Why I Stopped Looking for Signals and Started Measuring Entropy
In 2019, I built a MetaTrader 5 indicator that combined RSI, MACD, Bollinger Bands, and a custom volatility filter. The backtest showed a 67% win rate, but the live result was very different: after six weeks, the account was down by 23%.
The main issue was not the formulas themselves. The issue was the assumption behind them: that the market always provides readable directional signals, and that the task is simply to detect them.
That assumption only holds in some market conditions. In other conditions, the market may be active, volatile, and visually dramatic, while still offering little statistical predictability. My original indicator did not distinguish between these regimes, and that limitation proved costly.
What entropy is and why it became useful
Shannon entropy — formally H = −Σ p(x) log₂ p(x) — measures uncertainty in a system. The higher the entropy, the less structured and less predictable the output tends to be. At maximum entropy, outcomes are distributed almost evenly, which means there is little or no informational advantage.
This concept suggested a practical question: can the same idea be used to evaluate whether a price series is currently structured or chaotic?
I implemented an MQL5 indicator that takes a rolling window of 100 candles, calculates the distribution of price changes, groups them into bins, and computes Shannon entropy for each window. The result was not a predictive signal by itself. What it provided was a way to separate periods of lower structure from periods where directional analysis was less meaningful.
What changed in practice
This led to a more basic question: not “where is price going?” but “does it make sense to trade under current conditions?”
For example, when the normalized entropy of price changes on the H4 timeframe rises above roughly 0.92 on BTC/USD, I usually stop looking for entries. The reason is not that price cannot move. It often moves sharply. The issue is that in such conditions I no longer have a measurable statistical edge.
This matters because high-entropy periods are often the most emotionally tempting: large candles, abrupt reversals, and fast breakouts. However, the intensity of movement does not imply predictability.
In my own trading, ignoring that distinction repeatedly led to worse results than simply standing aside.
From entropy to LSTM — and why the order mattered
The entropy filter solved one part of the problem: it identified conditions where trading was best avoided. It did not, however, answer what to do in lower-entropy regimes where the market showed more structure. For that, I needed a model capable of learning temporal patterns directly from recent data.
That led to MQL5GPULibrary_LSTM, an open-source CUDA library for MetaTrader 5. It runs a multi-layer LSTM network on the GPU while the terminal continues operating normally. Training runs asynchronously in the background, and the indicator reads progress through lock-free telemetry before plotting the output.
In practice, candle sequences are transformed into features such as body size, wick ratios, and direction. The network trains on rolling windows from recent history and outputs bullish and bearish probability scores, shown as two lines in a subwindow. It does not generate direct “buy” or “sell” commands.
An important limitation became clear early: LSTM outputs were only useful when the underlying regime still contained enough structure. When the model was applied indiscriminately to all market conditions, it often produced confident-looking outputs in windows where the data carried little predictive information.
For that reason, the initial architecture was layered: entropy first, LSTM second. The entropy filter acted as a gate. If the market condition exceeded the threshold, the LSTM score was suppressed and the chart background turned gray. The goal was not automation for its own sake, but reducing low-quality decisions during unsuitable conditions.
Why not rely on classical indicators alone
Indicators such as RSI or MACD remain useful, but they describe aspects of market state rather than regime suitability. RSI can show that the market is overbought, but it does not say whether that condition will persist. MACD can indicate momentum change, but not whether that shift will have lasting predictive value.
These tools answer different questions. Entropy helps classify the surrounding conditions. LSTM can then be used to model patterns within those conditions. Using them without that distinction was, in my case, one of the main reasons earlier systems performed poorly in live trading.
I still use RSI and MACD, but only after the broader context has been classified.
Why “control your emotions” is not enough
A great deal of trading psychology can be reduced to a simple recommendation: be disciplined. In practice, this is often not specific enough to be useful during high-pressure moments.
What helped more was not trying to improve discipline abstractly, but building a mechanism that slows decision-making during unsuitable conditions. In my case, a gray inactive chart window creates a short delay. That delay is often enough to interrupt impulsive action.
