Jak se vyhnout zkreslení při backtestingu
Zkreslení při backtestingu nafoukne equity křivku i o desítky procent. Ukážeme, jak odhalit overfitting, look-ahead i survivorship bias a jak testovat čistě.

By Marcel Hambálek · Senior Trader, For Traders
Zkreslení při backtestingu (backtesting bias) je systematická chyba v testování strategie, kvůli které historické výsledky vypadají lépe, než jakých strategie dosáhne v živém trhu. Nejčastěji jde o overfitting, survivorship bias, look-ahead bias, curve-fitting a podcenění nákladů — každý z nich dokáže sám o sobě nafouknout výnos backtestu o desítky procent a u kombinace všech pěti se rozdíl mezi testem a realitou běžně počítá v násobcích.
Klíčové poznatky
- Nejdražší zkreslení nejsou chyby v kódu, ale rozhodnutí, která děláte s vědomím toho, jak trh dopadl — look-ahead bias a data snooping.
- Overfitting poznáte podle toho, že malá změna parametru (např. SMA 50 → 48) zásadně změní výsledek; robustní strategie má plateau, ne špičku.
- Backtest bez modelovaných nákladů je fikce: na XAUUSD se spread během NFP či FOMC běžně rozšíří z ~20 na 60–100+ bodů a stop-lossy plní se slippage.
- Pod 100 obchody nemá backtest statistickou váhu; Monte Carlo přeházení pořadí obchodů ukáže reálný rozsah maximálního drawdownu, nikoli jen tu jednu šťastnou sekvenci.
- Strategie, která je zisková, ale porušuje daily loss limit nebo max drawdown, v evaluaci neprojde — pravidla challenge patří do backtestu, ne až do live provozu.
- Posledním filtrem před nasazením je forward test na simulovaném kapitálu: odhalí fills, exekuci a vaši vlastní disciplínu, což backtest nikdy neukáže.
Podívejte se: související video
Co je zkreslení při backtestingu a proč kvůli němu strategie v živém trhu selhávají
Zkreslení při backtestingu (backtesting bias) není chyba měření, kterou byste odstranili přesnějším nástrojem — je to systematické vychýlení ve prospěch strategie, zabudované už v tom, jak test postavíte. Backtest vám v podstatě ukazuje nejlepší možnou verzi reality, protože zná budoucnost, kterou live trading nezná. Výsledek: čísla, kterým nemůžete věřit, dokud nevíte, odkud přesně pocházejí.
Bias, náhoda a špatná data — tři různé problémy
Rozdíl mezi backtestem a živým výsledkem vzniká ze tří odlišných zdrojů a je zásadní je nepoplest, protože každý se řeší jinak:
- Skutečné zkreslení (bias) — systematická chyba v metodě: look-ahead bias, overfitting, survivorship bias. Dá se odstranit nápravou postupu.
- Statistická náhoda (variance) — i perfektně postavená strategie bude mít v omezeném vzorku obchodů odchylku od svého skutečného očekávání. Neodstraníte ji, jen ji zmenšíte větším vzorkem dat.
- Vadná data — špatné tickové ceny, chybějící spready za volatilních období, nesprávně napárované swapy. Toto jsou chyby při backtestingu v nejbanálnější podobě, ale dohromady dokážou napáchat víc škody než samotný curve-fitting.
Jak velký je rozdíl mezi backtestem a live výsledkem
Typický vzorec, který zná skoro každý trader: backtest obchodní strategie ukáže profit factor 2,1, hladkou equity křivku stoupající zprava doleva bez větší bolesti — a po spuštění na živém účtu se stejná strategie plácá kolem nuly, případně končí v mínusu po dvou měsících. Backtest vs live trading rozdíl v této velikosti není náhoda ani smůla. Je to signál, že test obsahoval minimálně jeden z šesti biasů popsaných níže — nejčastěji kombinaci podcenění nákladů a overfittingu na konkrétní historické období.
Přehled: zkreslení → jak se projeví v číslech → jak ho odstraníte
Tato tabulka je mapou zbytku článku — každý řádek rozebereme v samostatné sekci:
| Typ zkreslení | Jak se projeví v číslech | Rychlá náprava |
|---|---|---|
| Overfitting (curve-fitting) | Profit factor >2, nerealisticky nízký drawdown | Out-of-sample test, méně parametrů |
| Survivorship bias | Nadhodnocený win rate u akciových/indexových strategií | Zahrnout delistované/zrušené symboly |
| Look-ahead bias | Vstupy přesně na extrémech svíčky | Testovat jen na datech dostupných v daném čase |
| Podcenění nákladů (spread, slippage) | Edge mizí po přičtení reálného spreadu | Modelovat spread a slippage z reálných dat brokera |
| Selekce časového okna | Skvělý výsledek jen na jednom tržním režimu | Test přes více režimů (trend, range, vysoká/nízká volatilita) |
| Data-snooping / mnohonásobné testování | "Nejlepší" strategie z desítek variant | Korekce na počet testovaných hypotéz |
Overfitting: když strategie umí minulost nazpaměť
Overfitting (přeučení strategie) je stav, kdy obchodní systém natolik přesně kopíruje historická data, že se naučil i jejich náhodný šum — a na novém, neviděném trhu proto selhává. Jinými slovy: strategie nenašla edge, ale naučila se nazpaměť odpovědi na test, který už jednou proběhl.
