💰 quantitative finance

ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics

Il documento presenta ARTEMIS, un innovativo framework neuro-simbolico che integra operatori neurali di Laplace, equazioni differenziali stocastiche e vincoli economici interpretabili per garantire previsioni di mercato prive di arbitraggio e trasparenti, ottenendo risultati all'avanguardia su diversi dataset finanziari.

Autori originali: Rahul D Ray

Pubblicato 2026-03-20

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Rahul D Ray

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il mercato finanziario come un oceano in tempesta. I trader sono come capitani di navi che devono prevedere le onde per non affondare e per trovare il tesoro.

Il Problema: I Capitani "Scatola Nera"

Fino a poco tempo fa, i migliori capitani (i modelli di Intelligenza Artificiale) erano delle scatole nere.

Cosa facevano: Guardavano la storia delle onde e dicevano: "Domani l'onda sarà alta!".
Il problema: Nessuno sapeva perché lo dicevano. Se la nave affondava, il capitano poteva solo dire: "È colpa dell'algoritmo, non so spiegarti". Inoltre, a volte questi algoritmi facevano previsioni che sembravano geniali ma che violavano le leggi della fisica (o della finanza), come prevedere che un'onda possa salire all'infinito senza mai scendere. Questo è pericoloso.

La Soluzione: ARTEMIS

Gli autori hanno creato ARTEMIS (un nome che richiama la dea della caccia, ma qui sta per Arbitrage-free Representation Through Economic Models & Interpretable Symbolics).
ARTEMIS non è una scatola nera. È come un capitano che ha una mappa, una bussola e un diario di bordo leggibile.

Ecco come funziona, passo dopo passo, con delle metafore:

1. L'Occhio che non sbaglia (L'Encoder Continuo)

I mercati reali sono caotici: le notizie arrivano a momenti diversi, non a intervalli regolari. I vecchi modelli dovevano "riempire i buchi" inventando dati, come se un pittore dipingesse un quadro riempiendo gli spazi vuoti con colori a caso.
ARTEMIS usa un Occhio Magico (chiamato Laplace Neural Operator) che vede il tempo come un flusso continuo, non come un film a scatti. Non deve inventare nulla: vede esattamente quando arriva ogni goccia d'acqua o ogni notizia, anche se arrivano in momenti strani.

2. Le Leggi della Fisica (Le Regole Economiche)

Qui sta la vera magia. La maggior parte delle AI impara solo guardando i dati passati, come un bambino che impara a guidare guardando solo le foto delle macchine.
ARTEMIS, invece, ha studiato le leggi della fisica della finanza.

Niente "soldi gratis" (No-Arbitrage): Immagina che il mercato sia un gioco da tavolo. ARTEMIS sa che non puoi vincere due volte la stessa partita con lo stesso dado. Se il modello prevede un guadagno "troppo facile" e impossibile, ARTEMIS si corregge da solo: "Ehi, questo non è possibile, le leggi del mercato lo vietano!".
Il Rischio Reale: ARTEMIS sa che non esiste un guadagno sicuro senza rischio. Se il modello prevede un ritorno incredibile con zero rischio, ARTEMIS lo punisce, perché sa che nella vita reale non funziona così.

3. La Bussola che spiega il "Perché" (Il Collo Simbolico)

Di solito, le AI dicono solo "Vai a Nord". ARTEMIS ti dice: "Vai a Nord perché il vento soffia da Est e la corrente porta lì".
Dopo aver fatto i calcoli complessi, ARTEMIS traduce tutto in una formula matematica semplice e leggibile (come una ricetta di cucina).

Invece di dire "Il neurone numero 45 ha attivato il neurone 12", dice: "Se il prezzo scende del 2% e il volume sale, allora compra".
Questo è fondamentale per i regolatori e i banchieri che devono capire perché stanno prendendo una decisione con i soldi delle persone.

4. La Previsione con il "Paracadute" (Conformal Prediction)

ARTEMIS non ti dà solo una previsione, ma ti dice anche quanto è sicura.
È come un meteorologo che non dice solo "pioverà", ma aggiunge: "Pioverà, ma c'è un 95% di probabilità che sia solo un acquazzone e non un uragano". Questo aiuta a gestire il rischio.

I Risultati: Come si è comportato?

