VYSOKÉ UČENÍ TECHNICKÉ V BRNĚBRNO UNIVERSITY OF TECHNOLOGY

FAKULTA PODNIKATELSKÁÚSTAV INFORMATIKY

FACULTY OF BUSINESS AND MANAGEMENTINSTITUTE OF INFORMATICS

NÁVRH AUTOMATIZOVANÉHO OBCHODNÍHOSYSTÉMU PRO KOMODITNÍ TRHY

DEVELOPMENT OF AUTOMATED TRADING SYSTEM FOR COMMODITY MARKETS

DIPLOMOVÁ PRÁCEMASTER'S THESIS

AUTOR PRÁCE Bc. MARTIN HEFKAAUTHOR

VEDOUCÍ PRÁCE Ing. JAN BUDÍK, Ph.D.SUPERVISOR

BRNO 2016

Vysoké učení technické v Brně Akademický rok: 2015/2016Fakulta podnikatelská Ústav informatiky

ZADÁNÍ DIPLOMOVÉ PRÁCE

Hefka Martin, Bc.

Informační management (6209T015)

Ředitel ústavu Vám v souladu se zákonem č.111/1998 o vysokých školách, Studijním azkušebním řádem VUT v Brně a Směrnicí děkana pro realizaci bakalářských a magisterskýchstudijních programů zadává diplomovou práci s názvem:

Návrh automatizovaného obchodního systému pro komoditní trhy

v anglickém jazyce:

Development of Automated Trading System for Commodity Markets

Pokyny pro vypracování:

ÚvodCíle práce, metody a postupyTeoretická východiska práceAnalýza problémuVlastní návrhy řešeníZávěrSeznam použité literatury

Podle § 60 zákona č. 121/2000 Sb. (autorský zákon) v platném znění, je tato práce "Školním dílem". Využití této

práce se řídí právním režimem autorského zákona. Citace povoluje Fakulta podnikatelská Vysokého učení

technického v Brně.

Seznam odborné literatury:

DOSTÁL, P. Pokročilé metody analýz a modelování v podnikatelství a veřejné správě. Brno:CERM, 2008. 432 s. ISBN 978-80-7204-605-8.GOLDBERG, D. Genetic Algorithms in Search, Optimization, and Machine Learning. USA:Addison-Wesley, 1989. 412 p. ISBN 978-0201157673.GRAHAM, B. Inteligentní investor. Praha: Grada, 2007. 504 s. ISBN 978-80-247-1792-0.REJNUŠ, O. Finanční trhy. Ostrava: KEY Publishing, 2008. 548 s. ISBN:978-80-87-8.WILLIAMS, L. How I Made One Million Dollars Last Year Trading Commodities. USA:Windsor Books, 1979. 130 p. ISBN 9780930233105.WILLIAMS, L. Long-Term Secrets to Short-Term Trading. USA: Wiley-Interscience, 1999. 255p. ISBN 0-471-29722-4.

Vedoucí diplomové práce: Ing. Jan Budík, Ph.D.

Termín odevzdání diplomové práce je stanoven časovým plánem akademického roku 2015/2016.

L.S.

_______________________________ _______________________________doc. RNDr. Bedřich Půža, CSc. doc. Ing. et Ing. Stanislav Škapa, Ph.D.

Ředitel ústavu Děkan fakulty

V Brně, dne 30.11.2015

Abstrakt

Tato diplomová práce se zabývá teoretickými i praktickými aspekty na komoditním

trhu. Je zde navržen a popsán automatický obchodní systém, který se bude zaměřovat

na obchody s ropou. Budou zde popsány teoretické podklady jako je technická analýza,

popis technických indikátorů, či money management v obchodování. Praktická část této

práce bude zaměřena na analýzu trhu s ropou a navržení několika strategií. Tyto strate-

gie budou následně implementovány v jazyce MQL4 a vyzkoušeny na historických da-

tech.

Abstract

This diploma thesis deals with theoretical and practical aspects of the commodity mar-

ket. The automated trading system is designed and described there, which is focused on

oil trades. The theoretical background as technical analysis, technical indicators descrip-

tion or money management in trading, are described. The practical part of the thesis is

focused on the analysis of oil market and the proposition of several strategies. These

strategies are implemented subsequently to MQL4 language and tested on historical

data.

Klí čová slova

Technická analýza, automatický obchodní systém, komodity, technické indikátory,

MQL4

Key words

Technical analysis, automated trading system, commodity, technical indicators, MQL4

Bibliografická citace VŠKP

HEFKA, M. Návrh automatizovaného obchodního systému pro komoditní trhy. Brno: Vysoké učení technické v Brně, Fakulta podnikatelská, 2016. 70 s. Vedoucí diplomové práce Ing. Jan Budík, Ph.D..

Čestné prohlášení

Prohlašuji, že předložená diplomová práce je původní a zpracoval jsem ji samostatně.

Prohlašuji, že citace použitých pramenů je úplná, že jsem ve své práci neporušil autor-

ská práva (ve smyslu Zákona č. 121/2000 Sb., o právu autorském a o právech souvisejí-

cích s právem autorským).

V Brně dne ………………

………………………………..

Poděkování

Děkuji tímto vedoucímu diplomové práce panu Ing. Janu Budíkovi, Ph.D. za cenné při-

pomínky, rady a ochotu při jejím zpracování.

Obsah ÚVOD ............................................................................................................................. 11

CÍLE PRÁCE, METODY A POSTUPY ........................................................................ 12

1. TEORETICKÁ VÝCHODISKA ............................................................................. 13

1.1 Úvod do komoditních trhů ............................................................................... 13

1.1.1 Komoditní burzy ....................................................................................... 13

1.1.2 Rozdělení komodit .................................................................................... 14

1.2 Typy analýz ...................................................................................................... 14

1.2.1 Fundamentální analýza ............................................................................. 14

1.2.2 Psychologická analýza .............................................................................. 15

1.2.3 Technická analýza ..................................................................................... 16

1.3 Typy obchodování ............................................................................................ 16

1.3.1 Poziční obchodování ................................................................................. 16

1.3.2 Intradenní obchodování ............................................................................ 16

1.4 Základní pojmy v obchodování ........................................................................ 17

1.4.1 Typy grafů ................................................................................................. 19

1.4.1.1 Svíčkový graf ..................................................................................... 19

1.4.1.2 Sloupcový graf ................................................................................... 20

1.4.1.3 Spojnicový graf ................................................................................. 21

1.5 Automatické obchodní systémy ....................................................................... 21

1.5.1 Typy obchodních platforem ...................................................................... 22

1.5.2 Výhody AOS ............................................................................................. 22

1.5.3 Nevýhody AOS ......................................................................................... 23

1.5.4 Backtest ..................................................................................................... 23

1.6 Money management v obchodování ................................................................ 24

1.7 Trading s využitím umělé inteligence .............................................................. 25

1.7.1 Neuronové sítě .......................................................................................... 25

1.7.2 Genetické algoritmy .................................................................................. 27

2. ANALÝZA PROBLÉMU ....................................................................................... 29

2.1 Aspekty komoditního trhu................................................................................ 29

2.2 Analýza trendu pomocí indikátorů ................................................................... 29

2.2.1 Trendové indikátory .................................................................................. 30

2.2.1.1 Klouzavé průměry ............................................................................. 30

2.2.2 Oscilátory .................................................................................................. 32

2.2.2.1 MACD ............................................................................................... 32

2.2.2.2 RSI ..................................................................................................... 33

2.2.2.3 Accelerator oscillator (AC) ............................................................... 35

3. VLASTNÍ NÁVRH ŘEŠENÍ .................................................................................. 37

3.1 Výběr platformy ............................................................................................... 37

3.2 Výběr obchodního instrumentu ........................................................................ 37

3.3 Návrh a implementace obchodních strategií .................................................... 38

3.3.1 Strategie Aligátor ...................................................................................... 40

3.3.2 Aplikování AC indikátoru ........................................................................ 47

3.3.3 Aplikování MACD indikátoru .................................................................. 50

3.3.4 Strategie MACD/AC ................................................................................. 53

3.3.4.1 První optimalizace ............................................................................. 55

3.3.4.2 Druhá optimalizace ............................................................................ 56

3.4 Souhrn výsledků ............................................................................................... 59

4. ZÁVĚR .................................................................................................................... 60

SEZNAM POUŽITÉ LITERATURY ............................................................................ 61

SEZNAM OBRÁZKŮ .................................................................................................... 64

SEZNAM TABULEK .................................................................................................... 65

SEZNAM PŘÍLOH ......................................................................................................... 66

Strategie č. 1 ................................................................................................................ 67

Strategie č. 2 ................................................................................................................ 68

Strategie č. 3 ................................................................................................................ 69

Strategie č. 4 ................................................................................................................ 70

11

ÚVOD

Každý člověk se zajisté dostal do styku s obchodováním ať už v jakékoliv podobě. Tato

činnost má vždy stejný účel. Zisk! A to v ideálním případě na obou stranách obchodu.

Jedna strana získá zboží nebo službu a druhá finanční či jinou odměnu. Samotné obcho-

dování nese základy od pradávna. V dnešní době se začíná „tak říkajíc“ obchodovat

téměř s čímkoliv a za cokoliv.

Tato diplomová práce se však bude zabývat pouze burzovní formou obchodu. Mnoho

lidí jistě slyšelo o vyhlášeném Wall Street a úspěšných investorech a spekulantech.

Každý z těchto investorů musel nějak začínat a všichni měli něco společného. Nápad,

odvahu riskovat, ale také vědět, kde jsou jejich limity. Bez těchto vlastností by mohl

obchodník skončit, tak rychle, jako přišel.

Obchodování na burzách se již nemusí nutně provádět přímo fyzicky na burzách, ale je

možné uzavírat obchody na dálku. Takový vzdálený přístup k trhu otevírá mnoho mož-

ností. Obchodník může vstupovat na trh, nakupovat a prodávat téměř ve zlomku vteřiny.

S vývojem informačních technologií se tento fakt nezůstal nepovšimnut a s postupem

času se začaly objevovat první příkazy, které okamžitě provedly definované pokyny

na trhu.

Jedním z příkladů jsou automatické obchodní systémy, které za pomocí algoritmů doká-

žou vstupovat na trh a provádět příkazy samy. Podstatnou výhodou obchodních systémů

oproti běžnému obchodování je okamžitá reakce na změny cen a striktní dodržování

pravidel. Obchodník také samozřejmě dodržuje daná pravidla strategie, ale je to právě

lidský faktor, který může kvůli emocím uzavírat příkazy předčasně, či je otevírat v ne-

vhodných momentech, pouze na základě klamné domněnky.

12

CÍLE PRÁCE, METODY A POSTUPY

Cílem této práce je analýza trhu na komoditních burzách a na základě těchto poznatků

vytvořit optimální strategii v obchodování s komoditami. Tato vybraná strategie bude

následně implementována jako automatický obchodní systém, jenž bude ověřen jak

na historických datech, tak na datech reálných.

Hlavní cíl

Hlavní cíl, který má tato diplomová práce splnit je navržení obchodního systému, který

bude navržen na základě technické analýzy. Systém se bude zaměřovat na jednu kon-

krétní obchodovanou komoditu.

Dílčí cíle

Dílčí cíle budou spočívat ve zhodnocení navržených strategií na základě preferovaných

parametrů:

- Profitabilita

- Minimální průběžná ztrátovost

- Počet obchodů za dané období

- Stabilita obchodování

Metody a postupy

Vlastní návrh řešení a implementace jednotlivých strategií budou založeny na analýze

dané problematiky. Bude také dodržován pracovní postup práce při tvorbě automatické-

ho obchodního systému. Hlavním nástrojem pro tvorbu programové části bude Meta-

Trader 4 a jeho vnořený jazyk MQL4.

13

1. TEORETICKÁ VÝCHODISKA

V této kapitole se pojednává o základních teoretických podkladech, ze kterých autor

čerpal při vypracování analytické a praktické části. Definují se zde základní informace

o komoditních trzích a systému automatizovaného obchodování. Je zde také popsána

základní terminologie z finančního obchodování, která se bude následně používat

v analytické části a ve vlastních návrzích na řešení.

1.1 Úvod do komoditních trhů

Komoditní burza (Commodity Exchange) je vysoce organizovaný a regulovaný trh, kde

se nakupují a prodávají různá podkladová aktiva (převážně komodity) prostřednictvím

futures kontraktů. Stejně jako na ostatních trzích, tak i na komoditních se setkávají dvě

strany a to prodávající a nakupující. Tyto strany pak mezi sebou uzavírají oboustrannou

dohodu, kde se nabídka (bid) a poptávka (ask) střetnou na určité ceně. Tato shoda se

nazývá spárování. [1]

1.1.1 Komoditní burzy

Tento typ burzy se zabývá obchody se surovinami, jinými slovy komoditami, jež se

obchodují v tzv. kontraktech. Každý kontrakt má předem určené množství, kolik bude

obsahovat komodit a za jakou cenu. Všechny uzavírané kontrakty se vypisují ke kon-

krétnímu datu, kdy si nakupující musí fyzicky vyzvednout zakoupenou komoditu. Vět-

šina obchodů se ale nedostává až do tohoto bodu, protože se obchodník snaží ještě před

danou lhůtou komodity zbavit. Jsou však situace, kdy si podniky běžně nakupují suro-

viny právě přes komoditní burzy. Další důležitou informací je, že obchody s kontrakty

se ukončují jeden až dva pracovní dny před datem vypršení kontraktu. Je potřeba si pro-

to pečlivě hlídat tyto data, protože by mohlo dojít k nemalému problému, kdy si ob-

chodník musí převzít například 1000 barelů ropy. Některé komodity jsou vypisovány

na konkrétní měsíce, tzn. že se i měsíčně obchodují. V jiných případech se komodity

mohou vypisovat kvartálně atd. Nyní bude představeno základní členění komodit do

skupin s konkrétními příklady. [20]

14

1.1.2 Rozdělení komodit

• Energie: Ropa, topný olej, plyn, atd.

• Obiloviny: Kukuřice, sójové boby, atd.

• Kovy: Měď, stříbro, zlato, atd.

• Měkké: Cukr, káva, bavlna, atd.

• Finanční: Bondy, swapy, atd.

• Maso: Hovězí, vepřové, jehněčí, atd.

• Indexy: Kontrakty S&P, Russell a dalších světových indexů

1.2 Typy analýz

Obchodník vstupující na trh má možnost se rozhodnout, jakým způsobem chce směřo-

vat svoji obchodní strategii a jaké zdroje k tomu využije. V následujících dvou podkapi-

tolách budou představeny základní dva typy analýz.

1.2.1 Fundamentální analýza

Obchodování za pomocí fundamentální analýzy je asi neznámější formou, kterou větši-

na veřejnosti zná. Je založena na základě ekonomických, politických, statistických ve-

řejně dostupných informací, pomocí kterých se obchodník dále rozhoduje. Tyto infor-

mace jsou sumarizovány např. na webových portálech či invenčních magazínech. Ob-

chodník, využívající fundamentální analýzu trhu, se z většiny případů řídí makroeko-

nomickými ukazateli jako je inflace, nezaměstnanost nebo tempo růstu úrokových sazeb

jednotlivých zemí. Tyto ukazatele obchodník dále analyzuje a snaží se predikovat další

vývoj trhu. [20]

Hlavním problémem fundamentální analýzy je čerstvost informací. Jelikož publikované

zprávy, které ovlivňující cenu, jsou již na trhu zohledněny. Aktuální zprávy, jenž mo-

hou trh ovlivňovat se označují jako ekonomické kalendáře. Ty jsou dostupné na webo-

vých portálech např. www.markets.com viz Obrázek č. 1. Zprávy je možné si odfiltrovat

dle jednotlivých zemí, či podle důležitosti zpráv. Přečtení informací však úspěch při

15

obchodu nikterak nezaručí, proto je při analýze důležitým faktorem vlastní zhodnocení

situace a individuální rozhodnutí. [20]

Obrázek 1: Ekonomický kalendář využívaný ve fundamentální analýze (Zdroj: http://www.markets.com/cz/news/economic-calendar.html)

1.2.2 Psychologická analýza

Tento způsob obchodování je založen na premise, že trh je ovlivňován davovou psycho-

logií. Jinými slovy, pokud se trh začne výrazně ubírat rostoucím nebo klesajícím smě-

rem, tak se obchodníci rozhodnou tento směr následovat. Ovšem i při této analýze je

nejprve potřeba rozhodnout, jaký trh chce obchodník analyzovat a na něj se podrobněji

zaměřit. Další částí je zvolení sledovaného časového rámce. Je jasné, že sledování mi-

nutového grafu nebude tak efektivní jako sledování většího časového rámce. [24]

Jednou ze základních otázek této analýzy je, jak moc může změna ceny ovlivnit ostatní

obchodníky (trh)? Tuto otázku si však můžeme klást v případech, že obchodníci se bu-

dou chovat racionálně. Výjimka však potvrzuje pravidlo, protože i zde se objevují je-

dinci, kteří jdou proti davu. Takoví jedinci pak mohou mnohdy vyvolat davovou psy-

chózu a strhnout tak dav ke svému prospěchu. [13]

16

1.2.3 Technická analýza

Technická analýza vychází z předpokladu, že ceny se částečně odvíjejí od historických

dat, pomocí kterých se dá predikovat následný pohyb trhu. Zaměřuje se zde především

na zkoumání grafu daného trhu. V analyzovaných grafech se pak obchodník snaží najít

spojitosti a identifikovat tak trend či vzor, který se po určité době vždy opakuje.

Pro identifikaci obchodníci využívají technické indikátory, které pomáhají trend odhalit.

Nejsou zde primárně hledány vhodné investice dle atraktivnosti, ale hledá se zde vhod-

ný okamžik pro nákup, či prodej podle přesně stanovených podmínek.

Tento druh obchodování je často označován jako časově úspornější varianta, protože

obchodník nemusí trávit tolik času podrobným studováním informací o dění ve světě,

ale „pouze“ se zaměřuje na samotný graf.

Technická analýza bývá mnohdy částečně doplňována fundamentální analýzou.

V současné době se tato technika stala mnohem zajímavější díky možnosti využití au-

tomatizovaných obchodních systémů viz kapitola 1.5. [17]

1.3 Typy obchodování

Vzhledem k tomu, že tato diplomová práce se bude zabývat převážně technickou analý-

zou, tak je třeba ještě definovat typy obchodování členěná podle času.

1.3.1 Poziční obchodování

Poziční obchodování neboli dlouhodobé obchodování je takové, kdy obchodník drží

pozici na trhu po dobu delší než jeden den. Například pokud obchodník nakoupí/prodá

zlato a komoditu neprodá/nakoupí dříve jak za den. Velkou výhodou pozičního obcho-

dování je časová prodleva pro analýzu trhu před uzavření obchodu. Naproti tomu je

s tím také spjat větší margin a méně příležitostí k uzavření obchodu. [5]

1.3.2 Intradenní obchodování

Jak je již z názvu patrné, tak pozice se v intradenním obchodování uzavírají v rámci

jednoho dne. Tento způsob obchodu se však většinou neobejde bez AOS, protože je zde

potřeba rychlého a pohotového uzavření obchodu. Hlavní rozdíl oproti pozičnímu ob-

chodování je v nižších profitech, ale současně v nižších marginech. [5]

17

1.4 Základní pojmy v obchodování

V této kapitole budou vysvětleny základní pojmy, které jsou potřebné zmínit pro orien-

taci v této diplomové práci.

Stop-loss

Je pojistka proti nepříznivému obchodu. Jedná se o předem definovanou ztrátu, či krajní

hranici, při které se obchodník dobrovolně smíří s menší ztrátou zisku. Bez použití stop-

lossu mohou být tyto ztráty na zisku velmi vysoké. Nevýhodou používání stop-lossu je,

že postupně ukrajuje malé části kapitálu. [21]

Take-profit

Lze říci, že take-profit je opakem stop-lossu. Pokud obchodník však využívá stop-loss,

tak je smířen s menší mírou ztráty. U take-profitu je zase smířen s menším, ale zato jis-

tějším ziskem. Tento nástroj je určen jako pojistka zisku proti nenasytnosti obchodníků.

Existují dva druhy take-profitu, fixní a posuvný. Fixní je jednou definovaný a už jej

nelze měnit. Variabilní je ale možné při změnách situací na trhu posunout.

Z praktického hlediska funguje take-profit jako hranice, která když je proražena, tak se

daný obchod uzavře. Obchodník tak inkasuje předem stanovený zisk. [21]

FND

FND neboli first notice day určuje den upozornění, kdy se po uzavření kontraktu bude-

me muset zbavit nakoupené komodity. V případě, že se tak nestane, budeme muset fy-

zicky převzít zakoupenou komoditu v plné výši. [23]

LTD

Last notice trading značí absolutně poslední den, kdy bude možné daný kontrakt prodat

někomu jinému, a tím se zbavit závazku fyzického převzetí komodity v plném rozsahu.

[23]

18

Spread

Jedná se o rozdíl mezi hladinou nabídky (ASK) a poptávky (BID). [21]

Short pozice

Tento pojem je používán v případech, kdy obchodník spekuluje na pokles ceny finanč-

ního instrumentu. Když bude příkaz k prodeji zadán a cena klesne, tak je možné instru-

ment zpětně odkoupit (uzavřít pozici) a profitovat z rozdílu cen. [23]

Long pozice

Long pozice značí situaci, kdy se otevírá pozice na trhu za předpokladu, že bude ob-

chodník spekulovat na růst ceny. [23]

Swing

Tento pojem vznikl kontinuálním sledováním grafu. Z průběhu grafu lze pozorovat jisté

nuance, které tvoří tzv. vlnky. Swingy budou více využívány v kapitole 3., kde se budou

využívat tvary vznikající na grafu. [21]

Margin

Tento pojem znamená vratnou zálohu, která je užita pro ovládání kontraktu. Tento fi-

nanční obnos je zablokován na účtu obchodníka, který zaručuje brokerovi, že je ob-

chodník schopen pokrýt své závazky v období kontroly kontraktu. [21]

Pákový efekt

Jedná se o mechanismus, díky kterému je možné s komoditami efektivněji obchodovat.

Pomocí pákového efektu může obchodník držet objem komodit (akcií atd.) za mnohem

menší část skutečné ceny. S využitím tohoto efektu může obchodník profitovat, i když

se trh minimálně pohne. [23]

Backtest

Jedná se o testování AOS na historických datech. Při tomto procesu je třeba vzít dosta-

tečné množství historických dat. Lze backtestování rozdělit na ruční a automatizované.

Ručním backtestováním si obchodník manuálně otestuje svoji strategii, jako by se jed-

19

nalo o data reálného času. V případě automatizovaného backtestu se obchodní strategie

transformuje do vzorce, který se otestuje pomocí softwaru s uloženými historickými

daty. Vzorce mnohdy využívají příkazů take-profit či stop-loss atd. [21]

1.4.1 Typy grafů

Aby bylo možné provádět fundamentální, ale především technickou analýzu, tak je tře-

ba si nejprve zmínit fakta o práci s grafy. V této části budou vysvětleny základní stavy,

které mohou v grafu nastat, viz obrázek 2. Budou zde také představeny tři typy nejčastě-

ji využívaných grafů a to svíčkový, sloupcový a spojnicový. Každý z těchto grafů zná-

zorňuje vývoj ceny v daném čase na konkrétním trhu.

Open - Otevírací cena. Počáteční cena v daném časovém intervalu.

Close - Uzavírací cena. Cena, která byla dosažena jako poslední v časovém intervalu.

High - Nejnižší cena v daném časovém intervalu.

Low - Nejvyšší cena v daném časovém intervalu.

Obrázek 2: Stavy grafu (Zdroj: http://easyinvest.cz/wp-content/uploads/2012/04/OHCL.jpg)

1.4.1.1 Svíčkový graf

Svíčkový graf je spolu se sloupcovým grafem nejvíce využívanou formou zobrazení

pohybu cen na trhu. Jedná se o naprosto stejné zobrazení dat, ovšem jinou formou tzv.

svíčkami. High a low stavy se zobrazují stejně jako u sloupcového grafu, ovšem open

a close jsou zde znatelně rozdílné. Toto zobrazení bývá většinou na první pohled lépe

čitelné, protože je zde mnohdy barevné odlišení, na které oko lépe reaguje. Konkrétně

20

v případu grafického nastavení na obrázku 3 je vidět, že pokud open je menší jako clo-

se, tak má svíčka bílou modrou. V opačném případě má svíčka barvu červenou.

Obrázek 3: Svíčkový graf (Zdroj: Vlastní – platforma MetaTrader)

1.4.1.2 Sloupcový graf

Tento typ grafu zobrazený na následujícím obrázku je využíván pro zobrazování vývoje

trhu. Je zde vidět rozpětí cen v jednotlivých dnech. Dále je možné si zde všimnout linie,

která zobrazuje vždy aktuální stav open pozice. [22]

Obrázek 4: Sloupcový graf (Zdroj: Vlastní – platforma MetaTrader)

21

1.4.1.3 Spojnicový graf

Tento typ grafu nezobrazuje high a low stavy, jako tomu bylo u svíčkového a sloupco-

vého grafu, ale pouze open a close. Například na obrázku 4. open pozice je zobrazena

na začátku každého tiku (začátek čtverečku) a close na začátku dalšího tiku (konec čtve-

rečku).

Obrázek 5: Spojnicový graf

(Zdroj: Vlastní – platforma MetaTrader)

1.5 Automatické obchodní systémy

Automatické obchodní systémy (AOS) jsou programy, které umožňují na základě pře-

dem definovaných podmínek vstupovat a případně vystupovat z trhu. Není nutné tedy

několik minut nebo hodin čekat na potvrzení obchodního signálu a rozmýšlet, zdali ak-

tuální situace splňuje podmínky pro otevření obchodu, které si obchodník předem určil.

Pro tyto situace lze využít právě možnosti automatického obchodování. Pokud dokáže

obchodník přesně definovat podmínky pro otevření, úpravu a uzavření daného obchodu,

pak lze tato pravidla přenést do jednotlivých příkazů a program poté neustále vyhodno-

cuje aktuální situaci na trhu. V případě, že jsou dané podmínky splněny, program doká-

že automaticky vstoupit do trhu s přesně stanovenou velikostí pozice a úrovněmi stop-

22

loss a take-profit. Obchodník se tak může věnovat jiným činnostem, a pokud má tuto

strategii dostatečně otestovanou, může případně nechat pracovat automatický systém

zcela samostatně. [2]

1.5.1 Typy obchodních platforem

Na výběru obchodní platformy by mělo hrát významnou roli rozhodnutí, pro jaký trh se

obchodník rozhoduje. Ne každá platforma totiž poskytuje možnosti obchodů s forex,

futures či akciemi. Dalším významným aspektem je také výběr brokera. Broker totiž

často poskytuje své vlastní platformy, a proto je třeba zvolit platformu, na kterou je

možné připojit i jiné brokery. Na první pohled se to zdá jako drobnost, ale změna plat-

formy kvůli změně brokera může zabrat nějaký čas na učení s novým prostředím.

Platformu je třeba vybírat i pro její analytické funkce, jako jsou například různé typy

indikátorů, oscilátorů, grafů, pomocí kterých se dělají většina rozhodnutí v technické

analýze. Intradenní obchodování se zase neobejde bez možnosti naprogramování vlast-

ního kódu, pomocí kterého automatizujeme celý proces obchodu. Není to vždy zárukou

dlouhodobého zisku. Je třeba často do kódu zasahovat a optimalizovat ho. [20]

Příklady platforem:

• MetaTrader

• Plus500

• AmiBroker

• Sirix webtrader

1.5.2 Výhody AOS

Nejčastěji zmiňovanou výhodou automatizovaného obchodního systému je fakt, že pro-

gram, který za obchodníka provádí obchody, nemá žádné emoce. I když se to na první

pohled může zdát úsměvné, tak emoce obchodníka velmi významně ovlivňují rozhod-

nutí jeho obchodování. Pokud se obchodník dostane do stresu z předchozích neúspěchů,

tak je vysoká pravděpodobnost, že jeho další obchody neskončí příliš dobře. Další vý-

hodou je neúnavnost programu. Při intradenním obchodování se musí obchodník velmi

soustředit na své obchody. To je však možné efektivně zvládat 3-5 hodin nepřetržitě

23

a poté je třeba si dopřát krátkou pauzu. AOS však takový problém nemá. Program může

obchodovat libovolný počet hodin nepřetržitě a vždy odvede stejný výkon. Třetí a také

velmi zásadní výhodou automatického obchodního systému je rychlost analýzy situace

a provedení následných příkazů ve zlomku vteřiny. [6]

1.5.3 Nevýhody AOS

Vzhledem k tomu že AOS je samostatně běžící počítačový program, tak je nezbytné,

aby jeho chod nebyl nikterak narušen. V případě jakéhokoliv výpadku, ať už zdroje

napájení počítače nebo výpadku internetového připojení, mohou nastat naprosto zbyteč-

né ztráty na zisku. Další podstatná nevýhoda AOS nastává v okamžiku, kdy se trh začne

vyvíjet naprosto neočekávaně (v krátkém okamžiku vznikne razantní propad nebo nao-

pak extrémní růst ceny). Na takové situace by však měl být systém připraven nastave-

nými pravidly stop-loss pro minimalizaci ztrát. [6]

1.5.4 Backtest

Tímto pojmem se rozumí ověřování navrhnuté strategie na historických datech.

Backtesty obchodníci využívají jak pro manuální technickou analýzu, tak pro AOS.

Nezáleží, zda se obchodník pohybuje na trzích s akciemi, komoditami, či forexem.

Backtesty lze využívat na jakémkoliv trhu.

Než obchodník začne aplikovat svou strategii na reálném trhu, je vždy vhodné strategii

nejprve ověřit na historických datech. Výstupem této analýzy je ověření, že daná strate-

gie má potenciální praktické využití (či nevyužití) na reálných datech. Mimo jiné je

možné dozvědět se mnoho dalších statistických údajů, jako jsou počty úspěš-

ných/neúspěšných obchodů, největší dosažený zisk/ztráta, či ziskový faktor. Existuje

nepsané pravidlo, že pro správné testování by mělo být provedeno alespoň 100 kontrak-

tů. U backtestů, je však důležité si uvědomit, že ziskovost na datech historických neza-

ručuje ziskovost na datech budoucích. [21]

24

1.6 Money management v obchodování

Obchodníci, kteří provádí obchody za firmu (institucionální obchodníci) jsou obvykle

více úspěšní než soukromý obchodník, který není zavázán svému nadřízenému. Jestliže

institucionální obchodník ztratí více, než je jeho nastavený limit pro jeden obchod, je

propuštěn za porušení subordinace. Jestliže takový obchodník, jednající v zájmu institu-

ce překročí stanovený měsíční limit, jsou jeho obchodní privilegia pozastavena na zby-

tek měsíce, a pokud tento měsíční limit překročí několikrát za sebou, tak jej zaměstna-

vatel propustí. Tento systém dopomáhá tomu, aby takoví obchodníci minimalizovali

ztráty. Soukromý obchodník si na druhou stranu musí takovéto striktní pravidla vytvořit

sám a sám je taky respektovat. [24] Významný odborník ve světě obchodování Alexan-

der Elder tvrdí že: „Jestliže se zaměříme na řízení ztrát, zisky se o sebe postarají samy.“

(Alexander Elder 1993, s. 259)

Risk management

Za nejčastější důvody neúspěšných obchodů bývají označovány následující dvě skuteč-

nosti, nedostatečná informovanost a emoce. Přílišná sebedůvěra obchodníků začáteční-

ků je mnohdy láká k nenasytnosti a to může být příčina jejich bankrotu. Ti začátečníci,

kteří překonají počáteční stádium ignorance k zákonitostem trhu, se časem mohou zdo-

konalit a navrhnout lepší obchodní systém. Pomocí testů bylo prokázáno, že maximální

částka, kterou je možno ztratit při jedné transakci a zároveň nepoškodit dlouhodobou

prosperitu, odpovídá dvěma procentům z celkového jmění. Toto procento považuje vět-

šina profesionálů i tak za poměrně vysoké a přiklání se spíše ke skutečnosti neriskovat

více než jedno nebo jedno a půl procenta jejich majetku při jednom obchodu. Pravidlo

dvou procent pomáhá nastavit bezpečností hranici při více riskantních transakcích,

a proto by ho měl mít každý obchodník na paměti, i když je zlákáván vidinou větších

příjmů. Pakliže systém dává signál ke vstupu na trh, je dobré zkontrolovat, kam umístit

logický strop, jestliže by výrazněji překročil dvě procenta, je dobré takovému signálu

raději odolat a potlačit tak emoce. [24]

25

Reinvestování zisku

Reinvestování může změnit prosperující systém na prodělečný, ale žádná metoda rein-

vestování zisků nezmění prodělečný systém prosperující. Ponechávání výdělků na účtu

dovoluje více obchodních transakcí, a tím i rychlejší vydělání peněz. Neexistuje žádné

univerzální pravidlo pro rozdělení výdělků mezi reinvestování a osobní použití. Správné

rozdělení závisí vždy na konkrétní osobě a její schopností upřednostnit racionalitu před

emocemi. Čelí-li obchodník ztrátě, je to emociálně těžké, ale realizování zisku ve

správný moment je ještě těžší. [24]

Money management je také možno brát z pohledu, kdy neřídíme pouze maximální výši

ztrát a míru realizace zisku, ale také je možno se zaobírat objemem obchodů. Pokud se

obchodník dostane do situace, že vidí jasný trend, na kterém může profitovat, tak v ta-

kovém případě nemusí realizovat pouze jeden obchod, ale je možné realizovat obchodů

více (tzv. dořeďování). [19]

1.7 Trading s využitím umělé inteligence

V této kapitole budou popsány systémy umělé inteligence, které jsou často používanými

nástroji při testování AOS. Algoritmy se využívají nejvíce při optimalizaci parametrů.

Pomocí těchto metod je možné z miliardových kombinací vyselektovat 10 000 nejopti-

málnějších vzorků.

1.7.1 Neuronové sítě

Termínem neuronová síť je v oblasti umělé inteligence označován systém vzájemně

spojených jednoduchých výpočetních jednotek (tzv. neuronů), který je inspirován stav-

bou nervových soustav u biologických organismů. Základní stavebním prvkem neuro-

nových sítí je tedy neuron. Ten je možné popsat jako výpočetní jednotku mající n vstu-

pů a jeden výstup a realizující předem určenou matematickou funkci. Prvním a nejzá-

kladnějším (avšak dodnes používaným) modelem neuronu je perceptron. [25]

Architektura neuronové sítě

Jak již bylo výše zmíněno, neuron samotný má velmi omezené schopnosti a lze jej tak

využít pouze pro nejjednodušší úlohy. Za účelem řešení netriviálních úloh je ovšem

26

nutné neurony vhodně spojovat do větších uskupení – neuronových sítí. Počet neuronů

v síti společně se způsobem, jímž jsou mezi sebou neurony navzájem propojeny (topo-

logie sítě) souhrnně označujeme jako architekturu neuronové sítě. Jak je možno vidět

na obrázku č. 6, architekturu neuronové sítě lze vyjádřit grafem, jehož uzly znázorňují

jednotlivé neurony a orientované hrany potom spoje mezi nimi. Obrázek dále dobře

zachycuje i dělení neuronů podle funkce – na neurony vstupní, neurony pracovní (či

skryté) a neurony výstupní. [26] [27]

Činnost neuronové sítě

Oproti činnosti tradičních počítačových systémů je zde významný rozdíl – nepracuje se

podle předem daného algoritmu. Místo postupného zpracování informací dle algoritmu

zde probíhá zároveň spousta dílčích operací. Základním mechanismem, který je využí-

ván pro řešení úloh, je učení neuronové sítě (adaptace pro řešení daného typu úlohy).

Díky tomu nacházejí neuronové sítě uplatnění zejména při řešení složitých (a tedy algo-

ritmicky těžko popsatelných) úloh. Zde nachází využití i jedna z největších výhod neu-

ronových sítí, jíž je zachycení nelineárních vztahů. [25]

Činnost neuronové sítě je možno charakterizovat jako transformaci dat reprezentova-

ných vstupním vektorem (ten je předložen na vstupní neurony sítě) na data výstupní (k

dispozici na výstupních neuronech sítě). Činnost neuronové sítě lze rozdělit do dvou

pracovních fází [25]:

1) fáze adaptivní (učení se)

2) fáze aktivní (vybavování)

Typicky se neuronové sítě využívají v predikci, optimalizaci, klasifikaci (rozpoznává-

ní). V souvislosti s tématem práce lze neuronové sítě využívat pro predikci kurzového

vývoje.

V tomto případě jde o tř

neurony v první skryté vrstv

[25]

1.7.2 Genetické algoritmy

Pro úlohy, jejichž přesné ř

trvalo příliš dlouho, se obvykle používají genetické

řešení těchto problémů. Př

probíhajících v přírodě a stojí tak zejména na poznatcích G. Mendela, které dále rozv

nul Ch. Darwin. [14]

Podle Darwinovy evoluč

kteří jsou pro život v tomto prost

navzájem kříží, kombinují se jejich vlastnosti a v

celého živočišného druhu stává siln

nem teorie genetických algoritm

vlastnosti doposud nejlepších dosažených

tzv. genetické operátory, z

je emulována náhodnost, kterou v

27

Obrázek 6: Architektura neuronové sítě (Zdroj: Umělá intelligence [25])

ě jde o třívrstvou dopřednou perceptronovou síť se tř

první skryté vrstvě, třemi neurony ve druhé skryté vrstvě

Genetické algoritmy

řesné řešení by systematickým prohledáváním stavového prostoru

íliš dlouho, se obvykle používají genetické algoritmy, které umož

ů. Přístup genetických algoritmů vychází z genetických proces

ř ě a stojí tak zejména na poznatcích G. Mendela, které dále rozv

Darwinovy evoluční teorie se v přirozeném prostředí prosazují nejlépe ti jedinci,

tomto prostředí nejlépe geneticky vybaveni. Pokud se tito jedinci

kombinují se jejich vlastnosti a v ideálním případě se tak další generace

išného druhu stává silnější. Právě tato myšlenka je potom stavebním kam

nem teorie genetických algoritmů, které postupují tak, že podle určitého klí

i doposud nejlepších dosažených řešení problému. Za tímto ú

tzv. genetické operátory, z nichž nejznámějšími jsou: selekce, křížení a mutace (skrze ni

je emulována náhodnost, kterou v přírodě reprezentuje genetická mutace).

ť se třemi vstupy, čtyřmi

emi neurony ve druhé skryté vrstvě a dvěma výstupy.

ešení by systematickým prohledáváním stavového prostoru

algoritmy, které umožňují elegantní

genetických procesů

a stojí tak zejména na poznatcích G. Mendela, které dále rozvi-

edí prosazují nejlépe ti jedinci,

edí nejlépe geneticky vybaveni. Pokud se tito jedinci

ř ě se tak další generace

tato myšlenka je potom stavebním kame-

čitého klíče kombinují

ešení problému. Za tímto účelem využívá

řížení a mutace (skrze ni

reprezentuje genetická mutace). [14]

28

Klasický průběh genetického algoritmu lze popsat následovně [14] :

1. Inicializace – je vytvořena populace o předem daném počtu jedinců

2. Ohodnocení všech jedinců v populaci (fitness funkce)

3. Vytvoření nových jedinců (skrze použití genových operátorů)

4. Odstranění starých jedinců z populace.

5. Ohodnocení nových jedinců a jejich přidání do populace

6. Rozhodnutí, zda byla splněna ukončující podmínka, pokud ano, je vybrán jedi-

nec (řešení) s nejvyšším hodnocením, pokud ne, výpočet pokračuje krokem 3.

Jak již bylo zmíněno výše, genetické algoritmy se hodí pro problémy, pro něž klasické

analytické metody selhávají, zejména pak pro NP-úplné problémy. Typickými oblastmi

aplikace genetických algoritmů jsou [14][25] :

• řízení a plánování

• dolování dat (data mining)

• strojové učení a umělá inteligence

• optimalizace nastavení AOS

29

2. ANALÝZA PROBLÉMU

2.1 Aspekty komoditního trhu

Výhody

Hlavní výhodou komodit je jejich vysoká míra likvidity. Mezi další výhody komodit

patří i jejich schopnost zajištění proti inflaci. Jejich výnosová míra v situaci růstu cen

obecně roste a chrání tak hodnotu investice. I poptávka po komoditách stále roste. Vyu-

žití obchodování s komoditami může být dobrým nástrojem pro diverzifikaci portfolia.

Nejde ani přehlédnou fakt, že na komoditách se odehrává až čtvrtina světového obcho-

du. [12]

Nevýhody:

Pokud bychom srovnávali komoditní trh například s akciovým trhem, tak bychom mohli

říci, že nevýhodou komoditního trhu je skutečnost, že oproti akciím nenesou nakoupené

komodity žádný pravidelný zisk v podobě výplaty dividend, ale pouze kapitálový vý-

nos. [12]

2.2 Analýza trendu pomocí indikátorů

Indikátory jsou stavebním kamenem každého obchodníka, který se věnuje technické

analýze. Lze je přesně matematicky vyjádřit, jak bude dále popsáno v následují-

cích podkapitolách. Využitím jednotlivých indikátorů lze identifikovat trendy v grafech

a částečně predikovat budoucí vývoj trhu. Je možné tyto indikátory mezi sebou kombi-

novat a dosáhnout tak lepších výsledků. Následně na to se zhodnocuje situace a určí se,

zda je trh dostatečně nasycen a lze očekávat pokles ceny (short) nebo naopak je trh ne-

nasycen a je možno spekulovat na růst cen (long). Důležitým předpokladem pro využí-

vání indikátorů je vhodný výběr trhu. Je totiž známo, že jednotlivé trhy mají různou

volatilitu, a proto je třeba brát v potaz typ trhu při výběru indikátorů. Při obchodování

pomocí technické analýzy musí obchodník dodržovat i tzv. time frame, pomocí kterého

mohou být zobrazeny jednotlivé tiky po 1min, 5min, 15min atd. [24]

30

Indikátory je možno rozřadit podle jejich cen v čase, ale také podle velikosti objemu.

Rozdělení je tedy následující [24]:

• Cenové indikátory

• Cenově objemové indikátory

2.2.1 Trendové indikátory

Trendové indikátory jsou využívány, jak již název napovídá, pro odhalení trendů

v grafu. U tohoto typu indikátorů je možné nastavit tzv. shift, který znázorňuje opoždění

nebo naopak předcházení hodnoty indikátoru od reálné situace. Nejlepší využití

pro trendové ukazatele jsou na likvidních trendujících trzích, kde naměřené hodnoty

mají vyšší vypovídající hodnotu. Hlavními představiteli tohoto typu ukazatelů jsou

klouzavé průměry, Average Directional Movement Index aj.

2.2.1.1 Klouzavé průměry

Tento typ indikátorů je možno zařadit mezi jedny z nejvýznamnějších ukazatelů tech-

nické analýzy. Jejich základní funkčností je zobrazení vyhlazeného průběhu trendových

trhů. Naopak jejich slabou stránkou je časové zpoždění vůči aktuálním hodnotám. Míra

zpoždění se však odvíjí od délky použitých klouzavých průměrů. Použití delších

klouzavých průměrů se využívá k určení, zda se jedná o trh býčí (rostoucí) nebo med-

vědí (klesající). Na druhou stranu pro analýzu postranních trhů je vhodnější využít

klouzavé průměry s kratším rozpětím. Proto se mnohdy nevyužívá pouze jeden typ

klouzavých průměrů, ale kombinace různých typů s různou periodou. Klouzavých prů-

měrů existuje větší množství, ale v technické analýze jsou však nejpoužívanější násle-

dující. [17]

Jednoduchý klouzavý průměr

Nazývaný také jako SMA (Simple Moving Average). Jedná se o nejpoužívanější typ

z kategorie klouzavých průměrů. [7]

31

��� = (�� + �+ . . . +��)�

kde P – cena, ze které je vypočten průměr, n – perioda klouzavého průměru

Ze vzorce vyplývá, že čím větší bude n, tím hladší bude křivka. Na následujícím obráz-

ku je vidět, že klouzavý průměr (zelený) s periodou 20 opisuje dlouhodobý vývoj trhu

a oproti tomu (žlutý) klouzavý průměr s periodou 5 kopíruje reálný vývoj cen.

Obrázek 7: Jednoduché klouzavé průměry s periodou SMA5 a SMA20 (Zdroj: Vlastní – platforma MetaTrader)

Exponenciální klouzavý průměr

Je dalším často užívaným typem klouzavých průměrů často označován jako EMA (Ex-

ponential Moving Average). Spadá do kategorie vážených klouzavých průměrů, kde

jeho váhy nejsou rozděleny lineárně, jako tomu bylo u SMA, ale exponenciálně.

To znamená, že největší význam klade na nejstarší hladiny cen daného trhu. [7]

32

��� = ��� ∗ 2(� + 1)� + ����� ∗ �1 − 2

� + 1��

kde P – cena ze které je vypočten průměr, n – perioda klouzavého průměru

Vyhlazený klouzavý průměr

Tento indikátor je využíván pro zobrazení jemnějšího průběhu cen. První hodnota

je počítána metodou SMA. Další hodnoty jsou však dále počítány následovně. [8]

����� = �(������� ∗ �) − ������� + ��������

kde

SMMAi-1 – vypočítaný předchozí prvek metodou SMMA,

CLOSEi – aktuální zavírací cena,

n - perioda klouzavého průměru

2.2.2 Oscilátory

Oscilátory využívají obchodníci pro identifikaci bodu zvratu ve zvoleném časovém ob-

dobí. Lze říci, že oscilátory jsou svojí využitelností opakem trendových indikátorů. Je-

jich hlavní využití je na netrendových trzích. Mezi hlavní zástupce oscilátorových indi-

kátorů patří MACD, Ralative Strength Index, Stochastic, Commodity Channel Index

nebo Accelerator Oscilator. [24]

2.2.2.1 MACD

Ukazatel (Moving Average Convergence/Divergence) patří mezi nejvýznamnější zá-

stupce ze skupiny oscilátorů. Někteří obchodníci ho dokonce považují za nejspolehli-

vější indikátor technické analýzy. Jeho výpočet můžeme provést odečtením dlouhodo-

bého indikátoru EMA26 od krátkodobého EMA12. Bod, kolem kterého tyto indikátory

oscilují, je nazýván nulovou linií. Tato linie vyjadřuje klouzavý průměr EMA9. Na ná-

33

sledujícím obrázku jde názorně vidět příklad, kdy indikátor odhalí vhodný signál

pro prodej. Tato situace je znázorněna žlutou čarou, kde se fialový histogram dostává

pod červený EMA9. Na tomto příkladu je taktéž vidět opačná situace, kde žlutá čára

indikující signál pro prodej končí a začíná modrá, která nabádá obchodníka k nákupu.

[9]

Obrázek 8: Ukazatel MACD (Zdroj: Vlastní – platforma MetaTrader)

2.2.2.2 RSI

Index relativní síly (angl. Relative Strenght Index) byl vyvinut obchodníkem J. Wel-

lesem Willderem. Tento oscilátor indikuje přeprodanost nebo překoupenost na daném

trhu. Jeho hodnoty se pohybují v intervalu <0;100>. Tento interval je dále rozdělen, dle

doporučení dvěma hranicemi na hodnotách 70 a 30. Často se ale také využívají méně

striktní hranice 60 a 40. Signál se většinou pohybuje mezi těmito limity. Pokud ale pře-

34

koná např. horní hranici 70, tak indikátor signalizuje, že je trh přesycen a nastává příle-

žitost pro příkaz k prodeji. Takový příkaz se uzavírá v okamžiku, kdy je překonána

spodní hranice pod hodnotou 30.

Obrázek 9: Ukazatel RSI (Zdroj: Vlastní – platforma MetaTrader)

Na výše uvedeném obrázku je vidět typická situace pro nákup a prodej. Žlutá čára sig-

nalizuje rozmezí od proražení horní hranice RSI 70, kde byl proveden pokyn k prodeji

a jeho ukončení bylo uskutečněno pod hranicí 30 na hodnotě 28. Průběh od pokynu

k prodeji je znázorněn modrou čarou, kde dosaženo proražení spodní linie na hodnotě

34 a opět ukončeno v momentě překonání horní hranice.

�� = 100 − 1001 + (��)

�� = "#$č&' ()*+�ý-ℎ -&�#/ý-ℎ 01ě� 0* #3+#3í �"#$č&' 0á6#7�ý-ℎ -&�#/ý-ℎ 01ě� 0* #3+#3í �

35

2.2.2.3 Accelerator oscillator (AC)

Tento typ oscilátoru byl navržen úspěšným obchodníkem Billem Williamsem. Jeho vy-

užitím lze zjistit zrychlování a zpomalování pohybové síly trhu. Indikátor staví na myš-

lence, že před změnami směru trendu se snižuje intenzita síly cen. [10]

�� = ���(1&+8*� 678-&, 5) − ���(1&+8*� 678-&, 34) �� = �� − ���(��, 5)

kde

SMA – Simple Moving Average, AO – Awesome Oscillator

Obrázek 10: Accelator Oscillator – agresivnější strategie (Zdroj: Vlastní – platforma MetaTrader)

Na výše znázorněném obrázku lze spatřit jedno z možných použití indikátoru AC.

Ve spodní polovině grafu je vykreslen histogram, který zelenými čarami zobrazuje ros-

toucí trend a také naopak klesající trend, který je zobrazen červenými svislými čarami.

Tento způsob spekulace využívá oscilovaných hodnot jak pod nulovou linií, tak i hod-

36

not nad linií. Obchodování touto strategií může být v některých případech rizikovější,

avšak riziko je mnohdy kompenzováno dostatečně vysokým finančním zhodnocením.

[10]

Následující obrázek představuje jiné využití oscilátoru Accelerator. Jedná se o umírně-

nější využití, kde se preferuje nižší rizikovost. Aby byly misky vah správně vyváženy,

tak s nižším rizikem se musí opět pojit nižší zisk. Strategie využívá trend (barvu červe-

nou nebo zelenou) oscilátoru umístěny pouze nad nebo pod nulovou linií. Vhodnější

uplatnění však nachází jako pomocný, či kontrolní indikátor, spojený s jiným indikáto-

rem. [10]

Obrázek 11: Accelator Oscillator – umírněná strategie (Zdroj: Vlastní – platforma MetaTrader)

37

3. VLASTNÍ NÁVRH ŘEŠENÍ

V této kapitole bude na základě teoretických poznatků a analýzy problému představen

a zhodnocen vlastní návrh automatizovaného obchodního systému. Jelikož je investice

do trhu s komoditami poměrně riziková, tak je třeba stanovit jednoznačná pravidla mo-

ney managementu. Jednotlivé strategie, budou v následujících kapitolách podrobněji

popsány. Každá musí mít předem stanovené limity definované money managementem.

Další rozhodnutí bude ve výběru obchodované komodity a časového rámce.

3.1 Výběr platformy

Pro vytvoření obchodního systému byl vybrán program MetaTrader 4 (MT4). Tento

program disponuje programovacím jazykem MQL4 (vycházejícího z jazyka C), který

bude použit pro své efektivnější již implementované funkce pro zadávání pokynů k ná-

kupu, či prodeji na trhu. Z funkcí budou také využity a částečně upraveny některé indi-

kátory. Další podstatnou výhodou platformy MT4 je funkce optimalizace, jenž využívá

neuronových sítí a genetických algoritmů popsaných v teoretické části práce. Přesný

manuál pro jednotlivé funkce je k dispozici na oficiálních stránkách s podporou

na www.mql4.com.

Nezbytnou součástí platformy musí být také nástroje pro ověření správnosti strategie

AOS. Importováním historických dat je následně možné simulovat chování trhu v minu-

losti. Testování jak na historických datech trhu, tak i na reálném trhu bude prováděno

z tzv. demo účtu, který umožňuje disponovat fiktivními 100 000$. Tento účet byl vytvo-

řen u brokerské společnosti na stránkách www.markets.com. K přesnějším výsledkům

byla stažena historická data z webu www.histdata.com.

3.2 Výběr obchodního instrumentu

Nedílnou částí AOS je i vhodný výběr obchodního instrumentu. Trh s komoditami je

příliš rozsáhlý na to, aby se každá strategie přizpůsobila každému instrumentu. Z toho

důvodu je tato práce zaměřena pouze na energetické komodity. Hlavní zástupci energe-

tických komodit jsou ropa, zemní plyn a topný olej.

38

Tabulka 1: Likvidita a volatilita vybraných energetických komodit (Zdroj: http://trhy.mesec.cz/clanky/co-a-kde-obchodovat-obchodni-instrumenty-burzy-a-trhy/)

Název instrumentu Likvidita (kontrakt ů/den) Volatilita (pr ůměrná hodnota v $)

Ropa 150 000 1500

Plyn 80 000 1000

Topný olej 50 000 2000

Při výběru instrumentu je třeba dávat pozor na likviditu a volatilitu trhu. Dostatečně

likvidní trh je takový, ve kterém se obchodní příkazy provedou okamžitě po zadání.

Pokud ale trh není dostatečně likvidní, tak se může obchodníkovi stát, že zadá příkaz

nákup/prodej a pokyn se provede až v době, kdy bude cena odlišná od ceny v době za-

dání příkazu, což může způsobit neočekávanou ztrátu na zisku. Volatilita trhu zase zna-

čí míru výkyvů cenové hladiny za určité časové období. Pokud by byl trh málo volatilní,

tak by se obchodníkovi nenaskytovalo dostatečné množství příležitostí ke spekulaci.

Na základě srovnání rozdílů obchodovaných komodit viz tabulka č.1 bylo rozhodnuto,

že optimálním instrumentem pro testování strategie AOS bude ropa. Její likvidita je

ve srovnání se zemním plynem téměř dvojnásobná. Pokud se rozhodne, že strategie do-

sahují dostatečné profitability, tak je možné že budou časem využity na reálném účtu.

Výběr ve zkratce:

− Komodita: BrentOil

− Typ kontraktu: CFD

− Časový rámec grafu: 15M

− Testované období 1. 1. 2015 – 30. 12. 2015

3.3 Návrh a implementace obchodních strategií

V této kapitole bude představena metodologie pro vývoj obchodních strategií, která byla

využita při tvorbě této diplomové práce. Jedná se o základní WorkFlow, které by mohlo

sloužit jako obecný nástroj pro začínající obchodníky využívající AOS. V dalších pod-

kapitolách budou popsány a podrobně rozebrány vybrané strategie.

39

Obrázek 12: WorkFlow tvorby strategie (Zdroj: Vlastní)

40

3.3.1 Strategie Aligátor

Tato strategie by se nemohla v této práci objevit, nebýt velmi významného obchodníka

Billa Williamse. Přišel na efektivní využití vyhlazených klouzavých průměrů. Základ-

ním kamenem této strategie jsou tři vyhlazené klouzavé průměry. Každý z těchto indi-

kátorů má svou velmi důležitou roli, proto je důležité je nezaměňovat. Pro jednoznačné

vyjádření zde bude uvedeno několik pojmů, které budou nadále strategii aligátor popi-

sovat. Jako první budou představeny a konkrétněji popsány použité klouzavé průměry.

Čelisti:

Budou označeny modrou barvou a jejich perioda bude na hodnotě 13. Celý indikátor

bude posunut do budoucna o 8.

Zuby:

Zuby budou označeny červenou barvou a perioda bude nastavena na 8. Posunutí do bu-

doucna bude o 5.

Rty:

Rty budou indikovány zelenou barvou s periodou 5. Posunutí bude taktéž do budoucna

o hodnotu 3.

Tato strategie má několik stavů, které se průběžně mění. První stav indikuje, že „aligá-

tor spí“ neboli, že je jeho tlama zavřená. Nejedná se o popis pohádky, ale o mnemo-

technickou pomůcku. Tento stav nastává v případě, že se všechny 3 klouzavé průměry

pohybují v těsné blízkosti kolem sebe a velmi často se také kříží. Druhý stav udává, že

se „aligátor probouzí“ neboli tlama se otevírá. Takovou situací lze pozorovat, když se

klouzavé průměry přestanou prolínat a začnou se od sebe oddalovat. V té chvíli je to

impuls pro obchodníka, který musí z indikátoru vypozorovat, zda je to pokyn k nákupu,

či prodeji. Třetí stav nastává v případě, že se čelisti nacházejí nad zuby a současně se

zuby nacházejí nad rty, tak je to jasný signál pro pokyn k prodeji. Pokud jsou ale pořadí

indikátorů horizontálně přehozeny, tak nastává čtvrtý stav, který značí signál k nákupu.

41

Obrázek 13: Základní popis strategie aligátor (Zdroj: Vlastní – platforma MetaTrader)

Výhodou strategie aligátor je částečná predikce budoucího vývoje tržeb. Jelikož jsou

klouzavé průměry posunuty, obchodník může dle jejich rozestupu snadněji rozpoznat

aktuální situaci pohybů trhu. Naproti tomu, úskalím této strategie je stanovení přípustné

míry rozpětí aligátorovy tlamy. Jinými slovy, jaký musí být rozestup mezi indikátory,

aby se provedl pokyn k nákupu/prodeji a taktéž jaká je tolerance rozestupu indikátorů

k uzavření pokynu.

Popis implementace

Systém využívá pro základní indikaci signálů z trhu vestavěnou funkce OnTick(). Tato

funkce zobrazuje všechny poslední změny na aktuálním baru daného časového rámce.

Hodnota z každého nového baru se uchovává a přepočítává na hodnotu, která signalizu-

je vhodnou situaci pro vstup na trh. Prvním kontrolním bodem je stanovení, zda se jed-

ná o short pozici funkcí checkMouthForSell() nebo long pozici checkMouthForBuy().

Dále pak program identifikuje správné seřazení klouzavých průměrů. V případě že jsou

dosavadní podmínky splněny, tak se vyhodnocuje míra rozpětí „aligátorovy tlamy“

funkcí checkMouthOpen().

42

Obrázek 14: Pokyn k nákupu/prodeji u strategie Aligátor (Zdroj: Vlastní – platforma MetaTrader)

Popis vstupních parametrů:

Parametry, které nejvíce ovlivňují tuto strategii, jsou pro nastavení take-profit a stop-

loss stanovující nucený výstup z obchodu. Stop-loss tvoří u této strategie pouze pojistku

pro nejvyšší nouzi, proto je nastaven na vyšší hodnotu. Dále jsou k dispozici parametry

určující optimální rozpětí při divergenci a konvergenci klouzavých průměrů. Je důležité

rozlišovat, zda se jedná o indikaci rostoucího nebo klesajícího trendu, protože rostoucí

trend má převrácené hodnoty vůči trendu klesajícímu. Tyto parametry jsou určovány

indikátorem iGator, který zaznamenává rozpětí aligátorovy tlamy. Platforma MetaTra-

der zobrazuje tento ukazatel v podobě histogramu, kde nad nulovou osou indikuje

rozpětí mezi SMMA8 a SMMA13. Ve spodní části pod nulovou osou zase indikuje

rozpětí mezi SMMA8 a SMMA5.

43

Obrázek 15: Diagram strategie Aligátor (Zdroj: Vlastní)

44

Optimalizace:

Pro optimalizaci bylo využito genetického algoritmu, který z množiny 160 miliard

možných nastavení vybral pouze 4 500 kombinací. Pokud algoritmus při testování hod-

not dojde k použitelnému řešení, tak v dalších krocích hledá obměnu těchto hodnot

s vyšší profitabilitou. Pokud ale nalezené řešení nesplňuje optimalizační podmínky, tak

pokračuje v hledání dalších možností. Ovšem 95 % nalezených řešení bylo příliš ztráto-

vých na to, aby měly dalšího uplatnění. Vybraná kombinace parametrů je tedy násle-

dovná:

Optimalizovaný parametr Optimalizovaná hodnota

1.1.2015 – 30.09.2015

Rozsahy opt. hodnot

stopLoss 192 <10; 200>

takeProfit 23 <10; 200>

mouthRangeUpper 0,221 <0,001; 0,1>

mouthRangeLower -0,925 <-0,001; -0,1>

Tabulka 2: Optimalizované parametry strategie Aligátor (Zdroj: Vlastní)

Z tabulky č. 2 je vidět, že hodnota parametru stop-loss se velmi blíží hranici testované-

ho rozsahu. Je tomu právě proto, že strategie aligátor využívá i dlouhých trendů. Proto

pokud by byl nastaven stop-loss na příliš nízkou hodnotu, tak by přednost této strategie

nebyla správně využita.

Následující obrázek popisuje průběh optimalizace pomocí genetického algoritmu.

Na ose X je počet nalezených řešení a na ose Y je výše profitu při využití optimalizova-

né kombinace parametrů. Jeden bod na obrázku značí právě jednu kombinaci použitel-

ných parametrů.

45

Obrázek 16: Optimalizace strategie Aligátor pomocí genetických algoritmů v programu Meta-Trader

(Zdroj: Vlastní – platforma MetaTrader)

Optimalizace parametrů byla aplikována na historická data z období od 1. 1. 2015

do 30. 9. 2015. Podrobnější výsledky budou popsány v testování In-Sample a Out-Of-

Sample.

In-Sample:

Při aplikování, výše zmíněných zoptimalizovaných parametrů, na historických datech se

ukázalo, že i přes viditelné výkyvy se dosáhlo velmi dobrého zisku. Za 9 měsíců obcho-

dování se s touto konfigurací přineslo více než zdvojnásobení počátečního vloženého

kapitálu.

Obrázek 17: Strategie Aligátor – In-Sample testování (Zdroj: Vlastní)

8000

10000

12000

14000

16000

18000

20000

1 5 9

13

17

21

25

29

33

37

41

45

49

53

57

61

65

69

73

77

81

85

89

93

97

101

105

109

113

117

121

125

129

133

137

Zis

k v

$

Počet obchodů

Strategie Aligátor In-Sample

In-Sample

46

Out-Of-Sample:

Na následujícím obrázku je patrné, že strategie Aligátor s využitím pomocného ukazate-

le iGator se osvědčila i na neoptimalizovaném období od 1. 10. 2015 do 30. 12. 2015.

Trend růstu zisku sice při Out-Of-Sample začal mírně stagnovat mezi 160-180 obchody.

Taková změna mohla být nejspíše způsobena vánočními svátky, kdy se cena ropy vý-

razně navýšila a po svátcích se zase ustálila.

Obrázek 18: Strategie Aligátor – In-Sample a Out-Of-Sample testování (Zdroj: Vlastní)

Finanční zhodnocení této strategie v Out-Of-Sample testování již nevykazuje tak pozi-

tivní výsledky jako v optimalizovaném období. Vznikal zde po dobu 20 obchodů mírný

propad ve výši zisku a po dobu dalších 10 obchodů zisk osciloval kolem stále stejné

míry profitu. Průměrný ziskový obchod se v tomto období snížil z původních 568,60$

na 457,00$. Ve výsledku bylo testování v tomto období sice ziskové, ale za cenu větší

průměrné ztráty na obchod, což činí tuto strategii mnohem více nestabilní.

0

5000

10000

15000

20000

25000

1 8

15

22

29

36

43

50

57

64

71

78

85

92

99

106

113

120

127

134

141

148

155

162

169

176

183

190

197

204

211

218

225

232

Zis

k v

$

Počet obchodů

Strategie Aligátor

Out-Of-Sample

In-Sample

47

Tabulka 3: Výsledek Strategie MACD/AC (Zdroj: Vlastní)

Strategie MACD/AC In-Sample Out-Of-Sample

Celkový čistý zisk ($) 10119 707,15

Počet Obchodů 85 94

% ziskových obchodů 48 47

Ziskový faktor 1,77 1,04

Průměrný ziskový obchod ($) 568,60 457

Průměrný ztrátový obchod ($) -299,83 -405

3.3.2 Aplikování AC indikátoru

V této části práce bude představeno praktické použití indikátoru Accelerator Oscillator.

Nejedná se přímo o implementaci rozsáhlé obchodní strategie, ale spíše o ověření, zda

použití indikátoru na trhu s ropou bude zobrazovat dostatečné množství profitabilních

signálů. Možnosti využití indikátoru bylo již částečně zmíněno v kapitole 2.2.2.3. Nyní

zde bude podrobněji popsáno aplikování indikátoru.

V kapitole 2.2.2.3 byly zmíněny dva druhy základního využití indikátoru. V tomto pří-

padě se využije modifikovaného agresivnějšího přístupu. Pokyn k nákupu může být

proveden v případě, že předchozí dva bary nebyly rostoucí (signalizováno červenou

barvou histogramu) a současně aktuální histogram se dostává pod hraniční úroveň defi-

novanou záporným číslem. Takovýto pokyn se může uzavřít za předpokladu, že se

v dalším tiku signalizuje znovu červený bar nebo pokud bude proražena hladiny signali-

zující uzavření příkazu. Situace, která bude indikovat pokyn k prodeji, bude právě

opačnou od pokynu k nákupu. Linie stanovují započetí nákupu/prodeje a jejich uzavření

jsou odděleny, protože z historického hlediska vývoje jsou tyto úrovně odlišné.

Popis parametrů:

Jak již bylo předesláno, tak podstatnou částí této strategie je stanovení optimálních hla-

din pro vstup a výstup nákupů/prodejů. Parametry stop-loss a take-profit není potřeba

48

blíže popisovat. Mnohem podstatnější jsou však parametry valueForBuy a valueForSell.

Ty stanovují optimální míru divergence od nulové linie pro započetí příkazu

k nákupu/prodeji. Pokud je již příkaz otevřen, tak pro jeho zavření je třeba buď nového

histogramu s opačnou barvou (červený ukončuje nákup a zelený histogram ukončuje

prodej), než bylo třeba pro otevření nebo proražení linie, kterou definuje parametr va-

lueForCloseBuy a valueForCloseSell. Pro první ověření, zda je tento postup použitelný

je třeba hrubé optimalizace těchto parametrů.

Obrázek 19: Popis situace indikátoru AC pro příkaz k nákupu (Zdroj: Vlastní)

Optimalizace:

Optimalizování parametrů bylo opět provedeno na období od 1. 1. 2015 do 30. 9. 2015.

Zde se ukázalo, že 90 % nalezených řešení, které umožňovaly více než 40 obchodů,

byly až příliš nestabilní. Proto se vybralo řešení, které uskutečnilo méně obchodů, ale

s menšími výkyvy ve ztrátách. Optimalizované parametry byly následující.

49

Tabulka 4: Optimalizované parametry AC indikátoru (Zdroj: Vlastní)

Optimalizovaný

parametr

Optimalizovaná hodnota

(období 1.1.2015 – 30.09.2015)

Rozsahy opt. hodnot

stopLoss 26 <10; 100>

takeProfit 47 <10; 100>

valueForSell 0,236 <0; 2>

valueForCloseSell -0,49 <0; -1>

valueForBuy -0,339 <0; -2>

valueForCloseBuy 1,28 <0; 1>

In-Sample:

Následující obrázek č. 20 znázorňuje výsledky, které jsou z období, pro které byla pro-

vedena samotná optimalizace. Zisk, kterého bylo dosaženo v tomto období, byl 1 460$

z původního kapitálu 10 000$. Samotného vzorku výsledků není příliš mnoho, ale další

průběh odhalí testování Out-Of-Sample.

Obrázek 20: Aplikování AC indikátoru – In-Sample (Zdroj: Vlastní)

9000

9500

10000

10500

11000

11500

12000

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Zis

k v

$

Počet obchodů

Strategie AC In-Sample

In-Sample

50

Out-Of-Sample:

I přes optimalizaci je jasně vidět, že indikátor vykazuje značné množství dobrých signá-

lů. Zajímavostí je, že pro období optimalizace od 1. 1. 2015 do 30. 9. 2015 bylo prove-

deno pouze 14 příkazů a v období do konce roku 2015 byl proveden téměř stejný počet

příkazů.

Obrázek 21: Aplikování AC indikátoru – Out-Of-Sample (Zdroj: Vlastní)

Obchody, které proběhly během roku 2015, vykázaly zisk 3 907$. Aby tento indikátor

vykazoval dostatečné množství obchodů, musely být přísněji nastaveny kritéria

pro vstup a výstup na trh. V případě že bychom požadovali větší množství uskutečně-

ných obchodů, tak bychom se museli spokojit s menší stabilitou systému. Další varian-

tou je kombinace Accelerator Oscillator s jiným indikátorem. To by mohlo snížit strikt-

nost pravidel na tento indikátor a možná zvýšit zisk.

3.3.3 Aplikování MACD indikátoru

Praktické aplikování tohoto typu ukazatele může odhalit, zda trh s ropou vykazuje

značnou míru trendovosti, či nikoliv. Periody, které budou zvoleny pro samotný ukaza-

8000

9000

10000

11000

12000

13000

14000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Zis

k v

$

Počet obchodů

Strategie AC

Out-Of-Sample

In-Sample

51

tel MACD jsou nejčastěji používané EMA12 a EMA26. Signalizační křivku bude zná-

zorňovat klouzavý průměr EMA9.

Popis parametrů:

Parametry tohoto programu budou stanovovat opět míru konvergence a divergence.

Při divergenci histogramu a signalizační linie bude program kontrolovat rozdíl mezi

těmito dvěma hodnotami. Pokud bude rozdíl kladné číslo a větší než parametr macd-

DiffForSell, tak se bude jednat o signál k nákupu. Záporné číslo při rozdílu histogramu

a signalizační křivky bude znázorňovat možný pokyn k nákupu. Ten se provede pouze

za předpokladu, že rozdíl bude menší jak macdDiffForBuy. Uzavření pozic nastává opět

v případě, že se rozpětí mezi histogramem a signalizační křivkou opět dostává pod ma-

cdDiffForCloseSell nebo macdDiffForCloseBuy. Samozřejmě zde budou opět figurovat

parametry stopLoss a takeProfit.

Optimalizace:

Po optimalizaci na období 1. 1. 2015 – 30. 9. 2015, bylo nalezeno přes 4 300 možností

nastavení parametrů. Avšak pouze 1/3 možností umožňuje vice než 20 obchodů.

In-Sample:

Po aplikaci optimalizovaných parametrů a spuštění programu na optimalizované období

bylo provedeno 24 obchodů, které vykázaly zisk 2 250$ při hodnotě 1 lot/obchod.

52

Obrázek 22: Aplikace MACD – testování In-Sample (Zdroj: Vlastní)

Out-Of-Sample:

Obrázek 23: Aplikace MACD – testování Out-Of-Sample (Zdroj: Vlastní)

Použití stejných parametrů na období od 1. 1. 2015 – 30. 12. 2015 nebylo ovšem tak

pozitivní jako v In-Sample testování. Na následujícím obrázku je vidět, že hned

9000

9500

10000

10500

11000

11500

12000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Zis

k v

$

Počet obchodů

Strategie MACD In-Sample

In-Sample

8000

9000

10000

11000

12000

13000

14000

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Zis

k v

$

Počet obchodů

Strategie MACD

Out-Of-Sample

In-Sample

53

v prvních uskutečnných obchodech v Out-Of-Sample období nastalo několik ztrát

po sobě.

Tyto ztráty zapříčinily falešné signály, které nemohl indikátor MACD nijak predikovat.

Přesto lze říci, že na trhu s ropou lze MACD aplikovat, protože stále vykazuje množství

dobrých signálů. Nejlepším dalším možným postupem bude ošetření těchto situací,

skombinováním MACD s jiným ukazatelem.

3.3.4 Strategie MACD/AC

Jelikož se ukazatele Accelerator Oscillator (AC) a MACD v jistých situacích osvědčily,

tak se provede test, zda budou vykazovat kladné výsledky, když budou využity společ-

ně. Při společném využití těchto dvou indikátoru nebudou však přesně použity nastavení

z předešlých případů kap. 3.3.2 a 3.3.3, ale bude se jednat spíše o jejich kombinaci

a modifikaci. V této strategii se využije pro otevření pozice spíše indikátoru MACD,

který tuto situaci spolehlivěji odhaluje. Proto se bude sledovat v každém novém baru

divergence mezi MACD a jeho signalizační křivkou. Hodnoty nejnižší hranice diver-

gence budou stanoveny opět různě pro nákup a prodej.

Uzavírání příkazů bude identifikovat MACD společně s AC. První možnou situací je

uzavření příkazu hranicemi stop-loss nebo take-profit. Další možností je přibližování se

konvergence hodnot ukazatele MACD, které budou menší, než stanovuje parametr. Po-

slední možností je změna stavu ukazatele AC, kdy např. při nákupu bude sledován ros-

toucí stav a v případě, že se stav změní, tak se příkaz uzavře. Pro přehlednost je situace

rozhodování znázorněna na následujícím diagramu.

Diagram rozhodování:

Obrázek

54

Diagram rozhodování:

Obrázek 24: Diagram rozhodování AOS strategie MACD/AC(Zdroj: Vlastní)

strategie MACD/AC

55

Popis parametrů:

Parametry, které využívá tato strategie, jsou opět definovány risk managementem a to

v podobě stopLoss a takeProfit. Zbylé dva parametry jsou využívány pouze indikátorem

MACD. Definují nejmenší možný rozsah divergujícího histogramu MACD a jeho sig-

nalizační křivky. V případě, že tento rozsah bude kladné číslo, tak hranici indikuje pa-

rametr macdDiffForBuy, jenž udává pokyn k nákupu. V opačném případě, kdy je rozdíl

záporný, hranici pro prodej určuje macdDiffForSell.

3.3.4.1 První optimalizace

Prvním krokem po naprogramování strategie je odzkoušení, zda se obchody řádně za-

dávají a ukončují. Následuje hrubý odhad parametrů, který bude později odladěn přes-

nější optimalizací. Z toho důvodu se zvolily větší rozsahy hodnot s větším krokováním.

Takové nastavení zapříčiní rychlejší zpracování dat genetickým algoritmem. Výsledné

hodnoty parametrů z první optimalizace jsou nyní následující.

Tabulka 5: První optimalizace strategie MACD/AC (Zdroj: Vlastní)

Optimalizovaný parametr Optimalizovaná hodnota

1.1.2015 – 30.09.2015

Rozsahy opt. hodnot

stopLoss 92 <10; 200>

takeProfit 62 <10; 200>

macdDiffForBuy 0,08 <0; 1>

macdDiffForSell -0,09 <-0; -1>

Strategie byla s nalezeným nastavením aplikovaná na období In-Sample. Jak bylo před-

pokládáno, tak první nastavení nezaručuje příliš velkou stabilitu, ba naopak je třeba de-

tailněji stanovit vhodnou míru konvergence a divergence indikátoru MACD. Proto bude

nyní provedena přesnější optimalizace, která bude více zaměřena na okolí nalezených

hodnot z první optimalizace.

56

Obrázek 25: Výsledky první optimalizace strategie MACD/AC (Zdroj: Vlastní)

3.3.4.2 Druhá optimalizace

Řádově přesnější optimalizace odhalila novou konfiguraci parametrů, která by měla

zajistit lepší výsledky. Proto musí být strategie znovu otestována na historických datech.

Tabulka 6: Optimalizované parametry strategie MACD/AC (Zdroj: Vlastní)

Optimalizovaný parametr Optimalizovaná hodnota

1.1.2015 – 30.09.2015

Rozsahy opt. hodnot

stopLoss 84 <70; 100>

takeProfit 99 <80; 110>

macdDiffForBuy 0,099 <0,080; 0,100>

macdDiffForSell -0,077 <-0,060; -0,100>

4000

5000

6000

7000

8000

9000

10000

11000

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85

Zis

k v

$

Počet obchodů

Strategie MACD/AC In-Sample

In-Sample

57

In-Sample:

Testování s optimalizovanými parametry vykázalo poměrně vysoký profit v podobě

čistého zisku 11 709,88$. Za toto testované období (9 měsíců) bylo uskutečněno celkem

85 obchodů. Téměř všechny obchody trvaly přibližně 2 hodiny (čas mezi otevřením

a uzavřením pozice). Z toho důvodu bylo také použito nastavení vyšších hodnot u take-

profit a stop-loss, což ale vedlo k lepším výsledkům.

Obrázek 26: Výsledky druhé optimalizace strategie MACD/AC – testování In-Sample (Zdroj: Vlastní)

Out-Of-Sample:

Při použití parametrů z poslední optimalizace na období od 1. 10. 2015 do 30. 12. 2015

se stále strategie dostává do kladných hodnot. Testování strategie na neoptimalizova-

ných datech dokonce vykazuje na některých statistických hodnotách lepší výsledky, než

při testování na období In-Sample.

6000

8000

10000

12000

14000

16000

18000

20000

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86

Zis

k v

$

Počet obchodů

Strategie MACD/AC In-Sample

In-Sample

58

Obrázek 27: Výsledky druhé optimalizace strategie MACD/AC – testování In-Sample a Out-Of-

Sample

(Zdroj: Vlastní)

Ziskový faktor je například o 0,02 lepší a také hodnota průměrného ztrátového obchodu

vzrostla zhruba o ¼. Je tedy možno říci, že testování na neoptimalizovaných datech do-

padlo velmi dobře se ziskem 4 563$.

Strategie MACD/AC In-Sample Out-Of-Sample

Celkový čistý zisk ($) 8 599,88 4 563,00

Počet Obchodů 85 52

% ziskových obchodů 40 42

Ziskový faktor 1,61 1,63

Průměrný ziskový obchod ($) 565,81 538,95

Průměrný ztrátový obchod ($) -311,84 -243,13

Tabulka 7: Report strategie MACD/AC (Zdroj: Vlastní)

8000

10000

12000

14000

16000

18000

20000

22000

24000

26000

1 5 9

13

17

21

25

29

33

37

41

45

49

53

57

61

65

69

73

77

81

85

89

93

97

101

105

109

113

117

121

125

Zis

k v

$

Počet obchodů

Strategie MACD/AC

Out-Of-Sample

In-Sample

59

3.4 Souhrn výsledků

Celá předchozí část této kapitoly se zabývala popisem, navržením a optimalizací něko-

lika strategií. Všechny tyto strategie byly navrženy pro komoditní trh, přesněji

pro BrentOil. Jako první byla implementována strategie Aligátor. Tato strategie sice

vykazovala dostatečné množství profitu, a to 10 719$ v In-Sample ale v Out-Of-Sample

vzrostl zisk pouze o 707,15$. Také průměrný ztrátový obchod vzrostl o 25 %, což je

pro tuto strategii velké negativum.

Následující 2 strategie sloužily pouze pro ověření použitelnosti ukazatelů. Aplikování

ukazatele AC vykázalo během roku 2015 zisk 3 907$, ale jednalo se pouze o 25 obcho-

dů. Při tak malém počtu uskutečněných obchodů za celý rok, roste riziko budoucího

neúspěchu. Další zvolený indikátor byl MACD, který už uskutečnil 2x více obchodů,

ale oproti aplikaci ukazatele AC měl čtvrtinový zisk.

Poslední navržená strategie MACD/AC využila ziskovosti strategie AC a vhodných

vstupů na trh strategie MACD. V In-Sample MACD/AC dosáhla zisku 8 599,88 v 85

uskutečněných obchodech. Ani Out-Of-Sample testování nedopadlo špatně, protože

vykázalo dokonce lepší výsledky, než In-Sample. Za období 1. 10. 2015 – 30. 12. 2015

bylo uskutečněno 52 obchodů se ziskem 4 563$. Velkým pozitivem bylo snížení prů-

měrného ztrátového obchodu z -311,84$ na -243,13$.

60

4. ZÁVĚR

Diplomová práce řeší problematiku návrhu automatizovaného systému pro komoditní

trh, který dosáhne dostatečné míry profitability z vloženého kapitálu. Pro řešení dané

problematiky byl využit nástroj pro obchodování MetaTrader 4.

Pro splnění cílů práce byl zvolen následující postup. Nejprve byla aplikována částečně

předdefinovaná obchodní strategie Aligátor. I přes modifikaci a optimalizaci vykazova-

la strategie příliš velké výkyvy ve stabilitě. Vznikal zde problém prudkého okamžitého

poklesu zisku. Z těchto důvodů byla tato strategie zamítnuta.

Využití samostatných klouzavých průměrů se příliš neosvědčilo. Byla proto navržena

aplikace indikátoru Accelerator Oscillator. Toto použití vykazovalo vysokou profitabili-

tu, ale pouze na velmi málo provedených obchodech. V dalším postupu bylo navrženo

použití oscilátoru MACD a otestováno opět pro trh s BrentOil. Výsledný zisk tohoto

aplikování byl sice kladný, ale nedostál svému očekávání. Výhodou však bylo správné

načasování pro vstup na trh.

Na základě předchozích výsledků z aplikování dvou oscilátorů byla navržena strategie

MACD/AC, která využila vhodné momenty pro vstup na trh a dobrou predikci situací

pro výstup z trhu. Praktické použití této strategie na historických datech prokázalo, že

strategie je zisková a stabilní. V In-Sample testování bylo dosaženo celkového čistého

zisku 8 599,88$. Dobrá ziskovost i stabilita strategie byla dosažena také pro neoptimali-

zované období, čímž strategie dosáhla cílů stanovených na začátku této diplomové prá-

ce. Při budoucím využití navrženého AOS by bylo vhodné systém průběžně optimalizo-

vat pro aktuální situace na trhu. Navržený systém vykazuje dobrý potenciál, proto jej

navrhuji pro další využití.

61

SEZNAM POUŽITÉ LITERATURY

Elektronické zdroje:

[1] Co je to komoditní burza a co jsou to pitové a elektronické trhy. In: [online]. [cit.

2014-12-27]. Dostupné z: http://www.tradeandfinance.eu/clanky/zaklady-

obchodovani/prirucka-uspesneho-obchodovani-na-burze-kapitola-9-co-je-to-

komoditni-burza-a-co-jsou-to-pitove-a-elektronicke-trhy/

[2] Automatické obchodní systémy: Instalace, testování, užívání. [online]. s. 23 [cit.

2014-12-27]. Dostupné z: http://www.xtb.cz/obchodni-systemy/metatrader/~

/media/xtb_cz/obchodni-systemy/metatrader/automaticke-obchodni-systemy/

aos-instalace-testovani-uzivani.pdf

[3] Co jsou to komodity a jak to funguje. [online]. 2004, 08.12.2004 [cit. 2015-01-

15]. Dostupné z: http://www.financnik.cz/komodity/manual/komodity-jak-to-

funguje.html

[4] Technická analýza - supporty a rezistence. HARTMAN, Ondřej. [online].

17.05.2010 [cit. 2015-01-16]. Dostupné z: http://www.fxstreet.cz/technicka-

analyza--supporty-a-rezistence.html

[5] Poziční versus intradenní obchodování. [online]. 08.12.2004 [cit. 2015-01-16].

Dostupné z: http://www.financnik.cz/komodity/manual/komodity-pozicni-vs-

intradenni-obchodovani.html

[6] Forex robot (AOS): Automatický obchodní systém [online]. [cit. 2015-12-28].

Dostupné z: http://www.fxstreet.cz/forex-robot-aos-automaticky-obchodni-

system.html

[7] Technické indikátory: Klouzavé průměry [online]. [cit. 2015-12-30]. Dostupné z:

http://daytrade.cz/klouzave-prumery

[8] Moving Average Technical Indicator: Smoothed Moving Average (SM-

MA) [online]. [cit. 2015-12-30]. Dostupné z:

http://ta.mql4.com/indicators/trends/moving_average

62

[9] HARTMAN, Ondřej. Technická analýza - indikátory sledující trend [online].

04.10.2010 [cit. 2015-12-31]. Dostupné z: http://www.fxstreet.cz/technicka-

analyza-indikatory-sledujici-trend.html

[10] Accelerator Oscillator (AC) - indicator for MetaTrader 4 [online]. 2005.11.29

[cit. 2015-12-31]. Dostupné z: https://www.mql5.com/en/code/7765

[11] Kupujeme a prodáváme – vstupujeme do trhu [online]. [cit. 2015-12-23]. Do-

stupné z: http://www.financnik.cz/komodity/manual/komodity-kupujeme.html

[12] Jak na investice do komodit [online]. [cit. 2015-12-26]. Dostupné z:

http://www.cmco.cz/clanek-jak-na-investice-do-komodit.html

[13] Psychologická analýza [online]. [cit. 2015-11-16]. Dostupné z:

http://daytrade.cz/psychologicka-analyza/

Knižní zdroje:

[14] DOSTÁL, P. Pokročilé metody analýz a modelování v podnikatelství a veřejné

správě, Brno: CERM, 2008. 432 p. ISBN 978-80-7204-605-8.

[15] GOLDBERG, D. Genetic Algorithms in Search, Optimization, and Machine

Learning. USA: Addison-Wesley, 1989. 412 p. ISBN 978-0201157673

[16] GRAHAM, B. Inteligentní investor, GRADA, 2007, 504 s., ISBN 978-80-247-

1792-0.

[17] REJNUŠ, Oldřich. Finanční trhy. 4., aktualiz. a rozš. vyd. Praha: Grada, 2014,

760 s. ISBN 978-80-247-3671-6.

[18] WILLIAMS, L. How I Made One Million Dollars Last Year Trading Commodi-

ties. USA: Windsor Books, 1979. 130 p. ISBN 9780930233105

[19] WILLIAMS, L. Long-Term Secrets to Short-Term Trading. USA: Wiley-

Interscience, 1999. 255 p. ISBN 0-471-29722-4.

[20] ŠTÝBR, David, Petr KLEPETKO a Pavlína ONDRÁČKOVÁ. Začínáme inves-

tovat a obchodovat na kapitálových trzích. 1. vyd. Praha: Grada, 2011, 156 s.

Finance pro každého. ISBN 978-80-247-3648-8.

63

[21] PODHAJSKÝ, Petr, Tomáš NESNÍDAL a Pavlína ONDRÁČKOVÁ. Kompletní

průvodce úspěšného finančníka. 1. vyd. Praha: Centrum finančníhovzdělávání,

2009, 338 s. Finančník. ISBN 978-809-0387-454.

[22] MURPHY, John J. Technical analysis of the financial markets: a comprehensive

guide to trading methods and applications. New York: New York Institute of

Finance, c1999, xxxi, 542 p. ISBN 07-352-0066-1.

[23] NESNÍDAL, Tomáš a Petr PODHAJSKÝ. Obchodování na komoditních trzích:

průvodce spekulanta. 2.,rozš. vyd. Praha: Grada, 2006, 200 s. ISBN 80-247-

1851-0.

[24] ELDER, Alexander. Trading for a living: psychology, trading tactics, money

management. New York: J. Wiley, 1993, ix, 289 p. ISBN 0471592242.

[25] MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteli-

gence. Vyd. 1. Praha: Academia, 2003, 475 s. ISBN 80-200-1044-0.

[26] ŠÍMA, Jiří a Roman NERUDA. Teoretické otázky neuronových sítí. Vyd. 1.

Praha: MATFYZPRESS, 1996, 390 s. ISBN 80-85863-18-9. [27] ŠNOREK, Miroslav. Neuronové sítě a neuropočítače. Vyd. 1. Praha: Vydava-

telství ČVUT, 2002, 156 s. ISBN 80-01-02549-7.

64

SEZNAM OBRÁZK Ů

Obrázek 1: Ekonomický kalendář využívaný ve fundamentální analýze ....................... 15

Obrázek 2: Stavy grafu ................................................................................................... 19

Obrázek 3: Svíčkový graf ............................................................................................... 20

Obrázek 4: Sloupcový graf ............................................................................................. 20

Obrázek 5: Spojnicový graf ............................................................................................ 21

Obrázek 6: Architektura neuronové sítě ......................................................................... 27

Obrázek 7: Jednoduché klouzavé průměry s periodou SMA5 a SMA20 ....................... 31

Obrázek 8: Ukazatel MACD ........................................................................................... 33

Obrázek 9: Ukazatel RSI ................................................................................................ 34

Obrázek 10: Accelator Oscillator – agresivnější strategie .............................................. 35

Obrázek 11: Accelator Oscillator – umírněná strategie .................................................. 36

Obrázek 12: WorkFlow tvorby strategie ........................................................................ 39

Obrázek 13: Základní popis strategie aligátor ................................................................ 41

Obrázek 14: Pokyn k nákupu/prodeji u strategie Aligátor ............................................. 42

Obrázek 15: Diagram strategie Aligátor ......................................................................... 43

Obrázek 16: Optimalizace strategie Aligátor pomocí genetických algoritmů v programu

MetaTrader ...................................................................................................................... 45

Obrázek 17: Strategie Aligátor – In-Sample testování ................................................... 45

Obrázek 18: Strategie Aligátor – In-Sample a Out-Of-Sample testování ...................... 46

Obrázek 19: Popis situace indikátoru AC pro příkaz k nákupu ...................................... 48

Obrázek 20: Aplikování AC indikátoru – In-Sample ..................................................... 49

Obrázek 21: Aplikování AC indikátoru – Out-Of-Sample ............................................. 50

Obrázek 22: Aplikace MACD – testování In-Sample .................................................... 52

Obrázek 23: Aplikace MACD – testování Out-Of-Sample ............................................ 52

Obrázek 24: Diagram rozhodování AOS strategie MACD/AC ...................................... 54

Obrázek 25: Výsledky první optimalizace strategie MACD/AC ................................... 56

Obrázek 26: Výsledky druhé optimalizace strategie MACD/AC – testování In-Sample

........................................................................................................................................ 57

Obrázek 27: Výsledky druhé optimalizace strategie MACD/AC – testování In-Sample a

Out-Of-Sample ................................................................................................................ 58

65

SEZNAM TABULEK

Tabulka 1: Likvidita a volatilita vybraných energetických komodit .............................. 38

Tabulka 2: Optimalizované parametry strategie Aligátor ............................................... 44

Tabulka 3: Výsledek Strategie MACD/AC .................................................................... 47

Tabulka 4: Optimalizované parametry AC indikátoru ................................................... 49

Tabulka 5: První optimalizace strategie MACD/AC ...................................................... 55

Tabulka 6: Optimalizované parametry strategie MACD/AC ......................................... 56

Tabulka 7: Report strategie MACD/AC ......................................................................... 58

66

SEZNAM PŘÍLOH

1. Strategie č. 1

2. Strategie č. 2

3. Strategie č. 3

4. Strategie č. 4

5. CD se zdrojovými kódy

67

Strategie č. 1

68

Strategie č. 2

69

Strategie č. 3

70

Strategie č. 4