When Bitcoin moves 10% in an hour, the problem is rarely lack of information. The problem is reacting too quickly to noise, volatility, and perceived urgency. A mechanical filter can sometimes do more than a motivational rule.
After adding the entropy gate, my monthly variance decreased noticeably. That did not automatically increase returns, but it reduced losses in conditions where I had no clear advantage.
What this does not claim
This is not presented as a novel discovery. Shannon’s work dates to 1948, and LSTM networks have been part of machine learning since the 1990s. Applications of both ideas to financial data already exist in academic literature and in practical experimentation.
Nor is this presented as a universal solution. A tool does not contain the full edge. Even if some edge exists, much of it depends on when a tool is used, when it is ignored, and how its output is interpreted.
The main practical shift for me was moving from signal hunting to environment assessment first. That did not eliminate losses or create stable profits, but it improved selectivity and reduced unnecessary exposure.
Addendum (March 2026): Why I later removed the entropy filter
The entropy filter was useful at one stage because it prevented trading during highly unstable market conditions. Over time, however, it became clear that a fixed threshold on a single timeframe was too restrictive.
In some cases, entropy on the lower timeframe was elevated while the higher timeframe was forming a meaningful structure. In those situations, the filter blocked not only noise but also information that mattered.
The core problem was that market context could not be reduced reliably to one number on one timeframe.
That led to a redesign. In version 5.00 (Pure MTF LSTM), I removed the entropy filter and replaced it with a broader multi-timeframe input. The model now processes three timeframes simultaneously, for example 15M, 1H, and 4H, with each step encoded as a larger feature vector containing price structure and volume-related information.
This does not mean the model “understands” the market in any deep sense. It simply means that regime discrimination is no longer handled by a single fixed human-defined threshold, but by patterns learned from a wider contextual input.
The result is smoother output and fewer abrupt on/off transitions. Instead of suppressing the model completely in selected conditions, the system now produces a more continuous probability distribution across bullish and bearish scenarios.
This approach is less protective psychologically, because it removes the earlier hard stop. At the same time, it provides a broader view of context and avoids some of the limitations of the original entropy gate.
On ethics
These tools are provided freely. They are not presented as guaranteed profit systems, and they do not issue direct trading commands. Their purpose is to help visualize context: volatility, uncertainty, and probability shifts.
The LSTM library is open-source, which allows anyone to inspect the code, review the implementation, and evaluate its limitations independently.
One point is worth stating clearly: most retail traders lose money. Any analytical tool should therefore be treated as an aid to decision-making, not as a substitute for judgment or risk control.
No miracles. Only a more explicit way of handling uncertainty.
Tomáš Bělák
Remind.cz
Proč jsem přestal hledat signály a začal měřit entropii
V roce 2019 jsem vytvořil indikátor pro MetaTrader 5, který kombinoval RSI, MACD, Bollingerova pásma a vlastní filtr volatility. V backtestu vykazoval přibližně 67% úspěšnost, ale v reálném obchodování dopadl podstatně hůř: během šesti týdnů vedl ke ztrátě 23 % účtu.
Hlavní problém nebyl ve vzorcích samotných. Problém byl v předpokladu, na kterém systém stál: že trh vždy vysílá čitelné směrové signály a stačí je správně zachytit.
Tento předpoklad platí jen v některých typech tržního prostředí. V jiných může být trh aktivní, volatilní a vizuálně výrazný, ale přesto bez dostatečné statistické čitelnosti. Původní indikátor tyto režimy nerozlišoval a právě to se ukázalo jako zásadní slabina.
Co je entropie a proč se ukázala jako užitečná
Shannonova entropie — formálně H = −Σ p(x) log₂ p(x) — měří míru neurčitosti v systému. Čím vyšší entropie, tím méně strukturovaný a hůře předvídatelný bývá výstup. Při maximální entropii jsou možné výsledky rozloženy téměř rovnoměrně, takže informační výhoda je minimální nebo žádná.
Z toho vyplynula praktická otázka: lze stejný princip použít i pro odhad, zda je cenová řada v daný okamžik spíše strukturovaná, nebo chaotická?
