Che cosa fa davvero un bot di trading crypto con AI?

Pubblicato: 12 November 2026 | Aggiornato: 12 November 2026

Al 7 November 2026, tre strumenti di automazione crypto descrivono tre cose diverse sotto l'etichetta «AI» nella propria documentazione.

• Il centro assistenza di Cryptohopper afferma che «A.I. sta per: Algorithmic Intelligence». Descrive un sistema che assegna un punteggio alle strategie che fornisci in base alla frequenza con cui i loro segnali passati hanno raggiunto un obiettivo di profitto.
• 3Commas afferma di «non fornire consigli di trading o segnali AI» e collega invece strumenti AI esterni ai propri bot.
• Il modulo open source FreqAI di Freqtrade addestra modelli come LightGBM e XGBoost e li riaddestra secondo una pianificazione.

Nessuna di queste descrizioni, da sola, ti dice se il bot guadagna.

Che cosa può significare «AI» in un bot di trading crypto?

Questi meccanismi spesso coesistono nello stesso prodotto. La selezione e l'ottimizzazione sono forme di apprendimento statistico in senso ampio. Definire qualcosa un sistema di attribuzione di punteggi anziché un modello predittivo non risolve la questione della sua appartenenza alla categoria AI, e nessuna delle due descrizioni ne dimostra la redditività.

La domanda utile è: che cosa viene appreso, da quali dati e come viene verificato su dati mai osservati?

Distinguerei anche l'assistente dal processo di trading. Un LLM può aiutare a produrre una strategia senza essere il modello che ne genera i segnali di mercato. Allo stesso modo, una strategia può usare parametri selezionati tramite backtest pur eseguendo regole esplicite.

Che cosa dicono i documenti delle piattaforme?

La tabella riporta i meccanismi documentati e le domande che quelle descrizioni lasciano aperte. Non è una classifica. La documentazione può spiegare che cosa dovrebbe fare una funzionalità senza rivelarne l'implementazione lato server o dimostrarne le prestazioni.

Tutte le citazioni dei fornitori riportate sopra sono state ricontrollate sulle pagine online o archiviate il 2026-11-12.

La mancata divulgazione lascia una domanda aperta. Non dimostra che un fornitore non usi machine learning, e non autorizza a dedurre l'esistenza di un modello non divulgato.

Perché un buon backtest non può dimostrare che un bot AI funziona?

I miei esperimenti semplificati hanno usato dati orari pubblici di Binance spot su BTCUSDT ed ETHUSDT dal 2022-01-01 al 2026-10-31. Dimostrano problemi di valutazione nei miei modelli e simulatori, non nei sistemi dei fornitori. Un errore deliberato di look-ahead ha fatto produrre a un test difettoso un'accuratezza dell'84.6%; l'AUC del modello walk-forward era 0.51, con intervalli che includevano il livello del caso. Quest'ultimo test non isolava il riaddestramento.

Il compito predittivo usava candele orarie ricampionate in barre da 4 ore e un obiettivo binario: «rialzo» significava che il rendimento logaritmico delle successive 24 ore, sulle successive 6 barre, era superiore a zero; zero veniva classificato come «ribasso». Gli input erano rendimenti storici, volatilità, RSI, uno scarto tra medie mobili esponenziali e uno z-score dei volumi, calcolati con le informazioni disponibili alla chiusura della barra; una probabilità prevista superiore a 0.5 significava «rialzo».

Come un errore di look-ahead ha fatto produrre a un test un'accuratezza dell'85%

Una media mobile centrata su 13 barre, aggiunta deliberatamente, usava 6 barre future, facendo filtrare informazioni future nella regressione logistica nonostante una suddivisione cronologica tra addestramento e test.

L'accuratezza risultante dell'84.6% e l'AUC di 0.93 sono ciò che produce un test difettoso, non una prova della capacità predittiva del modello; senza quella variabile, l'accuratezza dello stesso modello era circa il 50%.

Perché le suddivisioni casuali tra addestramento e test gonfiano i risultati

Le barre adiacenti condividono gran parte della finestra di 24 ore usata per le etichette, quindi le osservazioni sono dipendenti qualunque sia la suddivisione; separatamente, il rimescolamento inserisce nell'addestramento le osservazioni immediatamente vicine a quelle di test, facendo filtrare gli esiti sovrapposti del test attraverso le loro etichette, e consente anche l'addestramento su dati successivi.

