วันพรุ่งนี้(หุ้น)จะเป็นยังไง ฉันพร้อมจะเดินไปกับคุณ 😘

บทความนี้เป็นโปรเจคที่ 2 & 3 จาก “G.3 จงเจริญ” ในคลาสเรียนของ DSE3 by BotNoi ในหัวข้อ Machine Learning และ Prediction models เพื่อนำความรู้การทำนายของโมเดล ML มาประยุกต์ใช้ทำนายหาราคาหุ้นที่จะเกิดขึ้นในอนาคต

Photo from https://www.techiexpert.com/how-machine-learning-and-artificial-intelligence-helping-traders-stock-market/ “Srikanth”

หมายเหตุ: บทความที่เขียนขึ้นเป็นเพียงการหยิบหุ้นที่พวกเราสนใจมาใช้ในการทำนายราคาหุ้นเท่านั้น ไม่ได้เป็นการชักจูง หรือชี้นำต่อการลงทุนในการซื้อหุ้นใด้ๆ ทั้งสิ้น เพราะตลาดหุ้นนั้นมีปัจจัยมากมายที่จะส่งผลต่อการขึ้นลงของราคา ดังนั้น ต่อให้เราทำนายได้ถูกต้องเเม่นยำมากเท่าใด สุดท้ายเเล้วมันก็ขึ้นอยู่ที่ใจของเราเท่านั้นเป็นตัวกำหนดแหละ จริงไหม?

ณ ห้องเรียน Botnoi ในช่วงแขกรับเชิญพิเศษประจำสัปดาห์ นู๋นับเงินได้มีโอกาสสัมภาษณ์แขกรับเชิญสุดพิเศษคือ Mr. Robot ผู้เชี่ยวชาญด้านการทำ machine learning ที่มาให้ความรู้เรื่องการลงทุนโดยการประยุกต์ใช้ machine learning มาทำนายราคาหุ้นที่สนใจลงทุน

Session 1: Problem ชวนให้คิด (เรื่องเล่าจากนักลงทุน)

“ทุกการลงทุนมีความเสี่ยงแต่หากคุณไม่ลงทุนคุณก็ยังมีความเสี่ยง และเสี่ยงที่สุดโดยที่คุณลงทุนโดยไม่รู้จักความเสี่ยง”

Mr. Robot : ในสภาพปัญหาของเศรษฐกิจปัจจุบันที่เผชิญอยู่และปัญหาการเเพร่ระบาดของ Covid-19 ที่กระทบกับรายได้ของคนในประเทศทำให้เกิดภาวะเงินฝืด คนไม่กล้าที่จะเอาเงินออกมาจับจ่ายใช้สอย ซึ่งถ้ามองในมุมมองการลงทุน การที่เงินอยู่นิ่งๆแล้วไม่งอกเงยตรงนี้ก็ถือว่าเป็นความเสี่ยง รู้ไหมเสี่ยงอย่างไร ?

นู๋นับเงิน : (สตั้นไป 3 วิ) เสี่ยงอย่างไรอ่ะคะ เงินในกระเป๋าหนูจะหายไปเหรอคะ? แต่ปัจจุบันหนูเอาเงินไปฝากแบงค์นะคะ แถมได้ดอกเบี้ยด้วย เงินหนูก็โตนะคะ

Mr. Robot : เอ๊ย! ไม่ใช่เงินในกระเป๋าหายนะ🤑 เเต่มันคือมูลค่าที่จะหายไปตามกาลเวลา แม้การฝากแบงค์เขาจะมีดอกเบี้ยให้เรา แต่ก็ยังไม่สามารถตอบโจทย์เรื่องความเสี่ยงที่มูลค่าเงินเราจะหายไปอีกนั้นแหละ เพราะการเติบโตของดอกเบี้ยเรามันโตเเละชนะเงินเฟ้อในปัจจุบันไม่ได้ หรือต่อให้โตเสมอเท่าๆกันก็ยังไม่ถือว่าชนะนะ

นู๋นับเงิน : อ้า!! แบบนี้หนูควรเอาเงินหนูไปลงทุนทำอะไรดีล่ะเนี่ย?

Mr. Robot : “หุ้น” รู้จักไหมการลงทุนในหุ้น?

นู๋นับเงิน : รู้จักคะ หนูเคยได้ยินเพื่อนเขาพูดกันแต่ไม่เคยลงทุนเลย เพราะไม่กล้า ไม่มีความมั่นใจ ไม่มีตัวช่วย บลาๆ โอ๊ย…แค่คิดก็ปวดหัว หนูว่าการที่เราเดินดุ่มๆเข้าไปตลาดหุ้นมันจะไม่น่ากลัวไปหน่อยเหรอคะ คนเขาก็ศึกษากันเยอะ คนเก่งๆก็เยอะเลย

Mr. Robot : เรื่องการศึกษาตรงนั้นหนูไปศึกษาเพิ่มเติมเองได้ เเต่สำหรับตัวช่วยไม่ต้องห่วง เพราะวันนี้ผมมีตัวช่วยดีๆมาเล่าให้ฟัง

นู๋นับเงิน : ตัวช่วย อะไรคือตัวช่วยที่ว่านั้นล่ะคะ ?🤔

Mr. Robot : Machine learning และการ prediction เคยได้ยินไหม ?

นู๋นับเงิน : เคยได้ยินเพื่อนที่เขาเรียน Data science รุ่นก่อนเขาเล่าให้ฟังเเต่หนูก็ยังใหม่มากกับเรื่องพวกนี้ ช่วยเล่าให้ฟังทีได้ไหมค่ะ ?

Mr. Robot :จะทำให้หนูเข้าใจภาพชัดขึ้น ก่อนอื่นสิ่งที่สำคัญเสมอคือ เราต้องทำความเข้าใจกับเรื่องหุ้น (business concept) ก่อนครับ พร้อมไปต่อไหม ?

นู๋นับเงิน : พร้อมคร่าาาาา (ทำหน้าร่ะรื่น)😆

Session 2: เตรียมความพร้อมเรื่องหุ้น

Mr. Robot : การศึกษาเรื่องหุ้นเป็นเรื่องที่ต้องใช้เวลาทำความเข้าใจและเรียนรู้ แต่ปัจจัยที่เป็นกลไกของตลาดหุ้นที่สะท้อนให้เห็นภาพชัดเจนที่สุดก็คือ ราคาหุ้น แล้วทำไมราคาหุ้นถึงสำคัญที่นักลงทุนหน้าใหม่ต้องเข้าใจ …?

นู๋นับเงิน : เพราะอะไรอ่ะคะ ?

Mr. Robot : เพราะเป็นปัจจัยในการตัดสินใจจะซื้อจะขายหุ้น เป็นตัวสะท้อนเทรนด์ / พฤติกรรมของการซื้อขายของตลาดหุ้น และสามารถใช้เป็นเครื่องมือที่เรียกว่า “การประเมินมูลค่าหุ้น” โดยการเปรียบราคาของตลาด ณ ปัจจุบัน กับมูลค่าที่แท้จริง

นู๋นับเงิน : อ่อ (พยักหน้างึกๆ)😶

Mr. Robot : หุ้นมีเยอะมากทั้งในไทยและต่างประเทศ แต่ที่ผมจะคัดเลือกมาอธิบาย และสาธิตให้ดูวันนี้จะเป็นกลุ่มของหุ้นกลุ่มเทคโนโลยีและกลุ่มนิคมอุตสาหกรรม

นู๋นับเงิน : ทำไมต้องเป็น 2 กลุ่มนี้อ่ะคะ

Mr. Robot : เหตุผลมีหลักๆ 2 ข้อน่ะครับ

1. หุ้นกลุ่มเทคโนโลยี นั้นมีผลตอบแทนในระดับเท่าตัวและกระแสของเม็ดเงินลงทุนที่ไหลเข้าอย่างต่อเนื่อง โดยในปี 2019–2021 มันเป็นกระแสใหม่ที่มาแรงและน่าลงทุนมากๆ แนะนำลองอ่านเพิ่มเติมได้ที่: https://thestandard.co/technology-stocks-drop/
2. หุ้นกลุ่มนิคมอุตสาหกรรม หุ้นกลุ่มนี้เหมือนเป็นตัวแทนของหุ้นที่ดำเนินธุรกิจมานาน และให้ผลตอบแทนและเม็ดเงินที่ดีมาโดยตลอด เราสามารถใช้เป็นตัวเปรียบกับหุ้นที่เป็นกระแสได้ อันนี้ไปอ่านเพิ่มเติมได้ที่: https://www.kaohoon.com/content/428616

