Budoucnost obchodování: trendy v AI a strojovém učení
AI v tradingu v roce 2026: co umí strojové učení a LLM modely, kde selhávají, jak testovat strategii bez overfittingu a co je povolené v prop challenge.

By Marcel Hambálek · Senior Trader, For Traders
AI v tradingu znamená použití strojového učení, neuronových sítí a jazykových modelů k analýze dat, řízení rizika a automatizaci vstupů — nikoli predikci ceny s jistotou. V roce 2026 je pro retail tradera nejsilnější v oblasti risk managementu, filtrování setupů a zpracování textu, zatímco samostatné „AI boty“ padají nejčastěji na overfittingu a nerealistickém backtestu.
Klíčové poznatky
- AI v tradingu není svatý grál na predikci ceny — nejvyšší reálnou hodnotu má v risk managementu, filtraci setupů a zpracování textových dat.
- Většina „zázračných“ equity křivek v backtestu je výsledkem overfittingu, data snoopingu nebo ignorování spreadu a slippage.
- Validace má pevný řetězec: in-sample → out-of-sample → walk-forward → forward test na demu → teprve pak evaluace na simulovaném kapitálu.
- Sledujte profit factor, Sharpe ratio, max drawdown a RAR/MDD — a předem si definujte prahy, při kterých systém vypnete.
- LLM modely jako GPT nebo Claude používejte jako asistenta pro journaling, kontrolu setupů a přípravu na NFP či FOMC, ne jako generátor signálů.
- Expert Advisory a vlastní skripty jsou v prop challenge běžně povolené, ale HFT, latency arbitrage a kopírování mezi účty třetích stran nikoli — pravidla si vždy ověřte předem.
Podívejte se: související video
Co je AI v tradingu a čím se liší od algoritmického obchodování
AI v tradingu znamená systémy, které se učí ze vstupních dat a samy si upravují vnitřní parametry na základě výsledků — na rozdíl od klasického algoritmu, který jen vykonává předem napsaná pravidla ("pokud cena protne SMA 200, otevři long"). Zjednodušeně: algoritmus dělá přesně to, co mu naprogramujete, zatímco model strojového učení si cestu k výstupu částečně "objeví" sám z dat.
Tahle hranice je důležitá, protože hodně tradů, kteří hledají "AI v tradingu", si ve skutečnosti představují glorifikovaný expert advisor na MetaTrader 5. A to je omyl, který vás může stát dost peněz na zbytečných doplňcích a kurzech.
Algoritmus vs. strojové učení: kde je skutečná hranice
Klasické algoritmické obchodování pracuje s pevnou logikou — if/then podmínky, fixní lot size, fixní stop loss v pipech. Je to deterministické: stejný vstup = stejný výstup, pokaždé. Strojové učení v tradingu naopak pracuje s pravděpodobnostmi. Model dostane tisíce (nebo miliony) vzorků historických dat, hledá v nich statistické vzory a výstupem je skóre nebo klasifikace — "pravděpodobnost 63 %, že další svíčka uzavře nad otevírací cenou". Neuronové sítě jsou jen jedna konkrétní architektura, jak tohle učení realizovat; existují i jednodušší přístupy jako regresní modely nebo rozhodovací stromy, které v praxi na retailových datových sadách často fungují stejně dobře a jsou mnohem méně náchylné na overfitting.
Rozdíl v praxi: EA na MetaTrader 5 s pevnými pravidly bude za rok fungovat stejně jako dnes, pokud se nezmění trh. ML model se "rozjíždí" podle dat, na kterých byl trénovaný — a pokud se tržní režim (volatilita, korelace, likvidita) posune, model to často nepozná, dokud nezačne krvácet na live účtu.
Tři vrstvy AI, se kterými retail trader reálně pracuje
- Pravidlový algoritmus (EA): Vstup jsou cenová data a indikátory, výstup jsou pevně definované pokyny k obchodu. Žádné učení, žádná adaptace — jen rychlá a disciplinovaná exekuce stejné logiky, 24/5.
- Statistické a ML modely: Klasifikace (nahoru/dolů), regrese (odhad velikosti pohybu) nebo reinforcement learning, kde model dostává "odměnu" za ziskové akce a postupně optimalizuje strategii metodou pokus-omyl. Tahle vrstva se dnes nejvíc používá na filtrování setupů a risk management, ne na čistou predikci směru.
- Jazykové modely (LLM): Vstupem je text — zprávy z FOMC, earnings call, X/Twitter sentiment — výstupem shrnutí nebo skóre sentimentu. LLM neobchoduje za vás, ale umí vám ušetřit hodiny čtení před NFP.
Co AI nikdy nebude: predikce není edge
Model s 65% přesností predikce směru může být naprosto ztrátový, pokud váš poměr R:R je 1:1, spready a slippage ukrajují každý fill a position sizing neodpovídá vaší equity. Edge nevzniká z přesnosti predikce samotné, ale z kombinace statistické výhody, nákladů na exekuci a disciplíny v money managementu. Umělá inteligence v tradingu vám může zlepšit vstupní filtr nebo odhalit korelace, které byste okem nenašli — ale pokud exekuce a risk management nesedí, ani nejlepší neuronová síť vás neudrží nad vodou.
