<!-- reviewed: 2026-06-10 by Codex, ISSUE_9305 Batch 5 insights locale review; source: ISSUE_9256 B4 -->
---
title: Generazioni del software di trading: da MT4 a LLM
url: https://stratcraft.ai/insights/trading-software-generations
type: insight
---

# Generazioni del software di trading: da MT4 a LLM

Il software di trading è evoluto attraverso quattro generazioni pratiche: componenti indicatori, strategie pacchettizzate, pipeline di ricerca a livello di sistema e workflow LLM da prompt a codice.

## Confronto delle generazioni

| Dimensione | Gen 1: Indicator Era | Gen 2: Strategy Era | Gen 3: System Era | Gen 4: LLM Era |
|---|---|---|---|---|
| Periodo temporale | ~2005-2012 | ~2012-2018 | ~2018-2023 | 2023-presente |
| Prodotti rappresentativi | MT4 / MQL4 | Backtrader, freqtrade, vnpy | QuantConnect, WorldQuant BRAIN | ChatGPT + API broker |
| Astrazione principale | Indicatori modulari | Logica di strategia pacchettizzata: entrata, uscita, sizing | Pipeline di feature engineering | Dal linguaggio naturale al codice |
| Workflow tipico | Trascinare indicatori, impostare condizioni, fare backtest | Scrivere codice di strategia, ottimizzare parametri, fare backtest | Costruire pipeline di feature, addestrare, validare, eseguire | Prompt, generare strategia, fare backtest |
| Progresso principale | Gli indicatori si sono spostati dai libri e dai forum a componenti riutilizzabili | Le strategie complete sono diventate pacchettizzabili, condivisibili e riproducibili | La pipeline è diventata il prodotto, con validazione standardizzata | La generazione è veloce e la barriera d'ingresso è bassa |
| Trappola tipica | Adorazione degli indicatori e pensiero del santo graal | Overfitting dei parametri: la ricerca genetica trova coincidenze, non robustezza | Data leakage e survivorship bias | Allucinazione di strategia e cecità all'overfitting del backtest |
| Causa principale del fallimento | Le regole sono manuali e mancano di validazione sistematica | L'obiettivo di ottimizzazione è il rendimento del backtest, non la robustezza | La complessità del modello nasconde i problemi di qualità dei dati | Il modello salta l'infrastruttura accumulata attraverso le prime tre generazioni |

## Modalità di errore degli LLM

### Allucinazione di strategia

Il modello emette logica di trading plausibile che sembra quantitativa ma non ha razionale di mercato, fondamento statistico o ipotesi non valide. Crea codice che supera i controlli di sintassi mentre contrabbanda causalità false.

### Cecità all'overfitting del backtest

Il modello tratta un backtest profittevole come validazione e manca leakage, parameter mining, regimi instabili o survivorship bias. Accelera il curve fitting perché la velocità di generazione moltiplica varianti non testate.

## Esempio di pattern Z-Score

```python
spread = asset_a.close - hedge_ratio * asset_b.close
z_score = (spread - spread.mean()) / spread.std()

if z_score > 2:
    short(asset_a)
    long(asset_b)
elif z_score < -2:
    long(asset_a)
    short(asset_b)
```

## Modello + Strumenti

Gli LLM sono utili quando avvolti in strumenti. Uno stack di trading serio non è solo un modello; include motori di pricing, logica di esecuzione, controlli del rischio, validazione dei dati, monitoraggio e disciplina di deployment. I sistemi in stile Jane Street mostrano il pattern: il modello è uno strato all'interno di una toolchain più ampia.

## Posizionamento di StratCraft

StratCraft non è una pretesa di Gen 5. È infrastruttura per sviluppatori Gen 2 e Gen 3 che hanno bisogno di performance di backtesting locale di livello C++, isolamento dei plugin e un ecosistema che renda ripetibili la generazione, la validazione e la composizione delle strategie.

Fonte: https://stratcraft.ai/insights/trading-software-generations