Overfitting v tradingu se nerodí ze zlého úmyslu, ale z nadšení — přidáte šestý parametr, protože zlepšil profit factor o 0,2, pak sedmý, protože vyhladil jednu ztrátovou sérii. Po dvaceti kolech optimalizace máte křivku, která na backtestu vypadá jako bankomat, a v live provozu se rozpadne během prvního měsíce.
Jak poznáte přeučenou strategii podle parametrů
- Víc než 4–5 optimalizovaných vstupů — každý další parametr (filtr volatility, čas obchodování, dodatečný indikátor) přidává stupeň volnosti, kterým se systém může "přizpůsobit" náhodě v datech.
- Win rate nad 80 % u trend-following systému — trendové strategie z principu žijí z menšího počtu velkých výher a víc drobných proher. Tak vysoký win rate obvykle znamená, že parametry byly laděny přesně na konkrétní historické obraty.
- Podezřele rovná equity křivka bez delších stagnací nebo drawdownů — reálný trh má období, kdy strategie "nefunguje". Pokud backtest žádné takové pásmo neukazuje, je to spíš vlastnost optimalizace než trhu.
- Křehkost na posun o jeden krok — změníte periodu klouzavého průměru z 20 na 21 a profit factor se propadne z 1,8 na 0,9. To je podpis optimalizačního biasu, ne robustní edge.
Přeučená vs. vyvážená strategie v číslech
Tabulka ukazuje dvě verze stejné trendové strategie na XAUUSD — jednu po agresivní optimalizaci na pěti letech dat, druhou s omezeným počtem parametrů a testem mimo vzorek (out-of-sample).
| Metrika | Přeučená verze | Vyvážená verze |
|---|---|---|
| Počet optimalizovaných parametrů | 9 | 3 |
| Profit factor in-sample | 2,9 | 1,6 |
| Profit factor out-of-sample | 0,7 | 1,4 |
| Max drawdown in-sample | 6 % | 14 % |
| Sharpe ratio out-of-sample | -0,2 | 0,8 |
| Stabilita napříč roky | Nízká — rozpad po 1 kroku parametru | Vysoká — plateau v širokém rozsahu |
Všimněte si, že přeučená verze má na první pohled hezčí in-sample čísla, ale out-of-sample profit factor pod 1,0 znamená ztrátovou strategii v reálném provozu. Vyvážená verze ztrácí na "kráse" backtestu, ale drží výkon i mimo data, na kterých byla stavěná.
Test citlivosti parametrů a hledání plateau
Nejpraktičtější obrana proti overfittingu je test citlivosti parametrů: vezmete klíčový vstup (třeba periodu ATR pro stop loss) a vykreslíte výsledný profit factor nebo Sharpe ratio pro celý rozsah hodnot — ne jen pro tu jednu "vítěznou".
Pokud graf ukazuje ostrou izolovanou špičku obklopenou propady, díváte se na optimalizační bias — strategie vydělává jen při jedné konkrétní hodnotě parametru, což v živém trhu nikdy přesně nenastane. Pokud vidíte široké plateau, kde desítky sousedních hodnot dávají podobně solidní výsledek, máte nastavení, které je odolné vůči drobným změnám tržního chování. Hledejte plateau, ne špičku — to je jednoduché pravidlo, jak poznám overfitting, které si zapamatuje i začátečník.
Survivorship bias: testujete jen na tom, co přežilo
Survivorship bias (zkreslení přeživších) vzniká, když váš testovací vzorek obsahuje jen nástroje, které se dožily dneška — a vy nevědomky vynecháváte všechno, co po cestě zkrachovalo, bylo delistováno nebo zaniklo. Výsledek: backtest ukazuje výnos jen z vítězů, zatímco reálný trading by vás v minulosti potkal i s poraženci, kteří dnes v žádné databázi nejsou.
Jak vzniká u akcií, indexů a krypta
Klasický příklad je z akciového trhu — testujete strategii na současných složkách S&P 500 a vypadá skvěle, protože index dnes obsahuje jen firmy, které přežily a prosperovaly. Firmy, co zbankrotovaly nebo byly vyřazeny, v datech chybí. To samé se týká indexových futures jako US100 NSDQ futures — index se pravidelně rebalancuje a propadlé tituly mizí z historie, takže zpětně testovaný výkon je systematicky lepší, než jaký by index skutečně dodal, kdybyste v daném okamžiku drželi tehdejší složení.
U krypta je to ještě syrovější. Desítky altcoinů, které měly v roce 2021 slušný objem na burzách, dnes neexistují — buď byly delistovány, nebo projekt zkrátka zanikl. Pokud testujete strategii jen na párech, co jsou dostupné dnes (BTC, ETH, pár velkých altů), nevidíte, jak by se strategie chovala na desítkách mrtvých projektů, které v té době vypadaly stejně slibně.
Survivorship bias ve forexu a v datech od poskytovatele
Ve forexu je dopad u hlavních párů a u XAUUSD prakticky zanedbatelný — EURUSD, GBPUSD ani zlato nikam nezmizí, takže zkreslení přeživších tu neřešíte. Problém se ale objevuje u exotických párů a u historických dat o spreadech a likviditě. Řada brokerů a datových poskytovatelů v průběhu let měnila nabídku exotických měn, stahovala nelikvidní páry nebo měnila zdroj feedu — a historická data pro backtest, která dnes stáhnete, často odrážejí jen to, co poskytovatel aktuálně podporuje, ne to, jak vypadal spread a hloubka trhu v reálném čase před pěti lety. Pokud testujete scalping strategii na exotickém páru podle dnešních (užších) spreadů, systematicky podceňujete náklady té doby.
