7 tipů, jak se vyhnout overfittingu v obchodních pravidlech

By Marcel Hambálek · Senior Trader, For Traders

Overfitting (přeučení) v obchodních pravidlech znamená, že strategie popisuje šum konkrétního historického vzorku místo skutečné tržní výhody — v backtestu vypadá dokonale, živě se rozpadne. Poznáte ho podle toho, že výkon prudce klesne na datech, na kterých jste neoptimalizovali: pokud out-of-sample net profit tvoří méně než 50 % in-sample výsledku, jde o varovný signál, pod 30 % o téměř jistý overfitting.

Klíčové poznatky

• Optimalizujte maximálně jeden parametr na jeden rok historických dat — pět parametrů na dvou letech je matematicky odsouzeno k přeučení.
• Rozdělte data 70/30 na in-sample a out-of-sample a out-of-sample vzorek použijte jen jednou; každý další „refresh“ z něj dělá další in-sample data.
• Walk-Forward Efficiency = OOS net profit ÷ IS net profit × 100; hodnota nad 80 % je robustní, pod 30 % strategii zahoďte.
• Hledejte výkonnostní plató, ne osamocený vrchol — pokud posun parametru o 10 % zničí výsledek, testovali jste šum.
• Monte Carlo simulace s přeházením obchodů, vynecháním 10 % z nich a přidaným slippage vám ukáže reálný max drawdown, podle kterého nastavíte risk per trade.
• V prop challenge overfitovaná strategie nepadá na celkovém výsledku, ale na daily loss limitu a max drawdownu — dřív, než stihne „dohnat“ backtest.

Podívejte se: související video

Co je overfitting v obchodních pravidlech a jak se liší od optimalizace

Overfitting v obchodních pravidlech znamená, že strategie nepopisuje skutečnou tržní výhodu, ale statistický šum konkrétního historického vzorku — v backtestu equity křivka stoupá jako pravítko, na simulovaném kapitálu ale nedokáže dát dva zelené týdny v řadě. Znáte tu scénu: měsíce ladění, Sharpe ratio nad 2, a pak první live nebo challenge účet, kde se strategie chová, jako by nikdy neviděla trh. To je odpověď na otázku, co je overfitting v backtestu — model se naučil zpaměti historii místo toho, aby rozpoznal opakující se vzorec.

Optimalizace tradingové strategie je legitimní proces: testujete rozumný počet variant na dostatečně velkém vzorku a vybíráte parametry, které dávají smysl napříč různými obdobími. Overfitting tradingové strategie začíná tam, kde počet testovaných kombinací výrazně převyšuje množství dat, na kterých je testujete. Rozdíl tedy není v tom, jestli parametry ladíte — je to v poměru mezi počtem pokusů a velikostí vzorku.

Signál vs. šum: co vlastně vaše pravidla popisují

Signál je opakující se tržní chování — třeba tendence XAUUSD reagovat na reálné úrokové sazby nebo sezónní chování US100 kolem earnings sezóny. Šum je náhodná odchylka konkrétního historického úseku, která se už nikdy nezopakuje stejně. Otázka signál vs šum je jádrem overfittingu: pokud pravidlo funguje jen proto, že jste našli přesnou kombinaci parametrů, která "sedí" na 800 svíčkách z roku 2023, pravděpodobně jste zachytili šum, ne signál. Legitimní pravidlo přežije posun vzorku o pár měsíců dopředu i dozadu, aniž by se výsledky propadly o desítky procent.

Optimalizace, curve fitting a parameter mining — kde je hranice

Curve fitting strategie je stav, kdy parametry kopírují tvar historické křivky až za hranici smysluplnosti — třeba stop loss nastavený přesně na 47 pipů, protože to v backtestu dalo nejlepší číslo. Parameter mining je proces, který vás tam dostane: zkoušíte desítky až stovky kombinací a vybíráte tu nejlepší bez ohledu na to, jestli má logické zdůvodnění. Problém je čistě pravděpodobnostní — když otestujete 45 až 50 kombinací parametrů na jednom vzorku dat, statisticky téměř jistě najdete alespoň jednu, která vypadá skvěle, i kdyby v datech žádná reálná výhoda nebyla. Čím víc kombinací zkoušíte, tím vyšší je šance falešně pozitivního výsledku — přesně tak, jako když hodíte mincí padesátkrát a najdete sérii deseti panen v řadě. Nic to neříká o tom, jestli je mince falešná.

