Automatizované obchodování není jen o hledání vstupů do trhu a maximalizaci výnosu. Stejně důležitou součástí každé dlouhodobě udržitelné strategie je řízení rizika. Právě způsob, jakým systém reaguje na nepříznivý vývoj trhu, rostoucí expozici nebo zhoršující se stav obchodního účtu, často rozhoduje o tom, zda dokáže překonat období zvýšené volatility.

Prisma robot proto nevnímá risk management jako jeden pevně nastavený limit. Řízení rizika je součástí samotného algoritmu a probíhá průběžně po celou dobu, kdy jsou na účtu otevřené pozice.

Riziko se v čase mění

Jednou z častých chyb při automatickém obchodování je předpoklad, že riziko je možné určit pouze při otevření obchodu.

Ve skutečnosti se ale situace průběžně mění. Cena se pohybuje, mění se hodnota otevřených pozic, equity účtu, využití marže i aktuální tržní podmínky. Strategie, která na tyto změny nereaguje, může v různých fázích trhu pracovat s výrazně odlišnou úrovní skutečného rizika.

Prisma robot proto průběžně vyhodnocuje stav otevřeného obchodního cyklu a podle jeho vývoje může upravovat další postup.

Cílem není předpovídat každý pohyb trhu. Cílem je přizpůsobovat chování systému tomu, jak se vyvíjí jeho aktuální expozice.

Průběžné sledování maržového zatížení

Jedním z důležitých ukazatelů je vztah mezi aktuální hodnotou účtu a marží potřebnou pro otevřené pozice.

Systém sleduje, jak velkou rezervu má účet vzhledem k aktuální expozici. Pokud se tato rezerva snižuje, znamená to, že otevřené pozice představují pro účet větší zatížení než v běžné situaci.

V takovém případě není logické pokračovat úplně stejným způsobem jako za standardních podmínek.

Prisma proto používá víceúrovňový přístup. Při zhoršení maržové situace může systém změnit své další chování a upřednostnit snížení zatížení účtu před snahou dosáhnout původně plánovaného výnosu.

Tento princip považujeme za důležitý zejména v období prudkých pohybů trhu, kdy může být rychlost změny expozice výrazně vyšší než za běžných podmínek.

Adaptivní řízení cílového zisku

Standardní obchodní strategie často pracují s pevně definovaným cílem. To je jednoduché, ale nemusí být vždy optimální.

Představme si situaci, kdy je účet zatížen pouze minimálně. V takovém případě může mít strategie dostatek prostoru čekat na standardní ukončení obchodního cyklu.

Pokud se ale tržní podmínky zhorší a maržová rezerva se začne snižovat, může být efektivnější přijmout menší výsledek a snížit otevřenou expozici.

Prisma proto dokáže svůj požadavek na ukončení obchodního cyklu přizpůsobovat aktuálnímu stavu účtu.

Jinými slovy: systém nemusí za každou cenu čekat na stejnou úroveň zisku bez ohledu na okolnosti.

V situaci, kdy se riziko zvyšuje, může být prioritou především uvolnění části kapitálu a návrat účtu do komfortnějšího stavu.

Reakce na rostoucí drawdown

Dalším důležitým ukazatelem je drawdown.

Samotná existence drawdownu je při obchodování přirozená. Každá strategie prochází obdobími, kdy se otevřené pozice pohybují proti očekávanému směru.

Podstatné ale je, jak systém na takovou situaci reaguje.

Prisma dokáže rozlišovat mezi běžným průběhem obchodního cyklu a situací, kdy se ztrátová odchylka začíná zvětšovat.

Při zvýšeném drawdownu může algoritmus změnit tempo dalšího navyšování expozice.

To je důležitý rozdíl oproti jednoduchým mechanickým strategiím, které za všech podmínek používají stejnou intenzitu obchodování.

Cílem adaptivního přístupu je zabránit tomu, aby rostoucí riziko automaticky vedlo ke stále rychlejšímu růstu expozice.

Hedging jako součást řízení expozice

Součástí obchodní architektury Prisma jsou také protisměrné pozice.

Je důležité zdůraznit, že hedging není zárukou proti ztrátě a není jeho účelem „zastavit“ riziko.

Jeho význam spočívá především v řízení čisté směrové expozice obchodního cyklu.

V určitých situacích mohou protisměrné pozice pomoci snížit citlivost celého portfolia otevřených obchodů na pokračování jednoho silného pohybu trhu.

Prisma proto pracuje nejen s jednotlivými pozicemi, ale především s výsledkem celé obchodní série.

Z pohledu risk managementu je totiž důležitější celkový stav portfolia než zisk nebo ztráta jednoho konkrétního obchodu.

Strategie pracuje s obchodním cyklem jako celkem

To je jeden ze základních principů systému, Prisma neposuzuje každý obchod izolovaně.

Otevřené pozice tvoří společný obchodní celek a algoritmus průběžně sleduje jeho agregovaný výsledek.

Rozhodování tak není založeno pouze na tom, zda je konkrétní pozice právě v zisku nebo ve ztrátě. Důležitý je celkový výsledek, čistá expozice a aktuální zatížení účtu.

To umožňuje strategii pracovat s rizikem na úrovni celého portfolia otevřených pozic.

Kontrola tržních podmínek

Řízení rizika se netýká pouze velikosti pozic a marže.

Významnou roli hraje také kvalita samotných podmínek, za kterých se obchod provádí.

Jedním z parametrů, které systém sleduje, je spread.

Při zvýšené volatilitě, nízké likviditě nebo během některých mimořádných tržních situací může spread výrazně vzrůst. Otevření obchodu za takových podmínek může znamenat výrazně horší vstupní cenu a zvýšené transakční náklady.

Prisma proto dokáže nevstupovat do nových obchodů v případě, že jsou aktuální transakční podmínky mimo předem definované parametry.

Samostatně je kontrolována také situace při uzavírání pozic.

Oddělení výnosové a rizikové logiky

Důležitou vlastností systému je, že risk management není pouze doplňkem obchodní strategie.

