จะเกิดอะไรขึ้นเมื่อก๊อปเซียนหุ้น เกรด A++ มาผนวกกับ AI จะเป็น AI แชมป์เปี้ยนหรือไม่

การลงทุนคืออะไร

การลงทุน คือ การที่เรานำเอาทรัพย์สินที่มีอยู่ ซึ่งโดยทั่วไปจะหมายถึงเงินสดไปดำเนินการในทางที่ก่อให้เกิดประโยชน์ เพื่อให้ได้ผลตอบแทนกลับคืนมาในอนาคต โดยเราเชื่อว่าเงินสดหรือผลตอบแทนส่วนเพิ่มที่จะได้รับกลับคืนมานั้น จะสามารถชดเชยระยะเวลา อัตราเงินเฟ้อ และความเสี่ยงต่างๆ ที่อาจเกิดขึ้นในระหว่างการลงทุนได้อย่างคุ้มค่า

ยุคนี้ดอกเบี้ยเงินฝากออมทรัพย์ให้ผลตอบแทนน้อยมาก ฉะนั้นการฝากเงินในธนาคารอย่างเดียวจึงเป็นตัวเลือกที่ไม่น่าเหมาะสมกับการออมอีกต่อไป เราจึงถึงต้องหาทางเลือกอื่นเพื่อสร้างความมั่งคั่งให้กับตนเอง ผู้คนโดยมากจึงหันไปหาการลงทุนในหุ้นซึ่งให้ผลตอบแทนมากกว่า โดยแนวทางการลงทุนในหุ้นนั้นแบ่งได้หลายวิธีการด้วยกัน ดังนี้

ดังนั้น การลงทุนโดยไม่มีความรู้ หรือไม่เข้าใจในเรื่องความเสี่ยงและทางเลือกในการลงทุนที่ดีพอ ถือเป็นการลงทุนที่มีความเสี่ยงสูงที่สุด ดังเช่นประโยคที่เราได้ยินกันบ่อย ๆ ว่า “การลงทุนมีความเสี่ยง ผู้ลงทุนควรศึกษาข้อมูลก่อนการตัดสินใจลงทุน”

ทำไมต้องลงทุน

1. ผลตอบแทนดอกเบี้ยเงินฝากเงินธนาคารที่น้อย และภาวะเงินเฟ้อ
ปัจจุบันอัตราดอกเบี้ยเงินฝากประจำระยะเวลา 1 ปี ของบุคคลธรรมดา 0.5–1.5 ต่อปี แต่การลงทุนในหุ้น สามารถทำผลตอบแทนได้มากกว่าหลายเท่า ในบางครั้งอาจได้ผลตอบแทนที่มากกว่า 200% ก็มี

เงินเฟ้อ คือภาวะเศรษฐกิจที่ค่าเงินมีแนวโน้มลดลงอย่างต่อเนื่อง ทำให้เราจำเป็นต้องใช้เงินจำนวนมากขึ้นในการซื้อสินค้าหรือบริการเดิมในอดีต โดยอัตราเงินเฟ้อปัจจุบันอยู่ที่ 1.2% จึงเห็นได้ว่าการฝากเงิน โดยไม่นำไปลงทุนคือความเสี่ยง!!

ตามหลักที่ว่า High Risk High Return แล้ว ผลตอบแทนที่สูงก็ย่อมมีความเสี่ยงสูงด้วยเช่นกัน เนื่องจากไม่มีการลงทุนใดที่ไร้ความเสี่ยง แต่ถ้าคุณศึกษาด้านการลงทุนอย่างจริงจัง ศึกษาข้อมูลก่อนตัดสินใจ ประกอบกับมีการวางแผนการลงทุนอย่างเป็นระบบเพื่อลดความเสี่ยงในการลงทุน การลงทุนก็จะให้ผลตอบแทนอย่างคุ้มค่าแน่นอน ยิ่งคุณมีฝีมือมากเท่าไหร่คุณก็จะยิ่งได้ผลตอบแทนสูงเท่านั้น

2. การลงทุนเป็นหนทางสู่อิสรภาพทางการเงิน passive income ที่เริ่มต้นง่าย จากทฤษฏีเงิน 4 ด้านจากหนังสือพ่อรวยสอนลูก ของโรเบิร์ต คิโยซากิ กล่าวถึงรายได้ 4 ประเภทดังรูปด้านล่าง

Credit : http://www.cwayinvestment.com/2020/08/be-hustle-be-humble.html

Active income เป็นรายได้จากการทำงาน ถ้าหยุดทำก็ไม่มีรายได้ ได้แก่ Employees และ Self-Employed
Passive income เป็นรายได้ที่เกิดจากระบบหรือคนอื่นทำงานแทนให้ โดยที่ไม่ต้องทำงานก็มีรายได้

เราสามารถลงทุนได้อย่างไร

ผลิตภัณฑ์ทางการเงินแบ่งออกเป็น 4 ประเภทหลักๆที่เชื่อถือได้ดังนี้
1. บัญชีเงินฝาก: เป็นการออมในรูปแบบเริ้มต้น โดยการนำเงินไปฝากกับทางธนาคาร มีสภาพคล่องสูงและความเสี่ยงต่ำ แต่ในทางกลับกันก็มีอัตราผลตอบแทนที่น้อยตามไปด้วย
2.ตราสารหนี้ : ตราสารทางการเงินที่ผู้ถือมีสถานะเป็นเจ้าหนี้ และผู้ออกตราสารมีสถานะเป็นลูกหนี้ โดยเจ้าหนี้จะได้รับผลตอบแทนในรูปแบบของดอกเบี้ยอย่างต่อเนื่องและจะได้รับเงินต้นคืนเมื่อครบกำหนด ตราสารหนี้จะให้ผลตอบแทนที่มากกว่าบัญชีเงินฝากแต่ก็จะมีความเสี่ยงที่สูงเพิ่มขึ้นด้วยเช่นกัน ตัวอย่างตราสารหนี้ประเภทต่างๆ เช่น ตั๋วเงินคลัง พันธบัตรรัฐบาล หุ้นกู้เอกชน
3. ตราสารทุน ตราสารที่ผู้ออกใช้ในการระดมทุนเพื่อไปใช้ในกิจกรรมทางธุรกิจโดยเป็นการเปิดโอกาสให้ผู้ลงทุนเข้ามามีสถานะเป็นเจ้าของกิจการ ตามสัดส่วนของมูลค่าที่ได้ทำการลงทุนไป การมีส่วนร่วมในกิจการดังกล่าวจึงทำให้ตราสารทุนมีความเสี่ยงและอัตราผลตอบแทนที่มากกว่าการลงทุนในบัญชีเงินฝากและตราสารหนี้ ตัวอย่างตราสารทุนเช่น หุ้นบุริมสิทธิ หุ้ทสามัญ และหน่วยลงทุน
4. ตราสารอนุพันธ์ มีวัตถุประสงค์เพื่อป้องกันความเสี่ยง โดยมูลค่าของตราสารอนุพันธ์จะขึ้นอยู่กับราคาของหลักทรัพย์ชนิดอื่นที่ได้ทำการตกลงกันไว้ระหว่างผู้ออกตราสารและผู้ซื้อตราสารเรียกว่าหลักทรัพย์อ้างอิง ตราสารอนุพันธ์เป็นตราสารที่มีความซับซ้อนและความเสี่ยงที่สูงไม่เหมาะกับผู้ที่เพิ่งเริ่มต้นทำการออมด้วยการลงทุน ตัวอย่างตราสารทนุพันธ์ เช่น Forward, Futures , Option และ Swap
5. ตราสารทางเลือก การลงทุนในหลักทรัพย์ประเภทอื่นเช่น สินค้าโภคภัณฑ์ อสังหาริมทรัพย์และโครงสร้างพื้นฐาน อันเป็นไปเพื่อเพิ่มอัตราผลตอบแทนให้กับ portfolio และเป็นการช่วยในการกระจายความเสี่ยงจากการลงทุนในตลาดเงินตลาดทุนอีกด้วย

