# Documento Zero — Da Renaissance a Swarm Co-Evolutivo

**Autore**: Adriano Dal Pastro
**Data**: Maggio 2026
**Status**: Sintesi concettuale di partenza
**Versione**: 0.1
**Documenti correlati**:
- `coevolutive_swarm_system.md` (sistema completo)
- `poc_trading_swarm.md` (proof of concept trading)

---

## 1. Scopo di questo documento

Questo è il **documento zero** della serie. Non descrive un'implementazione, descrive il **ragionamento di partenza** che ha portato all'architettura proposta negli altri due documenti.

Lo scopo è fissare il framework concettuale, così che quando riprendiamo il lavoro tra giorni o settimane il contesto non vada perso. Risponde alla domanda: *perché stiamo facendo questo, e perché in questo modo specifico?*

---

## 2. Il punto di partenza: Renaissance Technologies

### 2.1 Cosa è Renaissance

Hedge fund fondato 1978 da Jim Simons (matematico puro, ex code-breaker NSA, premio Oswald Veblen 1976 in geometria). Sede Long Island. Staff composto principalmente da PhD in fisica, matematica, statistica, signal processing — **zero economisti tradizionali**. Simons è morto a maggio 2024.

### 2.2 La filosofia opposta a LTCM

| LTCM                            | Renaissance                          |
|---------------------------------|--------------------------------------|
| Parte da teoria (Black-Scholes) | Parte dai dati                       |
| Cerca conferme                  | Cerca anomalie                       |
| Modello statico                 | Modello che si aggiorna ogni giorno  |
| Crolla quando realtà ≠ teoria   | Cambia quando realtà cambia          |

### 2.3 Come opera

- Non cerca pattern ovvi (spariscono subito quando tutti li vedono)
- Cerca decine di anomalie sottili, ognuna con edge minuscolo ma statisticamente significativo. Sommate → edge stabile e potente.
- Sistema 100% automatico. Nessun umano decide trade. Simons: "umano = variabile non controllabile".
- Ingerisce terabyte di dati al giorno. Scarta pattern morti, incorpora nuovi.
- Pattern usati negli '80 oggi non funzionano più — quando un pattern diventa noto, sparisce.

### 2.4 Numeri (Medallion Fund, fondo interno)

- ~66% lordo annuo per 30+ anni consecutivi
- ~39% netto dopo le fee mostruose (5% management + 44% performance)
- Mai un anno in perdita. Compreso 1998 mentre LTCM bruciava 5 miliardi
- $100 nel 1988 → $8.4 miliardi oggi (vs $2400 in S&P)
- Confronto con Buffett: Buffett 20%/anno = "il migliore al mondo". Simons 3x più di Buffett, per 2x più anni

---

## 3. La domanda critica: cosa è replicabile?

### 3.1 Cosa NON è replicabile

Il 66% lordo del Medallion non viene da "matematici geniali". Viene da fattori strutturali che retail non può replicare:

- **Latency e infrastruttura**: co-location, feed di mercato grezzi, esecuzione sub-millisecondo. Il 70% dell'edge sui pattern intraday è banalmente velocità.
- **Capacity cap**: Medallion è chiuso a circa $10B perché l'edge non scala. Le anomalie sottili che sfruttano si saturano. Le strategie vere di Renaissance non solo non sono pubbliche — sono *inutili* a chi le rendesse pubbliche.
- **Dataset proprietari**: decenni di tick data puliti, dati alternativi, e soprattutto un team di 100+ ricercatori che fa SOLO data cleaning. Il loro vero IP è la qualità del dato, non il modello.
- **Risk management con leva istituzionale**: prime broker relationship, dimensioni di hedging fuori portata retail.

Replicare Renaissance retail è come voler replicare TSMC con una stampante 3D. Non è una questione di intelligenza, è di scala.

### 3.2 Cosa È replicabile (tradotto in principi operativi)

I principi filosofici di Renaissance, applicati al contesto LLM-agent + retail:

1. **"Cerca anomalie, non conferme"** → il prompt non chiede all'agente di valutare se "le condizioni sono buone per X", chiede di identificare regimi in cui la struttura dei dati devia da pattern storici, e adattare la strategia.

2. **"Edge piccoli sommati"** → su crypto retail un singolo edge da 50bp/trade è realistico, 500bp no. L'architettura deve permettere molte posizioni indipendenti piccole. Renaissance fa migliaia di trade/giorno proprio per questo.

3. **"Modello che si aggiorna"** → per un sistema LLM questo è sottile: il modello *non si aggiorna* tra una chiamata e l'altra. L'aggiornamento deve essere fuori dal modello, in un layer di state/memory.

