Isarapong Eksinchol, PhD

Isarapong Eksinchol, PhD

Senior Project Manager & Data Scientist at Big Data Institute (Public Organization), BDI

บทความของผู้เขียน

Articles

Author Category Post Filter
การสร้าง Dashboard โดยใช้ Chart.js ใน Next.js: จากโปรแกรมสำเร็จรูปสู่การพัฒนาเว็บไซต์ 
การสร้างแดชบอร์ด (dashboard) เพื่อแสดงข้อมูลในรูปแบบที่เข้าใจง่ายและมีประสิทธิภาพถือเป็นสิ่งสำคัญในยุคดิจิทัลปัจจุบัน ไม่ว่าจะเป็นการใช้งานในธุรกิจ การศึกษา หรือการวิเคราะห์ข้อมูล ในปัจจุบันมีเครื่องมือมากมายที่สามารถสร้างแดชบอร์ดได้อย่างรวดเร็ว เช่น Tableau และ Power BI ซึ่งเป็นโปรแกรมสำเร็จรูปที่มีเครื่องมือและฟังก์ชันการทำงานที่หลากหลาย ช่วยให้ผู้ใช้งานสามารถสร้าง แดชบอร์ด ได้โดยไม่ต้องมีทักษะการเขียนโปรแกรม  อย่างไรก็ตามการสร้างแดชบอร์ดบนเว็บไซต์โดยใช้ JavaScript libraries เช่น Chart.js ใน Next.js ถือเป็นทางเลือกที่มีความยืดหยุ่นและสามารถปรับแต่งได้อย่างเต็มที่ ซึ่งเป็นการเปิดโอกาสให้ผู้พัฒนาสามารถสร้างแดชบอร์ด ที่ตอบโจทย์เฉพาะของตนเองได้มากยิ่งขึ้น  Chart.js คืออะไร  Chart.js เป็น JavaScript library ที่ช่วยให้นักพัฒนาสามารถสร้างกราฟและแผนภูมิในเว็บไซต์ได้อย่างง่ายดาย โดยไม่จำเป็นต้องมีความรู้ด้านการเขียนโค้ดที่ซับซ้อน นอกจากนี้ยังมีคุณสมบัติที่ยืดหยุ่นและปรับแต่งได้ตามความต้องการของผู้ใช้งาน Chart.js รอบรับการสร้างกราฟหลากหลายประเภท เช่น กราฟแท่ง กราฟเส้น กราฟวงกลม กราฟเรดาร์เป็นต้น อีกทั้ง Chart.js ยังมีขนาดเล็กและง่ายต่อการใช้งาน ทำให้เป็นตัวเลือกที่ดีสำหรับการสร้างแดชบอร์ดที่มีประสิทธิภาพ  การใช้งาน Chart.js  Chart.js สามารถติดตั้งได้ผ่าน Node Package Manager (npm) หรือ Content Delivery Network (CDN) ก็ได้ หลังจากติดตั้งเรียบร้อยแล้ว การสร้างกราฟจะสร้างผ่านตัวแปรและนำตัวแปรนั้นไปแสดงผลบนเว็บไซต์ในตำแหน่งที่ต้องการ  ด้านบนเป็นการแสดงตัวอย่างการสร้างกราฟเส้น โดยหลัก ๆ แล้วการสร้างกราฟจะถูกแบ่งเป็น 2 ส่วนคือ ส่วนของข้อมูลและส่วนขององค์ประกอบอื่น ๆ ของกราฟ (option) ในส่วนของข้อมูลนั้นจะเป็นชื่อแกน ตัวเลขที่แสดงในกราฟ สีของกราฟเป็นต้น จากที่แสดงในตัวอย่างค่าของแกนนอน (x) จะเป็นชื่อเดือนตั้งแต่เดือน มกราคม ถึง กรกฎาคม จากตัวแปรที่ชื่อ “labels” ชื่อชุดข้อมูล จำนวนและองค์ประกอบต่าง ๆ ของเส้นกราฟสำหรับข้อมูลนั้นจะอยู่ในตัวแปรที่ชื่อว่า “datasets” ทั้งนี้ถ้าหากมีชุดข้อมูลมากกว่า 1 ชุดก็สามารถเพิ่มในส่วนนี้ได้เลย  ในด้านองค์ประกอบอื่น ๆ ก็จะเกี่ยวกับการปรับแต่งค่าเริ่มต้นและสิ้นสุดของแกน การแสดงคำแนะนําเครื่องมือ (tooltip) การแสดงตัวเลขข้อมูล (data label) รวมถึงฟังก์ชัน (function) ในการกระทำ (Action) ต่าง ๆ ดังนั้นเมื่อนำกราฟหลาย ๆ อันมารวมกันก็จะสามารถประกอบกันเป็นแดชบอร์ดได้  ฟังก์ชันที่สำคัญอีกอย่างของแดชบอร์ดนั้นคือความสามารถในการตอบโต้ (interaction) เมื่อผู้ใช้งานคลิก (click) ที่กราฟ สิ่งที่จะเกิดขึ้นมักจะเป็นการกรองข้อมูล (filter) ให้เหลือข้อมูลในส่วนที่สนใจเท่านั้น ใน chart.js ก็สามารถทำได้เหมือนกันเพียงแค่เพิ่มฟังก์ชันในการกรองข้อมูลหลังจากที่กราฟถูกคลิกตามตัวอย่างดังนี้  จากตัวอย่างจะเห็นได้ว่าฟังก์ชัน onClick จะถูกเพิ่มลงในส่วนประกอบของการสร้างกราฟ จากคำสั่งด้านบนจะเป็นการสกัด label ของกราฟในส่วนที่ถูกคลิกเพื่อส่งต่อไปยังฟังก์ชันที่ชื่อ handleLineChartClick เพื่อทำการกรองข้อมูล เปลี่ยนสีกราฟ เป็นต้น  จากตัวอย่างจะเป็นการกรองข้อมูลให้เหลือเฉพาะข้อมูลที่ถูกเลือกเท่านั้น หากมีหลายกราฟ ข้อมูลในกราฟอื่น ๆ ก็จะถูกกรองไปด้วยเช่นกัน เท่านี้ก็จะทำให้แดชบอร์ดบนเว็บของเรานั้นมีการตอบโต้แล้ว  โดยสรุปแล้วการสร้าง Dashboard นั้นไม่ได้จำกัดอยู่แค่เครื่องมืออย่าง Power BI และ Tableau เท่านั้น แต่ยังสามารถทำได้ผ่านวิธีอื่น ๆ เช่นการใช้ Chart.js ซึ่งเป็น JavaScript library ที่ช่วยในการสร้างกราฟบนเว็บไซต์ ข้อดีของการใช้ Chart.js คือความยืดหยุ่นและการปรับแต่งที่ง่ายดาย ผู้ใช้สามารถออกแบบกราฟให้เข้ากับความต้องการเฉพาะได้ ไม่ว่าจะเป็นการแสดงผลในรูปแบบใด ๆ และยังสามารถทำงานร่วมกับเว็บไซต์หรือแอปพลิเคชันได้อย่างราบรื่น  บทความโดย ทักษ์ดนัย แซ่ลี่  ทบทวนและปรับปรุงโดย อิสระพงศ์ เอกสินชล  เอกสารอ้างอิง 
