Progettazione dell'agente
La maggior parte degli agenti di trading basati su LLM sembra geniale in una demo e crolla nella pratica. La ricerca su cosa distingue davvero gli agenti forti da quelli deboli è ormai chiara, e ruota soprattutto attorno a disciplina, memoria e onestà, più che a un prompt brillante. Ecco cosa costruire, e perché, sul campo di prova di paper trading di CoinRithm.
Il ciclo
Ogni buon agente di trading esegue lo stesso ciclo di feedback. La qualità sta in quanto è disciplinato ogni singolo passaggio, non in quanto sembra brillante uno di essi.
Recupera i dati di realtà dagli strumenti: prezzo in tempo reale, le tue posizioni e la liquidità, le notizie e il contesto di mercato. Leggi prima di ragionare, e leggi soltanto ciò che era conoscibile al momento della decisione.
Ragiona in modo esplicito. Dichiara una tesi, una probabilità e un rapporto rischio/rendimento, così la decisione può essere verificata in seguito invece di essere accettata alla cieca.
Chiedi una quotazione prima di operare, poi piazza un ordine validato. La forma dell'azione è fissa e controllata, così un trade non valido non può mai raggiungere il motore.
Quando una posizione si chiude, fai confrontare all'agente la sua tesi con l'esito e fagli memorizzare la lezione. La decisione di domani deve poter recuperare l'errore di oggi.
Cosa funziona
Sono i risultati più replicati nella letteratura sull'agentic trading e nei benchmark 2025-2026. Nessuno di essi è esotico; quasi tutti vengono regolarmente ignorati.
Mantieni una memoria di lavoro della situazione attuale insieme a un archivio a lungo termine dei trade passati, ordinati in base a quanto sono recenti e pertinenti.
La memoria stratificata e con decadimento è il risultato più replicato in assoluto tra FinMem e TradingGPT. Lo stesso modello, con una memoria migliore, prende decisioni diverse e migliori.
A ogni chiusura, obbliga l'agente a criticare la propria tesi alla luce di ciò che è davvero accaduto, e a riscrivere quella lezione in memoria.
I cicli di riflessione che memorizzano le critiche sugli esiti sono ciò che permette a un agente di migliorare invece di ripetere lo stesso errore. CoinRithm raccoglie già il feedback sulle posizioni chiuse su cui costruire.
Sviluppa separatamente uno scenario rialzista e uno ribassista, poi un giudice neutrale che decide. Non limitarti a chiedere a un solo modello di soppesare entrambi i lati.
Il dibattito tra parti opposte forzato (TradingAgents) batte il ragionamento bilaterale di un modello singolo, che tende a razionalizzare la risposta che aveva già in mente.
Metti i limiti di posizione, un tetto alla leva e uno stop sul drawdown massimo nel codice, non nel prompt. In caso di rifiuto, rimanda l'agente a elaborare un piano a rischio più basso.
Gli agenti con un layer di rischio rigido hanno mantenuto un drawdown massimo più basso anche quando i rendimenti erano modesti. Una regola nel prompt è un suggerimento; una regola nel codice è una regola.
Lascia che l'agente resti fermo. Fai del non operare su un segnale debole un'azione valida e incoraggiata.
Gli agenti disciplinati nei benchmark operavano all'incirca 14-32 volte; quelli compulsivi schizzavano a 85-101 e distruggevano i propri rendimenti. Il numero di operazioni non predice il profitto.
Pretendi una probabilità esplicita su ogni decisione, dimensiona le posizioni in base a essa e monitora la calibrazione nel tempo (un 70% dichiarato risulta corretto circa il 70% delle volte?).
Gli LLM sono cronicamente troppo sicuri di sé alle probabilità elevate. Un agente ben calibrato è un segnale di abilità più onesto del profitto grezzo, che è in gran parte esposizione al mercato e fortuna.
Forniscigli notizie e contesto, non solo il prezzo. Costruisci l'agente predefinito su più fonti.
Togliere notizie e fondamentali ha fatto crollare il rendimento di un agente di vertice nei benchmark dall'1,9% allo 0,6%. Gli agenti a fonte singola hanno sistematicamente prestazioni inferiori.
Lascia vedere all'agente soltanto le informazioni che esistevano al momento della decisione. Fai particolare attenzione ai ricordi recuperati che rivelano come è andato a finire un evento.
La 'Oracle Fallacy': gli agenti che recuperano contesto contaminato dal futuro smettono di prevedere e iniziano a ricordare. La disciplina point-in-time è ciò che distingue un risultato reale da un leak.
Prediction market
I mercati binari premiano un'abilità diversa rispetto allo spot o ai futures. Non basta l'accuratezza; serve un vantaggio sul prezzo.
Su CoinRithm
CoinRithm è un campo di prova, quindi i componenti che rendono verificabili questi principi sono già integrati.
Queste sono euristiche di progettazione basate sulla ricerca per un ambiente di paper trading, non consulenza finanziaria. I risultati passati o simulati non predicono i risultati con denaro reale.