Je integrován přímo do způsobu, jakým algoritmus spravuje otevřenou expozici.

To znamená, že rozhodnutí systému nejsou založena pouze na otázce:

„Kde můžeme vydělat?“

Stejně důležitá je otázka:

„Jak se změnilo riziko účtu a je stále vhodné pokračovat stejným způsobem?“

Právě schopnost měnit své chování v závislosti na aktuálním stavu trhu a účtu považujeme za jeden ze základních principů robustního automatizovaného systému.

Risk management není způsob, jak riziko odstranit

Je důležité zdůraznit, že žádný algoritmus nedokáže odstranit tržní riziko.

Forexové obchodování je spojeno s využíváním pákového efektu a může vést ke ztrátě části nebo celého investovaného kapitálu.

Úkolem risk managementu proto není slibovat, že ke ztrátě nemůže dojít.

Jeho úkolem je především identifikovat situace, kdy se rizikový profil obchodního účtu zhoršuje, a přizpůsobit tomu další chování strategie.

Prisma proto pracuje s několika vzájemně propojenými mechanismy, které reagují na vývoj drawdownu, maržového zatížení, agregované expozice a aktuálních podmínek na trhu.

Proč nepoužíváme pouze jeden jednoduchý limit

Finanční trhy jsou dynamické.

Stejný absolutní pohyb ceny může mít jiný dopad na účet v závislosti na velikosti expozice, počtu otevřených pozic, aktuálním equity a dalších faktorech.

Používat pouze jeden pevný limit by proto znamenalo ignorovat velkou část informací o skutečném stavu účtu.

Prisma používá víceúrovňový přístup.

Jednotlivé ochranné mechanismy se vzájemně doplňují a jejich úkolem je reagovat na různé fáze obchodního cyklu.

Některé mechanismy se zaměřují na vstupní podmínky, jiné na vývoj otevřené expozice a další na situace, kdy se maržová rezerva dostává pod zvýšený tlak.

Technologie místo emocí

Jednou z hlavních výhod automatizovaného risk managementu je konzistence.

Manuální obchodník může ve stresové situaci změnit svůj plán, začít improvizovat nebo naopak nečinně čekat na návrat trhu.

Algoritmus emoce nemá.

Řídí se předem definovanými pravidly a stejnou situaci vyhodnocuje stále stejným způsobem.

To samo o sobě nezaručuje ziskovost, ale umožňuje pracovat s rizikem systematicky a opakovatelně.

A právě tato disciplína je podle nás jedním z hlavních důvodů, proč dává automatizace v oblasti risk managementu smysl.

Proč využít Prismu a jak pracujeme s rizikem?

Risk management Prisma není založen na jediném stop-lossu nebo jednom jednoduchém pravidle.

Systém průběžně pracuje s několika vrstvami ochrany a sleduje především:

• vývoj celkové otevřené expozice,
• aktuální drawdown,
• maržové zatížení účtu,
• agregovaný výsledek obchodního cyklu,
• potřebu upravit požadovaný výsledek při zvýšeném riziku,
• intenzitu dalšího navyšování expozice,
• využití protisměrných pozic,
• a aktuální transakční podmínky na trhu.

Přesné parametry a interní logika algoritmu jsou součástí proprietární technologie Prisma. Základní princip je ale jednoduchý: strategie se nesnaží pouze hledat příležitosti k výnosu. Současně průběžně vyhodnocuje, zda se nezměnilo riziko účtu, a podle toho dokáže upravit své další chování.

Řízení rizika nemůže zabránit všem ztrátám. Může však pomoci zabránit tomu, aby se algoritmus v mimořádné situaci choval stejně jako za standardních tržních podmínek.

Článek Jak Prisma robot řídí riziko při automatickém obchodování se nejdříve objevil na Forex robot Prisma.

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:

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.

Článek Bias v predikčních modelech – skrytý nepřítel algoritmického obchodníka se nejdříve objevil na Forex robot Prisma.

Tento článek je významným krokem v naší výzkumné agendě BFSA (Bias-Corrected Feature Selection with Annealing). Po našem dřívějším článku v Acta Informatica Pragensia a předběžné práci na VŠFS je tato publikace první rigorózní empirickou evaluací BFSA na vícenásobném FX trhu pod realistickými obchodními podmínkami.

Výzkumná otázka

Práce odpovídá na dvě konkrétní otázky:

RQ1: Může bias-corrected výběr příznaků zlepšit obchodovatelný next-day FX výkon pod realistickými nákladovými omezeními?

RQ2: Jak se tento výkon mění, když se predikční horizont prodlouží na 2 a 3 dny?

Otázky jsou formulovány záměrně – kladou důraz na ekonomický výkon, robustnost a závislost na horizontu, nikoliv na izolovanou prediktivní přesnost.

Metodologie

Empirická analýza pokrývá 14 likvidních FX párů (7 majoritních a 7 minoritních), s denními daty. Hlavní metodologické pilíře:

1. Bias-Corrected Feature Selection with Annealing (BFSA)

Wrapper metoda využívající simulované žíhání přes prostor podmnožin příznaků. Klíčová inovace je v účelové funkci:

J(S) = Sharpe_train_net(S) - λ × |BiasDev_train(S)|

Kde:

• Sharpe_train_net(S) je net Sharpe ratio v trénovacím okně po odečtení transakčních nákladů.
• BiasDev(S) je odchylka mezi počtem long a short obchodů, normalizovaná celkovým počtem.
• λ ≥ 0 kontroluje sílu bias penalty.

Tato formulace explicitně integruje směrovou neutralitu do procesu výběru, ne až jako post-hoc diagnostiku.

2. Fixní varianta BFSA-Fixed

Vedle adaptivní varianty jsme zavedli BFSA-Fixed s pevně nastaveným penaltovým parametrem. To umožňuje vyhodnotit, zda zlepšení vychází z bias correction jako principu, ne z laděného parametru.