24 December 2024
บทบาทของปัญญาประดิษฐ์ในกลยุทธ์ธุรกิจสมัยใหม่ (The role of AI in modern business strategies)
ปัญญาประดิษฐ์ (AI) กลายเป็นพลังแห่งการเปลี่ยนแปลง และได้ปฏิวัติหลายสิ่งหลายอย่างในชีวิตเรา รวมถึงปฏิวัติวิธีการทำธุรกิจด้วย ความก้าวหน้าอันรวดเร็วของเทคโนโลยี AI ได้นำไปสู่การบูรณาการ AI เข้ากับกลยุทธ์ธุรกิจสมัยใหม่ AI ได้มอบโอกาสมากมายให้ธุรกิจสามารถเจริญเติบโตได้ในสภาพแวดล้อมที่มีการแข่งขันสูงขึ้น ตั้งแต่การปรับปรุงการดำเนินงานไปจนถึงการยกระดับประสบการณ์ของลูกค้า ในบทความนี้ เราจะมาลงลึกบทบาทของ AI ในกลยุทธ์ธุรกิจสมัยใหม่ และสำรวจกันว่า AI กำลังเปลี่ยนอุตสาหกรรมทั่วโลกไปอย่างไร 1. ระบบอัตโนมัติและความมีประสิทธิภาพ (Automation and Efficiency) ประโยชน์หลักประการหนึ่งของ AI ในกลยุทธ์ธุรกิจ คือ ความสามารถในการทำให้งานและกระบวนการต่าง ๆ ดำเนินไปได้อย่างอัตโนมัติ ซึ่งจะนำไปสู่การเพิ่มประสิทธิภาพและผลผลิต ธุรกิจต่าง ๆ สามารถปรับปรุงงานที่ซ้ำซากและน่าเบื่อ ซึ่งจะช่วยประหยัดเวลาและทรัพยากรอันมีค่าที่สามารถเอาไปใช้เริ่มต้นทำสิ่งต่าง ๆ ในเชิงกลยุทธ์ได้มากขึ้นด้วยการนำระบบอัตโนมัติ AI มาใช้แทนที่มนุษย์ AI สามารถจัดการกิจกรรมต่าง ๆ ได้อย่างรวดเร็วและแม่นยำ ลดข้อผิดพลาด และเพิ่มประสิทธิภาพการดำเนินงานโดยรวม ตั้งแต่การป้อนข้อมูลและการวิเคราะห์ ไปจนถึงการจัดการสินค้าคงคลังและการบริการลูกค้า 2. การตัดสินใจที่ขับเคลื่อนด้วยข้อมูล (Data-driven Decision Making) ในโลกปัจจุบันที่ถูกขับเคลื่อนด้วยข้อมูล ธุรกิจต่าง ๆ มีข้อมูลจำนวนมหาศาล AI มีบทบาทสำคัญในการช่วยให้องค์กร เข้าใจข้อมูล และสกัดออกมาเป็นข้อมูลเชิงลึกที่สามารถนำไปใช้งานต่อได้ AI สามารถวิเคราะห์ข้อมูลขนาดใหญ่ ตรวจจับ patterns ต่าง ๆ ในข้อมูล และสร้างระบบธุรกิจอัจฉริยะ (business intelligence) ที่มีคุณค่าได้โดยใช้การเรียนรู้ของเครื่อง (machine learning) สิ่งนี้ช่วยให้บริษัท สามารถตัดสินใจจากข้อมูลที่รอบด้าน คาดการณ์แนวโน้มตลาด เพิ่มประสิทธิภาพในกลยุทธ์การตั้งราคา และปรับแต่งประสบการณ์ของลูกค้าได้ละเอียดในระดับรายบุคคล ความสามารถในการใช้ประโยชน์จากข้อมูลด้วย AI จะช่วยให้ธุรกิจมีความก้าวหน้านำคู่แข่ง และช่วยขับเคลื่อนการสร้างนวัตกรรมใหม่ ๆ ให้แก่องค์กร 3. ประสบการณ์ของลูกค้าที่ถูกยกระดับให้ดีขึ้น (Enhanced Customer Experiences) AI ได้ปฏิวัติวิธีที่ธุรกิจใช้เชื่อมโยงกับลูกค้าด้วยการนำเสนอประสบการณ์ที่เป็นส่วนตัวอย่างราบรื่นในช่องทางการติดต่อต่าง ๆ แชทบอทและผู้ช่วยเสมือน (virtual assistants) ที่ขับเคลื่อนโดยการประมวลผลภาษาธรรมชาติ (natural language processing) ช่วยทำให้ธุรกิจ สามารถให้ความช่วยเหลือลูกค้าได้ตลอด 24 ชั่วโมง ทำให้การตอบคำถามและการแก้ไขปัญหาเป็นไปได้อย่างรวดเร็วทันท่วงที ระบบแนะนำ (recommendation engines) ที่ขับเคลื่อนด้วย AI จะวิเคราะห์ความชอบและพฤติกรรมของลูกค้า ซึ่งจะช่วยให้ธุรกิจ สามารถนำเสนอผลิตภัณฑ์และจัดแคมเปญการตลาดที่มีความเหมาะสมจำเพาะเจาะจงกับลูกค้าแต่ละรายได้ นอกจากนี้แล้ว การวิเคราะห์อารมณ์ความรู้สึก (sentiment analysis) ด้วย AI ยังสามารถวัดความพึงพอใจและความคิดเห็นของลูกค้า ซึ่งจะช่วยให้บริษัทสามารถจัดการข้อกังวลต่าง ๆ และปรับปรุงพัฒนาการให้บริการและประสบการณ์โดยรวมของลูกค้าได้แบบเชิงรุก 4. การวิเคราะห์เชิงคาดการณ์และการพยากรณ์ (Predictive Analytics and Forecasting) ความสามารถในการคาดการณ์ของ AI มีคุณค่าเป็นอย่างยิ่งสำหรับธุรกิจที่ต้องการคาดการณ์แนวโน้มตลาด พยากรณ์อุปสงค์ความต้องการ และคาดคะเนถึงความเสี่ยงที่อาจจะเกิดขึ้น AI สามารถสร้างการคาดการณ์ที่แม่นยำด้วยการใช้ประโยชน์จากข้อมูลในอดีต และใช้แบบจำลองการวิเคราะห์เชิงคาดการณ์ ซึ่งจะช่วยเพิ่มประสิทธิภาพการจัดการห่วงโซ่อุปทาน ระดับสินค้าคงคลัง และจัดตารางเวลาในการผลิตสินค้าได้อย่างเหมาะสม แนวทางเชิงรุกนี้ ช่วยลดความสิ้นเปลือง ลดต้นทุน และปรับปรุงการจัดสรรทรัพยากรได้ นอกจากนี้แล้ว โมเดลการประเมินความเสี่ยงด้วย AI ยังสามารถระบุภัยคุกคามและช่องโหว่ที่อาจเกิดขึ้น