Riepilogo Tecnico: AGENTICAITA

1. Enunciato del Problema

I sistemi convenzionali di trading algoritmico si basano su euristiche deterministiche o modelli statistici addestrati offline (ad esempio, apprendimento per rinforzo, ottimizzazione statica). Questi sistemi affrontano una limitazione fondamentale: codificano la conoscenza al momento dell'addestramento e mancano della capacità di deliberazione esplicita al momento dell'inferenza quando confrontati con regimi di mercato nuovi e in rapida evoluzione. Non possono adattarsi alla complessità semantica di nuove condizioni di mercato senza riaddestramento, rendendoli vulnerabili a spostamenti distributivi. Inoltre, le esistenti applicazioni di Modelli Linguistici su Grande Scala (LLM) in ambito finanziario (ad esempio, FinGPT, BloombergGPT) sono largamente confinate a compiti di Elaborazione del Linguaggio Naturale (NLP) o a ruoli di consulenza, fallendo nell'integrazione diretta nel ciclo di controllo dell'esecuzione con vincoli di sicurezza rigorosi.

2. Metodologia e Architettura del Sistema

AGENTICAITA è un framework proof-of-concept progettato per sostituire il paradigma tradizionale "segnale-poi-esegui" con un ciclo multi-agente deliberativo e completamente autonomo. Il sistema opera senza addestramento offline o intervento umano, affidandosi invece a un ragionamento strutturato tra agenti LLM specializzati.

L'architettura è distribuita come microservizi containerizzati su una rete privata isolata e consta di quattro moduli principali:

A. Motore di Attivazione Z-Score Adattivo (AZTE)

Agendo come allocatore di risorse cognitive, l'AZTE impedisce l'attivazione della costosa pipeline di inferenza LLM durante periodi di rumore a bassa entropia.

• Meccanismo: Calcola una magnitudine di rendimento istantaneo ($r_t$) e la confronta con una baseline mobile (30 osservazioni) per generare uno Z-score di anomalia ($z_t$).
• Logica di Attivazione: La pipeline si attiva se $z_t \ge 2.0$ (anomalia statistica) OPPURE $r_t \ge 0.003$ (soglia di rendimento assoluto).
• Innovazione: Questo approccio a doppia condizione garantisce l'invarianza di regime, adattandosi ai livelli di volatilità senza ricalibrazione manuale, mentre il pavimento assoluto previene l'instabilità numerica durante periodi di bassa volatilità.

B. Pipeline Deliberativa Sequenziale (SDP)

Questa è il contributo agenziale centrale, che scompone il processo decisionale in una catena di tre agenti specializzati che comunicano tramite contratti JSON tipizzati per prevenire la fusione dei ruoli e il bias di conferma.

1. Agente Analista: Riceve il contesto di mercato (OHLCV, orderbook, tassi di finanziamento, memoria episodica) e il punteggio di Diversificazione da Rottura di Correlazione (CBD). Emette un segnale di trading strutturato (long/short/attendi) con confidenza e ragionamento.
2. Agente Risk Manager: Opera un gate ibrido.
   • Livello A (Deterministico): Impone vincoli rigidi (ad esempio, validità del segnale, confidenza $\ge 0.60$, limiti di stop-loss, dimensione massima della posizione di $500) prima di qualsiasi chiamata LLM.
   • Livello B (LLM): Se il Livello A supera, l'LLM esegue una validazione contestuale e una calibrazione della dimensione della posizione.
3. Agente Esecutore: L'unico agente con effetti collaterali esterni. Instrada gli ordini attraverso un canale che preserva la privacy (Tor/VPN) in modalità "LIVE" o registra le decisioni in modalità "DRY_RUN".

C. Protocollo di Gate di Inferenza (IGP)

Un scheduler basato su mutex che regola l'accesso concorrente alle risorse condivise di inferenza LLM.

• Funzione: Serializza le attivazioni degli agenti, assicurando che solo una pipeline venga eseguita alla volta. Questo previene le condizioni di gara, garantisce un'esecuzione deterministica e impone un tempo minimo di permanenza cognitiva, filtrando le micro-oscillazioni.

D. Diversificazione da Rottura di Correlazione (CBD)

Un punteggio composito ($\Omega$) integrato nel ragionamento dell'Analista per operationalizzare la prioritizzazione dei segnali idiosincratici a livello di portafoglio.

• Formula: $\Omega = \alpha \tilde{z}_t + (1-\alpha)\rho_{cb}$, dove $\tilde{z}_t$ è un punteggio di anomalia saturo e $\rho_{cb}$ è una metrica di decorrelazione rispetto a Bitcoin.
• Scopo: Incentiva la selezione di asset che si muovono indipendentemente dal mercato più ampio, mirando a ridurre la diversificazione illusoria.

