Jak AI proměňuje prop tradingové firmy

By Jakub Rož · Founder & CEO, For Traders

AI v prop tradingu v roce 2026 znamená dvě věci současně: nástroje, které si trader nasadí sám (analýza dat, backtest, tradingový deník, poloautomatická exekuce přes Expert Advisor), a risk engine na straně prop firmy, který v reálném čase hlídá drawdown, daily loss limit a rizikové vzorce chování. Většina prop firem — For Traders včetně — asistenční AI i EA na účtu se simulovaným kapitálem povoluje, ale zakazuje latency arbitráž, tick scalping, HFT a kopírování pozic mezi účty.

Klíčové poznatky

• Asistenční AI (analýza, backtest, deník) i vlastní Expert Advisor jsou u většiny prop firem povolené — problém nastává u praktik, které zneužívají exekuci a datový feed, ne u automatizace jako takové.
• Zakázané prakticky vždy: latency arbitráž, tick scalping na chybných kotacích, HFT s desítkami obchodů v milisekundách, kopírování obchodů mezi více účty a martingale s neomezeným navyšováním lotu.
• Risk engine prop firmy sleduje váš drawdown, expozici a velikost lotu tick po ticku — a dnes navíc rozpoznává vzorce jako revenge trading nebo skokové navýšení pozice po ztrátové sérii.
• LLM typu ChatGPT umí napsat kód strategie a zrychlit backtest, ale sám nedodá edge: bez walk-forward analýzy skončíte s přetrénovaným modelem, který v živém trhu rozpadne.
• Nejvíc se AI vyplatí tam, kde je největší volatilita a nejvíc dat — u XAUUSD a US100, zejména v okolí FOMC a NFP, kde se mění slippage i smysluplné umístění stopů.
• Futures na CME jsou nejrychleji rostoucím segmentem prop tradingu a algoritmická exekuce na For Traders X je jedním z důvodů — latenci a fill kvalitu tam řeší i retailový trader.

Podívejte se: související video

Co přesně znamená „AI v prop tradingu" v roce 2026

Definice v 50 slovech: AI jako asistent, ne jako věštec

AI v prop tradingu znamená použití strojového učení, reinforcement learningu a velkých jazykových modelů (LLM) na dvou stranách obrazovky současně: u tradera pro analýzu dat, backtest a poloautomatickou exekuci, u prop firmy pro real-time řízení rizika — sledování drawdownu, daily loss limitu a podezřelých vzorců chování na účtu se simulovaným kapitálem. To je celá definice. Zbytek jsou detaily.

Klíčové slovo je asistent. V roce 2026 je přes 90 % retailového nasazení AI v tradingu asistenční, ne autonomní — model vám navrhne setup, ohlídá riziko, zapíše obchod do deníku, ale finální tlačítko mačkáte vy. Autonomní AI, která sama otevírá a zavírá pozice bez lidského zásahu, existuje spíš na institucionální úrovni a v algoritmickém tradingu velkých fondů, kde běží roky vyvíjené modely s týmem kvantů v zádech. Na retailovém účtu, i tom fundovaném, je to zatím výjimka, ne pravidlo.

Tři vrstvy AI: analýza, exekuce, kontrola rizika

Aby se v tom pojmu neztratili, rozdělte si AI v prop tradingu do tří vrstev, které spolu komunikují, ale řeší jiný problém:

• Analytická vrstva — umělá inteligence v tradingu tady pomáhá s rozpoznáváním vzorců v historických datech, backtestem strategií a někdy i s generováním kódu pro Expert Advisora. Sem spadá i LLM jako pomocník, který vám vysvětlí, proč vás trh vyfakoval na FOMC.
• Exekuční vrstva — poloautomatické nebo automatické zadávání příkazů podle předem definovaných pravidel. Klasický algoritmický trading, jen s chytřejším rozhodovacím jádrem než starý if-then EA z roku 2015.
• Riziková vrstva — tohle je vrstva, kterou vidí prop firma, ne trader. Risk engine v reálném čase porovnává vaše chování s tisíci jiných účtů a hledá signály blížícího se maximálního drawdownu nebo porušení pravidel dřív, než se to stane.

