Le funzioni acquisti che dimensionano contratti a termine su materie prime agricole come burro, proteine del siero di latte, zucchero od olio vegetale tendono a porsi due domande su una previsione contro cui stanno per impegnare del budget: come è stata costruita e quanto è accurata sulla materia prima che compro davvero.
Quasi tutti gli strumenti di previsione rispondono alla prima domanda in modo vago e alla seconda con un unico numero da titolo. Vesper risponde a entrambe. Questo articolo apre con i dati di accuratezza che Vesper pubblica su tutta la copertura dei prezzi, ripercorre che cosa rende quei dati diversi dalle alternative che quasi tutte le funzioni acquisti hanno valutato, e mostra come si legge una singola previsione sullo schermo, usando il burro statunitense come esempio pratico.
L’accuratezza delle previsioni Vesper su oltre 4.000 serie di prezzo
Vesper pubblica l’accuratezza di piattaforma su più di 4.000 serie di prezzo di materie prime, misurata sugli ultimi due anni di previsioni. In tutte le categorie coperte da Vesper, dai mercati molto liquidi come il formaggio CME, il frumento MATIF e il latte di Classe III fino alle proteine speciali poco scambiate, alle frazioni di olio di palma conformi all’EUDR e ai benchmark regionali dello zucchero, i numeri principali sono questi.
| Orizzonte di previsione | Accuratezza (1 − MAPE) |
| Previsione a 1 mese | 97% |
| Previsione a 3 mesi | 94% |
| Previsione a 6 mesi | 91% |
| Previsione a 9 mesi | 88% |
| Previsione a 12 mesi | 85% |
Prestazioni del Vesper Price Forecasting, misurate come 1 − MAPE su oltre 4.000 serie di prezzo negli ultimi due anni.
La metrica dietro questi valori è l’errore percentuale assoluto medio (MAPE), invertito nel dato di accuratezza. Il meccanismo è semplice: se una previsione a un mese sbaglia del 3% a gennaio, del 4% a febbraio e del 2% a marzo, l’errore medio è del 3%, quindi il modello viene mostrato come accurato al 97%. La stessa definizione vale per ogni serie e ogni orizzonte, ed è questo a rendere il numero confrontabile.
Due schemi dentro la tabella meritano una nota.
La curva di accuratezza si degrada in modo pulito man mano che l’orizzonte si allunga. Il calo di 12 punti percentuali dal 97% a un mese all’85% a dodici mesi è ciò che produce un modello previsionale onesto. Più lontano si chiede al modello di guardare, più duro diventa l’esame.
E i valori sono medie su migliaia di serie, non su una singola materia prima scelta a mano. Un’affermazione di alta accuratezza su un mercato tranquillo per qualche mese è facile da fabbricare; un dato pubblicato come media su oltre 4.000 serie in due anni è un esame di tutt’altro tipo.
Tre livelli di previsione, e dove si colloca Vesper
Prevedere i prezzi delle materie prime non è una disciplina nuova. I metodi che le funzioni acquisti conoscono si collocano su uno spettro su cui la previsione basata sull’intelligenza artificiale costruisce, invece di sostituirlo.
I tre livelli della previsione sulle materie prime: il livello di intelligenza artificiale di Vesper somma quelli sottostanti.
Il livello più basilare è quello dei soli fondamentali: bilanci di offerta e domanda, tassi di inflazione, prezzi dell’energia e del petrolio, tassi di cambio, meteo. È lo standard del desk di analisi, e una persona disciplinata può azzeccare parecchio con questo.
Un livello più avanzato sovrappone gli indicatori tecnici: RSI, bande di Bollinger, MACD, medie mobili, oscillatori stocastici, presi in prestito dai mercati finanziari e applicati alle serie delle materie prime. Entrambi questi livelli possono essere gestiti da persone con fogli di calcolo e attenzione.
La previsione basata sull’intelligenza artificiale parte dove finisce l’approccio umano. Comprende tutto ciò che danno fondamentali e indicatori tecnici, poi aggiunge tre cose che un processo manuale non può raggiungere: correlazioni fra materie prime su migliaia di serie collegate e non collegate, schemi ricavati dalla macchina dentro quelle correlazioni, e indicatori «appresi» che il modello individua da solo, relazioni fra variabili che nessun manuale avrebbe segnalato. È a questo livello che operano le previsioni di Vesper.
I metodi più vecchi non sono sbagliati: sono fondativi. L’intelligenza artificiale li somma, e il guadagno di accuratezza è quello che ci si aspetta quando ogni livello aggiunge informazione nuova.