4. **"Umano = variabile non controllabile"** → l'analogo è che *l'LLM stesso* è una variabile non controllabile (temperatura, bias di addestramento). L'LLM deve generare ipotesi, ma le decisioni execute/no-execute devono essere filtrate da regole deterministiche.

### 3.3 Il vero takeaway: survivorship bias

La cosa più importante che Simons ripeteva: per ogni Renaissance esistono centinaia di fondi quant chiusi silenziosamente. La differenza spesso non è il modello, è la **disciplina di spegnere strategie quando l'edge svanisce**. Avere metriche oggettive di "questa strategia è morta" che fanno killare il branch automaticamente, senza decisioni emotive.

---

## 4. Lo shift mentale: dagli umani agli agenti illimitati

### 4.1 La differenza categoriale

Renaissance ha 300 ricercatori. Con LLM agents si possono istanziare 3000 agenti in parallelo a costo marginale quasi zero. Questo non è "più della stessa cosa", è una **categoria diversa di problema**.

Renaissance deve essere selettiva su quali ipotesi testare perché ogni PhD è caro e lento. Con LLM agents no. Si può permettere di testare ipotesi *stupide*, perché 99.9% di stupide + 0.1% di geniali > 100% di "ragionevoli".

Cambia tutto il framework. Le strategie quant tradizionali partono da un'ipotesi economica/strutturale e cercano evidenza. Si può fare il contrario: **brute force di ipotesi generate da LLM, filtrate da realtà**.

### 4.2 Il salto verso l'evoluzione

Se hai migliaia di agenti che generano ipotesi, il problema diventa: come scoprire quali stili cognitivi producono ipotesi migliori? Risposta: **lascia che siano evolutivamente selezionati**. Non scrivi tu il prompt ottimale, lo scopri attraverso pressione selettiva.

Questo è il salto concettuale: passare da prompt engineering (artigianato umano) a prompt evolution (ricerca automatica nello spazio dei prompt).

### 4.3 Il salto ulteriore: linguaggio emergente

Se gli agenti devono comunicare tra loro, il linguaggio naturale umano è probabilmente subottimale. È stato ottimizzato per vincoli umani (vocal tract, memoria di lavoro limitata, ambiguità sociale utile) che non si applicano agli LLM.

Si può co-evolvere il **protocollo di comunicazione** insieme agli agenti. Il risultato è un sistema dove agenti e linguaggio si adattano insieme — analogo all'evoluzione del linguaggio scientifico umano (notazione vettoriale + pensiero vettoriale evolvono insieme), ma compresso in giorni invece che millenni.

---

## 5. L'architettura emergente: tre layer cognitivi

Dalla riflessione su Renaissance + LLM swarm + evoluzione, emerge un'architettura specifica con tre ruoli funzionali distinti.

### 5.1 Hypothesis Layer

**Ruolo**: generazione creativa di ipotesi su anomalie. Alta temperatura, stili cognitivi diversi, ricerca esplorativa.

**Diversità cognitiva intenzionale**: agenti con prompt che li fanno "pensare come un fisico", "come un biologo evolutivo", "come uno storico", "come un meteorologo". Stili diversi → ipotesi diverse.

### 5.2 Falsification Layer

**Ruolo**: testare rigorosamente. Bassa temperatura, focus su statistica deterministica.

**Funzione critica**: questo NON è LLM puro. È codice tradizionale (backtesting, walk-forward, multiple testing correction) orchestrato da LLM. L'LLM non deve mai *valutare* se una strategia funziona, deve *eseguire* test rigorosi e leggere risultati numerici.

### 5.3 Adversarial Layer

**Ruolo**: red team epistemico. Cerca data snooping, lookahead bias, regime fragility, crowding. Paranoia strutturale.

**Per ogni strategia che sopravvive**, l'agente fa l'avvocato del diavolo: "perché questa strategia *deve* fallire?". Solo strategie che sopravvivono al red team passano alla fase successiva.

### 5.4 Perché tre e non uno

I tre ruoli hanno requisiti cognitivi opposti:
- Hypothesis vuole creatività, alto temperature
- Falsification vuole rigore, low temperature
- Adversarial vuole paranoia, medium temperature

Un singolo agente non può fare tutti e tre bene. Specializzarli e farli collaborare produce risultati qualitativamente migliori, e abilita evoluzione separata di ogni nicchia.

---

## 6. I tre filoni che si sono sviluppati

Dal framework concettuale base si sono sviluppati tre filoni, ognuno documentato (o da documentare) separatamente.

### 6.1 Filone A — Sistema completo

Co-evoluzione di **quattro popolazioni**: tre layer cognitivi + il protocollo di comunicazione.