การลงทุนในหุ้น

เป็นการสร้าง Passive income ได้ง่ายกว่าการเป็นเจ้าของระบบธุรกิจ (Business Owner) ที่เริ่มต้นจากธุรกิจส่วนตัว(Self-Owner) เพราะการทำธุรกิจในปัจจุบันให้ประสบความสำเร็จนั้น ไม่ง่าย!! ไหนจะคู่แข่งที่มีฐานลูกค้าในมือ ไหนจะเรื่องเงินทุนที่ปัจจุบันวัดกันที่ ใครสายป่าน(ทุน)ยาวกว่า อีกทั้งด้านการบริหารจัดการ และการใช้เทคโนโลยีต่างๆที่ต้องปรับตัวและพัฒนาอยู่ตลอดเวลา นอกจากนี้ถ้าเราสนใจในหลายๆประเภทธุรกิจ การลงทุนในหุ้นยังสามารถช่วยให้เราลงทุนในธุรกิจที่เราสนใจได้พร้อมกัน โดยไม่มีข้อจำกัดทั้งทางด้านเวลาและเงินทุน ไม่จำเป็นต้องใช้เงินเยอะ และไม่ต้องบริหารจัดการทุกอย่างด้วยตัวเอง เพราะแต่ละบริษัทมีผู้บริหารที่เก่งและเชี่ยวชาญในธุรกิจนั้นๆอยู่แล้ว

ในแง่ของสภาพคล่องแล้วหากเราทำธุรกิจและต้องการเลิกลงทุน เราอาจต้องใช้เวลานานในการหาผู้รับช่วงต่อ เช่นเดียวกับการขายที่ดินหรืออสังหาริมทรัพย์ก็ไม่สามารถหาผู้ซื้อได้ในทันทีทันใด แต่หากมีหุ้นและต้องการขายหุ้นนั้นออกไป สามารถทำได้ภายในเวลาเสี้ยววินาที เพียงแค่มีอินเทอร์เน็ต และมีแอพพลิเคชันในการซื้อขายหุ้นในสมาร์ทโฟนเท่านั้น

ประเภทระยะเวลาการลงทุน

กรอบระยะเวลาการลงทุนของนักลงทุนแต่ละคนย่อมแตกต่างกันไปตาม เป้าหมาย ช่วงอายุ ระดับฐานะ และความต้องการใช้เงินของแต่ละคน ดังนั้นการวางแผนการเงินจึงจำเป็นต้องพิจารณาให้สอดคล้องกับเงื่อนไขและความต้องการของตนแล้วจึงเลือกประเภทและเครื่องมือทางการเงินที่เหมาะสม การลงทุนในหุ้นก็เช่นกัน เราสามารถแบ่งการลงทุนในหุ้นตามช่วงระยะเวลาในการลงทุนได้ ดังนี้

1. การลงทุนในหุ้นระยะสั้น
เป็นการลงทุนที่เน้นเก็งกำไรจากความผันผวนของราคาหุ้นในระยะสั้นๆ โดยอาศัยข่าวที่มีผลกระทบต่อตลาดในทันที หรือการดูมูลค่าการซื้อขาย (Bif-Offer) เพื่อทำการเก็งกำไรจากส่วนต่างราคา

2. การลงทุนในหุ้นระยะกลาง
การลงทุนในหุ้นระยะกลางเหมาะสำหรับคนที่รับความเสี่ยงได้ลดลงหรืออาจจะไม่มีเวลาในการเฝ้าหน้าจอเพื่อติดตามข้อมูลการเปลี่ยนแปลงของตลาดในระยะสั้นได้ โดยกรอบระยะเวลาในการลงทุนที่ยาวนานขึ้นจะเปิดเผยให้เห็นถึงแนวโน้มของราคาในระยะกลางซึ่งอาจจะเป็นผลมาจากสภาพธุรกิจหรือเศรษฐกิจที่เปลี่ยนแปลงไปในขณะนั้น ประเภทการลงทุนอ้างอิงตามกรอบการลงทุนระยะกลางเช่น Trend Following เป็นต้น

3. การลงทุนในหุ้นระยะยาว
เป็นการลงทุนเพื่อสะสมมูลค่าการลงทุนที่สะท้อนมาจากคุณภาพของกิจการที่ได้เลือกเข้าทำการลงทุน ผลตอบแทนของการลงทุนในลักษณะนี้ส่วนมากจึงมากในรูปแบบของเงินปันผลจากกิจการ ประกอบกับกรอบระยะเวลาการลงทุนที่ยาวนานจึงทำให้ได้อัตราผลตอบแทนทบต้นที่มหาศาลตามไปด้วย การลงทุนประเภทนี้จึงเหมาะกับผู้ที่ต้องการลดความผันผวนของตลาดที่เกิดในระยะสั้น และต้องการสะสมความมั่งคั่งจากคุณภาพที่แท้จริงของตัวธุรกิจนั่นเอง

ประเภทของนักลงทุนในตลาดหุ้น

นักลงทุนในตลาดหุ้น แบ่งเป็น 3 ประเภท คือ

# ประเภทที่ 1 นักลงทุนสายพื้นฐาน (Value Investor — VI) เป็นสายที่เน้นดูพื้นฐานของกิจการเป็นหลัก เช่น ธุรกิจ งบการเงิน อัตราส่วนทางการเงิน (Ratio) เพื่อที่จะประเมินหามูลค่าที่แท้จริงของหุ้น
# ประเภทที่ 2 นักลงทุนสายเทคนิค (Technical Investor) ที่จะดูกราฟราคา และ Indicators ต่าง ๆ เป็นหลัก โดยมักจะไม่ค่อยสนใจพื้นฐานของธุรกิจมากซักเท่าไหร่
# ประเภทที่ 3 นักลงทุนแบบผสมสายพื้นฐานและเทคนิค (Hybrid) คือ การใช้พื้นฐานในการดูธุรกิจ งบการเงิน และหามูลค่าพื้นฐาน แต่จะและใช้ปัจจัยทางเทคนิค (Technical) เพื่อช่วยในการหาจุดเข้าซื้อหรือจุดขายด้วย