Che cosa distingue le previsioni di Vesper
Operare al livello dell’intelligenza artificiale è una parte della storia. Le scelte che trasformano quella capacità in accuratezza difendibile dalle funzioni acquisti sono il resto. I punti qui sotto sono le cose da chiedere a qualsiasi fornitore di previsioni, e le risposte che Vesper mette per iscritto:
• L’accuratezza multi-orizzonte è pubblicata, non mescolata. Il MAPE a uno, tre, sei, nove e dodici mesi è mostrato separatamente per ogni serie, con il decadimento fra gli orizzonti visibile. Un dato di accuratezza piatto o citato in modo variabile nasconde proprio l’orizzonte che interessa all’acquirente; la pubblicazione per orizzonte rende la domanda rispondibile.
• Le previsioni si aggiornano in automatico, 24 ore su 24. Nel momento in cui arriva un nuovo dato, un rapporto USDA, una nuova rilevazione di prezzo Vesper, un bilancio di offerta e domanda aggiornato, la curva viene ricalcolata. Non c’è nessun intervento di analista da attendere e nessun rischio che la previsione resti indietro rispetto a un evento di mercato importante.
• Ogni previsione gira sui propri fondamentali, più quelli dei prodotti collegati. Alcuni approcci previsionali ancorano un prodotto derivato a una «materia prima madre», prezzando per esempio le proteine del siero sul formaggio. Vesper costruisce la curva delle proteine dai fondamentali delle proteine e dai fondamentali del formaggio che determinano la disponibilità di siero. Entrambi i livelli sono ponderati; nessuno dei due è una scorciatoia per l’altro.
• Verifiche puntuali dentro il prodotto, sull’orizzonte che ti interessa. Passa il cursore su un punto storico del grafico e leggi la coppia previsto e realizzato. Lo stesso pannello di accuratezza commuta fra accuratezza storica a 1, 3, 6 e 12 mesi per quella specifica materia prima, così l’acquirente vede come tiene il modello sull’orizzonte che corrisponde alla decisione. Questo conta perché quasi tutte le previsioni moderne (comprese quelle di Vesper) sono dinamiche: si aggiustano ogni giorno con l’arrivo di nuovi dati, ed è ciò che le tiene affilate. Un singolo dato di accuratezza senza orizzonte associato non dice nulla su quanto in anticipo la previsione sia stata fatta: una previsione emessa un giorno prima del prezzo realizzato riporterà alta accuratezza quasi a prescindere dall’abilità. È il selettore di orizzonte a rendere significativo il numero.
• Le visioni dell’intelligenza artificiale e degli analisti sono separate di proposito. La curva di previsione è costruita solo sui dati. Gli analisti di Vesper pubblicano report di mercato scritti accanto a essa, ma le loro opinioni non si fondono mai nella curva. Dove intelligenza artificiale e analista concordano, la convinzione è alta; dove divergono, è un segnale per approfondire. E di solito è la direzione a contare di più: anche quando una previsione non è precisissima sul prezzo, azzeccare la direzione, su o giù, è ciò che dice all’acquirente se rimandare un acquisto o farlo adesso. L’intelligenza artificiale e l’analista concordano quasi sempre sulla direzione, ed è lì che vive davvero la maggior parte delle decisioni di acquisto.
• Intelligenza artificiale sviluppata in casa, ben prima che ChatGPT diventasse un nome noto. I modelli previsionali di Vesper sono sviluppati internamente da un team con sede ad Amsterdam, uno degli hub europei dell’intelligenza artificiale. L’architettura è stata iterata da molto prima dell’attuale boom, e la conoscenza accumulata si vede in come i modelli gestiscono i casi limite specifici delle materie prime e in quanto in fretta si possono testare nuovi approcci in produzione.
Come si legge una previsione Vesper: il burro statunitense come esempio pratico
I numeri di piattaforma sono il titolo. Per renderli concreti, ecco come appare una singola previsione sullo schermo e come si legge in pratica. L’esempio qui sotto è il burro statunitense, ancorato al Vesper Price Index (VPI) su base EXW, in USD per libbra.
Widget di previsione del burro statunitense: previsioni storiche, curva a termine a sei mesi e accuratezza storica a un mese del 94% su questa specifica serie.
Ci sono quattro cose da leggere nel grafico.
La linea continua è il prezzo storico, dodici mesi indietro. La linea tratteggiata riprende dove finisce la serie storica e proietta il prezzo sei mesi in avanti. La banda ombreggiata attorno alla linea tratteggiata è l’intervallo di confidenza, l’area che il modello considera plausibile in ciascun punto della previsione. Più stretta è la banda, più sicuro è il modello. A destra del grafico c’è il pannello di accuratezza per serie: 94% a un mese, 83% a tre mesi, 77% a sei mesi per questa specifica materia prima, con un selettore di orizzonte così che l’acquirente possa scegliere il periodo che corrisponde alla decisione che ha davanti.
