Il Giorno in cui Sono Scomparsi Mille Miliardi di Dollari — E Perché gli Algoritmi "Intelligenti" Hanno Peggiorato le Cose

Ero in una call con il mio team quando qualcuno ha condiviso uno screenshot del Nikkei. Era in calo dell'8%. Poi del 10%. Poi del 12,4%.

Era il 5 agosto 2024. Il mercato giapponese stava vivendo la sua giornata peggiore dal Lunedì Nero del 1987. Il VIX — l'indice che misura la paura di Wall Street — aveva raggiunto un picco di 65,73, un livello che non vedevamo dalla crisi finanziaria del 2008 e dalle prime settimane del COVID. Mille miliardi di dollari di capitalizzazione di mercato stavano evaporando solo dalle azioni dell'IA e della tecnologia.

Ricordo uno dei miei ingegneri che disse, quasi scherzando: "Quindi gli algoritmi stanno di nuovo facendo trading l'uno contro l'altro."

Non aveva torto. E quella frase — facendo trading l'uno contro l'altro — è la parte scomoda che nessuno nell'industria dell'IA vuole dire ad alta voce. Tra il 60% e il 70% degli scambi globali sono ora eseguiti da algoritmi. La maggior parte di questi algoritmi sono sistemi probabilistici: prevedono la prossima mossa probabile basandosi su schemi nei dati storici. Non capiscono cosa sta succedendo. Non sanno perché lo Yen si stia rafforzando o cosa significhi per la liquidità la chiusura di un carry trade. Vedono solo i segnali di prezzo e reagiscono.

Il 5 agosto, hanno reagito tutti nella stessa direzione, allo stesso tempo, a un segnale che era in parte un artefatto tecnico. E il risultato è stato un effetto cascata che nessun singolo trader umano avrebbe potuto causare.

Quel giorno ha cambiato il mio modo di pensare a ciò che stiamo costruendo in Veriprajna. Ha confermato una cosa che sostenevo da anni: l'IA probabilistica senza guardrail deterministici non è solo inaffidabile, è pericolosa.

Cosa è successo realmente il 5 agosto?

La storia di superficie è macroeconomica. La Bank of Japan ha sorpreso i mercati con un aumento dei tassi di interesse dello 0,25%. Nella stessa settimana, un debole rapporto sui posti di lavoro negli Stati Uniti ha innescato la "Regola di Sahm", un indicatore di recessione basato sull'aumento della disoccupazione. Due dati. Nessuno dei due, da solo, catastrofico.

Ma sotto quei titoli di giornale c'era una massiccia scommessa con leva finanziaria che si stava accumulando da oltre un decennio: il carry trade sullo Yen.

Ecco la versione breve. Il Giappone ha mantenuto i tassi di interesse vicini allo zero per anni. La Federal Reserve statunitense ha spinto i tassi al 5,5%. Così hedge fund, investitori istituzionali e perfino trader al dettaglio hanno preso in prestito a basso costo in Yen e hanno riversato quel denaro in asset a rendimento più elevato: azioni tecnologiche statunitensi, mercati emergenti, criptovalute. Il differenziale dei tassi di interesse era denaro gratis, finché lo Yen restava debole.

La teoria economica dice che questo non dovrebbe funzionare. La Parità dei Tassi di Interesse prevede che i movimenti del tasso di cambio dovrebbero compensare il guadagno del tasso di interesse. Ma in pratica, c'è un'anomalia ben documentata chiamata Forward Premium Puzzle: le valute ad alto tasso di interesse tendono ad apprezzarsi nel breve termine, rendendo il carry trade ancora più redditizio. Quindi la posizione è cresciuta. E cresciuta.

Quando la BOJ ha aumentato i tassi e lo Yen si è rafforzato del 7,7% in una sola settimana, il "carry" è diventato una perdita. Sono arrivate le margin call. Il deleveraging è stato violento.

Ma ecco cosa mi preoccupa: i fattori macroeconomici scatenanti spiegano forse metà della storia. La magnitudo — la velocità, il contagio, il crollo da mille miliardi di dollari — quella era algoritmica.

