Descrizione del corso

Il corso più rigoroso in italiano sull'applicazione dell'intelligenza artificiale al trading di opzioni. Nessuna promessa di rendimenti magici — solo scienza, codice, e onestà intellettuale.

Cosa imparerai

  • Machine learning per la volatilità: Random Forest e XGBoost per prevedere IV Rank e classificare regimi (con confronto vs baseline)
  • NLP e sentiment analysis delle earnings call con FinBERT e LLM — evidence empirica e limiti reali
  • Anomaly detection nel flusso ordini: Z-score, Isolation Forest, DBSCAN per unusual options activity
  • Ottimizzazione delle Greche con algoritmi genetici e reinforcement learning per la gestione degli iron condor
  • Regime detection con Hidden Markov Model: trading rules adattive e sizing per regime
  • LLM (Claude, GPT) come copilot: briefing mattutino automatico, trade ideas, journal review
  • I limiti onesti: cosa NON funziona (LSTM, market timing, black box) e perché

Per chi è questo corso

Per trader di opzioni con esperienza (minimo 1 anno) che vogliono integrare strumenti di AI nel loro workflow. Prerequisito: conoscenza di opzioni (Greche, IV, spread) e basi di Python. NON è un corso per principianti, NON promette rendimenti, NON vende il sogno dell'"AI che fa trading al posto tuo".

Struttura

8 moduli, 26 lezioni con codice Python funzionante, 8 quiz interattivi. Ogni tecnica è basata su ricerca accademica pubblicata e testata su dati reali di mercato.

Programma del corso

Cos'è il machine learning e cosa NON è. I tre paradigmi (supervised, unsupervised, reinforcement). Il workflow completo dalla feature al live. Overfitting: il nemico numero uno.

1. Cos'è il machine learning e cosa NON è
2. Supervised, unsupervised e reinforcement learning per le opzioni
3. Il workflow ML per il trading: dalla feature al live
4. Overfitting: il nemico numero uno del ML nel trading
5. Verifica — Fondamenti: AI/ML applicati al tradingQuiz

Feature engineering per la volatilità (IV rank, HV ratio, skew, term structure). Random Forest per IV Rank. XGBoost per classificare regimi. Validazione rigorosa walk-forward.

1. Feature engineering per la volatilità: le variabili che contano
2. Random Forest per prevedere IV Rank a 5 giorni
3. XGBoost per classificare regimi di IV: alto, medio, basso
4. Validazione rigorosa: walk-forward, no look-ahead, metriche reali
5. Verifica — Volatilità con Machine LearningQuiz

Sentiment analysis delle earnings call con FinBERT e LLM. Pipeline pratico: transcript → scoring → IV crush. Il tono del CEO predice la direzione? Evidence e limiti.

1. Sentiment analysis delle earnings call transcripts con LLM
2. Pipeline pratico: da earnings transcript a IV crush scoring
3. Il tono del CEO predice la direzione? Evidence e limiti
4. Verifica — NLP e Sentiment su EarningsQuiz

Volume spike, OI breakout, skew anomalies. Implementazione con Z-score, Isolation Forest, DBSCAN. Da anomalia a trade: interpretazione e limiti.

1. Unusual Options Activity: cosa cerchiamo e perché
2. Implementazione: Z-score, Isolation Forest e DBSCAN
3. Da anomalia a trade: come interpretare i segnali
4. Verifica — Anomaly Detection: Unusual Options ActivityQuiz

Il portfolio delle Greche come problema di ottimizzazione. Algoritmi genetici per combinazioni di spread. Reinforcement learning per gestire un iron condor.

1. Il portfolio delle Greche come problema di ottimizzazione
2. Algoritmi genetici per trovare la combinazione ottimale di spread
3. Reinforcement learning per gestire un iron condor: quando rollare, quando chiudere
4. Verifica — Ottimizzazione delle Greche con algoritmiQuiz

HMM per identificare regimi di volatilità (Hamilton 1989). Implementazione Python con hmmlearn. Trading rules per regime: strategia, sizing, transizioni.

1. Hidden Markov Model per identificare regimi di volatilità
2. Implementazione Python: hmmlearn, 3-4 stati, fit su VIX/SPX
3. Trading rules per regime: strategia, sizing adattivo e transizioni
4. Verifica — Regime Detection con Hidden Markov ModelQuiz

Usare Claude/GPT API per analisi strutturata, trade ideas, journal review. Pipeline pratico con prompt engineering. Limiti e rischi: allucinazioni, bias, validazione.

1. Usare Claude/GPT API per analisi di mercato strutturata
2. Pipeline pratico: dati di mercato → prompt → risposta → validazione
3. Limiti e rischi: allucinazioni, bias, il modello NON conosce il futuro
4. Verifica — LLM come Copilot per il TraderQuiz

Cosa NON funziona: LSTM, market timing, black box. I problemi strutturali: non-stazionarietà, data snooping, survivorship bias. Il framework onesto: quando l'AI aggiunge valore.

1. Cosa NON funziona: LSTM, market timing e black box trading
2. I problemi strutturali: non-stazionarietà, data snooping, survivorship bias
3. Il framework onesto: quando l'AI aggiunge valore e quando è inutile
4. Verifica — I Limiti Onesti dell'AI nel TradingQuiz

Il docente

Pierpaolo Marturano

Pierpaolo Marturano

CEO Core Matrix · Contributor Class CNBC

Autore di 11 libri sulla finanza, tra cui la trilogia dedicata alle opzioni che rappresenta un punto di riferimento nel panorama italiano. Contributor di Class CNBC con il programma Quantum Space sul quantum computing applicato ai mercati finanziari. Sviluppatore di soluzioni software per il mondo finanziario.

I suoi corsi combinano rigore teorico e applicazione pratica, con sessioni operative su piattaforma Interactive Brokers. Disponibili in aula (Torino, Milano, Roma) e online.

11 Libri Finanza Class CNBC Finance Software Interactive Brokers
Scopri i libri del docente