Co AI v prop tradingu není (a proč na tom záleží)

Vymezení je stejně důležité jako definice. Strojové učení v tradingu není krystalová koule, která vám s jistotou spočítá kurz zlata za 5 dní — časové řady na finančních trzích jsou příliš zašuměné na spolehlivou predikci tohoto typu, a kdo vám tvrdí opak, prodává vám sen. Reinforcement learning trénovaný na historických datech taky neznamená „bot se 95% úspěšností", který koluje po sociálních sítích — takové claimy obvykle skrývají přeučený model na jedné konkrétní historii, který se v living market rozpadne do měsíce. A copy-trading služby vydávané za AI jsou jen kopírování pozic mezi účty pod marketingovou nálepkou, ne inteligentní systém.

Smíte v challengi používat AI bota nebo Expert Advisor?

Ano — automatizace sama o sobě zakázaná není. Expert Advisor na MetaTrader 5, vlastní skript na TradeLocker nebo cTrader, AI asistent, který vám generuje signály nebo hlídá money management — to všechno je u For Traders v rámci pravidel, pokud strategie generuje edge na trhu, ne edge na chybách simulované exekuce. Otázka „může se používat AI v prop firmě" má tedy jednoduchou odpověď: může, ale záleží na tom, odkud bere svoji výhodu.

Povolené vs. zakázané praktiky: tabulka a zdůvodnění

Proč jsou latency arbitráž, tick scalping a HFT zakázané

Logika je jednoduchá: prop firma testuje váš edge na trhu, ne váš edge na datovém feedu. Latency arbitráž, tick scalping na chybných kotacích a vysokofrekvenční trading (HFT) mají jedno společné — hledají slabinu v simulované exekuci, ne v ceně samotné. Na živém trhu s reálnou likviditou tyto strategie často buď nefungují vůbec, nebo generují úplně jiné výsledky, protože broker na druhé straně reálného trhu má jinou infrastrukturu než demo prostředí. Fundovaný účet, který stojí na takové "výhodě", se rozpadne v momentě, kdy narazí na reálné podmínky — a to je přesně to, čemu chceme předejít dřív, než k výplatě performance rewards vůbec dojde.

Checklist před spuštěním bota na účtu se simulovaným kapitálem

1. Backtestovali jste strategii na delším období, ne jen na jednom tržním režimu?
2. Víte přesně, jaký daily loss limit a max drawdown váš EA respektuje?
3. Otestovali jste bota na demo účtu dost dlouho, abyste viděli chování při slippage a při FOMC/NFP volatilitě?
4. Nespoléhá strategie na rychlost fillu rychlejší, než jakou reálně nabízí MetaTrader 5, TradeLocker nebo cTrader?
5. Nekopírujete pozice mezi vlastními účty ani neobchodujete cizí strategii přes třetí stranu?
6. Máte nastavený manuální override, kdybyste potřebovali bota zastavit uprostřed session?
7. Zkontrolovali jste aktuální pravidla pro váš konkrétní produkt — Trading Challenge, Instant Funding i Pay After Pass mají mírně odlišné podmínky pro automatizovaný trading?

Detaily se liší produkt od produktu, takže než bota nasadíte na účet se simulovaným kapitálem, projděte si oficiální pravidla pro váš konkrétní typ účtu — ušetří vám to případnou diskuzi s risk týmem po skončení challenge.

AI na druhé straně obrazovky: jak risk engine hlídá váš drawdown

Risk engine For Traders vyhodnocuje váš účet tick po ticku, ne jednou denně na uzávěrce — počítá equity, součet expozice napříč všemi instrumenty a vzdálenost k daily loss limitu i max DD v reálném čase, a jakmile je limit prolomen, pozice se automaticky uzavírají bez ohledu na to, jestli zrovna sedíte u obrazovky.