ซึ่งจะช่วยทำให้ธุรกิจลดความเสี่ยงและสามารถตัดสินใจได้ด้วยข้อมูล ส่งผลดีให้ธุรกิจมีความยั่งยืนได้ในระยะยาว 5. ความได้เปรียบในการแข่งขันและนวัตกรรม (Competitive Advantage and Innovation) การนำ AI มาเป็นตัวช่วยในการวางกลยุทธ์ทางธุรกิจ สามารถสร้างความได้เปรียบในการแข่งขันได้อย่างมีนัยสำคัญโดยการส่งเสริมนวัตกรรมและสร้างความแตกต่างของผลิตภัณฑ์และบริการ (product/service differentiation) AI ช่วยทำกระบวนการอัตโนมัติ เพิ่มประสิทธิภาพการดำเนินงาน และปรับปรุงขั้นตอนการทำงาน ซึ่งจะทำให้ธุรกิจมีความได้เปรียบเหนือกว่าคู่แข่งในเชิงต้นทุนและเวลา นอกจากนี้ ข้อมูลเชิงลึกที่ได้จาก AI และข้อมูลด้านการตลาด ยังอำนวยความสะดวกในการเสาะแสวงหาโอกาสทางธุรกิจใหม่ ๆ ซึ่งจะช่วยให้ธุรกิจสามารถพัฒนาผลิตภัณฑ์ บริการ และโมเดลธุรกิจแบบใหม่ได้ การนำเทคโนโลยี AI มาใช้ จะช่วยให้องค์กรต่าง ๆ สามารถส่งเสริมวัฒนธรรมแห่งนวัตกรรม วางตำแหน่งตัวเองให้เป็นผู้นำอุตสาหกรรม และปรับตัวให้เข้ากับการเปลี่ยนแปลงของตลาดที่ไม่เคยหยุดนิ่งอยู่กับที่ ข้อควรคำนึงด้านจริยธรรมและความท้าทาย (Ethical Considerations and Challenges) แม้ว่าประโยชน์ของ AI ในกลยุทธ์ธุรกิจสมัยใหม่จะมีอยู่มาก แต่ก็มีความจำเป็นอย่างยิ่งที่จะต้องคำนึงถึงจริยธรรมและความท้าทายที่เกี่ยวข้องกับการนำ AI มาใช้ ข้อกังวลด้านความเป็นส่วนตัว ความปลอดภัยของข้อมูล และความลำเอียง (bias) ของอัลกอริทึมเป็นปัญหาสำคัญที่ต้องมีการเฝ้าติดตามอย่างระมัดระวัง ธุรกิจต้องมีความโปร่งใสในการรวบรวมข้อมูล ต้องจัดลำดับความสำคัญในด้านความปลอดภัยของข้อมูล และต้องตรวจสอบระบบ AI อยู่เป็นประจำเพื่อลดความลำเอียงของอัลกอริทึม นอกจากนี้แล้ว องค์กรต้องกำหนดแนวทางและกรอบการทำงานเพื่อจัดการกับข้อกังวลด้านจริยธรรม โดยส่งเสริมการใช้งาน AI อย่างมีความรับผิดชอบ ให้สอดคล้องกันกับค่านิยมและความคาดหวังของสังคม ประเด็นหลักในการพิจารณานำ AI มาใช้ให้เกิดประโยชน์สูงสุด โดยที่ยังสามารถจำกัดปัญหาและความท้าทายที่อาจเกิดขึ้นได้ในขณะเดียวกัน AI กลายเป็นเครื่องมือที่ขาดไม่ได้สำหรับธุรกิจในยุคใหม่ ซึ่งได้เปลี่ยนวิธีการดำเนินงาน การแข่งขัน และการสร้างสรรค์สิ่งใหม่ในองค์กร AI ได้มอบโอกาสมากมาย ให้ธุรกิจเติบโตได้ในภูมิทัศน์ที่มีการเปลี่ยนแปลงอยู่ตลอดเวลา ตั้งแต่ระบบอัตโนมัติและประสิทธิภาพที่เพิ่มสูงขึ้น ไปจนถึงประสบการณ์ของลูกค้าที่ดีขึ้น และการวิเคราะห์เชิงคาดการณ์ องค์กรสามารถสร้างความได้เปรียบในการแข่งขัน ขับเคลื่อนนวัตกรรม และปลดล็อกช่องทางใหม่ ๆ เพื่อเติบโตต่อไป ด้วยการผนึกรวม AI เข้าด้วยกันกับกลยุทธ์ทางธุรกิจ อย่างไรก็ตาม ยังมีความจำเป็นอย่างยิ่งที่ธุรกิจต่าง ๆ จะต้องนำ AI ไปใช้ด้วยกลยุทธ์ที่ครอบคลุม ต่อไปนี้คือข้อควรพิจารณาที่สำคัญบางประการเพื่อเพิ่มประโยชน์สูงสุดในการใช้ AI โดยที่ยังสามารถจำกัดปัญหาและความท้าทายที่อาจเกิดขึ้นได้ในขณะเดียวกัน: 1. กำหนดวัตถุประสงค์ให้ชัดเจน (Define Clear Objectives) กำหนดวัตถุประสงค์ทางธุรกิจของคุณให้ชัดเจน และระบุส่วนที่ AI จะสามารถช่วยเพิ่มมูลค่าได้มากที่สุด ไม่ว่าจะเป็นการปรับปรุงประสิทธิภาพการดำเนินงาน ปรับปรุงประสบการณ์ของลูกค้า หรือการขับเคลื่อนนวัตกรรมก็ตาม การมีวิสัยทัศน์ที่ชัดเจนจะช่วยชี้ช่องทางในการบูรณาการ AI เข้ากับกลยุทธ์ทางธุรกิจของคุณ 2. ลงทุนในโครงสร้างพื้นฐานข้อมูล (Invest in Data Infrastructure) AI ต้องใช้ข้อมูลที่มีคุณภาพสูง ตรวจสอบให้แน่ใจว่าคุณมีโครงสร้างพื้นฐานข้อมูลที่แข็งแกร่งสำหรับทำการรวบรวม จัดเก็บ และประมวลผลข้อมูลอย่างมีประสิทธิภาพ นำแนวทางปฏิบัติในการกำกับดูแลข้อมูล (data governance) มาใช้ตรวจสอบความถูกต้องของข้อมูล ความเป็นส่วนตัว และการปฏิบัติตามข้อกำหนดกฎระเบียบอย่างถูกต้อง 3. ส่งเสริมวัฒนธรรมแห่งการทำงานร่วมกัน (Foster a Culture of Collaboration) การที่จะนำ AI มาใช้ให้ประสบความสำเร็จ ต้องอาศัยความร่วมมือของทีมและแผนกต่าง ๆ ร่วมกันภายในองค์กร ส่งเสริมการทำงานร่วมกันข้ามสายงาน และสร้างวัฒนธรรมที่นำ AI มาใช้เป็นตัวส่งเสริมมากกว่าที่จะเป็นภัยคุกคาม จัดให้มีการฝึกอบรมและให้มีทรัพยากรที่จะช่วยให้พนักงานเข้าใจเทคโนโลยี AI และผลลัพธ์ที่จะเกิดขึ้นตามมา 4. เริ่มต้นจากเล็ก ๆ ก่อน...
