# Přeoptimalizace: proč *krásný backtest* často selže naživo

Autor: Jiří Fabšic · 3. 7. 2026 · Kategorie: Metodika
Kanonická URL: https://www.binaryfintech.com/blog/preoptimalizace/

> Co je přeoptimalizace (overfitting) obchodní strategie, proč vzniká při optimalizaci parametrů, jak se pozná — a jak se proti ní bránit: out-of-sample validace, walk-forward, test citlivosti parametrů, Monte Carlo.

## TL;DR

- **Přeoptimalizace (overfitting)** znamená, že se strategie naučila šum jedné konkrétní historie místo chování trhu. V backtestu září, naživo se rozpadá.
- **Čím víc parametrů a čím víc vyzkoušených kombinací,** tím větší šance, že „nejlepší" výsledek je jen statistická náhoda — vítěz loterie, ne funkční strategie.
- **Obrana:** jednoduchost, out-of-sample validace (walk-forward), test citlivosti parametrů, Monte Carlo — a zdravá nedůvěra ke křivkám, které vypadají příliš dobře.

V kvantitativním tradingu platí nepříjemné pravidlo: čím krásnější equity křivka vyleze z optimalizace, tím víc opatrnosti si zaslouží. Hladká čára vzhůru bez drawdownů skoro nikdy neznamená, že jste našli výjimečnou strategii. Mnohem častěji znamená, že jste vytvořili strategii výjimečně přizpůsobenou jedné konkrétní minulosti — a právě jí se říká přeoptimalizovaná.

## Co se doopravdy stalo: naučili jste se šum

Historická data obsahují dvě složky. **Signál** — vztahy, které mají důvod existovat a šanci platit i zítra. A **šum** — souhry okolností, které se už nikdy přesně nezopakují. Velkou část tržních pohybů tvoří šum; smyslem optimalizace je vytěžit signál a šumu si nevšímat.

Každý parametr strategie je ale další **stupeň volnosti** — další možnost, jak model ohnout směrem k datům. Několik parametrů tvaruje hrubé rysy — a to je v pořádku. S každým dalším ale roste schopnost modelu obkreslit i náhodné zákruty historie: vyhnout se přesně té ztrátě z března, trefit přesně ten výkyv ze srpna. Strategie se přestává učit trh a začíná si pamatovat data — a praxe tomu říká „ono to na nových datech nefunguje".

## Multiple testing: loterie s tisíci losy

Druhý mechanismus je záludnější, protože funguje i u jednoduchých strategií. Když vyzkoušíte tisíc kombinací parametrů a vyberete nejlepší, provedli jste tisíc pokusů — a mezi tisíci pokusy se skvělý výsledek najde i čirou náhodou. I kdyby všechny kombinace byly ve skutečnosti bezcenné, ta „nejlepší" bude vypadat působivě. Vybrali jste vítěze loterie a tvrdíte, že umí vyhrávat loterie.

Tomuto jevu se říká **selection bias při mnohonásobném testování** — a Bailey, Borwein, López de Prado a Zhu argumentují, že právě kvůli němu většina publikovaných backtestů naživo zklame. Formalizovali ho metrikou [Probability of Backtest Overfitting](https://www.davidhbailey.com/dhbpapers/backtest-prob.pdf) (pravděpodobnost, že vítěz optimalizace je přeučený) a navazujícím [Deflated Sharpe Ratio](https://www.davidhbailey.com/dhbpapers/deflated-sharpe.pdf) — Sharpe ratio „vyfouknutým" o efekt počtu pokusů. Přesná čísla nejsou podstatná pro tenhle článek; podstatný je princip: **výsledek optimalizace je nutné posuzovat s ohledem na to, kolik pokusů ho vybralo.**

## Jak se přeoptimalizace pozná

- **Propast mezi in-sample a out-of-sample.** Na datech, na kterých se ladilo, strategie exceluje; na neviděných datech je z ní průměr nebo ztráta. Tohle je definiční příznak — a přesně na něj cílí [walk-forward analýza](https://www.binaryfintech.com/blog/walk-forward-analyza/).
- **Křehké maximum.** Posuňte parametr o kousek — a výsledek se rozpadne. Skutečně robustní nastavení sedí na náhorní plošině (plateau), kde i sousední hodnoty fungují slušně. Osamocený špičatý vrchol uprostřed pustiny je skoro vždy artefakt šumu.
- **Nestabilita napříč obdobími a trhy.** Strategie, jejíž „optimální" parametry se v každém období či na každém instrumentu radikálně liší, nemá stabilní jádro.
- **Podezřele dokonalá equity.** Reálné strategie mají ztrátová období a drawdowny. Křivka bez nich obvykle neukazuje genialitu, ale míru přizpůsobení historii.

## Jak se bránit

1. **Méně parametrů.** Každý si musí své místo obhájit. Pravidlo, které nedokážete zdůvodnit ekonomicky nebo tržní mechanikou („proč by tohle mělo fungovat?"), je kandidát na vyhození.
1. **Out-of-sample validace jako standard.** Nikdy nehodnotit strategii jen na datech, na kterých se ladila. Systematicky to řeší [walk-forward analýza](https://www.binaryfintech.com/blog/walk-forward-analyza/) s rolujícími okny.
1. **Test citlivosti parametrů.** Prozkoumat okolí vítězného nastavení. Hledá se plošina, ne vrchol — nastavení, které přežije posunutí každého parametru, má šanci přežít i posun trhu.
1. **Monte Carlo simulace.** Tisíce permutací výsledků (pořadí obchodů, vynechané obchody, posuny) ukážou distribuci možných výsledků místo jedné křivky — a hlavně realistický pohled na drawdowny.
1. **Nikdy neladit podle out-of-sample.** Jakmile OOS výsledek ovlivní další ladění, přestal být out-of-sample a kolo přeoptimalizace se roztáčí znovu, jen o patro výš.

## Jak s tím pracujeme my

V naší platformě BXF na tenhle problém míří celý testovací řetěz: genetická optimalizace je stavěná tak, aby hledala **robustní řešení, ne náhodné maximum** — a každý kandidát pak musí projít walk-forwardem a Monte Carlo simulací, než se vůbec uvažuje o produkci. Krásná křivka z optimalizace u nás není výsledek. Je to vstup do dalšího kola zkoušek.

**Čtení:** Bailey, Borwein, López de Prado, Zhu: [The Probability of Backtest Overfitting](https://www.davidhbailey.com/dhbpapers/backtest-prob.pdf) · López de Prado, Bailey: [The Deflated Sharpe Ratio](https://www.davidhbailey.com/dhbpapers/deflated-sharpe.pdf). Navazující článek: [Walk-forward analýza: proč jeden backtest nestačí](https://www.binaryfintech.com/blog/walk-forward-analyza/). Celá cesta strategie od nápadu po produkci: [testovací protokol](https://www.binaryfintech.com/blog/testovaci-protokol/).