3. Walk-Forward struktura

Veškerá evaluace probíhá v striktně časově respektujícím režimu rolling walk-forward:

• Trénovací okno: 24 měsíců
• Validační okno: 6 měsíců
• Testovací okno: 6 měsíců
• Posun: 6 měsíců

Tato struktura zaručuje, že žádný výsledek není kontaminován leakage z budoucích dat.

4. Realistické transakční náklady

Všechny výsledky jsou net – po odečtení spreadů a komisí podle reálných specifikací likvidních FX brokerů. Akademická kosmetika v podobě nulových nákladů by nedávala smysluplný odhad praktického výkonu.

Klíčové výsledky

Pro H = 1 (next-day predikce)

BFSA-Fixed dosahuje:

• Pair-level Sharpe ratio 1 až 2+ napříč obchodovanými páry
• Anualizované net výnosy 15 až 30 %
• Win rate 55 až 60 %
• Kontrolované drawdowny
• Portfolio Sharpe ratio přes 2

Tyto výsledky jsou statisticky a ekonomicky významné. Důležitější než samotná čísla je ale konzistence napříč páry – BFSA neukazuje výnos jen na jednom „šťastném“ páru, ale stabilně napříč širším univerzem.

Pro H = 2 a H = 3 (delší horizont)

Výkon se rapidně rozkládá:

• Sharpe ratios se stávají negativními
• Kumulativní výnosy se sploštují a klesají do negativních hodnot

Toto je konzistentní s teorií efektivních trhů a s rychlým rozkladem informace na delším horizontu. Místo aby šlo o slabinu modelu, je to silný diagnostický signál – pokud by BFSA generoval výnos i na delších horizontech bez jasné struktury, byl by to spíše varovný signál data-miningu.

Co tato práce reálně dokazuje

1. Bias correction má ekonomický význam

Hodnota není v statistické přesnosti, ale v risk-adjusted výkonu. BFSA-Fixed nepřináší vyšší prediktivní přesnost než klasické metody, ale vyšší a stabilnější Sharpe ratio.

2. Short-horizon FX je tradeable

Navzdory široce akceptované efektivnosti FX trhů, na denním horizontu existuje obchodovatelná predikce, pokud je správně izolována od bias a overfittingu.

3. Horizon decay je důkaz konsistence

Rychlý rozklad výkonu na delších horizontech je vlastnost, ne chyba. Strategie respektující informační dynamiku trhu by se měla chovat přesně takto.

4. Feature selection je strukturální kontrola

Naše práce ukazuje, že výběr příznaků není jen statistická redukce dimenzionality, ale kontrolní mechanismus pro celý obchodní systém. Bias-aware selection drží směrovou neutralitu, kontroluje turnover, a stabilizuje výkon napříč režimy.

Metodologické přínosy

Vedle praktických výsledků práce přináší několik metodologických kontribucí:

1. Formální definice bias penalty v selection objektivní funkci.
2. Eksplicitní algoritmus pro walk-forward implementaci BFSA.
3. Robustní evaluační framework kombinující ekonomické metriky, bias diagnostiku a stabilitu napříč aktivy.
4. Otevřené srovnání s baseline metodami: klasická FSA, LASSO, Random Forest, XGBoost.

Tento poslední bod je důležitý: BFSA musí překonat ne jen jeden baseline, ale rozumnou kohortu konkurenčních metod. To je standard, který v některé starší literatuře chybí.

Implikace pro algoritmické obchodování

Pro praktiky

• Bias je reálný problém. Pokud používáte ML pro generování signálů, validujte bias svých modelů.
• Sharpe není všechno, ale je nejvíc. Klasifikační přesnost vás může klamat.
• Short-horizon trading je obchodovatelný, ale jen s disciplinovaným designem.

Pro výzkumníky

• Walk-forward + realistické náklady jsou nepřekročitelné standardy.
• Cross-asset evaluace je důležitější než „skvělý výsledek na jednom páru“.
• Distribuční diagnostika je informativnější než aritmetický průměr.

Pro regulátory a compliance

• Bias-aware metody poskytují přirozený základ pro auditovatelnost AI obchodních systémů – směrová neutralita je kvantifikovatelná a kontrolovatelná.

Cesta dál

Tato práce není finál. Náš výzkumný program pokračuje:

• Rozšíření na futures markets s adaptací BFSA pro nelineární trhy (článek v přípravě).
• Adaptive BFSA s dynamicky laděným λ podle tržního režimu.
• Cross-asset BFSA napříč FX, akciemi, komoditami současně.
• Multi-horizon framework s explicitním modelováním informačního rozkladu.

Citace

Jukl, D., & Lansky, J. (2026). Bias-Corrected Feature Selection for Short-Horizon FX Trading: Evidence from Liquid Currency Pairs. Metrics, 3(1), 6. DOI: 10.3390/metrics3010006 Open-access: https://www.mdpi.com/3042-5042/3/1/6

Závěrem

Velmi děkuji svému spoluautorovi a školiteli doc. Ing. Janu Lanskému, Ph.D. za vedení této práce, recenzentům za poctivé komentáře a redakci MDPI Metrics za rychlé a profesionální zpracování. Open-access publikace umožňuje, aby naše výsledky byly plně dostupné komunitě – akademické i praktické.

Pokud vás práce zajímá hlouběji nebo máte konkrétní dotaz k metodologii, neváhejte mě kontaktovat na LinkedInu. Reakce z komunity je pro nás nejcennějším zdrojem pro další iterace výzkumu.

Tato práce je součástí mé doktorské dizertace na Vysoké škole finanční a správní (VŠFS) v Praze pod vedením doc. Ing. Jana Lanského, Ph.D.

Článek Náš nový článek v MDPI Metrics: BFSA pro krátkohorizontové FX obchodování se nejdříve objevil na Forex robot Prisma.

