Kompletní průvodce backtestingem obchodních systémů

By Marcel Hambálek · Senior Trader, For Traders

Backtesting obchodních systémů je ověření tradingových pravidel na historických datech — simulujete, jak by se strategie chovala v minulosti, abyste znali její očekávanou hodnotu na obchod, maximální drawdown a nejdelší sérii ztrát ještě před nasazením reálného rizika. Validní backtest potřebuje minimálně 100–200 obchodů a stejná pravidla, jaká budete skutečně obchodovat — s realistickým spreadem, slippage a komisemi.

Klíčové poznatky

• Backtest vám neříká, kolik vyděláte, ale jak se strategie chová v nejhorších obdobích — max drawdown a nejdelší série ztrát jsou důležitější než výsledná equity křivka.
• Pod 100 obchodů je výsledek statistický šum; u intradenních systémů na XAUUSD nebo US100 miřte na 200+ obchodů přes minimálně 2–3 roky různých režimů volatility.
• Nastavte reálné náklady: spread a slippage u gold i indexů, komise u CME futures, swapy u swingových pozic — bez nich backtest ukazuje falešnou výhodu.
• Overfittingu předejdete jednoduchými pravidly (4–6), out-of-sample obdobím a hledáním stabilních parametrových pásem místo jednoho „nejlepšího“ nastavení.
• Walk-forward analýza a Monte Carlo simulace odhalí, jak robustní systém je a jaký drawdown vás může potkat mimo historický vzorek.
• Před vstupem do prop firm challenge porovnejte historický max DD a frekvenci obchodů strategie s daily loss limitem, max drawdownem a délkou fáze — jinak vás shodí i funkční systém.

Podívejte se: související video

Co je backtesting obchodních systémů a co vám reálně řekne

Backtesting obchodních systémů je simulace pravidel vaší strategie na historických datech s cílem změřit očekávanou hodnotu na obchod, maximální drawdown a stabilitu statistické výhody — ještě před tím, než na strategii vsadíte reálné nebo vyhodnocované kapitálové riziko. Neříká vám, jestli vyděláte zítra. Říká vám, jestli má váš systém vůbec matematický důvod fungovat.

Definice a základní princip

Princip je jednoduchý: vezmete přesně definovaná pravidla vstupu, výstupu, stop lossu a money managementu a pustíte je na historická data — ideálně na několik set až tisíc svíček zpět, přes různé tržní režimy. Backtesting obchodní strategie vám z toho vygeneruje sérii obchodů, ze které počítáte win rate, průměrný R:R, expectancy a maximální drawdown. Adrian Reid, který backtestingu zasvětil velkou část své trading kariéry, to shrnuje jednoduše: pokud strategii nezměříte na datech, obchodujete pocit, ne systém.

Co backtest dokáže ověřit — a co ne

Tady je klíčový rozdíl, který spoustu traderů mate: „strategie byla v minulosti zisková“ a „strategie má statistickou výhodu“ nejsou to samé. Zisková série 50 obchodů může být čistá náhoda — statistickou výhodu (edge) potvrdíte až na vzorku, kde je expectancy stabilně kladná i po rozdělení dat na více období a tržních podmínek.

Backtest reálně ověří:

• Očekávanou hodnotu na obchod (expectancy) a jestli je dlouhodobě kladná
• Maximální historický drawdown a nejdelší sérii ztrát v řadě
• Chování strategie v trendu vs. v rangi, ve vysoké vs. nízké volatilitě

Backtest naopak neumí:

• Předpovědět budoucí cenový pohyb — historická data nezaručují, že se stejný vzorec zopakuje
• Zachytit změnu tržního režimu (jiná likvidita, jiná struktura trhu, nový regulační rámec)
• Nahradit exekuční realitu — slippage, requoty a psychologický tlak živého fillu se v datech neprojeví

Proč backtest funguje i jako psychologická pojistka

Tohle je vrstva, kterou většina návodů přeskočí, a je přitom praktičtější než všechny statistiky dohromady. Trader, který ví, že jeho systém má v historických datech doloženou sérii deseti ztrát v řadě, po třetí ztrátě v tichosti nepanikaří a nevypíná ho. Trader bez backtestu tu samou sérii vyhodnotí jako důkaz, že „strategie je rozbitá“, a odejde přesně před tím, než měla statisticky přijít odměna za vydrženou volatilitu. Backtest vám nedává jistotu výhry v příštím obchodě — dává vám rámec, podle kterého poznáte, jestli je aktuální ztrátová série ještě uvnitř normálního rozptylu, nebo už signál, že něco skutečně nesedí.