Photo from: https://thestandard.co/technology-stocks-drop

นู๋นับเงิน : อ่อคุณ Robot จะหยิบยกหุ้นกลุ่มที่เป็นเทคโนโลยีกับหุ้นกลุ่มอุตสาหกรรมที่เป็นกระเเสนำมาวิเคาะห์นี้เอง

Mr. Robot : หนูเข้าใจถูกเเล้วแหละ ไปต่อกันเลยนะ

นู๋นับเงิน : ค่ะไปต่อเลย ตอนนี้หนูตื่นเต้นมากๆ

Session 3: Data preparation ก่อนทำ Machine Learning for Prediction

Mr. Robot : “เป้าหมาย(Target)” ของการศึกษาในวันนี้เราจะเอา Machine Learning มาใช้ในการเรียนรู้เรื่องกับราคาหุ้น วิเคราะห์ราคาหุ้น และให้ Machine Learning ช่วยเราพยากรณ์ว่าจะได้ผลตอบแทนที่พวกเราอยากได้กันอย่างไรได้บ้าง

นู๋นับเงิน : โอ้โห ตอนนี้ตื่นเต้นสุดแล้วล่ะคร่าาาา ทำอย่างไรบ้างคะ?😃

Mr. Robot : เราจะเริ่มกันที่ Data collection and preparation

นู๋นับเงิน : มันคืออะไรอ่ะคะ

Mr. Robot: มันคือการรวบรวมข้อมูลและการเตรียมข้อมูลให้กับ ML ของเราไง โดยการหา data ผมจะเข้าไปดึงข้อมูลจาก https://www.setsmart.com เพื่อหาข้อมูลเกี่ยวกับตลาดหุ้น ซึ่งเราเลือกจะศึกษาหุ้นดังกล่าวใน SET50

นู๋นับเงิน : หนูรู้คร่า SET50 คือหุ้นขนาดใหญ่ พื้นฐานดีและผ่านกฎเกณฑ์ที่เข้มงวดของตลาดหลักทรัพย์ มีความปลอดภัยเมื่อเทียบกับหุ้นตัวอื่นๆ

Mr. Robot: ใช่เเล้ว เราเองก็พอมีความรู้เหมือนกันหนิ โอเค…จากนั้นเราก็จะ Export ไฟล์ excel หุ้น SET50 ทั้งหมดจาก Setsmart ในหัวข้อ Historical trading โดยต้องเลือกข้อมูลหุ้นทีละตัว เพื่อให้ได้ ratio ของ data ที่เราต้องการ

นู๋นับเงิน : แล้วเราจะเลือกหุ้นตัวไหนดีอ่ะคะ?

Mr. Robot : ลองพิจารณาจาก %ความเปลี่ยนแปลงการซื้อขายของ SET50 ในช่วง 1 ปีที่ผ่านมา จากกราฟด้านล่างนี้ดูสิ

เห็นไหมว่าในช่วง 1 ปีที่ผ่านมา หุ้นกลุ่มเทคโนโลยี(Tech:กราฟสีแดง) และหุ้นกลุ่มนิคมอุตสาหกรรม(Indus:กราฟสีเขียวอ่อน) มีอัตราเพิ่มขึ้น

นู๋นับเงิน : อ่าค่ะ เห็นค่ะคุณ Robot

Mr. Robot : ดีมาก งั้นต่อไปผมจะเลือก prediction หรือการทำนาย จากตัวอย่างจากหุ้น 2 กลุ่มนี้ในตารางด้านล่างนี้

นู๋นับเงิน : หนูเห็นมีหุ้นชื่อ Delta , Advance , DTAC, Intuch ,IVL , PTTGC , SCGP

Mr. Robot : ใช่เเล้วหุ้นพวกนี้คือ 2 กลุ่มที่เราพูดมาก่อนหน้านี้ และก็เพื่อเป็นตัวอย่างให้หนูเข้าใจการทำงานของ ML ที่มาประยุกต์ใช้มากขึ้นไง

