Backtesting di strategie nei mercati di previsione: guida onesta (2026)

Il backtesting, ovvero eseguire una strategia su dati storici per vedere come si sarebbe comportata, è uno degli strumenti più utili e più abusati nel trading. Questa guida spiega come fare backtesting delle strategie sui prediction market in modo onesto, cosa rende ingannevoli i backtest e come appaiono i risultati realistici.

## Cosa ti dice il backtesting (e cosa no)

Il backtesting può rispondere a: "Se avessi eseguito esattamente questa strategia sui mercati che esistevano in passato, come sarebbe andata?"

Non può rispondere a: - "Questa strategia funzionerà in futuro?" (Le performance passate ≠ futuro) - "Qual è la strategia ottimale?" (Il rischio di overfitting è enorme) - "Quanto posso guadagnare?" (I costi di esecuzione nel mondo reale erodono i rendimenti) - "È sicura?" (I cigni neri, per definizione, non sono nella storia)

Un buon backtest è un controllo di buon senso per verificare che la tua strategia non sia palesemente difettosa. Un cattivo backtest è un esercizio che gonfia la fiducia e ti porta a puntare troppo su qualcosa che fallirà in produzione.

## Il workflow del backtest

### Passo 1: definisci la strategia con precisione

Regole vaghe: "Tradare quando c'è una buona opportunità +EV"

Regole precise: "Comprare YES al prezzo di mercato quando (1) la stima di probabilità dell'AI supera il prezzo di mercato di oltre 5 punti percentuali E (2) il volume nelle 24h supera 10.000 $ E (3) mancano almeno 7 giorni alla risoluzione. Dimensione della posizione: 3% del bankroll iniziale per trade. Stop loss: 25% di drawdown dall'ingresso. Take profit: 40% sopra l'ingresso OPPURE risoluzione, a seconda di quale avvenga prima."

Non puoi fare il backtest della versione vaga. Puoi fare il backtest di quella precisa. La maggior parte delle strategie fallisce in questo passaggio perché il trader non sa davvero cosa farebbe.

### Passo 2: procurati i dati storici

Per i prediction market: - Prezzi storici di Polymarket tramite la loro API pubblica - Esiti delle risoluzioni dai metadati dei mercati - Snapshot di volume e liquidità nel tempo - Stime di probabilità dell'AI (se la tua strategia le usa, devi calcolarle anche storicamente)

Nota: l'API storica di Polymarket è soggetta a rate limit e non copre tutto. Lo strumento di backtest di Predite usa snapshot di mercato in cache popolati dal nostro cron di scansione, il che significa che lo storico cresce nel tempo. I risultati iniziali del backtest dispongono di meno dati rispetto ai risultati ottenuti dopo mesi di operatività della piattaforma.

### Passo 3: simula l'esecuzione

Percorri i dati storici giorno per giorno. A ogni timestamp: - Verifica se qualche posizione aperta deve chiudersi (stop loss, take profit, risoluzione) - Verifica se deve aprirsi una nuova posizione (corrispondenza con i criteri della strategia) - Aggiorna il bankroll in base alle risoluzioni - Registra ogni azione e il P&L

La simulazione deve essere deterministica: gli stessi input producono sempre gli stessi output. Se stai testando più strategie, eseguile sugli stessi identici dati.

### Passo 4: calcola le metriche

Per capire come appaiono i rendimenti realistici, consulta la nostra [guida al trading +EV](/blog/what-is-positive-ev-trading) e la [guida alla gestione del rischio](/blog/risk-management-prediction-markets).

Per ogni esecuzione della strategia: - Rendimento totale (% di guadagno sul bankroll iniziale) - Numero di trade eseguiti - Win rate (% di posizioni chiuse in profitto) - Rendimento medio per trade - Drawdown massimo (la perdita più grande dal picco al minimo) - Sharpe ratio (rendimento per unità di varianza) - Calmar ratio (rendimento per unità di drawdown massimo)

Una strategia con il 10% di rendimento annuo e il 50% di drawdown massimo è molto peggiore di una con l'8% di rendimento e il 15% di drawdown, anche se il rendimento assoluto è più basso.

