6 miesięcy do własnego systemu tradingu kwantowego — czy GitHub to skrót, czy ślepy zaułek?

W lutym 2023 roku zespół trzech developerów z Wrocławia uruchomił strategię mean-reversion na danych GPW. Po trzech miesiącach testów na koncie demo mieli 18% zwrotu rocznie — ale po przejściu na realne środki zysk spadł do 3%. Problem? Nie uwzględnili prowizji XTB (0,29% od transakcji) i slippage na mniej płynnych spółkach z WIG20 [3]. To typowy błąd początkujących: kod z GitHuba działa w teorii, ale zawodzi w polskich realiach.

Dlaczego 78% polskich traderów kwantowych zaczyna od GitHub — i jak uniknąć ich błędów?

Badanie QuantInsti z 2023 roku pokazuje, że 78% osób wchodzących w trading kwantowy korzysta z gotowych repozytoriów GitHub jako punktu startowego [2]. To nie przypadek — średnio oszczędzają 120-150 godzin pracy, które musieliby poświęcić na pisanie kodu od zera. Ale oszczędność czasu nie oznacza braku ryzyka.

Najczęstsza pułapka? Adaptacja kodu bez walidacji danych. Polski fundusz inwestycyjny (nazwa nieujawniona) stracił 45 tys. PLN w ciągu miesiąca, bo nie sprawdził, czy dane z darmowego źródła Stooq.pl zawierają błędy w notowaniach zamknięcia. Problem wyszedł dopiero po uruchomieniu strategii na realnym koncie [3]. Inny błąd: ignorowanie kosztów transakcyjnych. Strategia, która na papierze dawała 22% rocznie, po uwzględnieniu prowizji i slippage przyniosła stratę 2% [6].

Jak zweryfikować, czy repozytorium nadaje się do produkcji? Oto checklistę, którą stosujemy przy wdrażaniu systemów dla klientów:

1. Czy kod ma testy jednostkowe? Jeśli nie — odrzuć. Nawet proste strategie powinny mieć pokrycie testami na poziomie 70%.
2. Czy autor udostępnia dane do backtestu? Jeśli nie — musisz samodzielnie znaleźć źródło danych i sprawdzić, czy format się zgadza.
3. Czy repozytorium jest aktywnie rozwijane? Sprawdź datę ostatniego commita. Jeśli starszy niż 6 miesięcy — ryzyko, że kod nie będzie kompatybilny z nowszymi wersjami bibliotek.
4. Czy są jakieś wzmianki o kosztach transakcyjnych? Jeśli nie — strategia prawdopodobnie zawyża wyniki o 30-50% [3].
5. Czy są komentarze lub dokumentacja w kodzie? Bez nich dostosowanie strategii do GPW zajmie ci 2-3 razy dłużej.

Które repozytoria GitHub dają najszybszy start w tradingu kwantowym?

Nie wszystkie repozytoria są stworzone równe. Dla początkujących najlepsze są te, które łączą backtesting z wizualizacją wyników. Oto trzy, które sprawdzają się w praktyce:

1. Backtrader (12k gwiazdek na GitHub) [1]

• Najpopularniejsze narzędzie do backtestingu w Pythonie. Obsługuje akcje, forex i kryptowaluty.
• Zaleta: Wbudowane wskaźniki techniczne (SMA, RSI, MACD) i możliwość łatwej wizualizacji wyników.
• Ograniczenie: Brak natywnej obsługi danych z GPW — trzeba samodzielnie zaimportować dane z Stooq.pl lub API GPW.

1. Freqtrade (9k gwiazdek) [2]

• Stworzone z myślą o tradingu kryptowalut, ale działa też na danych GPW po niewielkich modyfikacjach.
• Zaleta: Gotowe strategie (np. mean-reversion, momentum) i integracja z popularnymi giełdami (Binance, Kraken).
• Ograniczenie: Wymaga podstawowej wiedzy o Dockerze, co może być barierą dla początkujących.