นู๋นับเงิน : หนูเริ่มตื่นเต้นอีกครั้งเเล้วค่ะ คุณ Robot😍

Mr. Robot : ดีใจนะที่หนูตื่นเต้น เเต่นี้ยังไม่ใช่ไฮไลท์เลย จากการที่ผม Export ไฟล์ excel เลือกเฉพาะหุ้นกลุ่มเทคโนโลยีและกลุ่มนิคมอุตสาหกรรม มาเพื่อ predict ราคาหุ้นจะได้หน้าตาประมาณนี้

นู๋นับเงิน : โอ้โหว ข้อมูลเยอะมากๆ ทั้งหมดนี้ตัว Machine เขาจะเข้าใจเหรอคะ

Mr. Robot : เข้าใจสิ เเต่เราต้องสอนเขาและทดสอบเขาด้วยนะ

นู๋นับเงิน : สอนยังไง-ทดสอบยังไงคะ?

Mr. Robot : ผมจะต้องทำการ coding เพื่อสอนเเละทดสอบเขาน่ะ

นู๋นับเงิน : เดี๋ยวนะคะคุณ Robot จะทำโค้ดดิ้งอะไรเขาล่ะคะเนี่ย หนูจะเข้าใจไหมคะเนี่ย?😢

Session 4: ตะลุย Machine Learning กันเลย

Mr. Robot : ใจเย็นๆนะ เอาเป็นว่าวันนี้นู๋นับเงินฟังผมให้เข้าใจคอนเซปต์ผมก็พอใจเเล้ว…. เริ่มล่ะนะ

นู๋นับเงิน : สู้ๆคร่าาาาาา !!!😁

Mr. Robot: ขั้นตอนในการทำโมเดลการทำนายราคาหุ้น (machine learning for prediction) ประกอบด้วยขั้นตอนดังต่อไปนี้

1. Data Preparation
2. Feature Extraction
3. Model Training and testing
4. Model Evaluation
5. Model Deployment

นู๋นับเงิน : มีหลายข้อจังค่ะ แล้วรายละเอียดเป็นอย่างไรบ้างคะ?

Data preparation

Mr. Robot: ขั้นตอนแรกคือการ import and transform data คือการดึงข้อมูลที่ใช้ในการทำโมเดลโดยใช้ Library matplotlib หลังจากนั้นการจัดการทำความสะอาดข้อมูล เช่น เปลี่ยน columns เก่าจาก Unnamed โดยใส่ชื่อ columns ใหม่

นอกจากนี้ ข้อมูลหุ้นเป็นข้อมูลที่เก็บในช่วงเวลาย้อนหลัง 1 ปี (พฤษภาคม 2020 — พฤษภาคม 2021) เป็นข้อมูลที่แปรผันตามตัวแปรที่หลากหลาย ในช่วงเวลาหนึ่งๆ (Time series) เช่น ตัวแปรทางการเมือง ตัวแปรทางเศรษฐกิจ ในช่วงเวลานั้นๆ เป็นต้น ดังนั้นเพื่อให้วิเคราะห์ข้อมูลง่าย และชัดเจน จึงจำเป็นต้องแยก trend pattern ออกมาวิเคราะห์ทีละส่วน โดยใช้วิธีการที่เรียกว่า “Time series decomposition”

ตรงนี้หนูไปอ่านเพิ่มเติมได้ในลิงค์นี้นะ https://blog.datath.com/time-series-forecasting/#bth_thi_6_Time_series_decomposition

นู๋นับเงิน : แล้วเราจะแบ่งข้อมูลอย่างไรหรอคะ data decomposition?😊

Mr. Robot : เอาอย่างนี้นะ ลองดูกราฟข้างล่างเป็นกราฟของหุ้น IVL

1. Observed pattern คือ ข้อมูลหุ้นที่พวกเราเก็บมา
2. จากนั้นแยกข้อมูลออกเป็น 3 ส่วนคือ

• Trend pattern เป็นแนวโน้มข้อมูลที่แท้จริงของหุ้น
• Seasonal pattern เป็นรูปแบบข้อมูลที่มี pattern ซ้ำ เป็นช่วงๆ
• Residual pattern เป็นข้อมูลค่าความผิดพลาด