26 December 2023
ตรวจจับบริษัททุจริตโดยใช้ Machine Learning วิเคราะห์งบการเงิน
ความไม่ซื่อสัตย์ในการดำเนินธุรกิจนั้นไม่ใช่สิ่งที่แปลกใหม่ ถึงแม้ว่าประวัติศาสตร์จะได้สอนเราว่าการทุจริตไม่ส่งผลดีในระยะยาว แต่ก็ยังมีข่าวอื้อฉาวด้านการเงินมากมายเกิดขึ้นในหลายประเทศ การปฏิวัติอุตสาหกรรม 4.0 ที่กำลังเกิดขึ้นอยู่ ณ ตอนนี้ ในมุมหนึ่งก็ยิ่งทำให้เกิดการฉ้อโกงกันง่ายขึ้น แต่ในอีกมุมหนึ่งก็ได้ทำให้เกิดเครื่องมือใหม่ ๆ ที่สามารถนำมาช่วยตรวจจับบริษัทที่ไม่ซื่อสัตย์ที่มีวิถีปฏิบัติคดโกงได้ งานวิจัยโดย Joanna Wyrobek จาก Department of Corporate Finance, Cracow University of Economics ประเทศโปแลนด์ ได้ทำการตรวจสอบว่า มีความเป็นไปได้หรือไม่ที่จะสร้างโมเดล machine learning ให้มีประสิทธิภาพในการนำงบการเงินรายปีของบริษัทหนึ่ง ๆ มาใช้ระบุว่าบริษัทเดียวกันนี้มีธุรกรรมที่ฉ้อโกงอย่างมีนัยสำคัญในปีเดียวกันหรือไม่ โดยธุรกรรมที่ฉ้อโกงนี้อาจจะ แต่ไม่จำเป็นต้อง ส่งผลต่องบการเงินในปีเดียวกันโดยตรงก็ได้ เพราะถึงแม้ธุรกรรมการโกงจะไม่ได้มีผลต่องบการเงินของบริษัทโดยตรง แต่พฤติกรรมการโกงนี้ก็อาจมีผลต่องบการเงินในทางอ้อม ซึ่งจะทำให้เกิด pattern บางอย่างที่สามารถนำ machine learning หรือ AI มาตรวจจับได้ สร้างโมเดล Machine Learning โดย Wyrobek ได้รวบรวมข้อมูลงบการเงินของ 54 บริษัทที่ถูกลิสต์ไว้ใน Wikipedia ว่าได้มีการฉ้อฉลทางบัญชีครั้งใหญ่ที่สุดในศตวรรษที่ 20 และได้เลือกอีก 58 ตัวอย่างบริษัท “ซื่อสัตย์” ที่อยู่ในอุตสาหกรรมเดียวกันกับ 54 บริษัทแรก, มีขนาดใกล้เคียงกัน, และมีประเภทกิจกรรมการดำเนินธุรกิจที่ใกล้เคียงกัน ซึ่ง Algorithm จะถูกฝึกสอนด้วยงบการเงิน 1,317 ฉบับ บริษัทที่ถูกคัดเลือกมาทำโมเดลนี้ส่วนใหญ่ลิสต์อยู่ในตลาดหุ้น NYSE หรือไม่ก็ NASDAQ ซึ่งถูกระบุปีที่บริษัทได้ลงมือทำการโกงโดยอาศัยข้อมูลการตรวจสอบของ SEC (Securities and Exchange Commission) และข่าวตีพิมพ์เกี่ยวกับการติดสินบน, การหลีกเลี่ยงภาษี, และกลโกงอื่น ๆ ที่กระทำโดยบริษัทเหล่านี้ ข้อมูลที่ใช้สำหรับงานวิจัยนี้เอามาจากเว็บไซต์ของ SEC โดยจะเป็นฐานข้อมูลการสืบสวนของ SEC และงบการเงินประจำปี (รายงาน 10-K) แต่สำหรับข้อมูลในบางปีที่ขาดหาย และข้อมูลของบริษัทที่ไม่ได้ลิสต์อยู่ในตลาดหลักทรัพย์นั้น จะใช้ฐานข้อมูลจาก Thompson Reuters Worldscope โดยใช้งบการเงินทุกงบ (งบดุล, งบกำไรขาดทุน, และงบกระแสเงินสด) และอัตราส่วนทางการเงินต่าง ๆ รวมแล้วมีทั้งหมด 298 ตัวแปร ผลการวิเคราะห์ ตารางในรูปที่ 1 แสดงผลจากการเทรนโมเดล ซึ่งจะเห็นได้ว่า accuracy ของ algorithms ที่ดีที่สุดนั้นสูงเกือบ 95% การที่โมเดลของงานวิจัยนี้มีประสิทธิภาพดีนั้น มองในมุมหนึ่ง ก็เป็นเพราะว่า ผู้วิจัยเลือกใช้เฉพาะกรณีอื้อฉาวฉ้อโกงบัญชีที่มีนัยสำคัญที่สุดในศตวรรษที่ 20 ซึ่งเป็นเคสที่มีความชัดเจนในการโกงมากที่สุด มาทดสอบ (evaluate) โมเดล คงจะเป็นเรื่องที่น่าแปลกใจมากถ้า ดันมีกรณีที่โมเดลนี้ไม่สามารถตรวจจับเคสที่มีการโกงอย่างชัดเจนเหล่านี้ได้ แต่ถ้ามองในอีกมุมหนึ่งแล้ว การโกงเหล่านี้ในหลายเคสก็ไม่ได้ส่งผลกระทบโดยตรงต่องบการเงินของบริษัท แต่โมเดลก็ยังคงสามารถตรวจจับได้ Algorithms ที่ประสบความสำเร็จมากที่สุดในที่นี้คือ gradient-boosted decision trees (XGB) และ random-forest (RF) โดยที่ XGB มี accuracy = 93.5%, precision = 67.3%, และ recall = 92.0% ส่วน random forest นั้นมี accuracy = 94.7%, precision = 80.0%, และ recall = 76.1% ผู้วิจัยพบว่าหนึ่งในโมเดล “ดั้งเดิม” ที่ชื่อว่า linear discriminant analysis (LDA) นั้นก็ค่อนข้างที่จะมีประสิทธิภาพดีเช่นกัน โดยมี accuracy = 92.2%, precision = 68.3%, และ recall = 68.7% ลองมาดูที่พารามิเตอร์ต่าง ๆ ใน confusion matrix กันบ้าง จะพบว่า XGB นั้นมี 1st type error (% False Positive) เท่ากับ 6.30% และมี 2nd type error (% False Negative) เท่ากับ 7.98% ซึ่งหมายความว่า algorithm นี้มองผิดว่าบริษัทที่ซื่อสัตย์เป็นบริษัทที่ไม่ซื่อสัตย์เพียงแค่ 7 เคสใน 100 และมองผิดว่าบริษัทที่คดโกงเป็นบริษัทที่เชื่อถือได้ 8 เคสใน 100 เคส ส่วนใน random forest algorithm นั้นมี 1st type error (% False Positive) เท่ากับ 2.68% และมี 2nd type error (% False Negative) เท่ากับ 23.9% และสำหรับ LDA นั้น 1st type error (% False Positive) เท่ากับ 4.5% และ 2nd type error (% False Negative) เท่ากับ 31.3% วิธีหนึ่งในการทำความเข้าใจผลลัพธ์ของโมเดล คือการดูตัวแปรที่ถูก algorithms ต่าง ๆ เลือกนำมาใช้เป็นหลัก 15 ตัวแปร จากทั้งหมด 289 ตัวแปร ผู้อ่านสามารถดูรายละเอียดได้ในหัวข้อที่ 4.1 ของเปเปอร์ต้นฉบับ ส่วนในบทความนี้จะขอกล่าวอย่างสรุปดังนี้ ใน algorithms ต่าง ๆ ทั้งหมดที่งานวิจัยชิ้นนี้ใช้ พบว่าบริษัทที่ไม่ซื่อสัตย์ จะมีค่าของตัวแปรต่าง ๆ เหล่านี้สูงกว่าในบริษัทปกติทั่วไป: และมีค่าของตัวแปรต่าง ๆ เหล่านี้ต่ำกว่าในบริษัทปกติทั่วไป: รายการที่ A1 ถึง A10 บ่งชี้ว่า ในงบการเงินของบริษัทที่ไม่ซื่อสัตย์โดยส่วนมาก มักจะมีรายการลงทุนต่าง ๆ...
18 January 2023
พื้นฐานของ Algorithmic Trading: แนวคิดและตัวอย่าง
Algorithmic trading ใช้โปรแกรมคอมพิวเตอร์ที่ปฏิบัติตามชุดคำสั่งที่กำหนดไว้ (Algorithm) เพื่อทำการเทรดด้วยความเร็วและความถี่ที่เหนือกว่าที่มนุษย์จะลงมือเทรดเองได้ บทความนี้จะปูพื้นฐานและยกตัวอย่างกลยุทธ์ต่าง ๆ ใน Algorithmic Trading ยอดนิยม
27 June 2022
พัฒนาฝีมือการลงทุนด้วย confusion matrix
การลงทุนนั้นสามารถทำได้ในหลากหลายสินทรัพย์ ไม่ว่าจะเป็นหุ้น ทองคำ น้ำมัน คริปโทเคอร์เรนซี พันธบัตรรัฐบาล ตราสารหนี้ เป็นต้น จุดมุ่งหมายหลักของนักลงทุนคือสร้างผลตอบแทนสูงสุดในระดับความเสี่ยงที่ยอมรับได้ ซึ่งแต่ละคนยอมรับความเสี่ยงได้ไม่เท่ากันขึ้นอยู่กับหลากหลายปัจจัยรายบุคคล ในบทความนี้เราจะนำเสนอตัวอย่างวิธีการนำ confusion matrix มาใช้วิเคราะห์ผลการลงทุนย้อนหลังเพื่อนำมาช่วยพัฒนาฝีมือการลงทุน โดยจะโฟกัสไปที่การลงทุนในหุ้น แต่ก็ยังสามารถนำไปประยุกต์ใช้กับการลงทุนในสินทรัพย์อื่น ๆ ได้เช่นกันครับ วิธีพัฒนาฝีมือการลงทุนให้ดีขึ้นนั้น ไม่ได้จำกัดอยู่เพียงแค่การศึกษาหาความรู้เพิ่มเติมจากภายนอกเพียงอย่างเดียว การทำความรู้จักกับนิสัยเรา ความสามารถ จุดแข็งและจุดอ่อนในการลงทุนของเราเองก็เป็นสิ่งสำคัญที่จะช่วยให้เราสามารถปรับปรุงแก้ไข และพัฒนาฝีมือให้ดีขึ้นได้ครับ วิธีหนึ่งที่จะช่วยให้เราสามารถหาจุดแข็งและจุดอ่อนของตัวเองได้ คือ การมองย้อนไปในอดีตว่า ที่ผ่านมานั้นการลงทุนของเราเป็นอย่างไร (Tracking Performance) ซึ่งโดยส่วนใหญ่มักจะนิยมดูกันที่อัตราผลตอบแทนต่อปี (Annualized Rate of Return, ROR) เป็นหลัก อย่างไรก็ตาม ROR ที่ดีนั้นเป็นเพียงผลลัพธ์ปลายทางที่เกิดขึ้นจากหลากหลายปัจจัย เช่น การลงทุนในแต่ละครั้งมีอัตราการตัดสินใจถูก/ผิดบ่อยแค่ไหน (Win Rate) ในแต่ละครั้งที่ตัดสินใจถูกนั้นได้กำไรเฉลี่ยกี่เปอร์เซ็นต์ (Average Gain per Trade) และครั้งที่ตัดสินใจผิดนั้นขาดทุนเฉลี่ยกี่เปอร์เซ็นต์ (Average Loss per Trade) เป็นต้น ปัจจัยต่าง ๆ เหล่านี้เรียกว่า Trading Metrics (ตัวชี้วัดผลการลงทุน : แปลโดยผู้เขียน) ซึ่งสามารถหาอ่านได้ตามเว็บไซต์การลงทุนต่าง