Tržní prostředí v roce 2025

Volatilita: rozdělená do dvou fází

Letošní rok jasně ukázal, jak důležité je rozlišovat tržní režimy. První polovina roku se vyznačovala nízkou volatilitou a sideways pohyby majoritních párů (EUR/USD, GBP/USD), což ztěžovalo život trend-following systémům. Druhá polovina přinesla několik výrazných epizod (geopolitická rizika, energetické šoky, prudké pohyby JPY), které naopak nahrávaly volatilitě a momentum strategiím.

To je důležitá lekce: žádná strategie nefunguje ve všech režimech. Diverzifikace mezi přístupy je v dlouhém horizontu robustnější než snaha najít „nejlepší“ jednu strategii.

Korelace mezi měnovými páry

V roce 2025 jsme znovu viděli, že korelace mezi majoritními páry nejsou stabilní. EUR/USD a GBP/USD obvykle korelují vysoko, ale v některých obdobích – zejména okolo zasedání BoE a ECB – se vztah dočasně rozpadne. Pro automatizované systémy obchodující více párů to znamená, že statické korelační modely jsou nedostatečné.

Technologické trendy

LLM a generativní AI v tradingu

Jasný trend roku: integrace velkých jazykových modelů (LLM) do trading workflow. Použití zahrnuje:

• Sentiment analýzu ekonomických zpráv a centrobankových komuniké.
• Strukturovanou extrakci dat z výročních zpráv firem.
• Asistivní analytiku pro interpretaci tržních signálů.

Důležité upozornění: LLM nejsou predikční nástroj sám o sobě. Slouží jako vrstva pro zpracování nestrukturovaných dat, nikoli jako trader. Pokus o „kupování LLM signálů“ v retail kontextu zatím nevedl k systematicky dobrým výsledkům.

Sofistikované backtest nástroje

V Prisma Forex jsme letos posílili infrastrukturu pro walk-forward analýzu napříč desítkami aktiv. Co dříve trvalo dny ručního zpracování, dnes proběhne automaticky přes noc. Tento posun se týká celého oboru – vstupní bariéra pro kvalitní výzkum se snižuje.

Cloud computing zlevňuje experimentování

Spuštění tisíců paralelních backtest scénářů je dnes otázkou desítek dolarů na cloudu, ne investice do dedikované infrastruktury. To otevírá dveře robustnějším statistickým analýzám i pro menší týmy.

Regulační posuny

Rok 2025 přinesl několik klíčových regulatorních témat:

• EU AI Act – nabývá platnosti postupně, s implikacemi pro AI-based trading systémy.
• MiFID II revize – pokračující diskuse o transparentnosti algoritmického obchodování.
• RTS 6 – stále aktuální standard pro algoritmické systémy v EU regulovaných subjektech.
• Posun k auditovatelnosti – tlak na to, aby AI rozhodování bylo vysvětlitelné.

Pro retail obchodníky to znamená především vyšší standardy průhlednosti od jejich brokerů a pravděpodobně postupné omezení některých agresivních produktů. Pro profesionální nasazení AI v algoritmickém obchodování přicházejí nové compliance povinnosti.

Co se osvědčilo: lekce z roku

1. Bias correction přináší rozdíl

Naše vlastní výzkumná práce v rámci doktorského studia na VŠFS opakovaně potvrdila, že explicitní korekce směrového biasu zlepšuje risk-adjusted výnos, aniž by zhoršila prediktivní přesnost. Toto je téma, které v širší literatuře zatím není dostatečně etablované, ale v praxi má významný dopad.

2. Jednoduché modely vyhrávají

Komplexní deep learning modely v našich testech opakovaně prohrávaly s LASSO a Random Forest na finančních datech. Důvod: nízký poměr signál/šum a nestacionarita. Komplexita zde není ctnost.

3. Walk-forward je nepřekročitelný standard

Backtest bez walk-forward struktury jsme v Prisma Forex letos zcela přestali považovat za relevantní. Žádná strategie nejde do živého nasazení, dokud projde robustním out-of-sample testem.

4. Diverzifikace přes strategie a aktiva

V roce 2025 některé naše strategie měly výborné měsíce, jiné slabé. Kombinovaný profil byl ale konzistentní. To je důkaz, proč single-strategy přístup je rizikový a portfolio strategií robustnější.

Co se neukázalo (zatím)

Některé hype technologie zatím v retail tradingu nepřinesly očekávanou výhodu:

• Reinforcement learning v retail kontextu zatím nemá průlomovou aplikaci.
• Sentiment trading jako primární signál nepřináší konzistentní výhodu.
• GPT-based „obchodní agenti“ – zatím spíš zajímavá demonstrace, než reálně použitelný produkt.
• Auto-ML pipeliny často generují strategie s mizerným out-of-sample výsledkem.

Nehledá se tedy nový hype. Hledá se to, co funguje.

Pohled na rok 2026

Co nás čeká v následujícím roce? Z naší perspektivy:

1. Růst dostupnosti AI komponent

Modely a infrastruktura budou stále levnější a přístupnější. To přinese vyšší konkurenci v algoritmickém obchodování – signály se budou rychleji vyčerpávat.

2. Důraz na fairness a transparentnost

Trend, který jsme načali letos, bude pokračovat. Bias correction, vysvětlitelnost a auditovatelnost se stanou standardem, ne luxusem.

3. Konsolidace metodologie

Standardizace metrik, evaluačních protokolů a reportingu se bude zlepšovat. Akademický a praktický svět se přibližují.

4. Specializace strategií podle režimu

Detekce tržního režimu (volatilita, trend, range) a adaptivní switching mezi strategiemi bude rostoucím tématem. Statické strategie pomalu ztrácí konkurenceschopnost.

5. Důraz na realistické náklady

Akademická literatura postupně přestává předstírat, že náklady neexistují. To přinese realističtější obraz toho, co skutečně funguje.

Náš plán v Prisma Forex

Pro rok 2026 plánujeme:

• Publikace v MDPI Metrics k tématu BFSA na FX trzích (již ve finální fázi).
• Rozšíření výzkumu na futures markets s novými metodologickými kontribucemi.
• Pokračování doktorského studia na VŠFS, s cílem obhajoby dizertace.
• Vývoj nové verze automatizovaného systému pro retail klienty.
• Více vzdělávacích materiálů – jak v podobě blogu, tak ve specializovaných e-bookech (The Candle Reader’s Handbook, The Smart Follower’s Field Guide, The Strategy Builder’s Workbook).

