Ti racconto una storia vera del 1943. È la storia che spiega perché il 90% dei backtest che vedi su Internet sono spazzatura. È anche la storia che spiega perché il 95% dei sistemi quantitativi venduti come «profittevoli» falliscono quando li metti live. Tutto nasce da un matematico ungherese, una richiesta dell'Air Force americana e un'osservazione contro-intuitiva che cambiò la statistica applicata per sempre.
1943, Seconda Guerra Mondiale. I bombardieri B-17 e B-29 americani decollavano dall'Inghilterra per bombardare la Germania. Molti aerei venivano abbattuti — circa il 30-40% delle missioni — ma altri tornavano. Gli ingegneri dell'Air Force studiavano gli aerei che tornavano: ne osservavano i fori dei proiettili contraerei tedeschi. Tracciavano sulla carta dove era stata colpita la fusoliera, l'ala, il motore, la cabina. Volevano capire dove rinforzare la corazza per ridurre le perdite.
L'analisi mostrava chiaramente certe zone con più fori (fusoliera centrale, ali esterne) e certe zone con pochi fori (motori, cabina di pilotaggio). Conclusione intuitiva degli ingegneri: rinforzare la fusoliera e le ali. Tutto logico. Ovvio. Tranne che era sbagliato. E il matematico ungherese assunto dall'esercito lo capì in 30 secondi.
Abraham Wald: il matematico che vedeva i dati invisibili
Il dato che risolve la storia parte da chi era Abraham Wald. Nato nel 1902 a Cluj (Romania, allora Ungheria), Wald era un matematico geniale che dovette emigrare negli Stati Uniti nel 1938 per sfuggire alle leggi razziali. Lavorava alla Columbia University ed era il numero uno mondiale di statistica matematica. Durante la guerra l'esercito americano lo arruolò nello Statistical Research Group (SRG): un gruppo di matematici e statistici che applicavano la scienza ai problemi militari. Pagati bene, segretati, con accesso ai migliori dati.
Nel 1943 l'Air Force USA passò allo SRG il problema dei bombardieri colpiti. I dati erano un grafico schematico di un aereo con i punti di impatto dei proiettili tracciati. Gli ingegneri dell'esercito avevano già fatto la loro analisi: rinforzare dove c'erano più fori. Wald guardò i dati e fece una domanda apparentemente assurda: «Dove sono gli aerei che NON sono tornati?»
Gli ufficiali risposero: «Non sono tornati. Sono nel mare del Nord, in Germania, persi». Wald disse: «Esatto. E quelli sono i dati che ci servono davvero. Gli aerei che tornano sono colpiti dove i fori NON sono fatali. I motori e la cabina di pilotaggio sono protetti perché gli aerei colpiti lì non sono tornati indietro. Voi state guardando solo i sopravvissuti. State per fare la scelta sbagliata».
L'Air Force seguì il consiglio di Wald. Rinforzò motori e cabina. Le perdite di bombardieri si ridussero del 25-30% nei mesi successivi. Centinaia di equipaggi americani che hanno fatto ritorno vivi devono la loro vita a un'osservazione di logica statistica che si chiama survivorship bias.
Cos'è il survivorship bias spiegato a tua nonna
Partiamo dall'osservabile. Il survivorship bias è un errore di analisi statistica che consiste nel guardare solo i sopravvissuti di un processo, ignorando i falliti. Sembra ovvio scritto così. Ma è subdolo: quasi tutti lo fanno senza accorgersene.
Te lo spiego con esempi della vita quotidiana, prima di arrivare al trading.
Esempio 1 · «I miei nonni hanno fumato tutta la vita e sono arrivati a 90 anni»
Sentiamo spesso questa frase. Sembra dimostrare che il fumo non fa così male. È survivorship bias allo stato puro. I tuoi nonni che hanno fumato e sono morti a 60 anni non possono raccontarti la loro storia. Vedi solo i sopravvissuti. Le statistiche reali dicono che il fumatore vive in media 10 anni meno. Ma i fumatori vissuti tanto sono visibili. I fumatori morti giovani non sono visibili. Da qui l'illusione.
Esempio 2 · «Tutte le aziende ricche hanno iniziato senza capitali»
I libri di self-help dicono che Steve Jobs, Bill Gates, Mark Zuckerberg hanno iniziato in un garage senza capitali. Quindi anche tu puoi farcela. È survivorship bias. Ci sono milioni di persone che hanno iniziato in un garage senza capitali e sono falliti. Non vedi loro perché hanno smesso. Vedi solo i pochi successi. La distribuzione reale dice che i tassi di successo delle startup sono dell'1-5%. Il 95-99% fallisce. Ma i falliti non scrivono libri di self-help.