สิ่งสำคัญสำหรับนักลงทุนสายเทคนิค

เนื่องจากเราให้ความสนใจกับการวิเคราะห์ราคาหุ้น, กราฟ และ indicator ต่างๆ เป็นหลักในบทความนี้ อันดับแรกเราจึงต้องเข้าใจนักลงทุนสายเทคนิคให้ถ่องแท้เสียก่อนว่าอะไรคือสิ่งสำคัญสำหรับนักลงทุนประเภทนี้

ทฤษฎีของ trader สาย technical ที่ว่ากันด้วยเรื่องการเทรดนั้น แบ่งสิ่งสำคัญออกเป็น 3 สิ่งคือ
1. ระบบเทรด หรือ Indicator … (สัดส่วนความสำคัญ 10%)
2. การบริหารเงิน หรือ Money Management … (สัดส่วนความสำคัญ 30%)
3. จิตวิทยาการลงทุน หรือ Psychology … (สัดส่วนความสำคัญ 60%)

ระบบเทรด หรือ Indicator : ยิ่งเรารู้มากเท่าไหร่และเยอะมากเท่าไหร่ยิ่งทำให้เรามีความสับสน จับต้นชนปลายไม่ถูก ประสิทธิภาพยิ่งต่ำลง

Psychology เทรดในนิสัยและ life style ในตัวคุณออกมา เอาตัวคุณเองนั้นเป็นที่ตั้งไม่ใช่ technical ระบบเทรดระดับเทพ เพื่อที่คุณจะวางแผนการเทรดซึ่งสามารถรับกับจิตใจคุณ โดยไม่แกว่ง เมื่อเจอสภาวะการกดดันต่างๆ เพื่อที่จะทำให้คุณ กล้าซื้อในจุดที่ระบบบอกให้ซื้อ กล้าขายในจุดที่ระบบบอกให้ขาย กล้าที่จะตัดขาดทุนแล้วเริ่มใหม่ กล้าที่จะถือในจังหวะที่ระบบบอกให้ถือ กล้ารออย่างใจเย็นในยามที่ระบบไม่มีสัญญาณซื้อ มีแบบแผนในการเทรดที่จริงจัง

“ เมื่อเห็นว่า จิตวิทยาการลงทุน มีสัดส่วนความสำคัญขนาดนี้ อาจจะถึงเวลาขอตัวช่วยที่จะมาช่วยเราแล้ว …นั่นก็คือ สิ่งที่ไร้จิตใจ และ ทำตามคำสั่งเราเป๊ะๆ “

Artificial Intelligence (AI) คืออะไร?

คือ ความพยายามพัฒนาให้คอมพิวเตอร์ฉลาดมากขึ้น, ประมวลผลได้แม่นยำขึ้นและ มีความสามารถเท่าเทียมมนุษย์ โดยแบ่งออกเป็น 4 แนวคิด

# ระบบที่คิดเหมือนมนุษย์ (Systems that think like humans)

# ระบบที่กระทำเหมือนมนุษย์ (Systems that act like humans)

# ระบบที่คิดอย่างมีเหตุผล (Systems that think rationally)

# ระบบที่กระทำอย่างมีเหตุผล (System that act rationally)

การพัฒนาของหุ่นยนต์ (robot)

หุ่นยนต์คือการเปิดโลกจินตนาการกับความรู้ทางวิทยาศาสตร์สู่อนาคตของมนุษยชาติ เรื่องนี้ใกล้ตัวเรามากขึ้นทุกทีแล้ว เพราะเทรนด์ของเทคโนโลยีปีนี้คือ Robot ที่สามารถทำงานโดยอัตโนมัติตามคำสั่งที่ป้อนเข้าไปในคอมพิวเตอร์ และ A.I. (Artificial Intelligence) หรือ ปัญญาประดิษฐ์ ที่จะทำให้หุ่นยนต์เหล่านั้นฉลาดคิดและวิเคราะห์อย่างมีเหตุผลได้เหมือนกับสมองของมนุษย์

ล่าสุด Google ได้พัฒนา AlphaGo ซึ่งเป็น A.I. ด้านการเล่นหมากล้อมขึ้นมา และไปท้าแข่งกับแชมป์โลก ซึ่งผลที่ออกมาทำเอาคนทั้งโลกอึ้งไปตามกันค่ะ เพราะหุ่นยนต์สามารถเอาชนะมนุษย์ไปได้อย่างราบคาบ แม้ว่าการเล่นหมากล้อมจะเป็นเกมกระดานที่มีความซับซ้อนมากที่สุดในโลก แต่หุ่นยนต์ที่พัฒนาขึ้นมากลับเรียนรู้และฉลาดมากขึ้นเรื่อย ๆ จนเอาชนะแชมป์โลกได้ถึง 2 คน เราจะเห็นยักษ์ใหญ่ด้านเทคโนโลยีหลายค่าย เช่น Google และ Facebook ได้เร่งพัฒนาหุ่นยนต์เพื่อนำมาทำงานแทนมนุษย์กันแล้ว

“ปี 2016 Alpha Go ชนะมนุษย์ที่เป็นมือหนึ่งของโลก “

“ปี 2017 Alpha Go Zero เอาชนะ Alpha Go อีกที “

แล้วการลงทุนล่ะ Robot จะทำได้ดีกว่าคนไหม

แนวคิดในการนำระบบเทรดอัตโนมัติ หรือ Robot Trading มาใช้ในการลงทุน เกิดจากจุดอ่อนที่ว่า “มนุษย์มีจิตใจ” ส่งผลให้การวิเคราะห์และตัดสินใจนั้นมีอคติ อ่อนไหวง่าย ทำให้มีอารมณ์เหนือการตัดสินใจ นอกจากนี้มนุษย์คือเผ่าพันธุ์ที่ขี้เกียจ ไม่ชอบทำงานที่ต้องใช้เวลา และทำแบบเดิม ๆ ซ้ำไปซ้ำมา ที่สำคัญมนุษย์ไม่ได้มีหน้าที่ลงทุนเพียงอย่างเดียว การโฟกัสหรือสมาธิมักจะถูกดึงออกไปได้ง่าย ทำให้เกิดข้อผิดพลาดได้เสมอ

ดังนั้นจึงเกิดไอเดียการนำ Robot หรือคอมพิวเตอร์มาลงทุนแทนมนุษย์ โดยการสร้างระบบการเทรดอัตโนมัติขึ้น มีชื่อเรียกที่หลากหลาย เช่น Algorithmic Trading, Program Trading, Automated Trading, System Trading และ Robot Trading ซึ่งล้วนมีความหมายใกล้เคียงกัน นั่นคือ การใช้โปรแกรมคอมพิวเตอร์มาส่งคำสั่งซื้อขายหุ้นได้ด้วยตัวมันเองทันที เมื่อราคาหุ้น สภาวะตลาดหรือตัวแปรอื่น ๆ เข้าเงื่อนไขของโมเดลที่ถูกเขียนขึ้นโดยมนุษย์นั่นเอง

