# Proč backtest *lže*: poplatky, spread a plnění

Autor: Jiří Fabšic · 11. 7. 2026 · Kategorie: Platforma
Kanonická URL: https://www.binaryfintech.com/blog/proc-backtest-lze/

> Proč se výsledky backtestu rozcházejí s živým obchodováním: poplatky, spread, slippage, fronta na plnění, latence a částečná plnění. A hlubší past — v historických datech vaše objednávka není. Jak se realitě přiblížit event-driven simulací a správnou volbou dat.

## TL;DR

- **Backtest bez poplatků, spreadu a slippage není test, ale reklama.** Rozdíl mezi hrubým a čistým výsledkem často rozhodne, jestli strategie vydělává, nebo tiše hoří.
- **Nejhlubší lež není v číslech, ale v předpokladu:** v historických datech vaše objednávka není. Trh nikdy nezareagoval na to, že jste do něj vstoupili — a to, že se cena dotkla vaší limitky, ještě neznamená, že jste byli vyplněni.
- **Čím rychlejší strategie, čím víc obchodů a čím větší pozice, tím víc se backtest vzdaluje realitě.** Ten rozdíl nejde odstranit — jde ho jen minimalizovat věrnou event-driven simulací a správnou volbou dat.

Viděli jsme mnoho „kvalitních" strategií, které po pořádném přetestování shořely jak papír. Zvonivá equity křivka, krásný počet obchodů — a pak se do testu doplní poplatky, spread a realistické plnění a z vítěze zbude přímka mířící dolů. Nejde o smůlu. Jde o to, že **naivní backtest testuje jiný trh, než na kterém pak obchodujete** — pohodlnější, štědřejší a neexistující. Tenhle článek je o tom, kde přesně backtest lže, proč to bolí zrovna vaše nejlepší nápady a jak se pravdě přiblížit co nejvíc.

Možná to znáte z vlastní kůže i bez řádku kódu: **na demo účtu vám to šlo líp než na živém.** Část toho rozdílu jsou přesně ty pasti, o kterých je tenhle článek — demo plní ideálně, jako by spread a skluz neexistovaly. Ale poctivě dodejme i druhou příčinu: demo bývá zjednodušené a někdy i marketingově přikrášlené, aby vás nalákalo vložit skutečné peníze. Obě příčiny táhnou stejným směrem — ukázat vám hezčí svět, než jaký vás naživo čeká.

## Co přesně backtest zamlčuje?

Většina testerů počítá s idealizací „koupím a prodám za cenu na grafu". Mezi tou větou a skutečným obchodem je ale dlouhá cesta a na každém jejím kroku se ztrácí kus výnosu:

- **Poplatky.** Každý vstup a výstup něco stojí — a u častého obchodování se poplatky sčítají do částky, která sama o sobě rozhodne o ziskovosti.
- **Spread.** Kupujete za ask, prodáváte za bid. Ten rozdíl platíte pokaždé, i když se cena „na grafu" ani nehne.
- **Slippage (skluz).** Cena, za kterou se skutečně naplníte, není cena, kterou jste viděli v okamžiku rozhodnutí — obzvlášť v rychlém trhu. U většího market orderu navíc neplatí jediná cena: order se prokouše několika hladinami knihy a výsledkem je **průměrná cena obchodu** vážená přes množství dostupné na každé hladině. Cena „na grafu" je jen ta první úroveň; jak hluboko se prokoušete, rozhoduje objem na jednotlivých hladinách.
- **Fronta na plnění.** U limitního orderu stojíte v pořadí za ostatními. Jestli se na vás dostane, závisí na tom, kolik likvidity na dané ceně je a kolik lidí bylo dřív.
- **Latence.** Order necestuje nulový čas. Mezi rozhodnutím a burzou uplyne zpoždění, během kterého se trh hýbe.
- **Částečná plnění.** Objednávku vám trh nemusí naplnit celou — část zůstane viset, nebo se naplní po kouskách za různé ceny.

A pod tím vším leží past, kterou většina nástrojů vůbec nezmiňuje: **v historických datech vaše objednávka není.** Data zaznamenávají trh, který o vás nevěděl. Když v backtestu „koupíte", přidáváte akci do světa, který na ni nikdy nezareagoval — nezvedla se kvůli vám nabídka, nezmizela likvidita, neucukli ostatní algoritmičtí hráči. Čím menší jste, tím míň na tom záleží; čím větší pozice a čím rychlejší trh, tím víc tahle „neviditelnost" nadhodnocuje váš výsledek.