Server nekouká na jeden pár nebo jeden lot. Sčítá expozici napříč XAUUSD, US100 i futures pozicemi současně, protože korelovaná expozice (třeba dlouhé zlato a krátký dolarový index najednou) dokáže smazat účet stejně rychle jako jeden špatný vstup. Systém hlídá i limity velikosti lotu vůči zůstatku, takže když se pokusíte narvat do trhu pozici, která neodpovídá vaší equity, engine to odchytí dřív, než se stihne vyplnit celý objem.

Monitoring drawdownu, daily loss limitu a expozice v reálném čase

Prakticky to vypadá takto: každý fill, každá změna equity a každý tick nad otevřenou pozicí se přepočítává proti dvěma hranicím — dennímu poklesu a celkovému max drawdownu. AI řízení rizik trading v tomhle nastavení znamená, že mezi vaším kliknutím na "Buy" a reakcí serveru neuplynou minuty, ale milisekundy. Jakmile equity prorazí denní strop, systém pozice zavírá automaticky — nečeká na vaše potvrzení, protože v tu chvíli už nejde o názor, jde o pravidlo.

Jak systém pozná revenge trading a martingale

Prediktivní analytika na finančních trzích tady nefunguje jinak než jinde v odvětví — hledá vzorce, ne emoce. Engine neví, že jste naštvaní po třetím stopu. Ví ale, že rostoucí lot po ztrátě, zkracující se odstupy mezi vstupy a zrychlující se frekvence obchodů jsou statisticky nejsilnější prediktor porušení limitu, dřív než k němu reálně dojde. To je definice martingale i revenge tradingu na datové úrovni — ne psychologický popis, ale měřitelná sekvence chování, kterou model vidí o desítky vstupů dřív, než ji uvidíte vy sami.

Co s tím jako trader udělat, když jste v čerstvé ztrátové sérii

Přesně tady se rozhoduje mezi 95 % účtů, které vybuchnou, a 5 %, které projdou. Institucionální risk desky dělají stresové testy a simulace scénářů před tím, než vůbec pustí kapitál do trhu — vy si tu samou disciplínu můžete zmenšit na vlastní účet:

• Po třech stopech za sebou — tvrdý denní strop. Zavřete platformu, ne pozici. Diskuze s vámi samotnými o "ještě jednom vstupu" už neprobíhá na datech, ale na emoci.
• Snižte riziko na polovinu — pokud normálně riskujete 1 % na obchod, po sérii ztrát jděte na 0,5 %. Stejný setup, poloviční expozice, dokud se equity křivka nestabilizuje.
• Naplánujte pauzu předem, ne až v moment ztráty — nastavte si vlastní "daily loss limit" přísnější než ten platformní, a dodržujte ho stejně mechanicky jako risk engine dodržuje ten svůj.

Systém vás nezastaví z lítosti. Zastaví vás proto, že vzorec, který právě opakujete, statisticky vede k vymazání účtu — a to je přesně ta informace, kterou chcete mít dřív, než limit padne, ne až po něm.

Praktický AI workflow tradera v roce 2026: od session přes backtest po deník

Nejrychlejší cesta, jak z AI dostat reálnou hodnotu, není jeden chytrý nástroj, ale tři návyky za sebou: ranní příprava se scénáři místo predikce, backtest s povinným walk-forward splitem a strukturovaný deník, který kategorizuje vaše chyby napříč stovkami obchodů. Právě poslední krok — post-trade analýza vašich vlastních dat — dává retailovému traderovi měřitelně nejvyšší návratnost, protože AI tam nepracuje s neznámým trhem, ale s uzavřenou množinou vašich rozhodnutí.

Příprava na session: kontext, kalendář, scénáře

Ráno před otevřením platformy nechte AI shrnout makro kalendář (NFP, FOMC, CPI) a levely, které vznikly přes noc na XAUUSD a US100 — asijská session u zlata a overnight range u indexů. Klíčový rozdíl proti roku 2023: místo jedné predikce si nechte vygenerovat dva až tři scénáře s podmínkami ("pokud zlato drží nad 2,650 a Fed komentář je jestřábí, čekejte pullback k 2,635; pokud proražení selže, otevírá se prostor k 2,670"). Scénáře vás nutí myslet v pravděpodobnostech, predikce vás svádí k jedné sázce.

