Co je algorithmic trading a proč je to buzzword
Algorithmic trading (algoritmické obchodování) je systematický způsob zadávání a řízení obchodních příkazů na finančních trzích pomocí počítačových algoritmů. Termín buzzword získal proto, že je spojován s moderními technologiemi (big data, umělá inteligencia, vysokofrekvenční trading), slibem objektivity a škálovatelnosti, zároveň však i s riziky souvisejícími s přeoptimalizací, chybami v softwaru či etickými dilematy. V praxi nejde o jednorázový trik, ale o disciplínu kombinující finance, statistiku, informatiku a operační management.
Historický vývoj a kontext
První poloautomatické přístupy vznikly se vznikem elektronických burz a routingu příkazů. Následně se rozšířily execution algoritmy (VWAP, TWAP, POV), které snižují tržní dopad velkých objednávek institucí. Paralelně se rozvíjely signal algoritmy – strategie generující nákupní/prodejní signály ze statistických vztahů, technických indikátorů nebo fundamentálních faktorů. Příchod levného výpočetního výkonu, programovacích jazyků a datových zdrojů otevřel dveře retailu a menším fondům.
Klíčové stavební kameny
- Data: tržní kotace (tick, L1/L2), OHLCV, zprávy, firemní fundamenty, makrodata, alternativní data (sentiment, satelitní snímky, web scraping).
- Hypotéza/edge: testovatelný mechanismus výnosu (mean reversion, momentum, carry, arbitráž, prostorově-časové vztahy).
- Model: pravidla nebo statisticko-učící se model mapující vstupy na rozhodnutí.
- Backtesting a validace: simulační rámec, který prověřuje výkon na historických datech a realistických nákladech.
- Execution: implementace příkazů s ohledem na likviditu, skluz a tržní dopad.
- Řízení rizika a portfolia: velikost pozic, stop-loss, limit expozic, diverzifikace, agregace rizik.
- Monitoring a životní cyklus: nasazení, dohled, incident management, průběžná rekalibrace.
Typologie algoritmických strategií
- Trend following (momentum): nakupuje aktiva s rostoucí cenou a prodává klesající. Funguje na středních až delších horizontech.
- Mean reversion: předpokládá návrat ceny k průměru; vhodné v párech nebo na krátkých horizontech.
- Statistická arbitráž: využívá korelace a kointegrace mezi nástroji (pairs trading, faktorové long/short koše).
- Market making: poskytuje likviditu prostřednictvím kotování bid/ask s dynamickým spreadem a kontrolou inventory.
- Event-driven: reaguje na zprávy, earning calls, makrooznámení, dividendy či fúze.
- Volatility trading: pracuje s opcemi, delta-hedgingem, skew a term structure.
- Carry a term-structure strategie: FX carry, komoditní roll výnosy, úrokové křivky.
- Machine learning/AI: stromové modely, boosting, neuronové sítě, RL pro optimalizaci execution nebo signalizace.
Tržní mikrostruktura a exekuce příkazů
Pochopení mikrostruktury je kritické: limit order book, priority podle ceny a času, queue dynamics, latence a fragmentace likvidity napříč obchodními místy. Exekuční algoritmy cílí minimalizaci Implementation Shortfall (rozdíl mezi teoretickou a realizovanou cenou), řídí slippage a market impact. Běžné přístupy:
- VWAP/TWAP: rozkládají velkou objednávku na časové úseky podle objemu nebo času.
- POV (Participation of Volume): dynamicky se zapojují podle aktuální likvidity.
- Smart Order Routing: distribuuje příkazy na místa s nejlepším spreadem, rabaty a pravděpodobností plnění.
- Adaptive/alpha-aware algoritmy: zohledňují predikci krátkodobého směru a stav knihy příkazů.
Zdrojová data a jejich kvalita
Bez kvalitních dat nevznikne kvalitní model. Důležité jsou čistota (deduplikace, korekce chyb), survivorship-bias free databáze (obsahují i zaniklé tituly), look-ahead korektnost (žádné budoucí informace v minulosti) a správné časové zarovnání různých toků dat. U alternativních dat (sentiment, geoprostorová data) je klíčové právní licencování a metadat o sběru.
Backtesting: zásady, metriky a nástrahy
- Realistické náklady: poplatky, bid-ask spread, skluz, daně, financování (margin, borrow fees).
- Rebalanční pravidla: frekvence, latence modelu, zpracování částečných plnění a přerušených obchodních dní.
- Validační protokol: trénovací/validační/testovací vzorky, walk-forward, purged k-fold pro časové řady.
- Metodické metriky: CAGR, Sharpe, Sortino, Calmar, Max Drawdown, hit-rate, profit factor, turnover, tail risk (VaR/ES), aktivní risk a informační poměr při benchmarkování.
- Overfitting a p-hacking: kontrola počtu stupňů volnosti, deflated Sharpe, White’s Reality Check, prahování komplexity (AIC/BIC).
Řízení rizika a velikost pozice
Riziko se řídí na úrovni obchodu, strategie i portfolia. Klíčové je limitování gross/net expozice, sektorových a faktorových náklonů, koncentrace a využití pákového efektu. Pro sizing se používají:
- Kellyho kritérium (frakční Kelly): maximalizuje dlouhodobý log-výnos, ale je agresivní a citlivé na odhad.
- Volatility targeting: přizpůsobuje velikost tak, aby portfolio dosahovalo cílovou roční volatilitu.
- Risk parity: rozděluje kapitál podle rizikového příspěvku, nikoli podle nominální váhy.
- Position limits a stop-loss: tvrdé hranice pro ztráty, časové stop-lossy, trailing stop-lossy.