### Passo 5: confronta con un riferimento

Fai sempre il backtest di un riferimento "non fare nulla" o "tradare a caso" insieme alla tua strategia. Se la tua strategia non batte quella casuale con un margine significativo, non è davvero una strategia.

## Cosa rende ingannevoli i backtest

Questa è la sezione più importante. La maggior parte dei backtest sembra fantastica ma fallisce in produzione a causa di questi problemi:

### Survivorship bias

Il tuo dataset storico potrebbe includere solo mercati che si sono risolti in modo pulito. Quelli che sono stati rimossi, cancellati o risolti in modo ambiguo mancano. Il trading reale include tutti questi casi, e spesso sono proprio le perdite.

Mitigazione: includi nei tuoi dati i mercati cancellati e quelli a risoluzione ambigua. Trattali come perdite (la maggior parte delle strategie non ha un'uscita pulita quando un mercato si comporta in modo anomalo).

### Look-ahead bias

Usi informazioni al tempo T che non sarebbero state disponibili al tempo T. Esempio: usare l'esito finale della risoluzione per filtrare i "buoni mercati" prima di tradarli. Ovviamente la strategia vince: stai filtrando i vincitori.

Mitigazione: a ogni timestamp della simulazione, usa solo i dati che esistevano fino a quel timestamp. Rigorosamente cronologico. Nessuno sbirciare.

### Overfitting

Metti a punto i parametri della tua strategia finché non rende in modo straordinario sui tuoi dati storici. La strategia sta solo memorizzando il rumore del passato, non catturando un edge reale.

Mitigazione: dividi i dati in periodi di addestramento (messa a punto dei parametri) e di validazione (test out-of-sample). Se la performance in validazione è peggiore di quella in addestramento, hai fatto overfitting. La maggior parte delle strategie che appaiono fantastiche in-sample ha un edge out-of-sample negativo o nullo.

### Assunzioni sull'esecuzione

Per approfondire l'esecuzione nel mondo reale e lo slippage, consulta la nostra [guida al CLOB](/blog/understanding-clob-order-book).

Il tuo backtest presume che tu esegua al prezzo medio di mercato. In realtà esegui all'ask (peggiore per gli acquisti). Il tuo backtest presume liquidità infinita. In realtà la tua size muove il prezzo. Il tuo backtest ignora i costi di gas. Erodono il 5-10% dei piccoli profitti.

Mitigazione: aggiungi al backtest un attrito realistico. Presumi di eseguire all'ask, non al mid. Sottrai una stima del gas. Limita le dimensioni delle posizioni agli importi effettivamente eseguibili.

### Selection bias nelle strategie

Fai il backtest solo delle idee che sembrano promettenti. Le strategie che scarti senza fare backtest potrebbero essere state le vere vincenti. Non stai generando la "strategia migliore", ma solo la "strategia migliore tra quelle che ho deciso di testare".

Mitigazione: fai il backtest anche delle idee strane. A volte le strategie controintuitive funzionano. La selezione nella fase di generazione delle idee è difficile da individuare.

## Come appare un backtest realistico

Per una tipica strategia +EV su Polymarket su 30-90 giorni di dati storici:

Segnali positivi: - 15-30 trade chiusi (un campione sufficiente per avere significato statistico) - Win rate del 50-65% - Vincita media maggiore della perdita media (rendimenti asimmetrici) - Drawdown inferiori al 30% del bankroll - Performance costante nei diversi periodi di mercato

Campanelli d'allarme: - Meno di 10 trade (campione troppo piccolo) - Win rate superiore all'80% (probabilmente overfit) - Un singolo grande vincitore contribuisce alla maggior parte dei rendimenti - Drawdown superiori al 50% (varianza troppo alta per denaro reale) - Rendimenti concentrati in uno specifico evento/ciclo di notizie

Una strategia che nel backtest rende l'8-15% annuo dopo costi realistici è plausibile. Una strategia che nel backtest rende il 300% annuo è quasi certamente difettosa o overfit.

