ผู้ช่วยแสนรู้เพื่อนักลงทุน ทำนายราคาหุ้นด้วย Machine Learning
จะจึ้งหรือสู่ขิต อีกอาทิตย์รู้กัน!
บทความนี้เป็นส่วนหนึ่งของ Data Science Essential Botnoi Classroom DSE#4 โปรเจคครั้งที่ 3 Trend Forecasting กลุ่ม 3
Member : คุณแพน, ต่าย, โอ, พิมพ์, วากิว, บูม และ ลูกแก้ว
ผ่านมาครึ่งทางแล้วสำหรับนักเรียน DSE4 โดยโจทย์ในโปรเจคนี้คือ ใช้ Time Series & Stock forecasting มาสร้างโมเดลเพื่อทำนายหุ้น
ก็คือเป็นการใช้ข้อมูลย้อนหลังที่เป็นลักษณะ Time Series หรืออนุกรมเวลา มาช่วยทำนายราคาหุ้นจากข้อมูล SET100 โดยใช้หลักการเดียวกับ Machine Learning
สำหรับโจทย์ของโปรเจคนี้คือ
- สร้างโมเดลทำนายหุ้น และเลือกหุ้นที่คาดว่าทำกำไรได้มากที่สุดมา กลุ่มละ 1 ตัว
- ซึ่งทางทีมงาน Botnoi จะทำการเข้าซื้อหุ้นตัวดังกล่าวที่ ATC (ราคาปิดตลาดทั้งวัน) ในวันศุกร์ที่ 17 กันยายน 2564 และขายออกที่ราคาปิดตลาดครึ่งเช้า ในวันพฤหัสบดีที่ 23 กันยายน 2564 โดยมีงบประมาณให้กลุ่มละ 20,000 บาท
ท่านผู้อ่านสามารถติดตามบทความของพวกเรา DSE4 G3 ได้ผ่าน Link Medium
Week 1 อาชีวศึกษา ทางเลือกรอง หรือทางรอดของชาติ ค้นหาคำตอบได้ด้วย Data Analytics
Week 2 งูที่เจอมีพิษหรือไม่? แยกได้ก็ช่วยได้หลายชีวิต ด้วย Machine Learning
Highlight
- การ Brainstorm ปัจจัยที่จะมีผลกับหุ้น การเลือกแหล่งข้อมูลและวิธีหาข้อมูล
- การจัดการและเลือกใช้ Feature ที่มีเพื่อให้อยู่ในฟอร์มที่พร้อมนำไปวิเคราะห์
- การทำ Pre-processing เพื่อให้ข้อมูลพร้อมต่อการนำไปใช้กับ Model
- การสร้างโมเดล ARIMA เพื่อหาผลลัพธ์ที่แตกต่างออกไป โดยสร้าง Dataframe ขึ้นมาเองเพื่อมาทำนายราคาหุ้น
- สิ่งที่กลุ่ม G3 ได้เรียนรู้ คือการลงมือทำจริงและ นำเสนอหุ้นตามผลการวิเคราะห์ที่ได้
คำเตือน : การลงทุนมีความเสี่ยง บทความนี้เป็นเพียงตัวอย่างในการทำนายหุ้นในระยะเวลาสั้นเท่านั้น ผู้ลงทุนควรศึกษาข้อมูลและปัจจัยอื่นๆ เพื่อประกอบการตัดสินใจ
Pipeline : Stock Price Trend Forecasting
ขั้นตอนการทำนายหุ้น ใช้หลักการเดียวกันกับ Machine Learning ซึ่งมีทั้งหมด 5 ขั้นตอนหลัก ดังนี้
1. Get Dataset
ในการเลือก Dataset กลุ่ม G3 ใช้ข้อมูลจาก starfishX ซึ่งเป็น Python Library ที่เน้นการให้ความรู้ทางด้านการลงทุน และมีชุดข้อมูลตลาดหลักทรัพย์แห่งประเทศไทย (SET) โดยดึงข้อมูลราคาหุ้นย้อนหลัง 5 ปี ของ SET100
สำหรับขั้นตอนการ prediction ราคาหุ้นมีดังนี้
1.1 Import Library
ดึง Library มาใช้ในการเขียนโปรแกรม
1.2 Get List of SET100