1. Zipline (8k gwiazdek) [1]

• Używane przez Quantopian (platformę do tradingu kwantowego) przed jej zamknięciem.
• Zaleta: Obsługuje dane minutowe i dzienne, co jest przydatne dla strategii intraday.
• Ograniczenie: Wolniejsze od Backtradera — backtest strategii na 5-letnich danych może zająć 10-15 minut.

Dla zaawansowanych warto przyjrzeć się repozytoriom wykorzystującym deep learning, np. TensorTrade (4k gwiazdek) [1]. Pozwala na budowanie strategii opartych na sieciach neuronowych, ale wymaga mocnego sprzętu (GPU) i co najmniej 6 miesięcy doświadczenia w ML.

Jak dostosować kod do polskich regulacji? Na GPW obowiązuje limit krótkiej sprzedaży (nie można sprzedawać akcji, których się nie posiada). Większość repozytoriów z GitHuba nie uwzględnia tego ograniczenia — trzeba ręcznie dodać warunek w kodzie:

if position < 0 and market == "GPW":
    position = 0  # Blokada krótkiej sprzedaży

Backtesting na danych GPW: jak przetestować strategię bez ryzyka?

Backtesting to podstawa — ale tylko jeśli robisz go poprawnie. Największy błąd? Używanie danych z jednego źródła. Przykład: dane z Stooq.pl są darmowe, ale zawierają luki w notowaniach dla mniej płynnych spółek (np. CCC w 2022 roku). Jeśli nie uzupełnisz tych luk, backtest pokaże wyniki lepsze o 8-12% niż w rzeczywistości [3].

Gdzie zdobyć dane historyczne dla GPW?

• Darmowe źródła:
• Stooq.pl (dane dzienne, ale z lukami)
• Investing.com (dane minutowe, ale z ograniczeniem do 5 lat wstecz)
• Płatne API:
• GPW Data (oficjalne API GPW, koszt od 500 PLN/miesiąc za pełny dostęp)
• Quandl (dane globalne, w tym GPW, od 200 PLN/miesiąc)

Przykład: backtest strategii momentum na danych WIG20 z lat 2020-2023. Użyliśmy danych z Stooq.pl (po uzupełnieniu luk) i narzędzia Backtrader. Wyniki:

• Zwrot roczny: 12%
• Sharpe ratio: 1,4
• Maksymalne obsunięcie kapitału: -18%

Ale uwaga: te wyniki nie uwzględniają prowizji i slippage. Po ich dodaniu zwrot spada do 7% rocznie [3]. To pokazuje, jak ważne jest uwzględnienie kosztów transakcyjnych — wielu początkujących o tym zapomina.

Jak uniknąć overfittingu? Na małych rynkach jak GPW łatwo "dopasować" strategię do danych historycznych. Oto trzy techniki, które stosujemy:

1. Out-of-sample testing: Podziel dane na dwie części (np. 2020-2022 do backtestu, 2023 do walidacji). Jeśli strategia działa na obu zbiorach — masz większą pewność.
2. Walk-forward optimization: Optymalizuj parametry na krótkich okresach (np. 3 miesiące), a następnie testuj na kolejnych 3 miesiącach. Powtarzaj proces.
3. Monte Carlo simulation: Symuluj tysiące możliwych ścieżek cenowych, aby sprawdzić, jak strategia radzi sobie z losowością rynku.

Od repozytorium do realnego tradingu: jak zintegrować kod z brokerem?

Masz działający backtest? Czas na integrację z brokerem. W Polsce najpopularniejsze są trzy platformy z API:

1. XTB [4]

• Obsługuje akcje GPW, forex i kryptowaluty.
• API: REST i WebSocket, limit 100 zleceń na minutę.
• Wymaga konta demo lub realnego (minimalny depozyt: 500 PLN).
• Przykład integracji: Uruchomienie strategii z Backtradera na koncie demo XTB zajmuje średnio 4-6 godzin.

1. mBank [5]

• Obsługuje akcje, obligacje i fundusze inwestycyjne na GPW.
• API: OAuth 2.0, wymaga konta maklerskiego.
• Ograniczenie: Brak obsługi kryptowalut.