Závěrem: tři pravdy roku

Pokud bych měl rok 2025 shrnout do tří vět:

1. Hype kolem AI byl nahrazen pragmatismem. Funguje to, co je metodologicky disciplinované.
2. Bias a fairness se stávají reálnými tématy v tradingu. Naše vlastní výzkumná práce to potvrzuje.
3. Walk-forward, realistické náklady a out-of-sample testování jsou nepřekročitelné standardy. Bez nich nemá smysl ani diskutovat.

Děkuji všem klientům, kolegům z akademického prostředí, doc. Lanskému jako svému školiteli a všem v komunitě, kdo se podílíte na tom, aby algoritmické obchodování dospívalo v solidní disciplínu. Těším se na rok 2026.

Krásné Vánoce a hodně úspěchů v novém roce přeje David Jukl a tým Prisma Forex.

Článek Algoritmické obchodování v roce 2025: bilance, lekce a co dál se nejdříve objevil na Forex robot Prisma.

Tento článek je o tom, kde se ten rozdíl bere a co s tím dělat.

Co backtest skutečně měří

Backtest je simulace strategie na historických datech. V principu odpovídá na otázku: „Kdyby tato strategie obchodovala v období X – Y, jak by si vedla?“

Problém je, že historie už proběhla. Když optimalizujete parametry strategie na známých datech, je velmi snadné se „přeoptimalizovat“ – tzn. najít kombinaci parametrů, která funguje právě a jen v tomto konkrétním vzorku.

Tomuto jevu se říká overfitting a je hlavní příčinou propasti mezi backtestem a živým výsledkem.

Pět nejčastějších zdrojů zkreslení

1. Look-ahead bias

Strategie nevědomky používá data, která by v reálném čase ještě neměla k dispozici. Klasický příklad: porovnávání s koncovou cenou svíčky, která ve skutečnosti ještě nezavřela. Drobnost, která dokáže výsledky zvednout o desítky procent.

2. Survivorship bias

Testujete na měnových párech nebo akciích, které dnes existují. Co s těmi, které byly mezitím staženy nebo delistovány? Výsledek vašeho backtestu je optimistický právě o ně.

3. Optimalizace na celém vzorku

Pokud parametry strategie ladíte na celých historických datech a pak je tam i testujete, netestujete strategii – testujete vlastní schopnost přizpůsobit ji datům. Out-of-sample evaluace je proto naprosto klíčová.

4. Nerealistické transakční náklady

Spread 0,5 pipu na EUR/USD v back-testovém software, 1,8 pipu v reálném životě. Strategie obchodující 50× denně s tímto rozdílem nemá šanci.

5. Slippage a likvidita

Backtest předpokládá, že vaše objednávka byla vyplněna přesně tam, kde to platforma ukazuje. Realita: u rychlých pohybů máte slippage v řádu pipů, u velkých pozic ještě výrazněji.

Walk-forward jako antidote

Jediný způsob, jak backtest přiblížit realitě, je walk-forward analýza. Princip je jednoduchý:

1. Rozdělte historická data na klouzavá okna (např. 24 měsíců trénovací, 6 měsíců testovací).
2. Trénujte model na trénovacím okně.
3. Vyhodnoťte ho pouze na následujícím testovacím okně, kde ho model nikdy neviděl.
4. Posuňte okno o krok dál a opakujte.

Výsledná křivka výnosů se skládá pouze z out-of-sample dat. Pokud strategie obstojí v této struktuře, máte podstatně silnější důkaz, že nejde o overfitting.

V naší výzkumné práci v Prisma Forex i v akademickém prostředí používáme přesně tento přístup. Bez něj prostě jakémukoli backtestu nedůvěřujeme.

Co by měl správný backtest obsahovat

Když si necháváte ukázat backtest forex robota, vyžadujte následující:

• Délka testu minimálně 5 let (pokrytí různých tržních režimů).
• Out-of-sample data – jasně vyznačená sekce, na které nebyly parametry laděny.
• Realistický spread a slippage odpovídající brokeru, na kterém poběží živě.
• Distribuce výsledků – ne jen průměr, ale i drawdown, max consecutive losses, 95% kvantily.
• Sharpe a Calmar ratio – riziko vážený výnos, ne jen absolutní procenta.
• Bias diagnostika – kolik obchodů bylo long vs. short. Strategie obchodující 95 % long v rostoucím trhu vám neukazuje nic jiného než trend samotný.

Realistická očekávání pro live účet

I při ideálně provedeném backtestu počítejte s tím, že live performance bude o 20–40 % horší než backtest. To není známka selhání strategie – to je normální výsledek přechodu z idealizovaného prostředí do reálného trhu.

Pokud je strategie postavena disciplinovaně, drawdown bude větší, výnos menší, ale základní charakter strategie zůstane zachován. To je to, co hledáme.

Náš postup v Prisma Forex

Když nasazujeme nový automatický systém, postupujeme takto:

1. Vývoj na historických datech s out-of-sample sekcí.
2. Walk-forward validace přes celý dostupný horizont.
3. Paper trading v reálném čase, ale bez peněz – 1–3 měsíce.
4. Mikro účet s minimálními pozicemi – další 2–3 měsíce.
5. Postupné škálování podle shody s očekávaným profilem výkonnosti.

Tento proces trvá dohromady 6 měsíců až rok. Je to dlouho. Ale je to nesrovnatelně levnější než vrhnout se rovnou na reálný účet a zaplatit školné v plné výši.

Pointa

Backtest je užitečný, ale je to jen předpoklad, ne důkaz. Skutečnou hodnotu má teprve strategie, která prokázala stabilní výkonnost v out-of-sample podmínkách a v reálném prostředí. Zatím ji nemá – je to jen číslo v Excelu.

