Regime-aware financial volatility forecasting via in-context learning

Questo lavoro introduce un framework di apprendimento in contesto guidato da modelli linguistici di grandi dimensioni che, senza bisogno di riaddestramento, migliora la previsione della volatilità finanziaria adattandosi dinamicamente alle diverse regimie di mercato attraverso un campionamento contestuale mirato.

L'essenziale

🌊 Prevedere le Onde: Come un "Saggio" AI impara a navigare i mercati finanziari

Immagina di dover prevedere il meteo per il giorno dopo. Se è una giornata di sole tranquillo, è facile: prendi il cappello e vai. Ma se improvvisamente arriva un uragano, le previsioni classiche spesso falliscono perché si basano solo su ciò che è successo ieri.

I mercati finanziari sono esattamente così: a volte sono calmi (come una giornata di sole), a volte sono caotici e violenti (come un uragano). Questo cambiamento improvviso si chiama "regime" (o stato del mercato).

Il paper che hai condiviso presenta un nuovo modo per usare l'Intelligenza Artificiale (in particolare i grandi modelli linguistici, o LLM, come quelli che usi per chattare) per prevedere quanto saranno "turbolenti" i mercati finanziari domani, senza doverla addestrare da zero ogni volta che il tempo cambia.

Ecco come funziona, passo dopo passo, con delle analogie semplici:

1. Il Problema: L'AI che si perde quando il mercato impazzisce

I metodi tradizionali per prevedere la volatilità (quanto un prezzo oscilla) sono come meteorologi che guardano solo il calendario. Se ieri era soleggiato, dicono che oggi lo sarà. Funziona bene nei periodi tranquilli, ma quando arriva un uragano improvviso (una crisi di mercato), questi metodi falliscono miseramente perché non sanno adattarsi velocemente.

Anche le Intelligenze Artificiali "semplici" hanno lo stesso problema: se chiedi a un'AI di prevedere il futuro basandosi solo su dati storici, spesso sbaglia proprio quando serve di più, cioè durante le crisi.

2. La Soluzione: L'AI che impara "guardando gli esempi" (In-Context Learning)

Invece di insegnare all'AI nuove regole matematiche (che richiederebbe tempo e potenza di calcolo), gli autori usano un trucco geniale: le danno degli esempi da studiare prima di fare la previsione.

Immagina di essere un medico esperto (l'AI). Prima di visitare un paziente, non devi studiare un nuovo libro di testo. Invece, il tuo assistente ti porge una cartella con 5 casi simili a quello del paziente che hai davanti:

• "Guarda, 5 anni fa c'era una crisi simile a questa, e il paziente ha reagito così..."
• "Vedi, l'anno scorso c'era un periodo di calma, e il paziente ha reagito così..."

L'AI legge questi esempi (questo si chiama In-Context Learning) e usa la sua intelligenza per dedurre cosa succederà oggi. Non cambia il suo "cervello" (i parametri), ma cambia il contesto in cui lavora.

3. Il Trucco Magico: Il "Filtro dei Regimi"

Il vero problema è: quali esempi devo dare all'AI?
Se dai all'AI esempi di giorni di sole per prevedere un uragano, si confonderà.

Gli autori hanno creato un sistema intelligente per scegliere gli esempi giusti:

• Il Filtro: Prima di chiedere all'AI di fare una previsione, il sistema controlla se il mercato attuale sembra "calmo" o "turbolento".
• La Selezione:
  • Se il mercato sembra calmo, l'AI riceve solo esempi di giorni calmi dal passato.
  • Se il mercato sembra turbolento, l'AI riceve solo esempi di giorni di crisi e panico.

È come se un capitano di nave, prima di entrare in una tempesta, consultasse il diario di bordo solo delle altre volte in cui la nave ha affrontato tempeste, ignorando completamente le pagine sui giorni di bonaccia.

4. L'Allenamento: Il "Tutor" che corregge gli errori

Ma come fa l'AI a sapere quali esempi sono buoni?
Gli autori hanno usato un metodo chiamato "Rifinitura guidata dall'Oracolo".
Immagina un allenatore di calcio (l'Oracolo) che guarda le previsioni dell'AI.

