Algoritmi di trading AI che formano cartelli: cosa dimostra lo studio e cosa è cambiato nel 2026

No, nessuno lo ha ancora osservato in un mercato reale. Gli stessi autori presentano il lavoro come una prova di concetto, non come la fotografia di quello che succede in borsa. Nel frattempo sono arrivati un secondo studio sulla manipolazione, un intervento di Goldstein al forum della BCE di Sintra e le prime regole europee che parlano esplicitamente di intelligenza artificiale nel trading algoritmico. Nessuna, però, nomina la collusione.

Chi arriva da qui senza conoscere la base può partire dalla guida al trading automatico con intelligenza artificiale: questa pagina parla di un rischio preciso, non di come funzionano i bot AI in generale.

A differenza dei classici algoritmi di trading, quelli dello studio non hanno regole scritte da un programmatore. Usano il Q-learning, una forma di apprendimento per rinforzo: provano un’azione, guardano il profitto che ne esce e aggiornano una tabella che stima quanto vale ogni azione in ogni situazione. All’inizio esplorano molto, poi sempre meno, e alla fine ripetono quello che ha reso di più.

La situazione che leggono è minima: il prezzo del periodo precedente, il valore vero dell’attività nel periodo precedente e quello attuale. L’azione è quanto comprare o vendere sfruttando l’informazione che hanno in anticipo sul mercato. Nessun algoritmo vede l’altro. Vede solo il prezzo, che però porta dentro le scelte di entrambi.

In concorrenza piena ognuno sfrutterebbe la sua informazione al massimo e subito. Insieme, così, si rubano profitto a vicenda, perché i loro ordini spostano il prezzo e il market maker lo aggiusta più in fretta. Un cartello farebbe il contrario: tutti un po’ più piano, e più profitto per ciascuno. Lo studio mostra che gli algoritmi ci arrivano da soli, per due strade diverse.

La prima strada: la minaccia nel prezzo. Quando il rumore sul mercato è basso, il prezzo rivela bene cosa fanno gli speculatori. Gli algoritmi imparano che se uno dei due spinge troppo il prezzo supera una soglia e da lì in poi entrambi diventano aggressivi per un po’. È una punizione che nessuno ha programmato. Il risultato: conviene restare tranquilli. Gli autori la chiamano “artificial intelligence”.

Un esempio costruito, con numeri didattici e non presi dal paper, fa vedere perché regge. Se entrambi vanno piano guadagnano 10 a testa per periodo. Chi devia una volta incassa 14, ma fa scattare la punizione: per cinque periodi entrambi aggressivi, 6 a testa. Su sei periodi chi resta tranquillo fa 60, chi devia fa 14 più 30, cioè 44. Nessuno dei due ha mai firmato un patto, eppure deviare non conviene.

Esempio costruito, non i dati dello studio. Mostra la logica della punizione: il guadagno di un periodo non ripaga i periodi persi dopo.

La seconda strada: la prudenza imparata male. Quando il rumore è alto, il prezzo non dice più chi ha fatto cosa e la punizione non funziona. Lì entra un difetto dell’apprendimento. Un algoritmo prova una strategia aggressiva proprio mentre un ordine casuale di altri operatori gli va contro, e perde. La tabella registra quella strategia come cattiva. Con l’esplorazione che cala nel tempo non la riprova abbastanza per correggersi, e la scarta. Gli autori lo chiamano “over-pruning”, potatura eccessiva, e il comportamento “artificial stupidity”. Il risultato per il mercato è lo stesso del cartello: tutti meno aggressivi, profitti più alti, prezzi che incorporano l’informazione più lentamente.

Schema qualitativo della forma descritta nel paper (figura 2 del working paper NBER 34054), non una riproduzione dei suoi valori.

Lo studio aggiunge un dettaglio che conta per chi scrive le regole. Quando gli algoritmi sono di meno la collusione aumenta con entrambi i meccanismi. Altri parametri invece li muovono in direzioni opposte: meno rumore rafforza la punizione nel prezzo e indebolisce la prudenza imparata male.

Il punto più frainteso nei titoli del 2025 è questo: il mercato del paper è un laboratorio. Ha due speculatori nello scenario base, una sola attività, un market maker che fissa il prezzo con una regola, operatori che comprano e vendono a caso. È lo stesso tipo di modello teorico che si usa da decenni in finanza per studiare come l’informazione entra nei prezzi, e serve a capire un meccanismo, non a stimarne la dimensione.

