Trading azionario basato sull'IA: quale strumento di IA generativa è migliore

Gli strumenti LLM sono stati utilizzati nel trading azionario basato sull'IA sin dalla loro comparsa.¹

Ho testato 20 generative modelli di IA su un singolo e difficile compito di previsione: prevedere il rendimento anomalo cumulativo a 3 giorni (CAR) di 132 azioni dopo un evento inatteso, utilizzando solo le informazioni a livello aziendale fornite nel prompt.

• Il ChatGPT 5 Thinking (74%) model e il Gemini 2.5 Pro (71%) model hanno offerto le migliori prestazioni.
• Più informazioni non aiutano ad aumentare le prestazioni.

Prestazioni degli strumenti basati sull'IA

Per ulteriori dettagli sul benchmark, leggi la sezione metodologia del benchmark di trading azionario.

Come hanno ragionato i model

Tutti i model sono giunti alla stessa spiegazione a due forze di ciò che accade quando un manager familiare muore:

• Perdita di capitale umano: se il defunto generava i rendimenti, la morte distrugge qualcosa che l'azienda non può sostituire rapidamente. CAR negativo.
• Sollievo da radicamento: se l'azienda stava sottoperformando sotto un manager che il controllo familiare rendeva inamovibile, la morte fa ciò che il mercato del controllo societario non poteva fare. CAR positivo.

Non è il framework a distinguere i model. A distinguerli è dove fissano le soglie, quale variabile risolve un pareggio e con quanta facilità lasciano un caso nella categoria neutrale. Le sezioni seguenti registrano solo queste differenze.

Versioni attuali

GPT 5.5 Instant

Classifica per primo il ruolo del defunto (CEO sopra presidente sopra titoli onorari), poi legge la concentrazione proprietaria, il ROE/ROA, la leva finanziaria e le implicazioni generali della transizione di governance.

È l'unico model del set che non ha pubblicato soglie, pesi o ordine di arbitraggio.

DeepSeek V3.2 (Instant & Deep Think)

Punteggi identici con e senza ragionamento esteso.

DeepSeek legge la proprietà familiare nella direzione opposta rispetto alla maggior parte del campo: un'elevata proprietà segnala impegno per una transizione fluida e spinge verso il positivo o il neutrale, mentre altri model leggono la stessa concentrazione come rischio di successione.

Tratta la dimensione dell'azienda e una morte non improvvisa come prova che il meccanismo di transizione esiste già, il che instrada quei casi a 0.

Claude Fable 5.1

Il model ha soppesato due effetti opposti dalla letteratura sulla morte dei dirigenti:

• la perdita di un decisore chiave (negativo)
• la rimozione di un controllore radicato (positivo).

Ha assegnato −1 ai CEO attivi e ai presidenti di aziende redditizie con controllo familiare concentrato, +1 ai leader di aziende in perdita o stagnanti con un'elevata quota familiare, e 0 ai dirigenti in pensione, ai ruoli periferici, alle aziende molto grandi e ai casi con dati finanziari mancanti.

Claude Opus 5 High

Considera la redditività come asse primario, quindi applica modulatori moltiplicativi: ruolo (CEO in carica ×1.20 fino a emerito ×0.30), leva finanziaria superiore a 55% (−0.80), numero di dipendenti superiore a 100.000 (×0.75) e settore (ad alta intensità di relazioni ×1.15, commodity ×0.80).

Due caratteristiche sono proprie di questo model:

• Condiziona la proprietà al mercato locale del controllo: sopra il 75% vale +0.40 nelle giurisdizioni in cui le acquisizioni sono fattibili e −0.50 dove la successione è dinastica, e applica un aggiustamento separato per la protezione degli investitori in base al paese.
• Impone due vincoli rigidi: i dati grezzi su asset, ricavi e debito vengono scartati perché non confrontabili tra 24 valute, lasciando solo rapporti e numero di dipendenti; inoltre un +1 richiede una redditività inferiore alla mediana, poiché senza sottoperformance non c'è nulla che la morte possa alleviare.

Claude Fable 5

Incentrato sul ruolo, ed esplicito riguardo al suo fondamento nella letteratura degli event study sulla morte dei dirigenti. Azzera i 18 casi cerimoniali prima di assegnare qualsiasi punteggio, quindi tratta i ruoli periferici come 0 con un'eccezione: un seggio familiare nel consiglio di amministrazione con proprietà ≥ 75%, dove la morte allenta il blocco di controllo.