Backtest a walk-forward analýza s pomocí AI

ChatGPT tradingová strategie napsaná do Pine Script nebo Pythonu vám ušetří hodiny psaní kódu a parsování historických dat — LLM zvládne kostru backtestu za pár minut místo odpoledne ladění syntaxe. Ale backtesting pomocí AI má jednu tvrdou podmínku: nikdy netradujte strategii, kterou jste netestovali na out-of-sample datech. Rozdělte historii na trénovací a testovací okno a proveďte walk-forward analýzu — strategii optimalizujete na jednom úseku a ověřujete na následujícím, který AI ani vy jste při ladění neviděli. Bez toho dostanete jen přeoptimalizovanou křivku, která vypadá skvěle zpětně a rozpadne se na živém účtu.

Tradingový deník a post-trade analýza, kde AI dává největší návratnost

Po session nahrajte obchody (entry, stop, exit, důvod vstupu) do strukturovaného deníku a nechte AI hledat vzorce: příliš brzký vstup proti trendu, posunutý stop loss, chybějící potvrzení pullbacku před vstupem. Na desítkách obchodů to nevidíte, na stovkách ano — a to je přesně objem dat, který AI zpracuje za sekundy. Tady se also propojuje disciplína zmíněná výše: pokud deník opakovaně ukazuje stejnou chybu před dosažením vašeho denního loss limitu, máte konkrétní, datově podložený důvod ji opravit, ne jen pocit.

Přechod z free verze na placenou dává smysl v momentě, kdy vám nástroj šetří čas nebo odhaluje chyby, které by vás jinak stály víc než měsíční poplatek — u backtestu to bývá rychleji, u deníku typicky po pár stovkách zalogovaných obchodů, kdy se vzorce začnou opakovat dostatečně jasně na to, aby je AI odlišila od šumu.

Proč většina AI modelů na živém trhu selže

Naprostá většina automatizovaných strategií postavených na strojovém učení v tradingu selže do tří měsíců od nasazení na živý (byť simulovaný) účet — a hlavním důvodem není trh, ale způsob, jakým byl model postavený. Přeučíte model na historii, on se naučí šum místo edge, a jakmile se trh byť jen mírně posune do jiného režimu, model se rozpadne. Tohle je nejupřímnější část celého článku, protože právě tady většina „AI trading" obsahu na internetu mlčí.

Overfitting a data snooping: jak poznat model, který se jen naučil historii

Představte si strategii s 87% win rate na dvou letech historických dat a 14 optimalizovanými parametry. Vypadá famózně. Po měsíci live obchodování na simulovaném kapitálu ztrácí. Proč? Model neobjevil edge trhu — objevil unikátní kombinaci šumu, která se v té konkrétní historii náhodou vyplatila. Tohle je overfitting tradingového modelu v čisté podobě.

Praktické vodítko: pokud máte víc než 3–5 parametrů na každých 100 obchodů v testovací sadě, je pravděpodobnost, že jste natrénovali šum, vysoká. Druhý varovný signál je data snooping — kolik variant strategie jste ve skutečnosti otestovali, než jste našli tu „fungující". Pokud jste zkusili 200 kombinací vstupních podmínek a jedna vyšla s výrazně lepšími čísly, s vysokou pravděpodobností jste jen našli statistickou anomálii, ne edge. Klíčový test je degradace mezi in-sample a out-of-sample obdobím: pokud model na datech, která nikdy neviděl, ztrácí polovinu výkonu z backtestu, ještě není hotový. A pokud stejná logika funguje jen na XAUUSD a na US100 nebo EURUSD se rozpadá, nejde o robustní strategii — jde o past na jeden konkrétní instrument v jednom konkrétním období.