ประโยชน์ที่เราจะได้จากการใช้ Algorithmic Trading คือ

# มีวินัยการลงทุนที่เคร่งครัด ปราศจากอารมณ์

# ไม่ต้องเฝ้าหน้าจอหลายจอ เพื่อดูหุ้นหลายตัว

# เพิ่มความเร็วในการซื้อขาย ทันทีเมื่อเกิดสัญญาณ

# กระจายความเสี่ยง จากการเลือกลงทุนได้หลายกลยุทธ์

ตัวอย่าง Trading models ในปัจจุบัน

ทฤษฎีที่เกี่ยวข้องกับ Algorithmic Trading

ทฤษฎีและความรู้พื้นฐานที่เกี่ยวข้องกับการทำ Algorithmic trading นั้นจะแบ่งเป็น 2 ส่วน คือ ส่วนของการลงทุน ที่เรามีเกริ่นเบื้องต้นไปแล้ว และจะลงรายละเอียดต่อไป และ ส่วนของการเขียนโปรแกรม เริ่มจากพื้นฐานที่สำคัญคือ Time series data, Time series decomposition รวมถึงพิจารณาวิธีต่างๆ ที่เราใช้ในการทำนายค่าของข้อมูลประเภท Time series หรือที่เรียกได้ว่า Trend forecasting

Time series Data (ข้อมูลอนุกรมเวลา)

อนุกรมเวลา(Time Series) คือ เซตของข้อมูลเชิงปริมาณที่จัดเก็บในช่วงเวลาหนึ่ง ตัวอย่างเช่น ดัชนีตลาดหลักทรัพย์ในแต่ละวันเมื่อปิดทำการซื้อขายในแต่ละวัน รายได้ประชาชาติ (GNP) รายไตรมาส รายรับในแต่ละปีของบริษัทแห่งหนึ่ง เป็นต้น

ข้อมูลแบบ Time series (อนุกรมเวลา) เป็นหนึ่งในหัวข้อที่สำคัญใน data science. Machine learning หรือ deep learning algorithms สามารถพยากรณ์ค่าตัวแปรในทางธุรกิจ, การเงิน และ วิทยาศาสต์ในช่วงเวลาหนึ่ง

Time series Forecasting (การทำนายข้อมูลอนุกรมเวลา)

ถ้าพูดถึงการทำนายประเภทนี้ สิ่งที่เรานึกถึง ได้แก่ การคาดการณ์ยอดขาย, ค่าเงินบาทไทยเทียบกับสหรัฐอเมริกา, ราคาหุ้น, ยอดขายไอศกรีมรายวัน, จำนวนสินค้าที่ผลิตได้ในแต่ละเดือน ฯลฯ

เพื่อให้เห็นภาพมากขึ้น เราขอยกตัวอย่างการทำนายโดยใช้ time series forecasting ที่น่าสนใจในตอนนี้คือ การทำนายยอดผู้เสียชีวิตจาก COVID-19 ในประเทศไทย โดย การทำนายนี้สามารถทำได้ตามสมมติฐาน เช่น เหตุการณ์ปกติ, เหตุการณ์เลวร้าย และ เหตุการณ์ดีกว่าปกติ

จะเห็นได้ว่า เมื่อเราเห็นผลของการทำนายแล้ว เราสามารถที่จะสื่อสารได้อย่างชัดเจน รวมถึงช่วยให้เราตัดสินใจได้อย่างเหมาะสมกับสถานการณ์มากขึ้น

ปกติแล้วถ้าเราเรียนวิชาที่เกี่ยวข้องกับ Machine Learning เราก็จะเรียนโมเดลทำนายผลประเภท Linear Regression, Decision Tree, Neural Network ซึ่งออกแบบมาให้ใช้กับข้อมูลทั่วไป เพราะฉะนั้นโมเดลพวกนี้จะไม่ได้รองรับฟีเจอร์พิเศษต่าง ๆ ของ Time Series

ความแตกต่างของข้อมูลแบบ Time Series กับข้อมูลทั่วไป คือ ข้อมูลพวกนี้มีฟีเจอร์ในส่วนที่เกี่ยวข้องกับ เวลา เช่น

• Trend (แนวโน้ม)
• Seasonality (ความแปรผันตามฤดูกาล)
• Cycle (วัฏจักร)
• Residuals/noise

ที่เราสามารถนำมาใส่ในโมเดล เพื่อให้ทำนายผลได้ออกมาแม่นยำมากขึ้นครับ

องค์ประกอบที่สำคัญของข้อมูลประเภท Time series

ในการวิเคราะห์อนุกรมเวลา ผู้วิเคราะห์จะแยกองค์ประกอบต่าง ๆ ที่ประกอบกันขึ้นเป็นอนุกรมเวลา โดยในการหาคุณลักษณะของอนุกรมเวลาเราสามารถใช้แบบจำลองได้หลายแบบ แบบจำลองที่ใช้โดยนักเศรษฐศาสตร์แบบหนึ่ง คือ แบบจำลองแบบคลาสสิก (classical model) เป็นการอธิบายถึงองค์ประกอบของการแปรผันของอนุกรมเวลา 4 ส่วน ดังนี้

1. Trend (แนวโน้ม)

เป็นการเปลี่ยนแปลงข้อมูลมีลักษณะราบเรียบ แนวโน้ม อาจมีลักษณะเป็นเส้นตรงหรือเส้นโค้งในทางเพิ่มขึ้นหรือลดลง ค่าแนวโน้มของข้อมูลเป็นการเคลื่อนไหวในช่วงระยะเวลาที่ค่อนข้างนานพอสมควร ซึ่งจะแสดงทิศทางของอนุกรมเวลา

https://medium.com/analytics-vidhya/time-series-i-fundamental-concepts-99a2973d5b5c

จากรูปด้านบน จะเห็นได้ว่าข้อมูลมีการเปลี่ยนแปลงเพิ่มขึ้นอย่างต่อเนื่องจนเห็นแนวโน้มได้ดัง เส้นสีฟ้า

2. Seasonal (ความแปรผันตามฤดูกาล)

เป็นการเปลี่ยนแปลงข้อมูลมีลักษณะการเพิ่มขึ้น หรือลดลงในลักษณะเดียวกันของรอบระยะเวลาหนึ่งที่แน่นอน เรียกว่า การเปลี่ยนแปลงตามฤดูกาล หน่วยของระยะเวลาสำหรับข้อมูลอาจเป็นรายชั่วโมง รายวัน รายสัปดาห์ รายเดือน รายไตรมาส สำหรับข้อมูลรายปีไม่มีการแปรผันตามฤดูกาล การเปลี่ยนแปลงตามฤดูกาลนั้นกำหนดระยะเวลาการเกิดซ้ำในรอบหนึ่ง ๆ ได้ค่อนข้างแน่นอน

https://medium.com/analytics-vidhya/time-series-i-fundamental-concepts-99a2973d5b5c

จากรูปด้านบน จะเห็นได้ว่าข้อมูลมีการเปลี่ยนแปลงในลักษณะเดียวกันในช่วงเวลา 1 ปี คือ ช่วงกลางปีจะมีค่าสูงสุดในทุกปี

