Naše výzkumná práce na VŠFS: Bias-Corrected FSA s metrikami obchodní výkonnosti
V rámci mého doktorského studia na Vysoké škole finanční a správní (VŠFS) v Praze vznikla práce, která se v tichosti dotýká jednoho z nejpodceňovanějších problémů algoritmického obchodování – systematického zkreslení predikčních modelů. Práce byla publikována pod názvem Bias-Corrected FSA Extension with Trading Performance Metrics a její plné znění je k dispozici v repozitáři VŠFS (odkaz na PDF).
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:
| Metrika | Originální FSA | Bias-Corrected FSA | Změna |
|---|---|---|---|
| Prediction Bias | 0,544 | 0,501 | téměř dokonalá symetrie |
| F1 Score | 0,695 | 0,703 | mírné zlepšení |
| Sharpe Ratio | 0,42 | 0,66 | +57 % |
| Effect size (Cohen’s d) | – | 0,584 | střední až silný efekt |
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:
- 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.
- 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.
- 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.