Image for post
Image for post

AI วิเคราะห์หุ้น ลุ้นให้สุดแล้วค่อย…หวัดดีเบล 😍

DSE2.G8
DSE2.G8
Jan 5 · 10 min read

ปล. : หวัดดีเบล = วลีบอกรักสุดฮิต เอาไว้เนียนพูดกะคนที่แอบชอบ

Disclaim : บทความนี้จัดทำขึ้นเพื่อความสุขและอรรถรสในการเรียนรู้

The 3rd Project | Trend Forecasting

Botnoi AI & Data Science Classroom II #Group 8

แนะนำสมาชิกทีม DSE#2 / G8

Image for post
Image for post

เมื่อ AI เข้ามามีบทบาทในโลกการเงินและการลงทุน

ผลสำรวจทางออนไลน์ปี 2019 และ ปี 2020 ของ บริษัท เจพี มอร์แกน (J.P. Morgan : “E-Trading survey 2019 & 2020”) บริษัทวาณิชธนกิจอันดับต้นๆ ของโลก

กล่าวว่า

AI และ Machine Learning จะเป็นเทคโนโลยีสำคัญ ที่มีอิทธิพลส่งผลอย่างมากต่ออนาคตของการซื้อขายหลักทรัพย์ในตลาดหุ้น

หมายเหตุ : J.P. Morgan is a global leader in financial services, offering solutions to the world’s most important corporations, governments and institutions in more than 100 countries.

Image for post
Image for post
https://www.jpmorgan.com/solutions/cib/markets/etrading-trends-2019
Image for post
https://www.jpmorgan.com/solutions/cib/markets/e-trading-2020

อยู่ๆ ทำไมนักเรียน Data Science อย่างพวกเรา DSE2#G8 ถึงวาร์ปมาพูดถึงเรื่องธุรกิจการเงินและการลงทุน?

อนุกรมเวลา

คุณเคยได้ยินคำนี้กันไหมคะ…

อนุกรมเวลา อาจจะเป็นคำคุ้นเคยของหลายๆท่านที่เรียนด้านคณิตศาสตร์, สถิติ ฯลฯ

แต่สำหรับบางท่าน…ก็อาจจะสงสัยว่าคำๆนี้ มันมีบทบาทอะไรในชีวิตเราล่ะ?

ทำไมต้องรู้จักสิ่งนี้ด้วยยยย 😨😨😨

ข้อมูลแบบอนุกรมเวลา หรือ Time Series คืออะไร?

แล้วทำไมคนเล่นหุ้น และคนที่เรียน Data Science ควรจะต้องทำความสนิทสนมกับเจ้าสิ่งนี้?

ข้อมูล Time Series

หรือที่เรียกในภาษาไทยให้มีความปังปุริเย่ว่า “อนุกรมเวลา” 😎

คือ ข้อมูลที่เปลี่ยนแปลงไปตามเวลา 🕑 เช่น ค่าเงินบาทไทยเทียบกับสหรัฐอเมริกา, ราคาหุ้น, ยอดขายไอศกรีมรายวัน, จำนวนสินค้าที่ผลิตได้ในแต่ละเดือน, ข้อมูลรายได้ประชาชาติปีต่าง ๆ ฯลฯ

ความแตกต่างของข้อมูลแบบ Time Series กับข้อมูลทั่วๆไป คือ

ข้อมูล Time series นั้นมี feature ในส่วนที่เกี่ยวข้องกับ เวลา เข้ามาเกี่ยวข้อง ได้แก่

  • แนวโน้ม (Trend) คือ การเคลื่อนไหวของข้อมูลที่ต่อเนื่องกันในระยะยาวอย่างชัดเจน ไม่ว่าจะขึ้นหรือลง และลักษณะแนวโน้ม นั้นอาจจะมีแนวโน้มเป็นเส้นตรงหรือเส้นโค้งก็ได้
  • ฤดูกาล (Seasonal) คือ การเปลี่ยนแปลงของข้อมูลที่เกิดขึ้นเนื่องจากอิทธิพลของ ฤดูกาล หรือช่วงเวลา ซึ่งจะเกิดขึ้นในช่วงเวลาเดียวกันซ้ำๆ อาจจะเป็น รายเดือน รายไตรมาส หรือรายปีก็ได้
  • วัฏจักร (Cyclical) คือ การเคลื่อนไหวของข้อมูลที่มีลักษณะวนซ้ำ คล้ายกับ Seasonal แต่มีระยะเวลารอบนานกว่า เช่น 4 ปี หรือ 10 ปี
  • มีความผิดปกติ (Irregular) คือ เป็นเหตุการณ์ที่ผิดไปจากปกติ การเคลื่อนไหวของข้อมูลที่ไม่มีรูปแบบแน่นอน หรือเกิดขึ้นโดยไม่ได้มีการคาดการณ์ไว้ล่วงหน้า

เนื่องจากข้อมูลทางธุรกิจนั้นมีการเปลี่ยนแปลงตลอดเวลา

การแข่งขันที่สูงและเข้มข้นในโลกธุรกิจ ส่งผลให้ผู้นำองค์กรหรือนักวางแผนการลงทุนด้านต่างๆ ต้องคิดค้นหากลยุทธใหม่ๆตลอดเวลาเช่นกัน

เทคนิคอย่างหนึ่งที่ใช้ช่วยในการควบคุมการดำเนินการในปัจจุบันและนำมาใช้ในการวางแผนความต้องการในอนาคต คือ การพยากรณ์ ( forecasting)

การพยากรณ์ (Forecasting) หมายถึงการคาดการณ์เหตุการณ์ในอนาคต ถ้าพิจารณาใน มุมมองของนักธุรกิจ ก็จะหมายถึงการพยากรณ์ยอดขายสินค้าของตนเอง, พยากรณ์อัตราดอกเบี้ยเงินกู้, พยากรณ์ราคาสินค้าของคู่แข่ง, พยากรณ์ปริมาณการใช้วัตถุดิบ ฯลฯ

ถ้าเป็นนักการเงินจะหมายถึงการพยากรณ์ราคาหุ้น, พยากรณ์อัตราผลตอบแทนของหลักทรัพย์

หรือถ้าเป็นนักเศรษฐศาสตร์ ก็จะหมายถึงพยากรณ์อัตราการเจริญเติบโตทางเศรษฐกิจ, พยากรณ์อัตราเงินเฟ้อ, พยากรณ์อัตราการว่างงาน

ตัวอย่างกราฟ Time Series จาก http://www2.fpo.go.th/S-I/Source/ECO/ECO24.htm

การพยากรณ์นั้นทำได้หลายวิธี แต่ละวิธีต่างมีเป้าหมายเดียวกัน คือ ทำนายเหตุการณ์ในอนาคต