Le suddivisioni a blocchi addestrano il modello su entrambi i lati di ciascun blocco di test, con un'esclusione di 24h prima e un embargo di 48h dopo, quindi solo il test walk-forward addestra esclusivamente su dati precedenti.

Questo confronto sullo stesso campione misura il divario tra i metodi di suddivisione senza separare il contributo della fuga di informazioni dovuta alle etichette sovrapposte da quello dell'addestramento su osservazioni successive.

Il modello walk-forward era distinguibile dal caso?

La mia regressione logistica usava una finestra mobile di 365 giorni, con riaddestramento ogni 30 giorni per produrre 35 modelli; gli intervalli dell'AUC includevano il livello del caso a 0.5, e l'accuratezza era inferiore a quella di una previsione «sempre rialzo».

Questo test valutava una procedura walk-forward e non isolava l'effetto del riaddestramento: per farlo servirebbe un confronto con un modello congelato o con un'altra frequenza di riaddestramento sulle stesse date, che qui non riporto.

Un rendimento logaritmico è il logaritmo naturale del valore finale diviso per il valore iniziale. 0 significa nessuna variazione, circa +0.69 significa che il valore è raddoppiato e circa −0.69 significa che si è dimezzato. Quindi +0.59 non è +59% e −0.91 non è −91%. Il modello prevede la direzione nelle successive 24 ore, ma questo esempio rivaluta la posizione a ogni barra da 4 ore, quindi verifica una politica di trading costruita sulla previsione, non l'orizzonte della previsione in sé.

Di quanto la migliore tra 16 configurazioni grid ha sovrastimato la settimana successiva?

Il mio simulatore spot-grid selezionava la configurazione con il rendimento più alto tra 16 combinazioni di ampiezza dell'intervallo e numero di livelli della griglia sui 7 giorni precedenti, poi ne misurava il rendimento nei 7 giorni successivi; anche l'intervallo derivava dalla settimana di selezione, rendendo il risultato in-sample ottimistico per costruzione.

Il divario medio riportato sotto persisteva anche con l'ipotesi alternativa sul percorso del prezzo all'interno della barra, ma questo non significa che ogni settimana presentasse uno scarto negativo. Gli intervalli derivano da un bootstrap a blocchi mobili che ricampiona sequenze di 12 settimane consecutive, mantenendo così la dipendenza tra settimane vicine.

Anny non supporta grid bot.

La strategia con il punteggio più alto resta in testa?

Il mio selettore sceglieva ogni settimana tra cinque regole orarie usando i tassi di raggiungimento dell'obiettivo sui 90 giorni precedenti, considerando solo gli esiti conclusi; un successo significava raggiungere almeno il 2% sopra la chiusura del segnale entro 24 ore. Confrontava poi il tasso della regola scelta nei 28 giorni successivi con la media delle cinque regole.

La differenza osservata era piccola — BTC leggermente sotto quella media ed ETH leggermente sopra — ma non è stato calcolato alcun intervallo di confidenza per la differenza appaiata, e le finestre di valutazione si sovrappongono.

Questo non dimostra equivalenza né che la selezione sia priva di valore, e i tassi di raggiungimento dell'obiettivo non sono profitti: questa configurazione non prevedeva stop, uscite o costi.

Questi esperimenti coprono variabili e modelli semplici, un insieme limitato di asset e un solo mercato di scambio e periodo. Le etichette sovrapposte riducono l'indipendenza, l'esecuzione è semplificata e i tassi di raggiungimento dell'obiettivo non misurano il profitto. Questi test mostrano come le scelte di valutazione cambino i risultati. Non dimostrano che il machine learning non possa funzionare nelle crypto, e non dicono nulla sui modelli di uno specifico fornitore.

Quali prove dovresti chiedere al fornitore di un bot AI?

Usa la checklist qui sotto per le prove da richiedere al fornitore. La sola descrizione di un modello lascia irrisolta la questione delle prestazioni; un semplice grafico dei rendimenti lascia irrisolte quelle del meccanismo e della procedura di test.

Considera irrisolta una domanda senza risposta. Chiedi maggiori dettagli anziché inventare una spiegazione del funzionamento del sistema.

Un backtest riproducibile può comunque restare limitato ai propri asset, date e ipotesi di esecuzione. Un intervallo di incertezza può descrivere una metrica riportata senza risolvere ogni scelta di ricerca che l'ha preceduta.

Dove si colloca Anny Trade?

Uso modelli linguistici di grandi dimensioni per Ask Anny, il mio assistente. La mia pagina pubblica dell'Optimizer afferma che indicatori, backtest, ricerca dei parametri e validazione sono «codice deterministico — nessun LLM in alcun punto di quel ciclo». La matematica della CFO Anny Line e dell'Optimizer non usa LLM.

