Jak bez zkušeností vytvářet automatizované obchodní systémy (AOS) s využitím umělé inteligence

Nedávno se na mě obrátil trader Roman s dotazem, který se týkal tipů při vytváření obchodních systémů, které mají šanci dlouhodobě generovat peníze. Jelikož odpověď nelze shrnout do pár vět, odpovídám formou článku, ve kterém shrnu tipy i pro ostatní.
Romanův dotaz:
Už nějakou dobu se snažím o tvorbu vlastního systému, abych se přesvědčil, že jsem schopný sestavit něco vlastního, co bude fungovat minimálně na historických datech a nebudu muset spoléhat pouze na Vámi prezentované systémy. Vybral jsem si pro toto Bollingerova pásma, aby to byl nástroj, který má v sobě nějakou smysluplnou počáteční myšlenku a neobjevoval se ve Vámi prezentovaných systémech. Šel jsem cestou tvorby přes "in sample", "out sample" na jednom indexu, a ještě si nechal data na testování před a po zvoleném testovacím období. Provedl jsem velkou spoustu testů, ale pokaždé mi ten systém zhavaroval v nějaké fázi testování.
Hodně přemýšlím o diverzifikaci, jednak díky Vašim článkům, a taky i dvěma knihám od Roberta Carvera, které jste prezentoval na Finančníkovi a které jsem si prostudoval. Proto jsem začal přemýšlet a zkoumat trochu odlišnou cestu. Vzal jsem jednoduchý systém s minimem volitelných parametrů a začal provádět backtesty v určitém rozsahu parametrů na celém vzorku dat bez rozlišení "in sample" a "out sample" a na šesti indexech (OEX, NDX, SPX, RUI, RUT, RUA). Sledoval jsem funkčnost tohoto systému jednak v rozsahu parametrů, a taky na uvedených indexech. Následně jsem z celého souboru systémů vybral určitý počet systémů na základě CAR, RAR, jejichž equity křivky vykazovaly odlišnosti a zkoumal korelace těchto systémů a na základě těchto korelací poskládat několik stejných systémů s různými parametry a na různých indexech dohromady a prozkoumal výslednou equity křivku.
K tomuto procesu jsem dospěl po předešlých nezdarech, když jsem se snažil vyvinout systém na "in sample" a "out sample" datech. Taky mě k tomu dovedla myšlenka, že by se tímto dala omezit přeoptimalizace. Co si o takovém postupu myslíte? Zkoušel jste někdy podobný postup? Vím, že jasnou odpověď dostanu pouze testováním takového systému, přesto by mě zajímal Váš názor, případně připomínky, v čem by takový postup mohl mít své slabé stránky.
Téma vytváření obchodních systémů není jednoduché, protože neexistuje nějaký jeden mustr, podle kterého postupovat. Nicméně jsou určité body, které sám považuji za absolutní základ toho, abych měl důvěru pustit systémy na živý účet.
V první řadě je potřeba nejprve opravdu kriticky přemýšlet o edge, který chceme obchodovat. Důležité je přijmout skutečnost, že 90 % informací, které jsou k dispozici na internetu ohledně tradingu nefungují a nedávají smysl. S použitím optimalizace parametrů pro vstup a výstup nalezneme při využití kteréhokoliv přístupu systémy, které generují hezké výkonnostní křivky na historických grafech, ale mívají nulovou šanci vydělávat do budoucna.
Typicky pokud se někdo rozhodne stavět například intradenní systém s využitím klasických indikátorů na pětiminutových forexových grafech, je šance na dlouhodobý pozitivní výsledek skutečně nulová. A přitom mnoho traderů touto cestou jde a snaží se najít způsob, jak takto vytvořený systém „validovat“ – poznat, jestli má šanci fungovat do budoucna. A to přitom nejde. Šanci na budoucí úspěch systému nejvíce ovlivňuje princip, na kterém systém stavíme s tím, že ostatními komponenty jako je risk management a position sizing můžeme systém zlepšit nebo zhoršit.
Opravdu se tak vyplatí nejprve co nejdetailněji studovat základní obchodovaný edge. V první fázi jen v těch nejhrubších obrysech tak, abychom zkoumání neovlivňovali dalšími prvky obchodního systému. Například u zmíněných bollingerových pásem by mě zajímalo, jestli existuje závislost vzdáleností ceny od bollingerova pásma a budoucími výnosy. Protože pokud takovou závislost nenaleznu, nemá smysl na myšlence stavět obchodní systém. Zní to logicky, ale běžně tomuto věnuje pozornost jen opravdu mizivá část traderů. Konkrétní cesta, jak závislost zkoumat, může být použití korelačních grafů. Podrobný tutoriál, jak postupovat od základních dat až po zobrazení korelačního grafu jsem minulý týden publikoval zde do TechLabu. Zkoumání základního edge podobným způsobem má i tu výhodu, že do budoucna přesně víme, na jakém principu bude náš systém vydělávat.