CEO attivo o presidente parte da −1 e passa a +1 in caso di reddito netto o ROE negativi, oppure in presenza di una proprietà molto elevata accompagnata da rendimenti mediocri. Il ramo del presidente attivo è l'unico punto del benchmark in cui un model afferma esplicitamente che due forze si annullano a vicenda anziché scegliere la più grande: una prestazione media in un ruolo di supervisione riceve 0 perché la perdita di stewardship e il miglioramento della governance si compensano.

Gemini 3.1 Pro

Il set di soglie più permissivo tra i model attuali.

Un ruolo critico più ROE > 10% o ROA > 5% produce −1; qualsiasi precedente sottoperformance, reddito netto negativo, ROA o ROE, produce +1; tutto il resto è 0.

Entrambe le condizioni direzionali si attivano facilmente, quindi pochi casi sopravvivono nella categoria neutrale.

Model precedenti

GPT 5 Thinking model

Il model più accurato e l'unico che assegna etichette in base al rango relativo con un requisito di margine piuttosto che tramite soglie assolute. Costruisce due indici continui di z-score:

• Indice di concentrazione della leadership (LCI), più alto = più probabile sostanzialmente negativo: LCI = 0.40·z(role_importance) + 0.30·z(family_control) + 0.20·z(financial_strength) − 0.10·z(size)
• Indice del potenziale di rinnovamento (RPI), più alto = più probabile sostanzialmente positivo: RPI = 0.40·(−z(financial_strength)) + 0.25·z(leverage) − 0.20·z(family_control) − 0.10·z(size) + 0.05·z(liquidity_stress)

Un'etichetta direzionale viene emessa solo quando un indice si colloca nel primo 30% del campione e supera l'altro di almeno 0.5 z-unità. Questo requisito di margine è ciò che mantiene il valore predefinito a 0 ed è la differenza strutturale più netta tra questo model e quelli successivi.

Gemini 2.5 Pro

La stessa architettura a due indici con un filtro molto più rigido: primo 5% del campione invece del primo 30%.

• Indice di vulnerabilità (VI): 0.40·z(family_control) + 0.35·(−z(financial_strength)) + 0.20·z(leverage) − 0.05·z(size)
• Indice di catalizzatore di risanamento (TCI): 0.50·(−z(financial_strength)) + 0.25·z(family_control) − 0.15·z(leverage) − 0.10·z(size)

Il controllo familiare entra in entrambi gli indici con segno positivo, quindi la concentrazione proprietaria da sola non può determinare una direzione; la redditività risolve il pareggio. L'etichetta positiva richiede inoltre che il TCI superi il VI di 0.5 z-unità.

GPT 5.4 Instant

Utilizza la redditività come segnale primario e non pubblica soglie. Negativo quando il defunto ricopriva un ruolo operativo centrale in un'azienda sana e a controllo concentrato; positivo quando la redditività era più debole o la leva finanziaria più elevata e la profondità della successione familiare appariva disponibile; neutrale quando il ruolo era cerimoniale o i segnali si compensavano.

GPT 5.4 Thinking

Stessi input di 5.4 Instant, con una differenza strutturale: la centralità del ruolo è richiesta in entrambe le direzioni, quindi un ruolo periferico non può affatto produrre un'etichetta direzionale. Anche la dimensione dell'azienda ottiene da sola un neutrale; un'azienda abbastanza grande da assorbire il cambiamento riceve 0 indipendentemente dalle prestazioni.

Claude Opus 4.8 Medium

Logica di base: due forze opposte guidano la reazione:

(+) Sollievo da radicamento: la morte di un insider radicato/sottoperformante può attivare il mercato del controllo e aumentare le speranze di risanamento.

(-) Capitale umano perso: la morte di un proprietario-manager che crea valore distrugge competenze difficili da sostituire e crea rischio di successione.

(0) Nessuna sorpresa: titoli cerimoniali/di pensionamento, ruoli puri nel consiglio o casi attenuati/compensativi non producono una reazione significativa.

Regole decisionali:

• Emerito/onorario -> 0 (ritirato).
• Membro del consiglio/amministratore, redditizio -> 0; in perdita -> +1 (scossone).
• Dirigente attivo + perdite/ROA<1 -> +1 (sollievo/opzionalità).
• Dirigente attivo + forte (ROA>=mediana & ROE>=10 & NI>0) & proprietà>=60% -> -1 (steward perduto).
• Dirigente attivo + forte ma proprietà<60% -> 0 (cuscinetto di supervisione).
• Segnale intermedio / mancante / ruolo sconosciuto -> 0.

GPT 5 Pro

Ancora due indici, ma costruiti da proprietà e leva finanziaria piuttosto che dal ruolo, che non compare in nessuna delle due formule.