Data snooping bias, lookahead bias a survivorship bias v jedné tabulce

Overfitting má tři sesterské chyby, které se s ním často pletou, ale vznikají jinak. Data snooping bias je opakované testování hypotéz na stejných datech, dokud něco "nevyjde". Lookahead bias znamená, že do backtestu omylem prosákne informace, kterou byste v reálném čase neměli — třeba použití závěrečné ceny svíčky k rozhodnutí, které mělo padnout na jejím otevření. Survivorship bias vzniká, když testujete jen na aktivech, která přežila do dneška — třeba na aktuálním složení indexu US100, které už neobsahuje firmy vyřazené za posledních deset let kvůli bankrotu nebo delistingu.

Tip 1: Omezte počet parametrů — jeden optimalizovaný parametr na rok dat

Nejjednodušší obrana proti overfittingu v obchodních pravidlech je tvrdé pravidlo: na jeden rok historických dat smíte mít maximálně jeden optimalizovaný parametr. Pět let historie na XAUUSD (H1) unese pět laditelných hodnot — ne dvanáct, ne osmnáct. Každý další parametr nad tento poměr zvyšuje počet stupňů volnosti backtestu a s ním i pravděpodobnost, že jste strategii napasovali na šum, ne na skutečnou tržní neefektivitu.

Pravidlo 1 parametr = 1 rok historie v praxi

Optimalizace parametrů strategie funguje jako každá jiná statistická úloha — čím víc proměnných měníte, tím větší vzorek dat potřebujete, aby výsledek nebyl náhoda. V praxi to znamená počítat si stupně volnosti backtestu stejně důsledně jako risk na obchod.

Když strategie na XAUUSD používá RSI i EMA jako parametry zároveň s pěti dalšími filtry na pěti letech dat, jste hluboko v pásmu, kde robustnost obchodní strategie padá na nulu — backtest bude vypadat skvěle, protože jste ho na to natrénovali.

Skryté parametry, na které zapomínáte (čas vstupu, filtr dne, velikost pozice)

Tradeři si počítají jen ty parametry, které vidí v nastavení indikátoru. Ve skutečnosti je plnohodnotným stupněm volnosti i:

• časové okno vstupu (jen londýnská session, jen po 14:30),
• filtr dne v týdnu (bez pondělí, bez pátku),
• vyloučení dnů s NFP a FOMC,
• práh objemu nebo volatility pro vstup,
• dynamická velikost pozice podle poslední série obchodů.

Každý z těchto filtrů strategii o něco vylepší na historických datech — a každý z nich reálně krade jeden ze slotů z tabulky výše. Pokud jste je nezapočítali, váš skutečný počet parametrů strategie je vyšší, než si myslíte.

Test: popište strategii jednou větou

Zkuste popsat vstupní logiku jednou větou bez spojky „a zároveň". Pokud vám to nejde bez souvětí s pěti podmínkami spojenými čárkami, máte přeučeno. Typický overfitovaný popis zní: „Vstupuji, když RSI klesne pod 30 a zároveň Stochastic potvrdí a zároveň cena je nad EMA200 a zároveň není pondělí a zároveň objem převyšuje průměr." RSI a Stochastic přitom měří téměř totéž — kombinací obou si nepřidáváte informaci, jen další parametr a falešný pocit potvrzení.

Tip 2: Rozdělte data na in-sample a out-of-sample a dodržte pravidlo jediné šance

Vezměte svá historická data, seřaďte je chronologicky a rozdělte je 70/30 — 70 % nejstarších dat na vývoj a optimalizaci (in-sample), 30 % nejnovějších dat necháte nedotčených na jediné ověření (out-of-sample). Řez je vždy časový, nikdy náhodný podle jednotlivých obchodů — jinak si do in-sample vzorku propašujete informaci z budoucnosti a out-of-sample testování strategie ztrácí smysl.

Tohle je jádro toho, jak se vyhnout overfittingu: pravidlo, které funguje jen na datech, na kterých vzniklo, není strategie, je to popis minulosti. In-sample vs out-of-sample data musí být striktně oddělené i časově — žádné míchání obchodů z roku 2024 do obou vzorků jen proto, že vám to vyšlo lépe na papíře.

