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

Technologická evoluce v oblasti finančních trhů akceleruje bezprecedentním tempem. Zatímco předchozí dekády byly charakterizovány postupným zaváděním algoritmického obchodování, současnost je definována nástupem umělé inteligence (AI). Ta má šanci trading výrazně změnit. Zejména velké jazykové modely (LLM) a na nich založené agentní systémy otevírají i malým retailovým obchodníkům nové možnosti nejen v automatizaci úkolů, ale i v samotném procesu výzkumu, vývoje a implementace obchodních strategií.
Obsah
Principy moderní AI v kontextu financí Velké jazykové modely (LLM): Architektura a schopnosti AI agenti a workflow: Více či méně autonomní systémy řízené LLM Synergie LLM a agentů (a integrovaných workflow): Nová úroveň automatizace a dostupnosti Praktická demonstrace: Deepsite a rapidní prototyping backtestovací aplikace Význam nástupu AI pro trading Dočasné snížení vstupních bariér Odklon od komoditních řešení Revoluce v objevování alternativní alfy Nové požadavky na dovednosti tradera Závěr Principy moderní AI v kontextu financí
Pro pochopení dopadu AI na trading je nezbytné porozumět základním stavebním kamenům této technologie.
Velké jazykové modely (LLM): Architektura a schopnosti
Velké jazykové modely, jejichž nejznámějšími představiteli jsou modely rodiny GPT, Claude, Gemini či Llama, představují pokročilé neuronové sítě umožňující efektivně zpracovávat data a zachytávat mezi nimi závislosti. LLM jsou trénovány na masivních datasetech (řádově terabajty textu a kódu), během čehož se učí statistické vzorce a struktury jazyka. Výsledkem je schopnost modelu generovat smysluplný a kontextuálně relevantní text, překládat, sumarizovat a odpovídat na dotazy.
Pro sektor financí a tradingu je u LLM klíčová jejich schopnost porozumět instrukcím v přirozeném jazyce a generovat funkční kód v různých programovacích jazycích. LLM dokáží analyzovat finanční výkazy, tiskové zprávy, extrahovat informace a generovat základní analytické skripty či části obchodních strategií. Jejich schopnost práce s kódem není magií, ale výsledkem tréninku na miliardách řádků veřejně dostupného kódu, což jim umožňuje "porozumět" syntaxi, běžným programátorským vzorům a strukturám.
Podstatný je také fakt, že LLM jsou trénovány na extrémně širokém množství odborných textů, díky čemuž disponují rozsáhlými znalostmi o mnoha běžně dostupných přístupech k obchodování, taktikách řízení rizika (risk managementu) a podobně.
AI agenti a workflow: Více či méně autonomní systémy řízené LLM
Samotný LLM je sice výkonný v porozumění a generování, ale pro plné využití v komplexních úlohách často potřebuje schopnost aktivně pracovat s okolním světem.
Velmi rychle se tak rodí architektury, které kombinují LLM (coby mozek) s různými nástroji. Tyto architektury mohou být dnes již dost pokročilé - například frameworky typu LangChain, AutoGen implementují logiku, se kterou LLM plánuje různé akce, vybírá nástroj, volá jej s potřebnými parametry, zpracovává výsledek a postupně postupuje k finálnímu cíli.
Nebo jednodušší řešení, které si lze dobře představit jako workflow, kdy LLM model má k dispozici API pro přímou komunikaci s jiným programem. V tomto směru stojí za zmínku například Claude Desktop, který skrz tzv. mcp server (možný nastupující standard zpřístupňující LLM různý API) dokáže komunikovat s mnoha nejrůznějšími softwary (sám mám na notebooku takto například propojení Claude Desktop s Obsidianem, ve kterém si zpracovávám všechny své poznámky k tradingu).