Změna režimu trhu a proč edge zmizí bez varování

Model natrénovaný na rangi (postranním trhu) neumí trendové prostředí — a naopak. Model postavený na datech z období nízké volatility se rozpadne v momentě, kdy přijde FOMC nebo NFP a ATR se během pár minut zdvojnásobí. Změna režimu trhu nepřichází s varováním na obrazovce, přichází jako sled stop lossů, které jste čekali jako výjimky, ne jako pravidlo.

Tohle není argument proti AI v tradingu — je to argument proti modelu, který nebyl testovaný napříč různými tržními podmínkami. Řešením je walk-forward analýza: model se trénuje na jednom úseku dat, testuje na následujícím neviděném úseku, a celý proces se posouvá v čase dál. Pokud výkon zůstává konzistentní napříč více okny, máte aspoň částečnou obranu proti tomu, že jste jen trefili jedno šťastné období.

Kvalita dat, náklady na infrastrukturu a falešný pocit jistoty

Kvalitní tick data nejsou zadarmo, VPS s nízkou latencí stojí měsíčně reálné peníze a čas strávený vývojem a laděním modelu se počítá na desítky až stovky hodin. To je vstupní náklad, který většina začínajících tradérů podcení. Ale nejdražší je něco jiného: psychologický efekt automatizace. Jakmile Expert Advisor běží sám a účet roste, trader přestane kontrolovat riziko — nesleduje daily loss limit, nekontroluje velikost pozice po sérii proher, spoléhá na to, že „systém to ohlídá". Robot ale nehlídá vaše nervy ani váš risk management, hlídá jen kód, který jste mu napsali.

Platí jednoduché pravidlo: dokud strategie neprošla walk-forwardem a několika sty obchody na účtu se simulovaným kapitálem, je to hypotéza, ne strategie. Teprve reálný provoz — s klouzáním, výpadky spojení a chováním trhu, které se do backtestu nevejde — ukáže, jestli jste našli edge, nebo jen dobře padnoucí historii.

AI, XAUUSD a US indexy: kde je nejvíc dat a nejvíc bolesti

AI modely fungují nejlépe tam, kde je nejvíc dat a nejvíc obchodních příležitostí — a to je na For Traders jednoznačně XAUUSD, následované US100 / NSDQ. Není to náhoda: zlato je nejobchodovanější instrument na platformě a US indexy tvoří druhý největší klastr objemu. Tam, kde je nejvíc tiků a nejvíc traderů, se AI bot má na čem učit — ale zároveň tam je i nejvíc pastí, protože konkurence v podobě institucionálních algoritmů je nejtvrdší.

Zlato jako nejobchodovanější instrument: co na něm AI zvládá a co ne

Na XAUUSD AI reálně pomáhá s klasifikací volatilního režimu podle ATR — model umí rozeznat, jestli se zlato pohybuje v kompresi před breakoutem, nebo je už v expanzi, a podle toho dynamicky upravovat velikost pozice. Stejně tak zvládá slušně filtrovat falešné breakouty z rozsahu, protože zlato má tendenci dělat "false leg" před skutečným pohybem a AI na tisících historických vzorcích tenhle scénář rozpozná rychleji než oko. Co AI na zlatě nezvládá, je reakce na geopolitickou zprávu nebo náhlý risk-off flow, který nemá žádnou technickou strukturu — tam model natrénovaný na cenových datech jede naprázdno, protože nevidí kontext, jen čísla.

US100 / NSDQ a algoritmická likvidita během US session

US100 / NSDQ je druhý nejobchodovanější klastr na platformě a zároveň instrument, kde je likvidita nejvíc řízená algoritmy — market makeři a HFT systémy tady dodávají většinu order booku během otevření US session. AI bot postavený na detekci intradenních struktur (otevírací range, retest VWAP, pokračování trendu po prvních třiceti minutách) tady dokáže najít edge, protože se opakující vzorce v NSDQ skutečně vyskytují častěji než u méně likvidních instrumentů. Problém je timing: v prvních minutách po otevření se spready umí roztáhnout a slippage zafunguje přesně opačně, než model počítal.

