Co je vibe trading

„Vibe trading" není akademický termín. Vznikl organicky v AI komunitě — zkratka pro myšlenku, že model čte zprávy, chápe náladu trhu a z toho generuje obchodní signály. Podobně jako „vibe coding" (nechte AI psát kód, vy korigujete směr) — jen s penězi, ne s kódem.

Píšu o tom, protože architektuji systém, kde tohle děláme doopravdy. Chci vysvětlit, co to znamená v praxi, co funguje, co ještě ne, a proč je rozdíl mezi demo projektem a produkčním systémem větší, než vypadá.

Co vibe trading v praxi znamená

Tradiční algoritmické obchodování stojí na technických indikátorech — průměrech, volatilitě, objemu. Jsou deterministické. Vidíte přesně, proč systém nakoupil.

Vibe trading přidává vrstvu: jazykový model čte zprávy a z textu extrahuje signál. Nejen "co se stalo", ale "jak na to trh reaguje". Centrální banka zmíní vyšší inflaci → model to přečte → vyprodukuje skóre nálady → to vstoupí do signálového enginu spolu s makro daty a technickými indikátory.

Výsledek není "kup za X, prodej za Y". Výsledkem je strukturovaný signál: aktivum, směr, síla přesvědčení, zdůvodnění. Obchodní rozhodnutí pak udělá buď trader na základě signálu, nebo — v plně autonomním módu — systém sám.

Autonomní mód je část, která ještě dozrává. K tomu se dostanu.

Jak to stavíme

Systém, na kterém pracuji, má tři vstupní proudy:

1. AI news-sentiment — model čte zprávy, výstup je strukturovaný JSON se skóre a zdůvodněním
2. Makro data — úrokové sazby, inflace, pracovní trh a podobné agregáty
3. Technické indikátory — standardní signály z cenové historie

Z těchto tří vstupů generujeme obchodní signály. Backend je v .NET 10, frontend v Next.js, LLM orchestrace běží přes vlastní abstrakci nad více poskytovateli — takže můžeme přepnout model bez přepsání logiky.

Lokální inference

Sentimentová analýza zpráv nemusí nutně projít komerčním API. Pro část zpracování používáme lokální inference — model běží u nás. Přináší to dvě věci: nižší cenu za token a nižší latenci. Tradeoff je vyšší nároky na infrastrukturu a to, že lokální modely jsou zatím menší než komerční špička.

Signal engine bez stavů

Signálový engine je bezstavový. Má ~20 zaměnitelných evaluatorů ve strategy patternu — každý evaluátor implementuje stejné rozhraní a přispívá svou partial score. Přidání nové strategie (nový evaluátor) nerozbije stávající. To je záměrné rozhodnutí, ne reflex — v systému kde experimentujeme s různými přístupy, potřebuji jistotu, že nový evaluátor nepřepíše chování starého.

Cost gate

Před každým LLM voláním proběhne cost gate. Systém má denní budget. Pokud by volání překročilo limit, gate vyhodí výjimku před requestem — ne po. Runaway smyčka, která zkonzumuje celý měsíční budget za noc, je klasická chyba při LLM integraci. Prevence je levnější než postmortem.

Observabilita

Každé LLM volání je auditováno: tokeny (input/output), latence, cena, výsledek. Bez tohoto nevidím, co systém dělá, proč je signál takový jaký je, ani kde se peníze za inference reálně tráví.

Proč je to těžší, než vypadá

Peníze jsou adversariální prostředí. Trh se adaptuje. Co fungovalo loni, nemusí fungovat teď — ne proto, že by se model zhoršil, ale proto, že ostatní hráči vidí stejné zprávy a reagují dřív nebo jinak.

Tři konkrétní problémy:

Stav. Obchodní systém není bezstavový. Má pozice, cash balance, rizikové limity, historii. LLM signál je bezstavový — model neví, co máte v portfoliu. Integrace těchto dvou světů je netriviální. Špatný stav = špatné rozhodnutí → ztráta.

Latence. Zprávy mají efekt v prvních minutách. Pokud sentimentová analýza trvá 8 sekund, jste za trhem. Lokální inference nebo předvýpočet částí pomáhají, ale není to zadarmo.

Halucinace. Jazykový model může "přečíst" zprávu a vygenerovat přesvědčivý signál, který nedává ekonomický smysl. Strukturovaný JSON výstup a validace parseru to neodstraní úplně — jen omezí nejkřiklavější chyby.

Kde jsme teď

PoC běží živě. Generujeme signály, sledujeme jejich kvalitu, validujeme výstupy ručně.

Autonomní mód — kdy systém zadává příkazy bez lidského potvrzení — je ve vývoji. Záměrně ho nenasazujeme dřív, než budeme mít stabilní zpětnou vazbu z více tržních podmínek a robustní řízení rizik na straně exekuce.

Pár věcí, které nedělám a nepředstírám, že dělám: nejsem ML researcher, fine-tuning modelů neřeším. Pracuji s existujícími modely a stavím kolem nich systémový rámec — orchestraci, guardraily, observabilitu, state management. To je jiná disciplína než trénování.

Co odlišuje hračku od produkčního systému

Skoro každý demo projekt vibe tradingu vypadá stejně: zavolej GPT-4, dostaneš text, zobraz ho. V demo podmínkách to funguje.

Produkční systém potřebuje jiné věci:

• Cost gate — kontrolu kolik utrácíte za inference, před každým voláním
• Strukturovaný výstup s robustním parserem — model vrátí JSON, ale parsování musí přežít chyby formátu
• Observabilitu — každý token, každý call, každá cena zalogovaná a auditovatelná
• Bezstavový signal engine — isolace evaluatorů tak, aby přidání nového nic nerozbilo
• Stav mimo LLM — portfolio stav, cash balance, exekuční limity žijí v databázi, ne v kontextu modelu
• Multi-provider abstrakci — pokud jeden poskytovatel zdraží nebo zhorší kvalitu, přepínám bez přepsání logiky

Demo systém nemá nic z toho. Funguje v ideálním scénáři. Produkce ideální není.

---

FAQ

Je to investiční doporučení?

Ne. Popis systému je technický. Co kupovat nebo prodávat neradím — to je mimo mou roli i mimo scope tohoto článku. Backtesting a živé výsledky systém sbírá, ale nejsou veřejné.

Funguje to? Vydělává to peníze?

Poctivá odpověď: nevím. PoC generuje signály, které mají zpětně ověřitelnou logiku. Jestli jsou dlouhodobě profitabilní v různých tržních podmínkách — to prokáže čas a data, ne prezentace. Každý, kdo vám řekne "ano, funguje to" bez konkrétních čísel za dostatečně dlouhé období, něco zamlčuje.

Proč sdílet architektonické detaily?

Konkurenční výhoda není ve vědomosti, že cost gate existuje. Je v tom, jak přesně ho implementujete, jak kalibrujete evaluátory, a jak řídíte risk. Ty věci nezveřejňuji. Architektura bez těchto detailů nikomu nevydělá peníze — ale ukáže, co odděluje promyšlený systém od demo projektu.