3. Cyclical (วัฏจักร)

เป็นการเปลี่ยนแปลงของข้อมูลที่มีลักษณะซ้ำกัน คล้ายกับ Seasonal แต่มีระยะเวลารอบนานกว่า

4. Randoms/Irregular (การสุ่ม)

เป็นการเปลี่ยนแปลงข้อมูลที่ไม่มีรูปแบบแน่นอน หรือ มีเกิดเหตุการณ์พิเศษเกิดขึ้นโดยไม่ได้คาดการณ์ไว้

ตัวอย่างการแยกองค์ประกอบของ Time series

Time series ประกอบไปด้วยรูปแบบและความสัมพันธ์ของข้อมูล. การแยกองค์ประกอบมีจุดมุ่งหมายในการบ่งชี้และแบ่งแยกข้อมูลที่จะวิเคราะห์เป็นองค์ประกอบที่เด่นชัดตามรูปแบบด้านบน คือ Trend τ, Cyclical c, Seasonal s and Irregular i.

โดยการแยกนี้ใช้สำหรับการวิเคราะห์และเข้าใจข้อมูลในอดีตของ time series ซึ่งเป็นประโยชน์ต่อการคาดการณ์

ส่วนของ Trend แสดงให้เห็นถึงการเคลื่อนไหวระยะยาวของชุดข้อมูล, ส่วนของ Seasonal แทนการเปลี่ยนแปลงภายในชั่วเวลาที่ระบุได้ ขณะที่ cyclical อธิบายความผันผวนที่ระบุช่วงแน่นอนได้ยาก และ irregular ประกอบด้วยการเคลื่อนไหวที่ไม่มีรูปแบบตายตัว และเป็นส่วนที่เราไม่นิยมมาวิเคราะห์

โดยองค์ประกอบต่างๆ จะถูกนำมารวมกันเป็นชุดข้อมูลดั้งเดิม โดยสามารถแสดงให้เห็นได้ดังสมการดังล่าง

กระบวนการแยกองค์ประกอบทำได้ มักจะเริ่มจากการระบุและดึงองค์ประกอบประเภท Seasonal ออกมาก่อน จากนั้นจะให้กระบวนการ Smoothing เพื่อนิยามส่วนที่เป็น Trend โดยองค์ประกอบที่เหลือ ได้แก่ Cyclical and Irregular จะถูกแสดงให้เห็นหลังจากเรานำ Seasonal และ Trend ออกดังรูปด้านล่าง

จะเห็นได้ว่าองค์ประกอบที่สำคัญในการวิเคราะห์ time series คือ Trend และ Seasonal

พัฒนาการของวิธีที่ใช้สำหรับ Time series forecasting

จากอดีตถึงปัจจุบัน มีนักคิด, นักคณิตศาสตร์ที่ร่วมกันพัฒนาแนวคิดและวิธีการสำหรับ Time series forecasting มากมาย แต่ในที่นี้ เราจะขอยกตัวอย่าง 8 ตัวอย่าง (อ้างอิงกับบทเรียนที่เราเรียนมา) โดยเรียงลำดับตั้งแต่ วิธีการแรกเริ่มอย่างง่าย จนถึงวิธีการในปัจจุบันที่มีความซับซ้อนแต่แม่นยำมากขึ้น

สำหรับท่านที่ต้องการศึกษาเพิ่มเติม สามารถติดตามบทความย่อยเกี่ยวกับเรื่องนี้ของกลุ่มเราได้ตามลิ๊งค์ด้านล่าง

https://medium.com/@dse4g10/%E0%B8%9E%E0%B8%B1%E0%B8%92%E0%B8%99%E0%B8%B2%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%A7%E0%B8%B4%E0%B8%98%E0%B8%B5%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%83%E0%B8%8A%E0%B9%89%E0%B8%AA%E0%B8%B3%E0%B8%AB%E0%B8%A3%E0%B8%B1%E0%B8%9A-time-series-forecasting-933e99916871

จบจากภาคทฤษฎีพื้นฐานแล้ว เราจะขออธิบาย วิธีที่กลุ่มเราเลือกใช้เพื่อทำนายและเลือกหุ้นที่มีราคาเพิ่มขึ้นมากที่สุดในรอบ 7 วัน ตามโจทย์ที่ได้รับมา

นำหุ้นจาก Set100 ทั้งกระดานมา run โมเดลแล้วเลือก หุ้นที่โมเดลบอกว่าได้กำไรมากที่สุด มาจำนวน 1 ตัว

โดย ใช้ Pipeline : Trend_forecast_stock_price มาพัฒนา เพื่อทำนายว่า
หากซื้อหุ้นที่ ATC (ราคาปิดตลาดทั้งวัน) ในวันศุกร์ ที่ 17 กันยายน 2564
และต้องการจะขาย ราคาปิดตลาดครึ่งเช้า ในวันพฤ ที่ 23 กันยายน 2564

งบประมาณในการซื้อหุ้นไม่เกิน 20,000 บาท โดยหุ้นต้องซื้ออย่างต่ำ 100 หุ้น แสดงว่าราคาหุ้นที่ซื้อต้องไม่เกิน 200 บาท

เมื่อทีมเราได้รับโจทย์ด้านบนมา เราเริ่มประชุมระดมสมองกันว่าเราจะสร้างโมเดลในลักษณะไหนดี, อะไรคือสิ่งที่เราสามารถใช้ในการเลือกหุ้นได้บ้าง รวมทั้งในทีมเราก็ได้นำประสบการณ์ในการลงทุน มาแชร์ความรู้และประสบการณ์ให้กลุ่มมีความรู้มากขึ้น

แต่เนื่องจากกลุ่มเราตัดใจสินว่า เราควรจะใช้วิธีที่จะพัฒนาโมเดลได้อย่างรวดเร็วและมีความเสี่ยงน้อยที่สุด คือ การเลือกเซียนหุ้นมาช่วยเราในการคัดกรองหุ้น โดยจะพยายามคัดหุ้นที่มีแนวโน้มดีๆ มีศักยภาพที่จะทำกำไรได้ภายในกรอบ 5 วันที่ได้รับมา

หลังจากที่ได้เปรียบเทียบแนวทางของเซียนหุ้นหลายคนที่เชี่ยวชาญทางด้าน trader สุดท้ายเรากลับปิ๊งกับแนวคิดของ Mark Minervini ที่มีหลักการคัดกรองที่น่าเชื่อถือ ที่ชื่อว่า “ Trend template” และ เราเชื่อว่าหลักการนี้จะช่วยเราเลือกเฟ้นแต่หุ้นสวย ดูดี มีอนาคต อารมณ์เหมือนเราเลือกคู่เลย อิอิ

จากนั้นเรามาเลือกโมเดลที่จะใช้ในการทำนายราคา โดยเรามี 2 แนวคิด คือ โมเดลที่เรามีประสบการณ์มาแล้วจากโปรเจ็คก่อนหน้าคือ Linear Regression ซึ่งเป็นโมเดลที่มีประสิทธิภาพดี โดยที่เราต้องเลือก feature ที่เหมาะสมให้กับมัน และอีกแนวคิดคือโมเดลที่เราเพิ่งเรียนกับทีมงาน Botnoi คือ Trend forecasting ที่อ้างอิงกับชุดข้อมูลที่เป็น Time Series ดังที่อาจารย์แบ็งค์ได้สอนเราเกี่ยวกับการทำนายอัตราแลกเปลี่ยนเงินตรา

ในเมื่อเวลาในการทำโปรเจ็คค่อนข้างจำกัด เราจึงตัดสินใจว่า เราจะใช้โมเดล Linear Regression ที่เราชำนาญก่อน จากนั้น เราจึงจะใช้โมเดล Trend forecasting เพื่อคอนเฟิร์มการทำนายราคาให้แม่นยำมากขึ้นอีกที

สรุปแนวทางในการทำนายราคาหุ้นของกลุ่มเรา

1. การคัดกรองหุ้น โดยใช้หลักการ trend template ตามแนวทางของ Mark Minervini เพื่อคัดกรองหุ้นที่สวย ดูดี มีอนาคต ออกมา

2. นำหุ้นที่ผ่านการคัดกรอง มา forecast ราคาหุ้นที่จะเพิ่มขึ้นใน 5วัน โดยการใช้ Trend forecasting ด้วย Linear Regression

3. นำหุ้นที่ผ่านการคัดกรอง มา forecast ราคาหุ้นที่จะเพิ่มขึ้นใน 5วัน โดยการใช้ Trend forecasting ด้วย ARIMA method

ขั้นตอนแรก เนื่องจากเราและ AI เรายังไม่มีประสบการณ์ในการเทรดหุ้นเท่าไหร่ เพราะฉะนั้น เราจึงขออาศัยแนวคิดของเซียนหุ้นที่เชี่ยวชาญและประสบความสำเร็จ หลังจากที่เราศึกษาและพิจารณามาหลายคน เราสรุปว่าคนที่เหมาะสมกับโจทย์ของเราที่สุดคือ Mark Minervini

มาร์ค มิเนอร์วินี เป็นนักเทรดหุ้นมืออาชีพมากประสบการณ์ ผู้ที่ชนะการแข่งขัน US Investing Championship ปี 1997 ด้วยเงินจริงด้วยผลตอบแทน 155% ต่อปีซึ่งเป็นสองเท่าของผู้จัดการกองทุนที่ลงแข่งขันในรายการนี้

แนวทางการเทรด ของมาร์คจะเน้นหาองค์ประกอบสำคัญของหุ้นที่
ราคาหุ้นควรมีแนวโน้มขาขึ้น ปัจจัยพื้นฐานแข็งแกร่ง บริษัทที่มีผลประกอบการที่ดี
มีตัวเร่งที่ผลักดันราคา เช่น ประมูลงานได้ ออกผลิตภัณฑ์ใหม่แล้วสร้างกำไรให้บริษัทอย่างมาก หาจุดเข้าซื้อหุ้น การดูกราฟในการเข้าซื้อราคา รู้ว่าเมื่อไหร่ควรขายหรือคัทลอส การรู้ว่าเมื่อไหร่ควรทำกำไรและหยุดการขาดทุนแต่เนิ่นนั้นเป็นสิ่งสำคัญต่อภาพรวมของพอร์ต

การเทรดของมาร์คจะเน้นหุ้นรายตัว จะไม่พยายามเลือกซื้อหุ้นที่จุดต่ำสุด แต่คัดเลือกหุ้นที่มีแนวโน้มขาขึ้น ถ้ามันเข้าเกณฑ์ที่กำหนดก็ซื้อ และการบริหารความเสี่ยงโดยใช้วิธี staggered stop losses ซึ่งตัดขายครึ่งหนึงเมื่อหุ้นตก 8% และขายอีกครึ่ง เมื่อถึง 12% ซึ่งมีข้อดีคือหากราคากลับไปเป็นขาขึ้นก็ยังเหลืออีกครึ่งเอาไว้ทำกำไรได้ แล้วถ้ากำไรล่ะ มาร์คบอกว่าถ้าราคาหุ้นทำ climax top (ราคาพุ่ง เกิน 25เปอร์เซ็นต์ขึ้นไป ในระยะเวลา 1–3 สัปดาห์) ก็ทยอยทำกำไรออกมา

ตลอดช่วงการเทรดของมาร์คใน 30 ปี ถูกทางประมาณ 50% แล้วเขาทำกำไรได้อย่างไร ขอยกคำคมของจอร์จ โซรอส

“ ไม่สำคัญว่าคุณถูกหรือคุณผิด แต่สิ่งสำคัญคือ คุณได้กำไรเท่าไหร่เมื่อคุณถูกและขาดทุนเท่าไหร่เมื่อคุณผิด ”

“ถ้าทำกำไรมากว่าขาดทุน คุณก็จะสามารถทำกำไรได้มากในตลาดทุน ”

ถ้าใครอยากรู้ว่า Mark Minervini เจ๋งหรือเทพแค่ไหน ลองอ่านลิ๊งค์ด้านล่างได้

https://www.siamquant.com/mark-minervini-trend-template-style/

Trend template ของ Mark Minervini

โดยหลักการ trend template ที่เราใช้ในการคัดหุ้นนี้ แสดงให้เห็นในตารางด้านล่าง

Conditionที่ 1: ทดสอบข้อ 2 กับ ข้อ 4

2. เส้น moving average ของ 150 วัน อยู่เหนือเส้น 200 วัน

4. เส้น moving average 50 วัน อยู่เหนือทั้งเส้น moving average150 วันและ 200 วัน

Conditionที่ 2: ทดสอบข้อ 1กับ ข้อ 5

1. ราคาหุ้นในปัจจุบันอยู่เหนือเส้น moving average ที่ 150 วัน และที่ 200 วัน (อ้างอิง condition 1)

5. ราคาหุ้นในปัจจุบันอยู่เหนือเส้น moving average ที่ 50 วัน

Conditionที่ 3: ทดสอบข้อ 3

3. เส้น moving average ของ 200 วัน กำลังอยู่ในเทรนที่เพิ่มขึ้น อย่างน้อย 2 เดือน

Conditionที่ 4: ทดสอบข้อ 6, 7

6. ราคาหุ้นในปัจจุบันอยู่ที่อย่างน้อย 30 เปอร์เซนต์เหนือค่าที่ต่ำสุดในรอบ 52 สัปดาห์

7. ราคาปัจจุบันอยู่ในอย่างน้อย 25 เปอร์เซนต์ของค่าสูงสุดในรอบ 52 สัปดาห์

Note : ข้อ 8. ค่า relative strength ranking ไม่น้อยกว่า 70 (อันนี้เราจะไม่พิจารณาในนี้เพราะเป็นส่วนของหุ้นอเมริกา)

เมื่อเรานำข้อมูลหุ้น SET 100 มาเข้า condition ทั้ง 4 แล้ว เราได้รายชื่อหุ้นที่ผ่าน Trend template ของ Mark Minervini

จะเห็นได้ว่า จากหุ้นทั้งหมด 100 ตัว เราสามารถคัดกรองเหลือ 17 ตัว

ขั้นตอนต่อไป เราจะเริ่มนำ Machine learning model มาทำนายราคาหุ้น ในขั้นแรก เราทดลองนำโมเดลที่ง่ายและยืดหยุ่นมาลองพิจารณาหาหุ้นที่เพิ่มขึ้นสูงสุดในรอบ 7 วัน ซึ่งเราจะใช้กระบวนการทำตามรูปด้านล่าง

Trend forecasting Pipeline

1. Get data

เริ่มจากการที่เราโหลด library ที่เกี่ยวข้องเข้ามาในโมเดลเรา ซึ่ง library พระเอกในการวิเคราะห์นี้คือ “ StarfishX” สำหรับประมวลข้อมูลตลาดหุ้นไทยทั้งปัจจัยพื้นฐานและข้อมูลการซื้อขายรายวัน

ต่อจากนั้น เราจะดึงข้อมูลหุ้นรายวัน ตั้งแต่วันที่ 1/1/2018 จนถึงปัจจุบัน โดยมีข้อมูลที่สำคัญ ได้แก่ ราคาเปิดตลาด, ราคาสูงสุด, ราคาต่ำสุด, ราคาปิดตลาด และ ปริมาณซื้อขายที่เกิดขึ้นภายในวัน ณ ตอนนี้ เราจะเริ่มเข้าถึงข้อมูลมากขึ้น

ตัวอย่างไฟล์ CSV : ข้อมูลราคาซื้อขายรายวัน ของหุ้น SET 100

จากนั้นเราจะดึงข้อมูลในไฟล์ CSV มาแปลงเป็นชื่อ “OPEN”, “HIGH”, “LOW”, “CLOSE” และ “VOLUME” ตามข้อมูลสำคัญของเรา ซึ่งตอนนี้ข้อมูลเราพร้อมสำหรับขั้นตอนต่อไปแล้ว

2. Cleansing data and Transformation

2.1) Extract feature and label :

ขั้นตอนนี้เป็นขั้นตอนที่สำคัญมากสำหรับการทำนายราคาหุ้น เพราะถ้าเราเลือก feature ไม่เหมาะสม อาจจะทำให้สิ่งที่เราต้องการทำนายมีความคลาดเคลื่อนได้

โดย feature ที่เราเลือก คือ ราคาที่เปลี่ยนแปลงในรอบ 1 อาทิตย์ หรือ 5 วัน เพราะโจทย์ของเราคือจะ fix ช่วงเวลาแน่นอน 1 อาทิตย์ ซึ่งปกติคือ 5 วัน

อีกหนึ่งเหตุผล คือ ทีมเรามีผู้เชี่ยวชาญแนะนำว่า การทำนายราคาควรจะใช้ % การเปลี่ยนแปลง มากกว่าที่จะเป็นราคาโดยตรง เพราะจะได้ตัดปัญหาเรื่องความแตกต่างของราคาหุ้น

2.2) One hot + Standard scaler : เป็นขั้นตอนการเตรียมข้อมูลก่อนจะเข้าโมเดลตามปกติ

2.3) Train and Test split : ในที่นี้เราเลือก train กับข้อมูล 70% และ test ที่ 30% ซึ่งเป็นสัดส่วนที่เราคิดว่าเหมาะสมกับข้อมูล

3. Train model

คราวนี้เรานำ Train และ Test data ที่เราแบ่งไว้ในขั้นตอนก่อนหน้ามาเข้าเรียนรู้โดยใช้ Linear Regression ซึ่งเราพิสูจน์มาตั้งแต่โปรเจ็คก่อนหน้าแล้วว่ามีประสิทธิภาพเป็นที่น่าพอใจ

4. Test model

เมื่อเราได้ฝึกสอนโมเดลแล้ว คราวนี้ก็ถึงเวลาที่เราจะต้องทำการสอบ เพื่อวัดผลความรู้ความสามารถของโมเดลเราแล้ว (พูดแล้วคิดถึงตอนที่เราเรียนหนังสือเลย) โดยข้อสอบที่เราใช้ในการวัดผลโมเดล คือ Root Mean Squares Error ที่เป็นที่นิยมในการวัดประสิทธิภาพของโมเดล

จากผลการทดสอบ เราพบว่า โมเดลเรามีประสิทธิภาพเพียงพอ เพราะค่า RMSE ที่ได้เฉลี่ยอยู่ที่ประมาณ 0.06 → โอเคแล้ว คุณได้ไปต่อนะครับ

5. Set up Pipeline

เพื่อให้สะดวกในการรันโมเดล เราจะนำขั้นตอนทั้งหมดก่อนหน้านี้ มาทำเป็น Pipeline ดังรูป

ตอนนี้เรามี pipeline ที่พร้อมแล้วสำหรับการทำนาย

6. Deploy model

เมื่อเรามั่นใจแล้วว่าโมเดลของเราถูกเทรนมามีประสิทธิภาพเพียงพอ เราจะนำรายชื่อหุ้นที่ผ่านการคัดกรองขั้นแรกโดยคุณมาร์ค มาใส่

และนี่คือผลการทำนายของโมเดล

กราฟความสัมพันธ์ระหว่าง Predicted Return และ RMSE

จากข้อมูลด้านบน จะเห็นได้ว่ามีหุ้นที่ได้รับผลตอบแทนมากที่สุด คือ

# SCC ทำนายว่า +18.38% มีค่า RMSE = 0.0344 → แต่จากโจทย์เราไม่สามารถซื้อได้ เนื่องจากราคาสูงกว่า 200 บาท ทำให้จำใจต้องตัดทิ้ง

# DELTAทำนายว่า +17.62% มีค่า RMSE = 0.4390 → แต่จากโจทย์เราไม่สามารถซื้อได้ เนื่องจากราคาสูงกว่า 200 บาท และ ค่า Error ที่สูงเกินไป ทำให้ต้องตัดทิ้ง

# JMTทำนายว่า +9.96% มีค่า RMSE = 0.0932 → นี่แหละใช่เลย!!

เพื่อให้เข้าใจมากขึ้น เราจึงทำการพิจารณากราฟราคาซื้อขายประจำวันประกอบ พบว่า JMT อยู่ในเทรนขาขึ้นชัดเจน สมกับที่อาจารย์มาร์คเราได้ช่วยคัดกรองไว้ และมีรูปกราฟที่สวยงามตามท้องเรื่องจริงๆ

https://th.tradingview.com/chart/ : JMT

เมื่อพิจารณามาถึงจุดนี้ พบว่าหุ้นที่ทำกำไรมากที่สุดภายใต้โจทย์ของเราคือ JMT ที่ +9.96% ใน 5 วัน

ARIMA model

ขั้นสุดท้าย ต่อจากที่เราใช้โมเดล Linear regression ที่เน้นไปทางการวิเคราะห์ความสัมพันธ์ของข้อมูล คราวนี้เราต้องลงรายละเอียดในส่วนของ Time series มาวิเคราะห์ต่อ