I miei bot eseguono regole esplicite di ingresso e uscita sui conti exchange che colleghi, e non supporto grid bot. Queste descrizioni identificano dove vengono usati i modelli linguistici; non dimostrano redditività.

Esplora i backtest deterministici e la ricerca dei parametri dell'Optimizer e applicagli la stessa checklist.

Domande frequenti

Un bot di trading AI può prevedere i prezzi delle crypto?

Un modello addestrato può stimare un esito di mercato definito, ma l'esistenza di una previsione non dimostra una capacità predittiva utile. Il mio compito riguardava la direzione su un orizzonte specificato, non un prezzo futuro esatto. Nessun modello in questo articolo ha mostrato una capacità affidabile di prevedere la direzione su dati fuori campione.

Assegnare punteggi alle strategie in base al tasso di raggiungimento dell'obiettivo è machine learning?

La selezione delle strategie basata sulla performance può essere considerata apprendimento statistico in senso ampio, perché usa esiti storici per assegnare punteggi alle strategie disponibili. L'etichetta non ti dice se quelle scelte saranno utili in seguito. Un tasso di raggiungimento dell'obiettivo non è una misura del profitto.

Usare un LLM significa che un bot usa machine learning per fare trading?

Un LLM può scrivere una strategia o richiamare strumenti di trading senza essere un modello di previsione del mercato. Chiedi che cosa produce, a quali strumenti può accedere e come viene controllata l'esecuzione. Poi valuta separatamente la strategia risultante; il solo uso di un modello linguistico non dimostra prestazioni nel trading.

Che cos'è la validazione walk-forward?

La valutazione walk-forward addestra su dati precedenti e verifica su dati successivi, avanzando nel tempo. La mia procedura usava una finestra mobile di addestramento e riaddestramenti ripetuti, con un intervallo di esclusione prima di ogni blocco di test. Si distingue dalle suddivisioni a blocchi che addestrano su entrambi i lati di un blocco di test.

Posso verificare personalmente l'AI di un bot closed source?

La documentazione pubblica può aiutare a identificare il meccanismo dichiarato senza chiarire l'implementazione lato server. La mancata divulgazione non costituisce una prova in nessuna delle due direzioni. I miei esperimenti semplificati non esaminano sistemi closed source e non possono stabilire che cosa faccia il modello non divulgato di un fornitore.

Come ho eseguito questi test (metodologia e limiti).

Ogni risultato in questo articolo deriva da simulazioni e backtest su dati storici, non da trading effettivo. I risultati ipotetici e simulati hanno limiti intrinseci: sono costruiti a posteriori, non riflettono l'esecuzione reale e non prevedono le prestazioni future.

Il dataset descritto sopra conteneva 42,359 barre orarie per asset, con un'ora mancante lato exchange il 2023-03-24 13:00 UTC. I checksum mensili controllati a campione coincidevano con quelli pubblicati da Binance. Le versioni software erano numpy 2.5.4, pandas 3.1.1 e scikit-learn 1.9.1.

I dati terminano il 2026-10-31 23:00 UTC, e gli esiti incompleti sono stati gestiti come segue.

• Test predittivi: le barre prive di un'etichetta completa sulle successive 24 ore sono state eliminate, quindi l'ultima barra da 4 ore etichettata è quella del 2026-10-30 20:00 UTC. L'ultimo dei 35 blocchi walk-forward inizia il 2026-10-17.
• Grid: una decisione veniva mantenuta solo se esistevano 30 giorni completi di dati successivi. Questo produce 195 decisioni settimanali, dal 2023-01-02 al 2026-09-21.
• Selettore: ha preso 199 decisioni settimanali, dal 2023-01-02 al 2026-10-19. Le ultime tre, a partire dal 2026-10-05, hanno finestre di 28 giorni accorciate dalla fine dei dati, e i segnali nelle ultime 24 ore vengono contati come mancati raggiungimenti dell'obiettivo. Eliminando quelle tre decisioni, le piccole differenze mantengono la stessa direzione (BTC 0.32 vs 0.34, ETH 0.47 vs 0.46).

La regressione logistica usava variabili standardizzate con regolarizzazione C = 0.1. Il confronto tra suddivisioni usava una random forest con 200 alberi e una dimensione minima delle foglie pari a 5. Gli input privi di fughe di informazioni comprendevano rendimenti su 1, 3, 6, 18 e 42 barre; volatilità su 18 e 42 barre; RSI(14); lo scarto tra medie mobili esponenziali a 20 barre e a 50 barre; e uno z-score dei volumi su 42 barre.

