Zamyšlení autora k nově publikovanému vědeckému článku

Když ve výzkumu algoritmického obchodování narazíte na strategii s vynikajícím Sharpe ratiem a stabilní výnosovou křivkou, instinktivně přemýšlíte: „Co tuhle strategii dělá lepší než ostatní?“ Standardní odpovědi se točí kolem indikátorů, feature engineeringu nebo zvoleného modelu. Existuje ale skrytý faktor, kterému se v retail světě nikdo nevěnuje – a často právě on rozhoduje o tom, jestli vaše čísla odráží skutečnou predikční výhodu, nebo jen maskovanou expozici na tržní trend.

Tento faktor se jmenuje systematický bias predikčních modelů. A je to jedno z hlavních témat naší výzkumné práce, kterou v Prisma Forex a v rámci doktorského studia rozvíjím.

Co je predikční bias

Predikční bias je tendence modelu systematicky preferovat jeden směr predikce nad druhým. V kontextu directional trading systémů se projevuje jako asymetrie v poměru long vs. short signálů.

Pokud váš model generuje za rok 700 long signálů a 300 short signálů, máte výrazný upward bias. Pokud má vyrovnaný poměr (např. 510 long vs. 490 short), je směrově neutrální.

V čem je problém: pokud tržní trend v testovacím období byl vzhůru, model s long biasem ukazuje vysoké výnosy – ale ne kvůli své predikční schopnosti, nýbrž kvůli tomu, že jednoduše obchodoval ve směru trendu. V budoucnu se tato „výhoda“ může obrátit proti vám.

Jak bias v modelech vzniká

Bias není známka nedbalosti vývojáře. Vzniká z několika strukturálních důvodů, které jsou ve standardních ML pipelinech těžko viditelné:

1. Asymetrie v trénovacích datech

Pokud trénovací období obsahovalo víc rostoucích dní než klesajících, model se „naučí“, že stoupání je častější. Když dostane nejistý signál, defaultně se přikloní k long predikci.

2. Loss funkce nepenalizující bias

Klasické loss funkce (cross-entropy, MSE) měří jen přesnost, nikoli směrovou symetrii. Pokud model dosáhne 60% přesnosti s 80% long predikcemi, klasická loss to vyhodnotí jako dobrý výsledek. Skutečnost je ale, že model je nebezpečně asymetrický.

3. Feature selection metody

Jedním z překvapivých zjištění naší výzkumné práce bylo, že klasické feature selection metody systematicky vybírají features korelované s jedním směrem. Algoritmus typu FSA (Feature Selection with Annealing) ve své původní podobě generoval v našich testech bias 0,544 (tj. 54,4 % UP, 45,6 % DOWN).

To není drobnost. Implikuje to strukturální problém v samotné metodě výběru proměnných, ne v konkrétním modelu.

4. Optimalizace na in-sample Sharpe

Pokud strategii laděte na maximalizaci Sharpe ratia v období se silným trendem, model „pochopí“, že trendové signály se vyplácejí. Tím se učí přesně to, co chcete eliminovat – závislost na konkrétním režimu.

Proč je bias nebezpečný

Bias maskuje skutečnou výhodu

Strategie s vysokým biasem může mít skvělé výsledky v období, které odpovídá jejímu směru, a katastrofální výsledky v opačném období. Vy ale máte k dispozici jen historická data. Pokud byla převážně v jednom režimu, strategie vám vypadá jako genius.

Bez explicitní bias diagnostiky neumíte odlišit predikční schopnost od trendové expozice.

Bias zhoršuje risk-adjusted výnos

Když strategie obchoduje 80 % long, váš účet je silně exponován na pokles trhu. Drawdowny v poklesech jsou hlubší, recovery time delší. Sharpe ratio v dlouhodobém horizontu klesá.

Bias rozbíjí portfolio diversifikaci

Pokud máte v portfoliu několik strategií s podobným biasem (např. všechny preferují long), všechny drawdownují současně při poklesu trhu. Místo diversifikace máte iluzi diversifikace.

Bias se kumuluje napříč pozicemi

Pokud robot obchoduje 10 měnových párů, každý s mírným biasem, vaše celková expozice na trend je významně větší, než by se zdálo z jednotlivých systémů.

Jak bias měřit

V naší práci publikované v MDPI Metrics jsme zavedli metriku BiasDev (bias deviation):

BiasDev = (N_long - N_short) / N_total

Kde:

• N_long je počet long obchodů v evaluačním období
• N_short je počet short obchodů
• N_total je celkový počet obchodů

Hodnota leží v intervalu [-1, +1]:

• 0 = perfektní směrová symetrie
• +1 = jen long obchody
• -1 = jen short obchody

Naše empirická doporučení:

BiasDev	Hodnocení
< ±0,05	Vynikající směrová neutralita
±0,05 – ±0,15	Akceptovatelné
±0,15 – ±0,30	Výstražný signál, audit potřebný
> ±0,30	Strategie pravděpodobně trendová, ne predikční

Jak bias korigovat: BFSA framework

Naše práce na Bias-Corrected Feature Selection with Annealing (BFSA) představuje konkrétní řešení tohoto problému. Klíčová myšlenka je integrovat bias penalty přímo do procesu výběru příznaků:

J(S) = Sharpe(S) - λ × |BiasDev(S)|

Kde:

• S je kandidátní podmnožina příznaků
• Sharpe(S) je net Sharpe ratio strategie postavené na těchto příznacích
• BiasDev(S) je bias deviation v evaluačním okně
• λ ≥ 0 je penalizační koeficient

Tato formulace je strukturálně odlišná od standardních přístupů. Bias není testován až po dokončení modelu (kdy už je pozdě), ale aktivně řízen v průběhu výběru proměnných. Algoritmus pak nevybere features, které generují asymetrické predikce, i kdyby byly v krátkém horizontu zdánlivě výnosnější.