Korelační graf zkoumající závislost mezi krátkodobou korekcí a budoucími výnosy. Podrobněji se tématu věnuji v tomto tutoriálu TechLabu.
Pokud mám nalezený funkční základní edge, mohu jej zkusit přeměnit do obchodního systému. Osobně používám in sample/out of sample periody, ale je dobré je nepřeceňovat. Jak jsem na Finančníkovi již několikrát ukazoval, pár let vývoje systému (zejména swingového) neobsahuje dostatek dat, abychom jej mohli nějak zásadně statisticky vyhodnocovat. Tedy to, že se systému nedaří v out of sample neznamená, že se mu nemůže dařit při živém obchodování a naopak. V out of sample periodách sleduji spíše charakter výkonnosti. Zejména nechci vidět, aby se po konci in-sample výkonnostní křivka „prudce zlomila“, protože to indikuje přeoptimalizaci.
Dokáži si nicméně představit vývoj systému i na všech datech. Varoval bych ale při vývoji a vyhodnocování systému před sledováním historické equity křivky. Je lepší sledovat jen číselné ukazatele – sharpe ratio, volatilitu, frekvenci obchodů, průměrný obchod atd. A robustnost testovat pomocí monte carlo simulací. Osobně bych nevybíral systémy na základě vzhledu jejich historických equity křivek.
Obchodování variací jednoho systémů s různými parametry je z mé zkušenosti dobrá myšlenka. V praxi je ji třeba zasadit do kontextu velikosti obchodního účtu. Protože čím více systémy rozdrobíme, tím více mohou představovat zátěž komise.
V každém případě je klíčem k úspěchu následné portfolio. Pokud v něm budete obchodovat více systémů s dobrým základním edge (viz výše) a kontrolovat u nich korelaci a risk, tak s velkou pravděpodobností v budoucnu vyděláte. Pořád je třeba mít na paměti, že i kvalitní systém může mít prodělečný rok. Není tedy možné se zabývat otázkou, jak vybrat takové systémy, které budou jenom vydělávat. Je potřeba přemýšlet o tom, jak poskládat systémy využívající alespoň trochu různé obchodní logiky. Pokud vám tedy vyzkoumaný systém dává smysl z pohledu základního edge, je dobré zauvažovat o nasazení do portfolia.
Veškerá „kouzla“ se v tradingu skutečně dějí na jeho úrovni. Tady je ukázka, jak konkrétně uvažuji. Řekněme, že budu mít informace vycházející hlavně z Finančníka. Mohu si poskládat portfolio:

Kde:
Monday Buyer, vyučovaný ve swingovém workshopu, by měl vydělávat delším držením méně volatilních kvalitních akcií poté, co si projdou korekcí (určitá forma mean reversion systému).
Mopull Limit, také vyučovaný ve swingovém workshopu,  spekuluje na intradenní oslabení v korekci po průrazu dlouhodobých cenových maxim (mean reversion).
Micro Breakout, popisovaný rámcově zde, vychází z následování růstového momenta u akcií s nižší likviditou (trend following).
Minimální dynamické portfolio, popisované rámcově zde, drží portfolio základních aktiv - akcie, zlato, dluhopisy (trend following).
Tedy každý systém obchoduje v akciích trochu jiný edge a osobně jsem absolutně přesvědčený, že všechny edge najednou fungovat nepřestanou. Naopak se doplňují, o čem svědčí i historická křivka celého portfolia (výsledky po komisích a bez dividend, které výkonnost ještě reálně zvyšují):

Vidím, že portfolio má historicky sharpe ratio 1.69 a nejvyšší drawdown 12,87 %. Jelikož mám současně důvěru v obchodované základní edge jednotlivých systémů, tak bych se nebál jej obchodovat živě a třeba použít u některých systémů páku pro zvýšení výkonnosti (díky nízkému drawdownu je to možné). Jako že všechny zmíněné systémy živě na svých účtech obchoduji.
OK, ale jak portfolio rozvíjet dál?
Tady přichází důležitá skutečnost. Z mé zkušenosti nemá smysl zkoušet hledat další podobné systémy. Například nějaký jiný nákup korekce v akciích, které už obchoduji v podobě Monday Buyer a Mopull Limit. I když použiji třeba jinou vstupní logiku a jiné indikátory, budou pořád obchodovat stejný edge, a tudíž nepůjde o reálnou diverzifikaci. Portfolio je dobré posouvat o strategie využívající jiné edge. I když zůstaneme jen v akciích, tak existuje stále hodně přístupů, ve kterých systémy vyvíjet – sám mám ještě systémy obchodující sezónnost, systémy inkasující prémium z vypisovaných opcí a pracuji na systémech využívajících vyhlašování ekonomických reportů.
Velmi důležité je tedy především nesnažit se při vývoji systémů hledat svatý grál. Je dobré přemýšlet o principech, které v trzích fungují dlouhodobě a systémy stavět hlavně tak, abychom řídili risk. Co nejdříve se pak dostat do fáze obchodování portfolií systémů postavených na různých edge, kde platí, že čím více systémů budeme obchodovat, tím méně nás bude trápit to, že občas vyvineme systém, který v budoucnu nebude generovat peníze tak, jak to indikoval v historickém backtestu.
Pomohl vám článek? Sdílejte prosím jeho anotaci publikovanou na této naší facebokové stránce.

Začnete-li podrobně studovat cenové grafy prakticky kterýchkoliv finančních trhů, brzy si jistě všimnete jednoho velmi univerzálního fenoménu. Po výrazných a rychlých pohybech často přichází alespoň krátkodobý protipohyb.
Podívejme se na příklad nedávného chování akcie GOOG:

Na denních grafech je v bodech 1 a 4 vidět, že trh rychle klesl pod klouzavý průměr, aby se cena následný den opět obrátila vzhůru.
A na druhou stranu v bodech 2 a 3 trh až příliš rychle vyrazil vzhůru, aby po výrazné rostoucí volatilní úsečce přišel prudký obrat a cena se vrátila zpět ke klouzavému průměru.
Vybrané body jsou samozřejmě jen diskréční ukázkou, v grafu bychom mohli diskutovat o množství dalších oblastí. Ale pointa je snad zřejmá.
Po rychlých, nadstandardně velkých pohybech, mají trhy tendence tyto pohyby korigovat.
Důvodů je řada.
Volatilní pohyb je většinou způsoben určitou přehnanou reakcí obchodníků – například na fundamentální zprávu nebo na samotný rozjíždějící se trh, kdy řada traderů naskakuje do pohybu jen proto, aby jim cena neutekla. Po vyčerpání příkazů ženoucích trh jedním směrem mnoho obchodníků ukončuje obchody a inkasuje zisk – což v praxi znamená tlak na směrování ceny opačným směrem. A k těmto obchodníkům se přidávají i nové objednávky krátkodobých traderů, kteří si tipují, že cena bude mít tendence vrátit se do oblasti „běžné ceny“.
Tito obchodníci obchodují strategie, kterým se v angličtině říká Mean reversion. Strategie obchodující návrat ceny k běžné hodnotě.
Strategie jsou to poměrně jednoduché a určitě je dobré jim v tradingu věnovat pozornost.
S menšími účty je lze obchodovat např. na akciích (níže uvedený příklad pracuje s účtem 10 000 dolarů).
Jak konkrétně může taková strategie vypadat?
Můžeme vybírat akcie z určitého indexu. Rád mám například Russell 3000 obsahující opravdu hodně akcií. Počkáme si na akcie, které jsou v uptrendu (obchodují se nad svým dlouhodobým průměrem o periodě 200). V případě akcie z indexu Russellu 3000 je lepší orientovat se na trochu dražší a likvidnější akcie (např. s cenou alespoň 40 dolarů a průměrným denním volume 500 000 shares, které jsem použil pro níže publikovaný backtest).
Hlavní princip strategií návratu k běžné hodnotě spočívá ve schopnosti identifikovat výrazný pohyb, po kterém budeme vsázet na reverz ceny.
Triviální podmínka takové situace může být definována tak, že akcie udělá denní pohyb (rozdíl open a close) alespoň 5 %.
Všechny akcie, které daný den udělaly více než 5% pohyb seřadíme právě podle velikosti tohoto pohybu. Použijeme absolutní hodnotu, abychom mohli strategii obchodovat na dlouhou i krátkou stranu. U maximálně 5 trhů (v případě našeho konkrétního příkladu) s nejvyšším pohybem za předcházející den zkusíme zadat do trhu limitní příkaz na nákup/prodej „se slevou“ o velikosti 0,5 x ATR(5). Tedy polovičního denního rozpětí za posledních pět dnů.
Takto může vypadat například long obchod:

Tesla vytvořila 23.9.2020 volatilní 10% pokles (den označený růžovou linkou). Pokles patřil k top 5 z indexu Russell 3000. Následující den zadáme vstupní příkaz „Close cena 23.9.2020 – 0,5 x ATR(5)“. Tedy pokusíme se trh nakoupit se slevou pod uzavírací cenou volatilního dne. V tomto příkladu to vychází na hodnotu 360,65.
Vystupovat můžeme různými taktikami. Rád používám profit target (v případu použit 5 %), výstup například na první rostoucí úsečce (v případě nákupu) a časový stop-loss (kdy je pozice ukončena v následujících několika dnech, pokud nedojde k jinému výstupu – reverzní obchody by měly být rychlé).
Pro short platí vše stejně, jen v obráceném směru. Zde je příklad obchodu na akcii MLM:

29.10.2020 trh vytvořil 6,05% volatilní růst. Další den systém vystavil příkaz na limitní short prodej na ceně „Close cena dne 29.10.2020 + 0,5 x ATR(5)“, konkrétně šlo o úroveň 268,93, na které bychom byli vyplněni. Výstup byl za pár dnů opět na profit targetu.
Pochopitelně, že systém nemá jen ziskové, ale také ztrátové obchody. Prostě jsou dny, kdy se cena po volatilní úsečce neobrátí.
Takto by nedávno vypadala situace v akcii SPT:

V trhu bychom ze shortu vystoupili na prvním klesajícím dni, který by byl ale výše než náš vstup. A tedy bychom realizovali ztrátu.
Úspěšná Mean reversion strategie by nicméně měla mít poměrně vysokou úspěšnost. Pojďme se tedy podívat na backtest našich pravidel:

Zelená křivka zobrazuje obchody na dlouhou stranu, červená na krátkou stranu. Šedá je pak celé „portfolio“. Ve výsledcích jsou započítány komise pro Interactive Brokers. A výsledky vůbec nejsou špatné.
Průměrné roční zhodnocení je na úrovni 23,05 % při nejvyšším drawdownu 17,89 %. Tedy každé z maximálně 5 pozic je přiřazeno 20 % aktuálního kapitálu. Sharpe ratio celého systému je 1,52 a úspěšnost 63 %. Celkový backtest obsahuje velmi reprezentativní vzorek 5 250 obchodů.
A pochopitelně, že Mean reversion systémy lze dále posouvat. Diskutovaná ukázka obsahuje velmi triviální podmínky vstupu a výstupu.
Ale už i tak je vidět, že:
Obchodování návratu ceny k běžné hodnotě lze funkčně provádět i s jednoduchými pravidly. Strategii se daří zejména v období vyšší volatility v trzích (dobře se jí dařilo například v letošním roce 2020). Může být zajímavé obchodovat long i short stranu, protože celková křivka je výrazně vyhlazenější. Jsou období, kdy se daří spíše prodejům a období, kdy se více daří nákupům. Mean reversion strategie lze jednoduše stavět plně mechanicky, a postupně je tak automatizovat. Líbí se vám uvedený koncept, ale plně nerozumíte probíraným pojmům? Na Finančníkovi doporučujeme kurz Základů obchodování, který se věnuje základům stavby Mean reversion strategie a jejímu zasazení do kontextu zvládnutí základů obchodování.
Máte-li zvládnuté základy, ale bojujete s technickým provedením, pak doporučujeme Workshop swingového obchodování. Ten obsahuje otevřené kódy několika strategií, které sami obchodujeme. Na jejich příkladech si krok za krokem postavíte pod osobním vedením zkušených obchodníků konkrétní swingové miniportfolio a začnete jej obchodovat v trzích.
Potřebujete inspiraci nebo občasnou technickou radu se stavbou mechanických strategií? Pak je zde pro vás skupina TechLab.

V minulém článku jsem popsal, co mi poslední měsíce funguje v rámci portfolia nejvíce – konkrétně short mean reversion strategie. Jak jsou na tom ale long mean reversion obchody?
Mean reversion strategie obchodující akcie tvoří v tuto chvíli páteř mého portfolia, na kterém mám mj. postavený svůj systematický alternativní fond. Strategie obchoduji na long i short stranu – tedy  nakupuji jak krátkodobé propady (mean reversion long), tak shortuji krátkodobé vrcholy (mean reversion short). Obchodované strategie se snažím vytvářet opravdu co nejjednodušeji (a co jsem dříve považoval za jednoduché, jsem poslední rok ještě zjednodušoval), a tak nikoho patrně nepřekvapí, že long a short mean reversion mají stejnou logiku, jen „zrcadlově obrácenou“.
V minulém článku jsem ukazoval, že mean reversion short strategiím se poslední dobou daří solidně. S longy to byla v roce 2022 trochu jiná písnička.
Long mean reversion obchod v mém pojetí znamená, že systém vyhledává trhy, které si v posledních obchodních seancích prošly výrazným poklesem. U těch zadávám limitní příkaz ve vzdálenosti určitého běžného rozkmitu trhu pod poslední uzavírací cenu. Pokud k této ceně trh intradenně klesne a jsem vyplněný, existuje vysoká šance (dlouhodobě více než 60 %), že se v nejbližších několika dnech trh „nadechne“ a systém bude moci ukončit pozici v zisku. Podrobně se popisu mean reversion strategií věnuji v knize Od myšlenky k reálným obchodům, jejíž přílohou je i komplet videí popisujících konkrétní pravidla mean reversion strategie.
Logika long mean reversion vstupů je dobře vidět i na pozicích, které mám právě dnes (25.2.2022) otevřené na jednom ze svých účtů u Interactive Brokers:

Hlavní graf zobrazuje long pozici v akcii CMC, která má za sebou výrazný pokles. V páteční seanci jsem proto zadával limitní příkaz na cenovou úroveň 50,96. Limitní příkaz byl vyplněn a na konci obchodní seance jsem zatím v otevřeném profitu +309 dolarů. Mimochodem vstupy u všech tří zobrazených pozic jsem dopředu rozesílal v rámci skupiny TradingRoom. Tedy jedna z ohromných výhod této metody obchodování je možnost si vše připravit dopředu evropské ráno a následně již s tradingem žádný čas netrávit.
Aktuální pozice jsou v plusu, nicméně rok 2022 byl pro longy v mean reversion výzvou – zejména první měsíce 2022, kdy padaly technologické tituly často bez jakýchkoliv korekcí. Equity křivka mých long mean reversion systémů vypadala zhruba takto:

Jaro 2022 poslalo long mean reversion do drawdownu, z kterého se systém dostává zatím jen velmi pomalu.
Osobně toto ale nevnímám jako žádnou zásadní tragédii. Zejména proto, že obchoduji jednoduché strategie, u kterých rozumím jak vznikají jejich zisky a ztráty. A ztráty z longu u mean reversion akciových strategií byly začátkem roku 2022 v kontextu chování trhů prostě přirozené. Na výše uvedeném grafu je navíc vidět, jaké neuvěřitelné zisky měly long mean reversion strategie v roce 2020 a 2021. Jsem přesvědčený, že u strategií v budoucnu opět uvidíme nová high.
Ovšem ztráty strategie 2022 mě průběžně nutily přemýšlet o tom, jak jednoduché mean reversion strategie dále diverzifikovat. Jako velmi triviální cesta se ukázala začít je obchodovat na dalších trzích.
Takto v betaverzi mé aplikace pro TradingRoom vypadá equity křivka prakticky stejné long mean reversion strategie na kanadských akciových trzích:

Strategii se zde daří poslední měsíce mnohem lépe (výsledky strategie vytváří nová maxima zisků) než v USA, přestože logika systému je úplně stejná.
Dnes kanadskou verzi mean reversion systému již obchoduji spolu s US verzí živě na svém účtu a mým plánem je postupně do portfolia přidávat další regiony. Tento přístup velmi dobře reprezentuje můj pohled na profitabilní trading. Pracuji s jednoduchými strategiemi, kterým rozumím. Chápu, že strategie nemohou vydělávat 100% času a je potřeba se diverzifikovat do portfolií. V těch lze ale vymýšlet jen omezený počet logik. Další diverzifikaci tak přináší obchodování stejných logik na dalších trzích.
A když už jsem zmínil téma portfolií, zde je ukázka toho, jak vypadá dohromady long mean reversion strategie se short mean reversion strategií. Jde o strategie vyučované ve swingovém workshopu, kde jsou nazvány SMR_S (short mean reversion - červená linka) a SMR_L (long mean reversion - zelená linka). Strategie jsou velmi podobné těm, co sám obchoduji jako MR3000. Černá linka reprezentuje portfolio výkonnosti obou strategií dohromady:
 

 
Long i short verze mají pochopitelně své propady (ty pro dlouhé pozice jsem ostatně popsal v tomto článku). Výkonnost obou strategií dohromady je ale mnohem stabilnější. Už jen tyto dvě strategie dohromady dlouhodobě překonávají benchmark při výrazně nižší volatilitě a především s výrazně nižším zapojením kapitálu (jen cca 50 % kapitálů vůči tomu, co je potřeba při držení indexu). Takto vypadá spojená výkonnost backtestu long + short mean reversion vs. benchmark v podobě S&P 500 (šedá linka):

Volný kapitál je tak možné využívat do dalších strategií (nebo trhů) a tím dál posouvat výkonnost a snižovat volatilitu. Což je přesně princip, který ve svém obchodování využívám a důvod, proč se tolik nezatěžuji drawdowny v rámci jednotlivých strategií.