Jednoduššími či složitějšími cestami tak dnes již LLM umí pracovat s nástroji typu:
Vyhledávače (Google, Bing, specializované vyhledávače) Interprety kódu (např. Python REPL) Přístup k API (např. pro získání tržních dat, exekuci obchodů, přístup k databázím) Schopnost číst a analyzovat soubory (PDF, CSV, HTML) A další Synergie LLM a agentů (a integrovaných workflow): Nová úroveň automatizace a dostupnosti
Spojení schopností LLM porozumět komplexním zadáním a schopností agentů autonomně plánovat a vykonávat akce vytváří silná řešení.
Běžní uživatelé tak získávají nástroje umožňující například vytvoření backtestingového frameworku na míru, provedení komplexní fundamentální analýzy z různých nestrukturovaných zdrojů, monitorování tržního sentimentu v reálném čase, nebo i "jen" efektivní generování a ladění kódu.
Podstatné je, že nové technologie snižují nároky na expertní znalosti (např. v programování nebo datové vědě), i když základní porozumění a schopnost kontroly zůstávají klíčové.
Praktická demonstrace: Deepsite a rapidní prototyping backtestovací aplikace
Mnoho lidí si pokročilé taktiky integrací LLM neumí prakticky představit, protože jejich využití a spuštění vyžaduje typicky různé předplatné nebo použití kombinace sofistikovanějších nástrojů.
Inspirativní může být v tomto ohledu nový nástroj Deepsite, který Hugging Face spustili minulý týden.
Nástroj integruje typické LLM workflow, ve kterém lze s pomocí jednoduché specifikace (promptu) v přirozeném jazyce vytvořit kompletní aplikaci - například pro backtest. To není v kontextu již existujících nástrojů zas tak zásadní funkcionalita, ovšem zde (zatím) probíhá vše úplně zdarma a pro prvních několik pokusů bez registrace.
Zadání textu typu "Vytvoř aplikaci pro backtesting momentum strategie akcií indexu Down Jones s možností volby periody parametrů, vizualizací equity křivky a klíčových metrik výkonnosti" může vést během minut k prakticky hotovému interaktivnímu nástroji. Takto pak může vše vypadat v praxi (video je zrychlené):

Určitě je důležité zdůraznit, že současná generace těchto nástrojů má svá omezení. Vygenerovaný kód často vyžaduje manuální revize a úpravy. Ostatně je to vidět i na první verzi backtesteru vygenerovaném ve videu, kde je na ekvity křivce vidět, že logika backtestu bude mít chyby a bylo by třeba jej dotáhnout – to lze ale opět udělat prompty zadanými v přirozeném jazyce.
Tedy nelze očekávat, že dnes zadáme pár slov a AI za nás odvede kompletní práci. Nicméně pro účely rapidního prototypingu, interního výzkumu a pro zkoumání nových myšlenek představují podobné cesty revoluční zkrácení vývojového cyklu. Umožňují rychle ověřit hypotézu nebo vizualizovat data způsobem, který by dříve vyžadoval dny či týdny programátorské práce.
Význam nástupu AI pro trading
Každému, kdo prakticky okusí výsledky práce s autonomními workflow, je zřejmé, že svět práce s informacemi se dramaticky mění. Samozřejmě, aktuálně jsme v určitém polostavu, ve kterém můžeme vnímat reálné obrysy změn, ale nástroje ještě nemusí být ve stavu, aby byly změny snadno implementovány. Ale to se mění doslova každým dnem. A dokáži si představit, že za rok bude práce s daty probíhat úplně jinak, než je tomu dnes.
A trading přitom není nic jiného, než práce s daty.
Pokud si dovolím trochu zauvažovat - v jakých směrech se trading promění?
Dočasné snížení vstupních bariér pro profesionální trading
Tradiční vývoj obchodních systémů je často zdlouhavý proces. Schopnost AI asistovat při generování kódu a návrhu obchodních strategií na základě slovního popisu snižuje bariéru pro tradery, kteří nejsou expertními programátory ani velmi zkušenými obchodníky. AI přitom dnes dokáže navrhnout řešení a systémy, které jsou často na úrovni profesionálních privátních obchodníků a fondů. Tedy subjektů, které dříve musely do osvojení podobných přístupů a znalostí investovat značné prostředky. 
