Sintesi non tecnica
- Che cosa risolve
- L'intelligenza artificiale non è solo software: dipende da chip, memoria, data center, energia e raffreddamento.
- A chi può servire
- Chi vuole capire da cosa dipende davvero la crescita dell'AI, oltre agli annunci.
- Che cosa produce
- Un quadro dei movimenti di mercato lungo tutta la filiera.
Leggere l’economia dell’AI come catena, non come singolo titolo o settore.
3 · Cosa produce
Market pulse e card “più caldo/più freddo” con z-score e cautela interpretativa.
Come leggere l’ultimo output: Uno z-score alto segnala estensione relativa, non una certezza di inversione; il cono di forecast rappresenta incertezza.
4 · Come funziona
Dalle fonti all’output.
5 · Dati utilizzati
| Fonte | Variabile | Frequenza | Limite |
|---|---|---|---|
| Serie di mercato pubbliche | 11 panieri della catena AI | Settimanale | Proxy quotati; composizione soggetta a revisione |
Modelli e regole
Indice composito, rendimenti a cinque giorni, outlook a 30 giorni, z-score di paniere e bootstrap dell’incertezza.
Controlli
Freshness gate, fingerprint numerico, hash esatto e visivo, cancellazione delle card vecchie e pubblicazione bilingue indipendente.
Risultati e metriche
Confronto modello-naïve, errore dell’outlook e stabilità dei panieri nel tempo.
Limiti
Proxy finanziari, non misura direttamente ordini industriali, capacità fisica o domanda reale.
Possibili applicazioni del pattern
Basket tematici e normalizzazione
Possibili applicazioni: analisi di catene del valore, fornitori, tecnologie o asset attraverso basket coerenti e confronti relativi. I proxy vanno documentati e riesaminati nel tempo.
Componenti trasferibili
- universo e basket versionati
- z-score e rendimenti mobili
- outlook e bootstrap
- network e diagnostica
Domande di ricerca
- robustezza dei basket
- survivorship bias
- proxy vs dati fisici
- stabilità del network
Dossier tecnico del workflow
IMPLEMENTATODescrive il comportamento presente nel workflow.ESTENSIONEIndica una ipotesi di analisi o componente non inclusa, non una funzione già operativa.
Dettagli implementativi e criteri di valutazione.
Questa sezione collega l’output visibile alle scelte di data engineering, modellazione, validazione e delivery presenti nel repository.
Architettura e dati
Feature e metodi
- Trend SMA20/50/200, RSI, momentum, volatilità, upside analisti e segnali di rete.
- Gaussian HMM a due stati per il regime; NetworkX per relazioni e centralità; score multifattoriale 0–100.
- Sizing Half-Kelly con cap, moltiplicatore di regime, ATR e trailing stop nella componente simulativa.
Validazione e failure mode
- Backtest, attribution, trade diagnostics e storico delle previsioni a 30 giorni.
- Separazione fra report di ricerca e run ordinario; sincronizzazione degli storici solo dopo esecuzione valida.
- Controlli di freshness e duplicazione per le card social bilingui.
Runtime e delivery
- pandas, NumPy, SciPy, hmmlearn, NetworkX, yfinance e pandas-datareader.
- Jinja2, lxml, WeasyPrint/ReportLab, matplotlib e GitHub Actions.
10 · Cronologia operativa
Cronologia operativa
- Stato: Attivo · sperimentale
- Frequenza: Settimanale
- Aggiornamento pagina: luglio 2026
11 · Approfondimento tecnico
Metodo e assunzioni
Indice composito, rendimenti a cinque giorni, outlook a 30 giorni, z-score di paniere e bootstrap dell’incertezza.
Failure mode principali
Proxy finanziari, non misura direttamente ordini industriali, capacità fisica o domanda reale.
Governance della pubblicazione
Freshness gate, fingerprint numerico, hash esatto e visivo, cancellazione delle card vecchie e pubblicazione bilingue indipendente.
Vedi gli output reali
La pagina Pubblicazioni legge il feed pubblico Bluesky e mostra fino a tre run recenti, incluse più immagini nello stesso post.
Possibile trasferibilità
Hai un problema che assomiglia a AI Supply Chain?
Il primo confronto può partire da obiettivo, dati disponibili e criterio di successo, senza inviare informazioni riservate. Un risultato osservato qui non viene assunto automaticamente valido in un altro contesto.