Co AI v tradingu reálně umí v roce 2026 — a co ne
AI trading bot dnes spolehlivě zvládne zpracovat obrovský objem dat a udržet konzistentní exekuci bez emocí — ale předvídat směr ceny na vyšším horizontu s jistotou neumí nikdo, ani nejdražší model. Rozdíl mezi tím, co umělá inteligence umí v laboratoři a co funguje na živém účtu, je přesně tam, kde se láme většina AI tradingových strategií v roce 2026.
| Úloha | AI umí | AI neumí (nebo jen s rezervou) |
|---|---|---|
| Zpracování objemu dat | Ano — tisíce tickrat, zpráv a korelací v reálném čase | — |
| Konzistentní exekuce | Ano — žádný emoční posun stop lossu | — |
| Sizing podle volatility | Ano — dynamické škálování podle ATR a realizované volatility | Slabé u náhlých vol-spiků bez historické reference |
| Klasifikace tržního režimu | Ano — rozpozná trend/range na základě historických vzorů | Nespolehlivé při přechodu mezi režimy |
| Sumarizace zpráv a sentimentu | Ano — rychlé čtení NFP, FOMC statementů, headlines | — |
| Predikce směru na vysokém horizontu | — | Ne — přesnost klesá k náhodě nad denní horizont |
| Chování v neviděných režimech | — | Ne — overfitting na historická data selže na nové situaci |
| Reakce na strukturální zlomy | — | Ne — flash crash, de-peg, válečný headline reagují jinak než trénovací data |
Úlohy, kde AI poráží člověka s přehledem
Tam, kde jde o objem a disciplínu, obchodní algoritmy vyhrávají bez diskuze. Zpracování tisíců datových bodů, filtrování setupů podle přednastavených kritérií, hlídání korelace mezi XAUUSD a DXY nebo mezi US100 NSDQ a výnosy dluhopisů — to je práce, kterou AI dělá rychleji a bez únavy. Stejně tak sumarizace zpráv: model přečte FOMC statement a vytáhne klíčovou změnu formulace rychleji, než stihnete otevřít druhou záložku.
Úlohy, kde AI pravidelně selhává
Predikce směru na horizontu dní až týdnů je přesně tam, kde se AI trading 2026 láme nejčastěji. Model natrénovaný na historických datech funguje skvěle v podmínkách, které už viděl — a selže, jakmile trh vstoupí do nového režimu. Strukturální zlomy (prudká změna úrokové politiky, geopolitický šok, flash crash) nemají v trénovacích datech obdobu, takže model reaguje opožděně nebo vůbec.
Proč to instituce zvládnou a retail trader ne
Institucionální hráči provozující HFT a latency arbitráž mají kolokaci serverů přímo u burzy, přístup k tick datům a vlastní datové feedy s latencí v mikrosekundách. Retail trader pracuje přes MetaTrader 5, cTrader nebo TradeLocker s latencí v desítkách až stovkách milisekund a daty agregovanými od brokera. To znamená, že honit edge na nižších timeframech proti institucím nedává smysl — vaše AI tam prohraje na rychlosti, ne na chytrosti modelu. Edge pro retail tradera leží výš: na H1 a vyšších timeframech, kde latence přestává rozhodovat a rozhoduje kvalita filtru setupů. Právě proto dává smysl stavět AI podporu kolem XAUUSD a US100 NSDQ, případně CME futures — instrumentů s dostatečnou likviditou a volatilitou na to, aby se statistická výhoda stihla projevit dřív, než ji smaže spread a slippage.
Overfitting, data snooping a non-stacionarita: proč hezké backtesty padají
Systém s profit faktorem 2,8 v backtestu padá na živém trhu nejčastěji ze tří důvodů: overfitting na historická data, data snooping při opakovaném testování a non-stacionarita trhu, kdy se podmínky od data sběru dat prostě změnily. Žádný z nich nesouvisí s "nefunkčností AI" jako takové — souvisí s tím, jak se backtesting AI strategie typicky dělá: na jedné sadě dat, mnohokrát dokola, dokud čísla nevypadají dobře.
Overfitting: když model nacpe paměť místo pravidla
Overfitting poznáte podle tří signálů, které se dají zkontrolovat ještě před tím, než risknete jediný dolar. Za prvé, počet optimalizovaných parametrů je příliš vysoký vůči počtu obchodů v datasetu — pokud model ladíte na 200 obchodech a máte 15 proměnných, model si prostě zapamatoval šum, ne pravidlo. Za druhé, extrémní citlivost na malou změnu parametru: posunete stop loss z 1,5 ATR na 1,6 ATR a profit faktor se zřítí z 2,8 na 0,9. To není robustní edge, to je náhoda vybroušená do grafu. Za třetí, výkon je soustředěný do hrstky obchodů — pokud 70 % zisku tvoří pět tradů z tří set, systém nemá edge, má outlier.
Praktické pravidlo, které si můžete rovnou zapsat: držte se poměru alespoň 30 obchodů na každý optimalizovaný parametr. Méně, a výsledkům z backtestu prostě nevěřte, ať vypadají jakkoli lákavě. Walk-forward analýza — tedy optimalizace na jednom úseku dat a test na navazujícím, dosud nepoužitém úseku — je nejspolehlivější způsob, jak overfitting odhalit dřív, než vám sebere depozit.