Při výběru forex robota se proto nedívejte na to, jaká je křivka backtestu. Dívejte se na to, jak byla měřena. To je rozdíl mezi solidním nástrojem a marketingovým produktem.

Článek Backtest vs. živý účet: proč váš forex robot může selhat se nejdříve objevil na Forex robot Prisma.

Tento článek měl jeden ambiciózní cíl: systematicky zmapovat současný stav výzkumu algoritmického obchodování napříč pěti hlavními akademickými databázemi. Výsledkem je obraz toho, kam se obor dostal, co skutečně funguje a kde leží nejdůležitější mezery.

Metodologie: PRISMA 2020

Vědomě jsme zvolili PRISMA 2020 – současný zlatý standard pro systematic literature reviews. Tato metodologie není jen formalita, ale způsob, jak zaručit, že rešerše je reprodukovatelná a kompletní.

Proces stručně:

1. Vyhledávání ve zdrojích: IEEE Xplore, ACM Digital Library, SpringerLink, Web of Science, SSRN.
2. Počáteční sada: 1 567 článků z let 2015–2024.
3. Aplikace kritérií inclusion/exclusion – relevance, recenzní řízení, dostupnost dat.
4. Finální vzorek: 208 peer-reviewed článků.
5. Strukturovaná extrakce dat prostřednictvím nástrojů jako Rayyan, NVivo a Zotero.
6. Kvalitativní syntéza podle PICOC rámce.

Takový rozsah dává robustní obraz oboru, ne jen výsek podle vlastních preferencí autora.

Klíčová zjištění

1. Strojové učení dominuje, ale ne všude funguje stejně

50 % studií ve vzorku používá machine learning jako primární nebo doplňkový nástroj pro generování signálů. Hluboké neuronové sítě jsou nejviditelnější, ale klasické modely (random forests, gradient boosting) se ukazují jako stabilnější ve většině implementací.

2. Sentiment analysis je rostoucí, ale zatím ne dominantní

20 % studií zahrnuje sentiment analysis nebo NLP-based features. Většina z nich ji ale používá jako doplněk k cenovým datům, ne jako samostatný signál. Toto zjištění se shoduje s naší vlastní empirickou zkušeností.

3. Akcie a forex jsou nejstudovanější trhy

• 35 % studií se zaměřuje na akciové trhy.
• 30 % na měnové trhy (forex).
• Zbylých 35 % se dělí mezi kryptoměny, komodity, indexy a obligace.

4. High-frequency trading: nejvíce zkoumaný styl

30 % studií se věnuje HFT – nejvíce zkoumané strategii v moderní algoritmické literatuře. Současně je to ale styl, do kterého retail obchodník prakticky nemá vstup. Pro praktiky je tedy užitečné dívat se i na to, co funguje na denním nebo intra-day horizontu mimo HFT.

5. Tři opakující se výzvy

V rešerši jsme identifikovali tři výzvy, které se objevují napříč obrovským procentem studií:

• Latence (30 %) – časové zpoždění mezi signálem a exekucí, kritické v HFT i normálním tradingu.
• Škálovatelnost (25 %) – mnoho strategií dobře funguje na malém kapitálu, ale ztrácí výhodu při škálování.
• Regulační otázky (25 %) – soulad s MiFID II, RTS 6, novou EU AI Act a podobně.

Co rešerše odhalila jako mezery v současném výzkumu

Etika a fairness algoritmického obchodování

Téma fairness, transparentnosti a algoritmické odpovědnosti je v širší ML komunitě prominentní, ale v algoritmickém obchodování zatím marginální. Mezery se týkají:

• Systematického bias v predikčních modelech (téma, kterému se sami věnujeme v rámci BFSA).
• Transparentnosti směrem k investorům.
• Auditovatelnosti rozhodovacích procesů strojů.

Realistické nákladové modelování

Mnoho akademických studií ignoruje transakční náklady nebo používá jejich „akademické“ odhady. Skutečné spready, slippage a tržní mikrostruktura mají na výnos dramatický dopad – a v rešerši se ukazuje, že právě toto je nejčastější důvod rozdílu mezi akademickými výsledky a realitou.

Dostupnost AI nástrojů pro praktiky

Většina sofistikovaných modelů zůstává v akademických laboratořích. Bridge mezi výzkumem a retail/profesionálními obchodníky je úzký a vyžaduje další úsilí.

Praktické důsledky pro nás v Prisma Forex

Tato práce ovlivnila náš vlastní výzkumný program několika způsoby:

1. Validace fokusu na bias. Naše práce na BFSA (Bias-Corrected FSA) se ukázala být v souladu s identifikovanou mezerou v literatuře.
2. Důraz na realistické náklady. Všechny naše interní backtesty zahrnují skutečné spready a slippage – ne idealizované hodnoty.
3. Transparentnost. Snažíme se metodologii našich systémů popisovat jasně, ne ji skrývat za marketingové fráze.

Doporučení pro budoucí výzkum

V závěru článku jsme formulovali několik směrů, kterým by se měl obor systematicky věnovat:

• Etické rámce pro algoritmické obchodování.
• Jasnější regulační prostředí pro AI-based systémy.
• Širší dostupnost AI komponent pro praktiky, ne jen pro instituce.
• Standardizace metrik pro porovnatelnost výsledků napříč studiemi.
• Robustní testování out-of-sample jako základní standard.

Citace a další čtení

Jukl, D., & Lansky, J. (2025): Systematic Review on Algorithmic Trading. Acta Informatica Pragensia, Vol. 14, Issue 3, pp. 506–534. ISSN 1805-4951. Plné znění v CEEOL

Pro nás samé je tato práce jakýsi rozcestník, který nasměroval celou naši další výzkumnou agendu. Identifikované mezery jsou témata, ke kterým se v Prisma Forex i v rámci doktorského studia postupně vracíme – ať už je to bias correction, realistické nákladové modelování, nebo etické rámce.

