SOTA: agenti per la negoziazione di opzioni su azioni guidati dalle distribuzioni dei rendimenti implicite nelle opzioni

Abstract degli autori

Con la crescita dei mercati delle opzioni e i progressi dell’IA, i sistemi agentici per la negoziazione di opzioni attirano sempre più attenzione. Gli agenti basati su modelli linguistici possono ragionare su informazioni contestuali, come le notizie, ma la negoziazione di opzioni pone un problema decisionale particolarmente complesso: un singolo titolo può avere migliaia di contratti e l’agente deve decidere sia quali negoziare sia come combinarli. Gli approcci esistenti spesso aggirano questa complessità limitando la politica a una struttura strategica fissa, come uno straddle, e riducono così la capacità di cambiare strategia al variare delle condizioni di mercato. Presentiamo SOTA (Stock Options Trading Agents), un framework agentico di negoziazione per la selezione strutturata di strategie su opzioni. SOTA riconduce il vasto universo delle opzioni a decisioni a livello di strategia, mentre risolutori deterministici si occupano dell’attuazione nel portafoglio. Sviluppiamo SOTA sottoponendo Qwen3.8-27B a una fase di post-training con fine-tuning supervisionato, seguita da apprendimento per rinforzo. Valutiamo SOTA sulle opzioni di nove titoli azionari statunitensi a grande capitalizzazione e di SPY, confrontandolo con sistemi di selezione delle strategie basati su regole e su apprendimento automatico nello stesso ambiente di negoziazione. In un periodo di sei mesi fuori campione, SOTA ottiene un rendimento totale del 18,3%, con un indice di Sharpe di 1,60 e una perdita massima dell’8,96%. Documentiamo inoltre un ruolo asimmetrico delle notizie: migliorano le traiettorie del teacher di frontiera, ma mantenerle durante l’apprendimento per rinforzo riduce il rendimento fuori campione dal 18,3% al -2,7%.