การดึงรายชื่อทั้งหมด 100 หุ้น หรือหุ้นที่ติด Top 100 ในตลาดหลักทรัพย์แห่งประเทศไทย
2. Understanding & dealing with data
2.1 Feature Extraction
ในการนำข้อมูลราคาหุ้นจาก SET 100 มาสร้าง Feature เพื่อสร้างโมเดลได้ เราจะทำ Technical Analysis ได้แก่ MACD, EMA และ RSI เพื่อประกอบการตัดสินใจในการเลือกหุ้น
เราได้ทำการสุ่มเลือกข้อมูลราคาหุ้นมา 1 หุ้น โดยใช้ข้อมูลราคาตั้งแต่ปี 2020 จนถึงปัจจุบัน ซึ่งเราสุ่มเลือกหุ้น “PSL” มาเป็นหุ้นตัวอย่างในการสร้างโมเดล เพื่อความรวดเร็วในการ Train โมเดล
จากรูปข้างบนราคาพื้นฐานที่ถูกนำมาใช้ มีดังนี้
- Open: ราคา ที่เวลาเปิดตลาดในวันนั้น
- High: ราคาสูงสุดในวันนั้น
- Low: ราคาต่ำสุดในวันนั้น
- Close: ราคาที่ปิดตลาดในวันนั้น
- Volume: ปริมาณจำนวนหุ้นที่ซื้อขายในวันนั้น
เราได้นำข้อมูลหุ้น Open, High, Low, Close และ Volume ที่มีมาหา Indicator ดังนี้
- Moving Average Convergence Divergence (MACD)
- Relative Strength Index (RSI)
Indicator เหล่านี้เป็นพื้นฐานที่นักลงทุนใช้ดูว่าราคาหุ้นจะเพิ่มขึ้นหรือไม่
MACD: ใช้สำหรับดูแนวโน้มราคาหุ้นว่าขึ้นหรือลง และ ดูโมเมนตัมของราคาว่ามีสูงมากหรือน้อยขนาดไหน โดย MACD คำนวนมาจาก ผลต่างค่า Exponential Moving Average
สิ่งที่น่าสนใจของ MACD คือ เป็น Indicator ที่สามารถให้ข้อมูลได้ 2 แบบ ได้แก่
1)ทิศทางแนวโน้มของราคาหุ้น (Trend)
2) แรงส่งของราคาหุ้น (Momentum)
โดยหลักการของการวิเคราะห์เส้นค่าเฉลี่ยเคลือนที่ (Moving Average) คือ ถ้าเส้น MACD อยู่เหนือเส้น Signal Line ซึ่งเป็น EMA ของตัวมันเอง ก็จะสรุปว่าเส้น MACD น่าจะมีโอกาสสูงที่จะกำลังอยู่ในช่วงทิศทางของแนวโน้มเป็นขาขึ้น แต่ถ้าเส้น MACD อยู่ใต้เส้น Signal Line ซึ่งเป็น EMA ของตัวมันเอง ก็จะสรุปว่าเส้น MACD น่าจะมีโอกาสสูงที่จะกำลังอยู่ในช่วงทิศทางของแนวโน้มเป็นขาลง
ซึ่งค่า MACD ที่เราได้มีค่ามากกว่า 0 แต่เมื่อดูกราฟแล้ว เส้น MACD อยู่ใต้เส้น Signal Line ที่กำลังอยู่ในเทรนกำลังสูงขึ้น
MACD (Moving Average Convergence Divergence)
ข้อมูลเพิ่มเติมเกี่ยวกับ MACD https://www.finnomena.com/daddy-trader/macd/
RSI: ใช้สำหรับวัดค่าการแกว่งตัวของราคาว่าซื้อหรือขายมากไปหรือไม่ ซึ่งเทียบเป็นช่วง 0–100 และมีค่ามาตรฐานอยู่ที่ 30 และ 70
ถ้า RSI อยู่ในระดับตํ่ากว่า 30 แนะนำให้ซื้อ เพราะราคาต่ำเกินไป หรือ ขายมากเกินไป (Oversold)
แต่ถ้ามากกว่า 70 แนะนำให้ขาย เพราะราคาสูงเกินไป หรือ ซื้อมากเกินไป (Overbought)
จากกราฟ RSI มีแนวโน้มที่ต่ำกว่า 45