ซึ่งเมื่อนำข้อมูลที่เป็น Time series เหล่านี้ มาใส่ในโมเดลที่เราจะใช้ทำนาย จะทำให้ผลการพยากรณ์ออกมาแม่นยำมากขึ้น

หนึ่งในกลุ่มผู้ที่คลุกคลีกับการเห็นข้อมูล และใช้ประโยชน์จากข้อมูลกลุ่ม Time Series บ่อยๆ ก็คือนักลงทุนในหุ้นนั่นเอง

เราสามารถใช้ Time Series Forecast ในการทำนายราคาหุ้นในอนาคตได้

ด้วยการประมาณราคาหุ้นนั้น

โดยอาศัยแนวโน้มของราคาหุ้นในอดีตช่วงเวลาหนึ่ง(ตัวอย่างเช่น 14 วัน) ถ้าแนวโน้มปัจจุบันยังคงดำเนินต่อ ก็จะสามารถประมาณราคาหุ้นในอนาคตโดยใช้ Time Series Forecast ได้

แล้วคลาสเรียน Data Science Essential II จะเล่นกับข้อมูลชุดนี้อย่างไร?

ไม่มีอะไรมาก ก็เพราะเรากำลังเรียนเรื่อง Time Series Forecasting กันอยู่

ในเมื่อเรียนทฤษฎีแล้ว อะไรจะไปมันส์เท่าการลงมือซื้อหุ้น

เอ้ย!!! พยากรณ์หุ้นละจ้ะ 🤣🤣🤣🤣🤣

ในบทความนี้เราจะพาทุกท่านไปสนุกและลุ้นกับการทดลองนำข้อมูลกลุ่ม Time Series มาช่วยสร้าง AI สำหรับใช้ในการวิเคราะห์หุ้น

โดยจะเป็นการหาแนวโน้มเพื่อซื้อขายหุ้นเก็งกำไรในระยะสั้น

และครั้งนี้ นักเรียนทุกกลุ่มในคลาส Data Science Essencial II จะได้แปลงร่างเป็นเสมือนที่ปรึกษาทางด้านการลงทุน

โดยมี AI เป็นเครื่องมือช่วยคัดกรองและวิเคราะห์หุ้น

ผสานกับมันสมองมนุษย์จากทีมงานของแต่ละกลุ่ม ที่จะนำ Data ทั้งหมดมาประมวลและตัดสินใจในการเลือกหุ้นตัวที่คาดว่าจะทำกำไรตามเงื่อนไขได้ดีที่สุดออกมา

ดร.วินน์ (CEO บอทน้อย) จะสวมบทบาทเป็นนักลงทุน ทำการซื้อขายหุ้นตัวที่เราคัดเลือกให้จริงๆ ในตลาดหลักทรัพย์

เงินลงทุนจริง💵

กำไรจริง💰

ขาดทุนจริง💸

(ได้กำไรมีเฮ😎… ขาดทุนมีโฮ 😅)

เงื่อนไขการพยากรณ์เพื่อซื้อขายหุ้นในครั้งนี้ คือ

  1. มีระยะเวลาให้ทำการสร้าง AI สำหรับวิเคราะห์หุ้นประมาณ 2 สัปดาห์😱
  2. ให้เลือกหุ้นโดยอ้างอิงการเรียนรู้จากกระบวนการ Data science และนำ Machine Learning มาใช้ในการวิเคราะห์
  3. เลือกหุ้นที่อยู่ใน SET100 โดยมูลค่าหุ้นต้องไม่เกิน 200 บาทต่อหุ้น เนื่องจากจำกัดการซื้อที่งบ 20,000 บาท/กลุ่ม
  4. ส่งรายชื่อหุ้นที่เลือกภายในวันที่ 29 ธ.ค. 2563
  5. จะทำการซื้อหุ้นตัวที่เลือกแบบ ATO ในวันจันทร์ ที่ 4 มกราคม 2564
  6. และขายหุ้นแบบ ATO ในวันจันทร์ ที่ 11 มกราคม 2564 (เท่ากับต้องคำนวณว่าหุ้นตัวไหนจะทำกำไรได้ภายในช่วง 7 วัน ที่กำหนด)

แล้วหุ้นคืออะไร ทำเงินให้เราได้ยังไง?

Image for post
Image for post

โอ้…การลงทุนในหุ้นมันสามารถทำเงินให้เราได้ด้วยหรือ?

วิธีการหนึ่งที่ทำให้คุณเป็นเจ้าของกิจการได้ โดยไม่ต้องเหนื่อยลงทุนดูแลกิจการเองทั้งหมด นั่นคือการ ลงทุนในหุ้น

ลงทุนในหุ้นคืออะไร?

มาทำความเข้าใจผ่านภาพ infographic จากเว็บไซต์ของตลาดหลักทรัพย์แห่งประเทศไทยกันค่ะ 😎

Image for post
Image for post
Image for post
Image for post

ATO : At The Open เป็นคำสั่งซื้อขายเมื่อเวลาตลาดหลักทรัพย์เปิดทำการ โดยต้องส่งคำสั่งซื้อขายเข้าไป ก่อนตลาดเปิดคือ ช่วงเช้าก่อนเวลา 10.00น. และช่วงบ่ายก่อน เวลา14.30น.โดยกำหนดให้ระบุคำสั่งเป็นจำนวนหุ้นที่ต้องการสั่งซื้อขายเท่านั้น

Image for post
Image for post
Image for post
Image for post

ลักษณะการซื้อขายหุ้นในช่วงเวลาสั้นๆแบบนี้ก็จะเข้าข่ายเป็นการซื้อขายหุ้นแบบระยะสั้นถึงสั้นมาก (Trading)
ซึ่งอาศัยความผันผวนขึ้นลงของราคาหุ้นในช่วงสั้นๆ
จัดเป็นสไตล์การเลือกหุ้นเก็งกำไร (Speculative Stock)

Image for post
Image for post

แล้วทำไมต้องใช้ AI มาช่วยวิเคราะห์หุ้นด้วยล่ะ?

