|
3 anni
esperienza
|
0
prodotti
|
0
versioni demo
|
|
0
lavori
|
0
segnali
|
0
iscritti
|
Quantitative Developer/Trader
al
Astralys LLC
Trader Quantitativo & Stratega Sistematico basato sull’IA | MSc in Finanza (HEC Losanna)
𝐁𝐫𝐞𝐯𝐞 𝐛𝐢𝐨𝐠𝐫𝐚𝐟𝐢𝐚
Sono un trader quantitativo con sede in Svizzera, con un master in Finanza conseguito presso HEC Losanna e una specializzazione in Gestione Quantitativa degli Attivi e dei Rischi. Nella mia tesi di master ho messo in discussione l’efficienza del mercato azionario statunitense attraverso evidenze empiriche. Da allora, ho sviluppato oltre 30 algoritmi di livello istituzionale in Python per azioni, valute e criptovalute — progettati per gestire capacità di diversi milioni di dollari e implementati tramite API. Il mio punto di forza è la combinazione di una solida gestione del rischio (conservazione del capitale, targeting della volatilità) con segnali basati sul machine learning, modelli macro/regime e automazione a livello di produzione su IBKR (Fix Protocol & IBKR Gateway Docker), Alpaca, MT5, Binance e DAS. Sto creando una SA in Svizzera e una LLC negli Stati Uniti per le mie attività quantitative e sto valutando la registrazione come RIA negli Stati Uniti per operare in un contesto pienamente regolamentato. Il mio obiettivo finale è costruire un hedge fund quantitativo e raccogliere circa 50 milioni di USD di AuM nei prossimi anni.
𝐂𝐨𝐦𝐩𝐞𝐭𝐞𝐧𝐳𝐞 & 𝐭𝐞𝐜𝐧𝐨𝐥𝐨𝐠𝐢𝐞
• Strategie sistematiche: mean-reversion, breakout, cross-sectional/time-series, strategie fattoriali long/short
• Rischio & portafoglio: targeting della volatilità, controllo del drawdown, test walk-forward & Monte Carlo
• ML & NLP: XGBoost/LightGBM, classificazione dei regimi macro, pipeline di notizie/sentiment (es. FinBERT)
• Esecuzione & infrastruttura: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Mercati: azioni USA e globali, principali coppie FX, asset crypto liquidi
𝐂𝐨𝐦𝐩𝐥𝐢𝐚𝐧𝐜𝐞 & 𝐞𝐭𝐢𝐜𝐚
Etica e documentazione trasparente sono le mie priorità; mi impegno a lavorare esclusivamente in contesti regolamentati (SA in Svizzera e LLC negli USA in corso; valutazione della registrazione RIA negli Stati Uniti).
Nella mia tesi sull’efficienza del mercato azionario statunitense ho applicato il framework Probability of Backtest Overfitting (Bailey et al., 2015) e continuo a utilizzare rigorose validazioni in-sample/out-of-sample, analisi walk-forward, ritardi di un periodo e protocolli anti-look-ahead per garantire che i miei modelli siano robusti e non sovra-adattati.
La mia presenza nella comunità MQL ha l’obiettivo di educare i trader retail ad evitare strategie sovra-adattate, ad alto rischio, e l’uso eccessivo della leva finanziaria.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧: 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
𝐁𝐫𝐞𝐯𝐞 𝐛𝐢𝐨𝐠𝐫𝐚𝐟𝐢𝐚
Sono un trader quantitativo con sede in Svizzera, con un master in Finanza conseguito presso HEC Losanna e una specializzazione in Gestione Quantitativa degli Attivi e dei Rischi. Nella mia tesi di master ho messo in discussione l’efficienza del mercato azionario statunitense attraverso evidenze empiriche. Da allora, ho sviluppato oltre 30 algoritmi di livello istituzionale in Python per azioni, valute e criptovalute — progettati per gestire capacità di diversi milioni di dollari e implementati tramite API. Il mio punto di forza è la combinazione di una solida gestione del rischio (conservazione del capitale, targeting della volatilità) con segnali basati sul machine learning, modelli macro/regime e automazione a livello di produzione su IBKR (Fix Protocol & IBKR Gateway Docker), Alpaca, MT5, Binance e DAS. Sto creando una SA in Svizzera e una LLC negli Stati Uniti per le mie attività quantitative e sto valutando la registrazione come RIA negli Stati Uniti per operare in un contesto pienamente regolamentato. Il mio obiettivo finale è costruire un hedge fund quantitativo e raccogliere circa 50 milioni di USD di AuM nei prossimi anni.
𝐂𝐨𝐦𝐩𝐞𝐭𝐞𝐧𝐳𝐞 & 𝐭𝐞𝐜𝐧𝐨𝐥𝐨𝐠𝐢𝐞
• Strategie sistematiche: mean-reversion, breakout, cross-sectional/time-series, strategie fattoriali long/short
• Rischio & portafoglio: targeting della volatilità, controllo del drawdown, test walk-forward & Monte Carlo
• ML & NLP: XGBoost/LightGBM, classificazione dei regimi macro, pipeline di notizie/sentiment (es. FinBERT)
• Esecuzione & infrastruttura: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Mercati: azioni USA e globali, principali coppie FX, asset crypto liquidi
𝐂𝐨𝐦𝐩𝐥𝐢𝐚𝐧𝐜𝐞 & 𝐞𝐭𝐢𝐜𝐚
Etica e documentazione trasparente sono le mie priorità; mi impegno a lavorare esclusivamente in contesti regolamentati (SA in Svizzera e LLC negli USA in corso; valutazione della registrazione RIA negli Stati Uniti).
Nella mia tesi sull’efficienza del mercato azionario statunitense ho applicato il framework Probability of Backtest Overfitting (Bailey et al., 2015) e continuo a utilizzare rigorose validazioni in-sample/out-of-sample, analisi walk-forward, ritardi di un periodo e protocolli anti-look-ahead per garantire che i miei modelli siano robusti e non sovra-adattati.
La mia presenza nella comunità MQL ha l’obiettivo di educare i trader retail ad evitare strategie sovra-adattate, ad alto rischio, e l’uso eccessivo della leva finanziaria.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧: 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
