# Monte Carlo: *distribuce* místo jednoho čísla

Autor: Jiří Fabšic · 6. 7. 2026 · Kategorie: Metodika
Kanonická URL: https://www.binaryfintech.com/blog/monte-carlo-simulace/

> Co je Monte Carlo simulace obchodní strategie: kontrolovaný šum do tržních dat, vějíř equity křivek, percentily, VaR a distribuce drawdownů. Proč jedna equity křivka nestačí a jak číst výsledky.

## TL;DR

- **Jeden backtest je jedna cesta historií.** Monte Carlo simulace spustí strategii na stovkách verzí trhu pozměněných kontrolovaným cenovým šumem — a místo jednoho čísla vrátí celé rozdělení výsledků.
- **Klíčové výstupy:** vějíř equity křivek, medián a percentily zisku, hranice nejhorších scénářů (VaR) a distribuce drawdownů — teprve ty říkají, co reálně čekat.
- **Rozhodující otázka:** kde v distribuci leží původní backtest? U mediánu = výsledek je vlastnost strategie. U horního okraje = měli jste štěstí na data.

Metoda Monte Carlo se zrodila ve čtyřicátých letech v Los Alamos, když Stanisław Ulam a John von Neumann potřebovali spočítat věci, na které matematika „napřímo" nestačila — a tak je nechali rozhodnout náhodou, tisíckrát za sebou. Jméno dostala po kasinu, kde prohrával Ulamův strýc. O osmdesát let později je to jeden z nejpoctivějších nástrojů, jaké může trader na svou strategii vypustit. Princip zůstal stejný: **když si nejsi jistý jedním výsledkem, vygeneruj si jich tisíc a podívej se na celé rozdělení.**

## Jedna historie je vzorek o velikosti jedna

Backtest — i ten nejpoctivější — má jednu tichou slabinu: běží na trhu, který se stal **právě takhle**. Jenže konkrétní průběh cen je jen jedna z nekonečna verzí, které se „skoro staly". Kdyby pár obchodů na burze proběhlo o vteřinu jinak, kdyby jedna svíčka měla knot o desetinu procenta delší — vaše strategie mohla vstoupit jinde, stop-loss mohl (ne)cvaknout, a výsledek mohl vypadat úplně jinak.

Pokud výkon strategie stojí na přesném průběhu jedné historie, nemáte strategii — máte sázku na to, že se minulost bude opakovat do puntíku. Nebude. Statistik by řekl: jedna equity křivka je vzorek o velikosti jedna, a na vzorku jedna se závěry nestaví. O tom, jak snadno se strategie na jednu historii „přeučí", píšeme v článku [o přeoptimalizaci](https://www.binaryfintech.com/blog/preoptimalizace/).

## Trhy, které se skoro staly

Monte Carlo simulace tu slabinu řeší přímočaře: **vyrobí trhy, které se nestaly, ale klidně mohly.** Do historických cen vstříkneme kontrolovaný šum — v řádu desetin procenta, gaussovský (jemné vlnění kolem skutečnosti) nebo rovnoměrný (tvrdší rozhození). Důležitý je přitom řemeslný detail: šum dostává **každá cena svíčky zvlášť** — open, high, low i close — a slepá úprava by snadno vyrobila svíčku, která nemůže existovat: otevírací cenu nad maximem, závěr pod minimem. Proto se po zašumění stavba každé svíčky znovu vynutí: high musí zůstat nejvyšším a low nejnižším bodem, open i close musí ležet mezi nimi — a rozestup nabídky a poptávky (spread) se nesmí rozpadnout. Jen tak zůstane pozměněný trh **trhem**; jinak netestujete robustnost, ale chování strategie na datech, která nikdy nemohla nastat.

Každý takový syntetický trh je nová zkouška: strategie na něm odehraje celou historii znovu, se stejnými pravidly a stejnými parametry. Stovky až tisíce běhů (každý s vlastním semínkem náhody, aby šel kdykoliv zopakovat) — a z jednoho čísla je najednou **distribuce**: histogram zisků, vějíř equity křivek, rozdělení drawdownů.