Pain Point ของการลงทุนในหุ้น

จะเรื่องอะไรซะอีก…ก็เรื่องเดิมๆ ปริมาณข้อมูลอันมหาศาลที่ต้องนำมาวิเคราะห์ไง 🤣🤣🤣

ในความเป็นจริงถ้าเราจะลงทุน เราคงต้องวิเคราะห์หุ้นแต่ละตัวอย่างละเอียดยิบ

ไม่ว่าจะเลือกวิเคราะห์การลงทุนแนวเทคนิค(Technical Analysis) ก็ต้องขยันดูกราฟทุกวัน พร้อมกับศึกษาประวัติย้อนหลังการซื้อขายหุ้นนั้นๆ

เลือกเป็นนักลงทุนสายวิเคราะห์พื้นฐานการลงทุนแนวเน้นคุณค่า (Value Investment : VI) ก็ต้องวิเคราะห์ ผลประกอบการของบริษัทจดทะเบียน วิเคราะห์ขีดความสามารถในการแข่งขัน ประเมินระดับความเสี่ยงในการลงทุน นี่ยังไม่นับว่าจะต้องมีความเข้าใจภาพใหญ่ของเศรษฐกิจ เพื่อนำมาอ่านเกมของนักลงทุนคนอื่นๆที่อยู่ในตลาดอีกด้วย

ไหนจะข้อมูลข่าวสารที่ถาโถมเข้ามาปั่นป่วนหุ้นแต่ละตัวในตลาด (ในตลาดหลักทรัพย์มีหุ้นอยู่ไม่มากหรอก ก็แค่ประมาณ 700–800 ตัว เอ๊งงง…ร้องห้ายย 😭)

น้ำหยดลงหิน ทุกวันหินมันยังกร่อน….จิตใจนักลงทุนอ่อนๆ แล้วใครมันจะไปทนไหว

เมื่อทนแรงกดดันจากข้อมูลไม่ไหว ก็อาจตัดสินใจด้วยความกลัว หรือ ความโลภ

หรือแม้แต่การไม่มีเวลามานั่งวิเคราะห์หรือดูแลการลงทุนด้วยตัวเองตลอดเวลา ก็ทำให้พลาดได้เช่นกัน

เพราะราคาหุ้นนั้นขึ้นอยู่กับหลายปัจจัย และไม่ได้สะท้อนอยู่ในราคาทั้งหมด

สุดท้ายก็จะเกิดข้อผิดพลาดจากความเป็นมนุษย์

ถ้าแค่บาทสองบาทหายไปก็คงไม่เท่าไหร่

แต่บางคนอาจถึงขั้นสูญเสียในระดับหลักล้านบาท แค่เพียงชั่วพริบตา

ที่ช้าเกินไป…

จะดีแค่ไหนถ้าคุณจะมีผู้ช่วยในการวิเคราะห์การลงทุนที่ฉลาดล้ำและทำงานให้ได้ตลอดเวลา

AI วิเคราะห์หุ้น…G8#AI

(คั่นโฆษณาขายของกันนิส…ซื้อ G8#AI ไปเลี้ยงซักตัวไหมคะ 😚😚🤣🤣🤣)

Image for post
Image for post
สนใจ G8#AI ติดต่อ บริษัท บอทน้อยคอนซัลติ้ง จำกัด

ตื้ดๆ…ขณะนี้ระบบสั่งจอง G8#AI เต็มทุกคู่สาย

กรุณาอ่านบทความรอสักครู่ค่ะ 😍😍😍😍

ก่อนอื่นคงต้องเลือกกันก่อนว่าเราจะใช้แนวคิดการวิเคราะห์แบบไหน มาสอนให้กับเจ้า AI#G8 ของเราได้เรียนรู้

พวกเราทีม G8 เลือกที่จะใช้เทคนิคการวิเคราะห์ร่วมกัน 2 รูปแบบ คือ

1.การวิเคราะห์การลงทุนแนวเทคนิค (Technical Analysis) ที่มีตัวชี้วัด (Indicator) คือ SMA, RSI และ Bollinger Bands

2.การวิเคราะห์การลงทุนแนวเน้นคุณค่า (Value Investment : VI) ที่ต้องรู้ปัจจัยพื้นฐานที่มีผลต่อหุ้นแต่ละตัว

แล้วจะสร้าง AI ด้วยโมเดลตัวไหนดีล่ะ?

จุดแข็งของการสร้าง AI คือ การมีอัลกอริทึมที่ชัดเจนและสามารถทำให้คอมพิวเตอร์เข้าใจสิ่งที่เราต้องการให้เรียนรู้ได้มากที่สุด

ในหนึ่งปัญหาที่เกิดขึ้นย่อมมีหลายอัลกอริทึมสำหรับใช้ในการแก้ปัญหา

G8#AI จึงถูกสร้างด้วยระบบโมเดลที่ซ้อนกันอยู่ถึง 2 รูปแบบ

โดยเราจะใช้ deep learning โมเดล Long Short Term Memory (LSTM)

ในขณะเดียวกันก็จะทำการปรับกลยุทธของตัว LSTM ให้ดีขึ้นเรื่อยๆ ด้วยการใช้ Genetic Algorithm

ในเบื้องต้นเราจะสร้าง Neural Network ให้กับคอมพิวเตอร์เพื่อทำการเลียนแบบวิธีคิดของสมองมนุษย์ที่สามารถคิดแบบซับซ้อนได้

เวลาที่มนุษย์คิดแก้ไขปัญหาอะไรก็ตาม เซลล์ของระบบประสาทจะส่งสัญญาณหากัน เพื่อช่วยทั้งรับข้อมูล ประมวลผล และแสดงผลออกมาอย่างรวดเร็ว

เราจึงจะทำการสร้างโครงข่ายของสมองเทียม ( Artificial Neural Network) เพื่อให้คอมพิวเตอร์สามารถ

  • เรียนรู้ได้ด้วยตัวเอง (input layer)
  • และนำมาสร้างชุดความรู้ชุดใหม่ (hidden layer)
  • เพื่อหาคำตอบในการพยากรณ์จากสัญญาณนั้นๆ (output layer)

แต่เนื่องจากกลยุทธ์ในการเทรดหุ้นนั้น มีมากมายร้อยแปดพันเก้า

ดังนั้นจะต้องมีการเพิ่มขั้นที่สอง คือ การคัดเลือกกลยุทธที่ปรับตัวได้เด็ดสุด โดยการใช้ Genetic Algorithm

Genetic Algorithm (GA) : เป็นเทคนิคทางปัญญาประดิษฐ์อย่างหนึ่งที่ใช้ในการค้นหา, การเพิ่มประสิทธิภาพ และการเรียนรู้ (Search, Optimization, and Learning) ด้วยการเลียนแบบรูปแบบทฤษฎีวิวัฒนาการทางธรรมชาติของ ชาร์ลส์ ดาร์วิน

ชาร์ลส์ ดาร์วิน กล่าวไว้ในทฤษฎี วิวัฒนาการว่า

“สิ่งมีชีวิตที่อยู่รอดไม่ใช่สิ่งมีชีวิตที่แข็งแรงที่สุด

แต่เป็นสิ่งมีชีวิตที่สามารถตอบสนองต่อการเปลี่ยนแปลงได้ดีที่สุด”

It is not the strongest of the species that survive, nor the most intelligent, but the one most responsive to change. -Charles Darwin

นั่นคือธรรมชาติจะคัดสรรยีนที่เหมาะสมเพื่อให้สิ่งมีชีวิตอยู่รอดและมีความสามารถในการแก้ปัญหามากขึ้นในรุ่นต่อๆไป (ที่มาของการใช้คำว่า Genetic)