• Indice di rischio della persona chiave (KPRI): 0.40·z(ownership) + 0.30·z(leverage) − 0.20·z(size) + 0.10·z(profitability)
• Indice di potenziale di risanamento (TPI): 0.40·(−z(profitability)) + 0.20·z(leverage) − 0.20·z(ownership) − 0.10·z(size) + 0.10·z(AP/assets)

I filtri sono gli stessi di GPT 5 Thinking: primo 30% più un margine di 0.5 z-unità. L'esclusione del ruolo dall'indice è la fonte più probabile del divario di 18 punti tra i due.

Gemini 3 Flash

Presenta le due forze come teorie concorrenti e attribuisce soglie di ROA esplicite: sopra il 10% il leader è valutato come una star e la morte è −1; sotto il 3% la morte è letta come un'apertura per una gestione professionale e riceve +1; la fascia 3–10% e tutti i ruoli non attivi sono 0.

Gemini 3 Thinking

Lo stesso schema di soglie portato ancora più in là, −1 sopra un ROA del 12%, +1 sotto il 2,5%, il che allarga la fascia neutrale dai sette punti di Flash a quasi dieci.

Claude Sonnet 4.6

L'unico sistema a punti additivo con pesi pubblicati e soglie assolute (≥ +0.90 → +1, ≤ −0.70 → −1).

Assegna punteggi su sei dimensioni:

• importanza del ruolo
• ROA
• reddito netto ed EBITDA
• ROE
• proprietà familiare
• leva finanziaria

La ponderazione è volutamente asimmetrica. Un ROA negativo da solo vale +1.2, e una perdita netta e un EBITDA negativo aggiungono un ulteriore +0.6 e +0.5, mentre la più grande penalità di ruolo disponibile, un CEO attivo o presidente, è solo −0.6.

La difficoltà finanziaria può quindi prevalere sull'identità del defunto, cosa che nessun altro model nel set consente.

GPT 4o

Le condizioni sono elencate senza un ordine di arbitraggio, quindi i casi che soddisfano due regole non hanno una risoluzione definita. Si discosta inoltre dal gruppo sui ruoli periferici: un membro del consiglio o un VP riceve +1, mentre quasi ogni

DeepSeek V3

La struttura a tre fattori che V3.2 ha successivamente perfezionato, come ruolo, salute finanziaria e proprietà, ma senza la lettura della proprietà come stabilizzatore. Un'elevata proprietà più un ruolo chiave amplifica la previsione negativa. Merita una nota separata: il model ha stimato la propria accuratezza a circa il 65%, più del doppio del suo punteggio effettivo.

Gemini 2.5 Flash

Il risultato più basso e l'unico con un tetto autoinflitto. Il model ha concluso che il prompt non conteneva informazioni sufficienti per identificare i casi positivi e non ha emesso affatto etichette +1, facendo collassare un problema a tre classi in due e perdendo ogni caso positivo del campione.

Accuratezza dei model con input estesi

Il secondo round aggiunge dieci campi a livello di persona agli stessi 132 casi: se il defunto stava ancora lavorando, la generazione dopo il fondatore, lo status di fondatore, la durata in carica, l'età al momento della morte, morte improvvisa rispetto a malattia, e quattro conteggi di figli e partner.

L'effetto aggregato è quasi nullo. L'accuratezza media tra questi 13 model passa da 54,8% a 55,2%. Ciò che la media nasconde è un'ampia dispersione di risposte individuali:

• Claude Fable 5 guadagna di più, 16 punti, ed è l'unico model le cui informazioni aggiuntive lo spostano da vicino al fondo del gruppo ai primi quattro. La sua logica del primo round era basata quasi interamente su titolo professionale e redditività; i campi del secondo round forniscono esattamente ciò che mancava a quell'albero, ovvero se la persona stava ancora lavorando e se la morte è stata improvvisa.
• Gemini 3.1 Pro (+10) e Gemini 3 Thinking (+9) migliorano anch'essi sostanzialmente, così come DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant perde 17 punti, il movimento più ampio in entrambe le direzioni. Claude Sonnet 4.6 (−7) e GPT 5.4 Thinking (−6) scendono anch'essi.
• Il miglior punteggio del secondo round (64%) è inferiore al miglior punteggio del primo round nello stesso gruppo (69%). Una maggiore quantità di informazioni non ha alzato il tetto; ha compresso l'intervallo.