Dělení 70/30: kde přesně řez udělat

Vezměte celou historii, kterou máte k dispozici — řekněme pět let dat na XAUUSD nebo US100 — a odřízněte přesně 30 % z konce podle data, ne podle počtu obchodů. Pokud máte data od ledna 2021 do prosince 2025, in-sample končí zhruba v polovině roku 2024, zbytek jde do out-of-sample. Nikdy neřežte podle toho, kde vám to „sedí" na equity křivce — to je přesně ta zadní vrátka, kterými se overfitting vrací zpátky do procesu.

Proč nedělit uprostřed tržního režimu

Řez uprostřed jednoho tržního režimu vám dá dva vzorky, které vypadají skoro identicky — a test tak nic neprokáže. Klasický příklad: gold prošel v letech 2024–2025 dlouhou trendovou rallye. Pokud uděláte řez v polovině této rally, obě poloviny — in-sample i out-of-sample — budou vykazovat podobný trendový charakter. Strategie postavená na sledování trendu projde „testem" s vlajícími prapory, i když by se stejně rozpadla v jakémkoli range trhu. Ověřujte proto, že out-of-sample vzorek obsahuje jiný charakter trhu než ten, na kterém jste optimalizovali — jinak si jen potvrzujete vlastní zaujatost.

Pravidlo jediné šance: co dělat po neúspěšném OOS testu

Out-of-sample vzorek smíte použít jednou. Jakmile po neúspěchu sáhnete zpátky do ladění parametrů a znovu otestujete na tom samém vzorku, přestal být out-of-sample — stal se z něj de facto in-sample, jen jste si to nepřiznali. Tohle je nejčastější způsob, jak tradeři podvědomě overfitují: netuší, že „ještě jednou to zkusím" je přesně ten proces, kterému se snažili vyhnout.

Praktická alternativa, když test neprojde:

• Odložte si další, doposud nedotčený vzorek dopředu v čase (např. nová data z posledních tří měsíců) a strategii otestujte na něm — až jednou.
• Přesuňte se na jiný instrument se srovnatelnou charakteristikou a ověřte, jestli logika drží i tam — pokud drží jen na jednom páru, je to signál, že jde o šum, ne o edge.
• Vraťte se ke konceptu strategie, ne k ladění parametrů — přepracujte hypotézu od nuly, ne čísla za desetinnou čárkou.

Co se týče počtu obchodů v backtestu: potřebujete alespoň 150 obchodů v samotné out-of-sample části, aby výsledek měl statistickou váhu, a ideálně 300+ obchodů celkově napříč oběma vzorky. Méně dat znamená, že i náhoda vám dá hezkou equity křivku — a přesně to overfitting je.

Tip 3: Spusťte walk-forward analýzu a spočítejte Walk-Forward Efficiency

Walk-forward analýza je rolující verze in-sample/out-of-sample testu: optimalizujete parametry na jednom časovém okně, obchodujete je na následujícím neznámém okně, celé okno posunete o kus dál a proces opakujete napříč celou historií dat. Místo jednoho porovnání IS vs. OOS tak dostanete desítky mini-testů, které vám řeknou, jestli strategie funguje konzistentně, nebo jen na jednom šťastném úseku trhu.

Jak nastavit okna: 12 měsíců optimalizace, 3 měsíce test

Standardní poměr, který funguje napříč forexem, zlatem i futures, je 12 měsíců in-sample optimalizace následovaných 3 měsíci out-of-sample obchodování. Okno pak posunete o 3 měsíce dopředu, znovu optimalizujete na posledních 12 měsících a znovu testujete na dalších 3. Pokud máte k dispozici 4 roky historických dat, dostanete se tak na 8–10 nezávislých forward úseků — a právě tento objem vám dá statisticky použitelný obrázek o robustnosti pravidel.

MetaTrader 5 Strategy Tester tuhle metodiku zvládá nativně — v nastavení optimalizace stačí zapnout "Forward" a zvolit poměr (např. 1/4, což odpovídá zmíněným 12/3 měsícům). Tester pak sám rozdělí data a spočítá vám výsledky za obě fáze zvlášť. Výstup si stáhnete a exportujete do Excelu, kde uděláte finální výpočet.