Image for post
Image for post
ชาร์ลส์ ดาร์วิน นักธรรมชาติวิทยา ชาวอังกฤษผู้นำเสนอทฤษฎีวิวัฒนาการ
Image for post
Image for post
ภาพจากเพจชีววิทยาครูคิง https://web.facebook.com/biokruking/

มาดู น้อนด๊อกแด๊ก หัดเดินกันนะคะ

Image for post
ภาพการนำ Genetic Algolithm มาใช้ในการพัฒนาประสิทธิภาพของ machine learning ยิ่งรอบการปรับตัวมีมากขึ้นวิวัฒนาการของตัว Machine learning ก็จะค้นหาทางแก้ปัญหาได้ดีขึ้น

Credit : Feature Selection using Genetic Algorithms in R (datascienceheroes.com)

GA นั้นเหมาะสำหรับใช้กับการวิเคราะห์ด้วยค่าพารามิเตอร์ทางการเงินจำนวนมากๆ (นั่นคือเงื่อนไขของลักษณะข้อมูลแบบ Time Series เพื่อพยากรณ์หุ้นที่เรากำลังทำอยู่)

เมื่อใส่ GA เข้าไปในระหว่างการทำ LSTM

GA จะทำการค้นหาคำตอบที่ดีกว่าเดิม และช่วยในการ Optimize model ให้ทำงานได้มีประสิทธิภาพมากขึ้น เพื่อคัดเลือกกลยุทธที่ตอบโจทย์ที่สุด

โดยเราจะนำ indicator กับ Feature มาเป็นส่วนนึงใน Parameter ร่วมกับการใช้ข้อมูลที่ผ่านมาในอดีต แล้วนำค่าแต่ละค่ามาคำนวณ

หาค่าความเหมาะสมที่มีโอกาสพัฒนาต่อไปได้

ในขณะที่คำตอบที่ไม่ดีจะโดนกำจัดทิ้ง ผ่านการสุ่มด้วยความน่าจะเป็นเป็นหลัก

GA จะช่วยหาทิศทางความเป็นไปได้สำหรับการลงทุนที่จะให้ผลกำไรมากที่สุด

ซึ่งอาจจะ stimulate ออกมาในเชิงกลยุทธต่างๆในการใช้หาจังหวะการซื้อขายหุ้น ทำให้เห็นสัญญาณที่เหมาะสมสำหรับทำการซื้อขาย, แนวโน้มตลาด และแนวโน้มปัจจุบันที่มีผลต่อตลาด

เกริ่นมาย้าวยาว…มาเตรียมลงมือทำกันดีกว่าค่ะ 😍

Library ที่จะนำมาใช้ในโปรเจคนี้

Image for post
Image for post
การนำเข้า Library

กำหนดทิศทางการทำงานตาม

Machine Learning Pipeline

  1. Get data
  2. Cleansing & transformation
  3. Feature engineer (Indicator)
  4. Prediction model
  5. Result + Visualization

สนใจศึกษาColab เพิ่มเติมได้ตามลิงค์นี้

Step 1 Get data

  • นำเข้าข้อมูลหลักทรัพย์โดยอ้างอิงจากรายชื่อบริษัทที่อยู่ใน SET 100 ทั้ง 100 บริษัท

ดึงข้อมูลหุ้นผ่าน API โดยเราจะดึงข้อมูลหุ้นผ่าน API ของYahoo Finance (finance.yahoo.com)โดยใช้ library pandas_datareader

ข้อมูลที่เราใช้จะเป็นข้อมูล ครึ่งปีหลังของปี 2563

Image for post
Image for post
ภาพการนำเข้าข้อมูล SET100

จะได้ List รายชื่อหุ้นดังนี้

Image for post
Image for post
รายชื่อหุ้นทั้ง 100 รายการ เรียงตามลำดับอักษร
  • ใช้ข้อมูล 3 ปีย้อนหลัง(2018–2020) โดยดึงข้อมูลตั้งแต่ วันที่ 1 มกราคม 2561–25 ธันวาคม 2563
  • บริษัทที่เข้าจดทะเบียนทำการซื้อขายในตลาดหลักทรัพย์ตั้งแต่หลังวันที่ 1 มกราคม 2561 วันเริ่มต้นในการดึงข้อมูล จะยึดวันเริ่มทำการซื้อขายจริงในตลาดหลักทรัพย์
  • ข้อมูลสำคัญที่ ดึงมา ของหุ้นแต่ละตัว ประกอบด้วย

🌐 วันซื้อ-ขาย

💚 ราคาซื้อขาย สูงสุด(High) รายวัน

🔴 ราคาซื้อขาย ต่ำสุด(Low) รายวัน

🔛 ราคาเปิดตลาด (Open) รายวัน

🔚 ราคาปิดตลาด (Close) รายวัน

🛒 ปริมาณการซื้อขาย(Volume) รายวัน

🔣 Adj close รายวัน คือราคาที่หักทุกอย่างแล้วทั้งปันผล แตกพาร์ ฯลฯ ซึ่งเราจะใช้เป็นราคาดัชนีที่อ้างอิงผลการลงทุน

🆎 ชื่อหุ้น(Stock Name / Symbol)

Image for post
Image for post
ตัวอย่างข้อมูลบางส่วนของหุ้นแต่ละตัว แหล่งข้อมูล : https://drive.google.com/uc?id=1Vr4JrujY245XU1LxLMfVqP1J6w-z6Q9q
  • รายละเอียดบริษัท เช่น

-ชื่อหุ้น(Stock Name / Symbol)

-ชื่อบริษัท

-อุตสาหกรรม (Market Industry) เช่น สินค้าอุปโภคบริโภค

-หมวด (Sector) เป็นส่วนย่อยของอุตสาหกรรม เช่น อุตสาหกรรมสินค้าอุปโภคบริโภค จำแนก เป็น แฟชั่น , ของใช้ในครัวเรือนและสำนักงาน , ของใช้ส่วนตัวและเวชภัณฑ์

-ที่อยู่ และรหัสไปรษณีย์

-รายละเอียดการติดต่อ เช่น เบอร์โทร , แฟกซ์ และเวปไซต์

  • การจัดกลุ่มภาพรวมของหุ้น SET 100 จำแนกตามกลุ่มอุตสาหกรรม และหมวดย่อย

ในการเปรียบเทียบ หรือประเมินมูลค่าของหุ้นแต่ละตัว เราควรที่จะทำการเปรียบเทียบหุ้นที่อยู่ในกลุ่มอุตสาหกรรมเดียวกัน (Industry)

และควรจะต้องเป็นหุ้นที่อยู่ในหมวดย่อย (Sector) เดียวกันด้วย เนื่องจากมูลค่าของอุตสาหกรรมแต่ละประเภทนั้นจะมีความหมายของการเกิดหนี้, รายได้ และค่าใช้จ่ายที่แตกต่างกัน

