Zobrazují se příspěvky se štítkemstatististic. Zobrazit všechny příspěvky
Zobrazují se příspěvky se štítkemstatististic. Zobrazit všechny příspěvky

29. prosince 2025

Jak se dá spočítat riziko a pravděpodobnost

Trading: odhad pravděpodobnosti a vztah riziko ↔ pravděpodobnost

Zadání 

1) bez páky (cash, bez marginu)  

2) pouze long Call / long Put (ztráta max = zaplacené premium)


1) Bez páky (cash, bez marginu)

Fakta

- U jedné akciové pozice bez páky je maximální ztráta na pozici 100 % vložené částky (při pádu ceny na nulu); není zde margin call z páky.

- Když do jedné pozice dáte podíl kapitálu **w** (zbytek držíte v cash),

pak přibližně platí: ztráta účtu ≈ **w × ztráta podkladu** (ignoruje dividendy, FX, gapy a poplatky).


Interpretace (co typicky zvyšuje/snižuje pravděpodobnost velké ztráty)

- Vyšší riziko bez páky obvykle znamená:

  (a) vyšší **koncentraci** (větší w), nebo

  (b) volatilnější titul/portfolio.

- Pro pevný práh ztráty účtu **a** to znamená: čím vyšší w, tím menší pohyb podkladu stačí, aby nastal drawdown ≥ a → pravděpodobnost překročení prahu roste.


2) Pouze long Call / long Put (kupujete opce, neprodáváte) 

Fakta (omezení ztráty)

- U **long call** je maximální ztráta omezená na zaplacené **premium**
  (počáteční vklad do opce). To platí vždy pro kupujícího (long).

- U **long put** je maximální ztráta také omezená na zaplacené **premium**   (počáteční vklad do opce). Ano, Put lze „vždy“ takto omezit, pokud jste kupující (long).

- Pokud byste opce **prodával** (short), omezení na vklad obecně neplatí  (např. nekrytý call může mít velmi vysoké riziko).


Fakta (pravděpodobnost plné ztráty premium při držení do expirace)

- Long call může expirací skončit bezcenně (OTM), typicky když **S_T ≤ K**.

- Long put může expirací skončit bezcenně (OTM), typicky když **S_T ≥ K**.

- Čím kratší expirace a/nebo čím více OTM, tím vyšší je šance, že opce skončí OTM  (a premium ztratíte celé), protože roli hraje časová hodnota (time decay).


Interpretace (jak se mění „riziko“ oproti akcii bez páky)

- Opce často sníží maximální ztrátu účtu, pokud premium tvoří malý podíl kapitálu

  (např. 1–3 % účtu na jeden obchod).

- Současně ale může zvýšit pravděpodobnost „ztratím 100 % vloženého premium“, zvlášť u krátkodobých/OTM opcí.

- Proto je užitečné rozlišovat dvě otázky:

  1) Jak velká může být ztráta (tail / worst-case)?

  2) Jak často nastane „ztráta“ (např. opce OTM)?


Praktický postup odhadu (stručně, bez „magického čísla“)

Fakta

- Musíte definovat událost a horizont, např.:

  - P (drawdown účtu ≥ 10 % do 30 dnů),

  - P (ztráta premium = 100 % do expirace),

  - P (margin call) (tady pro režim 1) bez páky typicky ne).

- Pro opce je minimum spočítat:

  - pravděpodobnost OTM při expiraci,

  - pravděpodobnost být nad break-even (call: K + premium; put: K − premium).


Interpretace

- V praxi dělejte scénáře (optim/base/stres) změnou volatility, gapů a režimu.

- Stanovte dopředu, co by vám změnilo názor (nová data, změna volatility, změna trendu, změna fundamentu, změna korelací).


Závěr (1:1)

1) Bez páky:
riziko roste hlavně s koncentrací (w) a volatilitou podkladu; max ztráta na pozici je 100 % vložené částky, margin call z páky typicky není.

2) Pouze long Call/Put:
ztráta je vždy omezená na premium (počáteční vklad) jak u call, tak u put, pokud jste kupující (long); zároveň často roste šance, že premium ztratíte celé (OTM do expirace), zejména u krátkých a OTM opcí.



Zdroje 

- Investor.gov – An Introduction to Options:

https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-bulletins-63

- OCC – Characteristics and Risks of Standardized Options (ODD):

  https://www.theocc.com/company-information/documents-and-archives/options-disclosure-document

- Cboe – Equity Option Long Call KID (PDF):

  https://cdn.cboe.com/resources/participant_resources/kid/EN/Equity_Option_Long_Call_KID.pdf

- Cboe – Equity Option Long Put KID (PDF):

https://cdn.cboe.com/resources/participant_resources/kid/EN/Equity_Option_Long_Put_KID.pdf

- FINRA – Rule 2264 (Margin Disclosure Statement):

https://www.finra.org/rules-guidance/rulebooks/finra-rules/2264













2 - 4 základní opční kombinace pro snížení rizika při očekávaném výkyvu


1) Protective put (akcie + koupený Put)

- Efekt: podlaha na ztrátu (definuje min. prodejní cenu).

- Max. ztráta (na akcii, bez poplatků): (S0 − K) + P.

- Cena: premium P snižuje výnos; časový rozpad.

Příklad: S0=100, Put K=90, P=2 → max. ztráta = 12.


2) Collar (akcie + koupený Put + vypsaný Call)

- Efekt: podlaha (Put) + strop (Call).

- Net premium N = P_put − P_call.

- Max. ztráta: (S0 − K_put) + N.

- Max. zisk: (K_call − S0) − N.

- Varianta: „zero-cost collar“, když P_call ≈ P_put.