Data snooping a survivorship bias v retail datech
Data snooping vzniká, když testujete desítky variant strategie na stejném datasetu, dokud jedna "nevyjde". Problém je statistický, ne osobní chyba: při dostatečném počtu pokusů najdete náhodnou kombinaci parametrů, která historicky fungovala, čistě díky zákonu velkých čísel. K tomu se přidává survivorship bias v retail datech — veřejně dostupné historické datasety často obsahují jen aktivní instrumenty a vynechávají ty, co zanikly nebo byly delistovány, takže backtest vypadá lépe, než jaký byl skutečný stav trhu v daném období.
Obrana je nepohodlná, ale funguje: oddělte si skutečně nedotčený hold-out vzorek dat, na který se nepodíváte, dokud strategii finálně neotestujete. Žádné "jen se mrkneme, jak by to dopadlo" — v moment, kdy na ta data pohlédnete při ladění, přestávají být nedotčená.
Non-stacionarita: trh z roku 2021 už neexistuje
Non-stacionarita trhu znamená, že statistické vlastnosti ceny — volatilita, korelace, struktura spreadu — se v čase mění, takže model natrénovaný na jednom režimu selhává v jiném. XAUUSD a US100 NSDQ po roce 2024 prošly jiným volatilitním režimem než v letech 2020–2021: jiná frekvence makro šoků, jiná struktura spreadu kolem NFP a FOMC, jiná dynamika slippage v obdobích nízké likvidity. Model vytrénovaný na starších datech tak může filtrovat setupy podle vzorců, které na současném trhu prostě neplatí.
Proto se AI v tradingu neřeší jako "natrénuj jednou a pusť navždy" — chce to pravidelnou revalidaci na čerstvých datech a akceptaci, že žádný model nemá doživotní záruku.
Praktický workflow: od dat po nasazení na challenge účtu
Funkční AI strategie nevzniká tak, že si stáhnete data, pustíte na ně model a druhý den jdete na evaluaci. Je to osm kroků, přičemž první tři zaberou možná týden a poslední dva klidně tři měsíce. Pokud některý krok přeskočíte, systém sice proběhne backtestem krásně, ale na reálném (byť simulovaném) účtu narazí na realitu spreadu a slippage, se kterou nepočítal.
Krok 1–3: data, features a hrubý prototyp
Nejdřív si rozdělíte historická data na tři bloky — zhruba 60 % jako in-sample na trénování, 20 % jako out-of-sample na první ověření a 20 % jako nedotčený hold-out, na který se model podívá teprve na úplný konec. Tohle rozdělení si poznamenejte a nikdy ho neměňte zpětně podle toho, jak se vám výsledky líbí — to je nejčastější cesta k přeučení (overfittingu).
V kroku features vybíráte vstupy, které mají logiku za sebou, ne jen statistickou korelaci — ATR pro volatilitu, vzdálenost od klouzavého průměru, čas do NFP nebo FOMC. Python pro tradery je tu standard: knihovna pandas na čištění a transformaci dat, numpy na výpočty, scikit-learn nebo lehčí gradient boosting na první model. Hrubý prototyp by měl být co nejjednodušší — pokud strategie nefunguje s pěti features, nebude fungovat o nic líp s padesáti.
Krok 4–6: backtest s realistickými náklady a walk-forward
Backtesting AI strategie bez realistických nákladů je jenom hezký graf. Do simulace musí jít spread, slippage i komise — a u XAUUSD se spread v okolí NFP běžně rozšíří na násobek běžné hodnoty, totéž platí pro FOMC. Pokud model generuje vstupy právě v těchto oknech a vy počítáte s klidovým spreadem, dostanete equity křivku, která v reálu neexistuje. Backtrader v Pythonu nebo nativní strategy tester v MetaTrader 5 umí tyhle náklady modelovat slušně — využijte to.
Dál přichází walk-forward analýza: místo jednoho train/test rozdělení posouváte okno v čase, trénujete na jednom úseku, testujete na následujícím a posouváte dál. Minimálně pět takových oken by mělo projít s konzistentními výsledky — pokud strategie vydělává jen v okně č. 2 a jinde je v mínusu, nemáte edge, máte náhodu.
Krok 7–8: forward test na demu a teprve pak evaluace
Teprve po walk-forwardu přichází hold-out set — těch odložených 20 % dat, na která se model podíval poprvé. Pokud tady výsledky sedí s tím, co ukázal walk-forward, můžete jít dál. Pokud ne, vracíte se ke kroku 2, ne k ladění parametrů v kroku 4.
Poslední fází před reálným nasazením je forward test na demu — automatický trading pouštíte na živých cenách, ale na simulovaném účtu, minimálně 60–90 obchodů nebo 3 měsíce, podle toho, co nastane dřív. Teprve systém, který přežije všechny čtyři fáze — backtest s náklady, walk-forward, hold-out i forward test na demu — má smysl pustit na evaluaci se simulovaným kapitálem v rámci Trading Challenge. Všechno předtím je jenom hypotéza s hezkým grafem.
