Avvertenza attiva
Contenuti a fini informativi, non sono raccomandazioni operative.
Perché abbiamo creato Erniedwyusmaiglove
Noi veniamo da anni passati tra modelli di volatilità locali, superfici sparse,
controlli di arbitraggio e richieste urgenti di scenario da parte dei desk.
Noi chiamiamo superficie di volatilità la mappa che collega prezzi delle opzioni, scadenze e strike. Per anni l’abbiamo gestita con modelli rigidi, calibrazioni manuali e fogli di calcolo dispersi. Con Erniedwyusmaiglove abbiamo voluto un approccio diverso: usare AI per estrarre superfici cross asset coerenti, ma sempre ancorate a controlli quantitativi chiari. Ci rivolgiamo a desk istituzionali che vogliono ridurre frizioni operative, mantenere rigore modellistico e avere uno spazio unico per ricerca, scenario analysis e dialogo tra trading, rischio e strategia.
AI guidata da vincoli quantitativi
Per noi AI significa combinare metodi di apprendimento statistico con vincoli di arbitraggio e controlli di stabilità, così da ottenere superfici di volatilità che restano leggibili per i team quantitativi e difendibili in sede di comitato rischio.
Copertura coerente tra asset class
Abbiamo progettato la piattaforma per coprire più asset in modo omogeneo, così possiamo confrontare regimi di volatilità, correlazioni implicite e segnali cross asset usando lo stesso linguaggio e gli stessi controlli di qualità.
Trasparenza su dati e modelli
Ogni superficie è accompagnata da diagnostiche, log di calibrazione e versioning, per permettere a noi e ai tuoi team di ricostruire facilmente cosa è cambiato, quando e perché in termini di dati e parametri.
Integrazione con stack esistente
Sappiamo che le infrastrutture istituzionali sono eterogenee, quindi offriamo API, file batch e connettori verso ambienti di ricerca, così puoi inserire le superfici senza stravolgere i flussi esistenti.
Co-sviluppo con i desk clienti
Collaboriamo con i team quantitativi in cicli brevi, condividendo ipotesi, contro-esempi e stress test, così la piattaforma cresce insieme alle domande reali che arrivano dai desk.
Specializzazione su volatilità
Manteniamo un focus specifico su superfici di volatilità e analisi cross asset, evitando di disperderci su troppi ambiti, per poter dedicare tempo a casi d’uso profondi e controlli accurati.
Confrontiamo i tuoi modelli attuali
Se anche tu stai cercando superfici di volatilità più coerenti, spiegabili e facili da integrare nel tuo stack esistente, possiamo mostrarti come lavoriamo passo dopo passo, dai dati grezzi fino alle metriche operative condivise con il tuo team.
Il nostro teamI nostri valori
Nel lavoro quotidiano con superfici di volatilità ci guidano poche regole semplici, ripetute con costanza.
Per noi rigore significa modelli chiari, ipotesi esplicite e test ripetibili; semplicità significa non introdurre complessità inutile. Ogni componente della piattaforma deve poter essere spiegata a un comitato rischio in poche frasi, con thought experiment che mostrano cosa succede quando i dati cambiano o quando il mercato entra in un nuovo regime.
Rigorosa semplicità
Crediamo che ogni superficie di volatilità debba portarsi dietro un racconto verificabile: quali dati la alimentano, quali trasformazioni ha subito, quali controlli ha superato. Manteniamo log, versioni e documentazione che permettono ai team interni di ricostruire il percorso completo, così nessuna decisione si basa su una scatola opaca.
Trasparenza operativa
Trattiamo i dati di mercato come un archivio che va curato nel tempo: controlli sistematici su outlier, gap, incoerenze tra venue, con procedure di revisione documentate. Preferiamo rinunciare a un segnale apparentemente brillante piuttosto che basarci su una serie che non possiamo spiegare fino in fondo in termini di provenienza e trasformazioni applicate.
Integrità dei dati
Consideriamo ogni desk con cui lavoriamo come un partner con cui co-progettare strumenti, non come semplice destinatario di feed. Dedichiamo tempo a capire come vengono prese le decisioni, quali metriche contano davvero e quali vincoli operativi esistono, così possiamo adattare superfici e analisi alle esigenze reali, nel rispetto dei limiti e delle responsabilità di ciascuno.
Partnership con i clientiNoi siamo un gruppo che arriva da quant, derivati, AI e tecnologia istituzionale.
Responsabile ricerca quantitativa superfici volatilità
Head of Quant Research e modellizzazione derivati
Ho iniziato con modelli di volatilità locali e superfici interpolate a mano, poi ho lavorato su desk derivati dove ogni basis point di volatilità implicita veniva discusso. In Erniedwyusmaiglove mi occupo di guidare la direzione quantitativa, definendo le architetture dei modelli AI, i vincoli di arbitraggio e le procedure di validazione con cui testiamo ogni nuova superficie prima che entri nei flussi dei clienti.