La prima cosa da fare con qualsiasi previsione nuova è metterla alla prova. Passa il cursore su un punto qualsiasi della linea storica e un tooltip mostra due numeri affiancati: il prezzo effettivo a quella data e quello che il modello aveva previsto un mese prima. Tre esempi sul burro statunitense:
• 18 giugno 2025 - reale: 2,54 USD/lb. Previsione a un mese: 2,43 USD/lb. Scostamento: 4,5%.
• 29 ottobre 2025 - reale: 1,58 USD/lb. Previsione a un mese: 1,59 USD/lb. Scostamento: 0,8%.
• 18 marzo 2026 - reale: 1,88 USD/lb. Previsione a un mese: 1,73 USD/lb. Scostamento: 8,1%.
Tutti e tre hanno azzeccato la direzione. Due sono caduti dentro la banda di errore media a un mese del modello; il terzo era più lontano, durante un movimento più brusco della serie. Questo mix è l’aspetto dell’accuratezza nel mondo reale, e i tooltip rendono verificabile allo stesso modo ogni previsione passata della serie. Il punto dell’esercizio non è confermare un singolo numero: è farsi un’idea di come il modello ha gestito la materia prima che hai davanti, prima che qualsiasi budget venga impegnato sulla sua curva a termine.
Nota anche che i valori per serie (94, 83 e 77 per il burro) stanno sotto le medie di piattaforma (97, 94, 91, 88 e 85). Il burro è più volatile della materia prima media coperta da Vesper, e qui il modello viene messo alla prova più duramente che su una serie più stabile. Lo scarto è informativo, non qualcosa da nascondere.
Dietro la curva: i quattro livelli di input
Una volta addestrato, il modello di Vesper usa quattro categorie di input. Per il burro statunitense, questi livelli hanno questo aspetto.
Schemi di prezzo. Il punto di partenza è la serie stessa più i prodotti vicini che si muovono con essa. Per il burro statunitense significa il latte di Classe III del CME, i prezzi della panna statunitense, il burro europeo (EEX) e il grasso lattiero anidro che confluiscono nella stessa curva. Il burro non si scambia isolato, e il modello coglie le relazioni incrociate.
Fondamentali di mercato. I rapporti USDA Dairy Products e Cold Storage, USDA NASS Milk Production, i dati export di USDA FAS, i numeri dell’Osservatorio del mercato del latte dell’UE e i dati DCANZ dalla Nuova Zelanda, poiché l’offerta globale influenza il prezzo export statunitense. Entrano anche i costi dei mangimi da granturco CBOT, farina di estrazione di soia e DDGS, perché plasmano il margine della produzione di latte, che plasma l’offerta di latte, che plasma a valle la disponibilità di burro.
Indicatori tecnici. Segnali classici applicati alla serie del burro: MACD, medie mobili, RSI, bande di Bollinger, oscillatori stocastici, leggibili direttamente nella piattaforma e allo stesso tempo dati in pasto al modello previsionale.
Indicatori macro ed economici. L’indice del dollaro statunitense (competitività export del lattiero-caseario statunitense), i costi di energia e nolo (input di produzione e logistica) e i segnali macro di domanda legati alle categorie retail e foodservice. Dove Vesper ha dati di partner, Upply per il nolo, IBISWorld per i costi di settore, questi confluiscono qui.
Il modello pesa insieme tutti e quattro i livelli. Nessun singolo input detta la curva.
Leggere il livello tecnico accanto alla curva dell’intelligenza artificiale
Poiché Vesper espone il livello tecnico direttamente nella piattaforma, l’acquirente può leggere gli stessi segnali che legge il modello.
Analisi tecnica del burro statunitense: andamento del prezzo rispetto alle medie mobili, momentum MACD e RSI.
Al 29 aprile 2026, il livello tecnico del burro statunitense si legge così. Il prezzo è 1,70 USD/lb, sopra sia la media mobile a 100 giorni (1,63 USD) sia quella a 150 giorni (1,61 USD), un assetto strutturale rialzista. Il MACD è rialzista con momentum positivo: l’istogramma è passato dalle barre rosse (settembre 2025 - gennaio 2026) alle barre blu che si accumulano da febbraio, anche se linea, segnale e istogramma sono tutti vicini allo zero. L’RSI è a 47,7, neutrale, con molto spazio prima della soglia di ipercomprato a 70. Le variazioni percentuali raccontano la stessa storia da un’altra angolazione: -28,31% su base annua (il lungo trend discendente), +13,13% sul trimestre precedente (il recupero dai minimi del primo trimestre), -6,39% sul mese e -0,88% sulla settimana (un piccolo raffreddamento questo mese).