Portfolio konstrukce a diverzifikace
Kombinování více nezávislých alph snižuje volatilitu a zlepšuje Sharpe. Používají se kovarianční modely (EWMA, Ledoit-Wolf shrinkage), robustní optimalizace (Black-Litterman, resampling), hierarchical risk parity a Bayesian přístupy. Důležité je řídit korelační shluky a stresové scénáře (regime shifts).
Strojové učení v algoritmickém obchodování
ML se uplatňuje při tvorbě signálů, klasifikaci režimů trhu, nowcastingu makra i při execution. Běžné techniky:
- Feature engineering: technické indikátory, lagy, order-book statistiky, NLP sentiment, kalendářní efekty.
- Algoritmy: random forest, gradient boosting, XGBoost/LightGBM, CNN/LSTM pro sekvence, transformer pro text, autoenkodéry na detekci anomálií.
- Reinforcement learning: formulace jako Markov Decision Process pro position sizing či execution, s odměnou vázanou na implementation shortfall nebo risk-adjusted PnL.
- Regularizace a robustnost: dropout, L1/L2, early stopping, cross-validační schémata přizpůsobená časovým řadám.
- Explainability: SHAP/Permutation importance pro auditovatelnost rozhodnutí.
Technická infrastruktura a architektura systémů
Produkční systém zahrnuje ingest dat (stream/batch), ukládání (time-series databáze, objektová úložiště), výpočty (backtest clustery, real-time engine), správu konfigurací, tajemství a nasazování (CI/CD). Důležité je oddělení research a production prostředí, verzování dat a modelů a důkladné logování s možností post-trade rekonstrukce.
Měření a minimalizace transakčních nákladů
Transakční náklady jsou součtem explicitních (poplatky, komise) a implicitních (spread, skluz, dopad). K měření se používá TCA – Transaction Cost Analysis: porovnává realizované plnění s referenčními cenami (arrival price, decision price, open/close/VWAP). Pro snížení nákladů se využívá adaptivní agresivita, dark pooly, minimalizace adverse selection a klastrování exekucí.
Testování robustnosti a odolnost vůči režimům trhu
- Out-of-sample/Out-of-time: důsledné oddělení testovacích období a stresové testy.
- Regime detection: rozlišování období rizikové averze, vysokých sazeb, krizí a bublin.
- Parameter stability: analýzy citlivosti a grid/random search s penalizací komplexity.
- Monte Carlo resampling: bootstrap PnL drah, randomizace vstupů/execution latence.
Nasazení, monitoring a incident management
Po uvedení do provozu je kritický monitoring latence, chyb v datech, odchylek signálů od očekávání a výpadků broker API. Zavádějí se guardrails: maximální denní ztráty, nouzové vypnutí strategií, limity na počet příkazů a velikosti pozic. Observability zahrnuje metriky (PnL, hit-rate), logy a alerty s jasnými runbooky pro zásah.
Právní a regulační požadavky
V EU je rámcem zejména MiFID II/MiFIR, které regulují algoritmické obchodování, požadují testování, dokumentaci, pre-trade a post-trade kontroly, záznamy příkazů a omezení tržních rizik. Správci musejí dbát na best execution, konflikt zájmů, kybernetickou bezpečnost a ochranu investorů. U alternativních dat je důležitá GDPR kompatibilita a licence.
Etické aspekty a reputační rizika
Algoritmy mohou neúmyslně zesilovat tržní výkyvy, zvyšovat fragmentaci likvidity nebo těžit z asynchronních informačních výhod. Etické směrnice by měly zakazovat manipulaci trhu (layering, spoofing), zohledňovat férovost vůči protistranám a zdůrazňovat transparentnost v komunikaci s klienty. Důležitá je také model governance – auditovatelnost, schvalování změn a periodické revize.
Praktický workflow od nápadu po produkci
- Formulace hypotézy: proč by strategie měla fungovat (behaviorální, riziková prémie, mikrostruktura).
- Sběr a příprava dat: definice universa, čištění, timestampy, korekce corporate actions.
- Prototypování modelu: jednoduchý baseline (naivní momentum/mean reversion) pro referenci.
- Backtest 1. iterace: s plnými náklady a konzervativními předpoklady plnění.
- Validace a robustnost: out-of-sample, walk-forward, stresové testy, citlivosti, testování leakage.
- Integrace execution: simulace order-booku, výběr brokera a konektivity, nastavení limitů.
- Pilotní provoz (paper/live-shadow): sledování divergence od backtestu, ladění parametrů.
- Plné nasazení: s guardrails, TCA, monitoringem, incident runbooky a audit trailem.
- Průběžná údržba: rebalancování, retrénink (pokud ML), governance a reportování výkonnosti.
Běžné chyby a jak se jim vyhnout
- Data snooping: příliš mnoho pokusů vede k iluzornímu edge. Nastavte kvóty experimentů a používejte deflated Sharpe.
- Look-ahead bias: nevědomé použití budoucích informací. Striktní časování a as-of verze dat.
- Nerealistická exekuce: ignorování likvidity, front-run rizika a částečných plnění.
- Nedostatečná diverzifikace: korelační kolapsy v krizích. Budujte nezávislé alphy a hedging.
- Komplexita bez důvodu: jednodušší modely jsou často robustnější a levnější na údržbu.
Implementační poznámky k technologiím
V oblasti výzkumu dominují jazyky s bohatým ekosystémem pro data a statistiku. Produkce často vyžaduje kombinaci rychlých jazyků pro nízkou latenci a univerzálních jazyků pro orchestraci a monitoring. Klíčové jsou testy (unit/integration), simulátory order-booku, deterministické replay a chaos engineering pro odolnost.
Měření výkonnosti a reportování
Kromě klasických metrik je důležité attribution – rozklad PnL podle strategií, faktor