Gli intervalli dell'AUC walk-forward usavano un bootstrap a blocchi mobili con 42 barre consecutive da 4 ore per blocco, 500 ricampionamenti e i percentili 2.5th–97.5th. L'esempio di trading maturava il rendimento delle successive 4 ore a partire dalla chiusura della barra del segnale, senza latenza. Il costo di 15 bps comprendeva una commissione ipotizzata di 10 bps e 5 bps di slippage per cambio di posizione.

Sebbene la previsione riguardi la direzione nelle successive 24 ore, questa politica di trading rivaluta la posizione a ogni barra da 4 ore. I suoi rendimenti valutano quella particolare politica, anziché la monetizzazione diretta dell'orizzonte di previsione. Né un'AUC vicina a 0.5 né un'accuratezza inferiore a «sempre rialzo» escludono da sole opportunità redditizie: contano anche l'entità dei guadagni e delle perdite, le soglie e le prestazioni condizionali.

Le configurazioni grid candidate combinavano ampiezze di intervallo pari a 0.8×, 1.0×, 1.25× e 1.6× la semiampezza dell'intervallo storico con 10, 25, 50 e 100 livelli. Ogni eseguito pagava lo 0.05%, senza slippage. Ogni settimana ripartiva da zero; la quantità di crypto invenduta veniva valutata alla chiusura finale senza commissione di uscita. Gli intervalli dei divari usano un bootstrap circolare a blocchi mobili dei 195 divari settimanali (blocchi di 12 settimane, 10,000 ricampionamenti, seme fisso). I divari settimanali presentavano una lieve autocorrelazione negativa al ritardo 1, e una regola automatica per la lunghezza dei blocchi suggeriva circa 11 settimane (BTC) e 16 settimane (ETH). Gli intervalli per blocchi di 2–16 settimane erano simili o più stretti di quelli di un bootstrap ordinario.

Le regole del selettore usavano RSI, MACD, bande di Bollinger, un incrocio di EMA e il superamento del massimo delle precedenti 48 ore. Una regola doveva avere almeno 5 segnali con esito concluso per ricevere un punteggio. La sovrapposizione delle finestre di valutazione conta nell'interpretazione delle piccole differenze osservate.

Una seconda revisione interna della ricerca ha rieseguito tutti e quattro gli script originali e ottenuto file di output identici byte per byte. In 40 timestamp selezionati casualmente su 40, la sostituzione dei dati futuri ha lasciato invariate le variabili prive di fughe di informazioni; la variabile con look-ahead deliberato ha fallito 40 controlli su 40, come previsto. I blocchi walk-forward con etichette sovrapposte al periodo di test erano 0, e lo scaler veniva adattato solo ai dati di addestramento all'interno della pipeline.

Quella revisione supporta la riproducibilità e l'assenza di fughe di informazioni note nelle pipeline progettate per evitarle. Non dimostra che i risultati reggerebbero in altri periodi, su altri asset o mercati di scambio, oppure nel trading reale, e non elimina il bias di selezione della ricerca.

I limiti restano sostanziali: 2 asset, 1 mercato di scambio, un periodo e modelli semplici. Le etichette si sovrappongono; non sono presenti slippage basato sull'order book o correzioni per test multipli oltre a quanto riportato. Il simulatore grid usa un percorso intrabar a 4 punti, da cui dipendono i rendimenti assoluti. Non ho testato il sistema effettivo di alcun fornitore, eseguito FreqAI o fatto trading reale.

Leggi anche

• Che cos'è la validazione walk-forward?
• Come legge i regimi di mercato la CFO Anny Line?
• Come collego la mia AI ai dati di mercato crypto in tempo reale?
• Documentazione di Freqtrade sulla lookahead-analysis

Ogni risultato in questo articolo deriva da simulazioni e backtest su dati storici, non da trading effettivo. I risultati ipotetici e simulati hanno limiti intrinseci: sono costruiti a posteriori, non riflettono l'esecuzione reale e non prevedono le prestazioni future.

Questo articolo ha esclusivamente finalità educative e non costituisce consulenza finanziaria. Le prestazioni passate non indicano risultati futuri. I crypto asset sono volatili e puoi perdere l'intero investimento. Con Anny Trade fornisco analisi; non sono una consulente in investimenti registrata.