Come i concetti e i modelli della teoria dei giochi stanno rivoluzionando le strategie di trading algoritmico
Il trading quantitativo ha vissuto una notevole evoluzione negli ultimi decenni, trasformando il panorama della finanza. Quella che una volta era una nicchia oscura, dominata da un piccolo gruppo di hedge fund e istituti di ricerca specializzati, è diventata una forza dominante nei mercati globali. Alimentato dai progressi nella potenza di calcolo, dalla disponibilità di dati e da sofisticati algoritmi di trading, l’approccio quantitativo ha guadagnato slancio costante, attirando l’attenzione di una vasta gamma di partecipanti al mercato, dalle banche di investimento ai gestori patrimoniali istituzionali fino ai trader individuali [1].
Al centro di questa rivoluzione quantitativa c’è stata l’applicazione di rigorose tecniche matematiche e statistiche all’analisi dei mercati finanziari. I trader quantitativi, o “quant“, cercano di sfruttare le inefficienze del mercato e generare rendimenti costanti sviluppando modelli che possano identificare e sfruttare pattern nei dati di mercato [2]. Questi modelli spaziano da semplici regole basate su indicatori tecnici a complessi algoritmi di apprendimento automatico che si adattano dinamicamente alle mutevoli condizioni di mercato [3].
Tra le diverse discipline matematiche che hanno trovato applicazione nel trading quantitativo, la teoria dei giochi emerge come un’area particolarmente promettente. Originariamente sviluppata come strumento per analizzare il comportamento strategico in contesti economici e sociali, la teoria dei giochi offre un potente framework per modellare le interazioni competitive tra i partecipanti al mercato [4]. Riconoscendo che i risultati di un trader sono intrinsecamente legati alle azioni degli altri, la teoria dei giochi consente un’analisi più realistica delle dinamiche di mercato rispetto ai tradizionali modelli basati su agenti singoli [5].
L’applicazione della teoria dei giochi alla finanza quantitativa ha guadagnato slancio significativo negli ultimi anni. I professionisti hanno iniziato a esplorare come i concetti di equilibrio, le dinamiche evolutive e le interazioni strategiche possano informare lo sviluppo di strategie di trading più robuste ed efficienti [6]. Dalla modellazione della microstruttura del mercato all’ottimizzazione dell’esecuzione degli ordini, la teoria dei giochi sta dimostrando la sua utilità in una vasta gamma di contesti di trading [7].
In questo articolo, intraprenderemo un’esplorazione approfondita dell’intersezione tra la teoria dei giochi e il trading quantitativo. Inizieremo delineando i concetti fondamentali della teoria dei giochi e illustrando la loro rilevanza per l’analisi dei mercati finanziari. Successivamente, esamineremo diverse applicazioni chiave, tra cui i modelli di microstruttura del mercato, lo sviluppo di strategie di trading e l’integrazione con le tecniche di apprendimento automatico. Lungo il percorso, evidenzieremo le sfide e le limitazioni attuali dell’applicazione della teoria dei giochi in contesti pratici di trading e delineeremo le direzioni per la ricerca futura. Infine, rifletteremo sulle implicazioni più ampie di questa convergenza per l’industria del trading quantitativo e per i mercati finanziari in generale.
Che tu sia un professionista della finanza che cerca di affinare il tuo toolkit quantitativo o un trader individuale curioso di esplorare nuovi approcci, speriamo che questo articolo serva come preziosa introduzione e guida al coinvolgente mondo della teoria dei giochi applicata al trading. Preparati a mettere in discussione le ipotesi, ad abbracciare nuove prospettive e a sbloccare il potenziale trasformativo di questo potente toolkit analitico.
Fondamenti di Teoria dei Giochi per il Trading
La teoria dei giochi offre un framework potente per modellare le interazioni strategiche tra agenti razionali, basandosi su concetti chiave come giocatori, strategie, payoff ed equilibri [1]. I giocatori rappresentano i partecipanti al mercato, come trader, investitori istituzionali e market maker, ciascuno con i propri obiettivi e vincoli. Le strategie sono i piani d’azione completi che specificano le mosse di ciascun giocatore in ogni possibile scenario, mentre i payoff rappresentano i risultati economici associati a ciascuna combinazione di strategie. L’equilibrio di Nash, un concetto centrale, si riferisce a una situazione in cui nessun giocatore può migliorare il proprio payoff cambiando unilateralmente la propria strategia, data la strategia degli altri [2].