Jak dopad omezit, když kompletní data nemáte
Ne každý trader má přístup k survivorship-free datasetu, který zahrnuje i delistované instrumenty — ale dá se s tím pracovat i bez něj:
- Testujte primárně na nástrojích, které dnes skutečně obchodujete a budete obchodovat dál — u XAUUSD, hlavních forex párů a velkých indexových futures je riziko zkreslení přeživších nízké.
- U strategií na koších instrumentů (krypto portfolio, koš akciových indexů) výsledky vědomě diskontujte — počítejte s tím, že reálný výnos bude nižší, protože mrtvé nástroje v testu chybí.
- Pokud pracujete s historickými daty pro backtest od externího poskytovatele, ověřte si, zda dataset obsahuje i delistované instrumenty, nebo jen aktuální nabídku.
- U exotických párů a nízko-likvidních futures kontraktů raději testujte na konzervativnějším odhadu spreadu, než jaký vidíte dnes — historická realita byla skoro vždy horší.
Survivorship bias sám o sobě většinou nenafoukne výsledky tak dramaticky jako overfitting, ale v kombinaci s dalšími zkresleními dokáže rozdíl mezi testem a živým účtem ještě prohloubit — a to je přesně ten rozdíl, který se na Trading Challenge pozná hned v prvních týdnech.
Look-ahead bias: informace, kterou jste v tu chvíli nemohli mít
Look-ahead bias nastává ve chvíli, kdy vaše rozhodnutí v backtestu pracuje s daty, která v tu konkrétní chvíli na trhu ještě vůbec nebyla k dispozici. Zní to jako teoretický problém pro kvanty s Pythonem, ale v praxi je to nejčastější důvod, proč manuální backtest ukazuje 70% úspěšnost a live účet se po měsíci drží na 40 %.
Jak vzniká při manuálním backtestu v TradingView bar replay
TradingView bar replay je skvělý nástroj, ale má jednu zradu — graf vlevo od aktuální svíčky je skutečně skrytý, jenže vy sami jste ten graf už někdy viděli celý. Podvědomě víte, že za dva dny přijde swing high na 2 680 u XAUUSD, a vaše ruka posune vstup o pár svíček dřív, než byste ho reálně našli naživo. Totéž platí pro vedení stop lossu — v replay testu ho "náhodou" nastavíte přesně pod úroveň, která later drží, protože jste tu úroveň už jednou prošli očima při procházení grafu dopředu.
Řešení není složité, ale vyžaduje disciplínu: testujte na symbolech a časových úsecích, které jste si předtím vědomě neprohlíželi z budoucnosti, a pokud to nejde, aspoň si přiznejte, že výsledek bude systematicky lepší, než co dostanete live.
Look-ahead v kódu: repainting indikátory, close vs. open svíčky
V algoritmickém testování má look-ahead bias ostřejší, přesně měřitelnou podobu. Typický repainting indikátor — ZigZag, fraktály, mnoho verzí Supertrendu — přepočítává svoje hodnoty zpětně s příchodem nových dat. V backtestu tak vidíte "čistý" signál přesně v bodu zlomu, ale v živém trhu se ten samý bod ještě dvakrát přepočítá, než se ustálí. Strategie, která v MetaTrader 5 Strategy Tester vypadá skvěle, protože se spoléhá na finální (přepočítanou) hodnotu ZigZagu, v reálném čase takový signál nikdy nedostane.
Druhá klasická chyba je vstup na close svíčky, která v živém trhu ještě neexistuje — logika řekne "vstup na close 15minutové svíčky", ale algoritmus ten vstup provede v okamžiku, kdy svíčka ještě běží, protože test počítá s finální uzavírací cenou, kterou v daný okamžik nikdo neznal. U scalpingových strategií na XAUUSD to není kosmetický detail: reálný fill po otevření nové svíčky bývá o 1–3 body dál, než byl close signální svíčky, a u strategie s malým edge per trade to dokáže sežrat podstatnou část očekávaného výnosu. Stejná logika platí pro použití denního high/low v intradenní strategii dřív, než se obchodní den skutečně uzavřel, nebo pro načtení ekonomických dat k datu jejich publikace místo přesného času publikace (NFP v 14:30, ne o půlnoci téhož dne).
Pravidla, která ho spolehlivě eliminují
- Používejte pouze indikátory, které negenerují zpětné přepočty — nebo si ověřte, že verze, kterou testujete, je finální, neopravovaná hodnota.
- Vstup vždy vázejte na open další svíčky po signálu, ne na close svíčky, která v daný okamžik ještě neexistovala.
- V manuálním backtestu testujte na datech, která jste si předtím vědomě neprocházeli dopředu — ideálně na jiném symbolu nebo období, než na kterém jste strategii poprvé objevili.
- Ekonomická data, zprávy a fundamentální triggery navazujte na přesný timestamp publikace, ne na datum.
- Pokud testujete kód, přidejte simulaci slippage mezi signál a fill — i malá hodnota vás donutí přiznat, že vstup "na close" je fikce.
Look-ahead bias je zákeřný právě proto, že ho nevidíte jako chybu v logice — vidíte ho jako "dobrý vstup". Teprve srovnání s fundovaným účtem, kde fill přijde o pár bodů dál a signál se nikdy nepřepočítá zpětně, ukáže, kolik z té edge bylo jen znalost budoucnosti.