Metriky automatizovaného systému a kdy ho vypnout
Systém, který nemáte pod kontrolou pomocí čísel, je jenom sázka s extra kroky. Pokud sledujete jen "kolik to vydělalo celkem", přijdete na degradaci systému o měsíce později, než kdybyste sledovali rolling metriky na posledních obchodech. Níže jsou prahové hodnoty, se kterými reálně pracuje retail trader, a tři konkrétní pravidla, kdy robota vypnout.
| Metrika | Co měří | Realistický práh (retail, denní data) |
|---|---|---|
| Profit factor | Poměr hrubého zisku k hrubé ztrátě | 1,3–1,6 je solidní; nad 2,0 u retailu podezřele vysoké |
| Sharpe ratio | Výnos vůči celkové volatilitě | 0,8–1,2 realistické; nad 2,0 bez overfittingu skoro nevídané |
| Max drawdown | Největší pokles od vrcholu equity | Závisí na risku, ale 15–25 % historie je běžné u agresivnějších systémů |
| RAR/MDD | Výnos upravený o riziko vůči max drawdownu | Nad 0,5 slušné, nad 1,0 velmi dobré |
| Ulcer Index | Hloubka a délka drawdownů (bolest, ne jen velikost) | Nižší je lepší; srovnávejte relativně mezi variantami stejné strategie |
Prodejci botů běžně inzerují Sharpe ratio 3 a profit factor 2,5 na krátkém backtestu bez nákladů. Na reálných denních datech s komisí a slippage jsou takové hodnoty spíše výjimkou než normou — berte je jako červenou vlajku, ne jako benchmark, kterému se máte přiblížit.
Rolling metriky: sledujte posledních 50 obchodů, ne celou historii
Systém se nerozpadne ze dne na den — rozpadá se postupně, a celková statistika za dva roky to krásně zamaskuje, protože skvělých prvních 300 obchodů převáží posledních 50 slabých. Počítejte profit factor, Sharpe a drawdown jako rolling okno (posledních 50 obchodů nebo poslední tři měsíce) a sledujte trend, ne jen absolutní číslo. Klesající rolling profit factor při stabilní celkové statistice je přesně ten signál, který většina traderů přehlédne, protože se dívají na špatné číslo.
Tři vypínací pravidla, která si napište předem
- Rolling profit factor pod 1,0 na posledních 50 obchodech — systém v tomto okně prodělává, bez ohledu na to, jak vypadá celková historie.
- Rolling drawdown přes polovinu historického max drawdownu zaznamenaného v backtestu a forward testu — pokud model historicky padal max o 20 %, propad přes 10 % v živém provozu je signál, že se mění podmínky, na kterých byl stavěný.
- ATR skočí mimo rozsah, na kterém byl model trénovaný — třeba po FOMC nebo nečekaném gapu v gold. Model trénovaný na klidnější volatilitě nemá důvod fungovat ve zcela jiném režimu trhu.
Tahle tři pravidla si propojte s limity, které stejně musíte respektovat v rámci Trading Challenge — denní loss limit a max drawdown účtu nejsou jen podmínka evaluace, ale přirozený backstop i pro váš automatizovaný systém. Pokud robot narazí na vypínací pravidlo dřív, než narazí na daily loss limit účtu, máte funkční risk management. Pokud se to stane obráceně, systém vás vypnul limit namísto toho, abyste ho vypnuli vy — a to je přesně ten rozdíl mezi tím, kdo riziko řídí, a kdo ho jen přežívá.
Připraveni tradovat fundovaný kapitál?
Vyberte si svou cestu — Instant účty, One-Step nebo Two-Step Challenge — už od $23, s fundovaným kapitálem až $300,000.
Vybrat challengeAI a risk management na XAUUSD a US100: nejpoužitelnější vrstva
Nejpraktičtější nasazení AI v tradingu nemá nic společného s predikcí ceny — je to skript, který za vás spočítá velikost pozice podle ATR a vzdálenosti stop lossu, dřív než kliknete na "buy". Nepotřebujete neuronovou síť ani miliony řádků dat. Stačí vzorec, tabulka a disciplína ho používat na každém obchodu, ne jen když se vám chce.
Automatický sizing pozice podle ATR a vzdálenosti stopu
Riziko na obchod jako pevné procento účtu zní jednoduše, ale na různých nástrojích vypadá úplně jinak. Na XAUUSD s ATR kolem 25 USD potřebujete při stopu 2× ATR (50 USD) a riziku 1 % na účtu $100,000 (cca 2,3 mil. Kč) úplně jiný počet lotů než na US100 (NSDQ), kde se ATR měří v bodech indexu a hodnota bodu je jiná. Pokud počítáte velikost pozice ručně a navíc pod tlakem, chyba v desetinné čárce vás stojí dvojnásobné riziko, aniž byste to poznali, dokud není pozdě.
Řešení je skript nebo prostý Excel: zadáte riziko v procentech, systém vytáhne aktuální ATR, spočítá vzdálenost stopu a vrátí vám přesný lot size. Žádné dohadování, žádné "zaokrouhlím to nahoru, ať to stihne pohyb". Tohle je přesně ta vrstva AI a risk managementu v tradingu, která funguje bez ohledu na to, jestli váš vstupní signál je diskrecionální nebo mechanický.