**Caratteristiche**:
- Co-evolution multi-species
- Speciation (NEAT-style)
- Idiom emergence nel protocollo
- Register specialization per layer
- Tier multi-model (Claude + Qwen + Llama via OpenRouter) come risorsa di diversità cognitiva
- Human-in-the-loop calibration

**Portata**: 12-18 mesi a impegno significativo. Sistema generale applicabile a multipli domini (trading, offerte commerciali, code review).

**Documento di riferimento**: `coevolutive_swarm_system.md`

### 6.2 Filone B — PoC trading focalizzato

Versione semplificata per validare empiricamente il concetto prima di committere al sistema completo.

**Caratteristiche**:
- Solo Hypothesis layer evolve (Falsification e Adversarial hand-crafted)
- Protocollo fisso (no co-evolution del linguaggio)
- Focus su trading BTC/ETH con storico multi-anno
- Baseline Random Forest per anti-illusion check
- Decision triggers oggettivi per go/iterate/pivot

**Portata**: 3-4 mesi. Costo ~$2-4K LLM.

**Documento di riferimento**: `poc_trading_swarm.md`

### 6.3 Filone C — Applicazioni non-trading

Stesso framework architetturale applicato a domini con ground truth diverso:
- Generazione offerte commerciali Tielogic (dataset implicito: offerte passate firmate vs no)
- Code review automatico (dataset: PR storiche con bug noti)
- Documentazione Swagger (fitness: copertura + qualità)
- Scrittura documentazione tecnica

**Portata**: parallelizzabile con Filone A. Validazione che il sistema generalizzi.

**Documento di riferimento**: da scrivere se si decide di approfondire.

---

## 7. Le quattro idee non-ovvie

Sintesi delle intuizioni emerse durante la riflessione, in ordine di profondità:

### 7.1 Diversità cognitiva via tier multi-model

Non è solo "tier economici come compromesso". È che modelli diversi (Claude, Qwen, Llama, DeepSeek) hanno bias di addestramento diversi e producono ipotesi qualitativamente diverse sullo stesso dato. Per ricerca esplorativa è oro. Manterrei il multi-tier *anche se Anthropic dimezzasse i prezzi domani*.

### 7.2 Il protocollo di comunicazione come risorsa evolvibile

Forzare gli agenti a comunicare in linguaggio naturale è una scelta arbitraria, probabilmente subottimale. Co-evolvere protocollo + agenti significa che i pattern cognitivi che il sistema scopre dipendono da quali pensieri sono *cheap da esprimere*. E il protocollo evolve per rendere cheap i pensieri che si rivelano utili. Loop di co-adattamento, come grammatica e pensiero scientifico nelle culture umane.

### 7.3 Vincolo di leggibilità non opzionale

Senza vincoli, gli agenti convergono a protocolli incomprensibili. Per safety, audit, compliance, debugging — la fitness del protocollo deve includere `human_unreadability_score` con λ esplicito. Il sistema vive sul Pareto front efficienza/interpretabilità, scelto consapevolmente.

### 7.4 Survivorship bias narrativo

Sia chiaro: Renaissance è UN risultato di una distribuzione di tentativi. Per ogni Renaissance ci sono centinaia di fondi quant morti silenziosamente. Lo stesso vale per i sistemi LLM-based: la maggior parte non funzionerà. Il PoC esiste proprio per essere un esperimento *honestly designed to fail* se l'idea non regge. La baseline non-LLM (Random Forest) è il guardrail anti-illusione.

---

## 8. Le quattro trappole strutturali

In ordine di gravità, le trappole che possono distruggere qualsiasi versione del sistema:

### 8.1 Goodhart's Law su steroidi

L'evoluzione è una macchina ottimizzatrice cieca e troverà *qualunque* exploit della fitness function. Mitigazione: fitness multi-livello, human-in-the-loop, audit periodici dei top performer.

### 8.2 Multiple testing massiccio

Con migliaia di ipotesi testate, false scoperte a valanga. Mitigazione: Deflated Sharpe Ratio (Bailey & López de Prado), Bonferroni aggressiva, hold-out set finale intoccabile.

### 8.3 Communication degeneration

Senza vincoli, agenti convergono a comunicazione minimale e incomprensibile. Mitigazione: penalty leggibilità, parser strict, audit umano, italian rendering automatico.

### 8.4 Convergenza prematura / collasso di diversità

Senza speciation e novelty bonus, dopo 50 generazioni saturi su un ottimo locale. Mitigazione: speciation, novelty search, immigrazione random periodica, island model.