Curve-fitting a data snooping: kde končí zdravá optimalizace
Optimalizace strategie je v pořádku, dokud hledáte robustní rozsah parametrů — curve-fitting začíná ve chvíli, kdy pravidla přestáváte ladit podle logiky trhu a začínáte je tvarovat podle konkrétní historické křivky. Rozdíl mezi nimi nepoznáte podle toho, kolik proměnných měníte, ale podle toho, jestli výsledek roste i na datech, která strategie "neviděla".
Rozdíl mezi optimalizací a curve-fittingem
Optimalizace strategie hledá odpověď na otázku: "V jakém rozsahu hodnot ATR násobiče pro stop loss funguje systém konzistentně?" Curve-fitting strategie hledá odpověď na jinou otázku: "Jaká přesná kombinace čísel dá na tomto konkrétním vzorku dat nejvyšší equity křivku?" První přístup vám dá parametr, který funguje na XAUUSD i na US100, protože reaguje na skutečnou vlastnost trhu — třeba volatilitu kolem NFP. Druhý přístup vám dá číslo, které sedí jen na datech od ledna 2022 do března 2024, protože se do nich doslova "nabalilo".
Praktický test: pokud při posunu parametru o 10 % (např. z EMA 20 na EMA 22) výkon strategie spadne z profitabilní na ztrátovou, nemáte robustní nastavení — máte náhodně vyladěnou shodu s historií.
Data snooping: testuji tak dlouho, až to vyjde
Data snooping bias vzniká mnohonásobným testováním stejného vzorku dat. Pokud otestujete 200 variant vstupního signálu — různé kombinace indikátorů, časové rámce, filtry — čistě statisticky vám zhruba 10 z nich vyjde "skvěle" jen náhodou, i kdyby žádná z nich neměla reálnou edge. Je to stejný princip jako u p-hackingu ve vědě: čím víc hypotéz testujete na jednom datasetu, tím vyšší šance, že jedna z nich projde testem significance čistě shodou okolností.
Problém je, že výsledná "vítězná" varianta vypadá na backtestu bezchybně — a právě proto skončí na fundovaném účtu, kde se setká s daty, která ji nikdy neformovala.
| Úroveň optimalizace | In-sample výkon (test data) | Out-of-sample výkon (nová data) |
|---|---|---|
| Základní logika (1–2 parametry) | +18 % ročně | +14 % ročně |
| Rozumné doladění (3–4 parametry) | +27 % ročně | +19 % ročně |
| Agresivní optimalizace (6+ parametrů) | +52 % ročně | +6 % ročně |
| Curve-fitting (10+ proměnných, ruční ladění) | +95 % ročně | -11 % ročně |
Vidíte ten vzorec — in-sample číslo roste skoro lineárně s počtem proměnných, ale out-of-sample výkon po určitém bodě otočí a padá. Tenhle bod zlomu je přesně to místo, kde optimalizace strategie přechází v curve-fitting.
Hypotéza předem, blind testing a deník testů
Jediná obrana proti data snooping bias je disciplína, kterou si nastavíte ještě předtím, než spustíte první test:
- Hypotéza před testem — napište si předem, proč by strategie měla fungovat (např. "gold reaguje na FOMC rozšířením rangí, systém chytá breakout po 15 minutách"). Pokud hypotézu formulujete až po výsledku, jen racionalizujete náhodu.
- Blind testing — rozdělte data na in-sample a zcela nedotčený out-of-sample vzorek, ke kterému se nedostanete, dokud není metodologie finální. Teprve pak test spusťte — jednou.
- Deník testů — veďte si log každé otestované varianty, včetně těch neúspěšných. Pokud máte v deníku 180 záznamů a jen tři "fungují", víte, že jde o data snooping, ne o edge.
Tahle tři pravidla vás nezbaví nutnosti optimalizovat — jen vám zabrání otáčet kolem ruletu tak dlouho, až padne vaše číslo.
Náklady, které backtest rád zapomene: spread, slippage, komise a swapy
Reálné náklady dokážou samy o sobě smazat 20-40 % hrubého výnosu backtestu — a u strategií postavených na vysoké frekvenci obchodů klidně celý edge. Pokud do testu počítáte spread jako jedno fixní číslo a slippage neřešíte vůbec, testujete fikci, ne strategii.
Spread na XAUUSD mimo zprávy a během NFP či FOMC
Backtesting XAUUSD je klasická past: zlato má za klidných evropských hodin spread klidně 15-25 centů, ale v prvních 30-60 sekundách po zveřejnění NFP nebo rozhodnutí FOMC se dokáže roztáhnout na násobek — a u brokerů s proměnlivým spreadem i na desetinásobek. Pokud váš backtest počítá s jedním průměrným spreadem napříč celým rokem, systematicky podhodnocuje přesně ty momenty, kdy vaše strategie nejčastěji otevírá pozice — volatilní zprávové svíčky totiž generují nejvíc signálů u breakout a momentum systémů.
Prakticky to znamená: rozdělte si testovací data na "klidné okno" a "zprávové okno" (typicky ±15 minut kolem NFP a FOMC) a pro každé použijte jiný spread. U strategie se stopem 1,5× ATR se rozšířený spread promítne jako pár desítek procent z risku navíc. U strategie se stopem pevných 10 bodů, kde je stop blízko ceně, stejné rozšíření spreadu dokáže stop prostě aktivovat dřív, než se trh vůbec pohne — a z výherního obchodu v backtestu je v realitě ztráta.