Pro úplnost: existuje i druhá rodina Monte Carlo testů, která místo dat přeskupuje **výsledné obchody** (jejich pořadí, výběry) — prověřuje hlavně sekvenční riziko drawdownů. Obě rodiny se doplňují; šum do dat je přísnější, protože strategie musí znovu rozhodovat na cenách, které nikdy neviděla.

*Obrázek: Stovky běhů na pozměněných datech vytvoří vějíř. Zajímá nás medián, šířka pásma — a kde v něm leží původní backtest.*

## Co z distribuce čteme

- **Medián a percentily zisku.** Medián je poctivější „očekávaný výsledek" než jeden backtest. Kvartily (25.–75. percentil) říkají, jak moc se výsledky rozjíždějí; 95% interval ohraničuje realistické rozpětí.
- **Hranice nejhorších scénářů (VaR).** Pátý percentil zisku — hodnota, pod kterou spadne jen jeden běh z dvaceti. Tohle číslo odpovídá na otázku, kterou si má trader klást první: *kolik můžu realisticky ztratit?*
- **Distribuce drawdownů.** Průměrný a krajní drawdown napříč běhy. Jediný backtest ukáže jeden drawdown; distribuce ukáže, jak zle to může dopadnout, když se sejdou horší okolnosti — na tlusté konce nezapomínejte ([psali jsme o nich](https://www.binaryfintech.com/blog/cerne-labute-tluste-konce/)).
- **Podíl ziskových běhů.** Strategie zisková v 95 bězích ze 100 stojí na něčem skutečném. Strategie zisková v 55 ze 100 je hod mincí s lepším marketingem.

## Rozhodující otázka: kde leží původní běh?

Nejcennější informace celé simulace je poloha **původního backtestu** uvnitř vějíře. Leží-li poblíž mediánu, výsledek je vlastností strategie — na přesném průběhu historie nezáleželo. Leží-li u horního okraje pásma (nebo dokonce nad ním), znamená to, že skutečná historie byla pro strategii výjimečně přívětivá — **měli jste štěstí na data**, a co předvedl backtest, od živého trhu nečekejte. To je mimochodem klasický otisk přeoptimalizace: strategie přisátá na šum jedné historie se rozpadne, jakmile jí ten šum vezmete.

## Časté chyby

1. **Málo běhů.** Z dvaceti simulací distribuci nepostavíte; percentily z malého vzorku jsou šum. Stovky běhů jsou minimum, tisíce standard.
1. **Šum bez tržní logiky.** Rozhodit ceny bez zachování stavby svíček a spreadů vyrábí nemožné trhy — a výsledky beze smyslu.
1. **Ladění podle simulace.** Kdo upravuje parametry, dokud vějíř nevypadá hezky, přeoptimalizovává o patro výš — Monte Carlo je zkouška, ne další trénink.
1. **Záměna za předpověď.** Simulace neříká, co trh udělá. Říká, jak citlivá je vaše strategie na to, že se minulost nezopakuje přesně. To je jiná — a užitečnější — informace.

## Jak s tím pracujeme my

V našem testovacím řetězu je Monte Carlo čtvrtá brána — po backtestu, genetické optimalizaci a [walk-forwardu](https://www.binaryfintech.com/blog/walk-forward-analyza/). Do cen vstřikujeme kontrolovaný šum se zachováním stavby svíček i spreadů, každý běh je reprodukovatelný, a výsledky čteme přesně v pořadí popsaném výše: vějíř, medián, percentily, hranice nejhorších scénářů, distribuce drawdownů — a poloha původního běhu v tom všem. Nezajímá nás nejlepší běh. Zajímá nás medián a levý ocas — protože přesně tam se rozhoduje o přežití. **Distribuce, ne jedno číslo.**

**Čtení:** Historie a princip metody: [Monte Carlo method](https://en.wikipedia.org/wiki/Monte_Carlo_method) (Ulam, von Neumann, Metropolis). Navazující články: [Walk-forward analýza](https://www.binaryfintech.com/blog/walk-forward-analyza/), [Přeoptimalizace](https://www.binaryfintech.com/blog/preoptimalizace/) a [Černé labutě a Fat Tony](https://www.binaryfintech.com/blog/cerne-labute-tluste-konce/). Celá cesta strategie od nápadu po produkci: [testovací protokol](https://www.binaryfintech.com/blog/testovaci-protokol/).