Responsabile infrastruttura dati e qualità sorgenti
Data Engineering Lead e responsabile pipeline
Vengo da anni passati su piattaforme dati per istituzionali, dove affidabilità e tracciabilità contavano più di qualsiasi feature nuova. In Erniedwyusmaiglove coordino l’ingegneria dei dati, dalla raccolta multi-venue alla pulizia, fino ai processi che alimentano i modelli AI. Il mio obiettivo è semplice: che ogni superficie di volatilità sia collegata a una catena di dati chiara, monitorabile e riproducibile nel tempo.
Responsabile relazioni con desk istituzionali
Client Solutions Director e coordinatore progetti
Ho lavorato con desk trading, rischio e strategia per tradurre esigenze complesse in strumenti utilizzabili ogni giorno. In Erniedwyusmaiglove seguo la relazione con i clienti istituzionali, aiutandoli a integrare le superfici di volatilità cross asset nei loro workflow, a definire i casi d’uso prioritari e a organizzare sessioni congiunte tra quant, IT e risk. Per me la metrica chiave è quante decisioni operative riescono a poggiarsi su analisi più chiare.
Le tappe principali del nostro percorso
Noi abbiamo seguito un percorso semplice: prima metodo, poi prototipi, poi produzione,
infine governance e integrazione.
In questo anno noi abbiamo formalizzato una frustrazione comune: superfici di volatilità gestite con strumenti frammentati, difficili da spiegare ai comitati e poco coerenti tra asset. Abbiamo definito il metodo interno che chiamiamo percorso a tre lenti, dove ogni modello viene visto attraverso una lente dati, una lente quantitativa e una lente operativa, e abbiamo avviato i primi prototipi su dataset storici multi asset.
Dopo i test iniziali, abbiamo portato in produzione una prima generazione di superfici AI per un insieme limitato di asset, concentrandoci sulla stabilità nel tempo e sulla capacità di ricostruire le decisioni. In parallelo abbiamo costruito i log di calibrazione, i report di diagnostica e i flussi di validazione condivisi con i team quantitativi dei primi utilizzatori, raccogliendo feedback quotidiano.
Con l’aumento dei casi d’uso, abbiamo esteso la copertura cross asset e introdotto funzioni di scenario analysis basate su superfici coerenti tra mercati. In questa fase abbiamo raffinato i processi di monitoraggio in continuo, con alert su deviazioni strutturali e strumenti per confrontare versioni diverse delle superfici, così da supportare comitati modello e team rischio in modo più sistematico.
Negli anni successivi abbiamo consolidato l’infrastruttura, migliorato l’integrazione con ambienti di ricerca e motori di rischio e reso più granulari i controlli di governance del ciclo di vita modello. Oggi continuiamo a iterare con i desk, introducendo funzionalità richieste dai team, mantenendo però la stessa idea iniziale: superfici di volatilità AI che restano spiegabili e gestibili nel tempo.
Riconoscimenti da ecosistema quantitativo
Riconoscimento per innovazione nei dati di mercato AI-driven
2022
Premio per contributo alla ricerca su volatilità e rischio
2023
Selezione in programma dedicato a tecnologie quantitative
2021
Segnalazione da media specializzati in finanza e dati
2024
Come contribuiamo alla comunità di ricerca su volatilità
Partecipiamo al dibattito su volatilità, superfici implicite e analisi cross asset con
materiali pensati per team quantitativi e di rischio.
Noi abbiamo sempre imparato molto dai confronti pubblici: conferenze, paper tecnici, tavole
rotonde su volatilità e rischio cross asset.
Quando prepariamo una nota di ricerca su superfici di volatilità, partiamo sempre da una
domanda concreta che abbiamo vissuto in prima persona, come per esempio la coerenza tra
volatilità implicita e realizzata in fasi di mercato tese. Usiamo thought experiment
semplici, ricostruiamo scenari storici e mostriamo come i modelli AI si comportano rispetto
a schemi più tradizionali, con grafici e diagnosi che possano essere replicati dai team
interni dei lettori.
Nelle conferenze ci concentriamo su pochi concetti chiave: cosa intendiamo per apprendimento
cross asset, come gestiamo i regimi di volatilità mutevoli e quali controlli di robustezza
usiamo prima di proporre una superficie a un desk. Preferiamo sessioni tecniche, dove chi
ascolta può porre domande puntuali su ipotesi, limitazioni e possibili bias dei dati, così
il confronto diventa utile per tutti.
Attraverso articoli di approfondimento e interventi su media di settore, condividiamo riflessioni su come integrare superfici AI in workflow esistenti senza strappi: dal modo in cui si versionano gli output fino alla documentazione necessaria per i comitati di modello. Non offriamo raccomandazioni operative; ci concentriamo su strumenti concettuali che possano aiutare i lettori a valutare vantaggi e limiti di approcci diversi. Past performance does not guarantee future results.