RSI(Relative strength index)
ข้อควรระวัง
- ควรสังเกตให้ชัดเจนว่ามีสัญญาณแนวโน้มขาขึ้นชัดเจน จึงเข้าซื้อตาม RSI
- เคส 30 ในระหว่างแนวโน้ม เป็นเคสที่เกิดขึ้นยากพอสมควร เพราะส่วนใหญ่จะอยู่ที่ระดับราวๆ 50
ข้อมูลเพิ่มเติมเกี่ยวกับ RSI https://www.finnomena.com/mrserotonin/what-is-rsi/
2.2 Stock Market Index Features
หลังจากเราดึงสุ่มหุ้น PSL จาก StarfishX จะได้ข้อมูล Date, Open, High, Low, Close และ Volume เราได้ทำการเพิ่ม Feature ของ %Change ด้วย Excel เพื่อเอาไว้ดู
เทรนด์ความแข็งแกร่งของตลาดในช่วงเวลาที่เราสนใจ ซึ่งมีสูตรในการคำนวนดังนี้
%Change = [(close prev — close)/close ]*100
% Change คืออัตราการเปลี่ยนแปลงเป็นเปอร์เซ็นต์ของดัชนีตลาดฯ ในปัจจุบันเทียบกับดัชนีเมื่อวันก่อน
3. Pre-Processing
3.1 Preparation
Clean Stock : เมื่อได้ข้อมูลหุ้น 100 หุ้น แล้วเราจะหาหุ้นที่มีค่า Earnings Per Share (EPS) เป็นบวก ตั้งแต่ช่วงครึ่งแรกของปี 2563 (01/06/63) จนถึงปัจจุบัน มาใช้ในการทำนาย เพื่อหาหุ้นที่มีผลกำไรต่อหุ้นมากขึ้น จากขั้นตอนนี้จะคงเหลือหุ้นเพียงแค่ 63 หุ้น
4. Train & Test Model/ Prediction Model
4.1 การสร้างโมเดล
ในส่วนของการสร้าง Model เราเลือกใช้ ARIMA model (AutoRegressive Integrated Moving Average) เพื่อกำจัด Noise ออกจาก Time serires เพื่อลด Error term ให้ได้มากที่สุด เพื่อให้ข้อมูลสามารถเชื่อถือได้ จึงทำให้การนำหุ้นมาทำนายได้อย่างมีประสิทธิภาพมากขึ้น โดยจะแบ่งการ Train 70% และ Test 30%
ARIMA model จะประกอบด้วยพารามิเตอร์ 3 ตัวคือ ARIMA(p,d,q)
1. p เป็นพารามิเตอร์ของ AR(Autoregressive) ซึ่ง p จะแสดงค่าของระยะเวลาในอดีตที่สัมพันธ์กับค่าที่เราต้องการทำนาย เช่น ราคาหุ้นเมื่อ x วันก่อน จะส่งผลต่อราคาหุ้นในวันนี้
2. d เป็นพารามิเตอร์ของ I(Integrated) ซึ่ง d จะแสดงถึงการทำ differencing เพื่อให้ข้อมูล เช่น ค่าเฉลี่ย (Mean), ความแปรปรวน (Variance) มีความคงที่ แม้เวลาผ่านไป ไม่มี trend และ seasonal
3. q เป็นพารามิเตอร์ของ MA(Moving Average) ซึ่ง q จะมีความหมายใกล้เคียงกับค่า p ของ Autoregressive แต่จะแสดงค่าของ error แทนค่าของระยะเวลา
สิ่งที่เรากำหนดคือ Dataframe และ Order โดย Number of Time Lags (p,d,q) โดยเรากำหนด Order คือ (7,0,1) และ (0,1,0)
เมื่อโมเดลมีการเปลี่ยนแปลงของ Number of Time Lags แล้ว โมเดลจะมีความแม่นยำต่อการทำนายมากขึ้น