L'indicatore della paura stava mentendo

Questa è la parte che mi tiene ancora sveglio la notte.

Il VIX, che tutti considerano come la misura definitiva della paura del mercato, non è calcolato sui prezzi effettivi degli scambi. Deriva dai prezzi medi delle opzioni dell'S&P 500: il punto medio tra ciò che gli acquirenti offrono e ciò che i venditori chiedono.

Durante le ore pre-mercato del 5 agosto, la liquidità si è prosciugata. I market maker hanno ampliato i loro spread denaro-lettera per proteggersi. Poiché i prezzi delle opzioni non possono scendere sotto lo zero e le offerte minime sono spesso fissate a circa 5 centesimi, questo ampliamento dello spread ha spinto meccanicamente il prezzo medio verso l'alto. Il VIX ha registrato un'impennata del 180% prima ancora dell'apertura del mercato.

Il VIX non è schizzato alle stelle perché la paura fosse superiore del 180%. È schizzato alle stelle perché la liquidità era inferiore del 180%. E migliaia di algoritmi non sono riusciti a notare la differenza.

Fondi con obiettivi di volatilità, Commodity Trading Advisors (CTA): questi sistemi sono programmati per scaricare le azioni quando la volatilità implicita aumenta. Hanno visto il numero del VIX. Hanno venduto. Le loro vendite hanno spinto i prezzi ancora più in basso, innescando la vendita da parte di altri algoritmi, che ha spinto il VIX ancora più in alto.

Era un ciclo di feedback costruito su un artefatto di misurazione. L'"indicatore della paura" stava in parte misurando il proprio riflesso.

Ne ho parlato durante una riunione del team la settimana successiva, e uno dei nostri data scientist ha mostrato l'analisi della Banca dei Regolamenti Internazionali che confermava esattamente questo meccanismo. Ricordo che la stanza si zittì. Stavamo costruendo sistemi neuro-simbolici per clienti aziendali — conformità fiscale, logistica delle costruzioni — ma questo è stato il momento in cui ho capito che lo stesso difetto architettonico si trovava al centro della finanza globale.

Perché i sistemi di IA "intelligenti" non lo hanno intercettato?

La gente me lo chiede sempre. Se l'IA è così potente, perché non ha evitato il crollo? Perché gli algoritmi di trading non hanno riconosciuto l'anomalia del VIX?

Perché non erano stati progettati per farlo. Erano stati progettati per reagire ai segnali, non per ragionare su di essi.

La maggior parte dei sistemi di trading odierni guidati dall'IA sono ciò che io chiamo wrapper probabilistici. Sono interfacce sottili costruite su modelli linguistici di grandi dimensioni o motori di previsione statistica. Sono molto bravi nel riconoscimento di schemi: trovare correlazioni nei dati storici, prevedere i movimenti dei prezzi a breve termine. Ma non hanno alcun modello interno del perché le cose accadono.

Un sistema probabilistico addestrato sui dati storici del VIX imparerà: "Quando il VIX supera quota 40, vendi le azioni." È un'euristica utile nei mercati normali. Il 5 agosto, era benzina sul fuoco. Il sistema non poteva chiedersi: "Aspetta, questo picco del VIX è guidato dalla volatilità realizzata o da un artefatto di misurazione basato sulle quotazioni in un ambiente a bassa liquidità?" Quella domanda richiede un ragionamento causale. Richiede la comprensione della microstruttura del mercato. Richiede ciò che chiamiamo logica deterministica — e i modelli probabilistici non ce l'hanno.

Una volta un investitore mi disse, in modo schietto: "Usa semplicemente GPT. Fai il fine-tuning sui dati di mercato." Ho provato a spiegare che un modello linguistico che prevede il prossimo token probabile è fondamentalmente diverso da un sistema che può far rispettare il vincolo "non eseguire un ordine di vendita innescato da una lettura del VIX che diverge di oltre 3 deviazioni standard dalla volatilità realizzata." Mi guardò come se stessi complicando troppo le cose.