## Strumenti di backtesting

### Widget di backtest di Predite

La piattaforma Predite ha una funzione di backtest integrata per le configurazioni dei bot. Definisci le regole di ingresso/uscita e il sistema simula sui dati di mercato in cache. È onesta riguardo ai limiti dei dati: mostra chiaramente se il periodo storico ha una copertura sufficiente per ottenere risultati significativi.

Limiti: copre solo i dati di Polymarket che abbiamo messo in cache (in genere 7-90 giorni, a seconda di quando inizi). Non simula i costi di gas in modo esplicito (dovresti sottrarre l'1-3% dai risultati grezzi per stime realistiche).

### Backtest personalizzati in Python

Per gli sviluppatori esperti, costruire il proprio backtest in Python offre il controllo completo. Librerie da conoscere: - pandas (manipolazione dei dati) - numpy (calcolo numerico) - requests (chiamate all'API di Polymarket) - matplotlib (visualizzazione)

Investimento di tempo: 1-2 settimane per costruirlo, più la manutenzione continua man mano che le API cambiano.

### Backtest su foglio di calcolo

Per strategie semplici, Excel/Google Sheets vanno bene. Inserisci manualmente i dati storici di mercato, definisci le formule per ingresso/uscita, calcola il P&L.

Noioso ma trasparente: vedi esattamente cosa succede a ogni passo. Ottimo per imparare.

## Il forward test

Il modo giusto di fare forward test è il paper trading. La nostra [guida al paper trading](/blog/paper-trading-prediction-markets) spiega come farlo correttamente.

Nemmeno un backtest perfetto dimostra che una strategia funzionerà in futuro. L'unica validazione onesta è il forward test: fai paper trading della strategia su mercati live per 30-60 giorni, con le stesse regole del tuo backtest.

Confronta il P&L del forward test con quello del backtest. Se sono vicini, il tuo backtest è realistico. Se il forward test è molto peggiore, il tuo backtest aveva bug nascosti (survivorship, look-ahead, ecc.).

La maggior parte delle strategie che appaiono fantastiche nel backtest rende il 30-50% in meno nel forward testing. È il prezzo di tutto l'attrito realistico che non hai considerato.

## Un workflow realistico

1. Definisci la strategia con precisione (scrivi le regole) 2. Costruisci un backtest di base su 30-60 giorni di dati 3. Cerca bug evidenti (look-ahead, ecc.) 4. Se i risultati sembrano buoni, fai paper trading live per 30 giorni 5. Confronta i risultati del paper trading con la proiezione del backtest 6. Se sono vicini, passa al deploy con size reali piccole 7. Continua a monitorare e ad aggiustare in base alle performance reali

Questo workflow richiede in tutto 2-3 mesi. La maggior parte dei trader salta i passi 4-5 e passa direttamente dal backtest a grandi posizioni reali. Perdono denaro.

## In sintesi

I backtest sono utili per escludere strategie palesemente difettose e per ottenere stime approssimative delle performance. NON sono la prova che la tua strategia funzioni. L'unica prova è il trading reale per mesi, con denaro reale a prezzi reali.

Costruisci i backtest con cura. Tieni conto di commissioni, slippage e survivorship. Valida con il forward testing prima di scalare. Traccia tutto.

Le strategie migliori nei prediction market sono in genere semplici. La nostra [guida su come trovare mercati +EV](/blog/how-to-find-ev-markets-polymarket) illustra uno di questi workflow.: individua una categoria in cui hai un edge informativo, dimensiona le posizioni in modo prudente, esegui con costanza. Nessuna quantità di backtesting compensa la mancanza di un edge reale.