V našich empirických testech (publikovaných v MDPI Metrics na 14 likvidních FX párech) BFSA dosáhl:

• Snížení bias z 0,544 na 0,501 (téměř dokonalá symetrie)
• Zachování predikční přesnosti (F1 score nepokleslo)
• 57% zlepšení Sharpe ratia v risk-adjusted výnosech
• Portfolio Sharpe přes 2 napříč všemi obchodovanými páry

To není teoretické zlepšení. Je to konkrétní obchodní výhoda.

Praktický postup pro vaše vlastní systémy

Pokud používáte automatický obchodní systém, doporučujeme tento postup pro audit biasu:

Krok 1: Spočítejte BiasDev historických obchodů

Vezměte všechny obchody vašeho systému za poslední rok. Spočítejte:

• N_long = počet long obchodů
• N_short = počet short obchodů
• BiasDev = (N_long - N_short) / (N_long + N_short)

Krok 2: Vyhodnoťte výsledek

Pokud je BiasDev v zóně rizika (větší než ±0,15), pokračujte v auditu.

Krok 3: Validujte v různých režimech

Spustte strategii na historických datech z různých tržních režimů:

• Bull market (např. 2020–2021)
• Bear market (např. 2008, 2022)
• Sideways market (např. 2015)

Pokud strategie dramaticky selhává v opačném režimu, máte trendovou závislost, ne predikční schopnost.

Krok 4: Aplikujte bias korekci

Pokud váš systém neposkytuje vestavěnou bias correction, můžete experimentovat s:

• Re-weighting trénovacích dat směrem k vyvážené distribuci.
• Class-balanced loss funkcí s penalty za asymetrii.
• Post-processing kalibrací – posuv rozhodovacího prahu tak, aby výsledný směrový poměr byl symetrický.
• Bias-aware feature selection (jako BFSA).

Krok 5: Re-validujte

Po aplikaci korekce opět spustte na všech tržních režimech. Korigovaný systém by měl mít stabilnější výkon napříč režimy, nikoli dramaticky zlepšený výnos v jednom z nich.

Časté omyly o biasu

Omyl 1: „Trh stoupá, takže long bias je v pořádku“

Nikoliv. Trh historicky stoupá zhruba 55 % dní – ne 80 %. Pokud váš model predikuje 80 % long, má bias, který nezachycuje skutečné distribuce výnosů.

Omyl 2: „Můj Sharpe je vysoký, takže bias nevadí“

Nesouhlasím. Vysoký Sharpe v období příznivém pro váš směr může být úplně jiný v období opačném. Bias = skryté riziko.

Omyl 3: „Long bias je rozumný, krátké pozice jsou rizikové“

Toto je psychologická chyba. Statisticky není short rizikovější než long. Riziko vychází z velikosti pozice a stop-lossu, ne ze směru.

Omyl 4: „Bias je akademický koncept, v praxi nezáleží“

Naše empirické výsledky ukazují opak. 57% zlepšení Sharpe ratia dosažené pouze bias korekcí je velmi praktický výsledek.

Bias v kontextu širšího výzkumu

Naše práce na BFSA je součástí širšího hnutí směrem k fairness-aware machine learning. V sociálních aplikacích (úvěrové rozhodování, najímání, prediktivní policejní práce) je fairness etickým imperativem. V tradingu je to ekonomický imperativ – neutralita rozhodování zlepšuje robustnost a stabilitu.

Tento paralelizmus mezi ML fairness a finančním tradingem je oblastí, která je v literatuře zatím podceněná. V našem doktorském výzkumu na VŠFS pod vedením doc. Lanského tento most aktivně rozvíjíme.

Závěrem

Bias v predikčních modelech je neviditelný protihráč každého algoritmického obchodníka. Není to chyba, kterou byste museli udělat – je to strukturální vlastnost klasických ML přístupů, kterou musíte aktivně řešit.

Pokud váš automatický obchodní systém neměří a nekoriguje bias, máte v účtu skrytou expozici, o které nevíte. V příznivém režimu to vypadá jako predikční genius. V opačném režimu je to bolestivé probuzení.

Naše doporučení v Prisma Forex je jasné:

1. Měřte bias. Vždy. U každého systému.
2. Pokud detekujete bias, korigujte ho. Existují metody, které fungují.
3. Validujte napříč režimy. Tržní směr není konstanta.
4. Vyhodnocujte ekonomicky, ne jen statisticky. Sharpe, drawdown, recovery time – ne jen F1.

Skrytý nepřítel nezůstane skrytý navždy. Jediná otázka je, kdy ho objevíte – při auditu vlastního systému, nebo až při bolestivém drawdownu na živém účtu.

A v algoritmickém obchodování platí jedno staré pravidlo: co umíte měřit, to umíte řídit. Bias toho není výjimkou.

---

Pokud vás téma zajímá hlouběji, podívejte se na naše publikace v Acta Informatica Pragensia, MDPI Metrics a sborníku VŠFS. Nebo mě kontaktujte na LinkedIn.