazioni disponibili in quel momento, le aspettative formulate e le considerazioni che avevano portato a una certa scelta. In qualche occasione il sistema ha infatti evidenziato non un errore del mercato o una previsione mancata dall’algoritmo, ma una debolezza del mio stesso processo decisionale.

Per uno strumento nato per aiutare a osservare il futuro, la capacità di conservare senza alterarlo il passato si è rivelata una delle caratteristiche più preziose.

Potrebbe sembrare un caso molto particolare, e in effetti lo è. Ma è proprio qui che Quantum Radar diventa interessante come primo caso di Officina AI.

È nato per un bisogno estremamente circoscritto: seguire un piccolo gruppo di aziende appartenenti a un settore emergente, costruendo nel tempo una rappresentazione coerente di dati, eventi, notizie e valutazioni. Non è pensato come un prodotto per milioni di persone e probabilmente avrebbe anche poco appeal commerciale. Per chi ha esattamente quel problema, però, può diventare uno strumento molto utile.

È questa la trasformazione su cui sto lavorando. L’intelligenza artificiale rende oggi possibile costruire strumenti che fino a pochi anni fa sarebbero stati troppo costosi, troppo complessi o semplicemente sproporzionati rispetto al bisogno, non perché l’IA faccia tutto, ma perché riduce drasticamente la distanza tra un’esigenza ben compresa e la possibilità di trasformarla in software.

Quantum Radar è soltanto il primo caso. Nella prossima puntata entreremo dentro il sistema e vedremo come dati di mercato, notizie, memoria storica, regole deterministiche e modello linguistico vengono tenuti separati e fatti lavorare insieme.

Perché il punto non è costruire una macchina più intelligente, ma uno strumento abbastanza semplice da poter essere compreso, corretto e governato.