Image for post
Image for post
การแบ่งกลุ่มหุ้นตามประเภทอุตสาหกรรม

Step 2 Cleansing & transformation

Filter Data โดยตัดหุ้นที่เพิ่งเข้าตลาดไม่เกิน 2 เดือนออก เช่น SCGP เนื่องจากยังมีฐานข้อมูลของธุรกิจนี้ไม่มากพอ

Step 3 Feature engineer

วิเคราะห์หาความสัมพันธ์ระหว่างข้อมูล เพื่อหาว่า feature ใดควรนำมาใช้ในการวิเคราะห์หุ้นที่เราต้องการ

เตรียม Dataset โดยปรับแต่งตัว Feature หรือ column ของข้อมูล เพื่อให้ตัวข้อมูลที่มีคุณภาพ และนำไปใช้งานได้ง่ายมากขึ้น

เพื่อเตรียมพร้อมสำหรับ Input ให้ Machine Learning และนำมาช่วยปรับ Algorithm ในการเพิ่มประสิทธิภาพให้ Machine Learning Model

🛠 ทำการสร้าง Feature 🛠

  1. เริ่มแรกเราตั้งสมมติฐาน แล้วทำ feature เพื่อหาค่า threshold หุ้นที่มีการเปลี่ยนแปลงน้อยออก เนื่องจากโจทย์ที่ทางกลุ่มได้รับคือ การทำกำไรสูงสุดภายในระยะเวลาสั้นๆ จึงต้องการหุ้นที่มีการเปลี่ยนแปลงมาก เพราะยิ่งเปลี่ยนมาก ก็มีโอกาสในการทำกำไรมากยิ่งขึ้น

โดยเลือกจากค่า threshold ของ Open Price และ Volume

▪ กำหนดค่า threshold Open Price = 0.8

▪ กำหนดค่า threshold Volume = 0.8

Image for post

แต่สุดท้าย feature นี้ถูกคัดออก เนื่องจากเมื่อพิจารณาจากระยะเวลาที่จะทำการซื้อขายหุ้นนั้น มีระยะสั้นมาก ค่า threshold อาจจะไม่มีผลโดยตรงในการนำมาใช้พยากรณ์หุ้น

2. เลือก Feature ที่ประกอบไปด้วย

  • Open (ราคาเปิด)
  • Close (ราคาปิด)
  • High (ราคาสูงสุด)
  • Low (ราคาต่ำสุด)
  • Volume (ปริมาณการเทรดประจำวัน)

เพื่อเป็น input ให้ Machine Learning ว่าทิศทางของราคาหุ้นแต่ละตัวเป็นอย่างไร

3. กำหนดเวลา 7 วัน เพื่อทำ Trend line แต่เนื่องจากช่วงนี้เป็นช่วงระยะขาขึ้นของหุ้น ทำให้ feature ตัวนี้ก็ถูกคัดออกเช่นกัน

4. เลือก Time series model ที่จะนำมาใช้เป็น Indicator ในการพยากรณ์หุ้น

Indicator ที่เลือกมาใช้มีดังนี้

  • Simple Moving Average

ปัจจุบัน Time-series model ที่ถูกใช้งานบ่อยมากที่สุดตัวหนึ่งในหมู่นักเล่นหุ้น คือ Moving Average

Moving Average(MA)คือการดูค่าเฉลี่ยการเคลื่อนไหวของอนุกรมเวลา เส้นค่าเฉลี่ยเคลื่อนที่ เป็นเครื่องมือเทคนิคที่ใช้วิเคราะห์แนวโน้ม หรือทิศทางของตลาด

โดยส่วนมาก MA ที่เป็นที่นิยมของนักลงทุนมีอยู่ 2 แบบคือ Simple Moving Average (SMA) กับ Exponential Moving Average (EMA)

ทีมเราเลือกใช้แบบ Simple Moving Average 14 & 5 day

Image for post
Image for post
Image for post
Image for post
Image for post
Image for post
  • Bollinger Bands

Bollinger Band หรือ BBAND คือ เครื่องมือวิเคราะห์ทางเทคนิคซึ่งบอกความผันผวนของราคาในช่วงเวลาหนึ่ง

มีไว้นิยามความสัมพันธ์ระหว่าง จุดสูงสุดและจุดต่ำสุดของราคา ของเส้น Band บนและ Band ล่าง ซึ่งทำให้เกิดรูปร่างของราคา สามารถนำมาใช้ในการวิเคราะห์รูปแบบของราคาได้ดียิ่งขึ้น

Bollinger Bands โดยทั่วไปจะประกอบด้วยเส้น 3 เส้น คือ

  • เส้นค่าเฉลี่ย (SMA) 20 วัน — Middle band
  • SMA 20 วัน + 2 S.D. — Upper band
  • SMA 20 วัน — 2 S.D. — Lower band

เรานำ Bollinger Bands มาใช้ดู Average Max-Min

Image for post
Image for post
Credit : https://vacatrader.com/web/index.php/forexknowledge/indicator/bollingerbands/59-bollingerbands.html
Image for post
Image for post
Credit : https://www.forexinthai.com/1654/
  • Relative Strength Index (RSI)

RSI เป็นเครื่องมือชี้วัดทางเทคนิคประเภท Momentum ใช้สำหรับวัดการแกว่งตัวของราคาว่ามีภาวะการซื้อมากเกินไป (Overbought) หรือ การขายมากเกินไป (Oversold) โดยมีค่าตั้งแต่ 0–100

โดยค่ามาตรฐานที่ใช้กันทั่วไปนั้นจะอยู่ที่ 30 และ 70 โดยหาก RSI อยู่ในระดับที่ตํ่ากว่า 30 จะถือว่าราคาอยู่ในภาวะ “ขายมากเกินไป” (Oversold) และหากมากกว่า 70 จะถือว่าราคาอยู่ในภาวะ “ซื้อมากเกินไป” (Overbought)

Image for post
Image for post
Image for post
Image for post
Credit : https://www.forexinthai.com/1309/
Image for post
Image for post
Image for post
Image for post

นำ feature และ indicator ที่มีผลต่อการพยากรณ์หุ้น มาใช้โดยการเขียนสูตร

Image for post
เขียนสูตรเพื่อนำค่า feature และ indicator ; MA, RSI และ Bollinger Bands มาใช้พยากรณ์

Step 4 Prediction model

LSTM (Long Short-Term Memory)

Long Short Term Memory หรือ LSTM คือ โมเดล deep learning ที่สร้างขึ้นมาจากการจำลองรูปแบบความจำของคน (memory) ที่มีความจุในการเก็บความทรงจำอยู่จำกัด

เมื่อมีเหตุการณ์ใหม่ๆ เข้ามา สมองจะต้องเลือกที่จะ รับ หรือ ไม่รับเหตุการณ์ใหม่เข้ามาในความทรงจำ โดยเลือกจากความสำคัญของเหตุการณ์​