ๆ เช่นใน Investopedia เป็นต้น อย่างไรก็ดี Trading Metrics ในบทความต่าง ๆ เหล่านี้มักจะสนใจวัดความสามารถของเราเฉพาะในครั้งที่เราเลือกตัดสินใจลงทุนแล้วเท่านั้น ว่าลงทุนไปแล้วถือเป็นการตัดสินใจที่ถูกต้องบ่อยครั้งแค่ไหน ได้กำไรหรือขาดทุนครั้งละเท่าไหร่บ้าง เป็นต้น แต่ในความเป็นจริงนั้นคงไม่ใช่ทุกครั้งที่เราจะตัดสินใจลงทุน บ่อยครั้งเราก็เลือกตัดสินใจที่จะไม่ลงทุนได้เช่นกัน ดังนั้นแล้ว การดูแต่ Trading Metrics เหล่านี้เพียงอย่างเดียวจึงอาจทำให้มองไม่เห็นภาพในฝั่งที่เราเลือกที่จะไม่ลงทุนว่าเราตัดสินใจได้ดีเพียงใด ลองมาดูวิธีการนำ Confusion Matrix มาใช้เพื่อแก้ปัญหานี้กันครับ Confusion Matrix Confusion Matrix ในรูปที่ 1 แสดงให้เห็นถึงผลลัพธ์ของการตัดสินใจลงทุนหรือไม่ลงทุน ว่าสามารถเกิดขึ้นได้ 4 กรณี คือ จะเห็นได้ว่า Trading Metrics ต่าง ๆ ที่สนใจเฉพาะครั้งที่เราตัดสินใจลงทุนเท่านั้นจะไม่ครอบคลุม 2 กรณีหลังที่เราตัดสินใจไม่ลงทุน ยกตัวอย่างเช่น อัตราการตัดสินใจถูก (Win Rate) นั้นจะนำจำนวนครั้งที่ได้กำไร (ข้อ 1) มาหารด้วยจำนวนครั้งที่ลงทุนทั้งหมด (ข้อ 1+2) เท่านั้น การมองข้ามครั้งที่เราตัดสินใจไม่ลงทุน (ข้อ 3 และ 4) ไป จะทำให้เรามองไม่เห็นจำนวนครั้งที่เสียโอกาสการลงทุนที่ดี (ข้อ 3) ว่าเกิดขึ้นบ่อยครั้งเพียงใด Case Study เพื่อให้เห็นภาพมากขึ้นจะขอยกตัวอย่างเปรียบเทียบ Performance ผลการลงทุนในหุ้นของ 2 นักลงทุน (Mr. A และ Mr. B) ที่มีการติดตามหุ้นชุดเดียวกันในช่วงระยะเวลาเดียวกัน แต่ใช้กลยุทธ์การลงทุนที่แตกต่างกัน โดยเราจะวัด Performance จากกำไรสุทธิที่นักลงทุนแต่ละคนทำได้ซึ่งสามารถคำนวณได้ดังนี้ Mr. A ใช้กลยุทธ์การตัดสินใจลงทุนที่ค่อนข้างรัดกุมมาก เลือกลงทุนเฉพาะครั้งที่เขามั่นใจสูงว่าจะไม่ขาดทุน ส่วน Mr. B นั้นเลือกใช้กลยุทธ์การตัดสินใจลงทุนที่เสี่ยงแบบพอดี ไม่จำเป็นที่จะต้องมั่นใจเต็ม 100% ว่าจะได้กำไร แต่มีการตั้งจุดจำกัดขาดทุน (Cut Loss) ให้ขาดทุนไม่เกินครั้งละ 10% ผลการลงทุนของทั้ง 2 คนในปี 2021 เป็นดังนี้ Mr. A Mr. A มีการตัดสินใจทั้งหมด 100 ครั้ง โดยเลือกที่จะลงทุนเฉพาะในครั้งที่เขามีความมั่นใจค่อนข้างมากว่าไม่น่าจะขาดทุน รวมทั้งหมดเพียง 3 ครั้ง ครั้งละ 100 บาท (จำนวนเงินสมมุติ เพื่อความง่าย) โดยในทั้ง 3 ครั้งนี้ A ได้กำไรทุกครั้งเฉลี่ยครั้งละ 30% (คิดเป็นกำไรครั้งละ 30 บาท) ส่วนอีก 97 ครั้งที่เหลือ A ตัดสินใจที่จะไม่ลงทุนเลย ซึ่งในนี้มี 47 ครั้งที่เขาพลาดโอกาสที่จะได้กำไร และอีก 50 ครั้งที่เขาตัดสินใจถูกแล้วที่ไม่ลงทุนในโอกาสที่จะนำไปสู่การขาดทุน เราเขียน Confusion Matrix ของการตัดสินใจของ A ได้ดังนี้ (รูปที่ 2) Win Rate และ Performance ของ Mr. A คือ Mr. B ในปีเดียวกันนี้เอง Mr. B ติดตามหุ้นชุดเดียวกันกับ Mr. A และได้มีการตัดสินใจทั้งหมด 100 ครั้งเช่นกัน โดย B เลือกที่จะลงทุนในครั้งที่เขามั่นใจว่าโอกาส (ความน่าจะเป็น) ที่จะชนะมีอย่างน้อย 2 ใน 3 รวมทั้งหมด 10 ครั้ง ครั้งละ 100 บาทเท่ากันกับ Mr. A ผลปรากฏว่า ในการลงทุน 10 ครั้งนี้ B ได้กำไร 7 ครั้ง เฉลี่ยครั้งละ 25% (คิดเป็นกำไรครั้งละ 25 บาท) และขาดทุน 3 ครั้ง เฉลี่ยครั้งละ 8% (คิดเป็นขาดทุนครั้งละ 8 บาท) (เพราะ B มีการจำกัดความเสี่ยงโดยการตัดขาดทุน (Cut Loss) ให้ขาดทุนไม่เกินครั้งละ 10%) เราเขียน Confusion Matrix ของการตัดสินใจของนาย B ได้ดังนี้ (รูปที่ 3) Win Rate และ Performance ของ Mr. B คือ A vs B จะเห็นได้ว่า ถึงแม้ว่าในทุกครั้งที่ลงทุน A จะตัดสินใจถูกหมดเลย (Win Rate 100%) และในแต่ละครั้งก็ได้กำไรสูงกว่า...