Závěrem

Děkuji svému spoluautorovi doc. Janu Lanskému, Ph.D. za výjimečnou spolupráci a celé komunitě recenzentů Acta Informatica Pragensia za poctivé recenzní řízení.

Pokud vás konkrétní část rešerše zajímá víc, neváhejte mě kontaktovat – článek je open-access a rád ho s vámi prodiskutuji. Kontakt najdete na LinkedInu.

Tato práce je součástí mého doktorského výzkumu na VŠFS pod vedením doc. Ing. Jana Lanského, Ph.D. Další publikace z této série postupně sdílíme na blogu Prisma Forex.

Článek Naše publikace v Acta Informatica Pragensia: Systematický přehled algoritmického obchodování se nejdříve objevil na Forex robot Prisma.

1. Overtrading

Nejčastější chyba a zároveň nejtěžší k odhalení. Začátečník otevírá pozici za pozicí, protože mít otevřené obchody = něco se děje. Mozek dostává dopamin, účet o něj přichází.

Jak se jí vyhnout: Před každým obchodem si nahlas (nebo písemně) odpovězte: „Jaký konkrétní signál mi řekl, že mám teď vstoupit?“ Pokud odpověď zní „cítil jsem to“ nebo „už dlouho jsem neobchodoval“, neobchodujte. I dobré strategie generují jen pár signálů týdně.

2. Příliš velká pozice vzhledem ke kapitálu

Klasika: účet 1 000 EUR, lot 0,5 na EUR/USD. Stačí pohyb 30 pipů proti vám a máte mínus 15 % účtu. Po několika takových obchodech je účet pryč.

Jak se jí vyhnout: Dodržujte tzv. 1% pravidlo – riziko na jeden obchod by nemělo přesáhnout 1 % vlastního kapitálu. Pokud máte 5 000 EUR, váš stop-loss nesmí znamenat větší ztrátu než 50 EUR. Vše ostatní je hazard.

3. Žádný (nebo posunující se) stop-loss

„Trh se vrátí“ je nejdražší věta v tradingu. Bez stop-lossu jeden zlý obchod smete celou kariéru. Posouvání stop-lossu „o kousek dál“ má stejný efekt, jen pomalejší.

Jak se jí vyhnout: Stop-loss zadávejte současně s otevřením pozice, ne až „později“. A respektujte ho. Pokud se trh dotkl vaší úrovně, byl signál špatný. Tečka.

4. Hledání svatého grálu

Začátečník stáhne první indikátor, prohraje. Stáhne druhý, prohraje. Pak třetí, čtvrtý. Pořád hledá ten správný indikátor, který vyhraje vždy. Neexistuje.

Jak se jí vyhnout: Pochopte, že úspěšný trading není o hledání perfektního signálu, ale o systému s pozitivní očekávanou hodnotou v dlouhém horizontu. Důležitější než vstupní pravidlo je správné řízení rizika, kapitálu a emocí.

5. Ignorování transakčních nákladů

Spread 2 pipy se zdá zanedbatelný. Ale když obchodujete 30× denně, je to 60 pipů denně, které musí strategie pokrýt, než vůbec začne vydělávat. Mnoho zdánlivě skvělých strategií končí v reálném světě v mínusu právě kvůli nákladům.

Jak se jí vyhnout: Při testování strategie vždy započítejte realistické spready, swapy a slippage. Pokud strategie funguje až po jejich odečtení, je životaschopná. Pokud ne, je to akademické cvičení.

Co spojuje všechny tyto chyby?

Všech pět chyb má jednoho společného jmenovatele: emoce nad disciplínou. A přesně tady má své největší kouzlo automatizace.

Dobrý forex robot:

• Neotevírá obchody „protože nic se neděje“.
• Drží předem definované velikosti pozic.
• Vždy zadává stop-loss.
• Nehledá svatý grál – pracuje s pravděpodobnostmi.
• Má transakční náklady zahrnuté přímo v logice.

Automatizace nevyřeší všechno, ale eliminuje tu nejnebezpečnější proměnnou ze všech – obchodníkovo ego v reálném čase.

Závěrem

Pokud začínáte, nečtěte další článek o indikátorech. Místo toho:

1. Otevřete si demo účet a obchodujte na něm minimálně 3 měsíce.
2. Veďte si deník obchodů – proč jsem vstoupil, proč vystoupil, jak jsem se cítil.
3. Stanovte si pravidla money managementu a dodržujte je nekompromisně.
4. Teprve potom přejděte na malý reálný účet.

Trading je maraton, ne sprint. A vyhrávají ho ti, kteří vydrží dost dlouho na to, aby jejich systém ukázal svou skutečnou hodnotu.

V dalších článcích se podíváme na to, jak postavit funkční automatický obchodní systém krok za krokem.

Článek 5 nejčastějších chyb začínajících forex traderů se nejdříve objevil na Forex robot Prisma.

V tomto článku stručně shrnu, o čem práce je a proč by mohla zajímat každého, kdo se zajímá o automatické obchodní systémy nebo používá strojové učení v tradingu.

Problém: tichý zabiják predikčních modelů

Klasické algoritmy pro výběr příznaků (Feature Selection Algorithms – FSA), jak je popsali Pabuccu a Barbu, jsou velmi účinné v hledání informativních vstupů pro predikční modely. Pracují s metaheuristikou simulovaného žíhání a dosahují vysoké klasifikační přesnosti.

V naší práci jsme ale ukázali něco, co bylo v literatuře dlouho přehlíženo: klasická FSA má strukturálně vychýlené predikce. Konkrétně v empirických datech model preferoval predikce směrem nahoru (UP) v poměru zhruba 54 % vs. 46 % směrem dolů (DOWN). To vypadá jako drobnost, ale v praxi to znamená:

• Portfolio je systematicky exponováno na long pozice.
• Při tržním propadu má systém násobně vyšší ztráty.
• Sharpe ratio je v rostoucích režimech umělě nadhodnocené.
• Strategie ztrácí směrovou neutralitu, která je v dlouhodobém horizontu klíčová.

Jinými slovy: vysoké F1 skóre ještě nezaručuje, že strategie bude ekonomicky zdravá.

