Kvantitativní finance a algoritmické obchodování se staly jakousi moderní alchymií, slibující přeměnu čisté myšlenky ve zlato. Není divu, že akademický svět na tuto vábničku slyší. Množství výzkumných prací na toto téma explodovalo. Jedna nedávná studie, využívající metody strojového učení a zpracování přirozeného jazyka (NLP), identifikovala v obrovské databázi 136 milionů vědeckých článků neuvěřitelných 14 342 relevantních publikací o algoritmickém obchodování, vydaných mezi lety 1956 a prvním čtvrtletím roku 2020. Co je pozoruhodnější, tempo růstu počtu článků v této oblasti převyšuje celkový růst vědeckých publikací. Akademici zjevně investují enormní množství intelektuální energie do vývoje a testování obchodních strategií.

Arzenál nástrojů, které při tom používají, je impozantní. Od klasických matematických modelů a statistické analýzy se posunuli k sofistikovanějším metodám, jako je strojové učení (ML), hluboké posilované učení (Deep Reinforcement Learning - DRL) a nejnověji i velké jazykové modely (LLM). Právě modely strojového učení se v posledních letech staly nejpopulárnějšími metodami zkoumání. Vědecké články, často volně dostupné na platformách jako arXiv , popisují inovativní přístupy, jak pomocí těchto technologií předvídat pohyby cen akcií, forexu, komodit či kryptoměn a automaticky provádět obchody.

Nabízí se však klíčová otázka: Vede tato intenzivní akademická snaha, tento intelektuální závod ve zbrojení dokumentovaný v odborných časopisech a preprintových archivech, skutečně k osobnímu bohatství autorů těchto strategií? Nebo jde primárně o akademické cvičení, jehož hlavní odměnou jsou citace, granty a definitivy, nikoli tučné zisky z obchodování? Samotný fakt, že počet publikací roste tak rychle , naznačuje silnou motivaci pramenící spíše z akademického systému "publikuj nebo zhyň" než z prokázané schopnosti těchto zveřejněných strategií generovat reálné peníze pro své tvůrce. Tento rozpor mezi akademickým úspěchem a úspěchem na trhu tvoří jádro našeho zkoumání.

Papír snese všechno, účet už méně: Proč strategie z laboratoře často selhávají

Jedním z prvních kroků při vývoji kvantitativní strategie je backtesting – simulace její výkonnosti na historických datech. Zde se často rodí optimismus. Výsledky na papíře mohou vypadat úchvatně. Potenciální investoři však bývají skeptičtí a často s jistou dávkou cynismu prohodí: „Ještě jsem neviděl špatný backtest“. A mají pravdu. Strategie, které v testech na historických datech selžou, se obvykle ani nedostanou na veřejnost, natož aby se staly základem pro investiční produkt.

Problém nastává, když se teoreticky slibná strategie nasadí do reálného světa. Zde se ukazuje propastný rozdíl mezi simulovanou a skutečnou výkonností. Strategie, které na papíře zářily, v reálném provozu konzistentně dosahují horších výsledků. Krásná teorie se často rozbije o drsné útesy reality finančních trhů. Co za tím stojí? Jde o „skryté“ faktory, které akademické modely často zjednodušují nebo zcela ignorují.

Prvním viníkem jsou transakční náklady. Nejde jen o poplatky brokera a burzy, ale také o tzv. bid-ask spread – rozdíl mezi nejlepší nákupní a prodejní cenou. I zdánlivě malé náklady se mohou dramaticky nasčítat, zejména u strategií, které obchodují velmi často (high-frequency trading - HFT), kde se cílí na miniaturní cenové pohyby. Realistické modelování těchto nákladů je klíčové, ale často opomíjené.

Druhým problémem je dopad na trh (market impact). Zejména větší obchodní příkazy samy o sobě hýbou cenou proti směru obchodu. Nákup tlačí cenu vzhůru, prodej dolů. Čím rychleji se snažíte velký objem zobchodovat, tím větší dopad (a tedy náklad) způsobíte. Tento jev má strategickou, až herně-teoretickou povahu – ostatní hráči na trhu mohou vašich záměrů využít.

Třetím faktorem je skluz (slippage). Jde o rozdíl mezi cenou, za kterou jste chtěli obchod provést, a cenou, za kterou byl skutečně realizován. V dynamickém tržním prostředí, ovlivněném rychlostí přenosu dat (latencí) a aktuální nabídkou a poptávkou, není okamžité a přesné plnění příkazu za požadovanou cenu samozřejmostí.