Quattro limiti, scritti dagli autori o evidenti dal metodo:

• Algoritmi semplici. Q-learning a tabella con uno stato di tre variabili. Il paper stesso indica come passo successivo modelli quantitativi con reti neurali profonde e ambienti stimati sui dati.
• Pochi concorrenti. La collusione cala quando gli speculatori aumentano. Un mercato liquido con migliaia di partecipanti è un ambiente diverso da due algoritmi soli.
• Robusto solo dentro il laboratorio. Gli autori hanno variato i parametri dell’apprendimento (quanto pesa l’esperienza nuova, quanto in fretta cala l’esplorazione) e la collusione resta. È un controllo di robustezza vero, ma fatto sulle ipotesi del modello, non sui dati di un mercato.
• Nessuna prova sul campo. Già nel 2023, presentando la prima versione su Knowledge at Wharton, gli autori dicevano che non c’era evidenza di danni nei mercati reali. Non si può nemmeno cercare con facilità: nessuno sa quali operatori usano quali algoritmi.

C’è anche un dato che ridimensiona l’urgenza. L’ESMA ha chiesto a 728 società europee come usano l’AI, nell’estate 2025: su 847 casi d’uso dichiarati da 395 imprese, quelli di trading algoritmico erano 10 e quelli di alta frequenza 3, quasi tutti ancora in sviluppo o in sperimentazione. La gran parte dell’AI nei mercati europei oggi scrive riassunti, risponde ai clienti e sistema dati.

Fonte: ESMA, TRV Risk Analysis “AI adoption and trends in securities markets: EU evidence”, 20 febbraio 2026. Selezione di categorie su 847 casi d’uso totali.

Questo non rende lo studio inutile. Ne cambia la lettura: è un avviso per un mercato che sta arrivando, non la descrizione di quello attuale. Chi si occupa di simulazioni sa anche che il risultato dipende dalle ipotesi del laboratorio: è lo stesso problema che si incontra quando si generano dati sintetici per allenare un modello, dove il mercato inventato può insegnare cose che quello vero non conferma.

La diffusione vera è partita con la pubblicazione NBER. Il 30 luglio 2025 Bloomberg ha titolato sugli “AI bot stupidi” che colludono, e da lì la notizia ha fatto il giro dei siti di tecnologia e finanza. Da allora la ricerca è andata avanti su tre fronti.

La manipolazione. Gli stessi tre autori hanno un secondo lavoro, “Financial Market Fragility in the Era of AI Planning”, presentato in seminari nel 2026 come bozza preliminare. Qui gli algoritmi non solo reagiscono, pianificano. Il risultato riassunto da Goldstein: in presenza di operatori che inseguono il trend, gli algoritmi coordinano un percorso di prezzo, lo gonfiano oltre il valore vero e poi lo riportano giù, guadagnando su chi li segue. Non c’è più solo meno efficienza: c’è più volatilità e più fragilità, il terreno dei flash crash.

La BCE. Al Forum on Central Banking di Sintra, dal 29 giugno al 1° luglio 2026, Goldstein ha presentato “AI Trading in Financial Markets”, poi pubblicato negli atti. La tesi è netta: il principio con cui i regolatori perseguono collusione e manipolazione, cioè cercare comunicazioni e intenzioni, potrebbe non funzionare con giocatori che non sono umani.

Altri gruppi di ricerca. La collusione fra algoritmi di prezzo era stata mostrata nel 2020 da un gruppo dell’Università di Bologna (Calvano, Calzolari, Denicolò, Pastorello), sui mercati dei beni. Nei mercati finanziari un gruppo di HEC Paris (Colliard, Foucault, Lovo) trova market maker Q-learning che chiedono spread sopra il livello competitivo anche dove non c’è spazio per la collusione tacita. E un lavoro con autori dell’Università di Milano, “The Invisible Handshake” (arXiv, ottobre 2025, rivisto a maggio 2026), descrive un market maker e un operatore che, imparando, sostengono un sovrapprezzo persistente.

Nessuna autorità ha risposto allo studio con una misura specifica. Quello che è cambiato è il quadro generale sull’AI nel trading, e va letto per quello che è.

La CONSOB, in passato, aveva già provato modelli di machine learning per scovare gruppi di operatori sincronizzati prima di notizie riservate, il fenomeno dell’insider trading. Sono strumenti pensati per persone che si coordinano, non per algoritmi che lo fanno senza saperlo.

La riga dell’AI Act è quella che si legge più spesso al contrario. L’AI Act non vieta i bot di trading con intelligenza artificiale e non li classifica come ad alto rischio: lo scrive l’ESMA nel briefing di febbraio, ricordando che l’elenco dei casi ad alto rischio viene rivisto ogni anno. Per chi fa trading algoritmico restano le regole di sempre, quelle di MiFID II e del regolamento sugli abusi di mercato.