และเมื่อสมองเลือกที่จะรับเหตุการณ์ใหม่ๆ ที่มีความสำคัญเข้ามาเก็บไว้ในระบบความทรงจำแล้ว (memorize) ก็จำเป็นที่จะต้องมีเหตุการณ์บางอย่างในอดีตถูกลืมทิ้งไปนั่นเอง (forget)

LSTM เหมาะสำหรับใช้ประมวลผลแบบลำดับ (sequence)

โดยเราทำเพื่อหาหุ้นรอบแรกว่าตัวไหนมีเทรนขาขึ้น ขาลง แล้ว filter ตัวที่เป็นขาลงออก

Image for post
Image for post
Credit : Stock Market Price Prediction Using LSTM RNN
  1. ทำ LSTM แบบ Classification เพื่อหาหุ้นที่มีเทรนขาขึ้น และตัดหุ้นที่มีเทรนขาลงออกไป

2. ทำ LSTM แบบ Regression เพื่อ Predict ส่วนต่างของราคา จากรายชื่อหุ้นที่มีเทรนขาขึ้น ว่าในอีก 7 วัน และ 15 วัน จะมีความสามารถขึ้นได้สูงเท่าไหร่

แล้วเราก็ทำการปั่นๆ build model ไปอีก 88 ครั้ง สวยๆ

⚡ในระหว่างทำ LSTM เราก็เพิ่มประสิทธิภาพของการ Run LSTM โดยใช้ GA เข้ามาปรับกลยุทธให้เป็นระยะๆ⚡

ตัดต่อพันธุกรรม AI กันเถอะ 🧬🧬

กระบวนการของขั้นตอน Genetic Algorithm

  • กำหนดปัญหาในรูปของยีนและโครโมโซม
  • การกำหนดฟังก์ชันความเหมาะสม (Fitness Function) เพื่อใช้เป็นพื้นฐานในกระบวนการวิวัฒนาการชุดคำตอบ
  • จากนั้นจะกำหนดชุดคำตอบชุดแรก (Initial Generation) ในรูปของโครโมโซมด้วยการสุ่ม
  • นำชุดคำตอบนั้นเข้าสู่กระบวนการวิวัฒนาการ ซึ่งเป็นกระบวนการต่อเนื่องที่ประกอบด้วยตัวดำเนินการ (Operator) ได้แก่ การสืบพันธุ์ (Reproduction) การผสมยีน (Crossover) กับการกลายพันธุ์ (Mutation)
  • นำไปประเมินความเหมาะสมด้วยฟังก์ชันความเหมาะสม (Fitness Function)
  • เรากำหนดจำนวนรอบในการ Train ไว้ที่ 1,000 รอบ แต่ด้วย Criteria ที่เรากำหนดทำให้การtrain มีการ Early stop ที่ 300–700 รอบ

เมื่อตัดต่อพันธุกรรม indicater กับ Feature ที่ใช้ใน LSTM ด้วย GA จนได้วิธีการค้นหาคำตอบที่ดีที่สุดออกมาแล้ว

ก็นำวิธีการที่เลือกมาใช้ในการพยากรณ์หาหุ้นที่เหมาะสมกับการลงทุนตามเงื่อนไขที่เราได้กำหนดไว้

Image for post
Image for post
ภาพขั้นตอนบางส่วนในการนำ GA เข้ามาปรับกลยุทธการทำงานของ LSTM
Image for post
Image for post
ภาพขั้นตอนบางส่วนในการนำ GA เข้ามาปรับกลยุทธการทำงานของ LSTM
Image for post
สรุปขั้นตอนการทำ LSTM พร้อมๆไปกับการทำ GA โดยเราทำวนลูปไปซ้ำๆ จนกว่าจะได้กลยุทธที่ดีที่สุด

การวัดความแม่นยำของผลการพยากรณ์ เป็นเรื่องที่สำคัญมาก ๆ นั่นคือ การแบ่งข้อมูลเป็น Training & Test Set เพื่อวัดผล รวมถึง Cross Validation แต่การทำ Cross Validation สำหรับ Time Series จะแตกต่างกับข้อมูลทั่วไปเล็กน้อย เพราะ Time Series มีเรื่องของเวลามาเกี่ยวด้วย

กราฟแสดง Training Loss & Validation Loss

Image for post
Image for post

กราฟแสดง Training & Validation Accuracy

Image for post
Image for post
  • Loss & Accuracy เป็นส่วนกลับของกันและกัน
  • จากการที่ทั้ง train loss และ validation loss เป็นไปในแนวทางเดียวกัน แสดงว่า model ไม่ได้ overfit หรือ underfit(Accuracy ต่ำ)

การป้องกันความเสี่ยงตามจากโจทย์ที่ได้รับ

เนื่องจากทางกลุ่มต้องส่งผลพยากรณ์ ในวันที่ 29 ธันวาคม 2563 โดยจะมีการซื้อหุ้นในวันที่ 4 มกราคม 2564 และขายหุ้นในวันที่ 11 มกราคม 2564 ขณะที่วันที่ 30 ธันวาคม 2563 ตลาดยังมีการเปิดซื้อขายหุ้นอีก 1 วันทำการ

เพื่อเป็นการป้องกันความเสี่ยงจากความผันผวนของราคาหุ้นในช่วงวันทำการสุดท้ายของปี 2563 โดยเฉพาะความกังวลว่าราคาหุ้นจะปรับตัวสูงขึ้นเกินกว่าที่โมเดลคาดการณ์ไว้ ซึ่งจะส่งผลให้มีโอกาสซื้อหุ้นได้ปริมาณลดลงกว่าที่คาดการณ์ไว้

จึงต้องมีการเตรียมวิเคราะห์ข้อมูลเพิ่มหลังได้รายชื่อหุ้นจาก G8#AI แล้ว

ทางกลุ่มได้ตั้งสมมุติฐานในการพยากรณ์ ออกมาเป็น 3 Scenario(สถานการณ์) ดังนี้

(1) ไม่มี Buffer เผื่อว่าราคาจะมีการเปลี่ยนแปลงสูงขึ้นกว่าที่คาดการณ์ไว้

(2) เผื่อ Buffer ความเสี่ยงที่ราคาจะเปลี่ยนแปลงสูงขึ้นอีก 10%

(3) เผื่อ Buffer ความเสี่ยงที่ราคาจะเปลี่ยนแปลงสูงขึ้นอีก 15%

ทำการเตรียมข้อมูล

  • Scenario ที่ 1 ไม่เผื่อBuffer การเปลี่ยนแปลงราคาไว้ในModel ในกรณีที่สถานการณ์การซื้อขายหุ้น SET100 ในภาพรวม มีความผันผวนของราคาหุ้นน้อยกว่า 5% จะไม่เพิ่มค่าความเสี่ยงที่ราคาจะสูงขึ้น(ฺBuffer)ลงไปในสมการ
Image for post
Image for post
  • วิธีนี้เหมาะกับสภาวะที่การซื้อขายในตลาดมีความผันผวนไม่มากนัก