Slippage na stop-lossech a tick data vs. M1 data
MetaTrader 5 Strategy Tester ve výchozím nastavení generuje ceny z M1 dat (candle open/high/low/close každou minutu) a dopočítává je matematickým modelem na nižší timeframy. To je v pohodě pro swingovou strategii s držením dní, ale u intradenního systému s precizním vstupem na M1 nebo M5 to znamená, že tester "neví", v jakém pořadí se cena v rámci té minuty skutečně pohybovala — a často tak nechá projít stop, který by v realitě byl zasažen o pár vteřin dřív, s jiným fillem.
Řešení je tick data vs. M1 data — pořiďte si nebo stáhněte skutečná tick data (For Traders podporuje testování na reálných historických datech přes MetaTrader 5 i TradeLocker) a nastavte v testeru "Every tick based on real ticks". Rozdíl ve výsledném equity křivky bývá u scalpingových strategií na XAUUSD nebo US100 překvapivě velký — ne o pár procent, ale o desítky.
Slippage a spread v backtestu patří k sobě: i s tick daty musíte ručně přidat realistický slippage na stop-lossech, protože broker vaši objednávku nevyplní přesně na ceně stopu, ale o pár bodů dál — zvlášť při rychlém trhu kolem FOMC.
Komise na CME futures a swapy u pozic přes noc
U futures na CME (třeba E-mini S&P 500 nebo Micro Gold) se komise počítá per kontrakt za roundturn — tedy za otevření i zavření pozice dohromady, ne zvlášť. Pokud do backtestu zadáte komisi jen na jednu stranu obchodu, systematicky nadhodnocujete výsledek o celou druhou polovinu nákladů. Aktuální sazby najdete přímo na cmegroup.com — liší se podle kontraktu a brokera, ale v backtestu musí být přesné na cent, ne odhadnuté.
U forexových a swingových pozic držených přes noc přidejte swap financování pozice — úrokový rozdíl mezi měnami, který se připisuje nebo strhává každý den držení, a ve středu typicky trojnásobně kvůli víkendovému zúčtování. Strategie, která v backtestu drží pozice na EURUSD přes noc tři týdny v kuse, bez swapu vypadá lépe, než jaká ve skutečnosti je.
| Nákladová položka | Běžná chyba v backtestu | Reálný dopad na výsledek |
|---|---|---|
| Spread na XAUUSD mimo/během zpráv | jeden fixní spread pro celý rok | podhodnocení nákladů u zprávových vstupů o násobky |
| Slippage na stop-lossu | nulový nebo paušální slippage | u scalpingu zkreslení win-rate o desítky procent |
| M1 vs. tick data | testování jen na M1 datech | chybné pořadí zásahu SL/TP uvnitř svíčky |
| Komise CME futures | počítáno jen za jednu stranu obchodu | podhodnocení nákladů o ~50 % |
| Swap za noc / středu | swap zcela ignorován | nadhodnocení swingových strategií s dlouhým držením |
Když tyhle čtyři položky poctivě dosadíte reálnými čísly místo odhadů, dvouciferné procento z hrubého výnosu zmizí skoro vždy. U strategií postavených na desítkách obchodů denně je to často rozdíl mezi edge a šumem.
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 challengeStatistická významnost a režimové změny trhu
Backtest se stovkou obchodů vám neřekne nic o skutečné hraně strategie — potřebujete řádově víc dat a hlavně data z více tržních režimů, ne jen z jednoho hladkého období. Statistická významnost backtestu stojí na dvou nohách: na počtu obchodů a na rozmanitosti podmínek, ve kterých vznikly. Chybí-li jedna z nich, díváte se na dobře napsaný příběh o minulosti, ne na edge, který přežije reálný trh.
Proč 30 obchodů nic nedokazuje a kolik jich potřebujete
Třicet obchodů je u retailových backtestů klasika — a je to prakticky nic. Při win rate kolem 50 % a běžném rozptylu výsledků vám tak malý vzorek klidně ukáže positivní edge i u strategie, která je v realitě na nule nebo v mínusu. Platí jednoduché pravidlo: čím nižší win rate a vyšší R:R, tím víc obchodů potřebujete, protože rozhodující podíl výsledku nese pár extrémních výher a rozestupy mezi nimi jsou dlouhé. Strategie s win rate 35 % a R:R 1:3 potřebuje pro statisticky použitelný závěr spíš 300–500 obchodů než 100. Naopak scalping se stovkami obchodů týdně dosáhne smysluplného vzorku za pár měsíců, ale o to víc je náchylný na to, že se celý test odehrál v jednom úzkém volatilitním okně.
Monte Carlo a náhodné přeházení pořadí obchodů
Stejná sada obchodů ve stejném pořadí vám dá jedno konkrétní číslo maximálního drawdownu. Přeházejte pořadí stejných obchodů tisíckrát a dostanete rozptyl, který s tím jedním číslem často nemá moc společného — Monte Carlo simulace je přesně tento nástroj. Vezme vaši sadu výsledků, náhodně je přeskládá (případně i náhodně vynechá část obchodů nebo přidá šum do velikosti pozice) a z několika stovek běhů spočítá rozsah výsledků místo jediného bodu. Typický výstup je equity křivka s pásem mezi 5. a 95. percentilem — a ten pás u maximálního drawdownu bývá o desítky procent širší, než ukazoval původní lineární backtest. Pokud váš test tvrdí max DD 12 % a Monte Carlo ukazuje, že 95. percentil leží u 24 %, je to číslo, se kterým musíte počítat při nastavení risku na challenge, ne to optimistické z jednoho běhu.