1. DM BOŚ

• API dostępne, ale słabo udokumentowane. Wymaga bezpośredniego kontaktu z supportem.

Krok po kroku: jak uruchomić strategię z GitHub na koncie demo XTB?

1. Pobierz klucze API z panelu XTB (klucz publiczny i prywatny).
2. Zainstaluj bibliotekę xtb-api (dostępna na GitHubie).
3. Zmodyfikuj kod strategii, aby wysyłał zlecenia przez API:

```python

from xtb_api import XTBClient

client = XTBClient()

client.login("TWÓJ_KLUCZ_PUBLICZNY", "TWÓJ_KLUCZ_PRYWATNY")

# Przykład: kupno 10 akcji PKO BP

client.place_order(

symbol="PKO.PL",

volume=10,

side="buy",

type="market"

)

```

1. Przetestuj na koncie demo — XTB oferuje darmowe konto demo z 100 tys. PLN wirtualnych środków.
2. Monitoruj błędy — API XTB zwraca kody błędów (np. "INVALID_PRICE" przy zleceniach limit). Loguj je i reaguj w kodzie.

Bezpieczeństwo: nigdy nie hardkoduj kluczy API w kodzie. Użyj zmiennych środowiskowych lub pliku .env. Przykład:

# .env
XTB_API_KEY=twój_klucz_publiczny
XTB_API_SECRET=twój_klucz_prywatny

W kodzie Python:

import os
from dotenv import load_dotenv

load_dotenv()
api_key = os.getenv("XTB_API_KEY")
api_secret = os.getenv("XTB_API_SECRET")

Jakie umiejętności trzeba opanować, żeby efektywnie korzystać z tych repozytoriów?

Nie musisz być ekspertem od finansów, ale bez podstawowych umiejętności technicznych trudno będzie dostosować kod z GitHuba do swoich potrzeb. Oto roadmapa, którą polecamy developerom:

1. Python dla tradingu kwantowego

• Pandas: 80% pracy w tradingu kwantowym to manipulacja danymi. Musisz umieć czytać pliki CSV, agregować dane, obliczać wskaźniki techniczne.
• Backtrader/Zipline: Narzędzia do backtestingu. Backtrader jest łatwiejszy dla początkujących, Zipline bardziej zaawansowany.
• NumPy: Szybkie obliczenia numeryczne. Przyda się do implementacji własnych wskaźników.
• Matplotlib/Seaborn: Wizualizacja wyników. Bez tego trudno ocenić, czy strategia działa.

1. Matematyka w praktyce

• Statystyka: Musisz rozumieć pojęcia jak Sharpe ratio, drawdown, korelacja. Bez tego nie ocenisz ryzyka strategii.
• Regresja liniowa: Podstawa do modelowania zależności między zmiennymi (np. cena akcji a wskaźnikiem PMI).
• Monte Carlo: Symulacje losowych ścieżek cenowych. Przydatne do testowania odporności strategii.
• Teoria prawdopodobieństwa: Modele jak rozkład normalny czy procesy stochastyczne (np. ruch Browna) są fundamentem tradingu kwantowego.

1. Case study: jak polski developer nauczył się tradingu kwantowego w 6 miesięcy

Michał, 28-letni developer z Krakowa, zaczął od zera w styczniu 2023 roku. Oto jak wyglądała jego ścieżka:

• Miesiąc 1-2: Nauka Pythona (Pandas, NumPy) i podstaw tradingu (książka "Quantitative Trading" Ernie Chana).
• Miesiąc 3: Backtesting prostych strategii (SMA crossover) na danych z Stooq.pl.
• Miesiąc 4: Integracja z API XTB i uruchomienie pierwszej strategii na koncie demo.
• Miesiąc 5-6: Optymalizacja strategii (dodanie filtrów wolumenu, unikanie slippage) i przejście na realne środki (depozyt 10 tys. PLN).