Proto jsem napsal MQL5 indikátor, který bere klouzavé okno 100 svíček, spočítá rozdělení cenových změn, rozdělí je do binů a nad každým oknem vypočte Shannonovu entropii. Výsledek sám o sobě nebyl predikcí směru. Ukázal ale, kdy má trh více struktury a kdy je směrová analýza výrazně méně spolehlivá.
Co se změnilo v praxi
To vedlo k posunu v základní otázce: ne „kam cena půjde“, ale „má za současných podmínek vůbec smysl obchodovat“.
Například když normalizovaná entropie cenových změn na H4 timeframe u BTC/USD překročí přibližně hodnotu 0,92, většinou přestávám hledat vstupy. Ne proto, že by trh nemohl udělat výrazný pohyb. Často ho udělá. Problém je, že v takovém režimu už nemám měřitelnou statistickou výhodu.
To je důležité právě proto, že období s vysokou entropií bývají psychologicky nejlákavější: velké svíčky, prudké obraty, rychlé průrazy. Intenzita pohybu ale sama o sobě neznamená předvídatelnost.
V mém obchodování opakovaně vedlo ignorování této skutečnosti k horším výsledkům než prosté vynechání obchodu.
Od entropie k LSTM — a proč na pořadí záleželo
Entropický filtr vyřešil jednu část problému: pomohl rozpoznat situace, ve kterých je lepší neobchodovat. Neodpovídal ale na otázku, co dělat v režimech s nižší entropií, kde trh vykazuje více struktury. K tomu byl potřeba model, který se dokáže učit časové vzory přímo z dat.
Tak vznikla MQL5GPULibrary_LSTM, open-source CUDA knihovna pro MetaTrader 5. Umožňuje provozovat vícevrstvou LSTM síť na GPU, zatímco terminál dál běží bez zablokování. Trénink probíhá asynchronně na pozadí a indikátor si průběžně čte stav přes lock-free telemetrii, než vykreslí výstup.
V praxi se posloupnosti svíček převádějí na příznaky, jako je velikost těla, poměr knotů nebo směr. Síť se učí na klouzavých oknech z nedávné historie a vrací skóre bullish a bearish scénáře, která se zobrazují jako dvě čáry v subokně. Nejde o přímé pokyny typu „kup“ nebo „prodej“.
Brzy se ukázalo důležité omezení: výstup LSTM dával smysl jen tehdy, když samotné prostředí obsahovalo dostatek struktury. Pokud byl model použit bez rozlišení na všechny režimy, často vytvářel sebevědomě vypadající výstupy i tam, kde data nenesla prakticky žádnou prediktivní informaci.
Proto byla první použitelná architektura vrstvená: nejdřív entropie, potom LSTM. Entropie fungovala jako brána. Pokud tržní podmínky překročily zvolený práh, LSTM přestalo generovat skóre a pozadí grafu zešedlo. Cílem nebyla automatizace sama o sobě, ale omezení rozhodnutí s nízkou kvalitou v nevhodném prostředí.
Proč nestačí klasické indikátory samotné
Indikátory jako RSI nebo MACD zůstávají užitečné, ale popisují spíše stav trhu než vhodnost samotného režimu. RSI může ukázat překoupenost, ale neřekne, jak dlouho tento stav vydrží. MACD může ukázat změnu momenta, ale ne to, zda bude mít tato změna skutečně prediktivní význam.
Tyto nástroje odpovídají na jiné otázky. Entropie pomáhá klasifikovat okolní podmínky. LSTM se pak může pokusit modelovat vzory uvnitř těchto podmínek. V mém případě bylo jejich nerozlišené používání jedním z hlavních důvodů, proč starší systémy selhávaly v živém obchodování.
RSI i MACD používám dál, ale až po základním vyhodnocení širšího kontextu.
Proč nestačí rada „ovládejte emoce“
Velkou část tradingové psychologie lze shrnout do jednoduché rady: buďte disciplinovaní. V praxi je ale tato rada často příliš obecná na to, aby pomohla ve vypjatém okamžiku.