14 January 2022
ผลกระทบของ A.I. และ Big Data ต่อการลงทุน และอุตสาหกรรม การบริหารจัดการสินทรัพย์
A.I. และ Big Data เริ่มเข้ามีบทบาทในการบริหารจัดการสินทรัพย์ (asset management) และการลงทุนมากขึ้นเรื่อย ๆ เทคโนโลยีเหล่านี้จะเข้ามา disrupt วงการนี้ได้อย่างไร
19 July 2021
Big Data Analytics กับการลงทุนแบบ Quant
บทความนี้ แปลและดัดแปลงมาจากบทความบน LinkedIn ที่เขียนโดย Peter Hafez ซึ่งเป็น Chief Data Scientist บริษัท RavenPack ผู้แปลไม่มีส่วนได้ส่วนเสียกับผู้เขียนและ RavenPack แต่อย่างใด ในงาน “Battle of the Quants” ปี 2017 ที่ New York นั้นผู้เขียน (Peter Hafez) ได้บรรยายเรื่อง “Exploiting Alternative Data in the Investment Process” ข้อเสนอแนะที่ได้รับจากงานนั้น ทำให้ผู้เขียนอยากที่จะแชร์ความเห็นเพิ่มเติมว่า มีอะไรบ้างที่จะช่วยให้ประสบความสำเร็จในการลงทุนแบบ quant ในยุคปัจจุบัน Quant ย่อมาจากคำว่า Quantitative Analysis หรือ Quantitative Analyst เป็นชื่อที่ใช้เรียกวิธีการลงทุนหรือกลุ่มนักลงทุน ที่ใช้การวิเคราะห์เชิงปริมาณ อาทิ การวิเคราะห์และค้นหารูปแบบการเคลื่อนไหวของตลาดที่ซ่อนอยู่ภายใต้ข้อมูลจำนวนมหาศาล เพื่อการลงทุน RavenPack (บริษัทที่ Peter Hafez ทำงานอยู่) เป็นหนึ่งในบริษัทที่คลุกคลีอยู่ในวงการการลงทุนแบบ quant มาเกือบ 15 ปี และได้ตระหนักเห็นในจุดเด่นของการลงทุนแบบ quant มาโดยตลอด รายงานของ TABB Group กล่าวว่ากองทุน hedge funds ที่เน้นการลงทุนแบบ quant (quantitative hedge funds) ในยุคปัจจุบันนี้นั้นโดยรวมแล้วมีปริมาณการเทรด (ซื้อ ขาย) หุ้นเป็นสัดส่วนที่สูงถึง 27% ของมูลค่าทั้งหมด ซึ่งสูงกว่านักลงทุนและกองทุนสถาบันการลงทุนประเภทอื่น ๆ เมื่อนำปัจจัยนี้มาผนวกร่วมกันกับการเติบโตของปริมาณข้อมูล digital อย่างมหาศาล และปริมาณเงินที่ไหลเข้ามาลงทุนในกองทุน quants ที่เพิ่มมากขึ้นเรื่อย ๆ ด้วยแล้วนั้น ยิ่งทำให้เห็นว่า วงการการลงทุนได้มีการเปลี่ยนแปลงไปแล้วอย่างมีนัยสำคัญ ส่งผลให้มีแรงกดดันต่อผู้ที่ยังใช้วิธีการลงทุนแบบเดิม ๆ (traditional quantitative investors) ให้ต้องปรับตัว ปรับเปลี่ยนวิธีการลงทุนกันขนานใหม่ให้ประสบความสำเร็จ ปริมาณข้อมูลกำลังเติบโตขึ้นอย่างรวดเร็วมหาศาล 90% ของข้อมูล digital ทั่วโลกทั้งหมดที่มีอยู่ ณ วันนี้เพิ่งถูกสร้างขึ้นใน 2 ปีที่ผ่านมานี้เอง จากรายงานของ IDC (International Data Corporation) กล่าวว่า 90% ของข้อมูล digital ทั่วโลกทั้งหมดที่มีอยู่ ณ วันนี้เพิ่งถูกสร้างขึ้นใน 2 ปีที่ผ่านมานี้เอง ซึ่งในข้อมูลเหล่านี้ 80% เป็นข้อมูลแบบไม่มีโครงสร้าง (unstructured content) จึงทำให้เกิดโอกาสอย่างมหาศาลสำหรับนักลงทุนในการหาสิ่งใหม่ ๆ มาสร้างผลตอบแทน (new alpha sources) ให้เหนือตลาดได้มากกว่าการลงทุนแบบที่ใช้กันในอดีตหลายปีที่ผ่านมา ที่ใช้เพียงปัจจัยเชิงพื้นฐานและข้อมูลตลาดแบบดั้งเดิม ซึ่งเริ่มมีประสิทธิภาพที่ลดลงเรื่อย ๆ แหล่งข้อมูลทางเลือกใหม่ ๆ นี้มีตั้งแต่ ข้อมูลธุรกรรมบัตรเครดิต ข้อมูลดาวเทียม ข้อมูลสาธารณะที่สร้างขึ้นจากกลุ่มคนจำนวนมาก ข้อมูลตำแหน่งการเดินทาง และ ข้อมูลอารมณ์ความรู้สึก (sentiment) ของผู้คนใน social media ฯลฯ ในสมัยก่อนนั้น กองทุนส่วนใหญ่ที่มีวิสัยทัศน์ มักจะทำให้ตัวเองได้เปรียบเหนือคู่แข่งในด้านข้อมูลด้วยวิธีการจ้างทีมตามล่าหาข้อมูลใหม่ ๆ ที่น่าสนใจรอบโลก เพื่อนำมาใช้ประกอบการตัดสินใจลงทุน อย่างไรก็ดี เมื่อวันเวลาผ่านไป ตลาดนี้เริ่มพัฒนาขึ้นมาจนถึงจุดอิ่มตัว มีงานวิจัยและบทความมากมายตีพิมพ์นำเสนอข้อมูลต่าง ๆ ที่ครอบคลุมรอบด้านมากขึ้น ผู้ลงทุนทุกคนเข้าถึงข้อมูลได้เหมือน ๆ กัน จึงทำให้เกมการลงทุนนั้นแทบไม่มีความได้เปรียบในด้านการเข้าถึงข้อมูลอีกต่อไป การซื้อข้อมูลที่ไม่เปิดเผยต่อสาธารณะนั้นจะทำให้เราอยู่เหนือชั้นนักลงทุนคนอื่นมั้ย ? ในปัจจุบันนี้ ความเหนือชั้นนั้นไม่สามารถเกิดขึ้นได้จากการที่เราเพียงแค่มีข้อมูลชุดใดชุดนึงที่คนอื่นไม่มีอีกต่อไปแล้ว