Vzorec WFE a jak si ho spočítat v Excelu

Walk-forward efficiency (WFE) je jednoduchý poměr, který ukazuje, kolik z in-sample výkonu se přeneslo do reálného forward testování strategie:

WFE = (OOS net profit ÷ IS net profit) × 100

Konkrétní příklad: pokud vaše strategie na in-sample datech vydělala $18,400 a na následujícím out-of-sample okně $11,000, WFE vyjde na 60 % ($11,000 ÷ $18,400 × 100). To znamená, že v reálném obchodování můžete rozumně očekávat zhruba 60 % té výkonnosti, kterou vidíte v optimalizovaném backtestu — ne víc. Backtest vs. realita je vždycky o tomto poměru, ne o absolutním čísle z jednoho testu.

V Excelu si stačí udělat dva sloupce (IS profit, OOS profit) pro každé posunuté okno, dopočítat WFE na řádek a nakonec vzít průměr přes všechna okna — jednotlivý výsledek totiž může být zkreslený jedním extrémním obdobím.

Interpretace hodnot WFE: kdy je strategie robustní a kdy ji zahodit

Průměrné WFE přes všechna posunutá okna je vaše nejlepší odhad toho, co strategii čeká na živém účtu — ať už na demu, nebo na fundovaném účtu v rámci Trading Challenge. Čím víc oken máte a čím stabilnější je WFE mezi nimi, tím míň se spoléháte na náhodu jednoho vzorku.

Tip 4: Testujte citlivost parametrů a hledejte plató, ne osamocený vrchol

Robustní parametr strategie funguje i o kousek vedle své "ideální" hodnoty — pokud vám 10% posun smaže víc než třetinu výkonu, testovali jste šum, ne edge. Citlivost parametrů strategie je jeden z nejrychlejších testů na overfitting v obchodních pravidlech a zvládnete ho i v Excelu za odpoledne.

Princip je jednoduchý: vezměte optimální hodnotu každého parametru, kterou vám vyplivla optimalizace, a posuňte ji o ±10 % a ±20 % nahoru i dolů. Pak sledujte, co se stane s net profitem a max drawdownem. Pokud strategie drží slušné výsledky v celém tomto okolí, máte co dělat s výkonnostním plató parametrů — oblastí, kde vaše pravidlo popisuje skutečnou tržní tendenci, ne náhodnou shodu okolností v historických datech.

Jak vypadá výkonnostní plató na heat mapě

Nejlépe je to vidět, když otestujete dva parametry současně a výsledky vykreslíte do heat mapy — třeba periodu EMA na jedné ose a násobek ATR pro stop loss na druhé. Robustní strategie vytvoří na mapě souvislou "zelenou skvrnu" — desítky sousedících kombinací s podobně slušným výkonem. Overfitnutá strategie naopak vykreslí jeden osamocený zelený bod obklopený červenou plochou ztrátových kombinací. Ten bod je matematicky nejlepší výsledek celé optimalizace parametrů strategie — a přesně proto je nejnebezpečnější. Popisuje jednu konkrétní historickou náhodu, ne chování trhu.

Test ±10 % a ±20 %: kolik smí výkon spadnout

Konkrétní protokol pro každý parametr: spočítejte výkon při optimální hodnotě, pak při +10 %, −10 %, +20 % a −20 %. Robustnost obchodní strategie posuzujte podle toho, kolik z výkonu tyto posuny "sežerou".

Příklad z praxe: máte trend-following systém s EMA periodou 21 a stop lossem na 2,5× ATR. Při optimalizaci vám nejlepší backtest vyšel právě na této dvojici. Otestujete EMA 19 a EMA 23 (±10 %) a stop na 2,25× a 2,75× ATR — pokud net profit zůstane v rozmezí řekněme 15 000–19 000 USD a max drawdown se drží mezi 12–15 %, sedíte na slušném plató. Pokud ale EMA 19 dá zisk a EMA 23 dá ztrátu, byl výsledek na EMA 21 čirá náhoda.