Gli autori hanno messo ARTEMIS alla prova contro i migliori "capitani" esistenti (come LSTM, Transformer, ecc.) in quattro scenari diversi:

Mercato normale: Ha funzionato bene, alla pari con gli altri.
Mercato caotico (Crash): Qui ARTEMIS ha brillato. Quando il mercato crollava (come in un simulatore di disastro), gli altri capitani si sono confusi e hanno preso decisioni sbagliate. ARTEMIS, grazie alle sue "leggi della fisica", ha mantenuto la rotta e ha previsto la direzione del crollo con un'accuratezza del 65% (molto meglio degli altri).
Dati ambientali: Ha funzionato bene anche per prevedere la temperatura, dimostrando che il metodo è utile anche fuori dalla finanza.

Il Rovescio della Medaglia

ARTEMIS non è perfetto. C'è un caso in cui ha fallito: la previsione della volatilità (quanto il mercato oscilla) su dati molto lunghi e complessi.

Perché? Immagina di dover prevedere quanto sarà forte un'onda (la volatilità) invece che la direzione (su o giù). ARTEMIS è specializzato a dire "Su o giù". Quando deve dire "Quanto è forte", la sua "bussola" a volte si confonde perché è troppo focalizzata sulla direzione. È come un ottimo pilota di F1 che non sa guidare un trattore: è specializzato, non universale.

In Sintesi

ARTEMIS è un'intelligenza artificiale che non è solo "brava a indovinare", ma è onesta e comprensibile.

Non viola le leggi della finanza.
Ti spiega il suo ragionamento in parole semplici.
È più sicura quando il mercato va in tilt.

È un passo avanti enorme per rendere l'Intelligenza Artificiale nel mondo della finanza non solo potente, ma anche affidabile e trasparente, proprio come un capitano che ti mostra la mappa prima di salpare.

1. Il Problema

L'applicazione del deep learning alla previsione delle serie temporali finanziarie si scontra con tre sfide fondamentali non ancora risolte dalla letteratura attuale:

Mancanza di Interpretabilità: I modelli deep learning operano come "scatole nere", creando rischi legali ed etici in settori regolamentati. Le tecniche di XAI (Explainable AI) post-hoc (come SHAP o LIME) offrono solo spiegazioni approssimative e non risolvono l'opacità intrinseca dell'architettura.
Assenza di Vincoli Economici: La maggior parte dei modelli apprende correlazioni dai dati storici senza rispettare principi fondamentali come l'assenza di arbitraggio. Questo porta a previsioni economicamente implausibili, specialmente quando le condizioni di mercato si discostano dalla distribuzione di addestramento.
Natura Continua e Non Stazionaria: I mercati finanziari sono processi continui nel tempo con dati campionati in modo irregolare (es. ordini di borsa). I modelli discreti tradizionali (LSTM, Transformer standard) richiedono interpolazione, che distorce la dinamica sottostante, e faticano ad adattarsi ai cambiamenti di regime (non stazionarietà).

2. Metodologia: L'Architettura ARTEMIS

ARTEMIS (Arbitrage-free Representation Through Economic Models & Interpretable Symbolics) è un framework neuro-simbolico unificato che integra quattro moduli principali per affrontare le sfide sopra citate:

A. Encoder a Tempo Continuo (Laplace Neural Operator)

Invece di richiedere input regolarmente campionati, ARTEMIS utilizza un Laplace Neural Operator (LNO). Questo operatore mappa direttamente le osservazioni irregolari (es. aggiornamenti del libro degli ordini a microsecondi) in uno spazio latente continuo, evitando l'interpolazione e preservando la struttura temporale reale dei dati.

B. Dinamiche Latenti Informate dall'Economia (Neural SDE)

Lo stato latente evolve secondo un'Equazione Differenziale Stocastica Neurale (Neural SDE):
$dz(t) = \mu_\theta(z(t), t)dt + \sigma_\phi(z(t), t)dW(t)$
Dove la deriva ( $\mu$ ) e la diffusione ( $\sigma$ ) sono reti neurali. Per garantire la plausibilità economica, il modello è regolarizzato da due termini di perdita derivati dal Teorema Fondamentale della Prezziamento degli Attivi:

Residuo PDE di Feynman-Kac: Penalizza le violazioni delle condizioni di assenza di arbitraggio locale nello spazio latente, imponendo che qualsiasi funzione di prezzo soddisfi l'equazione differenziale parziale associata.
Penalità del Prezzo di Mercato del Rischio (MPR): Limita il rapporto di Sharpe istantaneo a valori realistici, impedendo al modello di imparare strategie di arbitraggio statistiche irrealistiche.