E. Privacy ed Esecuzione

Il sistema impiega un'architettura di instradamento a doppio canale: i dati di mercato sono recuperati tramite HTTPS diretto, mentre l'esecuzione degli ordini è instradata attraverso un circuito Tor e una VPN per ridurre il collegamento tra l'identità dell'agente e l'attività di trading.

3. Risultati Sperimentali

Il framework è stato validato durante una sessione autonoma di dry-run di cinque giorni (6–11 aprile 2026) su un exchange decentralizzato di futures perpetui utilizzando dati di mercato live. Il sistema ha utilizzato il modello qwen3.5:9b tramite Ollama.

• Correttezza Operativa: Il sistema ha eseguito 157 invocazioni autonome della pipeline su 76 asset unici con zero interventi umani.
• Attrito Agenziale: Il sistema ha dimostrato un tasso di attrito dell'11,5% ($F = 11,5\%$), calcolato come la somma delle auto-astensioni dell'Analista (8,3%) e dei rifiuti del gate rigido del Risk Manager (3,2%). Ciò conferma che gli agenti hanno esercitato un giudizio indipendente piuttosto che ritrasmettere passivamente segnali.
• Metriche di Performance:
  • PnL Netto: –$15,07 (–0,058% su un nozionale di $26.079).
  • Tasso di Vittoria: 51,80% (72 vittorie, 67 sconfitte).
  • Fattore di Profitto: 0,841 (indicante una perdita strutturale in termini assoluti durante questo specifico regime avverso).
  • Confronto con Benchmark: Rispetto a una strategia passiva di acquisto e mantenimento di BTC sullo stesso periodo (che ha perso circa il 15% o –$3.912), AGENTICAITA ha raggiunto un alpha relativo al benchmark di +14,94 punti percentuali.
• Significatività Statistica: Gli autori dichiarano esplicitamente che la dimensione del campione (139 trade) è insufficiente per un'inferenza di performance statisticamente robusta. Un test binomiale restituisce un p-value di ~0,34, il che significa che non può essere rivendicato alcun vantaggio direzionale statisticamente significativo in questa fase.

4. Contributi Chiave

Il documento identifica quattro contributi architetturali che distinguono AGENTICAITA dai sistemi precedenti:

1. Orchestrazione Senza Addestramento: A differenza dei sistemi basati su RL, non richiede addestramento specifico per il compito, fine-tuning o ottimizzazione delle policy, eliminando le vulnerabilità agli spostamenti distributivi.
2. Vincoli di Sicurezza Deterministici: Il sistema impone limiti di rischio verificabili tramite gate rigidi e contratti tipizzati, delimitando il comportamento degli agenti indipendentemente dalla stocasticità dell'LLM.
3. Allocazione delle Risorse Cognitive: I moduli AZTE e IGP gestiscono i costi computazionali e la concorrenza, assicurando che il sistema si attivi solo su eventi ad alta informazione e serializzi l'esecuzione per l'auditabilità.
4. Memoria Episodica e Deliberazione: Il sistema implementa la persistenza cross-episodica e una pipeline deliberativa strutturata (Analista $\to$ Risk Manager $\to$ Esecutore) che permette negoziazione inter-agente e auto-astensione.

5. Significato e Affermazioni

Il documento posiziona AGENTICAITA come una proof-of-concept preliminare che stabilisce la fattibilità dell'orchestrazione multi-agente senza addestramento, deterministica e vincolata da sicurezza nei cicli decisionali finanziari.

• Affermazioni Modeste: Gli autori non rivendicano un vantaggio di trading statisticamente robusto o una redditività a lungo termine. Inquadrano esplicitamente i risultati come "indicatori operativi specifici di regime" che dimostrano che la pipeline deliberativa funziona correttamente in condizioni di mercato live.
• Valore Primario: Il significato risiede nella validazione architetturale: dimostrare che un sistema multi-agente può percepire, ragionare, negoziare e agire autonomamente entro stretti limiti di sicurezza senza intervento umano.
• Limitazioni: Il documento riconosce diverse limitazioni, inclusa la mancanza di modellazione dei costi di transazione nel dry-run (che ridurrebbe ulteriormente il PnL), il bias direzionale verso il long dell'LLM (90,4% di segnali long) e la necessità di un deployment live di 90 giorni con oltre 500 trade per stabilire la validità statistica.

In sintesi, AGENTICAITA dimostra che l'AI agenziale può essere ingegnerizzata per operare in modo sicuro e autonomo nei mercati finanziari, dando priorità alla correttezza operativa e all'auditabilità rispetto alla generazione immediata di profitti in questa fase iniziale di validazione.