Všechny tyto faktory úzce souvisí s likviditou trhu. Na trzích s vysokou likviditou (např. hlavní měnové páry, akcie velkých firem) bývají spready úzké a dopad menší. Naopak na nelikvidních trzích jsou náklady obchodování výrazně vyšší. Algoritmické strategie, zejména HFT, sice mohou likviditu zvyšovat, ale v dobách stresu ji mohou také velmi rychle stáhnout, což dále zhoršuje situaci.

Příkladem mohou být strategie založené na hlubokém posilovaném učení (DRL). Ačkoliv v simulacích ukazují statisticky významná zlepšení oproti zavedeným benchmarkům, většina studií nedosáhla „slušné úrovně ziskovosti“ v realistickém prostředí. Chybí testování v reálném čase na online platformách a mnoho experimentů probíhá za nerealistických předpokladů.

Samotný pokus o využití tržní neefektivity – což je podstatou kvantitativního obchodování – může tuto neefektivitu zničit prostřednictvím tržního dopadu a transakčních nákladů. Zvláště pokud se o totéž pokouší mnoho aktérů současně. Vzniká tak fundamentální napětí: snaha zachytit zisk aktivně zmenšuje dostupný zisk, což může teoreticky profitabilní strategie učinit v praxi ztrátovými. To naznačuje přirozený limit škálovatelnosti a ziskovosti mnoha strategií objevených v akademickém prostředí, kde jsou tyto náklady často zanedbávány.

Vizualizace nákladů transakce – jak spread a tržní dopad ukusují ze zisku. Zdroj: Vytvořeno na základě konceptů v odkazované literatuře, AI.

Šálení smyslů v moři dat: Démon jménem data snooping

Dalším zákeřným nepřítelem na cestě od teorie k profitu je démon zvaný data snooping (někdy též data mining bias). V podstatě jde o hledání vzorců v historických datech tak dlouho, dokud se nějaký „významný“ nenajde – i kdyby byl zcela náhodný a bez jakékoliv reálné prediktivní síly. Je to jako mučit data, dokud se nepřiznají k něčemu, co neudělala. Pokud dostatečně dlouho hledáte v dostatečně velkém množství šumu, dříve či později narazíte na něco, co vypadá jako signál.

Tento problém je obzvláště akutní ve financích, kde máme k dispozici obrovské objemy dat a mnoho analytiků zkoumá tytéž datasety. Andrew Lo z MIT varuje, že data snooping je nevyhnutelným aspektem neexperimentálních věd, jako jsou finance. Ilustruje to absurdním příkladem modelu „8-94“, který vybíral akcie na základě Carmichaelových čísel (matematický koncept bez vztahu k financím) v jejich identifikačním kódu CUSIP. Tento nesmyslný model v historickém backtestu vykazoval mimořádnou výkonnost, což ukazuje, jak snadné je najít zdánlivě úspěšné strategie čistě náhodou. Lo také upozorňuje na psychologickou past „synchronicity“ (termín C. G. Junga) – naši tendenci přisuzovat význam náhodným koincidencím.

K data snoopingu přispívá i tlak v akademickém prostředí na publikování „signifikantních“ výsledků. Tento jev, někdy nazývaný p-hacking, vede k tomu, že výzkumníci mohou nevědomky či vědomky zkoušet různé modely a specifikace, dokud nenajdou statisticky významný výsledek, který má šanci na publikaci v prestižním časopise. Časopisy preferují pozitivní nálezy, což motivuje k dolování dat. Campbell Harvey z Duke University ve svém prezidentském projevu k Americké finanční asociaci varoval, že kombinace nepublikovaných testů, chybějící korekce na mnohonásobné testování a p-hacking vede k publikaci „trapného počtu falešných pozitiv“ – efektů, které se v budoucnu nebudou opakovat. Harvey argumentuje, že vzhledem k počtu testovaných „faktorů“ (proměnných vysvětlujících výnosy) jsou tradiční hladiny statistické významnosti (p-hodnota < 0.05, t-statistika > 2) naprosto nedostatečné. Navrhuje mnohem přísnější laťku (např. t > 3). Podobně overfitting (přepasování modelu) znamená, že model popisuje spíše šum v datech než skutečný signál, což vede k dobré výkonnosti na testovacích datech, ale špatné predikční schopnosti na datech nových.