Observed — (Trend + Seasonal) = Residual

หมายเหตุ : ความถี่ในการดูแนวโน้มข้อมูลของหุ้น เราใช้ 7 วัน เนื่องจากเราลองจัดข้อมูลดูเป็น 30 วัน 60 วัน และอื่น ๆ แล้วพบว่า เกิด error ค่อนข้างมาก และไม่ค่อยเห็น pattern ที่ชัดเจนเท่า 7 วัน

นู๋นับเงิน : โหวแยกข้อมูลออกเป็นชุด ๆ เห็น trend ของข้อมูลเลยค่ะ แล้วเราต้องเอาไปทำอะไรต่อหรอคะ?

Feature Extraction

Mr. Robot : เราต้องมาแยกลักษณะของข้อมูลเพื่อใช้เป็นตัวแปรในการ train model ที่เรียกว่า Feature Extraction อย่างที่เราคุยกันเนอะว่า ราคาหุ้นเป็นตัวแปรสำคัญในการวิเคราะห์ เราเลยเอาตัวเนี่ยแหละมาเป็น feature ที่ใช้ตัวเดียว และ machine learning model ที่เราจะเอามาทำนายจะใช้ Linear Regression เพื่อทำนายแนวโน้มราคาหุ้นในอนาคต (เสียงแอคโค่) เป็นเชิงเส้น เหตุผลที่ใช้ feature (ราคาหุ้น) ตัวเดียว เนื่องจากไม่ต้องการให้ model overfit จนเกินไป

Photo from https://medium.com/mmp-li/under-fitting-over-fitting-ปัญหาที่มองไม่เห็นแต่สัมผัสได้ว่ามี-4c694bffc06

นู๋นับเงิน : แล้วมันต้องจัดข้อมูลราคาหุ้นที่เราได้มาในรูปแบบ feature ยังไงหรอคะ?

Mr. Robot : คืองี้ครับ เราจะเอาราคาหุ้นมาเรียงต่อๆ กัน เป็นชุด ๆ โดยใน model ที่ผมทำขึ้นมาผมอยากเอา ราคาหุ้นของวันที่ 1–6 มาเป็น feature และเอาราคาหุ้นของวันที่ 7 เป็น target หรือ ผลลัพธ์ของการทำนาย (Time-lag Features)

นู๋นับเงิน : แล้วค่า NaN คืออะไรหรอคะ

Mr. Robot : เป็นค่าว่างเปล่า หรือไม่มีราคาหุ้นครับ คือการเรียงราคาหุ้นทีละ 7 วันเนี่ย มันก็จะมีบางวันที่เป็นวันหยุดนักขัตฤกษ์ หรือวันเสาร์อาทิตย์ ตลาดหุ้นไม่เปิด ค่าราคาหุ้นก็เลยไม่มีไงล่ะ

นู๋นับเงิน : อย่างนี้ ค่า NaN ก็ไม่สามารถทำนายราคาหุ้นได้ใช่ไหมคะ มันจะทำให้โมเดลคำนวณถูกไหมคะ?

Mr. Robot : ใช่แล้วล่ะ ดังนั้นเราจะลบ row หรือข้อมูลชุดนั้นออก ไม่ใช้ในการ train model ครับ ให้เหลือแต่ชุดข้อมูลที่มีราคาหุ้นเท่านั้น

Mr. Robot: ไหวไหมเนี่ย!! นู๋นับเงิน

Model training and testing

นู๋นับเงิน : ยังไหวค่ะ(ตอบเสียงอ่อยๆ^^) แล้วขั้นตอนต่อไปคือทำโมเดลแล้วใช่ไหมคะ?

Mr. Robot : ถูกต้องล่ะครับ 555 การจะสร้าง Linear Regression model เราจะต้องแบ่งกลุ่มของข้อมูล feature ที่เราจัดเตรียมมาเป็น 2 ชุดคือ training data และ testing data ใน model ของผมกำหนดอัตราส่วน 80:20 ครับ

นู๋นับเงิน : เพื่ออะไรหรอคะ?