Volatilitní režimy: proč test na jednom období neplatí
Volatilitní režim trhu se mění rychleji, než si traderi rádi přiznávají. Rok 2019 s nízkou volatilitou na indexech a goldu se chová jinak než covidový šok na jaře 2020, kdy se spready rozšířily a slippage vyskočil na násobky normálu. Inflační režim 2022 s agresivním cyklem Fedu dal úplně jiný charakter pohybům kolem FOMC než uklidněný trh přelomu 2025/2026. Strategie odladěná výhradně na jednom z těchto období je popis minulosti, ne robustní systém — funguje, dokud se podmínky nezmění, a pak najednou nefunguje vůbec.
Prakticky to znamená: backtest musí pokrýt aspoň dva až tři jasně odlišné režimy, ne jen jedno "hezké" období s vysokým Sharpe ratio. U strategií citlivých na makro události to platí dvojnásob — chování kolem NFP a FOMC se mezi nízkovolatilním a vysokovolatilním režimem liší natolik, že stejný vstupní signál dá v jednom režimu čistý fill a v druhém několikapipový slippage, který smaže celou očekávanou hranu. Než nasadíte strategii na Trading Challenge, rozdělte historii na jednotlivé režimy a ověřte výkon v každém zvlášť — jen tak zjistíte, jestli je to systém, nebo jen dobře popsaný příběh jednoho roku.
Out-of-sample testování a walk-forward analýza krok za krokem
Out-of-sample testování je jediný spolehlivý způsob, jak zjistit, jestli strategie funguje, nebo jestli jste jen nafitovali křivku na historická data — rozdělíte historii na vzorek, na kterém strategii stavíte, a vzorek, který se jí nedotkne, dokud není finální. Walk-forward analýza tento princip posouvá dál: místo jednoho rozdělení testujete opakovaně na posouvajících se oknech, takže dostanete nejen jeden výsledek, ale obrázek, jak se parametry chovají v čase.
Kolik dat vyčlenit a kdy out-of-sample vzorek "spálíte"
Standardní poměr je 70/30 nebo 80/20 — 70-80 % historie použijete na vývoj a optimalizaci parametrů (in-sample), zbytek necháte stranou na finální ověření (out-of-sample). U kratší historie, třeba dva roky dat na XAUUSD, dává smysl spíš konzervativnější 70/30, protože out-of-sample vzorek musí obsahovat alespoň jeden kompletní tržní cyklus, jinak neřekne nic o robustnosti.
Klíčové pravidlo zní: jediný pohled. Jakmile se na out-of-sample výsledek podíváte a kvůli němu upravíte vstupní parametr, stop loss nebo filtr, vzorek je od té chvíle spálený — stal se součástí in-sample dat, protože jste ho použili k ladění. Pokud pak strategii znovu otestujete na stejném úseku, dostanete zkreslený, uměle hezčí výsledek. Řešení je buď vyčlenit nový, dosud nepoužitý úsek dat, nebo přejít rovnou na walk-forward, kde se tento problém řeší strukturálně.
Walk-forward analýza na konkrétním příkladu
Postup je mechanický a dá se zopakovat na libovolném trhu — ukažme si ho na XAUUSD s oknem 12 měsíců in-sample a 3 měsíce out-of-sample:
- Optimalizujete parametry (vstupní signál, stop loss, take profit) na prvních 12 měsících dat.
- Otestujete tyto zafixované parametry na následujících 3 měsících, které optimalizace neviděla.
- Posunete celé okno o 3 měsíce vpřed — nová optimalizace běží na měsících 4 až 15, nový test na měsících 16 až 18.
- Opakujete celý cyklus, dokud nedojdete na konec dostupné historie.
- Všechny out-of-sample segmenty spojíte do jedné souvislé křivky — to je váš složený out-of-sample výsledek, se kterým dál pracujete.
Na pěti letech dat u XAUUSD takhle dostanete zhruba 16-17 nezávislých out-of-sample úseků místo jednoho. Pokud strategie drží v 12 z nich a ve zbylých čtyřech selže kolem FOMC týdnů, víte přesně, kde je slabina, místo abyste si mysleli, že máte univerzálně funkční systém.
Jak číst výsledek: walk-forward efficiency a stabilita parametrů
Walk-forward efficiency (WFE) porovnává výkon na out-of-sample úsecích s výkonem na in-sample úsecích — typicky jako poměr průměrného out-of-sample zisku k průměrnému in-sample zisku. Hodnota kolem 50-60 % a výš se obecně považuje za znak toho, že strategie zachytila skutečnou hranu, ne jen šum. Hodnota blízko nule nebo záporná znamená, že parametry fungují jen na datech, na kterých byly vyladěny, a mimo ně se rozpadají.
Druhý signál je stabilita parametrů mezi jednotlivými okny — pokud optimalizace v každém cyklu vybere úplně jiný stop loss nebo jinou periodu indikátoru, strategie nemá robustní jádro a jen honí aktuální tržní podmínky. U skutečně funkční strategie se optimální parametry mezi okny hýbou jen mírně.
Je potřeba říct jasně: walk-forward analýza neopravuje špatnou hypotézu. Pokud je vstupní logika strategie chybná, walk-forward vám jen poctivěji ukáže, že selhává — neudělá z ní funkční systém. Je to diagnostický nástroj pro validaci strategie, ne generátor hrany tam, kde žádná není. Než nasadíte výsledek na ostrý účet v rámci Trading Challenge, ověřte, že WFE i stabilita parametrů vychází konzistentně napříč více testovanými trhy, ne jen na jednom šťastném úseku XAUUSD.