C. Collo Simbolico Differenziabile (Symbolic Bottleneck)

Per risolvere il compromesso tra accuratezza e interpretabilità, ARTEMIS utilizza un layer di regressione simbolica differenziabile. Questo modulo distilla le dinamiche latenti complesse in espressioni matematiche chiuse e leggibili (fattori alfa) combinando una libreria di funzioni base (medie mobili, rapporti, differenze) tramite un meccanismo di selezione Gumbel-Softmax.

D. Allocazione Conformale

Un layer finale utilizza la predizione conforme adattiva per generare intervalli di previsione con garanzie di copertura finite, essenziali per la gestione del rischio. Questi intervalli possono essere ottimizzati per la costruzione di portafogli (es. criterio di Kelly).

3. Contributi Chiave

Integrazione Unica: È il primo lavoro a combinare encoder a tempo continuo, SDE neurali, vincoli fisici/economici (PINN) e regressione simbolica differenziabile in un framework end-to-end per la previsione finanziaria.
Nuovi Termini di Regolarizzazione: Introduzione di loss basati su Feynman-Kac e sul prezzo del rischio per imporre vincoli economici direttamente durante l'apprendimento delle dinamiche latenti.
Interpretabilità Intrinseca: A differenza delle spiegazioni post-hoc, ARTEMIS produce regole di trading interpretabili per progettazione, mantenendo la capacità di apprendimento automatico.
Robustezza ai Regimi di Crisi: Il framework è progettato per mantenere la performance anche durante eventi estremi (crash di mercato), dove i modelli puramente basati sui dati falliscono.

4. Risultati Sperimentali

Il modello è stato valutato su quattro dataset diversi contro sei baseline forti (LSTM, Transformer, NS-Transformer, Informer, Chronos-2, XGBoost):

Jane Street (Dati di mercato anonimi): ARTEMIS ha ottenuto una precisione direzionale competitiva (51.5%), paragonabile all'LSTM, con un RankIC elevato.
Optiver (Previsione della volatilità): Le prestazioni sono state inferiori alle baseline (RankIC negativo). L'analisi attribuisce questo risultato alla lunghezza delle sequenze (600 step), all'obiettivo focalizzato sulla volatilità (quantità di secondo ordine) e al limitato set di feature, evidenziando i limiti del framework in contesti specifici.
Time-IMM (Previsione temperatura): ARTEMIS ha raggiunto la massima accuratezza direzionale (96.0%), superando tutti i modelli.
DSLOB (Dataset sintetico di crash di mercato): Su questo dataset critico, ARTEMIS ha ottenuto la migliore accuratezza direzionale (64.96%), superando significativamente tutte le baseline.

Studio di Ablazione (su DSLOB)

Lo studio ha dimostrato il ruolo cruciale di ogni componente:

Rimuovere la PDE loss fa crollare l'accuratezza direzionale dal 64.89% al 50.32% (quasi casuale).
Rimuovere entrambe le loss fisiche (PDE + MPR) riduce l'accuratezza al 41.77%, peggio del caso casuale.
Rimuovere l'SDE migliora l'accuratezza puntuale (RMSE) ma riduce leggermente l'accuratezza direzionale, confermando che la componente stocastica è essenziale per catturare il segnale direzionale a scapito della precisione di magnitudine.

5. Significato e Implicazioni

ARTEMIS rappresenta un passo significativo verso l'IA affidabile nelle applicazioni finanziarie ad alto rischio.

Ponte tra Teoria e Pratica: Colma il divario tra la potenza predittiva del deep learning e la trasparenza richiesta dalla finanza quantitativa, fornendo regole di trading interpretabili senza sacrificare le prestazioni.
Robustezza Economica: Dimostra che l'integrazione di principi economici (assenza di arbitraggio) nei modelli di apprendimento migliora la generalizzazione, specialmente in condizioni di mercato estreme o non stazionarie.
Generalizzazione: Le buone prestazioni su dataset non finanziari (Time-IMM) suggeriscono che il framework è applicabile anche ad altri domini con dati irregolari e leggi fisiche sottostanti (es. climatologia, epidemiologia).

In sintesi, ARTEMIS offre una soluzione strutturata al problema della "scatola nera" in finanza, dimostrando che è possibile costruire modelli ad alte prestazioni che sono al contempo economicamente fondati, interpretabili e robusti.