เราได้นำจำนวนหุ้นทั้งหมด 63 หุ้น ตั้งแต่วันที่ 15/06/2020 จนถึงปัจจุบัน มาผ่านการ Train, Test และ Predict ทีละหุ้นจนครบแล้ว ในที่สุดโมเดลก็คัดหุ้นจาก 63 หุ้นเหลือเพียง 47 หุ้น
ศึกษาข้อมูลเพิ่มเติมเกี่ยวกับ ARIMA Model : หลักการทำงานของ ARIMA ในการทำนายค่าของ Time Series และ การพยากรณ์ข้อมูลอนุกรมเวลาด้วยเทคนิค ARIMA ด้วย Python
5. Result and Visualize
5.1 Evaluation
การวัดค่า error จากผลต่างของค่าจริงและค่าจากการทำนายนั้น อาจทำให้ค่าerrorเฉลี่ยผิดพลาดได้ เพราะค่าerrorจากวิธีนี้จะมีทั้งค่าบวกและลบ จึงอาจหักลบกันเอง
การใช้ค่า RMSE (Root Mean Square Error) จะช่วยแก้ปัญหานี้ เพราะมีการนำค่า error มายกกำลัง2 ก่อนทำให้ค่าที่ได้เป็นบวกเท่านั้น (สนใจแค่ขนาดของ error เท่านั้น) ซึ่งหมายความว่าถ้าค่า RMSE น้อยจึงจะดี
นอกจากนี้ค่า RMSE ยังเป็นหนึ่งใน Loss function ที่นิยมนำมาใช้วัดประสิทธิภาพของ Regression model เนื่องจากมีหน่วยเดียวกับค่าที่โมเดลทำนายได้ ทำให้สามารถอ่านค่าได้ง่าย วิธีคำนวณค่า RMSE สามารถคำนวณได้ตามสมการด้านล่าง
การปรับค่า parameter ของโมเดล ARIMA เป็น (0,1,0) จะได้ค่า RMSE = 0.164 จากกราฟด้านล่างจะเห็นได้ว่าโมเดลทำนายค่า test data ได้ค่อนข้างแม่นยำ จะมีเพียงช่วงท้ายที่ข้อมูลจริง(เส้นสีฟ้า)มีค่าแตกต่างจากค่าที่โมเดลทำนาย(เส้นสีส้ม) และจากกราฟ scattered จะเห็นได้ว่าจุดของข้อมูลส่วนใหญ่มีค่าอยู่ในแนวเดียวกันกับเส้นตรง จะมีเพียงบางจุดเท่านั้นที่อยู่ห่างจากแนวเส้นตรงเล็กน้อย
การปรับค่า parameter ของโมเดล ARIMA เป็น (7,0,1) จะได้ค่า RMSE = 0.086 จะเห็นได้ว่าโมเดลทำนายค่า test data ในช่วงแรกได้ค่อนข้างแม่นยำเหมือนการใช้ parameter (0,1,0) แต่ในช่วงท้าย พารามิเตอร์ที่ปรับจูนใหม่(7,0,1) จะให้ค่าใกล้เคียงกับข้อมูลจริงมากกว่า และค่าจากกราฟ scattered จุดของข้อมูลส่วนใหญ่ก็มีค่าอยู่ในแนวเดียวกันกับเส้นตรง สอดคล้องกับค่า RMSE ของพารามิเตอร์ใหม่ที่ต่ำกว่าพารามิเตอร์แรก จึงให้ผลที่ดีกว่า
5.2 Prediction Result
5.2.1 การวิเคราะห์ทางด้านเทคนิค
หลังจากที่โมเดลคัดหุ้นเหลือ 47 หุ้น เราก็นำมาคำนวณหา %Change โดยเรียงลำดับเปอร์เซ็นต์จากมากไปหาน้อย
%Change = [(close predict— close today)/close today]*100
จากตาราง เราได้เลือก 5 อันดับแรกที่มีเปอร์เซ็นต์สูงที่สุด ได้แก่ PSL, GULF, BCH, OSP และ KCE มาวิเคราะห์เพิ่มเติม
ซึ่งเราได้ใช้กราฟเทคนิคเพื่อกรองดูหุ้นใน Top 5 จาก Model ของเรา ประกอบกับ PE Ratio ซึ่งใช้เทียบราคาหุ้นว่าถูกหรือแพงแบบคร่าวมากๆ พบว่า
- PSL (PE 29.2 เท่า) : หุ้นกลุ่มเดินเรือที่ร้อนแรง — MACD กำลังปรับกลับไปในแดนบวกและราคาอยู่เหนือค่าเฉลี่ย 50 วัน