Důsledky jsou vážné. Strategie identifikované pomocí data snoopingu často selhávají při testování na datech mimo původní vzorek (out-of-sample). Studie, které explicitně korigují na data snooping (např. pomocí metod jako White's Reality Check nebo Hansen's SPA), často docházejí k závěru, že mnohé technické obchodní strategie nejsou ziskové. Zkreslení se navíc zhoršuje s použitím komplexnějších metod třídění dat.

Kombinace obrovských výpočetních kapacit, masivních datasetů a publikačního tlaku vytváří ideální podmínky pro data snooping. To potenciálně kontaminuje akademickou literaturu a ztěžuje komukoli – akademikům i praktikům – rozlišit skutečný signál od náhodného šumu. Zdá se, že moderní výzkumné prostředí samo o sobě usnadňuje objevování a publikování falešných nálezů , což činí akademickou literaturu nespolehlivým zdrojem přímo použitelných ziskových strategií bez extrémní skepse a robustní validace.

Démon data snoopingu láká analytika falešnými vzory v datech. Zdroj: AI

Alfa na ústupu: Proč včerejší zázračné strategie dnes prodělávají

I když se podaří najít strategii, která není jen statistickým přeludem a přežije konfrontaci s transakčními náklady, číhá na ni další nebezpečí: rozpad alfa (alpha decay). Termín „alfa“ ve finančním žargonu označuje výnos strategie očištěný o riziko, tedy tu část výnosu, která není jen kompenzací za podstoupené riziko, ale představuje skutečnou „přidanou hodnotu“ či informační výhodu. Rozpad alfa pak znamená postupný pokles této výhody v čase, jakmile se strategie stane známou nebo ji začne využívat příliš mnoho investorů.

Proč k tomu dochází? Existuje několik hlavních důvodů. Zaprvé, jakmile je nějaká tržní anomálie (zdroj alfa) objevena a zveřejněna, arbitražéři se ji snaží využít. Jejich obchodní aktivita postupně tlačí ceny zpět k „efektivním“ úrovním, čímž anomálii a potenciál pro další zisk eliminují. Pozitivní výnosy pozorované krátce po zveřejnění anomálie tak mohou být jen jednorázovým efektem tohoto přecenění, nikoli důkazem trvalé ziskovosti. Jedna studie dokonce odhaduje, že tento efekt přeceňování zkresluje měřenou alfu v průměru o 1,4 % ročně směrem nahoru, protože je mylně interpretován jako pokračující nadměrný výnos.

Zadruhé, pokud stejnou nebo podobnou strategii začne používat příliš mnoho investorů, dochází k tzv. crowdingu (přeplnění). Konkurence o stejné zisky snižuje jejich velikost pro každého jednotlivého hráče. Navíc, pokud dojde k tržnímu šoku nebo stresu, mohou být všichni tito investoři nuceni své pozice rychle uzavírat, což může vést k prudkým a bolestivým zvratům v cenách a velkým ztrátám.

Zatřetí, trhy se neustále vyvíjejí. To, co platilo v minulosti, nemusí platit v budoucnosti. Strategie postavené na historických datech mohou ztratit svou účinnost, protože se změní struktura trhu, chování investorů nebo regulatorní prostředí. Zde se projevuje platnost myšlenek Adaptivní hypotézy trhů (AMH) Andrewa Lo, která zdůrazňuje, že efektivita trhů není konstantní, ale mění se v závislosti na podmínkách a adaptaci (či maladaptaci) účastníků trhu.

Rozpad alfa představuje zásadní výzvu pro kvantitativní investování. Znamená to, že nalezení ziskové strategie není jednorázovým objevem, ale vyžaduje neustálou inovaci, adaptaci a hledání nových zdrojů alfa. Tradiční metody, jako je genetické programování, mohou trpět rychlým rozpadem alfa kvůli přepasování a komplexitě modelů. Dokonce i moderní přístupy využívající LLM mohou paradoxně vést k vytváření příliš homogenních (podobných) strategií, což zhoršuje crowding a urychluje rozpad alfa.

Samotný proces akademického objevování a publikování může paradoxně rozpad alfa urychlovat. Jakmile je potenciálně zisková strategie popsána v článku a zveřejněna, stává se z privátní informace veřejná. To přiláká pozornost a kapitál, což vede k arbitráži a/nebo crowdingu. Výsledkem je eroze původní alfy. Akademický publikační proces tak sám přispívá k destrukci hodnoty, kterou objevil. Neúspěšnější akademické strategie (tedy ty publikované a hojně citované) tak mohou být právě těmi, které mají nejmenší šanci zůstat ziskové po publikaci.

