Awesome Systematic Trading

Vytvořeno: 15.8.2026 | Aktualizováno: 15.08.2026 14:02

Awesome Systematic Trading je kurátorovaný seznam nástrojů, strategií, knih a studijních materiálů pro systematické neboli kvantitativní obchodování. Nejde o hotový obchodní bot ani framework pro AI agenty; slouží hlavně jako rozcestník pro výběr jednotlivých komponent.

Upozornění: Backtest ani výstup AI nejsou důkazem budoucí výnosnosti. Před případným použitím skutečných peněz je potřeba ověřit kvalitu dat, náklady, skluz, rizika a chování strategie mimo období, na kterém vznikla.

Repozitář rozděluje odkazy podle úlohy v obchodním workflow. Obsahuje nástroje pro práci s tržními daty, výpočet indikátorů, backtesting, analýzu rizika, optimalizaci portfolia, napojení na brokery a také strojové učení. Vedle toho odkazuje na akademicky popsané strategie, knihy, blogy, kurzy a videa.

Oblast	Příklady položek	K čemu slouží
Data	yfinance	Stažení tržních dat do Pythonu pro výzkum a testování.
Backtesting	VectorBT, QuantConnect Lean	Simulace pravidel nákupu a prodeje nad historickými daty.
Analýza výsledků	QuantStats	Report výnosu, volatility, propadů a dalších metrik portfolia.
Alokace portfolia	PyPortfolioOpt	Návrh vah mezi vybranými aktivy při zadaných omezeních.
Strojové učení	Microsoft Qlib, FinRL	Výzkum modelů, které vytvářejí predikční signály nebo rozhodovací pravidla.
Kryptoměny	Freqtrade	Crypto bot s backtestingem, optimalizací a režimem simulovaného obchodování.

Repozitář sám neumí stáhnout data, vybrat akcie, provést backtest ani odeslat objednávku brokerovi. Každá položka je samostatný projekt s vlastní instalací, licencí, podporovanými daty a mírou údržby.

Není to ani framework pro LLM agenty. Pokud má systém řídit například OpenCode, ChatGPT nebo jiný agent, musí se tato agentní vrstva postavit zvlášť nad vybranými nástroji. Agent pak volá připravené skripty a vyhodnocuje jejich strukturované výstupy; neměl by volně vytvářet a rovnou obchodovat neověřený kód.

Qlib je AI-orientovaná platforma pro kvantitativní investování. Její workflow odděluje práci s daty, trénování modelu, tvorbu signálů, sestavení portfolia, rozhodnutí o objednávkách a vyhodnocení exekuce. Umí pracovat se supervised learningem i reinforcement learningem.

Slovo „agent“ zde znamená hlavně trénovaný model, nikoli konverzačního AI asistenta. Qlib je vhodný pro pokročilý výzkum, ale jako první experiment je složitější než jednoduchý a čitelný backtest.

VectorBT je Python nástroj pro rychlou kvantitativní analýzu a backtesting nad Pandas a NumPy. Díky vektorizaci a akceleraci dokáže porovnávat mnoho variant parametrů, instrumentů a časových období najednou.

Je vhodný pro ověření, zda má člověkem definované pravidlo vůbec historicky smysl. Například lze porovnat různé délky klouzavých průměrů, více akcií či ETF a několik oddělených časových úseků. Výběr parametrů jen podle nejlepšího historického výsledku je ale typická cesta k overfittingu.

QuantConnect Lean je algoritmický obchodní engine pro Python a C#. Pokrývá více tříd aktiv, data, modelování nákladů a skluzu, backtesting i napojení na některé brokery.

Freqtrade je praktičtější varianta pro kryptoměny. Obsahuje stahování historických dat, backtesting, optimalizaci parametrů, monitoring přes webové rozhraní nebo Telegram a hlavně režim Dry-run se simulovanými penězi. Dokumentace Freqtrade doporučuje začínat právě v tomto režimu.

Rozumný první cíl není autonomní nákup akcií. Je jím pravidelný report, který transparentně ukáže kandidáty z předem určeného seznamu a ověří pravidla na historických datech.

Skript s yfinance stáhne pro předem zvolený seznam akcií nebo ETF historické ceny.
Skript spočítá předem definované vlastnosti, například výnos za 6 a 12 měsíců, volatilitu a maximální propad. Nejde o predikce generované jazykovým modelem.
AI agent dostane pouze tuto tabulku a pevná pravidla, například maximálně 10 titulů, limit 10 % na jednu pozici a zákaz vysoce volatilních titulů. Vrátí strukturovaný návrh, důvody a upozornění, ne obchodní příkaz.
VectorBT ověří stejná pravidla na minulosti, včetně poplatků. Test musí oddělit období, na kterém se pravidla vybírala, od období, které model ani autor pravidel neviděl.
QuantStats vytvoří report výnosu, volatility a maximálního propadu. Návrh se porovná s jednoduchým benchmarkem, například širokým akciovým ETF.
Druhý AI agent nebo pevný validační skript kontroluje hranice: nadměrný propad, příliš časté obchody, nestabilní výsledky mezi obdobími nebo absenci zlepšení proti benchmarku. Při porušení pravidel je správným výsledkem „žádná změna portfolia“.

AI v tomto scénáři není věštec ceny akcií. Má tři praktičtější role:

připravit návrh experimentu z jasného zadání;
vysvětlit výsledky měření a z nich vytvořit čitelný report;
oponovat návrhu a hledat chyby, například selekci parametrů podle minulých dat nebo ignorované náklady.

Výpočet indikátorů, backtest, limity rizika a případné odeslání objednávky musí zůstat v deterministických nástrojích se záznamem vstupů a výsledků. Reálné obchodování nemá být prvním krokem; po backtestu má následovat dlouhodobý paper trading nebo Dry-run.

Pro akcie nebo ETF je nejmenší smysluplný experiment kombinace yfinance + VectorBT + QuantStats. Nejprve je potřeba ověřit jedno jednoduché a vysvětlitelné pravidlo, například pravidelný výběr z pevného seznamu podle trendu, a sledovat ho pouze simulovaně.

Qlib nebo FinRL má smysl přidat až ve chvíli, kdy základní datový a testovací workflow funguje a je reprodukovatelný. Složitější AI model automaticky neznamená lepší investiční rozhodnutí; na finančních datech lze velmi snadno vytvořit model, který přesně popisuje minulost a selže po nasazení.