Il 5 agosto è stata la smentita da mille miliardi di dollari.

Cosa significa realmente "Deep AI" per i mercati?

In Veriprajna, usiamo il termine "Deep AI" per distinguere ciò che costruiamo dall'ondata di wrapper di IA che inondano il mercato. Non è un termine di marketing: è un impegno architettonico. Ho scritto approfonditamente di questa filosofia nella versione interattiva della nostra ricerca, ma l'idea centrale è questa:

Le reti neurali servono per la percezione. La logica simbolica serve per la verità.

Lo chiamiamo il "Sandwich Neuro-Simbolico". Una rete neurale ingerisce dati: feed di prezzi, notizie, dinamiche del portafoglio ordini. È eccellente in questo. Il riconoscimento degli schemi è ciò per cui sono nate le reti neurali. Ma prima che quell'output neurale raggiunga qualsiasi livello decisionale, passa attraverso un motore di vincoli simbolico — un livello deterministico che fa rispettare regole immutabili.

Quelle regole non si imparano dai dati. Sono codificate esplicitamente. Requisiti di margine. Soglie di liquidità. Vincoli normativi. Logica temporale: la consapevolezza che una decisione sui tassi della BOJ a luglio è causalmente a monte di una margin call ad agosto, anche se appaiono in frammenti di dati diversi.

In un sistema neuro-simbolico, la verità non è una probabilità statistica. È una certezza verificata e supportata dalla logica. La rete neurale dice "questo schema sembra un segnale di vendita." Il livello simbolico chiede "questo segnale di vendita viola qualche vincolo che sappiamo essere vero?" Se sì, il segnale viene bloccato. Nessuna negoziazione.

Questa non è teoria. Abbiamo costruito questi motori di vincoli per la conformità fiscale, dove un agente di IA non può letteralmente raccomandare una posizione di dichiarazione dei redditi che violi la legge statutaria, non importa quanto sia convincente il prompt. La stessa architettura si applica al trading: un agente che non può eseguire un trade innescato da una lettura del VIX che riesce a identificare come anomala.

Perché gli attuali sistemi di IA falliscono in questo?

C'è una specifica modalità di guasto tecnico che spiega molto di ciò che è andato storto il 5 agosto, ed è la stessa modalità di guasto che vedo in quasi tutti i prodotti finanziari "basati sull'IA" sul mercato.

Si chiama Naive RAG — Retrieval-Augmented Generation. L'idea è semplice: prendere un modello linguistico di grandi dimensioni, collegarlo a un database di documenti (report di mercato, notizie, documenti depositati) e lasciargli recuperare il contesto pertinente prima di generare una risposta.

Il problema è come viene selezionato il "contesto pertinente". La maggior parte dei sistemi RAG suddivide i documenti in frammenti di dimensioni fisse, li converte in vettori numerici e recupera i frammenti che sono matematicamente più simili alla query. Ciò crea tre catastrofici punti ciechi:

Cecità temporale. Un frammento su un "crollo del mercato" del 2010 e un frammento su un "crollo del mercato" del 2024 sembrano quasi identici come vettori. Il modello non riesce a distinguere tra un evento storico e uno in corso di sviluppo. Il 5 agosto, gli strumenti di analisi delle notizie sull'IA stavano confondendo le risposte politiche di dieci anni fa con le condizioni in tempo reale.

Frammentazione narrativa. La scomposizione in frammenti distrugge il filo di una storia in via di sviluppo. La decisione sui tassi della BOJ, l'apprezzamento dello Yen e la margin call di un hedge fund sono tre frammenti separati in tre articoli separati. L'IA non riesce a collegarli.

Fallimento del ragionamento multi-hop. Il crollo del carry trade richiedeva una logica transitiva: la BOJ ha aumentato i tassi → lo Yen si è rafforzato → le posizioni del carry trade sono diventate non redditizie → le vendite forzate hanno colpito le azioni tecnologiche statunitensi → il VIX è schizzato alle stelle → i fondi con obiettivi di volatilità hanno venduto di più. Si tratta di una catena causale a sei fasi. La Naive RAG non è in grado di farlo.