Co dělat, když funguje jen jedna hodnota parametru

Pokud citlivostní test odhalí osamocený vrchol, nesnažte se ho zachránit jemným doladěním — problém není v přesnosti čísla, ale v konceptu pravidla. Máte tři reálné možnosti:

• Zvolte parametr ze středu plató, ne ze špičky — obětujete pár procent výkonu v backtestu výměnou za dramaticky vyšší šanci, že pravidlo přežije živé podmínky.
• Zjednodušte logiku pravidla — méně parametrů znamená menší prostor pro náhodnou shodu při optimalizaci.
• Pokud plató nenajdete ani po zjednodušení, pravidlo zahoďte. Lepší přijít o jeden nápad na papíře, než o kapitál (byť simulovaný) v ostrém provozu.

Tenhle test dělejte ještě předtím, než se pustíte do walk-forward analýzy — ušetří vám to čas strávený laděním okének na strategii, která nemá šanci projít ani základní zkouškou robustnosti.

Tip 5: Stresujte strategii Monte Carlo simulací krok za krokem

Monte Carlo simulace tradingové strategie vám během jednoho víkendu ukáže, jak moc se výsledek backtestu opíral o šťastné pořadí obchodů — a jaký max drawdown můžete reálně čekat, když se karty rozdají jinak. Nejde o akademické cvičení pro kvantové analytiky, ale o tabulku v Excelu nebo dvacet řádků kódu v Pythonu, které zvládnete za odpoledne.

Postup je lineární:

1. Exportujte kompletní seznam obchodů z backtestu (datum, výsledek v R nebo v penězích, velikost pozice).
2. Tenhle seznam 1 000× náhodně přeházejte a u každého běhu si zaznamenejte max drawdown.
3. V každém běhu navíc náhodně vynechte 10 % obchodů — simulujete tím výpadky kvůli technickým problémům, dovolené nebo prostě dnům, kdy jste podle pravidel nevstoupili.
4. Přidejte realistický slippage 1–2 pipy na vstup i výstup a u obchodů kolem gapů (víkendové otevření, NFP, FOMC) počítejte s výrazně horším fillem, než jaký vám dal backtest.

Čtyři varianty simulace: přeházení pořadí, vynechání 10 % obchodů, slippage, horší fill

Každá z těchto čtyř úprav testuje jinou slabinu. Přeházení pořadí odhalí, jestli váš klidný equity graf není jen důsledek toho, že se ztrátové obchody náhodou nakupily až na konci historie. Vynechání 10 % obchodů simuluje reálný provoz, kde nikdy nevytěžíte úplně every signál. Slippage a horší fill na gapech pak strhávají tu část edge, která v backtestu existuje jen na papíře — v živém stresovém testování strategie je právě tohle nejčastější rozdíl mezi papírovým a skutečným výsledkem.

Jak spustit 1 000 běhů v Excelu nebo Pythonu zdarma

V Excelu stačí funkce RAND() pro náhodné přeřazení řádků a datová tabulka pro opakování — 1 000 běhů zvládne i starší notebook za pár minut. V Pythonu použijete numpy.random.permutation() na seznam obchodů a cyklus for s 1 000 iteracemi; celý skript má kolem 30 řádků a najdete decítky volných šablon na GitHubu pod heslem "Monte Carlo trading simulation". Nepotřebujete placený software ani API — jen export dat, které už z backtestu máte.

Čtení distribuce max drawdownu a nastavení risk per trade

Průměr z 1 000 běhů vás nezajímá — ten vypadá vždycky slušně. Klíčové číslo je 95. percentil max drawdownu: hodnota, pod kterou spadne 95 % simulovaných scénářů. Právě podle ní nastavujete risk per trade, ne podle nejlepšího ani průměrného běhu.

Konkrétní příklad: pokud vám 95. percentil vyjde na 14 % a challenge má max drawdown limit 10 %, musíte velikost pozice snížit zhruba o třetinu, než limit vůbec vyzkoušíte na živém účtu. Je to nepříjemné číslo, protože ukazuje, že strategie, která v backtestu vypadala bezpečně, má reálně o třetinu vyšší riziko, než jste čekali. Lepší to zjistit teď, v Excelu, než při live tradingu, kde vás stejný scénář vyřadí z hry.