- GULF (PE 81.18 เท่า) : หุ้นพลังงาน Story แพรวพราว — MACD อยู่ในแดนลบ และมีแนวโน้มที่จะลดลงต่อเนื่อง
- BCH (PE 26.54 เท่า): หุ้นโรงพยาบาล — ตัวนี้น่าสนใจมาก เข้ากับ theme วัคซีนโมเดอน่า แต่ราคา ณ วันพฤหัสยังอยู่ใต้เส้นค่าเฉลี่ย 50 วัน และเส้นค่าเฉลี่ยระยะสั้น 20 วันตัดเส้น 50 วันลงมา แม้ว่า MACD กำลังกลับจากลบเป็นบวก
- OSP (PE 29.43 เท่า): โอสถสภา M150 — ราคาอยู่ใต้เส้นค่าเฉลี่ย 50 วัน และเส้นค่าเฉลี่ยระยะสั้น 20 วันตัดเส้น 50 วันลงมาเช่นกัน
- KCE (PE 55.62 เท่า) : กลุ่มชิ้นส่วนอิเล็กทรอนิคส์อันร้อนแรง — ตัวนี้ก็น่าสนใจมากเช่นกัน แต่เนื่องจากราคาวิ่งมาไกลมากแบบที่มีการย่อตัวน้อยมาก แต่ MACD อยู่ในแดนลบ
เมื่อมาเช็คทางเทคนิคแล้วประกอบกับผลการทำนายของโมเดลที่ได้สูงถึง 14.2% เราจึงเลือก PSL นอกจากนี้เรายังใช้เทคนิคเพิ่มเติมอื่นๆ มาวิเคราะห์โดยดูปัจจัยพื้นฐานเพื่อเพิ่มความมั่นใจในการเลือกหุ้น
หลังจากวิเคราะห์ปัจจัยพื้นฐานแล้ว เราก็มาเช็คหุ้น PSL ในเชิงเทคนิคอลเพื่อให้มั่นใจอีกที
โดยจะเห็นได้ว่าหุ้น PSL ได้ปรับตัวเป็นแนวโน้มขาขึ้นเพิ่มขึ้นตั้งแต่ปลายปี 2020 โดยราคาได้มีการทำราคาสูงสุดใหม่ในรอบ 52 สัปดาห์ สลับกับการพักตัว อยู่ตลอด แต่ยังยืนอยู่บนเส้นค่าเฉลี่ย 50 วันได้อย่างเหนียวแน่น
ราคาปัจจุบัน ได้ย่อลงมาหลังจากการจ่ายปันผลในวันที่ 26 สิงหาคม 2021 (ครั้งล่าสุดคือสิงหาคมปี 2014 หรือเมื่อ 7 ปีก่อน!) และลงไปทดสอบเส้นค่าเฉลี่ย 50 วัน และมีการปรับตัวขึ้น
เมื่อดูปริมาณการซื้อขาย ก็จะเห็นได้ว่าแรงขายลดลงอย่างต่อเนื่อง ในส่วนของอินดิเคเตอร์ เราใช้ MACD ในการดูแนวโน้มการปรับตัวของราคา ซึ่งจะเห็นได้ว่า MACD กำลังปรับตัวเพิ่มขึ้นจากแดนลบ และเราคาดว่าจะกลับมาเป็นบวกแสดงให้เห็นถึงแนวโน้มขาขึ้น
เมื่อเช็คดู RSI เพื่อระวังการเข้าซื้อที่ราคา Overbought หรือการซื้อที่มากเกินไปซึ่งจะเป็นจุดที่เลี่ยงการเข้าซื้อที่ยอดดอยแบบง่ายๆ ก็พบว่าค่า RSI อยู่แถวๆ 50 และมีแนวโน้มเพิ่มขึ้น จึงทำให้มั่นใจมากขึ้นว่าหุ้นมีแนวโน้มจะไปต่อ
5.2.2 การวิเคราะห์ทางด้านเศรษฐกิจและปัจจัยพื้นฐาน
เมื่อมาวิเคราะห์ในด้านเศรษฐกิจ จากปัญหาการแพร่ระบาดของโรคโควิด-19 เมื่อปีที่แล้ว (ปี 2563) สถานการณ์การส่งออกของประเทศไทยไม่ค่อยได้รับผลกระทบมากนัก แต่ปัญหาส่วนหนึ่งเกิดจากการหยุดชะงัก (Disruption) มากกว่า เช่น การปิดโรงงานหรือหยุดผลิตสินค้า ทำให้เกิดผลกระทบการขนส่งทางเรือกับตู้คอนเทนเนอร์ที่ค้างอยู่ท่าเรือปลายทาง และเริ่มคลายตัวต้นปีนี้มาอย่างต่อเนื่อง ทำให้การส่งออกมีอัตราการเติบโตสูงขึ้นมากกว่า 21%