Graf ilustrující koncept rozpadu alfa – klesající výkonnost strategie v čase. Zdroj: AI

Kdo tedy bohatne? Pohled do světa kvantů

Pokud je cesta od akademické publikace k reálným ziskům tak trnitá – plná nástrah v podobě transakčních nákladů, statistických iluzí a nevyhnutelného rozpadu alfa – kdo tedy v tomto světě kvantitativního obchodování skutečně bohatne? Důkazy o tom, že by autoři akademických článků systematicky profitovali ze svých zveřejněných strategií, jsou přinejlepším kusé. Mnoho solidních vědeckých prací v této oblasti ani není veřejně dostupných. Studie hodnotící například DRL strategie konstatují velký potenciál, ale nedostatek důkazů o reálné ziskovosti. Práce korigující na data snooping často nenacházejí žádný signifikantní zisk.

Zdá se, že klíč k úspěchu leží jinde – ve světě velkých hedžových fondů, které operují v diametrálně odlišném režimu než akademický výzkum. Zářným, i když extrémním příkladem je James Simons a jeho firma Renaissance Technologies. Simons, původně uznávaný matematik, založil RenTech a najal špičkové vědce – matematiky, fyziky, statistiky, odborníky na zpracování signálu – nikoli tradiční finanční analytiky. Jejich přístup byl založen na analýze obrovského množství dat z nejrůznějších zdrojů (nejen finančních), hledání skrytých statistických vzorců, využití komplexních modelů a často vysokofrekvenčního obchodování (HFT). Klíčovými prvky byly také tržní neutralita (snaha eliminovat závislost na celkovém směřování trhu) a neustálá inovace. A především – extrémní míra utajení.

Jejich vlajková loď, fond Medallion, dosáhl legendárních výsledků. Od roku 1988 do roku 2018 dosahoval průměrného ročního zhodnocení kolem 66 % hrubého, tedy před poplatky, a 39 % čistého, tedy po poplatcích. Fond je od roku 2005 uzavřen pro vnější investory a je dostupný pouze zaměstnancům a majitelům firmy. Tato výkonnost, dosažená navíc s negativní betou vůči trhu (tedy fond fungoval jako zajištění proti poklesům trhu), je považována za zásadní anomálii a výzvu pro Hypotézu efektivních trhů. Úspěch byl údajně postaven na identifikaci velmi malých, krátkodobých neefektivit a jejich využití v obrovském množství obchodů (miliony denně), přičemž úspěšnost jednotlivých obchodů byla jen mírně nad 50 %. Zisky byly pravděpodobně dále zesíleny použitím finanční páky. Důležité je, že tento úspěch nebyl postaven na publikovaných akademických pracích, ale na proprietárních, přísně tajných metodách.

Záhadná černá skříňka symbolizující tajné algoritmy fondu Medallion. Zdroj: Vytvořeno na základě konceptu AI.

Tabulka: Výkonnost fondu Medallion vs. Trh (1988-2018)

Poznámka: Výkonnost Medallionu je po odečtení velmi vysokých poplatků.

Dalším zajímavým příkladem je Marcos Lopez de Prado. Původně akademik, později velmi úspěšný manažer kvantitativních fondů (v Guggenheim Partners spravoval 13 miliard dolarů s vysokým informačním poměrem 2.3). Je autorem vlivných knih o využití strojového učení ve financích a zároveň ostrým kritikem běžných praktik v oboru. Varuje před naivním používáním ML jako „černé skříňky“, před p-hackingem, overfittingem a nespolehlivými backtesty. Zdůrazňuje potřebu robustních metod, kauzální inference (pochopení příčinných vztahů, nejen korelací) a nutnost rozumět tomu, proč modely fungují. Jeho kariéra naznačuje, že úspěch je možný, ale vyžaduje překročení standardních akademických přístupů a intenzivní zaměření na praktické nástrahy. Navrhuje také, že klíčem k řešení komplexních problémů je specializace v rámci kvantitativních týmů.

Samozřejmě existují i další velcí hráči, jako je AQR Capital Management Cliffa Asnesse , kteří spravují obrovská aktiva pomocí kvantitativních strategií. Asness je známý svým výzkumem faktorového investování (např. value, momentum) a často skeptickými a vtipnými komentáři k různým investičním módám a strategiím.