Il buco giuridico sta nel diritto della concorrenza. L’articolo 101 del Trattato UE colpisce accordi e pratiche concordate. La collusione tacita, quella senza contatti, ne resta fuori anche quando la praticano due persone. Valeria Caforio dell’Università Bocconi, il 23 febbraio 2026, ha scritto che la collusione tacita fra algoritmi cade nello stesso vuoto, e ha proposto di spostare l’attenzione dalla prova di un’intesa agli esiti visibili sul mercato. È la stessa direzione indicata da Goldstein: guardare gli effetti, non le intenzioni.

Nei mercati finanziari però c’è una rete che nei mercati dei beni manca. Il regolamento sugli abusi di mercato definisce la manipolazione guardando a cosa fanno gli ordini, cioè se danno segnali falsi o fuorvianti o fissano il prezzo a un livello anormale, e cita espressamente gli ordini inviati con trading algoritmico e ad alta frequenza. E MiFID II obbliga chi fa trading algoritmico ad avere controlli che impediscano ai suoi sistemi di essere usati contro quel regolamento. Uno scenario come quello del secondo studio, con un prezzo gonfiato e poi sgonfiato, ricade molto più facilmente qui che nell’antitrust. Lo scenario del primo, dove tutti semplicemente tradano più piano, è più difficile da inquadrare.

Limitare gli algoritmi risolve? Secondo il paper, non da solo. Ridurre la complessità o la memoria degli algoritmi può frenare la punizione nel prezzo, ma peggiora la prudenza imparata male, che nasce proprio da un apprendimento povero. Una regola pensata bene può far scendere l’efficienza del mercato invece di alzarla. È uno dei motivi per cui le autorità, per ora, chiedono governance, test e controlli invece di vietare tecniche.

Per un trader privato che usa un expert advisor il rischio descritto dallo studio non è diretto. Gli algoritmi del paper sono speculatori con un vantaggio informativo e ordini abbastanza grandi da muovere il prezzo. Un EA su un conto retail prende i prezzi che trova, con lotti che non spostano il mercato, e nella maggior parte dei casi applica regole fisse scritte dallo sviluppatore.

Anche quando un EA usa il machine learning di solito lo usa in un modo diverso. Perceptrader AI, per esempio, lavora con una griglia di ordini e usa un modello Perceptron per filtrare le operazioni secondo i parametri di rischio impostati: l’apprendimento serve a scegliere quali ingressi prendere, non a imparare dal vivo come reagiscono altri algoritmi al proprio comportamento.

Tre effetti indiretti, invece, toccano anche chi opera in piccolo:

• Costi di esecuzione. Se i fornitori di liquidità usano algoritmi che imparano a quotare spread più larghi, come nel lavoro di HEC, il costo ricade su ogni operazione, anche la più piccola.
• Strategie uguali, uscite uguali. Lo stesso EA venduto a migliaia di conti, o tanti sistemi costruiti sugli stessi dati, tende a entrare e uscire insieme. È il rischio di posizioni correlate segnalato dalla Bank of England, e in piccolo è lo stesso problema della correlazione fra trading system in un portafoglio.
• La parola AI come esca. Il Quaderno CONSOB di luglio 2026 nasce dagli esposti su abusivi che vendono software e piattaforme di trading. “Intelligenza artificiale” sulla pagina di vendita non dice niente su come il sistema funzioni. Prima di qualsiasi valutazione puoi controllare se esiste un track record verificabile e chi sta dietro al prodotto: i segnali tipici sono nella guida per riconoscere i bot di trading truffa.

Sul piano legale, usare un EA su un conto personale in Italia non ha niente a che vedere con questi scenari: il quadro è quello descritto nella pagina sui bot di trading legali in Italia. Il tema dei cartelli riguarda chi gestisce algoritmi abbastanza grandi da fare il prezzo: hedge fund, market maker, società di trading quantitativo.

Sullo studio in sé le discussioni pubbliche sono poche. Su Hacker News le due segnalazioni del 30 e 31 luglio 2025 (l’articolo Bloomberg e il paper su SSRN) non hanno commenti, e i video YouTube dedicati hanno da 2 a qualche centinaio di visualizzazioni senza commenti leggibili. Il dibattito vero si trova nei thread sulla collusione algoritmica in generale, spesso sui prezzi di affitti, voli ed e-commerce, e nei commenti ai servizi giornalistici sui bot di trading AI. Abbiamo letto circa cento commenti fra Hacker News e YouTube: queste sono le voci che dicono qualcosa.

Due linee emergono. Chi scrive di diritto o di economia si divide sulla responsabilità: per alcuni scegliere l’algoritmo equivale a scegliere la collusione, per altri senza accordo non c’è illecito, che è esattamente il vuoto descritto dalla Bocconi. Chi viene dal trading è più scettico sulla novità: algoritmi che si influenzano fra loro esistono da vent’anni. Nessuno, in quello che abbiamo letto, racconta di aver visto un cartello di algoritmi su un conto reale. Sono opinioni di singoli utenti, non fatti verificati.