Z toho plyne jednoduché pravidlo, které si zapište nad monitor: testujte to, co obchodujete, a obchodujte to, co jste otestovali. Jakmile mezi backtestem a živým tradingem vznikne mezera — jiné pravidlo vstupu, jiný timeframe, jiný instrument — historická data pro vás přestávají platit.

Tři úrovně backtestingu: manuální, systémový a portfoliový

Backtesting obchodních systémů se dělá na třech úrovních podle toho, kolik dat a jakou přesnost potřebujete — manuální backtesting na grafech pro rychlý sanity check hypotézy, systémový backtest jednoho pravidlového setu pro statistiku ve velkém vzorku a portfoliový backtest pro řízení rizika mezi instrumenty. Každá úroveň má jiný nástroj, jiný čas na přípravu a jiný typ chyby, kterou odhalí.

Manuální backtesting na grafech (bar replay)

Pokud jste discretionary price-action trader a vaše pravidlo stojí na čtení svíček, struktury nebo objemu, začněte tady. TradingView bar replay backtest vám posune graf zpátky do minulosti a odkrývá bary jeden po druhém — přesně tak, jak by se svíčky tvořily živě, bez znalosti toho, co přijde. Otevřete 50 obchodů na různých instrumentech (třeba mix XAUUSD a US100) a zapisujte si vstup, stop, výstup a důvod. Pokud po padesáti obchodech nevidíte ani náznak edge, pravidlo nemá smysl testovat dál ve větším měřítku — ušetříte si týdny práce s automatizací něčeho, co nefunguje. Manuální backtesting je pomalý, subjektivní a náchylný na hindsight bias, ale je to jediný způsob, jak ověřit diskreční rozhodování, které se nedá napsat jako striktní kód.

Systémový backtest jednoho pravidlového setu

Jakmile máte pravidlo, které jde zapsat jako přesnou podmínku (vstup při průrazu 20denního maxima, stop na 1,5× ATR, výstup na trailing), přesuňte se do MetaTrader 5 tester strategie nebo do Pythonu s knihovnou jako backtrader či vectorbt. Tady dostanete stovky až tisíce obchodů za pár minut, přesnou statistiku expectancy, profit factoru a max drawdownu a možnost rychle měnit parametry bez rizika confirmation bias z ručního klikání. Nastavte reálný spread, slippage a komise pro daný instrument — jinak vám tester vrátí čísla, která v živém tradingu nikdy neuvidíte. Systémový backtest je most mezi nápadem z grafu a rozhodnutím, jestli strategii vůbec nasadit na demo či fundovaný účet.

Portfoliový backtest napříč instrumenty

Poslední úroveň řeší otázku, kterou single-instrument test nikdy nezodpoví: co se stane, když obchodujete XAUUSD, US100 a futures na CME současně a všechny tři pozice se najednou pohnou proti vám na stejné makro zprávě? Portfoliový backtest v nástrojích jako Amibroker, RealTest nebo MultiCharts počítá korelace mezi instrumenty a simuluje skutečnou alokaci rizika napříč celým portfoliem, ne jen jednu strategii izolovaně. Tahle úroveň je nutná, pokud plánujete trading challenge s více instrumenty najednou — daily loss limit se totiž počítá za celý účet, ne za jednotlivý symbol, a korelovaná ztráta vás může vyřadit z evaluace mnohem rychleji, než by naznačoval backtest jedné strategie samostatně.