FOMC a NFP: slippage, rozšíření spreadu a umístění stopů

Kolem FOMC a NFP mizí likvidita z order booku doslova během vteřin — algoritmy institucí kotace stahují, ne rozšiřují, protože nikdo nechce být na špatné straně skoku. Retailový AI trading bot natrénovaný na normálním režimu volatility v tu chvíli generuje vstupy přesně v nejhorším možném okamžiku, protože nerozezná, že se mikrostruktura trhu právě rozpadla. Praktické pravidlo: stop dávejte na 1,5× ATR pod strukturou, ne na kulaté číslo — to se plní jako první, protože ho tam čeká úplně každý. Před zveřejněním makra buď snižte velikost pozice, nebo automat na tu dobu vypněte úplně. Institucionální systém vidí hloubku order booku v reálném čase; váš retailový model vidí jen poslední cenu a odvozený ATR — to je rozdíl, který v klidném trhu nevadí, ale při FOMC rozhoduje o tom, jestli vás vyplní o pip, nebo o dvacet.

AI a futures trading na CME: nejrychleji rostoucí segment

Futures prop trading je dnes nejrychleji rostoucí segment celého odvětví, zejména v USA, a zároveň prostředí, kde algoritmická exekuce dává největší smysl — na rozdíl od fragmentovaného forexu má CME centralizovaný order book s jednotným datovým feedem, takže model dostává čistší a konzistentnější vstupy.

Proč se futures prop trading a algoritmy potkávají nejčastěji

Na forexu tradujete proti síti brokerů a likvidita se liší podle toho, přes koho dostáváte fill. U CME futures je to jinak — jeden order book, jeden feed, stejná data pro všechny účastníky. Pro algoritmický trading je to ideální prostředí: model nemusí odhadovat, čí cenu vidí, protože cena je jen jedna. To je hlavní důvod, proč se AI a futures trading potkávají tak přirozeně — čistá data = spolehlivější signál, méně šumu v backtestu.

Latence, fill kvalita a exekuce na For Traders X

Na platformě For Traders X, kterou For Traders používá pro futures exekuci, se snažíme dostat retailového tradera co nejblíž reálným podmínkám CME — rychlý fill, transparentní hloubka trhu, minimální slippage v běžných hodinách. Co si ale nemůžete slibovat: latenci na úrovni HFT firem s kolokací serverů přímo v datacentru burzy. To je jiná liga, jiná infrastruktura a jiná regulace — a mimochodem přesně proto pravidla For Traders (jako ostatně u většiny prop firem) zakazují latency arbitráž a tick scalping i na simulovaném kapitálu. Váš EA může být rychlý v porovnání s ručním tradingem, ale nikdy nebude konkurovat mikrosekundovým strategiím institucí. Realistický cíl je stabilní exekuce bez re-kvótů, ne závod v rychlosti.

Specifika futures kontraktů: tick, basis a contango a rollover

Než se model dotkne trhu, musí sizing respektovat mechaniku kontraktu. Hodnota ticku a velikost kontraktu (třeba u ES nebo NQ) určují risk na obchod dřív, než algoritmus vypočítá cokoliv jiného — pokud tohle přeskočíte, backtest vám ukáže krásnou equity křivku, která v realitě neexistuje. Druhá věc, na které padá spousta automatů: rollover a basis a contango. Kontinuální datová řada, na které se dělá backtest, spojuje jednotlivé kontrakty přes rollover — a pokud model nepočítá s tím, že mezi spotovou cenou a futures cenou existuje rozdíl (basis), a že u contango trhu se tento rozdíl v čase mění, dostane na živém účtu signály, které v historii vůbec nebyly. Detaily kontraktové specifikace najdete přímo u CME Group.

Praktické doporučení: futures automat nikdy nepřehazujte na fundovaný účet přímo z backtestu. Nejdřív ho pošlete přes Trading Challenge na simulovaném kapitálu, ideálně přes období s aktivním rollover kontraktu, a sledujte, jestli se chová stejně jako v historických datech. Pokud se equity křivka rozpadne přesně v momentě rollover, víte, že problém není v trhu, ale ve vaší datové řadě.

