Fondamenti scientifici e quantitativi
La metodologia adottata da Syglorranout combina ricerca sulla microstruttura dei mercati e
tecniche di modellazione sequenziale. L’obiettivo non è prevedere il futuro con
precisione puntuale, ma descrivere con maggiore chiarezza come i flussi di esecuzione
istituzionale interagiscono con la profondità del book e con il comportamento degli
altri partecipanti, fornendo a desk e team quantitativi un quadro strutturato per
testare ipotesi operative.
Metodo Syglorranout
Dati granulari, controlli mirati e modelli sequenziali interpretabili
La metodologia di Syglorranout parte da dati di trade e quote ad alta granularità, arricchiti quando possibile da informazioni su ordini, modifiche e cancellazioni. Su questa base vengono applicati controlli di qualità mirati alla microstruttura: coerenza temporale, allineamento tra venue, rilevazione di anomalie tecniche. Solo dopo questa fase viene avviato il lavoro di feature engineering, che trasforma le serie grezze in descrittori strutturati dei pattern di esecuzione istituzionale, pronti per modelli sequenziali orientati alla spiegabilità.
Avvia un progetto
Ciclo di ricerca strutturato
Dal dato grezzo agli insight operativi
Ogni fase del processo, dalla definizione delle ipotesi alla revisione periodica dei modelli, è progettata per mantenere un collegamento chiaro tra dati, risultati e decisioni operative potenziali.
Definizione delle ipotesi di lavoro
Si parte da domande precise su flussi e microstruttura, formulate insieme a desk di trading, team quantitativi e funzioni di controllo. Su queste basi vengono definite ipotesi sui possibili pattern di esecuzione istituzionale da cercare nelle serie storiche di dati.
03
Scelta dei modelli sequenziali
Syglorranout valuta diverse famiglie di modelli sequenziali, selezionando quelle che offrono il miglior equilibrio tra stabilità dei risultati e capacità di spiegare perché un certo pattern viene riconosciuto.
02
Backtest e scenari comparativi
Le ipotesi vengono trasformate in test concreti utilizzando dati di trade, quote
e ordini. Vengono creati scenari comparativi per valutare se determinati pattern
siano effettivamente associati a cambiamenti osservabili nella microstruttura.
04
Validazione continua e aggiornamenti
I modelli selezionati vengono monitorati nel tempo, con revisioni periodiche
delle feature e delle soglie di rilevanza. Ogni modifica è documentata per
mantenere coerenza interpretativa e supportare verifiche interne.
-
2019
Ricerca esplorativa iniziale
Avvio delle prime ricerche interne su sequenze di trade e quote per descrivere pattern di esecuzione ricorrenti in contesti regolamentati.
-
2020
Primi prototipi operativi
Formalizzazione dei primi prototipi di motori sequenziali e definizione di un set base di feature di microstruttura orientate ai flussi istituzionali.
-
2022
Test con istituzioni pilota
Collaborazione con desk istituzionali per testare la robustezza degli indicatori e adattare la metodologia ai vincoli di governance e controllo.
-
2024
Metodologia strutturata
Introduzione di strumenti di interpretazione più avanzati e di processi documentati per revisioni periodiche dei modelli sequenziali.
-
2026
Rafforzamento governance dati
Aggiornamento della metodologia per includere nuovi controlli di qualità dei dati e procedure più dettagliate di audit trail e tracciabilità.
Buone pratiche per utilizzare gli insight di Syglorranout
Integrare l’analisi dei pattern di esecuzione nei flussi di lavoro esistenti richiede attenzione
a governance, interpretazione e dialogo tra team tecnici e funzioni operative.
Collegare i nuovi indicatori agli strumenti già presenti
Prima di integrare gli insight di Syglorranout, è utile mappare dove i dati di esecuzione vengono già utilizzati: report TCA, analisi interne, confronti con broker. Collegare i nuovi indicatori di pattern di esecuzione a questi strumenti esistenti aiuta a evitare duplicazioni e facilita la lettura congiunta da parte di trading, ricerca e controllo interno.
Introdurre i segnali in modo sperimentale
Integrare i segnali sui pattern di esecuzione in modelli quantitativi esistenti richiede un approccio prudente. È consigliabile introdurli come variabili esplicative aggiuntive in fasi sperimentali, monitorando se migliorano realmente la capacità descrittiva senza introdurre instabilità o sovra-adattamento alle condizioni storiche.
Contestualizzare i pattern con esempi reali
Quando gli insight vengono condivisi con desk operativi, è importante accompagnarli con esempi concreti tratti da periodi di mercato noti. Questo rende più semplice valutare se i pattern di esecuzione individuati sono coerenti con l’esperienza del team e riduce il rischio di interpretazioni eccessivamente teoriche.
Coinvolgere presto controllo e rischio
Le funzioni di controllo e rischio dovrebbero essere coinvolte fin dalle prime fasi di utilizzo degli insight, così da definire insieme limiti, frequenza dei report e modalità di archiviazione. Un coinvolgimento precoce riduce le frizioni successive e aiuta a inserire l’analisi dei pattern in un quadro di governance coerente.
Rivedere periodicamente soglie e parametri
Nel tempo, i pattern di esecuzione e le condizioni di mercato cambiano. È utile programmare revisioni periodiche dei parametri con cui i segnali vengono interpretati, per evitare che soglie definite in contesti passati restino invariate mentre la microstruttura evolve.