---

## 9. Decisione strategica: tre opzioni

Le opzioni concrete davanti, in ordine di rischio crescente:

**Opzione C — Research dive** (1-2 mesi)
- Paper review approfondito (PromptBreeder, NEAT, MAP-Elites, emergent communication)
- Proof-of-concept minimo (1 layer, 1 popolazione, protocol semplice)
- Output: decisione informata se vale tutto

**Opzione B — Smart spike** (3-4 mesi) ← **scelta preferita per partire**
- PoC trading completo (`poc_trading_swarm.md`)
- Infrastruttura riutilizzabile
- Output: validazione empirica + infrastruttura per espansione

**Opzione A — Big bet** (12-18 mesi)
- Sistema completo (`coevolutive_swarm_system.md`)
- Co-evolution piena, applicazioni multi-dominio
- Output: sistema di ricerca/produzione, possibile paper

**Razionale per partire da B**: minimizza opportunity cost rispetto agli altri progetti (Tielogic, robotics, OptionScalping), produce infrastruttura riutilizzabile, dà criteri oggettivi per decidere se procedere con A.

---

## 10. Perché questo progetto, perché ora

### 10.1 Posizione strategica

Adriano è in una posizione strana e fortunata:
- Background ingegneristico solido (C, C++, C#, Python da 30 anni)
- Use case reali multipli (trading, offerte commerciali, robotica Tielogic)
- Motivazione applicativa (non puramente accademica)
- Familiarità con LLM tooling (Claude Code attivo nel workflow)
- Capacità di lavorare full-stack (dal Rust backend al frontend React)

### 10.2 Stato del campo

Il filone "evolved structured communication languages for LLM multi-agent systems with interpretability constraints" non è saturo. La community è bloccata su due estremi: JSON+natural language (boring), o emergent communication su small models (non scalato a LLM moderni). C'è spazio per contributi reali.

### 10.3 Tempistica delle infrastrutture

Maggio 2026: i prezzi dei modelli sono scesi abbastanza da rendere economicamente fattibile un GA con migliaia di chiamate. OpenRouter offre routing multi-model trasparente. Anthropic ha prompt caching aggressivo. Tooling open-source maturo (DEAP, DSPy, TextGrad). **Tre anni fa questo progetto sarebbe stato troppo costoso. Tre anni avanti potrebbe essere già commoditizzato**.

### 10.4 Honest assessment

Detto tutto questo: il progetto è ambizioso, non garantito, e in competizione di tempo con altri progetti reali (Tielogic clienti, OptionScalping, robotics). La via responsabile è l'**Opzione B**: validare con il PoC, decidere a posteriori se vale espandere. Big bet su sistema completo solo dopo evidenza empirica positiva.

---

## 11. Stato del lavoro al 9 maggio 2026

**Completato**:
- Framework concettuale (questo documento)
- Design completo sistema (`coevolutive_swarm_system.md`)
- Design completo PoC (`poc_trading_swarm.md`)

**Decisioni aperte prima di partire**:
1. Quale opzione (A/B/C)?
2. Se B, quale dominio iniziale (trading vs offerte commerciali)?
3. Hardware locale vs cloud?
4. Budget LLM iniziale committed?
5. Cadenza review umana sostenibile?

**Prossimi passi se si decide GO sul PoC (Opzione B)**:
- Settimane 1-3: setup + dataset (vedi roadmap PoC sez. 11)
- Decisioni infrastruttura (data provider, storage, compute)
- Cap budget chiaro e milestone bi-settimanali

---

## 12. Tracciabilità della catena di ragionamento

Per riferimento futuro, questa è la sequenza logica che ha portato all'architettura proposta:

1. **Renaissance come modello**: dati > teoria, anomalie > conferme, automatico > umano
2. **Cosa è replicabile**: principi filosofici sì, infrastruttura no
3. **LLM agents shift**: scala diversa rende possibile brute force di ipotesi
4. **Tre layer cognitivi**: Hypothesis + Falsification + Adversarial come specializzazione funzionale necessaria
5. **Evoluzione genetica**: scoprire prompt ottimali invece di scriverli
6. **Co-evolution multi-popolazione**: i tre layer evolvono insieme
7. **Linguaggio evolutivo**: il protocollo di comunicazione è artefatto evolvibile
8. **Tier multi-model**: diversità cognitiva + economia
9. **Vincoli di leggibilità**: non opzionali per safety/audit
10. **PoC come deviazione strategica**: validare prima di committere full

Ogni step è un pezzo del ragionamento che vale la pena ricordare. Se uno step si rivela sbagliato, gli step successivi vanno rivisti.

---

*Documento da aggiornare se la direzione strategica cambia. Versione 0.1 — pre-implementazione.*