investment

investment

ข่าวและบทความที่เกี่ยวข้อง

All investment

PostType Filter En

บทความ

ความตื่นตัวของหุ่นยนต์ที่ปรึกษาด้านการเงิน
ใครที่อยากลงทุน แต่ไม่รู้จะเริ่มยังไง ไม่ต้องกังวลอีกต่อไปเพราะตอนนี้เรามี Robo-Advisor หรือ A.I. ที่จะมาทำหน้าที่เป็นที่ปรึกษาด้านการลงทุน
13 October 2023

บทความ

Quantitative Hedge Fund สร้างผลตอบแทนเหนือตลาด จากข้อมูลมหาศาลได้อย่างไร?
หลาย ๆ ท่านที่สนใจด้านการลงทุน คงจะรู้จักหลักการลงทุนอย่าง Value Investing (VI) ซึ่งเป็นหลักการลงทุนที่นักลงทุนที่ประสบความสำเร็จระดับโลก อย่าง Warren Buffet, Peter Lynch, Charlie Munger และอื่น ๆ อีกหลายท่าน ยึดถือ ปฏิบัติ และ เผยแพร่ต่อสาธารณะชน  มาเป็นระยะเวลายาวนานหลายสิบปี หลักการลงทุนที่ดูแสนเรียบง่ายนี้ มักจะเน้นไปที่การศึกษา ทำความเข้าใจ และประเมินมูลค่าธุรกิจ (หุ้น) ผ่านการประเมินปัจจัยเชิงคุณภาพต่าง ๆ เช่น ความได้เปรียบในการแข่งขัน การเข้ามาของคู่แข่งรายใหม่ อำนาจต่อรองของบริษัท พฤติกรรมของผู้บริโภค ประกอบกับการประเมินปัจจัยเชิงปริมาณ เช่น รายได้ และกำไรในอนาคตของกิจการ ซึ่งจะสะท้อนการเติบโตของกำไรในอนาคต เพื่อนำมาใช้ประกอบการตัดสินใจในการลงทุน ซึ่งล้วนต้องอาศัยการศึกษาวิจัย วิเคราะห์ข้อมูลปริมาณมาก เพื่อทำความเข้าใจสินทรัพย์นั้น ๆ รายตัวอย่างละเอียด Quant Fund ใช้กลยุทธ์อะไร วิธีการดังกล่าวนี้ แตกต่างอย่างสิ้นเชิงกับกับที่ Quant Fund (Quantitative Hedge Fund) อย่าง Renaissance Technologies, Citadel, Two Sigma และอื่น ๆ เลือกใช้ ซึ่งจะเน้นไปที่การสร้าง และใช้อัลกอริทึม เพื่อทำการตัดสินใจ ซื้อขาย หลักทรัพย์ต่าง ๆ โดยอัตโนมัติ ตามกลยุทธ์ต่าง ๆ ยกตัวอย่างเช่น จากตัวอย่างทั้งสามวิธีข้างต้น จะเห็นได้ว่า หลักการในการลงทุน และตัดสินใจซื้อขายหลักทรัพย์ ของ Quant Fund นั้นล้วนต้องเริ่มต้นจากข้อมูลปริมาณมหาศาล ไม่ว่าจะเป็นข้อมูลทั่ว ๆ ไปเกี่ยวกับ ราคาหลักทรัพย์ และปริมาณการซื้อ ขาย ย้อนหลังหลายสิบปี, ข้อมูลปัจจัยพื้นฐานของบริษัท และกลุ่มธุรกิจ อุตสาหกรรมต่าง ๆ , ข้อมูลตัวเลขดัชนีชี้วัดเศรษฐกิจมหภาค เช่น GDP, อัตราเงินเฟ้อ, อัตราดอกเบี้ย เป็นต้น รวมทั้งยังใช้ ข้อมูลอื่น ๆ ที่กองทุนทั่วไป มักไม่ได้ให้ความสำคัญ เช่น ข้อมูลภาพถ่ายจากดาวเทียม/ภาพถ่ายทางอากาศ ซึ่งจะถูกนำมาประมวลผล เพื่อตรวจเช็ค และติดตามการเคลื่อนไหวของกิจกรรมทางเศรษฐกิจ เช่น การดำเนินงานของบริษัท ห้างร้าน หรือการเพาะปลูก เก็บเกี่ยว สินค้าโภคภัณฑ์ ต่าง ๆ หรือ ข้อมูลการสัญจรทางถนน เพื่อวัดระดับกิจกรรมทางเศรษฐกิจ และการขนส่ง เป็นต้น Quantitative Trading มีวิธีการอย่างไร ข้อมูลมหาศาลเหล่านี้ จำเป็นต้องถูกจัดการด้วยเทคนิคทางวิทยาศาสตร์ข้อมูล เช่น การทำความสะอาด หรือ การจัดการข้อมูลที่ผิดปกติ ซึ่งหากไม่ได้รับการจัดการ อาจส่งผลต่อประสิทธิภาพของโมเดล จากนั้นจึงทำการเตรียมความพร้อมข้อมูลก่อนที่จะนำข้อมูลเหล่านี้ ไปใช้ประกอบกลยุทธ์ต่าง ๆ เพื่อสร้างโมเดลหาสัญญาณซื้อ ขาย จากชุดข้อมูลที่มี และสร้างระบบอัลกอริทึมซื้อขายหลักทรัพย์ ซึ่งจะต้องผ่านการ Backtesting หรือการทดสอบระบบซื้อขาย ด้วยชุดข้อมูลในอดีตย้อนหลังหลายปี เพื่อตรวจสอบประสิทธิภาพของกลยุทธ์ที่ใช้ ด้วยตัวชี้วัดต่าง ๆ เช่น Quant Fund ประยุกต์ใช้วิทยาศาสตร์ข้อมูลอย่างไร เช่นเดียวกับหลักการในวิทยาศาสตร์ข้อมูล เราจำเป็นต้องแบ่งชุดข้อมูลที่ใช้สร้างโมเดลการซื้อขาย ออกเป็น training set, validation set, และ test set โดยจะทำการสอนโมเดลด้วย training set หลังจากนั้นจึงทำ hyper-parameter tuning และทำการคัดเลือกโมเดลโดยใช้ validation set สุดท้ายจึงทำการทดสอบโมเดลด้วย test set ซึ่งเป็นข้อมูลที่โมเดลไม่เคยเจอมาก่อน หลังจากได้โมเดลที่ยอดเยี่ยมแล้ว จะเป็นการนำโมเดลที่ได้มาสร้างโปรแกรมซื้อขายหลักทรัพย์ โดยขั้นตอนนี้ เรื่องของความเร็วของการประมวลผลโปรแกรม และความเร็วในการเชื่อมต่อ และดำเนินการซื้อขาย จะมีผลอย่างมาก หลังจากนั้นจะเป็นเรื่องของการติดตามการทำงานของโมเดล และเพิ่มประสิทธิภาพการทำงานของโมเดล ให้มีผลตอบแทนที่สูงขึ้น และลดความเสี่ยงจากปัจจัยต่าง ๆ ไม่ว่าจะมาจากตัวกลยุทธ์ที่ใช้ จากวิกฤตในตลาด หรือจากตัวโปรแกรมซื้อขายที่สร้างขึ้นมา บทส่งท้าย จะเห็นได้ว่าหลักการในวิทยาศาสตร์ข้อมูล นอกจากจะสามารถนำมาประยุกต์ใช้ในธุรกิจต่าง ๆ เพื่อสร้างความเข้าใจเชิงลึก หรือสร้างโมเดลที่ตอบโจทย์มากมายได้แล้ว เมื่อนำมาประยุกต์ใช้ในโลกของการลงทุน สามารถสร้างผลตอบแทนเหนือตลาด ได้เป็นระยะเวลายาวนาน โดยตัวอย่างที่โด่งดังที่สุด คงหนีไม่พ้น The Medallion Fund ซึ่งบริหารโดย Renaissance Technologies ที่สามารถสร้างผลตอบแทนทบต้นต่อปี สูงถึง 71.8% (ก่อนหักค่าบริหารกองทุน) ระหว่างปี 1994 ถึงปี 2014 โดยความน่าสนใจของ Renaissance Technologies คือเป็น Hedge Fund ที่ประกอบไปด้วย นักคณิตศาสตร์ และนักวิทยาศาสตร์จำนวนมาก โดยที่พนักงานส่วนใหญ่ ไม่ได้มีพื้นฐานมาจากสายการเงิน เหมือนกองทุนทั่ว ๆ ไป บทความโดย ปิ่นพงศ์ สุขแก้วตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น
6 February 2023

บทความ

พื้นฐานของ Algorithmic Trading: แนวคิดและตัวอย่าง
Algorithmic trading ใช้โปรแกรมคอมพิวเตอร์ที่ปฏิบัติตามชุดคำสั่งที่กำหนดไว้ (Algorithm) เพื่อทำการเทรดด้วยความเร็วและความถี่ที่เหนือกว่าที่มนุษย์จะลงมือเทรดเองได้ บทความนี้จะปูพื้นฐานและยกตัวอย่างกลยุทธ์ต่าง ๆ ใน Algorithmic Trading ยอดนิยม
27 June 2022

บทความ

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

บทความ

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

บทความ

ความตื่นตัวของหุ่นยนต์ที่ปรึกษาด้านการเงิน
ใครที่อยากลงทุน แต่ไม่รู้จะเริ่มยังไง ไม่ต้องกังวลอีกต่อไปเพราะตอนนี้เรามี Robo-Advisor หรือ A.I. ที่จะมาทำหน้าที่เป็นที่ปรึกษาด้านการลงทุน
21 January 2021
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
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.