Naše řešení: bias-regularizační člen v loss funkci

Navrhli jsme rozšíření klasické FSA, které jsme nazvali Bias-Corrected FSA (BFSA). Klíčová myšlenka je jednoduchá:

Do loss funkce přidáme penalizační člen, který explicitně trestá odchylku průměrné predikce od cílové hodnoty 0,5.

Matematicky řečeno, hyperparametr λ kontroluje sílu této penalizace. Čím vyšší λ, tím silněji model tlačí distribuci predikcí směrem k symetrii. Inspiraci jsme čerpali z literatury o fairness v machine learning (Mehrabi et al., 2021), kde se podobné techniky používají pro spravedlivé klasifikátory v sociálních aplikacích.

V finančním kontextu má ale „fairness“ jiný význam – jde o směrovou neutralitu, která eliminuje implicitní vystavení trendovému riziku.

Výsledky: lepší Sharpe, zachovaná přesnost

Práci jsme empiricky validovali na 13 aktivech (akciové indexy, ETF, kryptoměny) v období 2018–2024 s 3denním predikčním horizontem. Klíčová zjištění:

Co je důležité: přesnost klasifikace se nezhoršila. Jinými slovy, fairness penalty nesnížila prediktivní výkon, ale významně zlepšila ekonomický výsledek strategie. To je v algoritmickém obchodování poměrně vzácný výsledek – obvykle se za lepší řízení rizika platí horší přesností.

Proč na tom záleží?

Tato práce není jen akademickým cvičením. Z praktického pohledu ukazuje:

1. Klasická feature selection nestačí. Pokud jako trader nebo vývojář forex robotů spoléháte na standardní techniky výběru proměnných, pravděpodobně máte v systému skrytý směrový bias, který si vůbec neuvědomujete.
2. Klasifikační přesnost není ekonomická hodnota. Můžete mít model s 70 % přesností, který v reálném obchodování ztrácí. A naopak – model s 55 % přesností a správnou symetrií může vydělávat.
3. Bias je řešitelný problém. Stačí ho explicitně modelovat. Naše práce ukazuje konkrétní mechanismus, jak na to.

Co bude dál

Tato práce je součástí širšího výzkumného programu, který v Prisma Forex a v rámci doktorského studia rozvíjím pod vedením doc. Ing. Jana Lanského, Ph.D. Cílem je vyvinout bias-aware framework pro algoritmické obchodování, který bude funkční napříč různými třídami aktiv – od měnových párů přes akcie po komodity.

Další články z této série publikuji jak v odborných časopisech, tak průběžně tady na blogu, kde je překládám do srozumitelnější podoby.

Závěrem

Velmi rád bych poděkoval VŠFS, jmenovitě svému školiteli doc. Ing. Janu Lanskému, Ph.D., za podporu této práce. Stejně tak děkuji všem z prostředí akademie i praxe, kteří k tématu poskytli zpětnou vazbu.

Pokud vás téma zajímá hlouběji, plné znění práce s celou metodikou, daty a výsledky najdete ve sborníku VŠFS:

Jukl, D. (2025): Bias-Corrected FSA Extension with Trading Performance Metrics. DOI: 10.37355/KD-2025-05 PDF na webu VŠFS

Pokud vás zajímá, jak tyto akademické nálezy promítáme do reálných obchodních systémů Prisma Forex, sledujte další články nebo mě kontaktujte přes LinkedIn.

Článek Naše výzkumná práce na VŠFS: Bias-Corrected FSA s metrikami obchodní výkonnosti se nejdříve objevil na Forex robot Prisma.

📈 Výsledky testování mluví jasně:

• Testovací období: 2012–2024
• Počáteční kapitál: 1 000 USD
• Konečný zisk: +20 073 USD
• Počet obchodů: 2 342
• Úspěšnost obchodů: 52,69 %
• Ziskový faktor: 1,54

🛠 Co systém nabízí?

• Aktivní automatické obchodování S&P 500
• Spolehlivá strategie založená na robustním backtestu
• Výrazně vyšší výnos než pasivní přístup
• Připraveno pro platformu MetaTrader 4

💰 Ceny

Licence je doživotní, zahrnuje aktualizace a podporu.

🔧 Jak začít?

1. Kontaktujte nás přes formulář na www.prismafx.cz
2. Zvolte, zda chcete systém koupit nebo pronajmout
3. Získáte instalační balíček, přístup a technickou podporu

Pokud hledáte výkonný nástroj, který zvládá obchodování na americkém akciovém trhu s automatizací a efektivitou, Prisma S&P 500 je přesně pro vás. Začněte obchodovat chytřeji – nečekejte na růst, obchodujte ho.

Článek Spouštíme prodej a pronájem systému Prisma S&P 500 se nejdříve objevil na Forex robot Prisma.

Proč si pronajmout obchodní systém PrismaFX?

Naše systémy jsou výsledkem mnohaletého vývoje, testování a reálného obchodování. Náš systém PrismaFX dosáhl v roce 2024 zhodnocení +62,83 %, a to s propracovaným řízením rizika.

Každý plán obsahuje jiný rozsah možností – počet měnových párů, licencí a podpory. Vyberte si takový, který odpovídá vašim obchodním cílům.

Ceník pronájmu obchodních systémů PrismaFX

Jak začít?

1. Vyberte si plán – Zvažte své cíle a zvolte Basic, Silver nebo Gold.
2. Kontaktujte nás – Vyplňte formulář na www.prismafx.cz nebo nás oslovte přímo.
3. Získejte přístup – Po úhradě získáte licenční klíč, instalační podporu a přístup k plnohodnotné dokumentaci.

Pokud chcete své obchodování posunout na profesionální úroveň pomocí automatizace, teď je ten správný čas. Nechte forex robota pracovat za vás – s jistotou ověřeného systému od PrismaFX.

Článek Pronájem obchodních systémů PrismaFX – Gold, Silver a Basic se nejdříve objevil na Forex robot Prisma.