Noi sostituiamo tutto questo con knowledge graph — mappe esplicite delle relazioni tra attori economici, valute, strumenti e organismi di regolamentazione. Quando una decisione sui tassi della BOJ entra nel sistema, il knowledge graph sa già che è collegata alle posizioni di carry trade sullo Yen, che a loro volta sono collegate all'esposizione sulle azioni statunitensi, che è collegata ai fondi sensibili al VIX. Il ragionamento è strutturale, non statistico.

Come si modella il contagio prima che avvenga?

È qui che le Graph Neural Network — GNN — hanno cambiato il mio modo di pensare al rischio finanziario.

I modelli di rischio tradizionali trattano gli asset come dati indipendenti o usano matrici di correlazione statiche. Quelle matrici sono calibrate durante mercati calmi. Durante un flash crash, le correlazioni schizzano a 1 (tutto viene venduto insieme) e il modello si rompe.

Una GNN tratta il mercato per quello che è in realtà: una rete. I nodi sono gli asset. Gli archi sono l'intensità del flusso di informazioni tra di essi. Il Nikkei 225 è collegato all'USD/JPY che è collegato a Nvidia che è collegato al VIX. La GNN apprende non solo lo stato di ogni nodo, ma anche come gli shock si propagano attraverso gli archi.

La nostra ricerca mostra che le GNN raggiungono un Errore Quadratico Medio di 0,0025 e una Radice dell'Errore Quadratico Medio di 0,050 nella previsione della volatilità, superando significativamente le reti neurali ricorrenti tradizionali e persino i Transformer. La ragione è strutturale: le GNN catturano interazioni multi-hop. Possono identificare che uno shock allo Yen si propagherà attraverso le posizioni di carry trade alle azioni tecnologiche statunitensi prima che il movimento dei prezzi si manifesti nelle serie storiche.

Ma — e questa è la parte che conta — non lasciamo che la GNN agisca da sola. Il suo output alimenta il livello di vincolo simbolico. La GNN dice "la probabilità di contagio dal JPY al Nasdaq è elevata." Il motore simbolico controlla: "Le attuali posizioni del carry trade sono superiori alla soglia codificata nelle nostre regole di rischio? Il comportamento del VIX è coerente con la volatilità realizzata o si tratta di un'anomalia basata sulle quotazioni?" Solo dopo aver superato entrambi i controlli il sistema genera una raccomandazione.

Una GNN senza vincoli simbolici è un pulsante antipanico molto accurato. Una GNN con vincoli simbolici è un sistema di gestione del rischio.

Per l'analisi tecnica completa di questa architettura, inclusi i framework di reinforcement learning che utilizziamo per gli agenti di trading consapevoli dei margini, consulta il nostro documento di ricerca.

Il problema della scatola nera non è solo tecnico: è legale

Ecco qualcosa che non riceve abbastanza attenzione: i regolatori stanno prendendo di mira l'IA opaca.

La CFTC e la SEC sono sempre più concentrate sulla trasparenza del trading algoritmico. Una scatola nera che esegue un ordine di vendita di 100 milioni di dollari e non sa spiegare il perché non è solo un rischio tecnico: è una responsabilità di conformità. La Banca dei Regolamenti Internazionali ha pubblicato linee guida esplicite su come le autorità di regolamentazione dovrebbero affrontare la spiegabilità dell'IA nei mercati finanziari.

Noi integriamo la spiegabilità nell'architettura fin dall'inizio. Il nostro livello di vincolo simbolico è intrinsecamente interpretabile: è possibile tracciare ogni decisione fino alla regola specifica che l'ha permessa o bloccata. Per i componenti neurali (le GNN, gli agenti di reinforcement learning), applichiamo tecniche post-hoc: valori SHAP che mostrano quali variabili hanno guidato una previsione, spiegazioni controfattuali che mostrano come un input diverso avrebbe cambiato l'output.