I giochi possono essere classificati in base a varie dimensioni, come l’ordine temporale delle mosse (simultanee vs. sequenziali) e la struttura informativa (informazione completa vs. incompleta), ciascuna con implicazioni distinte per l’analisi strategica. Ad esempio, molte interazioni nei mercati finanziari possono essere modellate come giochi ripetuti a informazione incompleta, in cui i trader cercano di inferire le informazioni private degli altri dalle loro mosse osservabili, adattando le proprie strategie nel tempo [2].
Negli ultimi decenni, questi strumenti analitici hanno trovato crescente applicazione nello studio dei mercati finanziari, gettando luce sui meccanismi di formazione dei prezzi, le dinamiche di trading e il comportamento degli investitori [3]. In particolare, la teoria dei giochi è stata utilizzata per studiare problemi come l’incorporazione di informazioni nei prezzi, l’impatto delle asimmetrie informative sulla liquidità, l’emergere di bolle e crash speculativi e l’efficacia di diverse architetture di mercato nel promuovere l’efficienza e la stabilità [3].
Modelli di Microstrutture del Mercato
Alcuni dei contributi più influenti della teoria dei giochi alla finanza riguardano i modelli di microstruttura del mercato, che analizzano il processo di formazione dei prezzi e le dinamiche di trading a livello granulare. Il modello seminale di Kyle [4] considera un mercato con tre tipi di agenti: un insider con informazioni privilegiate sul vero valore dell’attività, trader di rumore che negoziano per ragioni non legate alle informazioni fondamentali e un market maker che imposta i prezzi per equilibrare il flusso degli ordini [4].
L’insider, grazie alle sue informazioni privilegiate, conosce il vero valore dell’attività, che può essere superiore o inferiore al prezzo di mercato corrente [4]. Per trarre profitto da questa conoscenza, l’insider strategicamente piazza ordini di acquisto o vendita, cercando di non rivelare immediatamente la sua presenza al mercato [4]. Infatti, se l’insider eseguisse un grande ordine in una volta sola, il market maker potrebbe dedurre che l’ordine proviene da un trader informato e adeguare rapidamente i prezzi, erodendo il potenziale di profitto dell’insider [4].
Invece, l’insider spaccia i suoi ordini nel tempo, mescolandoli con quelli dei trader di rumore, in modo da non destare sospetti [4]. Man mano che gli ordini dell’insider vengono eseguiti, i prezzi si spostano gradualmente verso il vero valore dell’attività, permettendo all’insider di accumulare profitti consistenti [4].
Il market maker, d’altra parte, imposta i prezzi bid e ask cercando di guadagnare dalla differenza tra i due (lo spread) [4]. Tuttavia, consapevole della possibile presenza di trader informati, il market maker deve proteggere se stesso dalle perdite che subirebbe negoziando con loro [4]. Per farlo, allarga lo spread in modo da compensare le perdite attese dalle transazioni con gli insider con i guadagni derivanti dalle transazioni con i trader di rumore [4].
In sintesi, il modello di Kyle illustra la complessa interazione strategica tra i partecipanti al mercato con diversi livelli di informazione, gettando luce sul processo di formazione dei prezzi in presenza di asimmetrie informative [4].
Il modello di Glosten-Milgrom [5] si concentra invece sul processo di market making in presenza di selezione avversa. In questo quadro, i market maker si trovano ad affrontare un pool di trader potenzialmente informati e devono impostare prezzi bid-ask per compensare le perdite attese dalla negoziazione con controparti informate. Il modello deriva gli spread bid-ask ottimali in funzione del grado di asimmetria informativa presente sul mercato e del flusso di ordini osservato. Estensioni successive hanno incorporato aspetti come la dimensione variabile delle transazioni [6], mostrando come ordini di dimensioni maggiori possano trasmettere più informazioni, portando a spread più ampi. Questi modelli hanno gettato le basi per una ricca letteratura sulla microstruttura del mercato, con importanti implicazioni per la progettazione dei meccanismi di trading, la regolamentazione dei mercati e la gestione della liquidità. Le intuizioni della teoria dei giochi hanno contribuito a spiegare fenomeni empirici come la relazione tra flussi di ordini e movimenti dei prezzi, la volatilità intraday e l’clustering della liquidità. Hanno anche ispirato il design di algoritmi di trading e di strategie di esecuzione ottimale che tengono conto dell’impatto sul mercato e dei rischi di selezione avversa [7].
Strategie di Trading Informate dalla Teoria dei Giochi
Le intuizioni della teoria dei giochi possono essere applicate per sviluppare e ottimizzare varie strategie di trading quantitativo. Una delle aree più promettenti è il market making algoritmico, in cui i trader utilizzano modelli quantitativi per fornire liquidità al mercato e trarre profitto dagli spread bid-ask. I modelli di teoria dei giochi possono aiutare a derivare strategie ottimali di quotazione che bilanciano i profitti attesi dai flussi di ordini con i costi potenziali di selezione avversa e di inventario [7]. Incorporando stime in tempo reale delle probabilità di informazione dei trader basate sul flusso di ordini osservato, questi algoritmi possono adattare dinamicamente i loro prezzi per gestire efficacemente il rischio [7].
Un’altra area di applicazione è l’arbitraggio statistico e il pairs trading, in cui i trader cercano di sfruttare le deviazioni temporanee dei prezzi dalle loro relazioni di equilibrio di lungo periodo. Queste strategie possono essere formulate come giochi ripetuti con informazione incompleta, in cui i trader cercano di inferire la forza e la persistenza dei segnali di prezzo osservando le azioni degli altri e adattando le loro posizioni nel tempo [8]. I modelli di teoria dei giochi possono aiutare a ottimizzare i parametri delle strategie di pairs trading, come i trigger di entrata e uscita, tenendo conto della concorrenza tra arbitraggisti e dei rischi di congestione del mercato [8].
I modelli di cascate informative e comportamento imitativo dei trader hanno anche trovato applicazione nello sviluppo di strategie contrarian e di momentum [9]. Queste strategie mirano a sfruttare le inefficienze dei prezzi generate da bias comportamentali, come la sovra e sotto-reazione degli investitori alle notizie. Trattando la dinamica di mercato come un gioco evolutivo tra trader razionali e noise trader, questi modelli possono aiutare a identificare punti di svolta nei trend dei prezzi e a tempestivamente posizionarsi per trarre profitto dalle inversioni [9].
Infine, la teoria dei giochi offre un quadro utile per analizzare problemi di allocazione del portafoglio in un contesto multi-agente. Piuttosto che considerare le decisioni di investimento di un singolo investitore in isolamento, questi modelli tengono conto delle interazioni strategiche tra molteplici investitori eterogenei, ciascuno con il proprio set di informazioni, credenze e preferenze di rischio [10]. Ciò può portare a una comprensione più ricca dei fattori che guidano i flussi di capitale tra le classi di attività e dell’emergere di opportunità di arbitraggio.
Teoria dei Giochi Evolutiva e Apprendimento Automatico
Un filone di ricerca particolarmente promettente combina la teoria dei giochi evolutiva con tecniche di apprendimento automatico per sviluppare strategie di trading adattive e robuste. La teoria dei giochi evolutiva studia la dinamica delle popolazioni di agenti, ciascuno dei quali impiega una particolare strategia, e identifica quali strategie sono più adatte a sopravvivere e prosperare nel tempo [11]. Applicata ai mercati finanziari, questa prospettiva suggerisce che le strategie di trading di successo dovrebbero essere in grado non solo di generare profitti in un dato ambiente di mercato, ma anche di adattarsi e rispondere efficacemente ai cambiamenti nelle condizioni e nelle strategie dei concorrenti.
I modelli evolutivi consentono di studiare la dinamica competitiva tra diverse strategie di trading, rappresentate come “specie” in un ecosistema di mercato. Attraverso la simulazione di questa dinamica su lunghi orizzonti temporali, questi modelli possono identificare le strategie più robuste, cioè quelle in grado di generare payoff sostenibili di fronte a popolazioni mutevoli di strategie concorrenti [11]. I risultati possono aiutare i professionisti a progettare strategie di trading con una maggiore capacità di adattamento e resilienza.
Un approccio computazionale strettamente correlato è l’apprendimento per rinforzo, una branca dell’apprendimento automatico in cui gli agenti imparano strategie ottimali interagendo con un ambiente dinamico e ricevendo ricompense o penalità per le loro azioni [12]. Trattando i problemi di trading come giochi stocastici contro la natura, gli algoritmi di apprendimento per rinforzo possono essere utilizzati per derivare direttamente politiche di trading ottimali, senza la necessità di specificare esplicitamente un modello dell’ambiente di mercato. Questi metodi hanno dimostrato un potenziale significativo in aree come l’esecuzione ottimale degli ordini, il market making ad alta frequenza e la gestione del portafoglio multi-asset [13].
Inoltre, i recenti progressi nell’apprendimento supervisionato e non supervisionato aprono nuove strade per l’integrazione dell’intelligenza artificiale con i modelli di teoria dei giochi. Le tecniche di apprendimento automatico possono essere utilizzate per stimare in modo flessibile i parametri chiave dei modelli di teoria dei giochi direttamente dai dati di mercato, come i livelli di avversione al rischio degli investitori, le probabilità di trading informativo o le relazioni fondamentali tra gli asset [13]. Incorporando queste stime basate sui dati nei modelli di teoria dei giochi, i ricercatori e i professionisti possono sviluppare strategie di trading più accurate e reattive.
Sfide e Prospettive Future
Nonostante i notevoli progressi, l’applicazione della teoria dei giochi al trading quantitativo si scontra con diverse sfide. In primo luogo, molti modelli teorici si basano su ipotesi semplificatrici riguardo la razionalità degli agenti, la struttura informativa del mercato e la distribuzione dei payoff. Mentre queste ipotesi consentono un’analisi trattabile, possono limitare la validità empirica dei modelli quando applicate ai complessi e dinamici mercati del mondo reale [14]. I ricercatori stanno lavorando per sviluppare modelli più realistici che catturino aspetti come la razionalità limitata, l’apprendimento adattivo e le dipendenze temporali nei payoff.
In secondo luogo, l’implementazione pratica delle strategie di trading ispirate dalla teoria dei giochi può essere computazionalmente impegnativa. Molti modelli coinvolgono problemi di ottimizzazione complessi e ad alta dimensionalità, o richiedono simulazioni Monte Carlo estensive per stimare le distribuzioni dei payoff [15]. Con l’aumento della frequenza di trading e del volume dei dati di mercato, è fondamentale sviluppare algoritmi efficienti e scalabili che possano sfruttare architetture di calcolo parallelo e ad alte prestazioni. Inoltre, la gestione e l’elaborazione di grandi set di dati di mercato pongono sfide significative in termini di archiviazione, accesso e controllo della qualità dei dati [15].
Un’altra area critica di indagine riguarda le implicazioni dell’interazione strategica tra molteplici agenti di trading algoritmici sui mercati. Con l’adozione diffusa di algoritmi di trading sempre più sofisticati, i mercati finanziari stanno diventando ecosistemi complessi in cui diverse strategie co-evolvono e competono per i profitti. Questa interazione può portare a dinamiche di mercato emergenti e potenzialmente destabilizzanti, come oscillazioni di feedback, cascate di liquidità o flash crash [16]. Comprendere e gestire questi rischi sistemici è una priorità fondamentale per garantire il funzionamento ordinato ed equo dei mercati.
Infine, l’uso pervasivo di algoritmi di trading basati sulla teoria dei giochi solleva importanti considerazioni etiche e regolamentari. Poiché le strategie di trading algoritmico possono amplificare le asimmetrie informative e spostare i profitti verso sofisticati investitori istituzionali, esiste il rischio di creare un campo di gioco non uniforme che sfavorisca i piccoli investitori retail [17]. Inoltre, alcuni critici sostengono che l’eccessiva dipendenza dai modelli quantitativi possa portare a una “finanza disincarnata” scollegata dall’economia reale, contribuendo a bolle speculative e instabilità. Affrontare queste preoccupazioni richiederà una stretta collaborazione tra industria, accademia, responsabili politici e il pubblico per sviluppare quadri normativi che promuovano l’innovazione responsabile nella finanza quantitativa [17].
Nonostante queste sfide, le prospettive future per l’applicazione della teoria dei giochi al trading quantitativo rimangono molto promettenti. Con il continuo progresso nelle capacità di calcolo, la disponibilità di dati e la sofisticazione degli algoritmi di apprendimento automatico, i modelli di teoria dei giochi diventeranno strumenti sempre più potenti per navigare nei complessi ecosistemi dei mercati finanziari moderni. Abbracciando un approccio interdisciplinare che combina intuizioni economiche, metodi quantitativi e tecnologie informatiche all’avanguardia, i ricercatori e i professionisti della finanza saranno ben posizionati per sbloccare nuove fonti di alfa e promuovere mercati più efficienti e resilienti.
Conclusioni
In questo articolo, abbiamo esplorato il fertile incrocio tra la teoria dei giochi e il trading quantitativo, evidenziando come i concetti e i modelli della teoria dei giochi stiano rivoluzionando il modo in cui i professionisti della finanza approcciano i mercati. Dalla modellizzazione delle interazioni strategiche nella microstruttura del mercato allo sviluppo di strategie di trading adattive e basate sull’apprendimento automatico, la teoria dei giochi offre un potente toolkit analitico per navigare nel complesso e dinamico panorama dei mercati finanziari odierni.
L’integrazione della teoria dei giochi con i metodi quantitativi all’avanguardia, come l’apprendimento per rinforzo e l’intelligenza artificiale, apre nuove strade entusiasmanti per l’innovazione nel trading algoritmico. Sfruttando il crescente volume di dati di mercato e le capacità di calcolo avanzate, i ricercatori e i professionisti possono sviluppare strategie di trading sempre più sofisticate che si adattano dinamicamente alle mutevoli condizioni di mercato e alle strategie delle controparti.
Tuttavia, l’applicazione della teoria dei giochi alla finanza quantitativa comporta anche sfide significative, dalla necessità di sviluppare modelli più realistici che catturino la complessità dei mercati reali, alla gestione degli oneri computazionali e dei big data associati all’implementazione di strategie avanzate. Inoltre, l’interazione strategica tra molteplici algoritmi di trading solleva importanti domande sulla stabilità del mercato e sulla correttezza, richiedendo una stretta collaborazione tra accademia, industria e regolatori per promuovere un’innovazione responsabile e sostenibile.
Per i lettori che sono stati intrigati dalle potenti intuizioni offerte dalla teoria dei giochi e desiderano esplorare ulteriormente la sua applicazione al trading quantitativo, la nostra bibliografia fornisce un’eccellente punto di partenza. Abbiamo selezionato una gamma di opere, dai classici fondamentali ai lavori più recenti, che offrono una solida introduzione ai concetti chiave e illustrano il vasto potenziale di questo campo in rapida evoluzione.
Tuttavia, per coloro che sono pronti a fare il passo successivo e incorporare i principi della teoria dei giochi nelle proprie strategie di trading, siamo lieti di annunciare il nostro prossimo libro, “Strategie di Trading basate sulla Teoria dei Giochi: Una Guida Accessibile per il Trader Quantitativo”.
Riconoscendo che molti lettori potrebbero essere nuovi in questo campo, il nostro libro è stato progettato pensando all’accessibilità. Forniremo spiegazioni chiare e intuitive dei concetti fondamentali, rendendo le potenti intuizioni della teoria dei giochi comprensibili anche a coloro senza una formazione matematica approfondita. Attraverso esempi illustrativi e studi di casi del mondo reale, mostreremo come questi principi possano essere applicati in contesti pratici di trading.
Copriremo un’ampia gamma di argomenti, dalla modellazione delle dinamiche di microstruttura del mercato allo sviluppo di strategie di trading robuste e adattive. Condivideremo approfondimenti su come la teoria dei giochi possa informare il processo decisionale in aree chiave come l’esecuzione degli ordini, la gestione del rischio e l’allocazione del portafoglio. Lungo il percorso, evidenzieremo le insidie comuni e le best practice per l’implementazione di queste tecniche nella vita reale.
Sia che tu sia un trader individuale curioso di esplorare nuovi approcci o un professionista della finanza che cerca di affinare il tuo toolkit quantitativo, “Strategie di Trading basate sulla Teoria dei Giochi” ti fornirà una roadmap accessibile ma completa per integrare questa potente metodologia nella tua pratica di trading. Rimani sintonizzato per la sua uscita e preparati ad arricchire il tuo approccio ai mercati con le intuizioni trasformative della teoria dei giochi.
In un mondo finanziario sempre più guidato dai dati e dagli algoritmi, coloro che possono padroneggiare l’arte di applicare la teoria dei giochi ai mercati saranno ben posizionati per prosperare. Abbracciando la potenza della modellazione basata sulla teoria dei giochi e le tecnologie quantitative innovative, possiamo non solo migliorare i rendimenti finanziari, ma anche promuovere mercati più efficienti, trasparenti ed equi a beneficio di tutti i partecipanti. Il futuro del trading quantitativo è ricco di sfide e opportunità, e la teoria dei giochi sarà senza dubbio una parte essenziale di questo entusiasmante viaggio.
Bibliografia
[1] Von Neumann, J., & Morgenstern, O. (1944). Theory of Games and Economic Behavior. Princeton University Press.
– Il testo fondamentale che ha gettato le basi per la teoria dei giochi moderna e le sue applicazioni all’economia.
[2] Fudenberg, D., & Tirole, J. (1991). Game Theory. MIT Press.
– Un’introduzione completa ai concetti e ai metodi della teoria dei giochi, con enfasi sulle applicazioni economiche.
[3] O’Hara, M. (1995). Market Microstructure Theory. Blackwell Publishers.
– Un testo di riferimento sulla teoria della microstruttura dei mercati finanziari, che analizza il processo di formazione dei prezzi e le dinamiche di trading.
[4] Kyle, A. S. (1985). Continuous Auctions and Insider Trading. Econometrica, 53(6), 1315-1335.
– L’articolo che introduce il modello di trading strategico con informazioni privilegiate, mostrando come gli insider influenzano i prezzi di mercato.
[5] Glosten, L. R., & Milgrom, P. R. (1985). Bid, Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders. Journal of Financial Economics, 14(1), 71-100.
– Il modello di riferimento per l’analisi del processo di market making in presenza di traders con diversi livelli di informazione.
[6] Easley, D., & O’Hara, M. (1987). Price, Trade Size, and Information in Securities Markets. Journal of Financial Economics, 19(1), 69-90.
– Un’estensione del modello di Glosten-Milgrom che analizza il ruolo della dimensione delle transazioni nel rivelare informazioni.
[7] Avellaneda, M., & Stoikov, S. (2008). High-Frequency Trading in a Limit Order Book. Quantitative Finance, 8(3), 217-224.
– Un’applicazione di modelli di teoria dei giochi al problema del market making ottimale in un mercato order-driven.
[8] Mudchanatongsuk, S., Primbs, J. A., & Wong, W. (2008). Optimal Pairs Trading: A Stochastic Control Approach. Proceedings of the American Control Conference, 1035-1039.
– Un approccio basato sulla teoria dei giochi e il controllo ottimo per modellare strategie di pairs trading.
[9] Pouget, S. (2007). Adaptive Traders and the Design of Financial Markets. Journal of Finance, 62(6), 2835-2863.
– Un modello di teoria dei giochi evolutiva che studia l’emergere di cascate informative e comportamenti imitativi nei mercati finanziari.
[10] Laffont, J. J., & Larkey, P. D. (1976). Decentralized Decisions with Shared Information. IEEE Transactions on Systems, Man, and Cybernetics, 6(5), 327-332.
– Un modello di teoria dei giochi per l’analisi delle decisioni di asset allocation in un contesto multi-agente.
[11] Friedman, D. (1991). Evolutionary Games in Economics. Econometrica, 59(3), 637-666.
– Un’introduzione ai concetti e ai metodi della teoria dei giochi evolutiva, con applicazioni all’economia e alla finanza.
[12] Barde, S. (2020). Reinforcement Learning in Economics and Finance. Computational Economics, 56(1), 1-27.
– Una rassegna delle applicazioni delle tecniche di apprendimento per rinforzo ai problemi economici e finanziari, incluso il trading.
[13] Nevmyvaka, Y., Feng, Y., & Kearns, M. (2006). Reinforcement Learning for Optimized Trade Execution. Proceedings of the 23rd International Conference on Machine Learning, 673-680.
– Un esempio di utilizzo di algoritmi di apprendimento per rinforzo per ottimizzare strategie di esecuzione degli ordini.
[14] Samuelson, L. (2016). Game Theory in Economics and Beyond. Journal of Economic Perspectives, 30(4), 107-130.
– Una discussione critica delle ipotesi e dei limiti dei modelli di teoria dei giochi nelle applicazioni economiche.
[15] Papayoanou, P. (2010). Game Theory for Trading: Applying Game Theory to Trading and Market Microstructure. John Wiley & Sons.
– Un testo pratico che discute le sfide computazionali e di implementazione dell’applicazione di modelli di teoria dei giochi al trading.
[16] Lehalle, C. A., & Mouzouni, C. (2019). A Mean Field Game of Portfolio Trading and Its Consequences on Perceived Correlations. arXiv preprint arXiv:1902.09606.
– Un modello di teoria dei giochi a campo medio per analizzare le dinamiche di interazione tra molteplici agenti di trading e il loro impatto sulla correlazione dei prezzi.
[17] Angel, J. J., & McCabe, D. (2013). Fairness in Financial Markets: The Case of High Frequency Trading. Journal of Business Ethics, 112(4), 585-595.
– Una discussione delle implicazioni etiche dell’uso di algoritmi di trading ad alta frequenza informati da modelli di teoria dei giochi.
‹ Torna all'Osservatorio