แม้ว่าปัจจุบันตลาดผู้นำเข้าเริ่มฟื้นตัวจากความต้องการสินค้าของผู้บริโภค แต่การขนส่งสินค้าทางเรือของผู้ส่งออกยังคงได้รับผลกระทบจากปริมาณตู้คอนเทนเนอร์ที่ยังตึงตัว และค่าระวางเรือที่สูงขึ้นต่อเนื่อง รวมไปถึงปัญหาการจองพื้นที่ (Space) ในการขนส่งบนสายเดินเรือไม่ได้ การส่งมอบตู้คอนเทนเนอร์ยังล่าช้าจากการวางมาตรการที่เข้มงวดในการตรวจสอบป้องกันโควิด และไม่เพียงพอต่อปริมาณคำสั่งซื้อสินค้าที่เพิ่มมากขึ้น
จากปัญหาค่าระวางเรือที่สูงขึ้นนี้ ทำให้อุตสาหกรรมเดินเรือหรือสายเดินเรือมีผลกำไรเติบโตสูงขึ้นคาดว่าจะมากกว่า 30% หรือปรับขึ้นไปกว่า 7 เท่าจาก Demand และ Supply ที่ไม่สมดุล จึงทำให้รายได้ของ PSL เติบโตขึ้นจากปีก่อน ตามค่าระวางเรือที่ปรับขึ้นสูงในไตรมาส 2/64
นอกจากนี้ ในช่วงไตรมาส 3 ของทุกปี เป็นช่วงที่กำไรสุทธิของ PSL จะเติบโตในระดับสูง เมื่อเทียบกับช่วงครึ่งแรกของปี เนื่องจากเป็นช่วงฤดูเก็บเกี่ยวและขนส่งธัญพืชของสหรัฐฯ และทวีปอเมริกาใต้ ส่งผลให้มีความต้องการขนส่งสินค้าทางเรือจำนวนมาก
ที่มา https://www.prachachat.net/economy/news-751147 และ https:/www.efinancethai.com/HotStocks/HotStockMain.aspx?id=SDEyWkUyNUIzbWM9
BDI index ดัชนีนี้เป็นเกณฑ์มาตรฐานสำหรับราคาเคลื่อนย้ายวัตถุดิบหลักทางทะเล ดัชนีนี้ประกอบด้วยดัชนีย่อยสามดัชนีที่วัดขนาดเรือขนส่งสินค้าแห้งเทกองที่แตกต่างกัน: Capesize ซึ่งโดยทั่วไปจะขนส่งแร่เหล็กหรือสินค้าถ่านหินประมาณ 150,000 ตัน; Panamax ซึ่งมักจะบรรทุกถ่านหินหรือเมล็ดพืชประมาณ 60,000 ถึง 70,000 ตัน; และ Supramax ที่มีกำลังการผลิตระหว่าง 48,000 ถึง 60,000 ตัน ดัชนี Baltic Dry พิจารณาเส้นทางการเดินเรือ 23 เส้นทางที่ขนส่งถ่านหิน แร่เหล็ก ธัญพืช และสินค้าโภคภัณฑ์อื่น ๆ อีกมากมาย
ที่มา https://tradingeconomics.com/commodity/baltic
จากบทความ The Baltic Dry Index: cyclicalities, forecasting and hedging strategies ตามรูปจะพบว่าดัชนี BDI มีลักษณะเป็น cycle ตามวัฏจักรของเศรษฐกิจและราคาสินค้าโภคภัณฑ์ และมีความสัมพันธ์กับสินค้าทั้งน้ำมันปิโตรเลียม ถ่านหิน ธัญพืชและอื่นๆดังตาราง
อีกทั้งจากบทความ BALTIC DRY INDEX AS ECONOMIC LEADING INDICATOR IN THE UNITED STATES http://www.toknowpress.net/ISBN/978-961-6914-16-1/papers/ML16-037.pdf
พบว่าดัชนี BDI เป็นดัชนี ที่มีความสอดคล้องกับ Industrial Production US Manufacturing