Příklad: S0=100, Put 90 za 2, Call 110 za 1.5 → N=0.5

- max. ztráta = 10.5

- max. zisk = 9.5


3) Put debit spread (koupený Put + vypsaný Put níž)

- Efekt: levnější než samotný Put, ale ochrana má strop.

- Max. riziko (samotný spread): čistý debit.

- Jako hedge k akcii: dobře tlumí střední pokles, slabé proti krachu.


Příklad hedge: S0=100, long Put 95 (3), short Put 85 (1) → net 2

- když ST=80: akcie −20; spread max +10; po prémii +8 → celkem −12

- když ST=0: akcie −100; spread pořád max +8 → celkem −92


4) Long straddle (koupený Call + koupený Put, stejný strike)

- Efekt: sázka na velký pohyb oběma směry s omezenou ztrátou.

- Max. ztráta: součet prémií.

- Break-even: strike ± (součet prémií).

- Nevýhoda: vysoký časový rozpad.

Příklad: strike 100, prémie celkem 6 → BE 94 a 106; max. ztráta 6.


Zdroje:

- https://www.theocc.com/getmedia/a151a9ae-d784-4a15-bdeb-23a029f50b70/riskstoc.pdf

- https://www.schwab.com/learn/story/what-are-options-collars

- https://www.schwab.com/learn/story/can-protective-puts-provide-temporary-shield

- https://www.optionseducation.org/strategies/all-strategies/long-straddle

- https://www.optionseducation.org/strategies/all-strategies/collar-protective-collar

- https://www.optionseducation.org/strategies/all-strategies/bear-put-spread




LLM odpověď na kritiku:

Kritické zhodnocení slabin uvedeného „výpočtu rizika“


### Fakta, kde má text pravdu (a je užitečný)

1) Normalita / „fat tails“ (tlusté konce rozdělení)

   - Směr výtky je správný: modely založené na normalitě často podceňují extrémy.

   - Regulace tržního rizika proto pracuje i s Expected Shortfall (ES) a stresovými obdobími.

   - Zdroj: BIS/BCBS (Market Risk, FRTB): https://www.bis.org/bcbs/publ/d352.pdf


2) Poplatky a exekuce (bid–ask, skluz)

   - Je správně, že spread a skluz jsou reálné a kumulují se.

   - Zdroj (edukační, ne peer-review): https://www.binance.com/en/academy/articles/bid-ask-spread-and-slippage-explained


3) Margin call / autolikvidace

   - Je správně, že margin riziko není jen „páka ano/ne“; existují maintenance margin a nucené likvidace.

   - Zdroj (edukační): https://www.cmegroup.com/education/courses/introduction-to-futures/margin-know-what-is-needed.html


4) „Žádná data/studie“ (chybí backtesty)

   - Validní: bez backtestu/simulace je tvrzení o riziku slabé a snadno zavádějící.


5) Risk/trade max 1–2 %

   - Běžná heuristika v edukačních textech pro nováčky (není univerzální „pravda“).

   - Zdroj (edukační):
 https://roklen24.cz/trading-neni-investovani-co-by-mel-vedet-kazdy-novacek/



### Slabiny / nepřesnosti v tom textu (co bych opravil)

6) „Extrémy reálně 2–5× častější“

   - Příliš konkrétní bez definice: jaký práh extrému, jaké aktivum, jaký horizont?

   - Směr je OK (podcenění), ale násobek může být jiný.

   - EVT (intro text): https://repub.eur.nl/pub/12381/ExtremeValueTheory_2003.pdf


7) „Bez poplatků… → +1–3 % rizika/rok“

   - Směšuje metriky: náklady typicky snižují očekávaný výnos a zvyšují pravděpodobnost DD/ruiny,

     ale univerzální „% rizika/rok“ bez strategie/obrátkovosti/likvidity nedává smysl.

   - Navíc „time decay“ (theta) u opcí není poplatek, ale vlastnost payoff.

   - Kalkulátor payoff (neřeší skluz/spready v praxi): https://www.tradingblock.com/calculators/long-put-option-calculator


8) „Margin call: typicky ne bez páky“

   - I bez „vědomé páky“ může vzniknout riziko nucené likvidace (deriváty, overnight margin, zvýšení

     požadavků při volatilitě, broker limity).

   - Viz CME margin zdroj výše.


9) „Retail DD ~10–20–50 %“

   - Bez zdroje je to dojem; a DD je navíc definicí citlivý (peak-to-trough, denní vs celkový, open vs closed P/L).

   - Pro retail CFD existují regulatorní souhrny ztrát retailu (tvrdší opora než neukotvené DD).

   - ESMA (omezení CFD, ochrana retailu): 

https://www.esma.europa.eu/press-news/esma-news/esma-agrees-prohibit-binary-options-and-restrict-cfds-protect-retail-investors


10) „Použij VaR/ES z historie + Monte Carlo“ (neúplné)

   - Historická VaR/ES trpí nestacionaritou (režimy se mění).

   - Monte Carlo je tak dobré, jak dobré jsou předpoklady (rozdělení, korelace, skoky/gapy).

   - Minimum: doplnit stress scénáře + citlivostní analýzu + režimové přepínání.

   - Zdroj (FRTB rámec): ¨
https://www.bis.org/bcbs/publ/d352.pdf



## Co z uvedených odkazů je relevantní

11) LuxAlgo (RRR)

   - RRR (risk–reward ratio) je užitečné, ale samo o sobě není risk management.

   - Musí se spojit s win-rate, distribucí výsledků a náklady.

   - https://www.luxalgo.com/blog/how-to-evaluate-risk-reward-ratios-in-trading/


12) Roklen24 (nováček)

   - Dobré jako rámec: money management, očekávání ztrátových obchodů.