Jak backtestovat strategii: 7 kroků od hypotézy k nasazení

Backtesting obchodních systémů má pevnou sekvenci: hypotéza → jednoznačná pravidla → rozdělení dat → in-sample test → out-of-sample validace → walk-forward a Monte Carlo → forward test na demu. Přeskočíte-li krok nebo se vrátíte k datům, která už jste viděli, celý proces ztrácí statistickou hodnotu a výsledky vás jen ukolébají falešnou jistotou.

1. Formulujte hypotézu, ne jen nápad

Nápad je "koupím gold, když roste". Hypotéza je tvrzení s tržní logikou, které lze vyvrátit: "Gold po newyorském otevření pokračuje ve směru denního trendu, protože institucionální flow se koncentruje do prvních dvou hodin US seance." Pokud neumíte hypotézu vysvětlit kolegovi tradérovi za třicet vteřin bez odkazu na graf, není ještě hotová.

2. Přepište hypotézu do 4–6 jednoznačných pravidel

Pravidla musí být tak konkrétní, aby je zvládl zakódovat i programátor, který trh nikdy neviděl. Ne "vstup na pullbacku", ale "vstup na close 15minutové svíce, která se dotkne EMA20 shora dolů v rámci uptrendu definovaného jako close > EMA50 na H1". Definujte vstup, stop loss, take profit nebo trailing, velikost pozice a podmínku výstupu při stagnaci. Čím méně místa pro interpretaci, tím věrohodnější je pak výsledek testu.

3. Zajistěte data a rozdělte je na in-sample a out-of-sample

Před spuštěním testu si historická data rozdělte na dvě části — typicky 70/30 nebo 60/40. In-sample vzorek slouží k vývoji a ladění, out-of-sample zůstává zamčený a nesaháte na něj, dokud in-sample fáze není definitivně uzavřená. Tohle rozdělení je jádro celého konceptu, jak backtestovat strategii bez podvádění sama sebe — jakmile jednou nakoukáte do out-of-sample dat, ztrácí svou hodnotu navždy a musíte sáhnout po novém, dosud nepoužitém úseku.

4. Spusťte in-sample test a hledejte stabilní parametrová pásma

Testujte parametry (perioda EMA, ATR multiplikátor pro stop) v rozumném rozsahu a sledujte, jak se equity křivka chová při malých změnách vstupu. Hledáte plató — širokou oblast parametrů, kde je výkon podobně dobrý — ne osamocenou špičku, která zmizí při posunu o jednu jednotku. Špička je znak přeoptimalizace, plató je znak robustnosti.

5. Ověřte na out-of-sample datech bez dalších úprav

Vezměte přesně ty parametry, které vyšly z plató, a spusťte je na out-of-sample datech beze změny jediného čísla. Toto je moment pravdy: out-of-sample testování strategie ukáže, jestli jste našli skutečnou edge, nebo jen vzor, který se v minulosti náhodně objevil. Pokud výkonnost drasticky spadne, vracíte se na krok 1 — ne na krok 4 s "trochu upravenými" parametry, to je jen zamaskovaná přeoptimalizace.

6. Proveďte walk-forward a Monte Carlo test robustnosti

Walk-forward analýza posouvá okno in-sample/out-of-sample v čase — optimalizujete na segmentu, validujete na navazujícím a celé okno posunete o krok dál, aby se simulovalo skutečné tradování bez znalosti budoucnosti. Monte Carlo simulace zamíchá pořadí obchodů a přidá náhodný slippage, aby ukázala rozptyl možných equity křivek a realistický worst-case drawdown, nejen ten jeden, který se objevil v historických datech.

7. Forward test na demu a teprve pak simulovaný kapitál

Forward testing na demo účtu běží v reálném čase na živých cenách, ale bez rizika — je to poslední filtr proti přehlédnutým chybám v datech nebo v exekuci. Teprve po zvládnutém forward testu dává smysl nasadit strategii do Trading Challenge na simulovaný kapitál. Pokud strategie na demu selže, vracíte se na krok 3 s novým datovým vzorkem — ne na krok 7 s nadějí, že to příště vyjde.

