Jak překonat nejistý backtest?

Poslední měsíce máme na Finančníkovi opravdu živo.  Zde je přehled o tom, kam se posunula naše skupina a kam výkonnost strategií. Plus informace o plánech na nejbližší měsíce.
Spuštěna výuka long mean reversion + živé obchody
V září jsme v Trading Room publikovali pro všechny kurz výuky long mean reversion strategie. Kompletní popis vývoje obchodního přístupu krok za krokem – od myšleny, po live trading.
Sám jsem strategii ihned po dokončení spustil na živém účtu. Mám za sebou 11 obchodů se ziskem přes 2 000 dolarů a úspěšností 81,82 %. Takto vypadá má dosavadní živá ekvity křivka:

V rámci výuky sdílím zcela otevřeně kompletní pravidla systému, který tak lze obchodovat nezávisle skrz libovolné platformy. Pro ty, co začínají a nechtějí si signály generovat sami, jsou signály připravovány i v interaktivním dashboardu pod označením MRZ:

Během přibližně dvou týdnů máme v plánu do kurzu přidat i python skener, který všem umožní s využitím bezplatných Yahoo dat připravovat signály strategie bez potřeby jakéhokoliv skriptování nebo budoucí účasti v Trading Room.
K výuce máme opravdu velmi pozitivní zpětnou vazbu. Pro budoucí nové členy Trading Room je výuka dostupná již jen v ročním členství a rozhodně doporučuji výuku shlédnout a MRZ zařadit do portfolia.
Silná výkonnost intradenního breakoutu
Druhým systémem, který na Finančníkovi v Trading Room sdílíme v plně otevřené podobě (spolu s otevřenými autotradery), je intradenní breakout. Podrobně viz Trading Room intradenní breakout - Zákulisní orientace
Ten obchodujeme od května 2024 a takto aktuálně vypadá ekvity křivka se sdílenými pravidly:

Výkonnost se vztahuje ke kapitálu 20 000 dolarů a risku 200 dolarů na obchod. Od spuštění systém vydělává cca 22 % ročně při drawdownu -7,5 %. Sharpe ratio cca 1.3.
Jde o kontinuální backtest vyučované varianty s tím, že jednotliví členové aplikují různé své nuance.
Mé vlastní živé obchodování tohoto systému od spuštění v Trading Room vydělalo již 23 359 dolarů (reálné peníze, nikoliv backtest). Live trading ekvity z Interactive Brokers vypadá následovně:

Mé aktuální sharpe ratio v live tradingu intradenního breakoutu je 1.16.

Hledáte cestu, jak se dostat ke konzistentním profitům?
Rádi byste i v aktuálním kontextu obchodovali stabilně a bez emocí?
Určitě si přečtěte novou knihu Od myšlenky k reálným obchodům
Implementujte již od samotného začátku své praxe důležité systematické procesy a správné myšlení, které výrazně zvyšuje šance na stabilně profitabilní obchodování.
Inspirujte se, jak trading dělat jinak a lépe. Výhodou systému je, že obchoduje jen občas a velmi dobře sdílí kapitál s dalšími strategiemi.
Nová maxima u Deep Dip
V Trading Room sdílím signály k několika dalším svým strategím (zde zatím bez výuky systému).
Krásnou výkonnost má například Deep Dip  - long mean reversion časovaný pomocí implikované volatility. Podrobně jsem o systému psal na Finančníkovi v článku Časování návratu k průměru pomocí implikované volatility.
Systém obchoduji živě přes rok a stále vytváří nová maxima bez výraznějších drawdownů:

Shorty a připravovaný kurz
Specifickou kategorií obchodů v mém portfoliu je shortování akcií.
Signály ke své short mean reversion strategii sdílím v Trading Room od poloviny roku 2021 a takto vypadají od té doby mé živé výsledky z Interactive Brokers:

Jde o export mých vstupů a výstupů z platformy Interactive Brokers, kdy velikost pozice byla přepočítána na alokaci 10 % účtu na pozici (protože v rámci živého obchodování mám position sizing dynamický a je ovlivněn dalšími strategiemi v účtu). Obchodovaný systém  je stále stejný a používám kódy sdílené v Swingový simple mean reversion (SMR) systém – „hotové kódy“.
S výkonností jsem spokojený, nicméně z praxe plyne, že shorty jsou spojené s mnohem více know-how, než obodobné obchody do longů.
Z tohoto důvodu připravuji v Trading Room kurz, ve kterém si swingovou short mean reversion postavíme opět od myšlenky k live tradingu. Důvod je jednoduchý – kombinaci cca tří systémů vnímám jako základní proto, aby trader byl schopen provozovat konzistentně profitabilní trading. A v rámci tradingu skutečně chcete obchodovat kombinace systémů - viz vysvětlení, co je to portfolio.
Jakých tří systémů? Například právě vyučované long mean reversion, plánované short mean reversion, plus momentum – například rotační momentum, které obchoduji na Finančníkovi jako SMO NDX – viz Co jsou zač rotační momentum strategie? Mimochodem právě na rotační strategie bych rád zaměřil další kurz poté, co probereme short mean reversion.
Pro inspiraci – takto vypadá ekvity křivka portfolia (černá křivka) složená ze tří systémů:
Červená – můj live trading (exekuce vytažené z Interactive Brokers) strategie MR3000S  - short mean reversion na amerických akciích – signály strategie jsou sdíleny v Trading Room.
Modrá – můj live trading strategie NDX SMO (rotační momentum strategie na Nasdaq 100) – signály strategie jsou sdíleny v Trading Room.
Zelená – backtest nově postavené long mean reversion strategie MRZ, která je  v Trading Room vyučována se všemi pravidly:

Výkonnost odpovídá zhodnocení 32,3 % ročně, při dradownu -14,5 %. Sharpe ratio 1,53. Portfolio využívá obchodování na margin.
Solidní výkonnost, navíc při plné automatizaci (podobné řešení lze obchodovat skrz autotrader, který sdílíme v TechLabu).
Mým cílem je tak v TradingRoom poskytnout v průběhu následujících měsících know-how k tomu, aby si každý mohl podobné portfolio postavit a obchodovat třeba i bez další účasti ve skupině.
Ovšem samozřejmě v praxi pravděpodobně nebudete chtít skončit u obchodování tři systémů. Protože čím více nekorelujících strategií do portfolia zapojíte, tím stabilnější výkonnost získáte. Sám například stejné strategie obchoduji mimo jiné na ne amerických burzách. Ale k podobné diverzifikaci je potřeba se dobrat postupně.
Proto pokud vás svět automatizovaného obchodování zajímá, je ideální se nyní zapojit do ročního předplatného TradingRoom. Začít aplikovat již sdílené know-how a postupně se s ostatními posouvat kupředu.

Jedním z tradičních přístupů v systematickém obchodování s akciemi je strategie návratu k průměru (mean reversion). Tato strategie se zaměřuje na situace, kdy cena akcie dočasně vybočuje od své průměrné hodnoty a očekává se, že se brzy vrátí k normálu. Tradičně se pro časování vstupů používají nástroje technické analýzy. V dnešním článku se s vámi podělím o svůj inovativní přístup k časování vstupů vycházejících z očekávání opčních obchodníků.
Obsah:
Co je implikovaná volatilita? Co je realizovaná volatilita? Využití implikované volatility ve strategii návratu k průměru Praktické zkušenosti s obchodováním systému Dlouhodobý backtest systému Kombinace mean reversion systémů založených na implikované a realizované volatilitě Shrnutí Co je implikovaná volatilita?
Pro časování vstupů a výstupů v rámci dnes popisované strategie budeme pracovat s tzv. implikovanou volatilitou (IV). Hodnota vyjadřuje očekávání obchodníků ohledně budoucích pohybů cen akcií odvozenou z cen opčních kontraktů.
Tato volatilita se obvykle počítá na základě opcí s expirací přibližně 30 dnů a poskytuje představu o tom, jaké cenové pohyby mohou investoři v dané akcii očekávat v následujícím období. Pro využití IV nepracujeme s opcemi. Jde jednoduše o jedinou hodnotu, kterou stahujeme od svého poskytovatele dat.
Pokud je například implikovaná volatilita akcie 15 %, znamená to, že trh očekává, že se cena této akcie bude během následujícího roku pohybovat o ±15 % kolem své aktuální hodnoty s 68% pravděpodobností (v rámci jedné standardní odchylky). Implikovaná volatilita je prakticky takový VIX index, ale pro jednotlivé akcie.
Co je realizovaná volatilita?
Realizovaná volatilita (historická volatilita) naopak vyjadřuje skutečné pohyby ceny akcie v minulosti. Zatímco implikovaná volatilita předpovídá budoucí pohyby na základě cen opcí, realizovaná volatilita se počítá z historických dat cenových pohybů akcií. Pro výpočet se běžně používá například indikátor Average True Range.
Realizovaná volatilita je retrospektivní měřítko toho, jak moc se cena trhu skutečně měnila v určitém časovém období. Mnoho mean reversion strategií tradičně využívá právě realizovanou volatilitu k identifikaci momentů, kdy došlo k neobvyklým cenovým výkyvům, které pravděpodobně neodpovídají průměrnému chování dané akcie.
Využití implikované volatility ve strategii návratu k průměru
Mean reversion systémy využívající implikovanou volatilitu mohou být extrémně jednoduché. Sám postupuji následovně:
Stahuji hodnoty implikované volatility pro jednotlivé akcie z Interactive Brokers. Porovnávám denní cenový pohyb s hodnotou denní implikované volatility. Pokud pokles akcie za jediný den překročí hranici denní implikované volatility, může to signalizovat, že trh ovládla panika a akcie se po zklidnění situace vrátí k průměru. Takové trhy nakupuji. Je-li systém v dlouhé pozici, snaží se vystoupit na profit targetu odvozeném z hodnoty denní implikované volatility – ta nám napovídá, jaký může být přibližně denní rozkmit trhu. Praktické zkušenosti s obchodováním systému
Long mean reversion systém založený na porovnání denního pohybu s implikovanou volatilitou obchoduji živě od března 2024. Systém, kterému říkám DEEPDIP, obchoduji v rámci portfolia na svém větším účtu u Interactive Brokers.
Systém mám nastavený tak, že čeká na extrémnější situace a neobchoduje tak příliš často. Od spuštění jsem živě zobchodoval 17 obchodů s anualizovaným zhodnocením 10,19 % při drawdownu -2,52 %. Sharpe ratio mých živých obchodů je 1,89. Zhodnocení systém dosáhl při průměrném využití 3,84 % kapitálu. Což je z mého pohledu opravdu excelentní.
Takto vypadal jeden z posledních obchodů:

Jde o typický mean reversion obchod, ve kterém je pozice otevřena maximálně několik dnů.
Dlouhodobý backtest systému
Na základě svých pozitivních zkušeností se systémem jsem DEEPDIP zařadil do systémů sdílených v dashboardu Trading Room. K dispozici jsou zde nyní úplně stejné signály, které sám zadávám do trhu.
Zde je kopie backtestu z dashboardu Trading Room:

Od roku 2019 je hypotetická (backtest) výkonnost systému srovnatelná s výkonností S&P 500, ovšem při podstatně nižším drawdownu (DEEPDIP -4,68 %, S&P 500 -33,70 %) a zejména při výrazně nižší alokaci kapitálu. Pro dosažení výnosů využíval DEEPDIP kapitál jen ze 4 %! Systém tak lze efektivně kombinovat do systematických portfolií s dalšími systémy.
Kombinace mean reversion systémů založených na implikované a realizované volatilitě
Využití implikované volatility k časování krátkodobých akciových obchodů je zajímavé i z toho důvodu, že vstupy bývají v úplně jiných situacích než při časování skrz realizovanou volatilitu. Analýza mých živých výsledků z roku 2024 ukazuje, že výsledky z long mean reversion strategie založené na implikované volatilitě a výsledky z long mean revision strategie založené na realizované volatilitě mají velmi nízkou a navíc negativní korelaci. Konkrétně jde o hodnotu -0,28.
Sám tak ve svém US portfoliu obchoduji 3 mean reversion systémy – MR3000L (long systém vstupující na základě realizované volatility), MR3000S (short systém vstupující na základě realizované volatility) a DEEPDIP (long systém vstupující na základě implikované volatility). Signály všech systémů tak, jak je obchoduji, sdílím v Trading Room. MR3000 Long/Short je navíc k dispozici jako hotový swingový systém (viz - Swingový simple mean reversion (SMR) systém – „hotové kódy“).
A takto vypadají mé živé výsledky tohoto „mean reversion portfolia“. Jde o skutečná plnění z Interactive Brokers mých reálných obchodů, které jsem jen přepočítal na kapitál 10 000 USD a alokaci přidělenou pouze těmto systémům:

Černá linka představuje výkonnost „mean reversion“ miniportfolia, oranžová benchmark v podobě držení SPY.
Při takto volených váhách (kdy bych měl v portfoliu jen tři mean reversion systémy) by tedy mé portfolio obchodovalo po započtení skluzů a poplatků podobně jako S&P 500, podstatné ovšem je, že průměrně alokovaný kapitál byl jen 32 %. Cca 70 % kapitálu bych mohl dále využívat v jiných systémech!
Což je to, co přesně v rámci svého obchodování dělám. Stejný kapitál sdílený s mean reversion strategiemi ještě využívám v rámci momentum strategií a také v rámci intradenních strategií.
Shrnutí
Použití implikované volatility v obchodování návratu k průměru představuje podle mého názoru zajímavou alternativu k tradičním přístupům založeným na technické analýze a realizované volatilitě. Na rozdíl od realizované volatility, která se zaměřuje na minulost, implikovaná volatilita poskytuje představu o budoucích očekáváních trhu, a může tak pomoci lépe načasovat vstupy do obchodů.
Tato metoda je obzvláště zajímavá v obdobích zvýšené volatility, kdy jsou cenové pohyby trhem výrazně podhodnoceny nebo nadhodnoceny.
Osobně jsem se zatím nikdy s podobným využitím implikované volatility nesetkal a rozhodně si myslím, že tato cesta stojí za využití. Cesta k systému navíc není složitá. To hlavní, co dělám, je porovnání aktuálního poklesu trhu s implikovanou volatilitou stahovanou k jednotlivým akciím z Interactive Brokers.
Pokud chcete systém využívat bez jakýchkoliv časových investic, zvažte práci se stejnou strategií, se kterou sám pracuji. Kompletní backtesty a své signály sdílím v rámci dashboardu Trading Room (spolu s dalšími strategiemi, se kterými obchoduji). Registrovat se můžete do Trading Room zde.

S tím, jak postupně do svého automatizovaného portfolia nasazuji i intradenní systémy, jsem si pro sebe definoval určité „workflow“, s nímž systémy tvořím. Zde jsou tipy, které mohou pomoci i vám.
Obsah článku:
Jak na intradenní obchodní systémy? Vývoj systémů na denních datech Intradenní stop-lossy na denních datech Prototypování systémů vs. jemné testování Ukázka workflow Závěr K příspěvku mě dovedl tento dotaz v Trading Room:

Jak na intradenní obchodní systémy?
Předně žádná cesta v rámci intradenního obchodování nebude bez práce. Tedy samozřejmě kromě té, kdy si koupíte nějaký zázračný software, kde vám po stisknutí tlačítka začne sám připravovat zaručeně robustní AOS.
Sám na podobné zázraky nevěřím, a tak nezbývá než investovat čas do ručního testování různých nápadů, ze kterých následně tvořím reálné „idea first“ obchodní systémy.
Potíž s intradenními systémy je především v tom, že pracujeme s ohromným množstvím dat. Bez ohledu na zvolený software je vše výrazně pomalejší, náročnější na hardware a do velké míry i na know-how. S jemnými intradenními daty lze vymýšlet násobně více taktik než na denních datech, což s sebou přináší i výrazně vyšší riziko přeoptimalizace, chyb v kódech či v následném automatizovaném obchodování.
Osobně se mi tak osvědčilo vyvíjet intradenní systémy na denních datech.
Vývoj systémů na denních datech
Denní data obsahují informace o otevírací a uzavírací ceně, denní minimální ceně a denní maximální ceně. S denními daty se proto pracuje velmi efektivně – za rok máme přibližně 250 úseček. Pracovat pak lze v programech, jejichž ovládání známe ze swingového obchodování (např. Amibroker).
Ovšem jak na denních datech vyvíjet intradenní systémy? Tím, že nevidíme „dovnitř“ denních úseček, tak pochopitelně můžeme vyvíjet jen určité typy intradenních systémů. Například jednoduché breakout či mean reversion systémy vycházející z denní otevírací ceny či jiného fixního bodu denních grafů.
Nemůžeme tak například vytvářet obchodní systém obchodující průlom např. 5minutového otevírací rozpětí popisovaného v článku Jak na první daytrading autotrader [včetně funkční strategie a kódu]. Z mé zkušenosti to ale tolik nevadí. Protože i jen na denních datech lze najít mnoho funkčních intradenních přístupů (sám jsem takto dříve vyvinul Finwin, který dnes obchoduji řadu let).
Intradenní stop-lossy na denních datech
Největším úskalím při vývoji intradenních obchodních systémů na denních datech jsou stop-lossy. Na denních datech nevidíme „dovnitř“ úseček a jen těžko se odhaduje, jestli byla u obchodu dříve zasažena úroveň stop-lossu, vstupu či výstupu.
Osobně tak začínám s vývojem strategií s velmi vzdáleným, nebo žádným stop-lossem. Ve svých systémech často pracuji s indikátorem ATR a jedním z typických příkladů vzdáleného stop-lossu je 1xATR. Takový už bývá spolehlivě identifikovatelný i na denních grafech.
Ve svých testech tak chci nacházet strategie, které relativně stabilně fungují i s velkými stop-lossy. A teprve až takovou strategii objevím, otestuji ji na intradenních datech.
Prototypování systémů vs. jemné testování
Svou práci tak můžu rozdělit do dvou základních kroků:
Prototypování systému na denních datech Finální backtest hotového prototypu na intradenních datech Pokud jste vývoj intradenního systému nikdy nezkoušeli, možná nevidíte v rozdělení práce do zmíněných bodů žádný zásadní benefit.
Pro mě tam rozdíl je – především v efektivitě. Nejsem programátor a s jakýmkoliv skriptováním bojuji. A skriptování na intradenních datech je pro mě násobně náročnější než na denních. Při hledání nových obchodních přístupů testuji průběžně řadu různých myšlenek. Mohu například zkoumat signály vycházející z korelace či divergencí trhů, sezonality, market internals a podobně. Podobné testy mám na denních grafech hotové velmi rychle.
A pokud vypadá nějaká myšlenka nadějně, tak teprve potom věnuji pozornost přípravě intradenního kódu, pro který nejčastěji používám TradeStation či Python.  V momentě, kdy vím, co přesně potřebuji naskriptovat, už to nemusí být tolik složité.
Ve finálních testech s intradenními daty navíc první backtesty provádím se vzdáleným stop-lossem podobně, jako jsem to dělal ve fázi prototypování. A logicky bych měl dostávat podobné výsledky, čímž si ověřuji funkčnost svých kódů.
Ukázka workflow
Na denních datech testuji různé myšlenky. Jedním z dobrých směrů může být například intradenní breakout na akciovém indexu. Např. Nasdaq 100. Breakout systém má v principu jednoduchou konstrukci. Vezmeme nějaký počáteční bod – např. denní open, poslední close, nejvyšší high za posledních x dnů a podobně, přidáme k bodu určitou vzdálenost (sám rád pracuji s násobkem ATR), a pokud trh tuto úroveň překoná, zaznamenáme long breakout a držíme pozici do dosažení profitargetu či do konce dne. Pokud se trh obrátí, vystoupíme na stop-lossu. Jak jsem zmínil, u prototypů podobných systémů na denních grafech používám vzdálený stop-loss (např. 1xATR).
Testy na uvedené úrovni jsou např. v Amibrokeru velmi jednoduché s tím, že do popsané kostry systému budete chtít zakomponovat pravděpodobně ještě nějaký „filtr“. Bez toho nebude systém reálně obchodovatelný.
A takto může vypadat výsledek prototypu:

Pro ilustraci jsem zobrazil equity křivku prototypu „long intradenní breakout v Nasdaq 100“ vytvořenou pouze z denních úseček (modrá barva) vs. finální backtest s využitím intradenních dat (oranžová barva). 
Equity křivky nejsou úplně stejné zejména proto, že v tomto případě intradenní backtest probíhal v Pythonu, kde se mi trochu jinak počítá ATR než v Amibrokeru. Podobné detaily nejsou z mé zkušenosti podstatné, protože ve finálním živém obchodování se do procesu živého obchodování na burze stejně dostává určitý prvek náhody.
Ale to podstatné je jistě patrné – prototyp se vzdáleným stop-lossem (1xATR) odpovídá finálnímu intradennímu backtestu.
Funguje to samozřejmě i na delší historii dat:

Finální myšlenku pak už ladím v samotném intradenním backtesteru. Zde zejména testuji jemnější práci s bližšími stop-lossy. Protože ty z mé zkušenosti nelze na denních datech používat – vedou k příliš optimistickým závěrům.
Dobře je to patrné na tomto screenshotu:

Zde jsem v prototypu na denních datech snížil stop-loss na 0,4x ATR (modrá linka) a následně provedl stejný backtest na intradenních datech (oranžová linka). Je zde patrné, že pokud bychom malý stop-loss použily už v prototypu pracujícím s denními daty, budou naše závěry z backtestu příliš optimistické.
Závěr
Dnešní tip ukazuje, že pokud budete určitý typ intradenních systémů prototypovat na denních datech, můžete se poměrně dobře na výsledky spolehnout za předpokladu, že budete pracovat se vzdálenějšími stop-lossy (např. 1xATR).
Pokud se tak chcete do vývoje intradenních systému pustit, můžete začít právě na denních datech. A teprve až budete mít hotový funkční prototyp (jakože najít obchodní systém trvá určitě týdny až měsíce), pak už není zas takový problém konkrétní jednu finální myšlenku převést do příslušného intradenního backtesteru (např. s použitím TradeStation).
Jinými slovy – není třeba se od počátku stresovat z potřeby ovládnutí dalšího softwaru. Ale je možné začít na stejném softwaru, který používáte pro analýzy denních grafů a teprve, až budete mít jasnou představu o potenciálním intradenním obchodním systému (podloženou funkčním prototypem) tak řešit, jak systém finálně otestovat na intradenních datech.