Machine learning a supporto delle quotazioni rottami

Il punto di partenza

Ogni settimana FT Mercati pubblica le quotazioni dei rottami ferrosi e non ferrosi per categoria. La rilevazione nasce dalle contribuzioni dei commercianti, raccolte fra lunedì e martedì, e si confronta con fonti collegate che hanno cadenze diverse: listini siderurgici, rilevazioni camerali, dati associativi. Il mercoledì la redazione prezzi doveva decidere, categoria per categoria, di quanto muovere la quotazione, rispettando anche i vincoli fra categorie dello stesso blocco. È un lavoro da esperti, ripetitivo e con molti numeri davanti.

Cosa abbiamo costruito

Un sistema di machine learning, il ramo dell’intelligenza artificiale che impara dai dati, scritto in .NET sulla storia delle rilevazioni:

• Le variabili. Dai contributori: media, mediana, dispersione delle variazioni proposte, quota di rialzi e ribassi. Dalle categorie collegate: la variazione netta delle fonti esterne. Dal calendario: settimana, mese, periodi festivi. Dalla storia: tendenza delle ultime quattro settimane e volatilità.
• I vincoli. Le categorie dello stesso blocco, lamierini, demolizioni, torniture, devono muovere della stessa misura: lo impone una regola scritta nel codice, non il modello.
• Gli algoritmi. Sette metodi di regressione confrontati sugli stessi dati, provati a lotti con configurazioni diverse e convalida incrociata, e tre modi di combinarli in ensemble: media, media pesata sull’inverso dell’errore, mediana.
• La prova. Addestramento dall’ottobre 2019 al luglio 2024; prova fuori campione dal settembre 2024 al dicembre 2025; metriche di errore e percentuale di direzione corretta per categoria; archivio degli esperimenti con confronto grafico ed esportazione.
• La produzione. Una scheda con il modello scelto, la data del mercoledì e la pianificazione: in produzione l’inserimento è pianificato e scrive da solo le variazioni dove non c’è ancora un valore. Con «Conferma e Inserisci» la redazione può rivedere le proposte, modificarle e sovrascrivere un valore già scritto.

Dove entra l’AI generativa

Nel laboratorio, non nella quotazione. Chi fa gli esperimenti scrive in italiano che cosa vuole provare, «cinque FastTree conservativi», «dieci configurazioni con alberi poco profondi», e un modello linguistico lo trasforma in configurazioni di addestramento pronte da lanciare, con nomi parlanti. Al modello va solo la richiesta: i dati di mercato non escono dai server dell’azienda.

Come teniamo il modello sotto controllo

1. Inserimento automatico, correzione sempre possibile. L’inserimento pianificato scrive solo dove non c’è ancora un valore e non tocca mai quelli presenti; la redazione può rivedere e sovrascrivere dalla scheda Produzione. Non c’è una firma obbligatoria prima dell’inserimento, e lo diciamo.
2. Prova fuori campione. Un modello che non regge sedici mesi mai visti non lo mandiamo in produzione, qualunque sia il suo errore in addestramento.
3. Vincoli per regola. I blocchi di categorie muovono insieme per una regola scritta, qualunque cosa dica il modello.
4. Tutto in locale. I modelli si addestrano e girano sui server di FT Mercati; nessun dato di mercato esce dall’azienda.
5. Esperimenti tracciati. Ogni addestramento resta in archivio con i suoi parametri e le sue metriche: si sa sempre perché un modello è stato scelto.

Limiti dichiarati

• il modello vale quanto le contribuzioni che riceve: una settimana con pochi contributi produce valori meno affidabili, e la redazione può correggerli;
• le fonti collegate hanno cadenze diverse, settimanali o quindicinali: una fonte in ritardo si vede nelle proposte;
• il generatore di configurazioni del laboratorio dipende da un modello linguistico indicato nel codice: va aggiornato quando il fornitore lo ritira, come è successo nel 2026;
• è un aiuto alla rilevazione interna di FT Mercati, non un servizio di previsione dei prezzi, che FT Support non offre.

Cosa significa per la tua azienda

Molte aziende hanno una rilevazione o una stima che si ripete ogni settimana: un listino interno da aggiornare, un premio da fissare, un consumo da stimare. Il machine learning può determinare il numero a partire dalla storia e dai dati del momento; la regola è che il modello lo ricava dai dati raccolti e la persona può correggerlo, con una prova fuori campione prima e un registro dopo: una rilevazione interna, mai una previsione di mercato. Ne parliamo nella guida sui prezzi LME nel gestionale e in quella su AI in cloud o sui propri server. Se hai una rilevazione settimanale che oggi vive di esperienza e fogli di calcolo, parliamone.