Užitečnější pro mě nebyla snaha být obecně disciplinovanější, ale vytvoření mechanismu, který zpomalí rozhodnutí v nevhodných podmínkách. V mém případě takovou roli plnilo zašednutí grafu. Krátké zdržení často stačí k tomu, aby se snížila pravděpodobnost impulzivního vstupu.
Když Bitcoin během hodiny klesne o 10 %, problém obvykle není v nedostatku informací, ale v příliš rychlé reakci na šum, volatilitu a pocit naléhavosti. Mechanická zábrana může v takové chvíli fungovat lépe než obecná motivační poučka.
Po zavedení entropické brány se moje měsíční variance citelně snížila. Neznamenalo to automaticky vyšší zisky, ale vedlo to k menším ztrátám v situacích, kde jsem neměl jasnou výhodu.
Co tím netvrdím
Tento přístup nepředstavuji jako nový objev. Shannonova práce pochází z roku 1948 a LSTM sítě jsou součástí strojového učení od 90. let. Použití obou principů na finanční data už bylo zkoumáno v akademické i praktické rovině.
Stejně tak to nepředstavuji jako univerzální řešení. Samotný nástroj v sobě nenese celou výhodu. I pokud nějaká výhoda existuje, velká část spočívá v tom, kdy nástroj použít, kdy ho ignorovat a jak jeho výstup interpretovat.
Hlavní praktický posun pro mě spočíval v tom, že jsem přešel od hledání signálů k nejprve posouzení prostředí. To samo o sobě neodstranilo ztráty ani nevytvořilo stabilní profit, ale vedlo to k lepší selekci situací a menší zbytečné expozici.
Dodatek (Březen 2026): Proč jsem později entropický filtr odstranil
Entropický filtr byl v určité fázi užitečný, protože omezoval obchodování v nestabilních podmínkách. Postupně se ale ukázalo, že pevný práh na jediném timeframe je příliš hrubé řešení.
V některých případech byla entropie na nižším timeframe zvýšená, zatímco vyšší timeframe současně vytvářel smysluplnou strukturu. V takové situaci filtr neblokoval jen šum, ale i informace, které byly pro kontext důležité.
Ukázalo se tedy, že tržní kontext nelze spolehlivě redukovat na jedno číslo z jednoho timeframe.
To vedlo k přepracování architektury. Ve verzi 5.00 (Pure MTF LSTM) jsem entropický filtr odstranil a nahradil jej širším multi-timeframe vstupem. Model nyní zpracovává tři timeframe současně, například 15M, 1H a 4H, přičemž každý krok sekvence je reprezentován širším vektorem příznaků zahrnujících cenovou strukturu i objemové informace.
Neznamená to, že model trhu „rozumí“ v nějakém hlubokém smyslu. Znamená to pouze, že rozlišení režimu už není založeno na jediném pevném lidsky určeném prahu, ale na vzorech naučených z širšího kontextu.
Výsledkem je plynulejší výstup a méně prudkých přechodů typu zapnuto/vypnuto. Místo úplného potlačení modelu ve vybraných podmínkách systém vrací spojitější rozložení pravděpodobnosti mezi bullish a bearish scénářem.
Tento přístup je psychologicky méně ochranný, protože odstraňuje dřívější tvrdou zábranu. Současně ale poskytuje širší pohled na kontext a vyhýbá se části omezení původní entropické brány.
K etice
Tyto nástroje jsou poskytovány volně. Nejsou prezentovány jako systémy zaručující zisk a nevydávají přímé obchodní pokyny. Jejich účelem je zobrazit kontext: volatilitu, neurčitost a posuny v pravděpodobnosti.
LSTM knihovna je open-source, takže si kdokoli může projít kód, zkontrolovat implementaci a samostatně vyhodnotit její limity.
Jednu věc je vhodné říct přímo: většina retailových obchodníků statisticky prodělává. Jakýkoli analytický nástroj by proto měl být chápán jen jako pomůcka pro rozhodování, nikoli jako náhrada úsudku nebo řízení rizika.
Žádné zázraky. Jen o něco výslovnější práce s neurčitostí.
Tomáš Bělák
Remind.cz