Lette insieme, quelle indicazioni descrivono un mercato che ha trovato il pavimento nel primo trimestre, è salito con decisione fino a marzo e ora sta consolidando sopra il proprio trend di medio periodo, né in difficoltà né tirato. È la stessa immagine che disegna la curva di previsione: una deriva lenta verso l’alto nei prossimi sei mesi.
Leggere la curva per una decisione di acquisto
Due parti del grafico contano più delle altre quando un acquirente dimensiona un impegno a termine: la banda di confidenza sulla linea tratteggiata di previsione e i tooltip delle previsioni storiche sulla linea passata.
La banda di confidenza è dove vive davvero la decisione di acquisto. Una banda stretta all’inizio dell’orizzonte che si allarga più avanti è la forma normale: il modello è più sicuro sul mese prossimo che sul terzo trimestre dell’anno che viene, e deve esserlo. Quando la banda si allarga in modo insolitamente rapido, il modello sta segnalando che gli input mandano messaggi contrastanti, e l’acquirente deve aspettarsi più revisioni nelle previsioni successive. Quando la banda resta insolitamente stretta, gli input sono allineati e la convinzione è alta. Chi assume un impegno a termine per il terzo trimestre non sta scommettendo che il prezzo cadrà esattamente sulla linea centrale tratteggiata: sta dimensionando la copertura sull’intervallo che la banda descrive.
I tooltip delle previsioni storiche sono il modo in cui la credibilità della banda viene guadagnata. Scegli qualche mese negli ultimi due anni sulla materia prima che compri davvero. Passa il cursore sulla linea. Leggi la coppia previsto e realizzato. Se il modello ha seguito bene la serie, la convinzione ad agire sulla curva a termine viene da sé. Se non l’ha fatto, il tooltip dirà anche questo, prima che qualsiasi budget venga impegnato.
Che cosa ne risulta
Una previsione affidabile sulle materie prime tiene insieme alcune cose: un’architettura di modello capace di generalizzare su migliaia di serie, uno stack di input trasparente che risale a fonti dati note, valori di accuratezza per orizzonte verificabili sulla specifica materia prima che hai davanti e la disciplina di tenere separate le visioni dell’intelligenza artificiale e degli analisti, così che ciascuna possa essere valutata per quello che vale.
È così che sono costruite le previsioni di Vesper. La metodologia è sullo schermo, l’accuratezza è sullo schermo, e i dati dietro risalgono alle stesse fonti primarie di cui le funzioni acquisti già si fidano. Scegli una materia prima, passa il cursore sulla linea e giudica tu stesso.
Domande frequenti: previsioni di prezzo delle materie prime con Vesper
Quanto sono accurate le previsioni di Vesper sulla materia prima che compro? L’accuratezza è pubblicata per materia prima e per orizzonte di previsione dentro la piattaforma. Puoi vedere l’accuratezza storica a uno, tre, sei e dodici mesi per la serie esatta che compri, invece di affidarti a una media mescolata.
Quanto in avanti dovrei affidarmi a una previsione per le decisioni di acquisto? Gli orizzonti più brevi sono in genere più accurati, e i dati lo riflettono. Quasi tutte le decisioni di acquisto stanno nella finestra da uno a sei mesi, dove l’accuratezza resta più alta e la banda di confidenza è più stretta.
Il modello si basa di più sui fondamentali o sull’analisi tecnica? Entrambi sono compresi, insieme ai dati macro e alle relazioni fra materie prime. Il modello pesa tutti gli input in modo dinamico, invece di dare priorità a una categoria sull’altra.
Ogni quanto si aggiornano le previsioni? Le previsioni si aggiornano in automatico quando arrivano nuovi dati. Non c’è una cadenza fissa: il modello ricalcola in continuo al cambiare degli input.
Posso verificare da solo le prestazioni passate della previsione? Sì. Le previsioni storiche sono visibili direttamente sul grafico. Puoi confrontare prezzi previsti e realizzati in qualsiasi punto per capire come si è comportato il modello prima di affidarti alle proiezioni future.
Che cosa succede nei mercati molto volatili? L’accuratezza in genere diminuisce all’aumentare della volatilità, e questo si riflette sia nei valori di accuratezza storica sia nell’allargamento della banda di confidenza. È atteso ed è visibile all’utente.
Le opinioni degli analisti sono incluse nella previsione? No. La previsione è interamente guidata dai dati. I report degli analisti sono pubblicati accanto all’output del modello ma restano separati, così puoi confrontare entrambe le prospettive.
La direzione conta più del prezzo esatto? Nella maggior parte delle decisioni di acquisto, sì. Anche quando il livello esatto di prezzo non è previsto alla perfezione, azzeccare la direzione è spesso ciò che determina se comprare adesso o rimandare.