Metodologia del benchmark di trading azionario basato sull'IA

Prompting

Il benchmark valuta se gli strumenti di IA generativa possono prevedere le reazioni del mercato azionario a un evento inatteso, sulla base dei fondamentali aziendali forniti. La configurazione si basa sui dati di Tanyeri & Alp (2023)² e Arslan & Tanyeri-Günsur (2026):³

Ogni strumento di IA riceve un'istantanea delle informazioni a livello aziendale per il primo round:

Informazioni finanziarie

• Dimensione degli asset
• Dimensione del patrimonio netto
• Utile prima di interessi, imposte, svalutazioni e ammortamenti (EBITDA)
• Reddito netto
• Ricavi annuali
• Debito a lungo e a breve termine
• Debiti verso fornitori
• Rendimento del capitale proprio (ROE)
• Rendimento degli attivi (ROA)

Altre informazioni

• Quota di proprietà familiare
• Paese della sede centrale e della quotazione in borsa
• Numero di dipendenti
• Industria/settore

Non vengono forniti il nome dell'azienda né altri identificatori.

Nel secondo round, vengono aggiunte inoltre le seguenti informazioni:

• se il defunto stava lavorando al momento della morte
• la generazione del defunto dopo il fondatore dell'azienda
• se il defunto era il fondatore
• la durata in carica del defunto nell'azienda
• l'età del defunto al momento della morte
• se il defunto è morto improvvisamente o dopo una malattia
• il numero di figli del defunto
• il numero di figlie femmine del defunto
• il numero di figli maschi del defunto
• il numero di partner del defunto

Domanda principale

Date le informazioni sopra riportate, a ogni soluzione di IA viene chiesto di prevedere se i rendimenti anomali cumulativi a 3 giorni (CAR) di 132 aziende saranno:

• Significativamente positivi
• Significativamente negativi
• Non significativi

Il CAR misura come i mercati finanziari rispondono all'evento. Un CAR positivo indica che i trader azionari percepiscono l'evento come creatore di valore, un CAR negativo come distruttore di valore e un CAR non significativo come neutrale.

Campionamento

Il dataset include 132 eventi di morte in 109 aziende familiari quotate in borsa in 24 paesi. Tutte le aziende sono classificate tra le 500 più grandi aziende familiari.

Misurazione delle prestazioni

Il benchmark si basa su precedenti analisi tecniche dei prezzi azionari. Per ogni azienda, il CAR a 3 giorni è stato calcolato e classificato come:

• Significativamente positivo
• Significativamente negativo
• Non significativo

Le previsioni dell'IA vengono confrontate con i valori storici del CAR. L'accuratezza è misurata come percentuale di previsioni corrette effettuate da ciascuna soluzione di IA generativa.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Ulteriori letture

• Benchmark di finanza con IA agentica: FinRobot vs FinRL vs FinGPT
• Le migliori piattaforme di ricerca finanziaria con IA per investitori
• IA VC Benchmark: agenti IA in compiti reali di venture capital

FAQ

Cita questo benchmark

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{arslan2026,
  author = {Arslan, Ezgi},
  title  = {{Trading azionario basato sull'IA: quale strumento di IA generativa è migliore}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/ai-based-stock-trading}},
  note   = {AIMultiple. Consultato il 3 settembre 2026}
}

Registro delle modifiche

4 aggiornamenti

2026

1. 3 set

   Aggiunto Claude Fable 5.1 ai modelli di IA generativa testati.

2. 28 ago

   Aggiunta la sezione "Come hanno ragionato i modelli" che spiega il framework CAR a due forze.

3. 10 giu

   Aggiunta una sezione Versioni attuali su GPT 5.5 Instant, Claude Opus 4.8, DeepSeek V3.2 e Gemini 3.1 Pro.

4. 25 mar

   Aggiunti i modelli GPT 5.4 Instant e GPT 5.4 Thinking alla sezione Versioni attuali.

Collegamenti di riferimento

1.

Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages by Qiang Cheng, Pengkai Lin, Yue Zhao :: SSRN

2.

The value of shareholder rights in family firms: Global evidence from a death in the family - Tanyeri Günsür - 2023 - Corporate Governance: An International Review - Wiley Online Library

3.

ResearchGate - Temporarily Unavailable

4.

Artificial Intelligence Can Make Markets More Efficient—and More Volatile

Ezgi Arslan, PhD.

Analista di settore

Segui

Ezgi ha conseguito un PhD in Economia aziendale con specializzazione in finanza e ricopre il ruolo di analista di settore presso AIMultiple. Conduce ricerche e approfondimenti all'intersezione tra tecnologia e business, con competenze che spaziano dalla sostenibilità alle indagini e all'analisi del sentiment, dalle applicazioni di agenti IA nella finanza all'ottimizzazione dei motori di risposta, dalla gestione dei firewall alle tecnologie di procurement.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento