Il trading algoritmico affascina molti investitori privati: l'idea di avere un programma che compra e vende al posto tuo, 24 ore su 24, senza emozioni, sembra quasi perfetta. La realtà è molto più complicata. In questa guida spiego cos'è davvero il trading algoritmico, come funziona tecnicamente, quanto costa svilupparlo e, soprattutto, perché la maggioranza degli algoritmi creati da trader retail non produce risultati migliori di un semplice investimento passivo in ETF.
Cos'è il trading algoritmico
Il trading algoritmico (o algo trading) consiste nell'usare programmi informatici per eseguire ordini di acquisto e vendita su mercati finanziari in modo automatico, seguendo un insieme di regole predefinite. Queste regole possono basarsi su indicatori tecnici, prezzi, volumi, segnali statistici o persino dati alternativi come notizie e sentiment dei social network.
A livello professionale, gli algoritmi vengono usati da banche d'investimento, hedge fund e market maker per eseguire milioni di ordini al secondo con latenze nell'ordine dei microsecondi. A livello retail, si parla invece di Expert Advisor (EA) per MetaTrader o di script Python che operano tramite API di broker.
Come funziona un algoritmo di trading
Un algoritmo di trading retail segue tipicamente questo ciclo:
- Acquisizione dati: il programma legge i prezzi in tempo reale (o con un certo ritardo) tramite le API del broker o di un data provider.
- Calcolo dei segnali: in base alle regole programmate, valuta se le condizioni di mercato soddisfano i criteri di ingresso o uscita.
- Invio degli ordini: se le condizioni sono soddisfatte, invia automaticamente un ordine di acquisto o vendita al broker.
- Gestione della posizione: monitora stop loss, take profit e trailing stop in modo automatico.
Sembra semplice, ma ogni fase nasconde complessità tecniche e rischi che molti principianti sottovalutano.
Differenza tra trading manuale e algoritmico
Il trading manuale dipende dall'interpretazione soggettiva del trader: ogni decisione è influenzata da emozioni, stanchezza e bias cognitivi. L'algoritmo, in teoria, elimina questi fattori e applica le stesse regole in modo identico ogni volta. In pratica, però, le regole vengono scritte da un essere umano che porta con sé i propri bias, e l'algoritmo li amplifica su scala.
I linguaggi di programmazione per il trading algoritmico
La scelta del linguaggio dipende dalla piattaforma che vuoi usare, dal broker con cui operi e dalle tue competenze tecniche.
Python: il più usato dai trader retail
Python è diventato lo standard de facto per il trading algoritmico retail grazie alla sua semplicità sintattica e all'ecosistema di librerie disponibili. Le principali:
- Pandas e NumPy: per manipolare serie temporali di prezzi e calcolare indicatori.
- Backtrader e Zipline: framework dedicati al backtesting di strategie.
- ccxt: libreria per connettersi a decine di exchange di criptovalute tramite API uniformi.
- TA-Lib: libreria con oltre 150 indicatori tecnici preimplementati.
Python non è adatto al trading ad alta frequenza (HFT) perché è un linguaggio interpretato e troppo lento. Per strategie su timeframe di minuti o ore, però, è più che sufficiente.
MQL4 e MQL5: per MetaTrader
MetaTrader 4 e MetaTrader 5 sono le piattaforme più diffuse tra i trader al dettaglio, specialmente nel forex e nei CFD. Il loro linguaggio nativo è MQL (MetaQuotes Language), che consente di scrivere Expert Advisor, indicatori personalizzati e script.
MQL è sintatticalmente simile al C++, quindi chi non conosce la programmazione troverà la curva di apprendimento ripida. Esiste un marketplace (MQL5 Market) dove acquistare EA già pronti, ma la maggior parte dei prodotti venduti lì ha performance storiche non verificabili o ottenute con overfitting evidente.
Altri linguaggi e piattaforme
Oltre a Python e MQL esistono altre opzioni:
- Pine Script: il linguaggio di TradingView, ottimo per testare rapidamente idee su grafici, ma limitato per l'esecuzione automatica reale.
- C# con Interactive Brokers TWS API: per chi vuole maggior controllo e lavora con un broker come IBKR.
- C++ e Java: usati in ambito professionale per latenza minima, non necessari per il retail.
Il backtesting: testare la strategia sulla storia
Prima di rischiare soldi reali, ogni strategia va testata sui dati storici. Questo processo si chiama backtesting e consiste nel simulare come l'algoritmo avrebbe operato in passato.
Come si fa il backtesting
Un backtesting corretto richiede:
- Dati di qualità: prezzi storici puliti, possibilmente tick-by-tick o almeno OHLCV (Open, High, Low, Close, Volume) su timeframe coerenti con la strategia.
- Simulazione realistica dei costi: spread, commissioni, slippage (la differenza tra il prezzo teorico e quello effettivo di esecuzione).
- Gestione corretta del look-ahead bias: l'algoritmo non deve usare dati futuri per prendere decisioni passate, un errore comune nei backtesting fatti male.
- Periodo di test adeguato: testare su 6 mesi di dati non è sufficiente; servono almeno 5-10 anni che includano diverse fasi di mercato (rialziste, ribassiste, laterali).
L'overfitting: il problema principale del backtesting
L'overfitting è la trappola più comune e più pericolosa del trading algoritmico. Si verifica quando si ottimizzano i parametri della strategia fino a far risultare eccellente la performance storica, ma l'algoritmo ha semplicemente "memorizzato" i dati passati invece di aver trovato un pattern genuino.
Un esempio pratico: se prendi una media mobile e testi tutti i periodi da 1 a 200, troverai quasi certamente una combinazione che ha funzionato benissimo negli ultimi 3 anni. Ma quella combinazione non ha alcuna ragione statistica di funzionare nei prossimi 3 anni.
Per ridurre l'overfitting si usano tecniche come:
- Walk-forward analysis: si ottimizza su un periodo (in-sample) e si verifica su un periodo successivo non visto (out-of-sample), poi si avanza nel tempo e si ripete.
- Monte Carlo simulation: si randomizzano ordine e risultati delle operazioni per valutare la robustezza statistica della strategia.
- Numero ridotto di parametri: più parametri ottimizzi, più è facile fare overfitting. Una buona strategia ha pochi parametri con logica economica chiara.
I costi reali dello sviluppo algoritmico
Molti principianti sottostimano i costi del trading algoritmico. Eccone una panoramica realistica.
Costi tecnici
- Dati storici: dati tick di qualità per mercati regolamentati (azioni, futures) costano da qualche centinaio a migliaia di euro all'anno. I dati gratuiti (Yahoo Finance, Quandl) sono spesso incompleti o con errori.
- Server e VPS: per far girare l'algoritmo continuamente serve un server virtuale privato. Costo a titolo indicativo: 20-100€/mese in base alle specifiche.
- Piattaforma e API: alcune piattaforme sono gratuite (MetaTrader), altre hanno costi mensili. Le API di broker professionali come Interactive Brokers richiedono un saldo minimo e commissioni per operazione.
- Librerie e strumenti: Python è open source, ma alcune librerie avanzate di backtesting sono a pagamento.
Costi nascosti
I costi più insidiosi sono quelli che non si vedono nel backtesting:
- Slippage: nei mercati meno liquidi, gli ordini vengono eseguiti a prezzi peggiori di quelli attesi. Su operazioni frequenti, il costo cumulato è significativo.
- Spread bid-ask: ogni volta che l'algoritmo compra e vende, paga lo spread. Su timeframe brevi con molte operazioni al giorno, lo spread erode quasi interamente il profitto teorico.
- Tassazione: ogni operazione chiusa in profitto è soggetta alla tassazione del 26% sulle plusvalenze in Italia (per criptovalute è salita al 33% dal 2026). Vedi la sezione dedicata.