ซึ่งจะได้รายชื่อหุ้นที่มีโอกาสทำกำไรสูงสุด 10 อันดับแรก จากScenarioที่ 1 ดังนี้

Image for post
Image for post
รายชื่อหุ้นที่มีโอกาสทำกำไรสูงสุด 10 อันดับแรก จากScenarioที่ 1 (ไม่มี Buffer)
  • Scenario ที่ 2 เผื่อBuffer ความเสี่ยงที่ราคาจะเปลี่ยนแปลงสูงขึ้นอีก 10% ในกรณีที่สถานการณ์การซื้อขายหุ้น SET100 ในภาพรวม มีความผันผวนของราคาหุ้นระหว่าง 5%-14% จะมีการประมาณการเพิ่มค่าความเสี่ยงที่ราคาจะสูงขึ้นอีก10% ลงไปในสมการ
Image for post
Image for post
แทนค่าสมการเพื่อเพิ่ม buffer 10%
Image for post
Image for post
รายชื่อหุ้นที่มีโอกาสทำกำไรสูงสุด 10 อันดับแรกหลังใส่ buffer จากScenarioที่ 2 (เผื่อ Buffer 10%)
  • Scenario ที่ 3 เผื่อBuffer ความเสี่ยงที่ราคาจะเปลี่ยนแปลงสูงขึ้นอีก 15% ในกรณีที่สถานการณ์การซื้อขายหุ้น SET100 ในภาพรวม มีความผันผวนของราคาหุ้นตั้งแต่ 15% ขึ้นไป จะมีการประมาณการเพิ่มค่าความเสี่ยงที่ราคาจะสูงขึ้นอีก15% ลงไปในสมการ
Image for post
Image for post
Image for post
Image for post
แทนค่าสมการเพื่อเพิ่ม buffer 15%
Image for post
Image for post
รายชื่อหุ้นที่มีโอกาสทำกำไรสูงสุด 10 อันดับแรกหลังใส่ buffer จากScenarioที่ 3(เผื่อ Buffer 15%)

เมื่อถึงช่วงกำหนดส่งรายชื่อหุ้น ทางทีมพบว่าภาวะการซื้อขายหุ้นในตลาดหลักทรัพย์ โดยเฉพาะ SET100 ในช่วง 4 วันทำการสุดท้ายของปี 2563 มีความเปลี่ยนแปลงในกรอบแคบๆ คือ +/- ไม่เกิน 2%

ดังตารางด้านล่าง

Image for post
Image for post
ภาวะการซื้อขายหุ้นในตลาดหลักทรัพย์ในช่วง 4 วันทำการสุดท้ายของปี 2563

ทางกลุ่มจึงเลือกใช้ผลการพยากรณ์แนวโน้มในการลงทุนตาม Scenario ที่ 1 คือไม่ต้องเผื่อ %Buffer ในการป้องกันความเสี่ยงว่าราคาหุ้นจะเปลี่ยนแปลงสูงขึ้น

เราจะนำผลตรงนี้มาประเมินร่วมกับการวิเคราะห์จากนักลงทุน

Step 5 Result + Visualize

การพิจารณาเลือกหุ้นในการลงทุนจริง

หลังจากได้รายชื่อหุ้นที่มีโอกาสทำกำไรสูงสุด 10 อันดับแรก จาก Scenario ที่ 1 เรา Run model มาไว้เป็น “Watch List” หรือ “รายชื่อหุ้นที่ต้องจับตามอง” ดังนี้

Image for post
Image for post

จากนั้นนำการวิเคราะห์ VI มาร่วมประกอบการตัดสินใจ

ภาพ infographic ความรู้เรื่องการวิเคราะห์หุ้นจากตลาดหลักทรัพย์แห่งประเทศไทย

Image for post
Image for post
ที่มา https://www.set.or.th/set/education/knowledgedetail.do?contentId=3452&type=infographic
Image for post
Image for post
ที่มา https://www.set.or.th/set/education/knowledgedetail.do?contentId=2053&type=infographic

วิเคราะห์ในเชิงVI (Value Investing : การลงทุนแบบเน้นคุณค่า) แบบง่ายๆ

เพื่อคัดเลือก หุ้นที่ตรงใจ ตรงโจทย์ในการลงทุนครั้งนี้มากที่สุด

นอกจากผลกำไรจากการลงทุนที่ได้จากการ Run model ในขั้นก่อนหน้าแล้ว ทางกลุ่มได้นำหุ้นทั้ง 10 ตัวมาวิเคราะห์หุ้น โดยพิจารณาปัจจัยด้านอื่นๆ ด้วย ได้แก่

  • ความสัมพันธ์ระหว่างราคา พยากรณ์ของปี 2564 และราคาจริงของปี2563 โดยพิจารณาทั้งข้อมูลวันจันทร์แรก และวันจันทร์ที่สอง เทียบระหว่างสองปี
  • ทิศทางการเปลี่ยนแปลงระหว่างวันจันทร์แรก และจันทร์ที่สอง ของในแต่ละปี(2564 และ2563) เพื่อตรวจสอบแนวโน้มที่จะทำกำไรได้จริงภายใน 1 สัปดาห์ จากการซื้อภายวันจันทร์ที่ 4 มกราคม 2564 และขายออกในวันจันทร์ที่ 11 มกราคม 2564
  • ทิศทางอัตราส่วนเงินปันผล ระหว่างปี2563 และ2562 เพื่อหาแนวโน้มว่านักลงทุนจะให้ความสนใจลงทุนในหุ้นดังกล่าว เพื่อหวังรับเงินปันผลหรือไม่?
  • ทิศทางของอัตราส่วนกำไรสุทธิ ระหว่างปี2563 และ2562

สรุปผลการประเมิน VI หุ้นทั้ง 10 อันดับ

Image for post
Image for post
Image for post
Image for post

ตัวเต็ง 3 อันดับแรกคือ CK, BEC และ KBANK

อย่าเพิ่งมั่นใจจนกว่าคุณจะได้วิเคราะห์แล้วรอบด้าน😏

ไหนดูซิแต่ละตัวมีดีอะไรมาอวด😎

ทางกลุ่มให้ความสำคัญกับ หุ้น 3 อันดับแรกเป็นพิเศษ เนื่องจากมีผลการพยากรณ์จากPrediction Model ว่ามีโอกาสที่จะได้รับผลตอบแทนในระดับที่ 19% , 16% และ 14% ตามลำดับ ในขณะที่หุ้นที่เหลือ จะมีผลตอบแทนจากการพยากรณ์ในระดับ 10% หรือ น้อยกว่า