Backtest podle pravidel prop challenge: daily loss limit a max drawdown
Zisková strategie a strategie, která projde evaluací, jsou dvě různé věci — rozhoduje tvar drawdownu, ne jeho konečný výsledek. Backtesting před prop challenge musí simulovat přesně ta pravidla, podle kterých vás vyhodnotí platforma, jinak testujete jinou hru, než jakou budete hrát. Dvě podmínky, které do testu musíte zapracovat jako tvrdé stopky, jsou daily loss limit a max drawdown v challenge — a obě dokážou zastavit i strategii s dlouhodobě pozitivním expectancy.
Jak do testu zapracovat denní ztrátový limit
Denní ztrátový limit se neměří na uzavřené obchody dne, ale na equity v reálném čase — tedy včetně plovoucí ztráty na otevřených pozicích. Pokud váš backtest počítá jen uzavřené P/L, podhodnocujete riziko systematicky. Do kódu nebo tabulky přidejte sloupec s intradenním minimem equity a jakmile překročí limit, test pro daný den ukončete — stejně jako by to udělala platforma. U strategií se dvěma a více otevřenými pozicemi (např. gold + NSDQ současně) je potřeba počítat kumulativní floating drawdown, ne jednotlivé obchody izolovaně.
Max drawdown, velikost pozice a profit target
Celkový max drawdown se v challenge typicky měří na equity (ne na balance), což znamená, že i dočasný propad v plovoucí ztrátě vás může vyřadit, přestože obchod nakonec skončí v zisku. Velikost pozice je tu jediná proměnná, kterou reálně ovládáte — a měla by vycházet z nejhorší série ztrát, kterou vám ukáže Monte Carlo rozptyl, ne z průměru. Pokud simulace ukazuje sérii 8 proher v řadě při R:R poměru 1:1.5, musí velikost pozice počítat s rezervou i na tento scénář, jinak vás jedna špatná série dostane mimo limit dřív, než dosáhnete profit targetu.
| Parametr | Co testovat v backtestu | Proč to rozhoduje o průchodu |
|---|---|---|
| Daily loss limit | Intradenní equity minimum, ne jen uzavřené obchody | Floating ztráta může limit spustit dřív než close |
| Max drawdown | Equity-based, kumulativní napříč nástroji | Dočasný propad vyřadí i ziskový obchod |
| Velikost pozice | Podle nejhorší série z Monte Carlo, ne průměru | Jedna série proher nesmí vyčerpat limit |
| Minimální obchodní dny | Počet signálů strategie za testované období | Málo signálů = riziko nesplnění v časovém rámci |
Minimální obchodní dny a chování strategie v čase
Málo lidí počítá, kolik obchodních dní strategie reálně vygeneruje — a to je přitom klíčové pro splnění požadavku na minimální počet obchodních dní. Pokud strategie dává 2-3 signály měsíčně na XAUUSD, backtest vám může ukázat skvělý roční výnos, ale v rámci jedné fáze evaluace nemusíte stihnout dost obchodních dní ani profit target v daném okně. Ověřte si frekvenci signálů proti konkrétnímu rámci For Traders Trading Challenge — kolik dní máte na fázi, jaký je požadovaný profit target a zda frekvence vaší strategie na to vůbec stačí. Backtest, který ignoruje čas, je jen poloviční odpověď.
Co backtest umí a co vám nikdy neukáže
Výhody
- Rychle vyřadí hypotézy, které nefungovaly ani historicky — ušetří měsíce živého testování
- Dá vám rozsah očekávaného drawdownu a délky ztrátových sérií, se kterými musíte psychicky počítat
- Umožní porovnat varianty vstupních a výstupních pravidel na stejném vzorku dat
- Odhalí závislost strategie na konkrétním volatilitním režimu, pokud testujete napříč obdobími
- Poskytne základ pro výpočet velikosti pozice vůči limitům evaluace
Nevýhody / rizika
- Nezachytí reálné fills, rozšíření spreadu a slippage v okamžicích jako NFP nebo FOMC, pokud je nemodelujete
- Neřekne nic o vaší disciplíně — backtest nikdy neposune stop a nepřidá k ztrátové pozici
- Historická data neobsahují budoucí režimové zlomy ani změny likvidity
- Každá další optimalizace zvyšuje riziko, že měříte jen šum konkrétního vzorku
- Ziskový výsledek neznamená průchod evaluací — tvar drawdownu rozhoduje víc než konečné číslo
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 challengeČasté otázky
Co je zkreslení při backtestingu a proč na něm strategie selhávají?+
Zkreslení při backtestingu znamená, že výsledky testu jsou systematicky lepší nebo horší než realita, protože do testu nevědomky zapojíte informace nebo podmínky, které v živém tradingu nemáte k dispozici. Nejčastěji jde o look-ahead bias (vidíte budoucí data), survivorship bias (testujete jen přeživší instrumenty) nebo přehnanou optimalizaci na historická data. Výsledkem je nádherná equity křivka na papíře, která se v reálném trhu nebo na simulovaném kapitálu challenge rozpadne. Rozpoznat a eliminovat tato zkreslení je základ každé solidní strategie, než vůbec riskujete účet.