Mr. Robot : เพื่อทดสอบความถูกต้องของข้อมูล อย่างไรล่ะ จะอธิบายพร้อม กราฟเลยดีกว่า เส้นกราฟที่เห็นคือแนวโน้มราคาหุ้นของ Linear Regression model ที่ใช้ข้อมูล feature เส้นสีฟ้าคือใช้ข้อมูล training ให้ machine learning สร้างสมการ Linear Regression ขึ้นมา ส่วนเส้นสีส้มคือเอาข้อมูล testing มารันบน model ที่สร้าง แล้วดูว่าแนวโน้มของราคาเป็นอย่างไร

จากกราฟ :

• เส้นสีฟ้า= ใช้ข้อมูล training ในการสร้างโมเดล
• เส้นสีเเดงส้ม = ใช้ข้อมูล testing เพือทดสอบความถูกต้องของโมเดล

จากนั้น เราสร้าง prediction model ออกมาเป็น 2 model คือ

1. prediction
2. prediction + seasonal data (ผมเอา seasonal มาใส่ด้วย โดยวิธีการ decomposition ที่แยก seasonal pattern ออกมา)

• Observed(เส้นสีฟ้า) : ราคาหุ้น prior ของ IVL
• Prediction(เส้นสีส้ม) : การพยากรณ์โดยไม่ได้ใส่ผลกระทบทาง seasonal หรือค่า error ที่เกิดจากปัจจัยอื่นๆ ซึ่งเส้น prediction นี้ได้นำค่า MSE มาประเมินร่วมด้วย
• Prediction + Seasonal(เส้นสีเขียว) : เป็นการพยากรณ์โดยใส่ค่า seasonal เพื่อเพิ่มปัจจัยที่อาจเกิดขึ้น ในการพยากรณ์ราคา Prior ของหุ้น ซึ่งเส้นสีเขียวนี้ได้นำค่า MSE มาประเมินร่วมด้วย

และสิ่งที่สำคัญของการทำ model คือวัดค่าถูกต้อง ✔ / ประสิทธิภาพ(Performance) ของ Linear Regression(สมการเชิงเส้นตรง) เราเลือกใช้ MSE : Mean Square Error แต่ 😡 ❗❗❗ ข้อควรระวังคือ ค่านี้ค่อนข้างจะ sensitive กับ outlier หากข้อมูลนั้นมี outlier เยอะ อาจต้องพิจารณาเลือกใช้ Metrics (ค่าวัด)อื่น

หากต้องการศึกษาเพิ่มเติมผมแปะลิงค์นี้ไว้ให้นะครับ: https://www.bualabs.com/archives/1928/what-is-mean-absolute-error-mae-mean-squared-error-mse-root-mean-squared-error-rmse-loss-function-ep-2

Model Evaluation

Mr. Robot : และแล้วววววว……เราก็มาถึงขั้นตอนสุดท้าย แต่ยังไม่ท้ายสุด หลังจากที่เรานำข้อมูลด้าน prediction และ prediction+seasonal ที่ผ่านการ train มาแล้ว รอบนี้เราจะมาประเมินผลลัพธ์กันดีกว่า (Model Evaluation)

นู๋นับเงิน : เย้ๆ ได้เวลาประเมิน แต่เราจะทำไงอ่ะคะ แหะๆ🤗🤗

Mr. Robot : การประเมินผลลัพธ์ก็คือ เราจะนำข้อมูลในขั้นตอนการ test model มาประเมินเพื่อดูผลลัพธ์ว่า model ที่เราทำขึ้นมานี้มีความแม่นยำ หรือ Error หรือไม่

หากดูจากกราฟด้านล่าง “IVL Prior: All Prediction” กราฟ prediction(สีส้ม) และกราฟ Prediction+Seasonal ที่ผ่านการ Evaluate นี้ล้อไปตามเส้นสีฟ้า หรือ Observed(ราคา prior จากข้อมูลจริง) แล้วเราได้ประเมินค่า MSE เพื่อดูค่า Error ที่อาจเกิดขึ้นในการทำนายข้อมูลด้วย ซึ่งค่า

Prediction+Seasonal จะมีค่าแม่นยำมากกว่า ดูจากค่า MSE = 0.39 เทียบกับ Prediction มีค่า MSE = 0.42

Session 5: สรุปผลและการนำไปต่อยอด

Mr. Robot : มาถึงตรงนี้เเล้วเป็นไงเห็นภาพขึ้นไหม?