Kolik obchodů a jak dlouhou historii potřebuje validní backtest

Statistická validita backtestu obchodního systému se u vysokofrekvenčního scalpingu pohybuje od 300 obchodů výš, u swingových strategií na H4–D1 stačí kolem 100–150 obchodů, ale s historií pokrývající minimálně dva odlišné tržní režimy. Čím méně obchodů máte, tím větší podíl na výsledku má čistá náhoda — a to je přesně past, do které padá většina domácích testerů.

Proč 30 obchodů neznamená nic

Vezměte systém s reálnou expektací 55 % win rate. Na vzorku 30 obchodů vám statistický šum klidně ukáže 70% win rate a profit factor 2,5 — a vy uvěříte, že máte edge, který ve skutečnosti neexistuje. Se stovkami obchodů se tenhle rozptyl srovná k realitě, ale u malého vzorku obchodů se odchylky o desítky procent objevují běžně, protože náhoda ještě nestihla „vystřídat" všechny scénáře. Prakticky to znamená: systém, který po 30 obchodech vypadá jako svatý grál, může být po 300 obchodech v mírné ztrátě. Backtesting obchodních systémů na malém vzorku vám dá jen iluzi jistoty, ne data, na kterých má smysl stavět riziko na fundovaném účtu.

Orientační minima podle timeframe a frekvence

Počet obchodů, které potřebujete pro spolehlivý závěr, se odvíjí od toho, jak často systém obchoduje a jak volatilní je nástroj, na kterém testujete.

Tahle čísla nejsou dogma, ale hranice, pod kterou se výsledky prakticky nedají interpretovat. Pokud vám scalpingový systém na M1 vygeneruje jen 80 obchodů za testované období, potřebujete buď delší historii, nebo víc symbolů v testu — jinak vzorek obchodů zkrátka nemá sílu nic prokázat.

Kolik let dat a proč potřebujete různé tržní režimy

Počet obchodů je jen polovina rovnice — druhá je, jestli váš vzorek prošel různými tržními režimy. Systém odladěný jen na trendovém prostředí US100 (NSDQ) z let 2023–2024 bude v chopu vypadat jako rozbitý, protože nikdy neviděl, jak se chová mimo jasný směr. Validní backtest by měl obsahovat:

• trendové období (jako US100 v letech 2023–2024),
• rozsekaný, bezsměrný trh (chop),
• vysokou volatilitu kolem FOMC a NFP, kdy se ATR umí za pár minut zdvojnásobit,
• propad likvidity v srpnu, kdy se roztahují spready a rostou slippage i na jindy klidných párech.

U XAUUSD navíc pozor na jednu věc, kterou spousta backtestů ignoruje: data před rokem 2020 mají výrazně jinou průměrnou ATR a volatilitní profil než dnešní zlato. Systém odladěný na starších datech XAUUSD proto nejde přenést 1:1 na současný trh — velikost stop lossů, cílů i risk managementu je potřeba přepočítat na aktuální ATR a volatilitu, jinak vás historická statistika jen ukolébá falešnou jistotou.

Backtesting software pro tradery: srovnání nástrojů

Pro forex a zlato je dnes nejsilnější volbou MetaTrader 5 Strategy Tester díky tick datům a vestavěné optimalizaci, pro rychlý manuální test bez programování vyhrává TradingView s Bar Replay a pro portfoliové systémy nebo plnou kontrolu nad statistikou sáhnete po Amibrokeru, RealTestu, MultiChartsu nebo Pythonu. Volba nástroje se odvíjí hlavně od toho, jestli testujete diskréční setup ručně, nebo mechanický systém, který chcete zoptimalizovat na tisících kombinací parametrů.

MetaTrader 5 Strategy Tester

MetaTrader 5 tester strategie je pořád referenční standard pro forex, zlato a indexy. Pracuje s reálnými tickovými daty (ne jen OHLC svíčkami), takže simuluje i intra-barovou cenovou akci a slippage mnohem přesněji než starší MT4. Umí genetickou optimalizaci parametrů a walk-forward analýzu přímo v prostředí, ale vyžaduje znalost MQL5 — bez kódu neotestujete nic mechanicky opakovatelného, jen si prohlédnete historii ručně.