Tip 6: Ověřte pravidla na více instrumentech — XAUUSD, US100 a jeden FX major

Pokud vaše pravidla fungují pouze na jednom instrumentu a na dalších dvou se rozpadnou, netestujete robustnost obchodní strategie — testujete náhodu jednoho vzorku dat. Cross-market test je jeden z nejrychlejších způsobů, jak overfitting odhalit: vezmete stejná pravidla, stejné parametry, a pustíte je na tři různé trhy s odlišnou volatilitou a mikrostrukturou.

Nečekáte identický výsledek — XAUUSD se chová jinak než FX major a US100 má úplně jinou dynamiku otevírací aukce. Co ale čekáte, je stejný charakter výkonu: kladná expectancy, podobný tvar equity křivky (žádné dramatické scoky z profitability do permanentní ztráty) a srovnatelný poměr průměrné výhry ku průměrné ztrátě.

Cross-market protokol: co testovat a v jakém pořadí

Doporučený postup pro testování strategie na XAUUSD a dalších instrumentech:

1. Spusťte strategii beze změny parametrů na XAUUSD a US100 — dva nejlikvidnější a nejobchodovanější instrumenty na platformě For Traders.
2. Přidejte jeden FX major (EURUSD nebo GBPUSD) jako třetí referenční bod s odlišnou volatilitní strukturou.
3. Porovnejte tři metriky napříč všemi trhy: net profit, win rate a poměr average win/average loss.
4. Zaznamenejte, zda equity křivka na každém trhu roste podobným tempem, nebo zda jeden trh táhne celý výsledek nahoru.

Jak velká degradace výkonu je ještě přijatelná

Ne každý pokles je varovný signál — jde o to, kde je hranice mezi přirozenou adaptací na jiný trh a ušitím pravidel na míru jednomu vzorku.

Kdy je specializace na jeden instrument v pořádku

Existuje legitimní výjimka. Strategie postavená na specifické mikrostruktuře gold (třeba reakce na londýnský fixing) nebo na chování otevírací aukce US100 nemusí — a nemusí ani chtít — fungovat na FX majoru. To je v pořádku, ale platí tvrdší podmínka: potřebujete o to delší out-of-sample vzorek na tom jednom trhu a jasné, logické vysvětlení, proč edge existuje právě tam a nikde jinde. „Funguje to jen na XAUUSD" bez vysvětlení mechaniky je stejný overfitting jako přeoptimalizovaný parametr — jen v jiném kabátě.

Tip 7: Přečtěte si varovné signály v metrikách backtestu

Pokud vaše metriky backtestu vypadají lépe než výsledky profesionálních fondů, nemáte edge – máte overfitting v obchodních pravidlech. Sharpe ratio backtest nad 3,0 na denních datech, win rate přes 80 %, profit factor nad 3,0 nebo drawdown pod 5 % nejsou důvod k radosti, ale k podezření. Trh takhle štědrý není a nikdy nebyl.

Tabulka zelená / oranžová / červená: Sharpe, win rate, profit factor, DD

Než uvěříte jakémukoliv číslu, zařaďte ho do semaforu. Pomůže vám to rozpoznat varovné signály overfittingu dřív, než pravidla nasadíte na fundovaný účet.

Všimněte si té kombinace: extrémně vysoký win rate spolu s poměrem risk/reward, kde neberete ani 1:1, je klasický podpis přeoptimalizovaného stop lossu na konkrétní svíčky historie. Stejně tak drawdown pod 5 % při desítkách procent ročního zhodnocení – to prostě není fyzikálně reálné na žádném trhu, který obchodujeme, ať je to XAUUSD, US100 nebo EURUSD.

Samotné číslo Sharpe ratio ale nestačí – potřebujete vědět, kolik variant jste po cestě otestovali. Tady přichází na řadu Deflated Sharpe Ratio: koriguje naměřený Sharpe o počet otestovaných kombinací parametrů, takže z krásné trojky po 50 pokusech ladění zbude klidně jen něco kolem jedné. Pokud jste strategii ladili přes noc a zkoušeli desítky nastavení stop lossu, take profitu a filtrů, váš skutečný, „deflovaný" Sharpe je mnohem blíž realitě než to číslo, které vám vyplivl optimalizátor.