แต่ความเหนือชั้นนั้นจะเกิดขึ้นจาก ความสามารถในการประมวลผลของข้อมูลต่าง ๆ ที่ทุกคนมีอยู่เหมือนกัน ได้อย่างมีประสิทธิภาพเหนือผู้อื่น ความคิดที่ว่า ถ้าคุณมีข้อมูลบางอย่างอยู่เพียงผู้เดียว แล้วจะทำให้คุณจะได้เปรียบคู่แข่งนั้น เป็นความคิดที่ตกยุคไปเสียแล้ว (เว้นเสียแต่ว่าคุณเป็นหนึ่งใน Alphabet Facebook Amazon Apple และ Microsoft) เพราะถึงแม้ว่าเราจะสามารถเข้าถึงชุดข้อมูลใดชุดหนึ่งที่ไม่เปิดเผยต่อสาธารณะได้ แต่ก็อาจจะยังมีข้อมูลสาธารณะอื่น ๆ อีกมากมายที่สามารถสกัดเอาความรู้ที่เหมือนกันออกมาได้อยู่ดี ยกตัวอย่างเช่น ทั้งข้อมูลการใช้บัตรเครดิต ข้อมูลการเคลื่อนที่และสถานที่ของผู้คนต่างก็สามารถนำมาใช้พยากรณ์รายได้ของบริษัทได้ เป็นต้น สุดท้ายแล้วข้อมูลต่าง ๆ ที่ใช้สำหรับการลงทุนส่วนใหญ่นั้น จะเน้นไปที่ชุดข้อมูลที่สามารถสกัดเอาปัจจัยเชิงพื้นฐานออกมาได้ ความเหนือชั้นนั้นจะเกิดขึ้นจาก ความสามารถในการประมวลผลของข้อมูลต่าง ๆ ที่ทุกคนมีอยู่เหมือนกัน ได้อย่างมีประสิทธิภาพเหนือผู้อื่น วิธีเอาชนะตลาด (alpha) นั้นได้เปลี่ยนไปแล้ว! ตามที่ได้กล่าวไปข้างต้น ชี้ให้เราเห็นได้ว่า big data และการปฏิวัติวงการ quant นั้นได้เปลี่ยนแปลงวิธีการเอาชนะตลาดไปอย่างมีนัยสำคัญ ดังที่แสดงให้เห็นถึงปริมาณข้อมูลและจำนวนชุดข้อมูลที่มีการเพิ่มขึ้นอย่างรวดเร็วในรูปข้างล่างนี้ เมื่อเทียบกับยุคปี 1950-1970s ที่ในขณะนั้นการลงทุนให้ชนะตลาด (alpha) สามารถอธิบายได้ด้วยปัจจัยแค่เพียงไม่กี่ปัจจัยที่มักไม่ค่อยเปลี่ยนแปลง แต่ในวันนี้กลับมีหลายร้อยหลายพันปัจจัยที่มีผลต่อการขับเคลื่อน alpha (ผลตอบแทนที่เหนือตลาด) และปัจจัยส่วนใหญ่ก็มักจะเกิดขึ้นแค่ในระยะสั้น ๆ เท่านั้น สิ่งเหล่านี้สร้างแรงกดดันให้แก่กองทุนต่าง ๆ อย่างมากมาย เพราะ มันทำให้พวกเขาต้องเปิดรับข้อมูลในปริมาณที่มากขึ้นเพื่อที่จะยังคงสามารถเติบโตต่อไปได้ หรืออย่างน้อยก็ขอเพียงแค่ยังรักษาผลตอบแทนให้เหมือนเดิมได้ก็ดีพอแล้ว แต่ที่กดดันยิ่งไปกว่านั้นก็คือ การที่ปัจจัยต่าง ๆ แต่ละปัจจัยมีผลต่อ alpha น้อยลง แต่มีจำนวนหลายปัจจัย หลายชุดข้อมูลมากขึ้น ทำให้กองทุนเหล่านี้ต้องหาวิธีสกัดเอาสัญญาณ alpha ออกมาให้ได้ด้วยต้นทุนในอัตรา (ราคาต่อหนึ่งชุดข้อมูล) ที่ถูกลง เพราะจะต้องใช้จำนวนชุดข้อมูลที่มากขึ้นเพื่อให้ได้ alpha ที่เท่าเดิม สงครามแก่งแย่งคนเก่งนั้นจะยังคงดำเนินต่อไป… การจะลงทุนให้ประสบความสำเร็จได้นั้น กลายเป็นเกมเชิงตัวเลขไปเสียแล้ว ถ้าจะพูดในภาษาที่คนทั่วไปใช้กันก็คือ เราจำเป็นที่จะต้องใช้พลังการคำนวณของคอมพิวเตอร์ที่สูงขึ้น พื้นที่เก็บข้อมูลที่ใหญ่ขึ้น และที่ขาดไม่ได้เลยก็คือ data scientists ที่มีฝีมือ แต่เราก็ยังไปไม่ถึงจุดที่ง่ายสุด ๆ ขั้นที่เพียงแค่โยนข้อมูลเข้า AI ปุ๊บก็จะได้สัญญาณ alpha ออกมาปั๊บ (ผู้เขียนเองก็ยังไม่คิดว่าเราจะไปถึงจุดนั้นในเร็ว ๆ นี้ครับ) จึงทำให้เกิดความท้าทายเพิ่มขึ้นมาอีกหนึ่งอย่าง คือ กองทุนต่าง ๆ จะต้องทำยังไงให้สามารถรวบรวม data scientists ได้เพียงพอที่จะสามารถสกัดเอา alpha ออกมาจากข้อมูลได้ ซึ่งแน่นอนว่ามันไม่ใช่แค่ในวงการการเงินเท่านั้นที่ต้องการจ้าง data scientists เป็นจำนวนมาก อุตสาหกรรมอื่น ๆ ก็อยากใช้ data scientists เช่นกัน ทำให้สงครามแก่งแย่งคนเก่งนั้นมีความดุเดือดจริง ๆ เราจำเป็นที่จะต้องใช้พลังการคำนวณของคอมพิวเตอร์ที่สูงขึ้น พื้นที่เก็บข้อมูลที่ใหญ่ขึ้น และที่ขาดไม่ได้เลยก็คือ data scientists ที่มีฝีมือ ในทุกวันนี้...
1 March 2021
ดึงข้อมูลจากเว็บไซต์ (Data Scraping) ด้วย Python Part 3 : Scraping ข้อมูลลึกไปอีกขั้น
วิธีทำ automation ดึงข้อมูลจากเว็บไซต์ (web scraping) โดยใช้ Python
8 June 2020
ดึงข้อมูลจากเว็บไซต์ (Data Scraping) ด้วย Python Part 2 : Scrape HTML โดยใช้ Python
วิธีทำ automation ดึงข้อมูลจากเว็บไซต์ (web scraping) โดยใช้ Python
29 April 2020
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings