Search
A
A
A
Home
trading

trading

ข่าวและบทความที่เกี่ยวข้อง

Related news and articles

PostType Filter En

บทความ
Movements
ความท้าทาย และโอกาสในการใช้ Machine Learning ในโลกของการลงทุน (Challenges and Opportunities for Using Machine Learning in Trading)
ในบทความก่อนหน้า เราได้พูดถึงหลักการ และกลยุทธ์การลงทุน ที่ Quant Fund ต่าง ๆ ประยุกต์ใช้อย่างประสบความสำเร็จ โดยมีรากฐาน และกระบวนการ ที่สอดคล้องกันกับวิธีการในโลกของวิทยาศาสตร์ข้อมูล เพียงแต่นำมาประยุกต์ใช้กับข้อมูลในโลกของการเงิน เพื่อค้นหาโอกาสในการทำกำไร บนความเสี่ยงที่ต่ำพอจนอยู่ในระดับที่พึงพอใจ โดยตัวอย่างของความสำเร็จที่โดดเด่นที่สุดในแนวการลงทุนแบบนี้ คงจะหนีไม่พ้น The Medallion Fund ซึ่งก่อตั้งโดย นักคณิตศาสตร์ชื่อ Jim Simons ที่สามารถสร้างผลตอบแทนเฉลี่ยต่อปี สูงถึง 66.1% (ก่อนหักค่าบริหารกองทุน) บนระยะเวลา กว่า 30 ปี ระหว่างปี 1988 ถึงปี 2018 ความสำเร็จของ Machine Learning ตั้งแต่ต้นปี 2023 ที่ผ่านมา คงจะปฏิเสธไม่ได้เลยว่า กระแสความนิยมของ Generative AI นั้นมาแรงมาก ตั้งแต่การเปิดตัวของ ChatGPT ช่วงสิ้นปี 2022 ผู้คนทั่วโลกล้วนตื่นเต้น และประหลาดใจกับความสามารถ และความเข้าใจอันลึกซึ้งในภาษา ของเจ้าแชทบอทตัวนี้ สะท้อนให้เห็นถึงความสำเร็จของการประยุกต์ใช้ Machine Learning ในโลกของภาษา ยังไม่นับความสำเร็จในโลกของ Computer Vision เช่นการทำ Image Classification ในวงการแพทย์เพื่อคัดแยกก้อนเนื้อที่เป็นมะเร็งจากภาพ X-ray รวมถึงการทำ Object Detection ในเทคโนโลยียานยนต์ไร้คนขับ และ อื่น ๆ อีกมากมาย ความท้าทายของข้อมูลในโลกการเงิน แม้ว่าการประยุกต์ใช้เทคนิคใน Machine Learning จะประสบความสำเร็จในหลากหลายสาขาวิชา มากมายเพียงใด แต่ปฏิเสธไม่ได้เลยว่า เทคนิคใน Machine Learning เหล่านั้น เมื่อนำมาประยุกต์ใช้กับโลกของการเงิน และการลงทุน เพื่อค้นหาโอกาสในการลงทุนนั้น กลับพบกับอุปสรรค และความท้าทายมากมาย โดยปัจจัยที่ทำให้การประยุกต์ใช้เทคนิคใน Machine Learning เหล่านั้น ในโลกของการลงทุนเป็นไปได้ยาก ประกอบไปด้วย ขนาดของข้อมูล ถึงแม้ว่าปัจจุบันจะมีข้อมูลมากมาย ไม่ว่าจะเป็นข้อมูลราคาซื้อขาย ปริมาณการซื้อขาย ข้อมูลปัจจัยพื้นฐาน ซึ่งสามารถเก็บได้โดยละเอียด เป็นระยะเวลาหลายปี ที่สามารถนำมาใช้วิเคราะห์ และตีความ เพื่อหาโอกาสในการลงทุนได้ รวมไปถึงข้อมูลทางเลือกต่าง ๆ เช่น ข้อมูลจากแหล่งข่าวต่าง ๆ หรือข้อความจาก สื่อสังคม (ออนไลน์) เช่น Twitter และ Facebook ซึ่งสามารถนำมาใช้ประกอบการประเมินค่าอารมณ์ของตลาดได้นั้น หรือแม้แต่ภาพถ่ายจากดาวเทียม ที่สามารถใช้ติดตามกิจกรรมทางเศรษฐกิจ เช่น ยอดขายอสังหาริมทรัพย์ หรือ อุปทานของสินค้าโภคภัณฑ์ ต่าง ๆ แต่ด้วยข้อจำกัดของระยะเวลาที่มีข้อมูลเหล่านี้ ซึ่งอาจจะเป็นระยะเวลาไม่กี่ทศวรรษ สำหรับข้อมูลทางการเงินส่วนใหญ่ ส่งผลให้กลยุทธ์ที่มีระยะเวลาการซื้อขายเฉลี่ยไม่ถี่พอ เช่น หลักเดือน เป็นต้นไป จะถูกจำกัดด้วยจำนวนจุดข้อมูลที่ไม่เยอะพอเมื่อนำไปใช้สอนโมเดล ทำให้การประยุกต์ใช้เทคนิคทาง Machine Learning นั้นเป็นไปได้ยาก และอาจไม่ได้ประสิทธิภาพ รวมไปถึงการมีอยู่ของ Correlation ระหว่างข้อมูลต่าง ๆ ที่ใช้สอนโมเดล ซึ่งยิ่งจำกัดปริมาณข้อมูลที่เป็นประโยชน์ต่อการเรียนรู้ของโมเดล ทำให้เป็นอุปสรรคต่อการดึงศักยภาพ และความสามารถอันโดดเด่นของ Machine Learning ออกมาใช้ Signal-to-noise ratio หนึ่งในอุปสรรคสำคัญต่อการประยุกต์ใช้ Machine Learning เพื่อหาโอกาส ในโลกของการเงิน การลงทุน คือ การที่ค่าสัดส่วนของ ปริมาณ signal (กลยุทธ์ที่สามารถยืนยันด้วยวิธีการทางสถิติได้ว่าสามารถสร้างผลตอบแทน) ต่อ noise (การเปลี่ยนแปลงของราคาที่ไม่สามารถคาดการณ์ล่วงหน้าได้) นั้นมีค่าที่ต่ำ สิ่งนี้แตกต่างอย่างชัดเจนจากโลกของ Natural Language Processing ซึ่งในแต่ละภาษา ค่อนข้างมีกฎเกณฑ์ที่ชัดเจน หรือโลกของ Computer Vision ที่ค่อนข้างมี signal ที่ชัดเจนเมื่อเทียบกับ noise เช่น ในการทำ Image Classification เพื่อคัดแยกประเภทภาชนะของเบียร์ว่าเป็น กระป๋อง หรือ ขวด ซึ่งเป็นโจทย์ที่ค่อนข้างมี signal (รูปร่าง รูปทรงของภาชนะ) ที่ชัดเจน เมื่อเทียบกับ noise (ภาพพื้นหลัง ความเบลอ หรือ อื่น ๆ) ทำให้มี สัดส่วน signal ต่อ noise ที่สูง ทำให้มีโอกาสที่จะพัฒนาโมเดลที่มีประสิทธิภาพสูงได้ การเปลี่ยนแปลงของภาวะเศรษฐกิจ ซึ่งนำไปสู่การเปลี่ยนแปลงของพฤติกรรมของตลาดการเงิน เป็นหนึ่งในสิ่งที่ทำให้การคาดการณ์ตลาดเป็นเรื่องยาก รวมไปถึงความจริงที่ว่า การพยายามทำกำไรจากตลาดด้วยข้อมูลต่าง ๆ และการแข่งขันจากทุก ๆ ผู้เล่นในตลาด เป็นปัจจัยหลักที่ทำให้ signal ในตลาดมีปริมาณน้อยลง และตลาดมีประสิทธิภาพมากขึ้น เนื่องจากเมื่อผู้เล่นในตลาด มีข้อมูลซึ่งเชื่อถือได้ว่าการเปลี่ยนแปลงของราคาในอนาคตจะเป็นอย่างไร การซื้อขายของผู้เล่นเหล่านี้ จะทำให้ราคามีการเปลี่ยนแปลงเข้าหามูลค่าที่ควรจะเป็น และนั่นทำให้สิ่งที่คาดการณ์ได้เหลืออยู่ในตลาดน้อยลง และสิ่งที่เหลือที่จะทำให้เกิดการเปลี่ยนของราคา จะเป็นข่าวใหม่ ๆ หรือ อารมณ์ตลาดระยะสั้นนั่นเอง ความสามารถในการตีความโมเดล สำหรับโมเดลประสิทธิภาพสูงหลาย ๆ โมเดลใน Machine Learning นั้น มีคุณสมบัติความเป็น black box model กล่าวคือ การตีความการทำงานของโมเดลนั้นทำได้ยาก และมีความคลุมเครือ แต่ในทางกลับกัน ในโลกของการเงิน การลงทุนนั้น การที่โมเดลที่ใช้มีความสามารถในการตีความ และทำความเข้าใจได้ยากนั้น ทำให้มีโอกาสที่จะนำมาสู่ความเสี่ยงที่ไม่คาดคิด ทำให้ผู้จัดการกองทุน หลาย ๆ คน เลือกที่จะยอมรับ และหันเข้าหาโมเดลที่สามารถตีความได้ง่าย และสามารถสื่อสารถึงความเสี่ยงต่าง ๆ กับทางลูกค้าได้ดีกว่า โอกาสในการประยุกต์ใช้ Machine Learning ในการลงทุน ถึงแม้ว่าการประยุกต์ใช้ Machine Learning ในโลกของการเงิน การลงทุน จะเต็มไปด้วยอุปสรรคมากมายเหล่านี้ แต่แน่นอนว่า โอกาสก็มีอยู่มากเช่นเดียวกัน โดยหนึ่งในสิ่งที่ Machine Learning สามารถเข้ามาช่วยได้ดี คือ การคาดการณ์ และลดความเสี่ยงของ Portfolio โดยรวม โดยการนำมาใช้เรียนรู้ และคาดการณ์ correlation ระหว่างแต่ละกลยุทธ์ที่ใช้ ซึ่งเมื่อหลาย ๆ กลยุทธ์ที่ดี และไม่มี correlation ระหว่างกัน ได้ถูกนำมาใช้พร้อมกัน ก็จะทำให้ระดับความเสี่ยงของ portfolio โดยรวมจะต่ำพอ และทำให้สามารถมีการใช้ leverage ร่วมด้วย ซึ่งจะช่วยให้ผลตอบแทนโดยรวมออกมาสูง...
24 January 2024
Read More

บทความ
Movements
ความตื่นตัวของหุ่นยนต์ที่ปรึกษาด้านการเงิน
ใครที่อยากลงทุน แต่ไม่รู้จะเริ่มยังไง ไม่ต้องกังวลอีกต่อไปเพราะตอนนี้เรามี Robo-Advisor หรือ A.I. ที่จะมาทำหน้าที่เป็นที่ปรึกษาด้านการลงทุน
13 October 2023
Read More

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

บทความ
Movements
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
Read More

บทความ
Movements
ความตื่นตัวของหุ่นยนต์ที่ปรึกษาด้านการเงิน
ใครที่อยากลงทุน แต่ไม่รู้จะเริ่มยังไง ไม่ต้องกังวลอีกต่อไปเพราะตอนนี้เรามี Robo-Advisor หรือ A.I. ที่จะมาทำหน้าที่เป็นที่ปรึกษาด้านการลงทุน
21 January 2021
Read More

สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)

Big Data Institute (Public Organization)

234/432 Soi Lat Phrao 12, Chomphon, Chatuchak, Bangkok 10900, Thailand

Contact Us

0 2480 8833
saraban@bdi.or.th (For receiving and sending electronic documents)
info@bdi.or.th (For general inquiries)

Quick Link

About Us

© Big Data Institute | Privacy Policy

Web Setting
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

Settings Reject Accept
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
Privacy Preferences
Name
Strictly Necessary Cookies
Category
Strictly Necessary Cookies
Host
https://bdi.or.th
Duration
1 ปี
Description
Strictly Necessary Cookies
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.