1. L'AI fa una prima previsione.
2. L'allenatore guarda il risultato reale e dice: "Hai sbagliato, la realtà era così. La prossima volta, prova a corregerti in questo modo".
3. L'AI riprova e impara dall'errore.

Questo processo crea una "biblioteca" di esempi super-precisi, etichettati come "Casi di Calma" o "Casi di Tempesta". Quando arriva il momento di fare una previsione reale, l'AI attinge da questa biblioteca perfetta.

5. I Risultati: Perché è importante?

Hanno testato questo sistema su azioni famose (come l'S&P 500) e valute (Euro/Dollaro).

• Risultato: Il sistema ha funzionato molto meglio dei metodi classici, specialmente quando il mercato era in crisi.
• Il vantaggio: Mentre i metodi vecchi fallivano durante le tempeste (perdendo soldi o non proteggendo il portafoglio), questo nuovo sistema ha ridotto l'errore di previsione del 27% durante i momenti di alta volatilità.

In sintesi

Questo paper ci dice che non serve creare un'AI nuova ogni volta che il mercato cambia. Basta usare un'AI intelligente e darle gli esempi giusti al momento giusto.
Se il mercato è calmo, diamole esempi di calma. Se il mercato è in crisi, diamole esempi di crisi. È come dare a un navigatore la mappa giusta per il tipo di terreno che sta attraversando, permettendogli di arrivare a destinazione anche quando la strada diventa pericolosa.

È un approccio che unisce la saggezza del passato (i dati storici) con la flessibilità dell'intelligenza artificiale, rendendo le previsioni finanziarie più robuste proprio quando ne abbiamo più bisogno.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "Regime-Aware Financial Volatility Forecasting via In-Context Learning", presentato come lavoro per il workshop di ICLR 2026.

1. Il Problema

La previsione della volatilità finanziaria è fondamentale per la gestione del rischio, la valutazione dei derivati e l'allocazione dei portafogli. Tuttavia, rimane una sfida complessa a causa della natura non stazionaria dei mercati finanziari, caratterizzati da distribuzioni a code pesanti e cambiamenti di regime improvvisi (shift strutturali).

• Limiti degli approcci tradizionali: I modelli econometrici classici (es. GARCH) e le reti neurali sequenziali spesso faticano ad adattarsi a condizioni di mercato turbolente senza un riaddestramento, mostrando prestazioni degradate durante periodi di alta volatilità.
• Limiti dell'In-Context Learning (ICL) standard: Sebbene i Large Language Models (LLM) pre-addestrati abbiano dimostrato capacità di ragionamento numerico, l'applicazione diretta dell'ICL alla previsione della volatilità fallisce nei regimi ad alta volatilità. I modelli "naive" tendono a sottostimare i picchi di volatilità perché non adattano il loro contesto alle dinamiche di mercato correnti.

2. Metodologia

Il paper propone un framework di In-Context Learning (ICL) consapevole del regime che utilizza un LLM pre-addestrato (senza fine-tuning dei parametri) per prevedere la varianza realizzata futura. Il processo si articola in quattro fasi principali:

A. Formulazione del Problema

L'obiettivo è prevedere la varianza realizzata del giorno successivo ($\nu_{t+1}$) basandosi su una finestra storica di rendimenti logaritmici ($r_t$) e varianze passate. Il task è modellato come una previsione sequenziale indotta tramite prompt.

B. Ciclo di Raffinamento Guidato dall'Oracolo (Training)

Per costruire un set di esempi (demonstration pool) di alta qualità, gli autori introducono un ciclo iterativo di raffinamento:

1. Predizione Iniziale: Un LLM genera una previsione iniziale basata su un prompt strutturato.
2. Feedback dell'Oracolo: L'oracolo fornisce la verità fondamentale (ground truth), l'errore di previsione e un suggerimento euristico di correzione.
3. Raffinamento Iterativo: Il LLM utilizza questo feedback per correggere la sua previsione in più passaggi.
4. Creazione del Pool: Dopo un numero fisso di iterazioni, le previsioni raffinate vengono salvate come tuple $(prompt, previsione\_raffinata, etichetta\_regime)$.

C. Pool di Dimostrazioni Consapevole del Regime

Le tuple vengono etichettate in base al regime di volatilità (Alto o Basso) determinato da una soglia $\tau$ calcolata sui dati di addestramento. Questo crea due pool distinti:

• $D_{high}$: Esempi di alta volatilità.
• $D_{low}$: Esempi di bassa volatilità.

D. Strategie di Campionamento Condizionale (Inferenza)

Durante la fase di test, il sistema seleziona le dimostrazioni da includere nel prompt in base al regime stimato del momento corrente:

1. Stima del Regime: Si calcola un segnale di volatilità recente (media delle ultime $m$ varianze) per stimare se il mercato attuale è in regime "Alto" o "Basso".
2. Campionamento Condizionale:
   • Proposal I (Prior Fisso): Campionamento misto dai due pool basato su una probabilità fissa.
   • Proposal II (Etichetta Stimata): Campionamento adattivo che seleziona prevalentemente dimostrazioni dal pool corrispondente al regime stimato in tempo reale.
3. Previsione Finale: L'LLM genera la previsione finale utilizzando il prompt di input storico concatenato alle dimostrazioni selezionate.

3. Contributi Chiave

1. Framework di Raffinamento Oracle-Guided: Un metodo innovativo per costruire esempi di contesto di alta qualità senza modificare i pesi del modello, sfruttando il feedback dell'errore per insegnare al modello a correggersi.
2. Strategie di Campionamento Condizionale: L'introduzione di strategie che selezionano le dimostrazioni in base al regime di volatilità stimato, permettendo all'LLM di adattare il suo ragionamento contestuale alle condizioni di mercato correnti.
3. Valutazione Empirica Estesa: Dimostrazione che l'ICL consapevole del regime supera sia i modelli classici (GARCH, HAR) che l'ICL standard (one-shot), specialmente durante i periodi di crisi.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su tre dataset: S&P500, NASDAQ e EUR/USD.

• Metriche: Errore Quadratico Medio Radice (RMSE) ed Errore Assoluto Medio (MAE), suddivisi per regime (bassa e alta volatilità).
• Confronto con Baseline:
  • I modelli classici (es. GJR-GARCH) eccellono nei regimi ad alta volatilità ma hanno errori medi più alti rispetto all'ICL in condizioni stabili.
  • L'approccio "One-shot" (senza dimostrazioni) performa peggio, specialmente nei picchi di volatilità.
  • L'ICL casuale (Random Selection) migliora rispetto all'one-shot ma non gestisce bene i cambi di regime.
• Performance del Modello Proposto:
  • La strategia Proposal II (campionamento basato sull'etichetta stimata) ottiene le prestazioni migliori.
  • Sul dataset S&P500, il modello proposto riduce l'errore di previsione complessivo (MAE) di circa il 27% rispetto alla migliore baseline classica (GJR-GARCH).
  • La riduzione dell'errore è particolarmente marcata nei periodi di alta volatilità (MAEhigh), dove il modello riesce ad adattarsi meglio dei metodi tradizionali.

5. Significato e Implicazioni

Questo lavoro dimostra che i Large Language Models pre-addestrati possono essere strumenti potenti per la finanza quantitativa, a patto di superare la loro tendenza a ignorare le dinamiche non stazionarie.

• Adattabilità senza Fine-Tuning: Il framework offre un modo efficiente per adattare i modelli fondazionali a nuovi ambienti di mercato senza il costo computazionale del fine-tuning.
• Gestione del Rischio: La capacità di prevedere accuratamente la volatilità durante i periodi di stress di mercato è cruciale per la gestione del rischio e la stabilità dei mercati finanziari.
• Nuovo Paradigma: Introduce l'idea che la "consapevolezza del regime" possa essere implementata attraverso la selezione intelligente del contesto (in-context learning) piuttosto che attraverso l'aggiornamento dei pesi del modello, aprendo la strada a sistemi di previsione più robusti e reattivi.

In sintesi, il paper stabilisce che l'integrazione esplicita delle informazioni sul regime di mercato nel processo di selezione delle dimostrazioni permette agli LLM di bilanciare stabilità e reattività, superando i limiti degli approcci tradizionali in scenari finanziari complessi.