- Tempo di sviluppo: scrivere, testare e manutenere un algoritmo richiede centinaia di ore di lavoro. Se hai un lavoro principale, questo costo è reale.
Perché la maggior parte degli algoritmi retail non batte il mercato
Questa è la parte che molti corsi di trading algoritmico non ti dicono mai. La realtà statistica è che la grande maggioranza degli algoritmi sviluppati da trader retail non produce alfa (rendimento in eccesso rispetto al mercato) consistente nel lungo periodo, al netto dei costi.
Il problema dell'efficienza dei mercati
I mercati finanziari principali (azioni quotate su borse regolamentate, forex sui principali cross, futures) sono già analizzati in tempo reale da migliaia di algoritmi professionali gestiti da team di matematici, fisici e ingegneri con risorse praticamente illimitate. Ogni inefficienza facilmente individuabile viene sfruttata e corretta in tempi brevissimi.
Un trader retail che cerca pattern sui dati OHLCV giornalieri di un indice azionario sta guardando gli stessi dati che analizzano decine di hedge fund con capacità computazionale enormemente superiore. La probabilità di trovare un edge genuino e sostenibile è statisticamente bassa.
Transaction costs e decay delle strategie
Anche quando si trova una strategia che sembra funzionare nel backtest, i costi di transazione nella realtà sono spesso sufficienti a cancellare l'edge. Questo vale soprattutto per strategie ad alta frequenza di operazioni.
Inoltre, le strategie tendono a decadere nel tempo: man mano che una inefficienza viene sfruttata da più partecipanti, smette di essere redditizia. Una strategia che ha funzionato storicamente nel backtest potrebbe già essere obsoleta quando si inizia a usarla.
L'alternativa semplice ed efficace
Prima di dedicare mesi allo sviluppo di un algoritmo, vale la pena confrontare i risultati attesi con l'alternativa più semplice: un portafoglio pigro in ETF globali con piano di accumulo. Storicamente, la maggioranza dei gestori attivi (figuriamoci dei trader retail) non batte l'indice nel lungo periodo al netto dei costi. Prima di partire con il trading algoritmico, assicurati di aver letto la guida sugli errori comuni degli investitori.
Tassazione del trading algoritmico in Italia nel 2026
Dal punto di vista fiscale, il trading algoritmico non ha una categoria a sé: si applica la normativa ordinaria sulle rendite finanziarie. I punti principali per il 2026:
- Plusvalenze su azioni, ETF, forex e futures: aliquota del 26% (imposta sostitutiva), indipendentemente dal reddito IRPEF. Le minusvalenze si compensano con le plusvalenze dello stesso periodo o dei 4 anni successivi, ma solo nello stesso "contenitore" fiscale.
- Plusvalenze su criptovalute: dal 2026 l'aliquota è stata portata al 33%, con franchigia azzerata. Per approfondire: guida alla tassazione delle criptovalute in Italia.
- Regime dichiarativo vs. amministrato: con il regime amministrato il broker (se italiano o con stabile organizzazione in Italia) applica le ritenute in automatico. Con il regime dichiarativo devi calcolare e dichiarare tu stesso le plusvalenze nel 730 o nel Redditi PF.
- Partita IVA: se il trading diventa un'attività continuativa e professionale, l'Agenzia delle Entrate potrebbe riqualificarla come attività d'impresa, con conseguente obbligo di apertura di partita IVA e tassazione IRPEF ordinaria (23% fino a 28.000€, 33% da 28.000 a 50.000€, 43% oltre 50.000€). Il confine non è codificato in modo preciso ed è valutato caso per caso.
Per una panoramica completa sulla tassazione delle rendite finanziarie, leggi: tassazione rendite finanziarie 2026.
Come iniziare, se vuoi davvero farlo
Se dopo aver letto tutto questo sei ancora interessato al trading algoritmico, ecco un percorso realistico per iniziare senza bruciarti subito.