นู๋นับเงิน : เห็นเลยค่ะ แบบนี้เราก็สามารถปรับใช้เพื่อทำนายทิศทางราคาหุ้นในอนาคตได้ใช่ไหมคะ?

Mr. Robot : ได้สิ ลองดูตัวอย่างหุ้น IVL จากกราฟนี้สิ

จากกราฟเส้นสีเขียวที่ทำนายแนวโน้มของราคาในอนาคตเทียบกับเส้นสีส้มที่เป็นเส้นกราฟจากการที่เราทดสอบค่าของราคาหุ้น เราจะเห็นว่าเป็นแนวโน้มราคาที่ขึ้นเช่นเดียวกัน แต่ก็มีความแตกต่างของราคาหุ้นอยู่นะ ตรงนี้ หากนู๋นับเงินนำไปประยุกต์ใช้ต้องพึงระวังในส่วนนี้ให้ดีๆนะ

นู๋นับเงิน : ทั้งๆที่กราฟก็ไปในแนวเดียวกันเเต่ทำไม ถึงต่างกันขนาดนั้นล่ะคะ ?

Mr. Robot : ไม่แปลกหรอกที่มันจะต่างกัน เพราะมันทำนายในอนาคตซึ่งหลักการทำนายราคาที่เราเห็น มันจะนำราคาในอดีตมาทำนายอนาคต 1 วันซึ่งค่าที่ได้จากวันนี้ก็นำไปทำนายในวันต่อๆไปอีก ดังนั้น ยิ่งเราทำนายไปไกลๆมากเท่าใด โอกาสที่ข้อมูลราคาหุ้นจะสะสมค่าแตกต่างของราคาก็ยิ่งมีมากเท่านั้น

นู๋นับเงิน : อ๋ออย่างนี้นี้เอง ขออีกคำถามค่ะ ถ้าจะนำไปปรับใช้งานจริงหนูควรทำอย่างไรคะ?

Mr. Robot : ผมขอพูดคร่าวๆก็เเล้วกัน เดี๋ยวตรงนั้นอาจจะไกลตัวหนูไปมาก คือ ก็ต้องนำข้อมูลสำหรับไปทำ API ต่อไปอ่ะครับ

นู๋นับเงิน : อ่าเหรอคะ อืมตรงนั้นคงจะ advanced ขึ้นสินะคะ แต่ตั้งแต่ต้นจนถึงตอนนี้หนูเข้าใจคอนเซปต์การประยุกต์ใช้ Machine learning กับการทำนายราคาหุ้นมากขึ้นเยอะเลยค่ะ

Mr. Robot : เเค่หนูเข้าใจผมก็ดีใจเเล้ว ก่อนจบผมอยากฝากไว้ “ไม่มีเครื่องมือใดๆในโลกที่จะดีเกินกว่าเครื่องมือที่เรียกว่าความรู้ หากเป็นเรื่องการลงทุนความรู้ ประสบการณ์ และการควบคุมจิตใจของหนูเองต่างหากที่จะเป็นสิ่งที่สำคัญที่สุด ส่วนอื่นๆล้วนเเต่เป็นสิ่งที่เสริมมาประกอบการตัดสินของหนูเองก็เท่านั้น”

นู๋นับเงิน : หนูจะจำไว้ค่ะ😚

Mr. Robot : ดีมาก ขอให้โชคดีนะ เข้ามาดูผลลัพธ์เพิ่มเติมใน Colab ผมได้เลย

นู๋นับเงิน : โอเคคร่าาาาา ขอบคุณคุณ Robot มากๆเช่นกันค่ะ (ยิ้มตามีประกาย)🤩

Google Colaboratory

<DSE#3 กลุ่ม 3> สมาชิกประกอบด้วย

Witthawin (Ro)

Saran (Max)

Tanapon (Benz)

Lapadrada (Nice)

Pimnara (Lin)

Pimnara (Som)

Nattacha (My)

Nattapat (Robin)

Montri (Lek)

Satanun (Fai)

Siriyaporn (Firth)

Tanachat (Heartbeat)

Wiruj (X)

Thanisa (Mint)

Prodpran (Pom)

Jakkrit (X)

Tem

Kuppakorn(nut)