Podobně jako v počátcích rozmachu internetu však toto okno příležitosti vnímám jako dočasné. Výkonné LLM modely jsou nyní často k dispozici za relativně nízké náklady, nebo dokonce zdarma, protože jejich poskytovatelé se intenzivně snaží získat dominantní tržní podíly a uživatelskou základnu. Jakmile se trh stabilizuje a "prach usedne", lze očekávat, že budou hledat návratnost svých obrovských investic. Dovedu si představit, že za využívání nejpokročilejších LLM modelů a specializovaných AI služeb pro finanční sektor se bude v budoucnu platit násobně více než dnes. Dočasná demokratizace nástrojů může také paradoxně vést ke zvýšení efektivity na některých trzích, čímž se hledání konzistentní alfy stane ještě náročnějším, a to i s pomocí AI.
Předpokládám také, že obchodníci a firmy začnou hledat nové způsoby, jak chránit své proprietární know-how, aby je LLM modely snadno nezpracovávaly a neintegrovaly do svých tréninkových databází, čímž by se unikátní strategie rychleji šířily a ztrácely svou efektivitu.
Aktuálně se ale domnívám, že AI může pomoci řadě retailových obchodníků profesně vyrůst a etablovat se na trzích mnohem rychleji, než to bylo možné kdykoliv předtím.
Odklon od komoditních řešení
Standardizované platformy a indikátory budou stále existovat, ale konkurenční výhoda se přesouvá k jedinečným, na míru vytvořeným řešením. AI usnadňuje tvorbu těchto personalizovaných nástrojů – ať už jde o specifické vizualizace, proprietární indikátory kombinující různé datové zdroje nebo backtestingové frameworky přizpůsobené konkrétnímu stylu obchodování. Obchodníci, kteří dokážou AI využít k vytvoření své unikátní "technologické výzbroje", budou mít výhodu oproti těm, kteří spoléhají pouze na standardní nástroje.
Revoluce v objevování alternativní alfy
Toto je pravděpodobně aktuálně nejvíce transformační aspekt AI v tradingu. Alfa, tedy výnos nad rámec tržního benchmarku, je stále obtížněji dosažitelná tradičními metodami. AI otevírá nové cesty k jejímu systematickému hledání. LLM například excelují v analýze obrovského množství textových dat (zprávy, sociální média, regulatorní podání, přepisy konferenčních hovorů). To umožňuje získávání signálů založených na sentimentu, detekci událostí, identifikaci klíčových témat nebo sledování vztahů mezi společnostmi v reálném čase. Podobně lze analyzovat i jiné nestrukturované zdroje, jako jsou satelitní snímky (monitorování továren, parkovišť u obchodních center, lodní dopravy) nebo geolokační data atd.
Nové požadavky na dovednosti tradera
Racionálně uvažujícím obchodníkům by mělo být zřejmé, že vynakládat čas na učení se obchodování založeného čistě na manuálním rozpoznávání běžných vizuálních patternů, trendových linek či profilů trhu, ztrácí na efektivitě. Podobné analýzy totiž dokáže AI provádět systematicky, objektivně a ve velkém měřítku, čímž překonává lidská omezení daná únavou či subjektivitou. Neznamená to, že tyto koncepty ztrácejí smysl, ale jejich manuální aplikace v diskrečním obchodování bude pravděpodobně stále méně výnosnější.