   - https://roklen24.cz/trading-neni-investovani-co-by-mel-vedet-kazdy-novacek/


13) TradingBlock kalkulátor (opce)

   - Vhodné pro mechaniku payoff (max loss, breakeven), ale neřeší exekuci a modelové chyby (vol, jumps).

   - https://www.tradingblock.com/calculators/long-put-option-calculator


14) Peníze.cz (CFD/páka)

   - Relevantní pro vysvětlení, jak margin/páka násobí ztrátu a riziko likvidace.

   - https://www.penize.cz/derivaty/429767-investice-s-pakou-jak-funguji-cfd-kontrakty


15) MondFX + Purple Trading (drawdown pojmy)

   - Užitečné pro definice DD a komunikaci rizika účtu (High Water Mark apod.).

   - https://mondfx.com/what-is-drawdown-in-forex

   - https://www.purple-trading.com/cs/25-zakladnich-pojmu-ktere-zrychli-vase-rozhodovani-na-trhu/



## Jak bych doporučení zpřesnil (minimum pro „nepodbíhající“ risk výpočet)

16) Specifikovat metriky a jednotku času

   - DD (peak-to-trough), VaR/ES (hladina a horizont), risk-of-ruin.

   - U opcí zvlášť:
     max loss, path-dependence, gap risk, citlivosti (delta/gamma/vega/theta).


17) Použít více vrstev (ne jen VaR/ES)

   - (a) Payoff/mechanika (kalkulátor)

   - (b) Náklady exekuce (spread/slippage) podle likvidity a velikosti pozice

   - (c) Historická simulace + stresová období (krize)

   - (d) Citlivost na režimy (volatilita/korelace) + jumps/gapy


18) Opřít „retail realitu“ o data

   - U CFD: regulatorní statistiky/omezení jsou dobrý baseline pro rizika retailu.

   - ESMA viz výše.



Shrnutí uvažování (≤6 bodů)

- Text správně míří na hlavní třídy chyb: normalita, náklady, margin, chybějící data.

- Dvě konkrétní číselné věty („2–5ד, „1–3 %/rok“) jsou bez definice/metodiky neobhajitelné.

- „Time decay“ není poplatek; patří do payoff/dynamiky opcí.

- VaR/ES + Monte Carlo nestačí bez stresů a citlivosti na režimy/jumps.

- Lepší je ukotvit riziko přes DD + risk-of-ruin + stresová období + exekuční náklady.

- Pro retail (hlavně CFD) existují regulatorní opory, které jsou tvrdší než dojem.



TOP zdroje (APA)

- European Securities and Markets Authority. (2018-03-27). ESMA agrees to prohibit binary options and

  restrict CFDs to protect retail investors [press release].

  https://www.esma.europa.eu/press-news/esma-news/esma-agrees-prohibit-binary-options-and-restrict-cfds-protect-retail-investors

- Bank for International Settlements / Basel Committee on Banking Supervision. (2016; revised 2019-01).

  Minimum capital requirements for market risk [standard, PDF].

  https://www.bis.org/bcbs/publ/d352.pdf

- CME Group. (datum neuvedeno). Margin: Know What’s Needed [education].

  https://www.cmegroup.com/education/courses/introduction-to-futures/margin-know-what-is-needed.html

- LuxAlgo. (datum neuvedeno). How to evaluate risk reward ratios in trading [blog/education].

  https://www.luxalgo.com/blog/how-to-evaluate-risk-reward-ratios-in-trading/

- Roklen24. (datum neuvedeno). Trading není investování: co by měl vědět každý nováček [článek].

  https://roklen24.cz/trading-neni-investovani-co-by-mel-vedet-kazdy-novacek/














Odhad pravděpodobnosti a vliv rizika v tradingu 


Fakta: co přesně znamená „pravděpodobnost“ v tradingu

- Neexistuje jedno univerzální „o kolik“; musíte definovat událost (např. drawdown ≥ 30 %,

  margin call, ztráta > X Kč) a časový horizont (den / týden / rok).

- „Vyšší riziko“ se typicky dělá přes větší pozici, páku, margin nebo agresivnější risk-per-trade.

  To zvyšuje rozkmit výsledků a pravděpodobnost, že narazíte na pevný limit (margin call, stop, risk-limit).


Fakta: margin přidává nelineární rizika

- U marginu může broker vynutit prodej a můžete ztratit i více, než jste vložil do margin účtu.

  (viz FINRA disclosure v odkazech níže)


Ilustrace 1 (modelová): jak páka mění šanci velké ztráty pro daný práh

Předpoklad (jen pro intuici): roční výnos R ~ Normal(μ, σ), např. μ = 10 %, σ = 20 %.

Pákovaný výnos = L * R. Pravděpodobnost „rok dopadne hůř než -30 %“:


- P(L * R < -0.30) = P(R < -0.30 / L)

- z = ((-0.30 / L) - μ) / σ,  p = Φ(z)


Dosazení (μ = 0.10, σ = 0.20):

- L = 1×: z = -2.00  -> p ≈ 0.02275  (≈ 2.3 %)

- L = 2×: z = -1.25  -> p ≈ 0.10565  (≈ 10.6 %)

- L = 3×: z = -1.00  -> p ≈ 0.15865  (≈ 15.9 %)


Pozn.: je to zjednodušení
(ignoruje poplatky, skluz, „fat tails“, režimové změny, margin call).


Ilustrace 2 (path-dependent): risk-per-trade a série ztrát

- Když riskujete fixní podíl účtu f na obchod, po N ztrátách v řadě máte kapitál:

  K_N = (1 - f)^N

- Pro 50% propad jen sérií ztrát potřebujete:

  N ≥ ln(0.5) / ln(1 - f)


Příklady:

- f = 10 % -> N ≈ 6.58 -> 7 ztrát v řadě

- f = 2 %  -> N ≈ 34.31 -> 35 ztrát v řadě


Pokud je pravděpodobnost ztrátového obchodu q = 45 % a uděláte 200 obchodů, pak (při nezávislosti obchodů) vychází šance, že se objeví alespoň jedna série
7 ztrát v řadě, asi 33 %.


Pozn.: nezávislost je často nepravdivá (volatility clustering, změny režimu), takže reálně to může být vyšší i nižší podle strategie a trhu.


Proč se odhady v realitě často lámou (fakta + typické confoundery)

- „Fat tails“ a gapy: extrémy jsou častější než v normálním modelu.

- Volatilita se shlukuje (klidné vs. bouřlivé období), korelace se v krizi mění.

- Náklady (spready, skluz, funding), omezení likvidity, nucené likvidace.

- U páky/marginu: denní reset u pákových produktů, divergence od očekávání při držení déle.


Praktický postup (jak odhad dělat správně)

1) Definujte událost a horizont: P(drawdown ≥ X % do T), P(margin call), P(bankrot).

2) Odhadněte rozdělení výnosů (historie + stres scénáře; počítejte s extrémy).

3) Spočítejte metriky: pravděpodobnost překročení prahu, VaR / Expected Shortfall, a simulaci trajektorie (Monte Carlo / bootstrap).

4) Udělejte citlivost: co nejvíc hýbe výsledkem (volatilita, korelace, gapy, náklady, limity).


Shrnutí uvažování  

- „O kolik“ jde říct jen po definici události a horizontu.

- Vyšší páka/pozice zvyšuje rozptyl a šanci trefit pevný limit ztráty.

- Risk-per-trade mění pravděpodobnost velkého drawdownu nelineárně (přes série ztrát).

- Margin přidává skoková rizika (margin call, nucený prodej, změny požadavků).

- Odhad bez stresu a simulace je typicky optimistický.

- Správný výstup je interval + scénáře + „co by změnilo názor“.


Závěr

Ano, pravděpodobnost lze odhadovat, ale smysluplně jen pro konkrétní definici rizika; s vyšším

riskem (páka/pozice) typicky roste pravděpodobnost velké ztráty a margin callu nelineárně 

Zdroje

- FINRA Rule 2264: Margin Disclosure Statement:

  [https://www.finra.org/rules-guidance/rulebooks/finra-rules/2264](https://www.finra.org/rules-guidance/rulebooks/finra-rules/2264)

- SEC / Investor.gov: Updated Investor Bulletin: Leveraged and Inverse ETFs (2023-08-29):

  [https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-alerts/sec](https://www.investor.gov/introduction-investing/general-resources/news-alerts/alerts-bulletins/investor-alerts/sec)








Dá se spočítat pravděpodobnost 


Co to znamená: „p = 0,27“ může znamenat „je asi 27% šance, že se to stane“ (ale jen v konkrétní situaci).

Fakt – 3 různé významy p:

Pravděpodobnost události: „zhruba 27× ze 100 podobných pokusů“.

Parametr modelu: „číslo uvnitř výpočtu“ (když je model špatně, číslo může být mimo).

p-value (statistika): „kdyby ve skutečnosti nebyl žádný efekt, jak neobvyklá jsou taková data“.

Interpretace – proč jedno číslo klame:

Mozek má rád jednoduché „ano/ne“, takže z p udělá falešnou jistotu, i když je to jen odhad.

Když se změní podmínky (jiní lidé, jiné prostředí, jiný čas), může se p rychle změnit.

Prakticky – jak s p zacházet správně:

Vždy se ptej „27 % čeho přesně a za jakých podmínek?“

Ber p jako rozmezí („něco kolem 0,27, třeba 0,15–0,40“) spíš než jako přesné číslo.

Udělej 3 scénáře (lepší / normální / horší) a řekni si, co bys dělal v každém.

Předem si nastav, jaká nová informace by ti „přepnula názor“ (a p pak aktualizuj).

Pokud chceš stručné vysvětlení p-value od autority: American Statistical Association (jejich statement k p-values, 2016).
www.amstat.org/about-asa




Z dat jako četnost: někdo spočítal podíl „úspěchů“ v podobných případech (např. 27 z 100).

Z modelu jako výstup pravděpodobnosti: model (typicky klasifikátor / logistická regrese) z dat spočítá „predikovanou

pravděpodobnost“ pro daný vstup.

Z bayesovského odhadu: p je „posterior“ (aktualizovaná pravděpodobnost) po spojení prioru a nových dat.

Z testu hypotézy jako p-value: p vznikne z testové statistiky a jejího rozdělení za platnosti nulové hypotézy; je to „tail

probability“ (pravděpodobnost stejně nebo více extrémních dat).

Ze simulace (Monte Carlo): p je podíl simulací, kde nastala událost, při zadaných předpokladech.

Z expertního odhadu / skórování: p je „přeložené“ skóre (rule-based), často kalibrované na historických datech (může být

špatně přenositelné do nových podmínek).

Interpretace (co si ověřit, abys věděl odkud p opravdu je):

7) Jaká je definice p (pravděpodobnost / parametr modelu / p-value), jaké jsou podmínky (pro koho, kdy, kde) a jaké zdroje dat a metoda výpočtu (model/test/simulace).

https://usafacts.org/explainers/what-does-the-us-government-do/subagency/national-institute-of-standards-and-technology/




Interpretace: „p = 0,27“ v běžné řeči může znamenat „zhruba ve 27 případech ze 100 to dopadne takhle“. 

Fakt: Jako pravděpodobnost události je p podmíněná volbou „třídy případů“ (kdy, kde, pro koho, za jakých podmínek).

Fakt: Jako parametr modelu je p číslo uvnitř zvoleného modelu (např. míra, kterou model odhaduje z dat), a jeho význam stojí na tom, že model je vhodný.

Fakt: Jako p-value je p pravděpodobnost (v rámci zadaného statistického modelu) získat data alespoň tak „extrémní“ jako pozorovaná, pokud platí nulová hypotéza; není to „pravděpodobnost, že hypotéza je pravdivá“.

Fakt: Samotná p-value také neměří velikost efektu ani praktickou důležitost výsledku a nemá být jediným „gatekeeperem“ rozhodnutí.

Interpretace: Jedno číslo často svádí k „gist“ závěru (rychlé zkratce typu „spíš ano/spíš ne“), takže p začne působit jistěji, než odpovídá realitě komunikované nejistoty.

Interpretace: Falešná jistota vzniká i tím, že nevidíte nejistotu modelu a to, že při posunu podmínek (drift/režimová změna) se může p rychle změnit, aniž by si toho člověk včas všiml.

Fakt: Aby p něco znamenalo, musíte doplnit „27 % čeho“ (událost), „pro koho“ (populace), „kdy“ (horizont) a „za jakých podmínek“ (podmínění).

Interpretace: Prakticky proto pracujte raději s intervalem/rozsahem (nejlépe predikčním či věrohodnostním ((credible interval)) než s bodem: „p je nejspíš mezi … a …; mimo to už nevěřím“.

Interpretace: Porovnejte scénáře (best/base/worst) a převeďte p na rozhodnutí přes dopady (např. očekávaná ztráta = p × dopad; plus limity pro „tail risk“).

Interpretace: Udělejte rychlou citlivost: které předpoklady (výběr dat, bias, covariáty, prior, měření) p nejvíc hýbou, a ty hlídejte.

Interpretace: Předem si nastavte „co by mi včas změnilo názor“ (nová data, změna mechanismu, drift signály, překročení prahu dopadu) a p průběžně aktualizujte.



nebo druhý příklad


V běžné řeči „p = 0,27“ znamená: „je to asi 27% šance, že se to stane“ (když opakuješ podobnou situaci hodněkrát).

p jako pravděpodobnost události: „Z 100 podobných případů by se to mohlo stát asi 27ד (ale jen v těch podmínkách, pro které to počítáš).

p jako parametr modelu: „Tohle číslo je knoflík uvnitř výpočtu (modelu), který byl nastaven z dat; když je model špatně, i p je mimo.“

p jako p-value (statistika): „Kdyby ve skutečnosti žádný efekt nebyl, p říká, jak moc neobvyklá jsou taková data jako ta, co jsme naměřili“ (není to „šance, že hypotéza je pravda“).

Problém: jedno číslo působí jako „pravda“, protože mozek chce jednoduchý závěr („ano/ne“), ale p je často jen odhad s velkou nejistotou.

Další problém: když se změní podmínky (jiní lidé, jiný čas, jiné prostředí), může se p změnit hodně rychle, i když číslo vypadá přesně.

Praktické poučení: p nikdy neber jako bod („27 % a hotovo“), ale jako rozmezí („něco jako 15–40 %“, pokud ho umíš odhadnout).

Udělej si scénáře: optimistický / realistický / pesimistický a pro každý si řekni, co bys dělal, kdyby nastal.

Ptej se: „27 % čeho přesně? pro koho? v jakém čase? za jakých podmínek?“ (bez toho je číslo skoro k ničemu). 

Řekni si dopředu, co by tě přesvědčilo ke změně názoru: „Jaké nové informace by musely přijít, aby p spadlo třeba pod 10 % nebo vyskočilo nad 50 %?“


Zdroje (nejdůležitější):

American Statistical Association. (2016-03-07). Statement on statistical significance and p-values [policy statement].

Wasserstein, R. L., Schirm, A. L., & Lazar, N. A. (2019-03-20). Moving to a World Beyond “p < 0.05” [editorial]. The American Statistician.

Reyna, V. F. (2021-04-12). Gist communication… [peer-reviewed]. PNAS.




Pravděpodobnost a Risk management při sázkách

Probability
sázka bet






1. srpna 2023

Financial system and Human development - comparison

Financial system and Human development - comparison

Finanční systém a lidský rozvoj - srovnání
 
Důležité jsou ale trendy, selský rozum, etika ... 

Germany vs Italy: Economic Indicators Comparison - GeoRank.org

Gross Domestic Product & Income
Financial system and Human development
Government debt & reserves
Exports, imports and economic structure
Compare with countries close by GDP per capita


The Czech Republic vs Switzerland: Economic Indicators Comparison


The Czech Republic vs Germany: Economic Indicators Comparison





Countries data: Demographic and economy  -  CountryEconomy.com

Country comparison Italy vs Germany

CZ - Germany

Country comparison Czechia vs Switzerland






Gross domestic product at current market prices of selected European countries in 2022 - Statista.com











Common Sense 
Economy
Freedom
Money
math
numbers
analytics 

10. dubna 2022

Pravděpodobnost a Risk management

Pravděpodobnost a Risk management

Pokud někdo se domnívá, že tuší či ví jaká je něčeho pravděpodobnost
a není MatFizák (math-and-physics student)
žije v iluzi


The Greatest Fireworks Show By Accident
The Fourth of July festivities became the internet’s punchline.

10 anniversary 2012

Happy 10-year anniversary to the greatest fireworks show in history, when San Diego accidentally shot off 7,000 fireworks at once.






Why Kalshi / Polymarket Bettors Lose (72 Million Trades Analyzed)
Part Time Larry

 






Duluth Fireworks Explosion July 4th 1988 TV Report

 

 


K zamyšlení:

Mozek tvoří představu budoucnosti hlavně z osobní zkušenosti a vzorců, které si z ní odvodí, ne z explicitního výpočtu pravděpodobností.
To nás udržuje v iluzi, že svět je stabilní; když se změní podmínky, náš vnitřní model se často aktualizuje až s velkým zpožděním.“

Mozek neodvozuje budoucnost z rovnic, ale z paměti a zvyku. Proto předpokládá stabilitu, a když se změní režim, aktualizuje se pozdě - až po více chybách.“

Mozek je predikční stroj: odhaduje budoucnost z minulých vzorců a rychlých heuristik, zatímco nejistotu jen zřídka kvantifikuje jako pravděpodobnost.
Když dojde ke změně podmínek (posun distribuce), příliš často drží starý model příliš dlouho a přepíná až po sérii překvapení.“




Food for thought or inspiration:

The brain forms its picture of the future mainly from personal experience and the patterns it extracts from it, not from an explicit calculation of probabilities. This keeps us in the illusion that the world is stable; when conditions change, our internal model often updates only with a large delay.”

The brain doesn’t derive the future from equations, but from memory and habit. That’s why it assumes stability - and when the regime changes, it updates late, only after multiple errors.”

The brain is a predictive machine: it estimates the future from past patterns and fast heuristics, while it rarely quantifies uncertainty as probability. When conditions shift (a distribution shift), it too often clings to the old model for too long and switches only after a series of surprises.”







Probability is “rational” only in a world where there is something stable to compute. In practice we’re often not in a casino (fixed rules, lots of repeatable trials), but in an open world where the game—and even the rules of the game—keeps changing.

A psycho-mathematical takeaway:

1.
Mathematics wants a closed model: well-defined events, a stable generating process, and enough data.

2.
Psychology wants a single number: the mind dislikes wide ranges, so it gravitates toward one crisp figure (anchoring, base-rate neglect, overconfidence).

3.
In a large, shifting world, we often don’t just have unknown parameters—we have an unknown model (Knightian uncertainty, ambiguous reference classes, distribution shift). In that setting, a precise “p = 0.27” can be more an illusion of precision than a rational result.

4.
A more rational stance is therefore: intervals + scenarios + an explicit “what would change my mind” list, and then evaluating your probability judgments by calibration over time (do you systematically hit what you claim?).

One sentence: In a small, stable reality, probability is computation; in a large, changing reality, it’s first a model question—and only then a number.



Pravděpodobnost je „racionální“ jen ve světě, kde je co počítat. V praxi často nejsme v kasinu (pevná pravidla, hodně opakování), ale v „otevřeném světě“, kde se mění hra i pravidla hry.

Psychologicko-matematický závěr:

1.
Matematika chce uzavřený model: jasně definované jevy + stabilní mechanismus + data.

2.
Psychika chce rychlé číslo: mozek nemá rád široké intervaly, proto tíhne k jedné cifře (ukotvení, ignorování základních četností, přehnaná jistota).

3.
Když je svět „large-world“, často nemáme jen neznámé parametry, ale neznámý model Knightovská nejistota / nejasná referenční třída / posun distribuce). Pak je přesné „p = 0,27“ často spíš iluze přesnosti než racionální výsledek.

4.
Správnější racionalita je pak: ne jedno číslo, ale interval + scénáře + explicitní „co by mě změnilo názor“, a kvalitu odhadu hlídat kalibrací (trefujete se dlouhodobě?).

Jednou větou: v malé, stabilní realitě je pravděpodobnost výpočet; ve velké, měnící se realitě je to nejdřív otázka modelu a až potom čísla.





Mozek vytváří předpověď budoucnosti na základě různých zkušeností,
nikoli na základě pravděpodobnosti.

Nechává nás jít v iluzi vlastní zkušenosti, která nereflektuje nové podmínky a až následně se přizpůsobujeme.



Proto selský rozum a vysoká škola života
nás v některých oblastech asi vůbec nikam neposunou.


psychiatr v remisi
@Psychiatrie_cz
https://twitter.com/Psychiatrie_cz/status/1533676627997212672
Psychiatrie.cz





John D. Rockefeller was born 8.7.1839



Unexpected Seinfeld
www.reddit.com/r/UnexpectedSeinfeld/





Pokud někdo došel až sem, možná ho zajímá co jinými slovy znamená p = 0,27


V běžné řeči „p = 0,27 (27 %)“ často znamená: „asi v 27 případech ze 100 to vyjde / stane se to“.


1)
p jako pravděpodobnost události (interpretace):
za daných podmínek je šance, že nastane konkrétní událost, 27 %.

2)
p jako parametr modelu (fakt o definici):
„p“ je číslo uvnitř modelu (např. míra/koeficient), které nemusí být pravděpodobnost, jen je tak označeno.

3)
p jako p-value (fakt o definici):
p-value = pravděpodobnost pozorovat data alespoň tak extrémní, pokud platí nulová hypotéza; není to „pravděpodobnost, že hypotéza je pravdivá“.

Jedno číslo často vytváří falešnou jistotu, protože (interpretace) vychází z modelu se zjednodušeními, chybami měření a neznámými biasy, takže „27 %“ může být jen hrubý odhad.

A navíc (interpretace) se podmínky v čase mění (dataset shift / změna prostředí), takže p platí jen pro konkrétní kontext, ne univerzálně.


Praktické poučení:
pracuj s intervalem nejistoty (např. 15–40 %),
uveď scénáře (optimistický/základní/pesimistický) a explicitně sepiš co by muselo nastat,
aby ses z 27 % posunul
 (nová data, změna předpokladů, validace na jiné jiném datasetu (ideálně z jiných podmínek).




If you’ve read this far, you may be wondering how to put p = 0.27 into plain words.

In everyday language, “p = 0.27 (27%)” often means: “roughly 27 times out of 100, it will happen / work out.” 

1)
p as an event probability (interpretation):
under the stated conditions, the chance that a specific event occurs is 27%.

2)
p as a model parameter (fact about definition):
“p” is a number inside a model (e.g., a rate/coefficient) and may not be a probability at all—just a label.

3)
p as a p-value (fact about definition):
p-value = the probability of observing data at least this extreme, assuming the null hypothesis is true; it is not “the probability the hypothesis is true.”

A single number often creates false certainty because (interpretation) it comes from a model with simplifications, measurement error, and unknown biases—so “27%” may be only a rough estimate.

And (interpretation) conditions can change over time (dataset shift / changing environment), so p is context-specific, not universal.

Practical takeaway:
treat p as an estimate with an uncertainty interval (e.g., 15–40%),
spell out scenarios (optimistic/base/pessimistic),
and state explicitly what evidence would change your mind (new data, changed assumptions,
validation on an independent dataset / sample (ideally under different conditions).




Emoce, malá znalost, malá znalost komplexnějších otázek nebo slabý či nekritický úsudek  = 

Zanedbání základní míry (base rate neglect): ignoruješ, jak častá je věc „obecně“, a přestřelíš odhad kvůli detailu/příběhu.
Za život se některé události neodehrají ani 1x. 

Gambler’s fallacy: po sérii „padalo X“ čekáš „teď už musí Y“, i když jsou pokusy nezávislé.

P-hodnota (p-value): lidé ji čtou jako „pravděpodobnost, že hypotéza je pravda“, což není její význam.

Simpsonův paradox: v podskupinách trend jedním směrem, po sloučení dat se může obrátit.

Availability (heuristika dostupnosti): co je v paměti a v médiích časté, to působí jako časté i ve skutečnosti.

Kotvení (anchoring): první číslo/odhad posune další úsudek, i když je irelevantní (ceny, plány, výkon).

Sunk cost (utopené náklady): pokračuješ jen proto, že už jsi investoval čas/peníze, i když vyhlídky jsou špatné.

Očekávaná hodnota vs „šance“: malá šance na velký zisk působí lákavě, i když je dlouhodobě nevýhodná.


Záměna podmíněné pravděpodobnosti: pletou si P(A|B) vs. P(B|A) (testy, bezpečnost, diagnostika).

Záměna absolutního a relativního rizika: „+50 %“ může být 1 % → 1,5 % (zdraví, finance, zprávy).

Korelace vs kauzalita: „jde to spolu“ ≠ „způsobuje to“ (strava, trénink, ekonomika, politika).

Skrytá proměnná (confounding): „funguje to“ může být jen tím, kdo to používá a v jakých podmínkách.

Malé vzorky: z pár případů dělají pravidlo (zkušenost, recenze, 1–2 kampaně, 1–2 investice).

Regrese k průměru: po extrému přijde návrat a lidé to mylně připíšou zásahu (výkon, zdraví, prodej).

Exponenciální růst: intuice ho typicky podstřelí (úročení, dluh, nákaza, škálování nákladů).

Survivorship bias: vidí vítěze, ne hřbitov (podnikání, investice, „úspěšné“ strategie).

Selection bias: recenze/dotazníky nejsou reprezentativní (ratingy, sociální sítě, zákaznická podpora).

Framing: stejné číslo jinak podané mění rozhodnutí (nabídky, smlouvy, zdravotní informace).

... ... ... 




Za život se některé události neodehrají ani 1x. 
Over a lifetime, some events don’t happen even once.



Podobné příklady viz níže asi drtivá většina lidí bez výpočtu správně neodhadne.

Proč?

Protože v neznámém prostředí intuice nemá na čem stavět: chybí jí kalibrace z opakované zkušenosti a spolehlivá zpětná vazba, takže si snadno splete řád (i řády) velikosti.

Pokud si to chcete otestovat dál nečtěte a požádejte někoho ať vám tu jednoduchou úlohu přečte.
A nebo alespoň nekoukejte dolů na výsledek.

Jakou sílu má 42x přeložený (kancelářský) papír o síle 0,1 mm na tloušťku
Jakou sílu má 44x přeložený (kancelářský) papír o síle 0,1 mm na tloušťku



Similar examples are something the vast majority of people likely won’t estimate correctly without doing the math:

Why?

Because in an unfamiliar environment, intuition has nothing solid to build on: it lacks calibration from repeated.

Experience and reliable feedback, so it’s easy to confuse the order of magnitude (or even multiple orders of magnitude).

If you want to test this further, stop reading now and ask someone to read you the following simple task.

Or at least don’t look down at the result.

What thickness does a (standard office) sheet of paper, 0.1 mm thick, have after being folded 42×?

What thickness does a (standard office) sheet of paper, 0.1 mm thick, have after being folded 44×?















Výpočet tloušťky papíru při ideálním skládání bez mezer je
𝑡 = 0,1 mm ⋅ 2𝑛 t=0,1mm ⋅ 2n.
Výpočet: 42× ⇒ 439.804,651 km; to je ≈ 1,144× vzdálenost Země - Měsíc
(≈ 384 400 km).
Výpočet: 44× ⇒ 1.759.218,604 km; to je ≈ 4,577× vzdálenost Země - Měsíc.