Tato pozorování lze zarámovat pomocí širších teoretických konceptů. Hypotéza efektivních trhů (EMH), jejímž otcem je nositel Nobelovy ceny Eugene Fama, tvrdí, že ceny aktiv vždy odrážejí všechny dostupné informace, a proto je nemožné systematicky „porážet trh“ na riziko-očištěné bázi. Výkonnost Medallionu je pro EMH velkou výzvou. Různé formy EMH (slabá, polosilná, silná) implikují neúčinnost technické či fundamentální analýzy. Naproti tomu Adaptivní hypotéza trhů (AMH) Andrewa Lo tvrdí, že efektivita trhů není konstantní, ale mění se v závislosti na tržních podmínkách a chování investorů, které je ovlivněno evolučními a psychologickými faktory. Racionalita a iracionalita koexistují, investoři se adaptují (někdy špatně) a v obdobích nestability vznikají příležitosti pro ziskové strategie. Hedge fondy Lo označuje za „Galapágy financí“, kde probíhá rychlá evoluce strategií.

Práce dalšího nobelisty, Roberta Englea, na modelech ARCH/GARCH, které popisují časově proměnlivou volatilitu (kolísavost) trhů, poskytla nezbytné nástroje pro řízení rizika v kvantitativních strategiích. Engleho modely umožňují lépe modelovat a předpovídat období vysoké a nízké volatility, což je klíčové pro oceňování aktiv a řízení portfolia.

Zdá se tedy, že skutečný, udržitelný úspěch v kvantitativním obchodování vyžaduje nejen intelektuální kapacitu, ale také obrovský rozsah (kapitál, data, výpočetní výkon), špičkovou infrastrukturu, extrémní utajení, schopnost neustálé adaptace a možná i jiný způsob myšlení, než jaký typicky podporuje akademický publikační cyklus. Cesta k bohatství v této oblasti zřejmě vede spíše přes budování proprietárních systémů v rámci vysoce konkurenčních firem než přes publikování objevů v akademických časopisech.

Místo závěru: Intelektuální cvičení, nebo cesta k jachtě?

Shrňme si to. Cesta od brilantní akademické myšlenky k jachtě kotvící v Monaku je, zdá se, plná výmolů a slepých uliček. Propast mezi teorií a praxí je hluboká, lemovaná skrytými náklady, statistickými přeludy jako data snooping a overfitting, a neúprosným rozpadem alfa, který z včerejších zázračných strategií dělá dnešní prodělečné relikvie. Sen o jednoduchém převodu publikace na profit se pro většinu akademické práce zdá být iluzorní.

Na druhou stranu, nelze popřít, že proces výzkumu v této oblasti kultivuje mimořádně cenné dovednosti. Matematické modelování, pokročilá statistika, programování, schopnost analyzovat obrovské objemy dat – to vše jsou kompetence, po kterých je na trhu práce obrovská poptávka. Absolventi s těmito dovednostmi jsou vyhledávanou kořistí pro hedžové fondy a investiční banky, které jim nabízejí lukrativní kariéry. Možná tedy ten převod intelektuálního kapitálu na finanční neprobíhá přímo skrze ziskovost publikované strategie, ale nepřímo, prostřednictvím skvěle placeného zaměstnání v průmyslu, který si ty nejlepší nápady nechává pro sebe?

Nabízí se tedy poněkud kacířská otázka, která by mohla rozproudit diskuzi pod článkem: Je tedy hlavním produktem akademického výzkumu ve finančnictví skutečně poznání, jak vydělat na trzích? Nebo spíše produkuje vysoce kvalifikované „potravní specialisty“ pro nenasytné hedžové fondy, které si ty skutečné recepty nechávají pro sebe?

Zdá se, že přeměna intelektu na zlato vyžaduje víc než jen publikaci v recenzovaném časopise – možná i trochu té skutečné, neměřitelné magie... nebo jen hodně, hodně kapitálu a rychlejší kabely.