Co dělají instituce a které algoritmické strategie mají smysl i pro vás

Instituce používají AI jinak než retail trader — ne lepší, ale škálovatelnou. Man Group nebo Squarepoint Capital nestaví AI proto, aby vydělaly na jednom tradu, ale proto, aby zvládly tisíce trhů a signálů najednou. Pro vás na Trading Challenge to znamená hlavně jedno: kopírovat jejich infrastrukturu nemá smysl, kopírovat jejich disciplínu ano.

Man Group, ManGPT a Squarepoint Capital: AI jako infrastruktura, ne jako trik

Man Group, jeden z největších systematických hedge fondů na světě, nasadil interního AI asistenta ManGPT — velký jazykový model postavený na interních datech, který pomáhá výzkumníkům rychleji procházet historická data, dokumentaci strategií a provozní procesy. Nejde o "AI, která obchoduje za ně", ale o nástroj, který zkracuje výzkumný cyklus lidí, kteří strategie stavějí a testují.

Squarepoint Capital jde podobnou cestou — systematický, datově řízený přístup, kde AI slouží ke zpracování obřího množství tržních dat a k hledání statistických anomálií napříč aktivy. Klíčová asymetrie: instituce mají tick data za desítky let, kolokaci u burzy, desítky lidí ve výzkumném týmu a kapitál, který unese roky vývoje bez jediného vydělaného dolaru. Vy máte něco jiného — rychlost rozhodování, nulovou byrokracii a schopnost obchodovat malý objem přesně tam, kam se velký fond ani nepodívá, protože by to nehnulo jeho výsledkem.

Mean reversion, momentum, market making a arbitráž: co z toho unesete sami

Ne každá strategie, kterou používají AI prop trading firmy na Wall Street, je pro vás dostupná — a to není otázka schopností, ale infrastruktury a pravidel.

Mean reversion přes Bollinger Bands a RSI je pro retail trading reálná volba — nepotřebuje mikrosekundovou latenci, jen disciplínu držet se pravidel vstupu a výstupu. Momentum a breakout strategie fungují stejně dobře na H1 grafu jako v algoritmické podobě, protože retail trader dokáže reagovat dostatečně rychle. Market making a arbitráž jsou naopak hry, kde bez rebate od burzy a bez kolokace prohráváte na spreadu ještě dřív, než se strategie rozjede — a For Traders i většina ostatních prop firem latency arbitráž a HFT přímo zakazuje v podmínkách.

Scalping vs. swing: proč každý styl potřebuje jinou AI

AI slouží scalpingu a swing tradingu úplně jinak, protože řeší jiný problém. Při scalpingu je hlavní úloha AI filtrovat šum — odlišit skutečný signál od tržního "flickeru" během několika sekund a zrychlit exekuci tak, aby slippage nesnížil R:R pod únosnou hranici. Při swing tradingu naopak AI pomáhá s makro kontextem — korelacemi mezi aktivy, pravděpodobnostními scénáři na několik dní dopředu, reakcí na FOMC nebo NFP. Nasadit swingový model na scalping selže na rychlosti, nasadit scalpingový filtr na swing selže na tom, že ignoruje širší kontext, který rozhoduje o tom, jestli váš setup vůbec dává smysl.

Regulace, etika a to, co AI nikdy nevezme z vašich rukou

AI v tradingu se řídí stejnou logikou jako AI kdekoliv jinde: čím vyšší riziko rozhodnutí, tím vyšší nároky na transparentnost a odpovědnost. Regulace v roce 2026 dohání praxi rychleji, než by se komu z tradingové komunity líbilo, a i když vás jako soukromého tradera na simulovaném kapitálu zatím nesvazuje přímo, firmy, jejichž nástroje používáte, už regulaci řeší na denní bázi.