Hlídání daily loss limitu a max DD bez emocí
Druhá vrstva je kumulativní expozice. Máte otevřené tři pozice na zlatě a jednu na US100 — kolik je to dohromady procent rizika, pokud se trh otočí proti vám na všech najednou? Ručně to spočítáte ve stresu špatně. Automatizované hlídání sečte riziko všech otevřených pozic v reálném čase a nastaví tvrdý stop, například při 80 % denního limitu, kdy vám systém zavře nové vstupy a nechá jen management existujících pozic.
To je přesně princip, který jsme popsali v souvislosti s max drawdown a daily loss limit jako backstopem — algoritmus nečeká, až narazíte na hranu evaluace, ale zastaví vás o kus dřív, kdy ještě máte prostor dýchat a nemusíte dělat obchod ze zoufalství.
Dynamické stop lossy: kdy pomáhají a kdy ničí R:R
Dynamický stop loss navázaný na ATR dává smysl v trendujícím trhu — posouvá se s volatilitou a drží vás v obchodě, dokud trend žije, místo pevného levelu, který vás vyklepne na obyčejném pullbacku. Problém nastává, když stejný algoritmus aplikujete bez rozmyslu na range-bound trh nebo těsně před FOMC, kdy se ATR dočasně nafoukne a dynamický stop vám najednou povolí dvojnásobné riziko, než jste plánovali.
Algoritmus neposune stop ze strachu — to je jeho síla. Ale neumí poznat, že se změnil režim trhu, že klidné zlato se chystá na NFP spike nebo že US100 vstupuje do jiné volatilitní fáze. Proto dynamický stop potřebuje občasnou lidskou kontrolu, ne slepou důvěru.
V prop challenge je přesně tahle risk vrstva rozdíl mezi tím, kdo projede účet na jednom špatném dni, a kdo postoupí do dalšího kroku. Sizing podle ATR a hlídání expozice vám nezaručí zisk, ale zaručí, že vás nevyřadí vlastní neschopnost spočítat riziko správně.
LLM modely jako asistent, ne jako generátor signálů
GPT nebo Claude vám nepředpoví pohyb XAUUSD ani nespočítají, kam půjde US100 po FOMC — ale dokážou vám ušetřit hodiny práce s journalingem, kontrolou disciplíny a rešerší makro kalendáře. Jazykové modely jsou trénované na textu a vzorcích v textu, ne na predikci čísel. Tam, kde končí jejich užitečnost jako "AI trading bota", začíná jejich reálná hodnota jako asistenta, který čte, strukturuje a ptá se za vás.
Journaling a post-trade analýza s GPT nebo Claude
Nejpraktičtější use case roku 2026: export obchodů z MetaTrader 5 nebo TradeLocker nahrajete do GPT nebo Claude a necháte model hledat vzorce ve vašich chybách. Ne "proč jsem prodělal na tomhle obchodě", ale "ve kterých dnech v týdnu mám nejhorší win rate" nebo "jak se liší moje R:R u obchodů otevřených po 20:00 oproti ránu". LLM je dobrý v hledání textových a strukturních korelací napříč stovkami řádků — práce, kterou byste jinak dělali ručně v Excelu hodinu. Trading journal doplněný o AI shrnutí vám ukáže vzorec dřív, než ho najdete sami, protože vlastní chyby máme tendenci racionalizovat.
Kontrola setupu podle vlastních pravidel před vstupem
Druhý workflow je checklist před vstupem. Napíšete si vlastní pravidla setupu (např. "vstupuji jen po pullbacku k EMA 50, s potvrzením na nižším timeframu, ne 30 minut před NFP") a před každým obchodem se modelu zeptáte: "splňuje tento obchod moje pravidla? vyjmenuj, co nesedí." Model nehodnotí trh — hodnotí shodu mezi vaším popisem situace a vaší vlastní definicí validního setupu. Je to v podstatě druhý pár očí, který nemá emoce a nechce se "pomstít trhu" za předchozí ztrátu. V challenge, kde vás jeden impulzivní vstup může vyřadit, je tahle brzda levná pojistka.
Příprava na NFP a FOMC a shrnutí sentimentu trhu
Třetí oblast je rešerše. Před NFP nebo FOMC můžete modelu dát odkazy na aktuální zprávy a nechat si udělat shrnutí tržních očekávání, pozice analytiků, co trh "pricuje". LLM a analýza sentimentu trhu funguje dobře jako kompilace textu z více zdrojů do čitelného přehledu — ušetří vám čtení pěti článků zvlášť.
Tady ale přichází nejdůležitější varování celé sekce: LLM nemá přístup k živým cenám ani k aktuálním ekonomickým datům, pokud mu je sami nedodáte nebo nemá aktivní vyhledávání. Zeptáte-li se na aktuální hodnotu PMI nebo poslední CPI bez zdroje, model si číslo s velkou jistotou vymyslí — tomu se říká halucinace AI a u čísel a dat je to nejčastější a nejnebezpečnější chyba. Stejně tak "analýza grafu" ze screenshotu je nespolehlivá — model nevidí přesné ceny sviček, jen odhaduje tvar. Každé číslo, datum release a hodnotu indikátoru, kterou vám model vrátí, si ověřte v primárním zdroji (kalendář makra, CME Group, oficiální statistika), než podle ní uděláte cokoliv s risk managementem.