Zdroje a další čtení

• Chriss, N. A. et al. (arXiv:2502.07606) - Algoritmické aspekty herně-teoretického modelu obchodování s tržním dopadem. https://arxiv.orgorg/abs/2502.07606
• Łaniewski, S., & Ślepaczuk, R. (arXiv:2411.05013) - Využití LLM a NLP pro analýzu literatury o algoritmickém obchodování. https://arxiv.org/abs/2411.05013
• Cartea, Á., et al. (arXiv:2004.06627) - Návrh obchodní strategie pomocí hlubokého posilovaného učení (DRL). https://arxiv.org/pdf/2004.06627
• Mosavi, A., et al. (arXiv:2106.00123) - Přehledová studie o DRL v obchodování akcií, upozorňuje na mezeru mezi teorií a ziskovostí. https://arxiv.org/abs/2106.00123
• The Hedge Fund Journal (2014) - Krátká poznámka o nutnosti zahrnout transakční náklady do modelů. https://thehedgefundjournal.com/the-zen-of-quantitative-trading/
• FactorResearch (CAIA Blog, 2019) - Analýza rozdílu mezi backtestovanou a reálnou výkonností kvantitativních strategií. https://caia.org/blog/2019/08/11/quant-strategies-theory-vs-reality
• Kumar, A., et al. (Journal of Applied Finance, 2024) - Studie nenachází konzistentně ziskové technické strategie po korekci na data snooping. https://articlegateway.com/index.php/JAF/article/view/7511
• Timmermann, A., & Granger, C. W. J. (Working Paper, 2005) - Přehodnocení ziskovosti strategií časování trhu s korekcí na data snooping pomocí RC a SPA testů. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=a01e1225f8247d3f2139d7f234d22cef47dea70c
• Lo, A. W. (Working Paper) - Analýza zkreslení data snooping ve finanční analýze od Andrewa Lo.(https://www.hillsdaleinv.com/uploads/Data-Snooping\_Biases\_in\_Financial\_Analysis,\_Andrew\_W.\_Lo.pdf)
• Sullivan, R., et al. (LSE DP, 1997) - Aplikace bootstrapové metody Reality Check na technické obchodní strategie a data snooping. https://eprints.lse.ac.uk/119144/1/dp303.pdf
• ResearchGate Publication (2024) - Abstrakt o dopadu transakčních nákladů a skluzu na výkonnost algoritmického obchodování.(https://www.researchgate.net/publication/384458498\_The\_impact\_of\_transactions\_costs\_and\_slippage\_on\_algorithmic\_trading\_performance)
• Zhang, R., et al. (arXiv:2502.16789) - Návrh systému AlphaAgent pro generování alfa faktorů odolných vůči rozpadu pomocí LLM a dalších technik. https://arxiv.org/html/2502.16789v1
• Berk, J. B. (Management Science, 2022 / SSRN) - Kvantifikace dopadu rozpadu alfa na měřené výnosy a zkreslení testů oceňování aktiv. https://www.researchgate.net/publication/363087670_Understanding_Alpha_Decay, https://ideas.repec.org/a/inm/ormnsc/v68y2022i5p3966-3973.html, https://pubsonline.informs.org/doi/10.1287/mnsc.2022.4353
• Lopez de Prado, M. (Publikace a rozhovory) - Práce a názory Marcose Lopeze de Prado na finanční ML, kritiku faktorového investování a robustní metody. https://www.pm-research.com/content/iijjfds/7/1/10, https://quantresearch.org/Publications.htm
• Harvey, C. R., & Shephard, N. (AQR Insight, 2015) - Rozhovor o overfittingu a jeho dopadech na investory. https://www.man.com/insights/overfitting-and-its-impact-on-the-investor
• Harvey, C. R. (Presidential Address AFA, 2017 / Přednášky) - Kritika p-hackingu a data snoopingu ve finančním výzkumu. https://ba-odegaard.no/teach/empir_finance_2021/lectures/data_snooping/data_snooping_lecture_slides.pdf, https://ba-odegaard.no/teach/empir_finance_2021/lectures/data_snooping/data_snooping_lecture.pdf
• Lo, A. W. (Různé zdroje) - Představení a vysvětlení Adaptivní hypotézy trhů (AMH). https://www.investopedia.com/terms/a/adaptive-market-hypothesis.asp,(https://www.amazon.com/Adaptive-Markets-Financial-Evolution-Thought/dp/0691135142), https://global.oup.com/academic/product/the-adaptive-markets-hypothesis-9780199681143, https://belongingwealth.com/adaptive-markets/
• Investopedia (Bio J. Simons) - Základní informace o Jamesi Simonsovi a Renaissance Technologies. https://www.investopedia.com/articles/investing/030516/jim-simons-success-story-net-worth-education-top-quotes.asp
• Různé zdroje o R. Engleovi - Informace o Robertu Engleovi a jeho modelech ARCH/GARCH pro modelování volatility. https://www.investopedia.com/terms/r/robert-f-engle-iii.asp, https://www.investopedia.com/terms/a/autoregressive-conditional-heteroskedasticity.asp, https://www.nobelprize.org/uploads/2018/06/engle-lecture.pdf,(https://www.aqr.com/-/media/AQR/Documents/Insights/Interviews/Words-From-the-Wise-Robert-Engle-on-Portfolio-Management.pdf), https://www.econlib.org/library/Enc/bios/Engle.html
• Různé zdroje o E. Famovi - Informace o Eugene Famovi a Hypotéze efektivních trhů (EMH). https://corporatefinanceinstitute.com/resources/career-map/sell-side/capital-markets/efficient-markets-hypothesis/, https://www.britannica.com/money/what-is-the-efficient-market-hypothesis, https://en.wikipedia.org/wiki/Efficient-market_hypothesis, https://www.investopedia.com/terms/m/marketefficiency.asp, https://www.hoover.org/research/efficient-markets-hypothesis-and-modern-finance-nobel-prize-winner-eugene-fama
• Různé zdroje o Renaissance Technologies - Informace o výkonnosti fondů Renaissance, zejména Medallionu. https://www.institutionalinvestor.com/article/2ekcf5cio9yw4k7nv7hmo/hedge-funds/renaissance-continues-to-surge, https://www.institutionalinvestor.com/article/2e0uykr3vn5booz0smrcw/hedge-funds/renaissances-2024-rebirth, https://www.cornell-capital.com/blog/2020/02/medallion-fund-the-ultimate-counterexample.html, https://quartr.com/insights/company-research/renaissance-technologies-and-the-medallion-fund, https://whalewisdom.com/filer/renaissance-technologies-llc