TradeLocker a cTrader

TradeLocker a cTrader fungují spíš jako exekuční prostředí než plnohodnotné backtestingové platformy. cTrader má vlastní Automate s cAlgo backtesterem, který zvládne slušnou optimalizaci pro strategie postavené v C#. TradeLocker backtesting v podstatě nenabízí — je to primárně nástroj pro live trading a správu pozic, takže pokud u For Traders obchodujete přes TradeLocker, systém si otestujete jinde a sem jen přenesete finální pravidla.

TradingView: Bar Replay a Pine Script Strategy Tester

TradingView Bar Replay backtest je nejrychlejší cesta, jak si ručně "přehrát" historii bar po baru a natrénovat rozpoznávání setupů bez rizika. Pro mechanické strategie poslouží Pine Script Strategy Tester — napíšete pravidla v Pine Scriptu a dostanete report s equity křivkou i statistikami obchodů. Pozor na dvě omezení: repainting (indikátor se přepočítává zpětně a na živém grafu vypadá lépe, než reálně byl) a limit počtu barů v historii u nižších tarifů, který vám u scalpingových strategií na M1 rychle dojde.

For Traders X

Pokud testujete strategie na futures kontraktech CME (ES, NQ, GC, CL), počítejte s tím, že finální exekuce u For Traders poběží na platformě For Traders X. Samotný backtesting futures systému si uděláte v specializovaném nástroji (MultiCharts, Python nebo NinjaTrader data feed), ale kontrakt specifikace, tick value a margin si ověřte přímo v prostředí For Traders X ještě před tím, než pravidla nasadíte na Futures Challenge.

Amibroker, RealTest, MultiCharts a Python

Amibroker a RealTest jsou stavěné na portfoliové backtesty — testujete desítky až stovky trhů najednou, s vlastním rankováním a alokací kapitálu, což v MT5 prakticky neuděláte. MultiCharts nabízí podobný komfort s vizuálním editorem (PowerLanguage/EasyLanguage) a je oblíbený u futures a indexových systémů. Python s knihovnami backtesting.py a vectorbt dává úplnou kontrolu — vlastní metriky, Monte Carlo simulace, vektorizované testy nad roky dat za sekundy — ale vyžaduje, abyste uměli psát kód a rozuměli tomu, co počítáte. Forex Tester zase slouží jako zrychlený manuální dril: přetáčíte historii vyšší rychlostí než na Bar Replay a trénujete rozhodování pod tlakem, bez nutnosti programovat cokoliv.

Realistické náklady a kvalita dat: spread, slippage, komise, swapy

Backtest, který ignoruje spread, slippage a komise, vám ukáže strategii, která nikdy neexistovala. Rozdíl mezi "papírovým" ziskem a reálným výsledkem po nákladech bývá u intradenních systémů klidně 30–50 % očekávané hodnoty na obchod — a to je rozdíl mezi funkčním a nefunkčním systémem.

Kvalita historických dat pro backtesting rozhoduje o tom, jestli vaše čísla vůbec něco vypovídají. Dvě datové sady stejného instrumentu od dvou různých poskytovatelů dají u scalpingové strategie často výrazně odlišnou equity křivku — ne kvůli chybě ve vašem kódu, ale kvůli tomu, jak byl spread a slippage a spread vůbec modelovaný.

Tick data vs. M1 open price model — kde se rodí falešné zisky

M1 open price model počítá vstup a výstup podle otevírací ceny jednominutové svíčky — je rychlý, ale ignoruje, co se dělo uvnitř té minuty. Tick data model naopak simuluje každou změnu ceny a spreadu v reálném čase, včetně chvil, kdy se spread na pár sekund roztáhne desetinásobně.

U systému se stopem 10–15 pipů je to zásadní rozdíl. Hrubý M1 model vám při zásahu stop lossu často "odpustí" reálný skluz, protože pracuje jen s cenou na začátku svíčky — výsledkem je equity křivka, která vypadá o desítky procent lépe, než jaká by byla realita. Čím kratší je váš průměrný R:R a čím blíž má stop k trhu, tím víc na tomhle rozdílu záleží. Na swingových systémech s stopem 200+ pipů je dopad zanedbatelný, na scalpingu likviduje celou edge.

Orientační spread a slippage pro XAUUSD a US100

Spread na zlatě i indexech není konstanta — mění se podle likvidity, session a blízkosti makro událostí. Do backtestu patří proměnlivý model, ne jedno pevné číslo.

Přes rollover (obvykle kolem půlnoci brokerského času) se spread na indexech běžně rozšiřuje i mimo makro události — pokud testujete přes noc drženou pozici, tenhle interval nemůže v datech chybět. Slippage a spread na stop lossech v reakci na NFP nebo FOMC prohlášení bývá násobkem normálu, protože likvidita na pár sekund zmizí a vaše zadání se vyplní o kus dál, než jste čekali.

Komise u CME futures, swapy a rollover u swingových pozic

U futures na CME počítejte s fixní komisí na kontrakt (řádově jednotky dolarů za stranu podle brokera a instrumentu) plus tick value, který určuje, kolik vydělá nebo prodělá jeden tick pohybu — u E-mini futures se tyto hodnoty výrazně liší instrument od instrumentu, takže je nutné je dosadit přesně, ne odhadem.

Na forexu a gold pozicích držených přes noc si backtest musí pamatovat swapy — úrokový rozdíl mezi měnami nebo financující sazbu u komodity, který se připisuje nebo strhává každý den držení, a trojnásobně ve středu kvůli rollover konvenci. U swingového systému s průměrnou dobou držení 3–5 dní dokážou swapy ukrojit citelnou část hrubého zisku, a pokud je v backtestu nemáte, výsledná equity křivka bude systematicky nadhodnocená.

Metriky backtestu, které rozhodují (a proč win rate skoro nic neříká)

Win rate vám řekne, jak často vyhrajete, ale ne kolik. Systém se 80% úspěšností dokáže mít zápornou expectancy, pokud vaše průměrná ztráta je třikrát větší než průměrný zisk — a přesně tady dělá většina traderů první chybu, když hodnotí backtesting obchodních systémů jen podle procenta trefených obchodů.

Skutečný motor výnosu je expectancy (očekávaná hodnota na obchod) vynásobená frekvencí obchodování. Systém s expectancy 0,3R a 300 obchody ročně vydělá dlouhodobě víc než systém s expectancy 0,8R, který obchoduje desetkrát do roka. Proto se u backtestu neptáte jen "vydělává to?", ale "kolik R to vydělává na obchod a jak často se ta příležitost opakuje?".

Expectancy v R a profit factor

Expectancy spočítáte ručně jednoduše: (win rate × průměrný zisk v R) − (loss rate × průměrná ztráta v R). Systém s 40% win rate, průměrným ziskem 2R a průměrnou ztrátou 1R má expectancy 0,4×2 − 0,6×1 = 0,2R na obchod. Naopak systém s 80% win rate, průměrným ziskem 0,5R a průměrnou ztrátou 2,5R skončí na 0,8×0,5 − 0,2×2,5 = −0,1R — vyhrává skoro pořád a přesto dlouhodobě prodělává. Profit factor tuhle logiku potvrzuje z jiného úhlu: hrubý zisk dělený hrubou ztrátou. Pod 1,2 je systém na hraně nákladů (spread, komise, slippage), nad 2 si ověřte, jestli backtest náhodou neobsahuje look-ahead bias.

Maximální drawdown a nejdelší série ztrát

Max drawdown vám řekne, jak hluboko equity klesne od svého vrcholu — a tohle číslo se přímo promítá do toho, jestli přežijete daily loss limit a max DD limit u challenge. Stejně důležitá je ale nejdelší série ztrát a čas strávený v drawdownu, tedy kolik obchodů či týdnů equity jen stagnuje nebo klesá, než se probije na nové maximum. Systém s max DD 12 % vypadá skvěle na papíře, ale pokud tam bylo 11 ztrát v řadě a tři měsíce plochého grafu, otázka nezní "je systém dobrý", ale "vydržíte to psychicky, aniž byste po sedmé ztrátě začali měnit pravidla".

MAR, stabilita equity a rozložení výsledků

MAR ratio (roční výnos / max drawdown) vám ukáže, jestli riskujete přiměřeně k tomu, co dostáváte zpět — hodnota kolem 1 znamená, že za každé procento drawdownu dostáváte procento ročního výnosu, což je solidní poměr. Kromě čísla se ale dívejte i na tvar equity křivky: rovnoměrný růst s malými zuby je zdravější signál než jeden obří měsíc, který táhne celý průměr nahoru. Rozložení výsledků (kolik obchodů je v pásmu -1R až +1R vs. extrémní outliery) vám prozradí, jestli systém stojí na konzistenci, nebo na pár šťastných trefách, které se v realitě nemusí opakovat.

Overfitting a časté chyby: bias → dopad → oprava

Overfitting v backtestingu znamená, že systém se naučil "zpaměti" konkrétní historická data, ne obecný tržní vzor — v realitě pak selhává, protože obchoduje šum minulosti, nikoliv opakující se edge. Rozpoznáte ho podle tří typických zdrojů zkreslení, které si musíte prověřit dřív, než nasadíte reálné riziko.

Look-ahead bias a survivorship bias

• Bias: vstup na close aktuálního baru, kde jste podmínku vstupu vyhodnotili ze stejného baru → dopad: systém "vidí do budoucnosti", výnos je nadhodnocený, protože v reálném čase close ještě neznáte → oprava: vstup vždy na open následujícího baru, nikdy na cenu, kterou jste použili k vyhodnocení signálu.
• Bias: testování na koši akcií, který obsahuje jen dnešní přeživší firmy (survivorship bias) → dopad: zmizelé, zkrachovalé nebo delistované tituly z historie chybí, výsledky jsou systematicky lepší, než mohl trader reálně dosáhnout → oprava: použijte point-in-time datovou sadu, která zahrnuje i firmy, které z indexu později vypadly.

Data-mining bias a nadměrná optimalizace

• Bias: data-mining bias a p-hacking — otestujete 500 kombinací parametrů (délka MA, RSI práh, stop v ATR) a vyberete tu s nejlepším výsledkem → dopad: u tak velkého množství kombinací vznikne "vítěz" i z čistě náhodných dat, statisticky nevyhnutelně → oprava: rozdělte data na in-sample a out-of-sample vzorek, nastavení laďte jen na in-sample a ověřte na neviděných datech; navíc pusťte Monte Carlo simulaci s permutací pořadí obchodů, ať víte, jak stabilní je výsledek vůči náhodě.
• Bias: nadměrná optimalizace parametrů do jednoho úzkého bodu → dopad: v parametrové mapě vidíte ostrou izolovanou špičku — posun o jednu jednotku a výkon spadne k nule → oprava: hledejte široké plató, kde okolní kombinace parametrů dávají podobně dobré (ne nutně nejlepší) výsledky. Plató signalizuje skutečný tržní vzor, špička signalizuje šum.

Jak poznat overfittovaný systém na první pohled

Než se pustíte do out-of-sample testu, stačí se podívat na pár varovných signálů:

• Systém má víc než 6 pravidel — každá další podmínka je další stupeň volnosti, který se dá naladit na minulost.
• Filtr obchoduje jen konkrétní dny v týdnu nebo hodiny bez jakékoliv tržní logiky za tím (např. "jen úterý mezi 14:00 a 15:00") — pokud nedokážete vysvětlit proč, je to pravděpodobně artefakt optimalizace.
• Equity křivka je až podezřele hladká, bez viditelného drawdownu — reálný trh generuje ztrátové série i u kvalitních strategií, dokonalá křivka je červená vlajka, ne důvod k radosti.

Pokud systém splňuje dvě a víc z těchto podmínek, vraťte se k datům a testujte na jiném časovém úseku nebo instrumentu, než mu svěříte skutečný účet v rámci Trading Challenge.

Walk-forward analýza a Monte Carlo simulace v praxi

Walk-forward analýza vám řekne, jestli strategie funguje i na datech, která nikdy neviděla při optimalizaci — Monte Carlo simulace vám řekne, jak zlý drawdown můžete čekat, i když ho historie zatím nepředvedla. Obě metody dohromady tvoří rozdíl mezi backtestem, kterému věříte, a backtestem, který jen vypadá dobře na papíře.

Jak nastavit walk-forward okna krok za krokem

Walk-forward optimalizace rozdělí historii na opakující se bloky in-sample a out-of-sample dat:

1. Zvolte in-sample okno, na kterém strategii optimalizujete — u denního tradingu typicky 12 měsíců.
2. Nastavte out-of-sample okno, na kterém výsledky pouze ověřujete, bez dalšího ladění parametrů — obvykle 3 měsíce, tedy poměr 4:1.
3. Optimalizujte parametry na in-sample bloku a aplikujte je beze změny na následující out-of-sample blok.
4. Posuňte oba bloky o délku out-of-sample okna dopředu (o 3 měsíce) a opakujte optimalizaci na novém in-sample úseku.
5. Zřetězte všechny out-of-sample segmenty do jedné souvislé equity křivky — to je vaše reálné očekávání, ne in-sample výkonnost.

Klíčové číslo je walk-forward efficiency: podíl out-of-sample výkonnosti vůči in-sample výkonnosti. Hodnota nad 50 % značí strategii, která přenáší edge i mimo optimalizovaná data. Pod 30 % je varovný signál, že jste hlavně fitovali šum na historii — přesně to, o čem byla řeč u přeoptimalizovaných equity křivek výše.

Monte Carlo: co vám řekne o drawdownu, který jste ještě neviděli

Monte Carlo simulace obchodní strategie vezme sekvenci obchodů z vašeho backtestu a náhodně je přeskládá — klidně tisíckrát i vícekrát. Historický pořad obchodů je jen jedna z mnoha možných realizací; přeházením sekvence dostanete distribuci drawdownu napříč stovkami alternativních scénářů, které se stejnou pravděpodobností mohly nastat.

Číslo, se kterým pak pracujete při sizingu pozic, není historické maximum drawdownu z backtestu, ale 95. percentil z této distribuce. Pokud historie ukázala max DD 12 %, ale 95. percentil Monte Carlo simulace vyjde na 22 %, právě s 22 % počítáte při nastavování rizika na účtu v rámci Trading Challenge — ne s tím hezčím číslem, které jste náhodou dostali.

Kdy walk-forward nemá smysl

U swingových systémů s 20–30 obchody ročně walk-forward analýza ztrácí statistickou váhu — out-of-sample blok o třech měsících vám dá jen 3–5 obchodů, což je vzorek příliš malý na jakýkoliv závěr. V tomto případě je efektivnější sáhnout po delší historii (5–10 let) a doplnit ji Monte Carlo simulací, která z málo obchodů vytěží víc informace o rozptylu výsledků, než jaký poskytne uměle nakrájené walk-forward okno.

Co backtesting dává a kde jsou jeho limity

Výhody

• Dá vám čísla místo dojmů: expectancy v R, profit factor, max drawdown a nejdelší sérii ztrát ještě před prvním rizikem
• Zkomprimuje roky zkušeností do několika dnů práce — 200 obchodů na historii projdete rychleji než za rok živého tradingu
• Vytváří emoční odolnost: když znáte historickou sérii devíti ztrát, desátý obchod vezmete podle plánu
• Umožní spočítat velikost pozice tak, aby strategie vydržela pravidla challenge (max DD, daily loss limit)
• Odhalí, že většina nápadů nefunguje — a ušetří vám peníze za jejich testování naživo

Nevýhody / rizika

• Neřekne nic o budoucnosti: výhoda může zmizet se změnou tržního režimu nebo likvidity
• Je snadno zmanipulovatelný — look-ahead bias, ignorovaný slippage a přeoptimalizování vyrobí krásnou křivku bez hodnoty
• Kvalita výsledku je limitovaná kvalitou dat; M1 modely zkreslují intradenní systémy s malými stopy
• Nezachytí exekuční realitu: latenci, rozšíření spreadu při FOMC, gapy a částečné fily
• U discretionary tradingu nelze některá rozhodnutí přesně zakódovat, takže výsledek zůstává aproximací

Časté otázky