Je AI trading povolený v prop challenge? Pravidla u For Traders
Ano, AI v tradingu je u For Traders povolená — vlastní Expert Advisor, skripty pro risk management i AI asistence při analýze trhu jsou v naprosté většině případů v pořádku. Problém nevzniká u vstupu do Trading Challenge, ale až při výplatě performance rewards, kdy se obchodní historie zpětně kontroluje a hledají se vzorce, které pravidla vyloženě zakazují.
Otázka "je AI trading povolený v prop firmách" se řeší v podstatě u každé platformy stejně: nezáleží na tom, jestli vstup generuje vaše hlava, Python skript nebo jazykový model — záleží na tom, jak vstup vznikl a jestli nezneužívá infrastrukturu. AI v prop tradingu je nástroj, ne výmluva. Firma kontroluje chování účtu, ne to, co jste si přečetli v ChatGPT.
Co je běžně povolené: EA, vlastní skripty, AI asistence
Do této kategorie spadá naprostá většina retailových setupů:
- Expert Advisor na MetaTrader 5 — plně automatizovaný systém, který sám otevírá a zavírá pozice podle vaší logiky.
- Vlastní skripty pro risk management — automatické přesuny stop lossu na breakeven, trailing podle ATR, uzavření všech pozic při dosažení denního loss limitu.
- AI asistence při analýze — jazykový model vám pomůže rozpoznat sezónnost, shrnout fundament před NFP nebo FOMC, nebo zkontrolovat, jestli váš setup odpovídá plánu. Rozhodnutí a kliknutí na vstup je ale pořád vaše (nebo vašeho EA).
Co povolené není: HFT, latency arbitráž, kopírování mezi účty
Na druhé straně stojí strategie, které nezneužívají trh, ale infrastrukturu firmy:
- High-frequency trading (HFT) a latency arbitráž — využívání zpoždění mezi feedy nebo rozdílných kotací napříč servery k bezrizikovému zisku.
- Tick scalping na zpožděných kotacích — otevírání pozic v momentě, kdy víte, že cena na demo serveru ještě nedohnala reálný trh.
- Hromadné kopírování identických obchodů mezi účty třetích stran — typicky skupina účtů, která replikuje stejný signál, aby minimalizovala riziko na úkor firmy.
Tyhle vzorce se poznají snadno v obchodní historii — stejný timing, stejná velikost pozice, nulová variabilita. Právě proto traderi nepadají na vstupu do challenge, ale až ve chvíli, kdy žádají o výplatu a historie jde pod drobnohled.
| Přístup | Status | Proč |
|---|---|---|
| Vlastní EA na MetaTrader 5 | Povoleno | Transparentní logika, žádné zneužití feedu |
| AI asistence při analýze / textu | Povoleno | Nástroj na rozhodování, ne na obcházení pravidel |
| Skript pro automatický risk management | Povoleno | Chrání kapitál, nezneužívá latenci |
| Latency arbitráž / zpožděné kotace | Zakázáno | Zneužití technického zpoždění, ne tržní edge |
| Kopírování mezi účty třetích stran | Zakázáno | Obchází limity rizika na úrovni jednoho účtu |
Vždy, prosím, ověřte konkrétní strategii předem v pravidlech a FAQ For Traders — detaily se liší podle typu účtu (Trading Challenge, Instant Funding, Pay After Pass) a je levnější se zeptat dopředu než řešit zamítnutou výplatu.
Platformy a kde svůj systém reálně spustíte
For Traders podporuje MetaTrader 5 pro EA a skripty, TradeLocker a cTrader pro ruční i poloautomatický trading, a For Traders X pro CME futures, kde se obchodují kontrakty jako ES nebo NQ s vlastní sadou pravidel pro automatizaci. Výběr platformy ovlivňuje, jaký typ automatizace reálně nasadíte — ne každý skript běží stejně dobře na každé z nich.
Připraveni tradovat fundovaný kapitál?
Vyberte si svou cestu — Instant účty, One-Step nebo Two-Step Challenge — už od $23, s fundovaným kapitálem až $300,000.
Vybrat challengeČím začít: dovednosti, nástroje a proč nekupovat černou skříňku
Nejrychlejší vstup do AI v tradingu nevede přes nákup hotového bota, ale přes tři dovednosti: základy Pythonu, práci s daty a statistické myšlení. Bez toho nepoznáte, jestli vám systém funguje, nebo jestli jste si jen vyrobili drahý generátor náhody.
Minimální technický základ pro rok 2026
Python pro tradery dnes neznamená psát vlastní neuronovou síť od nuly. Znamená to umět:
- stáhnout historická data (přes API brokera, nebo volně dostupné zdroje) a vyčistit je od chybějících svíček a duplicit v knihovně pandas,
- rozumět základní statistice — co je distribuce výnosů, co znamená statistická významnost a proč výsledek z 30 obchodů nic neprokazuje,
- a umět přečíst out-of-sample test, tedy ověření strategie na datech, která model při tvorbě neviděl.
Pokud vás kódování odrazuje, nejrychlejší start bez psaní řádku kódu je nativní strategy tester v MetaTrader 5. Umí walk-forward optimalizaci i modelování spreadu a swapů, a než se pustíte do vlastních obchodních algoritmů v Pythonu, je to slušné hřiště na ověření, jestli vás systematický trading vůbec baví.