Eliminaci tohoto jevu se budeme věnovat v samostatném článku, ale ve zkratce: pokud má strategie dnes nakoupit nebo zainvestovat velký objem, není možné ho vložit do trhu najednou. Velká pozice se plní po částech — a právě tady vzniká vliv na cenu, který backtest nevidí. Tomuhle způsobu uvažování, institucionálnímu, se budeme věnovat zvlášť.

Dobrá zpráva je, že se ten jev dá výrazně potlačit rozumnou **diverzifikací** — rozprostřením kapitálu do rozumného počtu instrumentů a [portfolií napříč segmenty a skupinami aktiv](https://www.binaryfintech.com/blog/soubehy-strategii/). Když žádná jednotlivá pozice není vůči trhu velká, klesá i její vliv na cenu — a s ním chyba, které se backtest dopouští, až na zanedbatelnou míru. Má to ale strop: existuje bod, za kterým další drobení přestává pomáhat a výhoda diverzifikace — ať už z pohledu teorie her, nebo prosté udržitelnosti při rostoucím počtu instrumentů — padá pod stůl. Kde přesně ten bod leží, je téma samo o sobě.

## Proč „cena u mého orderu" neznamená, že jsem vyplněn

Tohle je jádro celé lži a stojí za to ho vypíchnout. To, že se **cena dotkla úrovně, kde máte limitní order, ještě neznamená, že jste obchod dostali.** Na téhle ceně stojí fronta a vy jste v ní zařazeni podle toho, kdy jste přišli. Aby se naplnil váš order, musí se nejdřív „vyjíst" všichni před vámi — a jestli se to stihne, než cena zase odskočí, je otázka likvidity, ne přání.

Možná si to pamatujete z vlastních začátků na burze: dali jste „buy" — a nic se nestalo. Order visel, čekal na vyplnění a vaše peníze byly jen „locked", zablokované, ale ne utracené. To je přesně ono: limitka není nákup, je to *žádost* o nákup, která čeká, až se na ni ve frontě dostane. Někdy se dočká, někdy cena odskočí a order zůstane viset.

Naivní backtest tuhle frontu nevidí a plní vás pokaždé, když se cena úrovně jen dotkne. To je systematická chyba *ve váš prospěch*: v testu naberete i obchody, které byste naživo nikdy nedostali — a bývají to zrovna ty na hraně pohybu, tedy ty nejlukrativnější. Výsledkem je equity křivka složená zčásti z obchodů, které se nikdy nestaly.

*Obrázek: Ve frontě na dané ceně se plní odshora (kdo přišel dřív). Naivní backtest předpokládá, že se naplníte pokaždé, když se cena úrovně dotkne. Realita naplní jen ty, ke kterým dojde skutečně zobchodovaný objem — vy můžete zůstat s prázdnou, nebo jen částečně.*

Dá se ta fronta odhadnout? Do jisté míry ano — existují **predikční modely, které odhadují pozici ve frontě a pravděpodobnost vyplnění**. Nejde je ale nastavit jednou provždy: musí se průběžně *kalibrovat na živý trh*. Princip je stejný jako u [walk-forward analýzy](https://www.binaryfintech.com/blog/walk-forward-analyza/) — model se naladí na vzorku a ověří na datech, která teprve přijdou; tady konkrétně na tom, co skutečně padne v živém obchodování. Simulované plnění proto necháváme běžet vedle reálné exekuce, obě strany průběžně srovnáváme a tam, kde se rozcházejí, model doladíme. Tahle logika — ladit na minulosti, validovat na budoucnosti a pořád kalibrovat — platí napříč predikčními modely obecně, nejen u fronty.

## Maker vs. taker, limit vs. market — lamácky

Typ orderu není detail, je to volba mezi dvěma druhy nákladů:

- **Limitní order (maker).** Přidáváte likviditu, platíte nižší poplatek — ale **nemáte jistotu plnění.** Cena kolem vás může proletět a nechat vás stát ve frontě.
- **Market order (taker).** Berete likviditu, plnění máte skoro jisté — ale platíte vyšší poplatek a hlavně **slippage:** vykoupíte spread a u většího objemu se prokoušete i do horších úrovní knihy.