Esempio 3 · «I trader famosi su Instagram fanno tutti tantissimi soldi»
Qui arriviamo al punto. Su Instagram vedi 100 trader che mostrano profitti enormi. Hai mai visto un trader che pubblica i suoi fallimenti? No. Perché chi è fallito ha cancellato il profilo, smesso di pubblicare, è sparito. I 100 che vedi sono i sopravvissuti casuali della selezione naturale di Instagram. La probabilità che tu replichi i loro «sistemi» è 1-3% perché loro stessi sono nel 1-3% di sopravvissuti random. È survivorship bias applicato al marketing del trading. Wald nel 1943 lo aveva già capito.
Come il survivorship bias gonfia i mutual fund americani
In termini operativi, il caso più studiato di survivorship bias è quello dei mutual fund americani. Esiste uno studio classico di Stephen Brown, William Goetzmann e Stephen Ross (Yale, 1992) che lo dimostrò con numeri precisi. Te lo riassumo.
Nel 1980 negli USA esistevano circa 2.500 mutual fund azionari attivi. Nel 2026 ne sono sopravvissuti circa 750. Il 70% dei mutual fund del 1980 oggi non esiste più. Sono stati chiusi, fusi con altri fondi, o liquidati. Quando guardi le classifiche di Morningstar dei «mutual fund con performance storica decennale», vedi i 750 sopravvissuti. Non vedi i 1.750 falliti.
La performance media dei 750 sopravvissuti è del 8-9% annuo nei 30 anni. La performance media inclusi i 1.750 falliti scende al 5-6% annuo. Un gap del 3-4% annuo solo per il survivorship bias. Su un investimento di 10.000€ per 30 anni questa differenza significa avere 100.000€ vs 50.000€. Metà soldi persi solo per aver guardato i sopravvissuti.
La stessa logica si applica all'S&P500. L'indice S&P500 di oggi contiene 500 aziende. Ma 500 aziende vive. Il 12% delle aziende S&P500 del 1980 oggi non esiste più (Lehman, Bear Stearns, Enron, WorldCom, Compaq, Kodak, Polaroid, MCI, AIG era stata salvata, etc). Quando vedi grafici dell'S&P500 da 40 anni, vedi solo le sopravvissute. Il rendimento reale di un portafoglio realmente comprato nel 1980 e tenuto fino a oggi è inferiore di 1-2% annuo rispetto al rendimento «teorico» calcolato sull'indice attuale.
Il survivorship bias nei backtest del trading
Quello che conta è capire come il survivorship bias massacra i backtest delle strategie di trading. Esistono tre forme principali:
Forma 1 · Database di azioni «pulite» (i fantasmi delle delisted)
I database commerciali di Compustat, Bloomberg, Yahoo Finance, Trading View di default ti danno solo le azioni vive. Le aziende fallite, fuse o delisted spariscono dall'universo. Quando crei una strategia tipo «momentum 12 mesi sull'S&P500», stai operando su un universo di aziende che già sai essere sopravvissute. Le aziende che fallirono durante il 2008-2009 (Lehman, Bear Stearns, AIG) o durante il dot-com (Pets.com, Webvan) non compaiono nel tuo backtest. Il tuo backtest sembra d'oro perché operi su aziende che hanno tutte fatto del bene. Live, lavorerai su aziende sconosciute, alcune delle quali falliranno.
Forma 2 · Self-selection delle strategie (l'effetto random)
Immagina di testare 100 strategie diverse di trading. Il 5% di esse avrà rendimenti positivi sui dati storici per pura fortuna casuale. Tu pubblichi solo le 5 vincenti. Il pubblico vede 5 sistemi vincenti. Non vede le 95 falliti. È self-selection bias, un cugino diretto del survivorship bias. Tutti i database online di strategie pubblicate hanno questo problema. Ottimizza 1.000 strategie, pubblica le 50 migliori, e otterrai un database apparentemente straordinario. Live, il 95% di queste strategie esploderà perché era random.