EU AI Act a transparentnost modelů: co to znamená pro prop firmy i tradery

EU AI Act rozděluje AI systémy podle míry rizika a s tím i požadavky na řízení rizik, dokumentaci a vysvětlitelnost. Přímo se dotýká hlavně poskytovatelů nástrojů a firem, které AI nasazují do rozhodovacích procesů — tedy i prop firem, které používají risk engine k vyhodnocování chování na účtech. Pro vás jako tradera z toho plyne jedna praktická věc: vysvětlitelnost modelu přestává být akademické téma pro datové vědce a stává se provozním požadavkem. Pokud vám nějaký nástroj vygeneruje signál a vy nedokážete popsat, na jakých datech a proč k němu došel, nejde o edge, ale o černou skříňku, které jste svěřili svůj risk. Regulace v tomto směru jen formalizuje to, co by měl dělat každý seriózní trader už teď — vědět, proč obchod otevírá.

Nahradí AI diskrečního tradera? Rozdělení práce v roce 2026

Ne, a rozdělení práce mezi diskréčního tradera a algoritmus je v roce 2026 čitelnější než kdy dřív. AI vám vezme rutinu — sběr dat, backtest, psaní kódu pro Expert Advisor, vedení tradingového deníku, statistické vyhodnocení stovek obchodů za sekundy. Nevezme vám ale rozhodnutí, kdy dnes neobchodovat, protože trh nedává smysl a vy to cítíte z price actionu, který se nedá zapsat do žádného promptu. A nevezme vám ani schopnost sedět v drawdownu a nezavírat pozici v panice, nebo naopak nepřidávat do ztráty proti plánu. Diskréčný trading vs. algoritmus není souboj o to, kdo vyhraje — je to rozdělení práce, kde algoritmus dělá to, co je opakovatelné a měřitelné, a vy děláte to, co vyžaduje kontext, disciplínu a odpovědnost. Tu poslední část z vás nesejme žádný skript, i kdyby příkaz na trh technicky poslal on.

Kde AI workflow otestovat bez rizika vlastních peněz

Nejčistší test AI-asistovaného workflow je simulovaný kapitál, ne živý účet, kde vás první chybný prompt nebo špatně odladěný EA stojí reálné peníze. U For Traders proto máte na výběr Trading Challenge, Instant Funding nebo Pay After Pass — ve všech třech případech platíte za přístup k evaluaci, ne za reálný kapitál, a cenou za chybu jsou data z vašeho účtu, ne váš rozpočet. Než na účet pustíte cokoliv automatizovaného, projděte si pravidla platformy a checklist z předchozí sekce — co je povolené, co je zakázané a kde končí asistence a začíná zakázaná automatizace. Regulace se bude dál vyvíjet, ale tenhle princip zůstane: nejdřív otestujte na simulovaném kapitálu, teprve pak řešte, co s tím uděláte na fundovaném účtu.

AI v tradingu: kde reálně pomůže a kde vám uškodí

Výhody

• Zrychlí přípravu na session a zpracování makro kontextu z desítek zdrojů do několika scénářů
• Umožní napsat a otestovat kód strategie bez programátorských znalostí — backtest je otázka hodin, ne týdnů
• V tradingovém deníku najde vzorce chyb napříč stovkami obchodů, které v hlavě nikdy nespočítáte
• Dynamický sizing a AI řízení rizik snižují riziko porušení daily loss limitu na účtu se simulovaným kapitálem
• Odstraní emoce z exekuce: automat nepřesune stop, protože „to se určitě vrátí“

Nevýhody / rizika

• Overfitting a data snooping produkují modely, které vypadají skvěle na historii a rozpadnou se v live trhu
• Změna režimu trhu (FOMC, NFP, skok volatility na XAUUSD) vyřadí model bez jakéhokoli varování
• Falešný pocit jistoty: trader přestane kontrolovat rizikové parametry, protože „se o to stará bot“
• Náklady na kvalitní tick data, VPS a čas na vývoj jsou reálné a u malých účtů se často nevrátí
• Část AI praktik (latency arbitráž, tick scalping, HFT) je u prop firem zakázaná a vede k porušení pravidel
• LLM halucinuje: vygenerovaný kód i „statistika“ bez ověření může být jednoduše nesprávný

Časté otázky