Jak poznám, že je moje strategie overfitnutá?+
Overfitnutá strategie má typicky desítky parametrů vyladěných přesně na historická data a equity křivku bez jediného výraznějšího poklesu. Pokud strategie funguje jen s konkrétní kombinací period, násobků ATR nebo časů vstupu a malá změna parametru výsledky rozbije, jde o curve-fitting, ne o edge. Dalším signálem je nepoměr mezi počtem obchodů a počtem optimalizovaných proměnných — čím víc parametrů na stejný vzorek dat, tím vyšší riziko. Zdravá strategie přežije drobné posuny parametrů i out-of-sample období bez katastrofy.
Co je survivorship bias a kde se objevuje mimo akcie?+
Survivorship bias vzniká, když testujete strategii jen na instrumentech, které „přežily“ do dnešní podoby, a tím skryjete ztráty z nástrojů, které zanikly nebo byly delistovány. U akcií je to klasika s krachujícími firmami, ale stejně reálně se projevuje u krypta (tokeny, které zmizely z burz), u forexu (delistované páry exotických měn) i u indexů, kde se mění složení koše akcií v čase. Pokud backtestujete na datasetu, co neobsahuje tyto „mrtvé“ instrumenty, vaše historická výkonnost je uměle nadhodnocená.
Jak vzniká look-ahead bias při manuálním backtestu v TradingView?+
Look-ahead bias vzniká, když při procházení grafu vizuálně vidíte celou svíčku nebo i další svíčky dopředu a nevědomky na základě toho upravíte vstup, i když v reálném čase byste tuto informaci neměli. V TradingView to typicky řeší replay mód, který odkrývá data svíčku po svíčce, nikdy neposouvejte kurzor dopředu „na zkoušku“. Riziko roste u indikátorů s repaintingem (přemalovávají se zpětně) — ty do backtestu vůbec nepatří, pokud nedávají stejný signál i v reálném čase.
Jaký je rozdíl mezi zdravou optimalizací a curve-fittingem?+
Zdravá optimalizace hledá parametry, které fungují robustně napříč různými obdobími a trhy, zatímco curve-fitting vyladí strategii tak přesně na jeden konkrétní dataset, že ztrácí obecnou platnost. Praktický test je jednoduchý: pokud strategie funguje jen se vstupem na RSI 27.3 a selže na RSI 25 nebo 30, jde o curve-fitting. Robustní strategie má širší „plató“ dobrých parametrů a drží výkonnost i na out-of-sample datech, které jste při ladění vůbec neviděli.
Kolik obchodů musí backtest mít pro statistickou váhu?+
Obecně platí, že pod 100 obchodů je výsledek backtestu statisticky málo průkazný a může jít jen o náhodu, zatímco 200-300+ obchodů napříč různými tržními podmínkami už dává rozumnou vypovídací hodnotu. Čím nižší win rate a vyšší R:R strategie má, tím více obchodů potřebujete, protože variance výsledků je vyšší. Důležitý je i rozptyl podmínek — stovky obchodů jen z jednoho silného trendu neřeknou nic o chování strategie v rangi nebo při vysoké volatilitě kolem FOMC či NFP.
Jak nastavit out-of-sample testování a kolik dat vyčlenit?+
Standardní přístup je rozdělit historická data na in-sample (typicky 60-70 %) pro vývoj a ladění strategie a out-of-sample (30-40 %) pro ověření, které necháte netknuté až do úplně poslední fáze. Out-of-sample data „spálíte“ v momentě, kdy na základě jejich výsledku znovu upravíte parametry strategie — pak už neslouží jako nezávislý test, ale stávají se součástí optimalizace. Proto se doporučuje mít i třetí, zcela rezervní vzorek nebo přejít rovnou na forward test na simulovaném kapitálu v rámci Trading Challenge.
Jak do backtestu správně započítat spread, slippage a komise?+
Správný backtest musí od každého obchodu odečíst reálný spread v době vstupu a výstupu, typický slippage u daného instrumentu a brokera, komise za lot a u pozic držených přes noc i swapy. U gold (XAUUSD) a US100 se spready během zpráv jako NFP výrazně rozšiřují, takže počítat s průměrným klidovým spreadem je zkreslení samo o sobě. Bez těchto nákladů backtest systematicky nadhodnocuje profit factor i expectancy, protože strategie s vysokou frekvencí obchodů utrpí náklady nejvíc.
Proč forward test na simulovaném kapitálu odhalí víc než backtest?+
Forward test probíhá v reálném čase bez znalosti budoucích dat, takže eliminuje look-ahead bias a prověří, jak strategie zvládá skutečnou psychologii exekuce — fill, slippage i vaši reakci na drawdown v moment, kdy se děje. Backtest je retrospektivní a snadno se do něj propašují zkreslení, zatímco forward test na simulovaném kapitálu v rámci Trading Challenge ukáže, jestli edge přežije i disciplínu dodržování daily loss limit a max drawdown pod tlakem. Proto zkušení traderi berou forward test jako poslední a nejdůležitější filtr před nasazením na fundovaný účet.
Proč je u backtestu drawdown důležitější metrika než profit factor?+
Drawdown ukazuje, jak hluboký a dlouhý pokles equity musíte psychicky a kapitálově přežít, zatímco profit factor jen poměřuje celkové zisky a ztráty bez ohledu na cestu k výsledku. Strategie s vysokým profit factorem, ale max drawdownem 40 %, je pro prop challenge nepoužitelná, protože narazí na daily loss limit nebo max drawdown dřív, než se stihne projevit dlouhodobá výhoda. Sledujte proto i Calmar ratio, délku drawdown period a nejhorší sérii proher v řadě — tato čísla rozhodují, jestli strategii na reálném kapitálu vůbec ustojíte.
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