Indicatore Shannon Entropy: formula, impostazioni e lettura
Shannon Entropy misura quanto sono dispersi i rendimenti recenti, espressa in bit. Senzoukria discretizza gli ultimi N rendimenti in classi di uguale ampiezza che coprono il range della finestra stessa e calcola l'entropia di quella distribuzione, compresa tra 0 e il logaritmo in base 2 del numero di classi.
Senzoukria · Indicatori · Updated September 2026
Shannon Entropy — Volatilità, in un pannello separato sotto il grafico.
Che cosa misura Shannon Entropy
L'ampiezza delle classi è il range della finestra (rendimento massimo meno rendimento minimo) diviso per il numero di classi, quindi la scala viene dai dati anziché da soglie fisse in tick, il che rende il valore confrontabile tra strumenti. Ogni rendimento cade in una classe, i conteggi diventano probabilità e l'entropia viene calcolata con logaritmi in base 2. Con il default di 8 classi la lettura massima possibile è 3 bit, raggiunta quando i rendimenti si distribuiscono in modo uniforme su tutte le classi; un valore vicino a zero significa che quasi tutti i rendimenti sono finiti in una sola classe. Il massimo della finestra, che altrimenti cadrebbe in una classe oltre l'ultima, viene ricondotto nell'ultima classe, secondo la consueta convenzione chiusa a destra. Una finestra in cui tutti i rendimenti sono identici non restituisce alcun valore, perché i bordi delle classi non sono allora definiti e riportare zero bit affermerebbe un risultato su una suddivisione che non esiste.
La formula, così come è implementata
Non è la definizione consueta altrove: è ciò che calcola il codice distribuito, documentato accanto alla sua implementazione:
Entropie de Shannon des N derniers rendements, discrétisés en B paniers de LARGEUR ÉGALE sur l'étendue de la fenêtre, résultat en BITS : largeur = (max − min)/B ; panier(r) = min(B−1, ⌊(r − min)/(max−min)·B⌋) p_b = compte_b / N ; H = −Σ_b p_b · log₂ p_b (p_b = 0 ignoré) Bornes : H ∈ [0, log₂B] — 3 bits au maximum avec le défaut B=8. Lecture : H proche du max = rendements étalés/imprévisibles ; H bas = régime concentré (le marché fait toujours le même pas). Paniers sur l'ÉTENDUE de la fenêtre (pas des bornes fixes en ticks) : la mesure devient sans échelle, comparable entre MNQ et 6E — c'est aussi ce qui la rend insensible au tick size, que la famille ne consomme pas. Le max de la fenêtre tomberait sur le panier B (hors tableau) : il est rabattu sur B−1, la convention habituelle du binning à droite fermée. Fenêtre CONSTANTE (max == min) → null : les bornes des paniers sont indéfinies (0/0) et « 0 bit » serait déduit d'un binning qui n'existe pas — règle du catalogue, dénominateur nul → null. Défauts B=8, N=50.
Come leggerlo
- Una lettura vicina al tetto (3 bit con le impostazioni predefinite) descrive rendimenti sparsi su tutto il range osservato: il mercato non ripete lo stesso passo.
- Una lettura bassa descrive un regime concentrato in cui la maggior parte delle barre produce un rendimento simile, il che accade sia in un range tranquillo sia in un trend regolare e meccanico.
- Il valore è relativo agli estremi della finestra stessa, quindi l'entropia può essere alta in una fase calma e bassa in una violenta. Leggila come una misura di forma, non come un livello di volatilità.
- Una discesa da vicino al tetto a una lettura bassa segnala un cambiamento nel modo in cui i rendimenti si distribuiscono; il livello assoluto, da solo, dipende dal numero di classi scelto.
- Abbinala a una misura di scala come l'ATR % quando ti serve sapere se quella distribuzione riguarda movimenti grandi o piccoli.
Parametri e valori predefiniti
Il numero di classi è 8 di default e accetta da 2 a 64, il che fissa il tetto al logaritmo in base 2 del conteggio, cioè 3 bit di default. Più classi rendono la stima più fine ma più rumorosa, perché ogni classe contiene meno campioni. La finestra è di 50 rendimenti di default e accetta da 2 a 1000; mantienila ben più ampia del numero di classi, altrimenti la maggior parte delle classi resta vuota e il risultato è dominato dal rumore di campionamento anziché dal comportamento del mercato.
| Parametro | Tipo | Predefinito | Intervallo |
|---|---|---|---|
| Bins | number | 8 | 2 – 64 |
| Window | number | 50 | 2 – 1000 |
Ciò che non mostra
L'entropia è indipendente dalla scala per costruzione, quindi non può dire se i movimenti sono grandi o piccoli: quell'informazione viene eliminata quando le classi vengono adattate al range della finestra. Ignora completamente l'ordine dei rendimenti: una finestra rimescolata dà lo stesso valore, il che significa che un trend e una fase laterale composti dagli stessi rendimenti possono avere la stessa lettura. La stima dipende dal rapporto tra campioni e classi, quindi una configurazione 50/8 non si può confrontare con una 200/32. E una finestra costante non produce nulla, il che appare come un buco nel pannello e non come uno zero.
Indicatori correlati
- True Range — Volatilità
- Std Dev — Volatilità
- Squeeze — Volatilità
- Chaikin Volatility — Volatilità
- Realized Vol — Volatilità
- Skewness — Volatilità
Questa pagina in altre lingue
Frequently asked questions
- Cosa misura l'entropia di Shannon su un grafico di prezzo?
- Misura quanto uniformemente i rendimenti recenti si distribuiscono su un insieme di classi di uguale ampiezza adattate al range della finestra. Un valore alto significa che si sono verificati rendimenti di molte dimensioni diverse; un valore basso significa che la maggior parte delle barre ha prodotto un rendimento simile. Descrive la forma della distribuzione dei rendimenti, non la loro ampiezza né la loro direzione.
- Qual è il valore massimo dell'indicatore di entropia?
- Il logaritmo in base 2 del numero di classi. Con il default di 8 classi il massimo è 3 bit, raggiunto solo quando ogni classe contiene lo stesso numero di rendimenti. Aumentare il numero di classi alza il tetto (16 classi danno 4 bit), quindi letture ottenute con numeri di classi diversi non sono direttamente confrontabili.
- Quante classi dovrebbe usare l'indicatore di entropia?
- Il default è di 8 classi su una finestra di 50 rendimenti, il che lascia in media qualche campione per classe. Aumentare il numero di classi affina la risoluzione ma distribuisce gli stessi rendimenti in modo più rado, quindi la stima diventa più rumorosa. Mantieni la finestra ben più ampia del numero di classi e confronta le letture solo tra grafici con impostazioni identiche.