Naivní backtest si bere z obou to nejlepší a z nákladů nic: plní jako market (vždy), účtuje jako maker (levně) a slippage neřeší. Taková strategie na papíře vydělává i tehdy, když by naživo platila víc, než vydělá. A k tomu přičtěte **latenci** — mezi vaším rozhodnutím a dorazením orderu na burzu se trh pohne, takže i dobře zamýšlený vstup dostanete o kus jinde.

Ostatně proto jsou maker a taker u většiny burz jinak zpoplatněné: **tvůrce trhu (maker) dodává likviditu, kterou burza potřebuje**, a tak ho odměňuje nižším poplatkem. Zároveň ale burza potřebuje i protistranu — hybatele, který „vystavené zboží" koupí — a ten za pohodlí okamžitého plnění zaplatí víc. Backtest, který tenhle rozdíl smázne, si maluje svět, kde vás nestojí nic: ani likvidita, ani spěch. O mechanice burzy, tvorbě ceny, zákoutích orderů i speciálních algoritmických příkazech se rozepíšeme v dalších článcích.

A pozor — nejde jen o to opravit backtest. Je to **koncepce, se kterou se strategie musí navrhovat už od začátku.** Existují strategie, u kterých tyhle úvahy skoro zanedbáte — dlouhé obchody držené řadu dní, málo vstupů, vyšší časové rámce. V algoritmickém obchodování jsou ale spíš výjimkou: samotná výhoda automatu je rychlé rozhodování, kvalitní vstupy a jistější zisky tam, kde by člověk otevíral pozici pod vlivem emoce, strachu nebo jiných — racionálních i iracionálních — pochodů. A čím víc téhle výhody využíváte, tím víc na nákladech a plnění záleží.

Psychologii obchodování — jednotlivce, trhu i davu — si necháme na samostatné články. Přiznejme si ale rovnou jednu pokoru: i když pochopíme roli jednoho mravence a způsob, jakým se chová, ještě to neznamená, že rozumíme mraveništi jako celku.

## Proč to zabíjí zrovna vaše nejlepší strategie

Náklady nejsou konstanta, kterou stačí odečíst — **škálují s tím, jak strategie obchoduje.** Platí jednoduchá úměra: čím víc obchodů, čím kratší časový rámec a čím větší pozice, tím víc z výsledku ukrojí náklady a nejistota plnění. Vysokofrekvenční strategie s drobnou průměrnou výhrou je na náklady nejcitlivější — malý poplatek a pár ticků slippage stačí, aby se z kladné očekávané hodnoty stala záporná.

Zákeřné je, že nejhorší plnění dostáváte přesně tam, kde strategie nejvíc chce obchodovat: v rychlém, rozhýbaném trhu. Právě tam je spread nejširší, fronta nejméně předvídatelná a slippage největší. Idealizovaný backtest si tenhle okamžik vybarví narůžovo — a živý trh vám ho pak vyúčtuje.

Proto k obchodům přistupujeme s pokorou: **když už se něco viditelně děje, bývá pozdě** — a chytat rukou padající nůž není nejlepší nápad, náklady i skluz jsou přesně v té chvíli nejvyšší. A abychom nepodlehli druhé straně téže mince — **FOMO** (z anglického *fear of missing out*, strachu, že nám něco uteče) — řídíme se i starým heslem: **s tradingovými příležitostmi je to jako s autobusem — když vám jeden ujede, za chvíli jede další.** Trpělivost na dobrý vstup je levnější než uspěchaný skok do rozjetého trhu.

## Vektorový vs. event-driven backtest

Existují dva základní přístupy k testování a liší se právě v tom, jak poctivě zacházejí s časem a plněním:

**Vektorový backtest** vezme celou historii jako tabulku a spočítá signály naráz. Je rychlý a pro první hrubý průzkum užitečný — ale nezná ordery, frontu ani poplatky, a protože vzorec „vidí" celý řádek dat najednou, snadno si tiše půjčí informaci, kterou byste v daný okamžik ještě neměli. Rychlost se platí přesností.

**Event-driven backtest** naproti tomu přehrává trh *událost po události*, přesně v pořadí, v jakém věci přicházely: přijde data, strategie zareaguje, odešle order, ten projde simulovanou exekucí, vrátí se plnění — a teprve pak přijde další událost. Na tom pořadí záleží: strategie v každém okamžiku ví jen to, co by věděla naživo, a plnění se odehrává v kontextu skutečné likvidity. Přesnost se platí výpočtem — ale **kvalita chce kvalitu**, a u testu, kterému máte věřit své peníze, je to správná investice. V praxi se obě rodiny běžně kombinují: vektorově se rychle prosejí kandidáti a to nadějné se pak dolaďuje event-driven. Náš engine je z principu event-driven; jak přesně simuluje burzu, rozebíráme v článku [Backtest, který se chová jako živý trh](https://www.binaryfintech.com/blog/backtest-jako-zivy-trh/).

## Různá data pro různé strategie

Přesnost testu stojí a padá s tím, jak jemná data mu dáte — a správná volba dat se liší strategii od strategie. Platí přímá úměra: čím jemnější rozlišení dat, tím blíž je test realitě, ale tím dráž vyjdou data i výpočet. Od nejhrubších po nejpodrobnější:

- **Svíčková (kline) data.** Pro pomalejší, denní strategie často stačí. Uvnitř svíčky ale nevíte, v jakém pořadí cena prošla — jestli dřív na high, nebo na low. Dá se to zpřesnit: podle tvaru svíčky se s jistou pravděpodobností odhadne posloupnost open → high → low → close, nebo naopak, případně se použijí data, která skutečné pořadí znají. Svíčku tak lze obohatit o informaci o pořadí (dřív high, nebo dřív low) při zachování vysoké rychlosti — a ta je zásadní pro milionové běhy [genetické optimalizace](https://www.binaryfintech.com/blog/geneticka-optimalizace/) i rozsáhlý walk-forward nad obřím prostorem parametrů.
- **Nižší časový rámec.** Zkrácením intervalu se sekvence uvnitř původní svíčky zpřesní sama — víc svíček, míň nejasnosti o pořadí.
- **Tiková data.** Jednotlivé obchody a kotace tak, jak padaly. Odtud výš už testujete téměř na tom, co se skutečně dělo — vhodné pro rychlejší strategie, kde na pořadí a plnění záleží nejvíc. Replay kompletní historie obchodů na některých instrumentech je ale časově náročný a **přesnost dat jde ruku v ruce s počtem testů, které stihnete**: víc detailu znamená míň běhů za stejný čas. O rychlosti testů a benchmarcích se rozepíšeme v samostatném článku.
- **Orderbooková data.** Od nejlepší nabídky a poptávky (spread) až po plnou hloubku knihy — a dokonce indikátory postavené přímo nad orderbookem. Tady se teprve dá věrně modelovat fronta, částečná plnění a chování většího objemu. Pro drtivou většinu strategií — a i pro chytré institucionální tradery — přitom bohatě stačí zlomek knihy kolem spreadu: zhruba dvě procenta nabídek a poptávek od nejlepší ceny, podle likvidity daného instrumentu. Velké instituce sice nenechávají nic náhodě a volí širší pohled na trh, ale platí, že **čím dál je objem od spreadu, tím méně na něm záleží.**

Ještě zákeřnější je, co svíčka schová úplně: **uvnitř jediného baru se cena může několikrát prohnat nahoru a dolů.** Když má strategie na tomtéž intervalu stop-loss i cíl, rozhoduje, který se trefil dřív — a to vám svíčka neprozradí. Podle toho, jaký průběh uvnitř baru backtest předpokládá, může výsledek **nadhodnotit** (vezme si cíl dřív než stop), nebo naopak zkreslit v neprospěch. Tyhle rychlé pohyby jsou skryté v rozlišení datového zdroje; čím jemnější data, tím míň místa pro takovou domněnku.

Pravidlo je jednoduché: **čím rychlejší kadence objednávek a čím větší jejich nominální hodnota, tím jemnější data strategie potřebuje**, aby jí backtest nelhal. Pomalou denní strategii uřídíte na svíčkách; scalping na spreadu bez orderbookových dat testovat nemá smysl. Jako v každé doméně, i v algotradingu **vždy záleží na kontextu.**

## Kolik dat a kolik obchodů

Čím víc dat na testování máte, tím líp — víc materiálu, víc odhalených zákonitostí, pevnější statistika. S jednou podmínkou: data musí být **reprezentativní a přiléhat době.** Těžko dnes vezmete graf akcie zpřed pětadvaceti let a prohlásíte, že když to tehdy vycházelo, zopakuje se to i teď — jiný fundament, jiný kontext, jiný příběh. Backtest na starých, dnešnímu světu vzdálených datech v tomhle smyslu lže. Když o tom ale víme, dáme starším výsledkům menší váhu — a přesto je nezahodíme, protože i stará data nesou informační hodnotu.

Druhá strana téže mince je **počet obchodů.** Málo uskutečněných obchodů má malou vypovídací hodnotu. Ruční trader-matador může udělat pět obchodů za rok a být úspěšný; u automatu je takové chování většinou nepřípustné, protože pět obchodů je jako pět hodů mincí — v krajním případě všechny vyhrajete, nebo všechny prohrajete, a ani jedno o kvalitě strategie nic neříká. Čím míň obchodů, tím blíž je „strategie" obyčejnému hazardu. Kolik jich už statisticky stačí, je otázka sama o sobě — souvisí s tím i [Monte Carlo](https://www.binaryfintech.com/blog/monte-carlo-simulace/), které z jednoho výsledku dělá distribuci možných.

## Další klamy, které o backtestu víme

Kromě nákladů a plnění číhá na backtest několik dalších pastí, které jsme se naučili rozpoznávat:

- **Klam nízkoobjemových párů.** Na málo likvidním instrumentu vám backtest ukáže krásná plnění za cenu na grafu — jenže tam ta likvidita ve skutečnosti není. Naživo byste větší pozici nenaplnili, nebo byste cenou pohnuli sami proti sobě. A čím tenčí trh, tím větší je propast mezi pěkným výsledkem backtestu a realitou. Nekvalitní backtest vám ta plnění ukáže; kvalitní naopak z opatrnosti před příliš dobrými výsledky pozici raději neotevře, nebo vstup a plnění záměrně zhorší tak, aby seděly na to, co by šlo naživo skutečně dostat.
- **Klam přeoptimalizace (overfitting).** Nejznámější past: strategii vyladíte tak dokonale na minulost, že venku, na nových datech, pak selže. Bráníme se proti ní [walk-forward analýzou](https://www.binaryfintech.com/blog/walk-forward-analyza/) a analýzou **přenositelnosti [metrik](https://www.binaryfintech.com/blog/metriky-vykonu/)** z in-sample do out-of-sample — když výkon na neviděná data nepřejde, není co slavit: je to signál k opatrnosti, ne hotová strategie. Podrobně v článku o [přeoptimalizaci](https://www.binaryfintech.com/blog/preoptimalizace/).
- **Klam optimalizace na jedno číslo.** Kdo ladí čistě na maximální profit, vybere si nejšťastnější přeoptimalizovaný běh. Proto optimalizujeme na robustní kompozitní metriky, ne na holý zisk — rozebíráme to v článku [Metriky, na které se optimalizuje](https://www.binaryfintech.com/blog/metriky-vykonu/).
- **Klam přeživších (survivorship bias).** Testujete jen na tom, co „přežilo" — na instrumentech, které dnes existují, na trzích, jež nezkrachovaly. Abraham Wald za války zkoumal vracející se bombardéry poseté dírami a doporučil vyztužit místa, kde díry *nebyly* — letadla zasažená tam se totiž nevrátila. Backtest vidí jen ty vrácené stroje; kdo testuje jen na dnešních vítězích, měří svět bez padlých. Víc v článku o [vesmírech instrumentů](https://www.binaryfintech.com/blog/vesmiry-instrumentu/).
- **Klam černých labutí.** Backtest umí čelit jen rizikům, která už z minulosti důvěrně známe. Extrapolovat minulá data a stavět systém, který ustojí přesně to, co se už stalo, je příprava na minulou válku — ta příští přijde jinudy. Proto systém stavíme tak, aby přežil i to, co v datech není. Rozebíráme v článku o [černých labutích a tlustých koncích](https://www.binaryfintech.com/blog/cerne-labute-tluste-konce/).

## Co se o trhu nikdy nedozvíme

A teď to nejdůležitější, protože si nechceme lhát do kapsy. I ta nejvěrnější simulace naráží na hranici, kterou nejde překročit: **nikdy se nedozvíme, jak by se trh zachoval, kdybychom tu pozici skutečně vystavili.** Jak by se pohnula nabídka, když marketem vykoupíme spread. Jak by v tom okamžiku zareagovali ostatní algoritmičtí hráči. Jak by náš vlastní obchod změnil další chod trhu. Historická data tuhle odpověď neobsahují — zaznamenala svět, ve kterém jsme nebyli.

Tuhle nejistotu nejde odstranit. Jde ji jen **zmenšovat** — věrnou event-driven simulací, jemnými daty, pravděpodobnostním modelem plnění a slippage, započtenými poplatky a latencí. Každý takový krok posune výsledek testu blíž tomu, co vás naživo skutečně potká. Kompletní odpověď nikdy nemáme; ale můžeme se k pravdě přiblížit na hranu možného a přetáhnout statistiku na svoji stranu.

## Testování není jen matematika

A ještě jedno přiznání, protože k poctivosti patří. **Žádný backtest není stoprocentní** a každý běží do konkrétního trhu s nějakým předpokladem o jeho chování — a ten předpoklad je naše rozhodnutí, ne fakt. I fundament je při stavbě strategie *měkká technika*: kde leží bod zlomu, jak rozdělit in-sample a out-of-sample, na co se vůbec díváme a co ještě považujeme za dost dobré — to všechno se zčásti řídí obchodní zkušeností a citem, samozřejmě až **v mezích základních, nepřekročitelných indikací**. Ty tvrdé mantinely platí vždy; uvnitř nich ale zůstává prostor pro úsudek.

Přiznat tenhle měkký prvek není slabina — je to přesnější popis reality než tvrzení, že testování je čistá matematika bez jediného rozhodnutí. Finální oblast parametrů, kterou pustíme do provozu, je průsečík tvrdých dat a let zkušeností s tím, jak se trhy chovají. Kdo předstírá, že v jeho procesu žádný úsudek není, si jen nevšiml vlastních předpokladů.

## Jak se pravdě přiblížit — a kolik to dělá

Naše odpověď na tuhle celou kapitolu nejistot je jednoduchá zásada: **v testu trh nešidíme, protože trh se ošidit nedá.** Backtest u nás běží event-driven, nad daty v rozlišení, jaké strategie žádá, se simulací orderbooku, fronty, pravděpodobnosti plnění, skluzu, poplatků maker/taker, latence i částečných plnění — a protože má vlastní seed, každý běh jde přesně zopakovat. Detaily té exekuce popisujeme v článku o [event-driven enginu](https://www.binaryfintech.com/blog/backtest-jako-zivy-trh/).

*Modelový příklad (ilustrace, ne naše data):* vezměte strategii, která udělá 500 obchodů a na papíře — bez nákladů — vydělá 40 %. Připočtěte taker poplatek 0,075 % na obchod a průměrný skluz řekněme dva ticky. Poplatky samotné ukrojí zhruba 500 × dvojnásobek sazby (vstup i výstup) — a než se dostanete ke slippage a zmeškaným limitkám, z efektního čísla zbude zlomek, u citlivějších strategií i záporná hodnota. Přesně tenhle rozdíl mezi hrubým a čistým dělí strategie, které vydělávají, od těch, co vypadaly, že vydělávají. [Na která čísla se přitom díváme](https://www.binaryfintech.com/blog/metriky-vykonu/), rozebíráme zvlášť.

## Závěr: reklama, nebo test?

Backtest bez poplatků, spreadu a realistického plnění není test — je to reklama, kterou si strategie dělá sama sobě. Poctivý test začíná tam, kde připustíte, že v datech nejste, že se limitka nemusí naplnit a že nejhorší plnění přijde v nejrychlejším trhu. Právě tahle nepohodlná čísla oddělují nápady, které přežijí produkci, od těch, co shoří jak papír. My je nikdy neschováváme — [ukazujeme trhy takové, jaké jsou](https://www.binaryfintech.com/blog/testovaci-protokol/), protože jedině tak má test smysl.

**Čtení:** Navazující články z naší testovací série: [Backtest, který se chová jako živý trh](https://www.binaryfintech.com/blog/backtest-jako-zivy-trh/) · [Přeoptimalizace](https://www.binaryfintech.com/blog/preoptimalizace/) · [Metriky výkonu](https://www.binaryfintech.com/blog/metriky-vykonu/) · [Monte Carlo](https://www.binaryfintech.com/blog/monte-carlo-simulace/). Celá cesta strategie od nápadu po produkci: [testovací protokol](https://www.binaryfintech.com/blog/testovaci-protokol/).