Backtesting bez sebeklamu: Jak poctivě otestovat strategii

Historický test strategie je jako zkouška před ostrým nasazením. Problém je, že většina obchodníků nevědomky „tahákem" – a pak se diví, proč živý obchod dopadne jinak než simulace. V tomto článku rozebereme šest hlavních pasti backtestingu a ukážeme, jak se jim vyhnout pomocí rigorózní metodiky.

---

1. Survivorship bias – přeživší lžou

Představ si, že testuješ strategii na akcích ze S&P 500 indexu dnes. Do dat automaticky zahrnuješ jen firmy, které přežily do současnosti. Firmy jako Enron, Lehman Brothers nebo Bed Bath & Beyond – všechny vyřazené z indexu – v tvém testu chybí.

Výsledek: Strategie vypadá lépe, než ve skutečnosti byla, protože pracuje jen s „vítězi".

Řešení: Používat tzv. point-in-time data – databázi, která zachycuje složení indexu k přesnému historickému datu, včetně firem, které byly tehdy součástí indexu a later zbankrotovaly nebo byly delisted.

---

2. Look-ahead bias – vědění z budoucnosti

Tato past je záludnější. Dochází k ní, když model při rozhodování v čase T používá informaci, která byla ve skutečnosti dostupná až v čase T+1 nebo později.

Příklady:

Výsledky hospodaření (earnings) zveřejněné 15. února používáme k signálu k nákupu 1. února.
Roční dividenda oznámená v Q4 je zahrnuta do signálu v Q3.
Použití „uzavírací ceny dne" pro intradenní signál, který měl být vygenerován před uzávěrkou.

Výsledek: Simulovaná strategie „ví" věci, které reálný obchodník v dané chvíli vědět nemohl – výkonnost je fikce.

Řešení: Každý datový bod musí mít správně označené datum dostupnosti (reporting date), ne datum vzniku události.

---

3. Overfitting / curve-fitting – šití na míru mrtvým datům

Toto je pravděpodobně nejrozšířenější past. Mějme strategii s 12 parametry (délka průměru, pásmo RSI, stop-loss úroveň…). Pokud tyto parametry optimalizujeme na jediné sadě historických dat, strategie se „naučí" tato konkrétní data, včetně jejich náhodných výkyvů.

Analogie: Je to jako napsat test a pak ho dát studentovi, který si ho memoruje. Zvládne tento test perfektně – ale nedokáže odpovědět na žádné jiné otázky.

Jak overfitting poznáš:

Příznak	Indikátor přeoptimalizace
Sharpe ratio > 3 v backtestu	Podezřelé – reálné strategie mají 0,5–1,5
Maximální drawdown < 5 %	Téměř nemožné na delším horizontu
Počet parametrů >> počet obchodů	Příliš mnoho stupňů volnosti
Výkonnost klesá o >50 % v OOS testu	Silný signál overfittingu

---

4. Ignorování poplatků a slippage

Brokerský poplatek 0,1 % na jednu stranu vypadá zanedbatelně. Ale strategie obchodující 200× ročně zaplatí 40 % z kapitálu jen na poplatcích (200 × 0,2 % round-trip).

Slippage je rozdíl mezi cenou v backtestu (typicky close/open) a cenou skutečně dosaženou při plnění příkazu – zejména u méně likvidních titulů nebo při velkých pozicích.

Ilustrativní příklad (čísla jsou pouze pro vzdělávací účely):

Strategie na portfoliu 100 000 Kč s obratem 300 % ročně:

Poplatky: 300 000 Kč × 0,2 % = 600 Kč/rok (malý účet, relativně OK)
Ale u institucionálního účtu 10 mil. Kč a stejného obratu: 60 000 Kč ročně – to je 0,6 % p.a. navíc, než backtest počítal

Pro shortování přistupuje ještě borrow cost (náklady na půjčení akcií), který backtesty téměř nikdy nezapočítávají.

---

5. Příliš malý vzorek

Strategie vygenerovala 23 obchodů za 2 roky a Sharpe je 1,8. Impressive? Statisticky: při 23 obchodech je konfidenční interval extrémně široký – výsledek může být čistá náhoda.

Základní pravidlo: Pro statisticky relevantní závěry potřebuješ minimálně 100–200 uzavřených obchodů a ideálně pokrytí více různých tržních režimů (bull, bear, konsolidace, vysoká/nízká volatilita).

Datový horizont a nejmělčí faktor: Test je jen tak hluboký, jak hluboká jsou data nejméně dostupného faktoru ve strategii. Pokud jeden z faktorů (např. sentiment data, alternative data) existuje jen od roku 2018, celý backtest je efektivně omezen na tento horizont – i když ceny akcií máš od roku 1990.

---

6. In-sample vs. out-of-sample: Train/Test split

Toto je klíčová metodická zásada každého seriózního backtestingu.

Train/Test split

Data rozdělíme na:

In-sample (IS) / train set – na tomto vzorku parametry hledáme a optimalizujeme
Out-of-sample (OOS) / test set – na tomto vzorku strategii pouze validujeme, bez jakékoli další optimalizace

Proč in-sample výsledky nadhodnocují?
Optimalizér vždy najde nastavení, které funguje na trénovacích datech. Část té „výkonnosti" je ale jen adaptace na náhodný šum v datech, ne na skutečnou tržní zákonitost. OOS test odhalí, kolik z výkonnosti je přenositelných do neznámých dat.

Praktické doporučení:

Typický split: 70 % IS, 30 % OOS
OOS musí být vždy chronologicky pozdější – ne náhodně vybrané

Walk-forward validace

Sofistikovanější přístup. Místo jednorázového splitu provádíme rolling optimalizaci:

[IS₁ → OOS₁] → [IS₂ → OOS₂] → [IS₃ → OOS₃] → ...

V každém okně optimalizujeme na IS datech a výsledky sbíráme jen z OOS okna. Výsledná křivka equity je složena výhradně z OOS segmentů – jde o nejpoctivější dostupný backtest.

Výhoda: Walk-forward odhalí, zda je strategie robustní vůči různým tržním podmínkám, nebo funguje jen v jednom konkrétním období.

---

Jak na to v QMA

QMA Strategy Lab na stránce /strategy byl navržen s ohledem na výše popsané pasti. Zde je, jak ho metodicky využít:

Označení ❌ Přeoptimalizovaná strategie:
Pokud algoritmus detekuje příznaky curve-fittingu – například příliš vysoký poměr parametrů k počtu obchodů, nebo výrazný propad výkonnosti při malé změně parametrů (tzv. parameter sensitivity) – strategie dostane v rozhraní viditelné označení ❌. Toto označení neznamená, že strategii nelze použít; signalizuje, že výsledky je třeba interpretovat s výraznou rezervou a že OOS validace je povinná.

In-sample vs. out-of-sample panel:
V sekci /strategy lze nastavit datový rozsah IS a OOS segmentu. Platforma automaticky zobrazí klíčové metriky (Sharpe, Max Drawdown, Win Rate) zvlášť pro každý segment, takže je okamžitě viditelné, jak moc výkonnost klesá při přechodu z IS do OOS.

Walk-forward engine:
Pro pokročilé uživatele je dostupný walk-forward modul, který automaticky provede rolling optimalizaci a sestaví OOS equity křivku. Výsledky jsou doprovázeny distribucí Sharpe ratií přes jednotlivá OOS okna – robustní strategie by měla mít konzistentní hodnoty bez extrémních odchylek.

Náklady a slippage:
Při definici strategie lze zadat brokerský poplatek (procentuální nebo fixní) a odhadovaný slippage v basis pointech. Platforma přepočítá výkonnost po nákladech – to je zásadní rozdíl oproti naivnímu backtestingu.

Datová hloubka a faktorová dostupnost:
Na stránce /stocks/[symbol] a v strategy labu je u každého faktoru zobrazena jeho datová dostupnost. Pokud strategie používá faktor dostupný jen od roku 2019, walk-forward test automaticky omezí horizont na toto datum.

Portfolio kontext:
Výsledky strategie lze propojit s /portfolio, kde je viditelné, jak by strategie ovlivnila celkovou expozici a korelaci s existujícími pozicemi.

---

Shrnutí: Checklist poctivého backtestingu

Kontrola	Proč důležité
✅ Point-in-time data	Eliminuje survivorship bias
✅ Správné reporting dates	Eliminuje look-ahead bias
✅ OOS / walk-forward validace	Odhalí overfitting
✅ Poplatky + slippage v modelu	Realistická výkonnost
✅ Min. 100+ obchodů	Statistická relevance
✅ Pokrytí více tržních režimů	Robustnost strategie
✅ Datový horizont = nejmělčí faktor	Konzistentní test
✅ Parameter sensitivity analýza	Detekce curve-fittingu

Backtesting je mocný nástroj – ale jen tehdy, když je prováděn poctivě. Strategie, která přežije rigorózní OOS validaci a stále vykazuje přijatelný Sharpe po nákladech, má reálnou šanci obstát i v živém obchodování.

---

Upozornění

QMA je analytický a vzdělávací nástroj, ne investiční poradenství. Minulá výkonnost není zárukou budoucích výsledků. Veškerá investiční rozhodnutí děláš na vlastní odpovědnost.

🧪Backtesting bez sebeklamu: Jak poctivě otestovat strategii a vyhnout se nejčastějším pastem