Vyplatí se platit za hotové AI signály?
Ve většině případů ne. Mezi nejlepší AI nástroje pro tradery dnes patří ty, co vám zrychlí analýzu vlastních dat nebo filtrují setupy — ne krabičkové AI trading boty prodávané za pár stovek korun měsíčně se slibem "90% úspěšnost". Pokud prodejce neukáže out-of-sample období, počet obchodů v testu, maximální drawdown a realistické modelování nákladů (spread, slippage, komise), nekupujete systém, kupujete marketing. A platí jednoduché pravidlo: model, který by skutečně generoval konzistentní edge, se neprodává retailu za cenu Netflixu — prodávalo by se s ním samotné fundování, ne přístup k signálu.
Regulace algoritmického tradingu v EU: ESMA a ČNB v praxi
Regulace algoritmického tradingu pod ESMA a dohled České národní banky míří primárně na regulované firmy — obchodníky s cennými papíry, investiční platformy, poskytovatele přímého přístupu na trh. Pokud testujete vlastní skript nebo Expert Advisor na simulovaném kapitálu v rámci Trading Challenge, nejste subjektem těchto povinností jako jednotlivec — jde o nastavení pro firmy, ne pro vás jako retail tradera. Tohle není právní poradenství, jen orientace v tom, kam regulace vlastně míří; pokud byste v budoucnu provozovali automatický trading pro třetí strany nebo spravovali cizí kapitál, pravidla se mění zásadně.
Ať už jdete cestou vlastního kódu nebo strategy testeru, postupujte od risk vrstvy k signálové, ne naopak. Nejdřív si ujasněte max drawdown, velikost pozice a pravidla pro stop loss — teprve pak ladíte, kdy a proč vstupujete. Trader, který tohle obrátí, skončí s elegantním modelem vstupů a účtem, který nepřežije první špatnou sérii.
Automatizace a AI v tradingu: výhody a slabiny v kostce
Výhody
- Konzistentní exekuce bez emočních zásahů — algoritmus neposune stop loss ze strachu ani nepřidá lot po prohraném obchodu
- Automatický sizing podle ATR a tvrdé hlídání daily loss limitu i max DD, což je v challenge nejčastější bod selhání
- Schopnost otestovat stovky variant strategie na historických datech za zlomek času manuálního testování
- Nepřetržité sledování více trhů najednou — XAUUSD, US100 i CME futures bez sezení u grafu
- LLM modely výrazně zrychlují journaling, post-trade analýzu a přípravu na makro eventy jako NFP či FOMC
Nevýhody / rizika
- Overfitting je pravidlo, ne výjimka: většina atraktivních backtestů nepřežije out-of-sample data
- Modely se rozpadají při změně režimu trhu, kterou v trénovacích datech nikdy neviděly
- Retail nemá přístup k tick datům, kolokaci ani latenci potřebné pro krátkodobé strategie
- Backtest téměř nikdy nemodeluje reálný spread a slippage při NFP nebo FOMC
- Černé skříňky a placené AI signály jsou neověřitelné a většinou neuvádějí max drawdown ani počet obchodů
- Vývoj a validace vyžadují měsíce práce, Python a disciplínu — žádná zkratka k rychlým performance rewards neexistuje
Časté otázky
Co je AI v tradingu a čím se liší od klasických algoritmů?+
AI v tradingu znamená použití modelů strojového učení, které se učí vzorce z historických dat a samy upravují svoje chování, zatímco klasický algoritmický obchodování pracuje s pevně danými pravidly typu "když cena protne klouzavý průměr, otevři pozici". Klasický EA dělá přesně to, co naprogramujete, a nic navíc. AI model naopak hledá nelineární souvislosti mezi desítkami vstupů – volatilitou, sentimentem, objemem – a jeho rozhodnutí se mění s novými daty. V praxi to znamená větší flexibilitu, ale i vyšší riziko, že model najde vzorec, který ve skutečnosti neexistuje.
Funguje AI trading bot i pro retail tradera, nebo jen pro instituce?+
AI trading bot může fungovat i pro retail tradera, ale bez institucionálních dat, výpočetního výkonu a týmu kvantů narazíte na strop rychleji než banka nebo hedge fond. Instituce mají přístup k alternativním datům (satelitní snímky, tok objednávek, zpoždění v milisekundách), což retailu chybí. Retail trader ale může úspěšně použít jednodušší ML modely na veřejně dostupná data – cenu, objem, sentiment z X nebo zpráv – a kombinovat je s vlastním risk managementem. Realisticky jde spíš o asistenta k rozhodování než o plně autonomní systém konkurující institucím.
Jaké úlohy AI v tradingu zvládá nejlépe v roce 2026?+
AI v roce 2026 nejlépe zvládá rozpoznávání vzorců ve velkém objemu dat a rychlé zpracování sentimentu z textu – zpráv, Fed komunikace nebo zpráv kolem NFP a FOMC. Výborně funguje i při filtrování šumu, detekci anomálií ve volatilitě a optimalizaci velikosti pozice podle aktuálního rozptylu. Naopak selhává při predikci skutečně nových situací, které v historických datech nemají obdobu – černé labutě, náhlé geopolitické šoky nebo první výskyt nové tržní struktury. Tam model extrapoluje z minulosti, která najednou neplatí, a dochází k chybným signálům.