Ho avuto una conversazione con una responsabile della conformità di un fondo di medie dimensioni che mi ha detto che il loro attuale sistema di trading di IA genera raccomandazioni che non possono essere verificate. "Ci fidiamo e basta," ha detto. "Fino a quando non sbaglia, e a quel punto dobbiamo spiegare al consiglio di amministrazione perché ci siamo fidati."

Questa è la crisi della conformità in una frase. Ed è per questo che allineiamo ogni implementazione all'AI Risk Management Framework del NIST, non come un esercizio per spuntare caselle, ma come un'architettura operativa. I quattro pilastri del framework (Governare, Mappare, Misurare, Gestire) corrispondono direttamente a come costruiamo: politiche di supervisione integrate nel sistema, mappatura dei rischi di ogni dipendenza dai dati, misurazione continua della deriva del modello e kill switch deterministici per quando il sistema rileva di operare al di fuori del suo raggio di affidabilità.

E l'argomento del "Basta aggiungere più dati"?

La gente si oppone all'approccio neuro-simbolico. Dicono: "Se i modelli probabilistici hanno fallito il 5 agosto, la risposta è avere modelli probabilistici migliori. Più dati di addestramento. Finestre di contesto più ampie. Fine-tuning sugli scenari di crisi."

Capisco l'attrattiva. È più semplice. Si adatta alla catena di strumenti attuale. Ed è sbagliato.

La chiusura del carry trade dell'agosto 2024 è stato un evento senza precedenti. La combinazione specifica di un aumento dei tassi della BOJ, l'innesco della Regola di Sahm, un'anomalia nella quotazione del VIX e la simultanea chiusura di una posizione con leva finanziaria di svariati trilioni di dollari: quella configurazione esatta non era mai accaduta prima. Nessuna quantità di dati di addestramento storico la contiene.

I modelli probabilistici estrapolano dal passato. I motori di vincoli deterministici codificano le regole che governano il presente. Le regole dei requisiti di margine non cambiano durante una crisi. I meccanismi di calcolo del VIX non cambiano durante una crisi. La relazione causale tra i differenziali dei tassi di interesse e la redditività del carry trade non cambia durante una crisi. Queste sono le cose che un livello simbolico può far rispettare, indipendentemente dal fatto che lo scenario specifico sia già stato visto in precedenza.

Non puoi uscire da una crisi senza precedenti con l'addestramento. Puoi solo attraversarla ragionando, e il ragionamento richiede una struttura che i modelli probabilistici non possiedono.

L'era dei wrapper è finita

Ho passato gli ultimi anni a guardare l'industria dell'IA costruire facciate sempre più elaborate sulle stesse fondamenta probabilistiche. Interfacce sottili su GPT-4. Dashboard "basate sull'IA" che sono in realtà solo modelli di prompt che chiamano un'API. Il mondo della consulenza le chiama "soluzioni di IA". Io li chiamo wrapper sulle sabbie mobili.

Il 5 agosto 2024 è stato il giorno in cui le sabbie mobili si sono spostate. Mille miliardi di dollari sono scomparsi non perché i fondamentali siano crollati, ma perché gli algoritmi non riuscivano a ragionare sul mondo in cui stavano operando. Non riuscivano a distinguere un artefatto di liquidità dalla vera paura. Non riuscivano a tracciare una catena causale a sei fasi da Tokyo a Wall Street. Non potevano confrontare i propri output con i meccanismi di base di come viene calcolato il VIX.

Noi costruiamo sistemi in grado di farlo. Non perché siamo più intelligenti, ma perché abbiamo fatto una scelta architettonica diversa. Abbiamo scelto di trattare l'IA non come un motore di previsione che ogni tanto ha fortuna, ma come un sistema ingegneristico in cui ogni output viene verificato rispetto a una logica esplicita e verificabile.

La corsa all'oro dell'IA premiava la velocità. La prossima era premierà la verità. E la verità, in qualsiasi campo importante (finanza, legge, medicina, infrastrutture) richiede più della probabilità. Richiede prove.

Questa non è una copertura del rischio. Questa è una base.