ลงทุนโดยใช้ Data Science 101 ตอนที่ 1 — บทนำ + เค้าทำอะไรกันบ้าง?
เนื้อหาหลักๆคือ รู้ว่าเมื่อไหร่ใช้ Technical Analysis, Quantitative Analysis หรือ Machine Learning
การใช้ Data Science เพื่อการลงทุน Ultimate Goal ของเราคือ ทำระบบซื้อขาย หรือหาสัญญาณซื้อขาย หรือ จัดพอร์ตลงทุนให้ได้กำไร
แต่ทำไม 101 จึงเป็นเรื่องนี้? ต้องขอแยกประเภท ให้ชัดเจนก่อนครับ และหลายๆอย่าง คุณไม่จำเป็นต้องไป Machine Learning มันให้เสียเวลาหรอก ถ้าคุณรีบโดยไม่มีพื้น แม้จะ backtest กำไร ชีวิตจริงก็ไม่กำไรครับ (เช่นเลือก time frame ผิด, ดู environment ผิด, ลืมคิดถึง volume ที่ซื้อได้จริงๆ หรือแม้แต่ เรื่องกลางวันกลางคืน bid ask, spread คนเล่น fx ถ่าง) และที่ผิดบ่อยๆคือค่า Correlation กับ Standard Deviation ผมเห็นระดับแบงก์ สมัยก่อน ก็ใช้กันผิด
Finance นั้นเป็นเรื่องของตัวเลข มีประวัติศาสตร์ยาวกว่า 100 ปี เขาพัฒนาการคิดไปมากเชียวแหละ สำหรับ Financial Engineering นั้น เมืองนอกที่ไปเรียนกัน จบ Pure Math นะครับ ไม่ใช่ Engineer
โลกของการลงทุน มีสิ่งที่ เหมือนกับ Data Science เลย เพียงแต่ตอนนั้นคำว่า Data Science มันยังไม่ดังครับ คือ Quantitative Analysis (Quants) ซึ่งบูมมาก อาชีพ Quantitative Trader ในเมืองนอกนั้นเท่ห์และรวยมากที่สุด นำไปใช้ใน Algorithmic Trading, High Frequency Trading แต่การได้ข้อมูลมานั้นยากเหลือเกิน
ผมแบ่ง Data Science กับการลงทุน เป็น 3 กลุ่มใหญ่ๆ จากประสบการณ์ที่มีมา ไล่จากสิ่งที่คุ้นตาคน
สำหรับหุ้นรายตัว มักจบแค่ข้อ 1 และ 2 แต่พวกจัดพอร์ต หรือคนเล่นทองน้ำมัน FX สินค้าเกษตร หรือหุ้นแบบลึกมากๆจะไปถึง ข้อ 3
1.Technical Analysis — นำข้อมูลราคามาตีกราฟ, volume (ปริมาณซื้อขาย) คิดคำนวณ หาแนวรับ, แนวต้าน หรือ Indicators อย่าง RSI, MACD, Bollinger Band etc. พวกนี้ จัดเป็นตัวช่วยเราอย่างดีครับ
เพราะเป็น Quants สำเร็จรูป ทำให้ไม่ต้องเสียเวลามาคำนวณเองครับ ซึ่งต้องบอกก่อนว่าทุกตัวมีคุณลักษณะการใช้งาน ที่ไม่เหมือนกัน และลึกซึ้งกว่าที่คุณคิด เช่น
RSI ไม่ใช่เพียงแค่ลงไปถึง 30 แล้วให้ซื้อ 70 ให้ขายหรือชอร์ต จริงๆแล้ว คือจุดที่คุณจะเข้าเนื้อมากๆ ต่างหากสำหรับหุ้นรายตัว มันใช้หา divergence, 50 คือแนวรับแนวต้านธรรมชาติ หรือแม้แต่ตีกราฟแนวรับแนวต้านบนนั้นก็ใช้ได้