Forma 3 · Backtest non walk-forward (lo sguardo magico al futuro)
Quasi tutti i backtest commerciali ottimizzano i parametri su tutti i dati storici disponibili e poi mostrano la performance su quegli stessi dati. È come prevedere il risultato della partita dopo averla vista. Il backtest sa già cosa è successo e quindi i parametri sono perfetti per il passato — non per il futuro. Le strategie con questa malattia sembrano da Nobel sul backtest e falliscono in 6 mesi live. Per evitarlo serve walk-forward analysis: ottimizzare su 2 anni, testare su 6 mesi di dati nuovi, scorrere, ripetere. È quello che fa Oracle v78 da sempre.
2) «Quante strategie hai testato prima di scegliere questa?» Se la risposta è «1-3», bene. Se «50-100 e ho preso le migliori», allarme rosso self-selection.
3) «Il backtest è walk-forward o ottimizzazione su tutto il periodo?» Se non sa rispondere, scappa. Se dice «ottimizzato su tutto», il backtest è praticamente inutile per prevedere il futuro.
Tre domande, 30 secondi. Smascherano l'80% dei sistemi venduti su Internet.
Esperimento Excel: vedi il survivorship bias all'opera
La verità matematica è che puoi simulare il survivorship bias in Excel in 10 minuti e vederlo all'opera. Lo faccio sempre in aula durante i workshop. Funziona così.
Adesso ripeti l'esperimento con 1.000 strategie invece di 100. Vedrai centinaia di «strategie vincenti», alcune con rendimenti dell'80-100% in 5 anni. Tutto casuale. Tutto fortuna. Tutto survivorship bias. Eppure se uno di questi «sistemi» fosse pubblicato su YouTube domani come prodotto da vendere, troverebbe clienti. Ecco perché il mercato del trading «sistematico» è pieno di prodotti che funzionano sui backtest e falliscono live.
Vedi un sistema testato su 19 anni live (non backtest)
Oracle v78 non è un backtest ottimizzato. È un sistema operativo dal novembre 2007 con strategie pubblicate dal 2009. 65.587 trade reali. Nessun sguardo magico al futuro. Conto MT5 #6003085 pubblico. Quiz Gratuito in 90 secondi.
Fai il Quiz Gratuito Chi sonoCome Oracle v78 evita il survivorship bias per design
Per capirlo serve un passaggio in più. Oracle v78 è stato progettato dal 2007 con tre principi che eliminano alla radice il survivorship bias. Non è un caso: è il motivo per cui il sistema funziona ancora 19 anni dopo.
Principio 1 · Trading live dal 2007, non backtest. I 65.587 trade sono trade reali aperti e chiusi in tempo reale sul conto MT5 #6003085, non simulati a posteriori. Il sistema non ha mai visto dati futuri quando ha aperto un trade.
Principio 2 · Walk-forward continuo. Quando Oracle viene aggiornato a una nuova versione (siamo alla v77 dopo 76 iterazioni), la nuova versione viene testata su 12 mesi di dati out-of-sample che non ha visto prima. Niente ottimizzazione a posteriori.
Principio 3 · Includi i periodi negativi. Il drawdown massimo del 13,1% non è un numero teorico: è quello realmente osservato nel 2022. Niente cherry picking. I 19 anni di numeri pubblici includono 2008, 2011, 2015, 2018, 2020 e 2022 — tutti gli stress test reali della storia recente.
Nel 2009-2010 ho fatto l'errore opposto. Ottimizzavo strategie sui dati 2007-2008 e le mettevo live aspettandomi performance simili. Funzionavano per 2-3 mesi poi esplodevano. Ci ho messo due anni a capire che il problema era il survivorship bias dei miei stessi backtest. Da quel momento ho cambiato approccio: tutti i miei sistemi vengono testati con almeno 6 mesi di walk-forward su dati nuovi prima di toccare un euro reale. Combinato con il criterio di Kelly e la Legge dei Grandi Numeri, formano la trinità del trading sistematico serio.
Riepilogo: Wald e il survivorship bias in 7 punti
FAQ — Wald, survivorship bias e validazione sistemi
- — Abraham Wald: paper SRG 1943 sui bombardieri alleati. Wikipedia · Wald biografia
- — Stephen Brown, William Goetzmann, Stephen Ross: «Survivorship Bias in Performance Studies» (1992). JSTOR · Review of Financial Studies
- — Marcos Lopez de Prado: «Advances in Financial Machine Learning» (2018). Capitolo dedicato a backtest robusti. Wiley
- — Robert Carver: «Systematic Trading» (2015). Riferimento moderno per walk-forward e validazione. Harriman House
- — David Aronson: «Evidence-Based Technical Analysis» (2006). Trattato sulla validazione statistica delle strategie. Wiley