Fase 1: Basi di programmazione e mercati finanziari
Prima di scrivere una riga di codice di trading, devi avere chiaro come funzionano i mercati. Leggi la guida su come funziona la borsa e poi impara Python con corsi gratuiti (Codecademy, freeCodeCamp). Dedica almeno 3-6 mesi solo a questo.
Fase 2: Paper trading e conto demo
Inizia sempre su un conto demo. Tutti i broker seri offrono conti demo con dati in tempo reale. Esegui il tuo algoritmo in paper trading per almeno 3-6 mesi prima di rischiare capitale reale. Scegli un broker adeguato consultando la lista dei migliori broker per investire.
Fase 3: Capitale rischio minimo
Quando passi al reale, usa solo capitale che puoi permetterti di perdere interamente. Non usare mai i risparmi di emergenza o il capitale destinato a obiettivi fondamentali. Assicurati prima di avere un fondo di emergenza solido separato dagli investimenti.
Cosa aspettarsi realisticamente
Sviluppare una strategia algoritmica profittevole richiede anni di lavoro, molta competenza tecnica e statistica, e accesso a dati di qualità. La maggior parte dei principianti perde denaro nei primi anni. Questo non significa che non valga la pena imparare, ma è fondamentale avere aspettative realistiche fin dall'inizio. Per chi vuole investire ma senza la complessità tecnica del trading algoritmico, la guida su come iniziare a investire da zero è il punto di partenza migliore.
Domande frequenti
Quanto capitale serve per iniziare con il trading algoritmico?
Non esiste un minimo tecnico: puoi testare algoritmi anche con poche centinaia di euro. Tuttavia, con capitali piccoli i costi fissi (VPS, dati, commissioni minime) erodono percentualmente una parte elevata del capitale. A titolo indicativo, molti trader algoritmici retail ritengono che sotto i 5.000-10.000€ i costi di struttura rendano l'attività difficilmente redditizia nel lungo termine. Prima di dedicare capitale al trading algoritmico, valuta se il tuo profilo di rischio è adeguato.
È legale il trading algoritmico in Italia per i privati?
Sì, il trading algoritmico è completamente legale per i privati italiani. Non ci sono restrizioni normative sull'uso di algoritmi automatici per operare sui propri conti di investimento. Occorre però rispettare le regole fiscali ordinarie sulle rendite finanziarie e, se l'attività diventa sistematica e professionale, valutare se sia necessaria l'apertura di una partita IVA.
Python o MQL5: quale linguaggio imparare per iniziare?
Dipende dall'uso che vuoi farne. Se operi principalmente su forex e CFD tramite MetaTrader, MQL4/MQL5 è la scelta naturale perché si integra direttamente con la piattaforma. Se vuoi maggior flessibilità, lavorare su azioni o criptovalute, o semplicemente imparare un linguaggio più spendibile in altri ambiti, Python è la scelta migliore per il lungo termine. Python ha anche un ecosistema di backtesting più ricco e una comunità molto più ampia.
Il backtesting positivo garantisce che la strategia funzionerà in futuro?
No, assolutamente no. Un backtest positivo è una condizione necessaria ma non sufficiente. Il problema principale è l'overfitting: ottimizzando troppo i parametri sui dati storici si ottengono performance eccellenti in retrospettiva ma prive di valore predittivo. Anche un backtesting metodologicamente corretto non garantisce nulla sul futuro perché le condizioni di mercato cambiano. Un paper trading su dati live di almeno 6-12 mesi è il secondo filtro fondamentale prima di rischiare capitale reale.
Quali sono le tasse sulle plusvalenze generate da un algoritmo di trading?
In Italia nel 2026, le plusvalenze da trading su azioni, ETF, forex e futures sono soggette a un'imposta sostitutiva del 26%, indipendentemente dall'importo. Per le criptovalute l'aliquota è salita al 33% dal 2026. Le minusvalenze possono essere compensate con le plusvalenze dello stesso anno o dei quattro anni successivi. Se il broker è italiano, applica le ritenute in automatico (regime amministrato); altrimenti bisogna dichiarare tutto autonomamente nel modello Redditi PF.