The thickness of a sheet of paper under ideal folding with no gaps is:
𝑡 = 0.1mm ⋅ 2𝑛 t=0.1 mm ⋅ 2n .
Calculation: 42× ⇒ 439,804.651 km; that is ≈ 1.144× the Earth - Moon distance
(≈ 384,400 km).
Calculation: 44× ⇒ 1,759,218.604 km; that is ≈ 4.577× the Earth - Moon distance.
Or
A sheet of paper 0.1 mm thick, folded 42×, has a thickness of 439,804.651 km
(≈ 440 thousand km), i.e. about 1.14× the Earth–Moon distance (≈ 384,400 km).
A sheet of paper 0.1 mm thick, folded 44×, has a thickness of 1,759,218.604 km.




Kalshi.com 

Polymarket.com


Probability

Pravděpodobnost


1. února 2022

Stock Invest - Compare Strategies

Investment Strategies Comparison



Call short   PUT long
Call long    PUT short 
   
Long Call Vs Short Put Options Trading Strategy Comparison
 
Compare Long Call and Short Put options trading strategies. Find similarities and differences between Long Call and Short Put strategies. Find the best options trading strategy for your trading needs.
Long Call Vs Short Put

   
Short Call (Naked Call) Vs Long Put Options Trading Strategy Comparison
 
Compare Short Call (Naked Call) and Long Put options trading strategies. Find similarities and differences between Short Call (Naked Call) and Long Put strategies. Find the best options trading strategy for your trading needs.
Short Call (Naked Call) Vs Long Put




Bob Baerker - Quora

To save time, I’m going to cut and paste part of Fred’s answer which is concise and to the point:

long call => if security price goes up you make money minus the premium you paid to buy the option(unlimited gain). if security price goes down you lost your premium (maximum loss)

short call => you maximum gain is the premium you collected to sell the call. if security price goes up you lose money (unlimited potential losses).

long put => if security price goes down you make money minus the premium you paid to buy the option(you maximum gain is when the security’s price goes to 0). if security price goes up you lost your premium (maximum loss)

short put => you maximum gain is the premium you collected to sell the put. if security price goes down you lose money (maximum loss is if the security’s price goes to 0 )








Put-call parity


ChartSchool » Market Indicators » Put/Call Ratio




https://gallery.portu.cz








How and why to build a bond ladder


Interpreting Put-Call Ratio Charts




Put and call options in bonds

What is an Embedded Option?

Find the Right Bond at the Right Time

The Ultimate Bond-Like Investment | Seeking Alpha

Understanding call option and put options in bond issues





new article:
How Bonds Work & How to Invest in Them


bond
statistic
probability

30. září 2019

Blogspot browser and OS Statistic

These Blogspot Statistic  -  BlogSpot browser and OS data



Maybe will be interesting if I share some basic data about this blog


Web browser statistic - Browser
Operating system statistic - OS





Last month

Web browser statistic - Browser
Operating system statistic - OS







W3Schools Statistics

W3Schools has over 50 million monthly visitors
(probably from people who understand (little bit) more IT than average)
 
Browser Statistics

Mobile Devices Statistics

OS Platform Statistics


Only pity that browsers with chromium core looks probably like chrome?
like for example great avast browser





Avast Secure Browser | Private browser from Avast

Google Chrome is the reason why the Chromium project is so successful :(

Google has probably browser monopoly after about 10 years
But there is still independent browsers

Firefox ...
Opera ...
Vivaldi ...
Brave ...
Blisk ...
Colibri ...
Avast ...
Epic Browser ...














OS
browser
monopoly
crony capitalism

27. února 2017

Social blade

Social blade


User analytics made easy for Content Creators


socialblade.com

Kai W
https://socialblade.com/youtube/channel/UCknMR7NOY6ZKcVbyzOxQPhw

Lok Cheung



A modern reader with a social twist 
https://flowreader.com


Digital ad revenue surpasses TV for the first time, says IAB
















More Social Blade
Social Blade Blog
Social Blade Tools
Social Blade Dashboard
YouTube EDU
YouTube Consulting
YouTube Money Calculator / Estimated Earnings
Integrated Platforms
YouTube
Twitch
Twitter
Instagram
Social Media
YouTube
Twitter
Facebook
Twitch
Google+












facebook

Twitter

YouTube Consulting
YouTube Education




1. ledna 2017

Sexy Mathematics

Sexy Mathematics


Sexy Math

Numberphile - Cédric Villani

What's so sexy about math? | Cédric Villani





The Mathematician's Office - Numberphile





Let yourself flow through the equations says mathematician Cedric Villani - Newsnight














Lambda Calculus - Computerphile









math, matematika, algebra, logic, logika

28. února 2015

America Is the Land of Opportunity

America Is  the Land of Opportunity



equality of opportunity



family facts


education charts


In Climbing Income Ladder, Location Matters

A study finds the odds of rising to another income level are notably low in certain cities, like Atlanta and Charlotte, and much higher in New York and Boston... more



America -- The Land of Opportunity?


Did you grow up believing that America was the land of opportunity, that if you stayed in school and graduated, worked hard and played by the rules you could get ahead? I did and while it worked for me, now I am not too sure it still...



America, though challenged, still the land of opportunity


The character of our culture has a lot to do with opportunity in America. I learned early on, from personal experience, that these two notions...



The Best and Worst Cities for Moving Up to the Middle or Upper Class



The Best US Colleges, Based on Alumni Salary





7. června 2008

EURO 2008 statistiky - PERFORMANCE INDEX

Castrol PERFORMANCE INDEX - EURO 2008

Kvalitní fotbalové statistiky - rozhodně doporučuji

Analýza pohybu háčů po hřišti


Felix Holzmann -Statistika - blahodárně působí na nervy
Velmi vhodné na uklidnění ;-)