2.Quantitative Analysis — เอาตัวเลขอะไรก็ได้ (ถ้าไม่ใช่ตัวเลขก็ทำให้มันเป็นเลขให้ได้) มาหาความสัมพันธ์ ยังไงก็ได้ !!!! ฟังดูเพี้ยน แต่ยังมีหลักการอยู่บ้าง มีสายย่อยข้างใน ที่คนไทยเห็นกันบ่อยคือ Pair Trade นั่นเองครับ :D และที่เห็นกันเสมอคือหา Correlation ว่าอะไรวิ่งตามอะไร สวนกันเมื่อไหร่
แต่ผมเชื่อว่าสิ่งที่คุณสนใจพวกโมเดลที่ทำนายราคาต่างๆ เช่นหุ้น FX ทอง น้ำมัน จะเป็นเท่าไหร่ แปรไปตามตัวเลขเศรษฐกิจ งบการเงิน วิธีนี้แม้แต่หาเป้าดัชนี SET ก็ทำได้
ตัวอย่างการใช้ Quants จะได้เห็นภาพกัน
รูปด้านล่างคือการนำ ราคาหารด้วย กำไรในอนาคต(ที่ Analyst คาด) มาหา Standard Deviation ว่าจะแกว่งไม่เกินเท่าไหร่ โดยทางสถิติ 2SD นั้นมีโอกาสเพียง 5% (รูปจากพันทิพครับ google มา) บางคนทำเหนือกว่านั้นคือจับ SD วิ่งไปตามค่าเฉลี่ยด้วย คือให้ผันไปตามค่าเฉลี่ย ก็จะเข้าใกล้ concept ของ bollinger band นั่นเอง (เรียกเทคนิคนี้ว่า Rolling Statistic)
3. Optimisation & Machine Learning — มันจะแอบทับข้อ 2 หน่อยๆ กับการใช้ regression รันหา empirical factor ต่างๆเพื่อบอกว่าราคาจะเป็นเท่าไหร่ (แม้ท่านจะใช้พวก R, Python ผมก็ปัดไปข้อ 2)
แต่คราวนี้แหละครับ เราจะใช้ประโยชน์ของเทคโนโลยีที่ทันสมัยของ Big Data + Data Science โดยเอาตัวเลขอะไรก็ได้ มาหาความสัมพันธ์ โดยที่คุณยังไม่รู้อะไรเลยของดีจาก Scikit-Learn หรือแพคเกจอื่นๆ จะช่วยหาคำตอบให้เองว่า มันสัมพันธ์กันยังไง ต่างจากข้อ 2 คุณอาจพอเดาผลลัพธ์มันได้อยู่แล้ว
ที่น่าจะมีประโยชน์ที่สุดคือ การหาว่า อะไรสัมพันธ์กับอะไร หรือ ณ ตอนนี้ เป็นเหมือน Cycle ไหน หุ้นตัวไหนจะวิ่ง วิ่งไปเท่าไหร่?เงินเฟ้อฝืดหน่อยๆ น้ำมันลงแบบนี้ทองวิ่งได้รึเปล่า อะไรที่มัน Beyond ความคิดเรานั่นเองครับ เราใช้โมเดลตอบได้ไวกว่าคิดเอง ถ้าท่านคล่องมากก็สร้างให้มันจัดพอร์ตเลยก็ได้
รูปด้านล่างคือตัวอย่างคนใช้ ML ช่วย Optimised Algo Trade ของเค้าครับ
คุณอาจจะพบว่าตัวเลขผู้โดยสาร BTSมันวิ่งตามตัวเลขค้าปลีก ก็ได้ !!
และก็น่าเสียดายครับว่า ผู้โดยสาร กับตัวเลขค้าปลีก มันเป็นเรื่องจริง … อ้าว?? แอบรันมาแล้วเหรอ … ใช่ครับ เค้ารู้กันอยู่แล้วสำหรับพวกนักวิเคราะห์ที่ตามเรื่องพวกนี้
โลกของการลงทุนมีคนเอานู่นนี่ ไปหาว่าอะไรสัมพันธ์กับอะไร ตลอดเวลาครับ ดังนั้น ก่อนเราจะทำอะไร แนะนำว่าให้หาคำตอบก่อนครับ
ไว้มาต่อกัน ว่าจะเริ่มยังไงในตอนที่ 2