Kolik obchodů musí backtest mít, aby něco znamenal

Pod 100 obchodů je výsledek statisticky nezajímavý – klidně jste jen trefili šňůru štěstí. 300+ obchodů je minimum, kdy začínáte věřit číslům, protože pokrýváte víc tržních režimů (trend, range, vysoká i nízká volatilita). U intradenních strategií na US100, kde vstupujete i několikrát denně, byste měli mít v datech klidně 1 000 a víc obchodů, jinak vám pár volatilních dní kolem NFP nebo FOMC celou statistiku převáží.

Poslední pravidlo, které si vezměte s sebou: každá metrika, která vypadá „až moc dobře", je hypotéza k vyvrácení, ne důkaz k oslavě. Zkuste ji rozbít – jiným obdobím, jiným trhem, jiným rozestupem vstupů. Pokud přežije, teprve pak jí začněte věřit.

Overfitting a prop challenge: proč přeučená strategie padne na daily loss limitu

Přeučená strategie nepadá na tom, že by byla dlouhodobě ztrátová – padá na tom, že v jednom konkrétním dni prorazí daily loss limit dřív, než stihne předvést svou dlouhodobou křivku. Backtest má neomezený čas a nekonečnou trpělivost. Challenge má oboje omezené: max drawdown, denní limit ztráty a kalendář, který nečeká, až se vaše equity zase otočí nahoru.

To je klíčový rozdíl mezi optimalizací na historických datech a realitou overfittingu v prop firm challenge. Strategie, která v in-sample datech nikdy neviděla sérii horší než tři ztráty za sebou, dřív nebo později v živém provozu natrefí na čtyři, pět, šest ztrát v řadě – protože trh generuje kombinace, které se ve vašem vzorku prostě nestihly objevit. Při riziku 1,5 % na obchod znamená série čtyř ztrát v jednom dni pokles kolem 6 %, a u řady challenge produktů je to konec evaluace, i kdyby strategie za rok byla čistě zisková.

Backtest neřeší pořadí ztrát — challenge ano

Backtest vám dá net profit, win rate, profit factor za celé období. Nezajímá ho, jestli se čtyři ztráty seskupily do jednoho úterý, nebo se rozprostřely přes tři měsíce. Challenge se zajímá jen o to druhé. Daily loss limit a max drawdown jsou okenní, ne celkové metriky – počítají se den po dni, ne rok po roce. Strategie s dobrým dlouhodobým očekáváním, ale s nedostatečně otestovanou distribucí ztrátových sérií, se v challenge chová jako auto s dobrou průměrnou spotřebou, které ale občas během jednoho kopce spotřebuje celou nádrž najednou.

Jak odvodit risk per trade z nejhoršího Monte Carlo scénáře

Řešení není hádat riziko po pocitu, ale odvodit ho z Monte Carlo simulace vaší obchodní historie. Vezměte svých posledních 200+ obchodů, náhodně je přeskládejte v tisících simulací a sledujte, jaká je 95. percentilová denní ztráta. Risk per trade pak nastavte tak, aby tato hodnota zůstala pod vaším daily loss limitem s rezervou aspoň 30 %. Pokud váš limit je 5 % a Monte Carlo ukazuje, že 95 % simulací drží denní ztrátu pod 3,5 %, jste v bezpečném pásmu. Pokud vám 95. percentil vychází na 4,8 %, riziko snižte – jinak jen čekáte, který den vás statistika dožene.

Minimální počet obchodních dnů vs. strategie s pár signály měsíčně

Druhý problém overfittingu se neukáže na equity křivce, ale na kalendáři. Strategie postavená a přeoptimalizovaná na pěti signálech měsíčně vypadá v backtestu elegantně, ale v challenge s podmínkou minimálního počtu obchodních dnů vás nutí improvizovat. Trader, kterému chybí tři obchodní dny do splnění podmínky a trh mlčí, začne brát signály, které jeho vlastní pravidla nikdy neschválila – a přesně tady se poctivá strategie rozpadá na overfitting v přímém přenosu, protože se odchyluje od toho, na čem byla vůbec postavená.

For Traders Trading Challenge běží na simulovaném kapitálu, takže tyhle limity – daily loss limit, max drawdown i minimální počet obchodních dnů – narazíte bez rizika vlastních peněz a s jasně danými čísly předem. Pokud evaluační fázi řešit nechcete a máte za sebou dost obchodní historie na to, abyste si věřili, existuje i cesta přes Instant Funding, která evaluaci přeskakuje úplně.

Časté otázky