Může AI nahradit risk management v tradingu?+
AI nenahradí risk management jako celek, ale výborně hlídá jeho mechanickou část – velikost pozice, drawdown, korelace mezi otevřenými obchody. Model dokáže v reálném čase přepočítat expozici podle volatility a automaticky zmenšit lot, když se trh rozkolísá nad nastavený ATR práh. Rozhodnutí o celkové strategii, maximální toleranci ke ztrátě nebo reakci na fundamentální šok ale zůstává na traderovi. Spoléhat se na AI jako na jediný risk filtr bez lidského dohledu je stejná chyba jako spoléhat se na mentální stop loss – systém nemá kontext, který máte vy.
Jak poznám, že je moje AI strategie přeoptimalizovaná?+
Přeoptimalizovaná (overfitted) strategie pozná se nejčastěji podle propasti mezi výsledky backtestu a live výkonem – pokud equity křivka v testu vypadá jako přímka nahoru a v reálu hned po spuštění začne padat, model se naučil šum, ne skutečný vzorec. Dalším signálem je přehnaný počet parametrů vzhledem k objemu dat nebo profit factor přes 3 na krátkém vzorku. Pomáhá walk-forward test, out-of-sample data a kontrola, jestli strategie dává smysl i fundamentálně, ne jen staticky. Pokud nedokážete vysvětlit proč model funguje, pravděpodobně jen fituje minulost.
Jak správně backtestovat a walk-forward testovat strategii?+
Backtest a walk-forward test by měly probíhat na oddělených datových vzorcích – strategii naladíte na jedné části historie (in-sample) a ověříte na jiné, kterou model při optimalizaci neviděl (out-of-sample). Walk-forward navíc tento proces opakuje v posouvajících se oknech, takže simulujete, jak by se strategie chovala v čase s průběžným přeladěním. Sledujte stabilitu výsledků napříč okny, ne jen průměr. Pokud strategie funguje jen na jednom konkrétním úseku trhu a jinde se rozpadá, nejde o robustní edge, ale o náhodu zafixovanou do parametrů.
Jaké metriky sledovat u automatizovaného AI tradingového systému?+
U automatizovaného systému sledujte minimálně profit factor (ideálně nad 1,5), max drawdown v poměru k průměrnému zisku, Sharpe ratio pro poměr výnosu k volatilitě a win rate v kombinaci s průměrným R:R. Důležitý je i počet obchodů v testovaném vzorku – desítky trade nestačí k žádnému spolehlivému závěru. Kromě čísel sledujte i konzistenci v čase: strategie s rovnoměrnou equity křivkou je hodnotnější než ta se třemi extrémními výhrami, které táhnou celý průměr nahoru.
Je používání AI nástrojů a EA povolené v prop trading challenge?+
Automatizace a expert advisoři jsou v Trading Challenge u For Traders obecně povolené, pokud nejde o zakázané praktiky jako arbitráž mezi účty, kopírování obchodů mezi více challenge účty nebo zneužívání chyb v cenotvorbě. Konkrétní pravidla si vždy ověřte v aktuálních podmínkách dané challenge, protože se mohou lišit podle typu účtu. Použití AI modelu pro analýzu nebo EA pro exekuci je v souladu s pravidly, pokud obchodujete transparentně a dodržujete limity daily loss a max drawdown nastavené pro daný produkt.
Jaké dovednosti potřebuji začít s AI v tradingu?+
Základem je znalost Pythonu pro práci s daty a modely, pochopení statistiky (korelace, distribuce, přeučení) a praktická zkušenost s tradingovou platformou jako MetaTrader 5 pro exekuci a backtesting. Přidejte si přístup k historickým a reálným datům přes API a základní orientaci v knihovnách pro strojové učení jako scikit-learn nebo pandas. Není nutné být datový vědec od začátku – mnoho traderů startuje s jednoduchými modely a postupně přidávají komplexitu, jakmile rozumí tomu, co každý parametr skutečně dělá s výsledkem.
Vyplatí se platit za hotové AI signály a černé skříňky?+
Placené AI signály a uzavřené černé skříňky se obvykle nevyplatí, protože nemáte přístup k logice modelu a nemůžete ověřit, jestli strategie není overfitted nebo jestli prodejce nemanipuluje s prezentovanými výsledky. Bez transparentnosti do vstupů a pravidel riskujete, že platíte za systém, který fungoval na historických datech, ale v živém trhu selže. Lepší cestou je naučit se základy sám, případně použít otevřené nástroje, kde vidíte přesně, podle čeho model rozhoduje, a dokážete si výsledky nezávisle ověřit.
Written by
Marcel Hambálek
Senior Trader, For Traders
Marcel trades Futures and Forex day-trading setups on funded accounts and writes about the executional details most traders skip — order types, slippage, session timing, platform quirks on MT5 and NinjaTrader. Pragmatic, mechanics-first, no fluff. Sleduj na LinkedIn
Follow on LinkedInPřipraveni tradovat fundovaný kapitál?
Vyberte si svou cestu — Instant účty, One-Step nebo Two-Step Challenge — už od $49, s fundovaným kapitálem až $300,000.
Vybrat challengeTradujte až s $300,000
Vybrat challenge