Niniejszy artykuł bada problem doboru odpowiedniej funkcji straty w optymalizacji modeli uczenia maszynowego wykorzystywanych do prognozowania finansowych szeregów czasowych na potrzeby budowy algorytmicznych strategii inwestycyjnych (AIS). Proponujemy funkcję Mean Absolute Directional Loss (MADL), która rozwiązuje istotne problemy klasycznych funkcji błędu prognozy w ekstraktowaniu informacji z prognoz dla tworzenia skutecznych sygnałów kupna i sprzedaży. Funkcja MADL kładzie nacisk nie tylko na jakość prognozy punktowej, ale również na jej wpływ na efektywność opartego na niej systemu inwestycyjnego. Wprowadzenie i szczegółowy opis teoretycznych właściwości nowej funkcji straty MADL stanowią główny wkład niniejszej pracy do literatury przedmiotu. W części empirycznej, wykorzystując dane z dwóch różnych klas aktywów (kryptowaluty – Bitcoin oraz surowce – ropa naftowa), wykazujemy, że nasza funkcja straty pozwala na lepszy dobór hiperparametrów modelu LSTM i osiągnięcie bardziej efektywnych strategii inwestycyjnych pod względem metryk zwrotu skorygowanego o ryzyko na danych testowych.