โดยพบว่า ดัชนี AMTMVS Manufacturers ‘ value of shipment :total manufacturing เส้นสีม่วงมีแนวโน้มเพิ่มขึ้น สอดคล้องกับค่า GDP (Gross domestic product จาก FRED) ดังนั้นหากมีการผลิตภายในประเทศเพิ่มขึ้น ตาม GDP ก็จะส่งผลให้ BDI มีแนวโน้มเพิ่มสูงขึ้นอีกด้วย
BDI มีแนวโน้มจะผ่านแนวต้านเดิม โดยเมื่อดูสินค้าที่ใช้เรือขน ไม่ว่าจะเป็นถ่านหิน เชื้อเพลิงปิโตรเลียม แร่เหล็ก ธัญพืช ราคามีแนวโน้มเพิ่มสูงขึ้น ทำให้ BDI มีโอกาสที่จะขึ้นไปต่อตามราคาสินค้าโภคภัณฑ์
PSL ที่เป็นบริษัทธุรกิจเดินเรือโดยเป็นเจ้าของเรือเอนกประสงค์ขนาดเล็กสำหรับขนส่งสินค้าแห้งเทกองแบบไม่ประจำเส้นทาง มีเส้นทางเดินเรือครอบคลุมทั่วโลกในภูมิภาคสำคัญ ประกอบด้วย สหรัฐอเมริกา แคนาดา ยุโรป ละตินอเมริกา-แอฟริกา อินเดียอนุทวีป-ตะวันออกกลาง และเอเชียตะวันออกเฉียงใต้และตะวันออกไกล และสินค้าพื้นฐานที่กองเรือขนส่งคือ สินค้าทางการเกษตร เหล็ก ปุ๋ย สินแร่และเนื้อแร่ ไม้ซุง ถ่านหินและอื่นๆ
เมื่อดูความสัมพันธ์ระหว่าง PSL ดัชนี BDI ค่า correlation coefficient > 0.9 ในช่วงเวลาที่ผ่านมา
หากดัชนี BDI มีแนวโน้มเพิ่มสูงขึ้น PSL มีโอกาสที่จะมีแนวโน้มเพิ่มสูงขึ้นตาม หากพิจารณาจาก ค่า correlation coefficient ที่ผ่านมา
เมื่อพิจารณารายได้จะพบว่า หุ้น PSL จะพบว่าในปีในช่วงปี 2561–2564 เป็นช่วงที่ดัชนี BDI เพิ่มขึ้น ทำให้บริษัทมีรายได้เพิ่มสูงขึ้น โดยเฉพาะในปี 2564 ค่า BDI ได้เพิ่มสูงขึ้นกว่าในช่วง 3 ปีที่ผ่านมา ทำให้บริษัทมีรายได้เพิ่มขึ้น จาก งบรายได้ 6 เดือนในปี 2564 พบว่ามีรายได้ใกล้เคียงกับปี 2563 ทั้งปี และมีกำไรของบริษัทเพียง 6 เดือน จะมากกว่าในปี 2561 ทั้งปี ทำให้กำไรต่อหุ้นกลับมาเป็นบวก เมื่อพิจารณาจากกราฟ ค่า EPS เริ่มกลับมาบวกตั้งแต่ ไตรมาสที่ 1 ปี 2564 และมีแนวโน้มเพิ่มขึ้นในไตรมาสถัดมา จึงส่งผลให้ตลาดรับรู้ รายได้ทำให้ราคา PSL มีแนวโน้มเพิ่มสูงขึ้น
เมื่อพิจารณาจากยอดขายและรายได้รวมกลับมาเป็นบวกและเพิ่มสูงถึง 82.35 และ 90.97%
ส่วนอัตรากำไรสุทธิ กลับมาเป็นบวกครั้งแรกและเพิ่มขึ้นในปี 2564 ถึง 36.11%
จากการวิเคราะห์ทั้งหมดทั้งมวลข้างต้น เราจึงได้ตกลงกันว่าจะเสนอหุ้น PSL เป็นคำตอบสุดท้ายก่อน 3 ทุ่ม ที่ใช้สู้ศึก Trend Forecasting และทำกำไรให้กับพวกเราในอีก 7 วันข้างหน้า ….เพี้ยง
สามารถศึกษา Code ของ G3 https://colab.research.google.com/drive/1xPszE4ww9Y5fV8FAWm_jC-lrUaSEwUl7#scrollTo=kcfVPdvP7wxz
หมายเหตุ !!! การลงทุนมีความเสี่ยงควรใช้วิจารณญาณในการอ่านและความรู้การลงทุนต่อการตัดสินใจ