Novinkový sentiment jako obchodní signál: průvodce pro algo-tradery

# Jak využít novinkový sentiment jako obchodní signál v algoritmickém obchodování

Algoritmické obchodování na kryptoměnových trzích ztrácí efektivitu, když indikátory ignorují změnu tržního režimu. Řešením je analýza novinkového sentimentu prostřednictvím vektorového vyhledávání a RAG modelů, nikoli interpretací LLM. To umožňuje zachytit fundamentální posuny nálad dříve, než se projeví v ceně.

Proč klasické indikátory přestávají fungovat

Skluzové průměry a RSI se kalibrují na historických datech za předpokladu stabilního tržního režimu. Realita je však střídání medvědích a býčích dnů, které se často mění během dne. Technická analýza se k těmto přepínáním nepřizpůsobuje, protože její logika je založena na průměrování. Ráno pozitivní novinka, večer negativní. Výsledek: indikátory ukazují „šum“, nikoli trend.

Problém není v nástrojích, ale v kontextu jejich použití. Indikátory fungují v rámci režimu, ale režim samotný neurčují. Ten určuje novinkový podklad – způsob, jakým autoritativní zdroje formují vnímání trhu jeho účastníky.

Jak správně sbírat a filtrovat novinky

Pro vytvoření signálu nestačí jen parsovat nadpisy. Kriticky důležité jsou tři parametry: doména, čas publikace a vektorová podobnost. Tady je postup:

• Používejte vektorové vyhledávání místo klíčových slov

- Používejte PgVector nebo MongoDB Atlas Vector Search pro vyhledávání podle smyslu, ne podle shody slov.

- Hledejte skóre blízko nule podle kosinové podobnosti – právě to odráží skrytý vliv (např. zmínka o Trumpovi bez přímé reference na bitcoin).

- Vyhněte se LLM pro primární vyhledávání – ta interpretují, ne fixují sentiment.

• Soustřeďte se na autoritativní domény

- Regulační dokumenty SEC trh samy o sobě nehýbou – jen pokud je sdílejí vlivní blogeři nebo analytici.

- Sestavte bílý seznam domén, jejichž publikum skutečně ovlivňuje retailové investory.

• Zohledněte časový faktor

- Průměrování za den ničí směrovitost. Vezměte striktně okno 24 hodin – stačí k odfiltrování šumu, ale zachování kontextu.

- Filtrovat publikace s neznámým časem (např. 00:00:00 GMT). Vytvářejí look-ahead bias.

Praktická realizace: kód a filtrování

Při práci s API typu Tavily je důležité správně zpracovávat časové značky. Zde je příklad filtrování v JavaScriptu:

const hour = dayjs(publishedDate).utc().get("hour");
const minute = dayjs(publishedDate).utc().get("minute");
if (hour === 0 && minute === 0) {
    console.warn(`fetchNews search invalid publishedDate query=${query} url=${url} from=${from} to=${to}`)
    return false;
}

Také žádejte data za -2 dny a pak lokálně filtrujte posledních 24 hodin. To řeší problém ztráty publikací na hranici dne kvůli specifikům CDN a databází.

Případové studie: jak sentiment předchází pohybu ceny

Ve dvou reálných případech systém založený na vektorovém vyhledávání správně určil směr pohybu:

• Neutrálně-medvědí sentiment → následný pokles ceny BTC.
• Býčí sentiment → jistý růst v následujících hodinách.

Důležité: systém nepředpovídá cenu. Fixuje synergický efekt mnoha publikací, který formuje kolektivní očekávání účastníků trhu. Právě toto očekávání se pak materializuje v pohybu grafu.

Řízení pozice: výstup podle PnL, ne podle sentimentu

Vystupovat ze sdelky při změně sentimentu je příliš pozdě. Parsery zaostávají a ztrácíte část zisku. Optimální přístup – fixovat zisk při zpětném pohybu o 3 % od maximálního PnL otevřené pozice.

Příklad: pokud pozice dala +10 %, výstup nastane při poklesu na +7 %. To umožňuje udržet 97 % zisku, i když se novinkový podklad ještě nezměnil. Na 10 obchodech takový přístup může přidat až +30 % k celkové výnosnosti.

Pro řízení rizik používejte tvrdý stop-loss a trailing take-profit. To chrání před náhlými obraty, které nestihne zachytit ani nejuniverzálnější novinkový systém.

Co je důležité

• Oddělte vektorové vyhledávání a LLM: první nachází sentiment, druhý ho interpretuje.
• Okno 24 hodin je optimální: méně – šum, více – ztráta směrovitosti.
• Autoritativní domény > regulátoři: trh reaguje na interpretaci, ne na fakt.
• Výstup podle PnL, ne podle signálu: ušetří 3 % na každém úspěšném obchodu.
• Filtrovat publikace bez času: zkreslují backtest.

— Editorial Team