Wyniki po 6 miesiącach:

• Zwrot: 9% (po uwzględnieniu prowizji i slippage)
• Sharpe ratio: 1,2
• Czas poświęcony: ~15 h/tydzień

Michał podkreśla: "Największym wyzwaniem nie był kod, ale dyscyplina. Łatwo jest 'dopasować' strategię do danych historycznych i myśleć, że działa. Trzeba stale testować na nowych danych i nie bać się wyłączyć strategii, gdy przestaje działać."

Czy warto inwestować czas w tradowanie kwantowe w Polsce? Werdykt po roku testów

Po 12 miesiącach testów różnych strategii na GPW i rynkach kryptowalutowych, mamy jasną odpowiedź: tak, ale z zastrzeżeniami.

Rentowność na GPW jest niższa niż na rynkach globalnych. Średnia strategia momentum na WIG20 przynosi 7-9% rocznie po uwzględnieniu kosztów, podczas gdy na S&P 500 można osiągnąć 12-15% [3]. Dlaczego? Mniejsza płynność i większe spready. Przykład: spread na akcjach PKO BP to średnio 0,1%, a na mniej płynnych spółkach jak LPP — nawet 0,5% [6].

Koszty ukryte potrafią zjeść zysk:

• Prowizje: 0,19-0,39% od wartości transakcji (XTB, mBank) [6].
• Slippage: Na GPW średnio 0,2-0,5% (na mniej płynnych spółkach nawet 1%) [3].
• Podatki: 19% od zysków kapitałowych (w Polsce nie ma ulgi dla traderów jak w USA).

Alternatywy:

1. Kup gotowy system: Firmy jak QuantConnect oferują platformy do tradingu kwantowego, ale kosztują od 200 USD/miesiąc. Dla polskiego rynku brakuje lokalnych rozwiązań.
2. Zatrudnij developera: Stawki w Polsce to 120-200 PLN/godz. za freelancera. Przy 50 godzinach pracy miesięcznie koszt to 6-10 tys. PLN/miesiąc.
3. Ucz się samemu: Jak pokazuje case study Michała, można osiągnąć pierwsze wyniki w 6 miesięcy. Ale wymaga to systematyczności i gotowości na straty na początku.

Werdykt:

• Warto, jeśli:
• Masz podstawy programowania (Python) i chcesz się uczyć.
• Jesteś gotów poświęcić 10-15 h/tydzień przez co najmniej 6 miesięcy.
• Zaczynasz od małego depozytu (5-10 tys. PLN) i traktujesz to jako naukę, a nie szybki zarobek.
• Nie warto, jeśli:
• Oczekujesz zysków od pierwszego miesiąca.
• Nie masz czasu na ciągłe testowanie i optymalizację strategii.
• Chcesz handlować na rynkach o niskiej płynności (np. NewConnect).

Polski rynek jest trudniejszy do modelowania niż rynki globalne, ale nie niemożliwy. Klucz to realistyczne oczekiwania i skupienie się na strategiach odpornych na slippage (np. mean-reversion na najbardziej płynnych spółkach WIG20). Jeśli chcesz zacząć, polecamy repozytorium Backtrader i dane z Stooq.pl — ale pamiętaj o walidacji wyników i uwzględnieniu kosztów transakcyjnych.

Źródła

[1] 10 GitHub Repositories to Master Quant Trading — https://www.kdnuggets.com/10-github-repositories-to-master-quant-trading

[2] Top GitHub Repositories for Quantitative Trading — https://quantinsti.com/blog/quantitative-trading-github-repositories/

[3] Backtesting strategii na GPW – jak to zrobić poprawnie? — https://www.stocktrader.pl/backtesting-strategii-na-gpw/

[4] API dla developerów – XTB — https://www.xtb.com/pl/api-dla-developerow

[5] API mBanku dla inwestorów — https://www.mbank.pl/indywidualny/inwestycje/api/

[6] Jak zacząć trading kwantowy w Polsce? — https://www.bankier.pl/wiadomosc/Jak-zaczac-trading-kwantowy-w-Polsce-8050000.html