1. Get data

เริ่มจากการที่เราโหลด library ที่เกี่ยวข้องเข้ามาในโมเดลเรา

เรานำข้อมูลหุ้นที่เราได้เลือกแล้ว คือ ‘JMT’ ที่ผ่านการเพิ่มส่วนของ Return เข้ามาวิเคราะห์ โดยกำหนดช่วงในการพิจารณา ตั้งแต่ 01/01/2018

2. Cleansing data and Transformation

ข้อมูลตัวที่เรานำมาเป็นตัวหลักในการคำนวณคือ %ราคาปิดที่เปลี่ยนแปลงจากวันก่อนหน้า (Return) เนื่องจากสิ่งที่เราต้องการทำนายคือราคาปิดตลาด

3. Model preparation

เนื่องจาก โมเดลที่จะนำมาใช้ทำนายคือ ARIMA โดยเราจะต้องหาค่า p (AR) และค่า q (MA) โดยใช้ Auto_ARIMA คำนวณหาค่า p, q ที่เหมาะสมออกมา

ผลที่ได้จากการรัน จะได้ว่า best model: ARIMA(0,0,0)(0,0,0)[0] หมายความ ARIMA มองว่าข้อมูลในอดีตเหมือน Random ทั้งหมด → มีโอกาสที่จะพบว่าการทำนายต่ำกว่าที่ควรจะเป็น

4. Model deployment

เมื่อเรามั่นใจว่าโมเดลเราพร้อมแล้ว ลองนำมา plot พบว่าได้ข้อมูลดังรูปด้านล่าง

เมื่อโมเดลของเราพร้อม เราจะกำหนดให้ทำนายการเปลี่ยนแปลงของราคาเป็นเวลา 7 วัน เพื่อจะได้ทำนายว่า ราคาหุ้นเราจะมีการเปลี่ยนแปลงอย่างไรในวันพฤหัสที่จะถึงนี้

เราจะพบว่า ราคา JMTเราจะเพิ่มขึ้นไม่ถึง 0.01% แสดงว่าโมเดล ARIMA ไม่สามารถใช้ในการทำนายได้ ต้องทำการพิจารณาข้อมูลเพิ่มเติม

“สรุปได้ว่า หุ้น JMTเป็นหุ้นที่น่าจะทำกำไรมากที่สุดในวันพฤหัสที่ 23 กันยายน จากหุ้นทั้งหมด 100 ตัวใน SET 100 ภายใต้เงื่อนไขราคาไม่เกิน 200 บาท/หุ้น

โดยทำนายไว้ว่าราคาหุ้นจะขึ้นไปปิดที่ 53.60 บาท (+9.96%)”

** แต่เนื่องจาก เวลาที่จำกัด ทำให้กลุ่มเราต้องตัดสินใจเลือกหุ้น ในขณะที่โมเดล ARIMA ยังไม่เสร็จสมบูรณ์ 100% และมีความผิดพลาดบางประการในการเตรียมโมเดล Linear Regression ทำให้สุดท้ายเราตัดสินใจเลือก “AMATA” เป็นตัวแทนของกลุ่มเรา โดยดูจากความรู้ทางเทคนิคประกอบ ทั้ง volume ที่เข้ามาเยอะในช่วงต้นสัปดาห์ รวมถึงแนวต้านที่ค่อนข้างสูงกว่าตัวอื่น***

สุดท้ายนี้ โปรเจ็คนี้เป็นการประยุกต์ใช้ Trend forecasting มาทำนายราคาหุ้น ทำให้เราได้เรียนรู้ตั้งแต่พื้นฐานการลงทุน, แนวทางการลงทุน รวมถึงทฤษฎีเกี่ยวกับ Time series ต่างๆ ไปจนถึงวิธีที่สามารถนำมาใช้ในการทำนายกับข้อมูลได้อย่างเหมาะสม

เราจะเห็นได้ว่า มีความแตกต่างกันระหว่างค่าข้อมูลทั่วไปใน regression และค่าข้อมูล Time series ตามที่ได้เรียนมาคือองค์ประกอบ เช่น Trend, Seasonal ซึ่งเราจะมาตัดสินกันอีกทีในวันที่ 23/09/21 ว่าการวิเคราะห์แบบไหนมีความแม่นยำกว่ากัน

สิ่งหนึ่งที่เราต้องชี้แจงไว้ก่อนคือ แม้ว่าเราจะสามารถสอน AI ให้เรียนรู้วิธีและทำนายราคาหุ้นออกมาได้ แต่แท้จริงแล้ว หุ้นเป็นสิ่งที่มีปัจจัยอื่นๆ ที่มีผลกระทบกับราคาได้อย่างมากมาย รวมทั้ง irregular ที่อาจจะเกิดขึ้นและยากมากที่จะทำนาย

เพราะฉะนั้น “ กรุณาใช้จักรยานในการรับชม “ เอ๊ยยยยย

“ กรุณาใช้วิจารณญาณในการรับชม นะครับบบบบบบ “

และ “การลงทุนมีความเสี่ยง ผู้ลงทุนควรศึกษาข้อมูลให้รอบคอบก่อนตัดสินใจลงทุน ”

Next step: แนวทางการพัฒนาโมเดล trend forecasting ต่อไปที่เป็นไปได้ คือ โมเดลอาจจะพิจารณาข้อมูลพื้นฐานของบริษัท พวกงบการเงินต่างๆ ประกอบ หรือ อาจจะพัฒนา Algorithm ในจังหวะการเข้าซื้อ / ขายออก รวมทั้งเงื่อนไขการคัตลอส ซึ่งจริงๆแล้วสำคัญมากๆ ตามหลักการของ Mark Minervini

แต่พวกเราเชื่อว่าในอนาคตเมื่อเทคโนโลยีด้าน A.I. พัฒนามากขึ้น เราเชื่อว่า Trend forecasting จะมีประสิทธิภาพสูงกว่าทุกวันนี้ครับ

จากพวกเรา G.10 DSE4

Link:

Mark Minervini & Linear regression https://colab.research.google.com/drive/10d7hyXTGdpjH1Rj2mrk_C5oZ82Gl0PY5?usp=sharing

ARIMA model https://colab.research.google.com/drive/1Veg0BYEPklmVOPVmB3BqTHEYq6IbUho4?usp=sharing

เราขอขอบคุณแหล่งข้อมูลที่ช่วยประสิทธิ์ประสาทความรู้ต่างๆ ตามลิ๊งค์ด้านล่างครับ

References :

ใช้คนหรือ Bot ลงทุนให้เราดีกว่ากัน

ARIMA Model ตอนที่ 1: เข้าใจ ARIMA แบบ Practical

Time Series Forecasting | Various Forecasting Techniques

Trend Template สูตรคัดกรองหุ้นสไตล์ Mark Minervini

Using decomposition to improve time series prediction ⋆ Quantdare

https://sites.google.com/a/kkumail.com/savingmoney4u/ministries