Klíčová slova

algoritmické obchodování, kvantitativní finance, finanční trhy, strojové učení, umělá inteligence, ziskovost, akademický výzkum, data snooping, p-hacking, overfitting, alfa rozpad, transakční náklady, dopad na trh, hypotéza efektivních trhů, adaptivní trhy, James Simons, Renaissance Technologies, Marcos Lopez de Prado, Osel.cz

Kdo je kdo ve světě kvantů

• Stanisław Łaniewski & Robert Ślepaczuk: Výzkumníci využívající ML/NLP k analýze literatury o algoritmickém obchodování (Pravděpodobně Varšavská univerzita).
• Neil A. Chriss: Výzkumník zaměřený na herně-teoretické aspekty obchodování a strategické obchodování za neúplné informace.
• Andrew W. Lo: Profesor na MIT Sloan School of Management, ředitel MIT Laboratory for Financial Engineering. Známý pracemi o data snoopingu a Adaptivní hypotéze trhů (AMH).
• Campbell R. Harvey: Profesor financí na Duke University, Fuqua School of Business, bývalý editor Journal of Finance. Expert na oceňování aktiv, riziko a kritik empirických metod (p-hacking, data snooping).
• Marcos Lopez de Prado: Profesor na Cornell University, globální ředitel kvantitativního výzkumu a vývoje v ADIA. Dříve spravoval miliardové fondy (např. v Guggenheim Partners). Průkopník finančního ML, autor vlivných knih, kritik standardních postupů.
• James Simons: Matematik, zakladatel Renaissance Technologies, průkopník kvantitativního investování. Proslulý díky extrémně úspěšnému (a tajnému) fondu Medallion. Filantrop. (Zemřel v květnu 2024).
• Robert F. Engle III: Nositel Nobelovy ceny za ekonomii (2003). Profesor Emeritus na NYU Stern School of Business. Vyvinul modely ARCH/GARCH pro analýzu časově proměnlivé volatility, klíčové pro finanční ekonometrii a řízení rizik.
• Eugene F. Fama: Nositel Nobelovy ceny za ekonomii (2013). Profesor na University of Chicago Booth School of Business. Otec Hypotézy efektivních trhů (EMH). Spoluzakladatel Dimensional Fund Advisors (DFA).
• Clifford S. Asness: Spoluzakladatel, řídící partner a CIO AQR Capital Management. Známý výzkumem faktorového investování (value, momentum), kvantitativních strategií a často vtipnými komentáři k trhu.