Image for post
Image for post

การประเมินร่วมกันทั้งPrediction Model และ VI

พบว่า หุ้นที่CK มีความน่าสนใจในการลงทุนสูงสุด เนื่องจาก

  1. อัตราผลตอบแทนจากการพยากรณ์ สูงถึง 19% ภายใน 5 วันทำการ
  2. ความสัมพันธ์ระหว่าง ราคาของวันจันทร์แรก และจันทร์ที่สอง ของปี 2564 และปี 2563 ซึ่ง CK จะเป็นหุ้นตัวเดียวในกลุ่ม Top 3 ที่มีผลการพยากรณ์ว่าราคาหุ้นในทั้งสองวันจันทร์ของปี 2564 จะมีราคาต่ำกว่าช่วงเวลาเดียวกันของปี 2563 ( -10% และ -4% ) ซึ่งสอดคล้องกับสถานการณ์ในปัจจุบันที่เศรษฐกิจในภาพรวมได้รับผลกระทบจากCOVID จึงไม่ใช่เรื่องง่ายที่ราคาจะสูงกว่าช่วงเดียวกันในปี2562 ซึ่งCOVIDยังไม่ระบาดทั่วประเทศ
  3. แนวโน้มที่ราคาขายในวันจันทร์ที่สอง จะเพิ่มขึ้นจากราคาซื้อในวันจันทร์แรก ของCK ทั้งปี 2564(+17%) และ ปี 2563(+11%) เป็นไปในทิศทางเดียวกัน

การวิเคราะห์ VI ในเชิงคุณภาพ

หาข่าวเชิงบวกเพื่อประกอบการตัดสินใจ

พบว่ามีข่าวเชิงบวกที่ให้แนวโน้มว่าราคาหุ้น CK จะดีดตัวสูงขึ้นในช่วงต้นปี 2564

สรุป : ผลการคัดเลือก จากข้อมูลประกอบทั้งหมด

👑 หุ้น CK บริษัท ช.การช่าง 👑

มาวินคว้าอันดับที่ 1 ไปจ้าาาาา

Image for post
Image for post

บทสรุป

AI คัดเลือกหุ้นเก่งกว่าคนจริงมั้ย?

แม้จะมีการพยายามพัฒนา AI ให้มีสมองของตนเอง และสามารถคิด วิเคราะห์เลียนแบบมนุษย์ผ่านการสร้างโครงข่ายสมองเทียม(Neural Network)

แต่เนื่องจากตลาดหุ้นในระยะสั้นนั้น มีการปรับตัวแบบไร้รูปแบบ ข้อมูลต่างๆเกิดขึ้นมากมาย ทั้งข้อมูลที่คาดการณ์ได้ เช่น ยอดขาย ผลกำไรสุทธิ การเติบโตของเศรษฐกิจ

และข้อมูลคาดการณ์ไม่ได้ เช่นการเมือง การก่อการร้าย ภัยธรรมชาติ หรือแม้กระทั่งอารมณ์ความโลภและความกลัวของมนุษย์

ปัจจัยหรือ input ที่มากมายในการเรียนรู้เหล่านี้ รวมถึงการปรับคุณภาพของข้อมูลที่จะนำมาให้ AI เรียนรู้ ในปัจจุบันนั้นยังไม่สามารถทำได้อย่างครบถ้วนทั้งหมด

AI จึงอาจจะยังมีข้อจำกัดสำหรับการนำไปใช้ลงทุนในตลาดหุ้น

ต่างไปจากในอุตสาหกรรมอื่นที่ AI สามารถทำนายผลได้แม่นยำมากกว่า เนื่องจากรูปแบบของการเกิดเหตุการณ์มีความเป็นแบบแผนมากกว่า เช่น ระบบขนส่ง, การแพทย์, การค้าปลีก ค้าส่ง เป็นต้น

แม้ว่าข้อดีของ AI คือ ความถึกในการทำงาน และเรียนรู้ข้อมูลได้ตลอดเวลาไม่ต้องหลับไม่ต้องนอน สามารถพัฒนากระบวนการวิเคราะห์ และประมวลผลได้หลายมิติพร้อมกัน จับรายละเอียดยิบย่อยทุกรายการพร้อมๆกันได้โดยใช้เวลาเพียงเสี้ยววินาที ใช้การตัดสินใจโดยไม่มีอารมณ์เข้ามาเกี่ยวข้อง ซึ่งยากที่มนุษย์จะสามารถทำเช่นนั้นได้

แต่…ในความเป็นจริงแล้วนั้น ระบบทุกอย่าง ไม่เว้นแม้แต่ระบบการเงินและการลงทุน ก็ยังมีปัจจัยแวดล้อมอื่นๆที่ไม่สามารถควบคุมได้เข้ามาเกี่ยวข้องอยู่ตลอดเวลา ทั้งจากทางธรรมชาติ และจากน้ำมือของมนุษย์เอง

การถูกรบกวน โดยข้อมูลที่ไม่ได้ถูกจัดเตรียมไว้ และเรียบเรียงมาอย่างดีแล้วในระบบ เช่น ภัยพิบัติ, การเมือง, ข่าวลือ, ข้อมูลลับ, ข้อมูลภายใน ฯลฯ

การลงทุนในหุ้นจึงยังต้องอาศัยวิจารณญาณจากมนุษย์เป็นผู้ตัดสินใจในท้ายที่สุด

แนวโน้มการเติบโตของ AI ในวงการหุ้น

แต่อย่างไรก็ดี ทุกวันนี้การซื้อขายหุ้นผ่านระบบออนไลน์ กำลังมีปริมาณการใช้งานเพิ่มสูงขึ้นมาก และยังมีแนวโน้มที่จะเติบโตขึ้นไปอีกเรื่อยๆ

ในอนาคตอันใกล้ Ai วิเคราะห์หุ้น จะกลายมาเป็นเครื่องมือหลัก

ในการช่วย ‘สร้างความร่ำรวย’

ให้กับเหล่านักลงทุนในตลาดหลักทรัพย์อย่างแน่นอน

Image for post

ที่รักคะ….

ของขวัญปีนี้ ขอ AI เทรดหุ้น+บวกเงินลงทุนหลักล้านซักก้อนนะคะ

ใครอยากลองเล่นจริง ได้กำไรจริง ขาดทุนจริง แนะนำให้ศึกษาข้อมูลต่างๆให้ละเอียดก่อนนะคะ

#botnoi

#botnoiclassroom

botnoi-classroom

This publication consists of articles related to Data…

Medium is an open platform where 170 million readers come to find insightful and dynamic thinking. Here, expert and undiscovered voices alike dive into the heart of any topic and bring new ideas to the surface. Learn more

Follow the writers, publications, and topics that matter to you, and you’ll see them on your homepage and in your inbox. Explore

If you have a story to tell, knowledge to share, or a perspective to offer — welcome home. It’s easy and free to post your thinking on any topic. Write on Medium

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store