Úspěšný retailový trader budoucnosti podle mého názoru nebude muset být nutně programátorem AI, ale bude muset disponovat novým souborem dovedností:
Prompt engineering
Schopnost efektivně komunikovat s AI, formulovat jasné, přesné a kontextově bohaté instrukce pro dosažení požadovaných výsledků. Systémové myšlení
Hlavní úlohou tradera bude ve stále větší míře navrhovat, sestavovat a dohlížet na komplexní obchodní systémy integrující jednotlivé komponenty stavěné pomocí AI. Základní programátorská gramotnost
Přestože AI může významně usnadnit či převzít část rutinní programátorské práce, minimálně v aktuálním transformačním období mají nespornou výhodu ti, kdo disponují programátorskou gramotností. Tedy schopností alespoň částečně rozumět generovanému kódu, upravovat jej a integrovat. Většina moderních AI workflow a knihoven intenzivně využívá Python, což je i důvod, proč se poslední roky na Finančníkovi tomuto jazyku tolik věnujeme (viz přehled minikurzů dostupných v Techlabu). Kritické myšlení a validace
Jak je patrné již dnes, AI nástroje dokáží vygenerovat mnoho užitečného, ale nejsou neomylné. Klíčovou výhodu mají obchodníci, kteří výsledky slepě nenásledují, ale dokáží je na základě svých praktických zkušeností kriticky zhodnotit, ověřit a validovat v relevantním kontextu. Komplexní znalost souvislostí
Potřeba hluboké expertízy v tradingu a na finančních trzích nevymizí, naopak její význam může vzrůst. Nebude však primárně spočívat v manuálním hledání jednoduchých patternů, ale spíše v hlubokém porozumění tržním mechanismům, aspektům chování jiných subjektů a identifikaci souvislostí, jejichž prozkoumání můžeme následně zadat či akcelerovat pomocí LLM. Závěr
Vstupujeme do éry, kdy umělá inteligence přestává být pouhou futuristickou vizí a stává se nedílnou součástí technologického arzenálu moderního tradera. Jak jsme si v tomto článku ukázali, velké jazykové modely a AI agentní systémy přinášejí revoluci ve vývoji obchodních nástrojů, v analýze rozmanitých dat i v samotném hledání nových zdrojů zisku (alfy). Nástroje demonstrující rapidní prototyping a směřování k hyper-personalizaci jsou předzvěstí budoucnosti, kde budou tyto přístupy běžnou normou.
Pro aktivní systematické obchodníky to představuje jedinečnou příležitost k inovacím a zefektivnění vlastní práce, ale zároveň i výzvu k adaptaci. Úspěch v tomto novém, dynamickém prostředí bude nevyhnutelně vyžadovat osvojení si nového souboru dovedností – od systémového myšlení při návrhu komplexních řešení a efektivní komunikace s AI (prompt engineering) přes neustálé uplatňování kritického myšlení a validace výstupů až po schopnost integrovat a přizpůsobovat tyto technologie pomocí základní technické a programátorské gramotnosti.

V rámci algoritmického obchodování (vývoj tzv. aos) představuje developer klíčovou osobu, která se zabývá návrhem, vývojem a údržbou automatických obchodních systémů. Jeho úkolem je propojit teoretické know-how o trzích a programovací dovednosti do fungujícího softwaru, který dokáže samostatně identifikovat obchodní příležitosti a zadávat příkazy na burze.
Požadované znalosti a dovednosti
Developer se orientuje ve finančních trzích, aby dokázal aplikovat vhodné matematické a statistické modely. Současně ovládá programovací jazyky (například Python, C++ nebo Java) a rozumí práci s databázemi, protože automatizovaný systém musí pracovat s velkým množstvím dat v reálném čase. Důležitá je také schopnost optimalizovat algoritmy a efektivně pracovat s výpočetní technikou.
Proces vývoje
Práce developera obvykle začíná tvorbou obchodní strategie na základě hypotéz, testováním na historických datech (backtest) a poté vyhodnocením robustnosti výsledků (např. kontrolou out-of-sample období). Následně probíhá implementace do reálného provozu, kdy systém provádí obchodní transakce. Developer průběžně sleduje jeho chování, reaguje na změny tržního prostředí a v případě potřeby strategii či kód systému přizpůsobuje.
Význam pro obchodníky
Díky práci developera dokáže systematický obchodník udržet odstup od emocí a spolehnout se na jasně definovaný algoritmus. Výhodou je také schopnost rychle analyzovat a obchodovat velké množství trhů, což by manuálně nebylo možné. Developer je proto pro moderní systémové obchodování nepostradatelným článkem, který posouvá možnosti využití digitálních technologií v oblasti tradingu.

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.