ข้ามไปที่เนื้อหาหลัก

บทความ

กำลังแสดงโพสต์ที่มีป้ายกำกับ algorithm trading

Dividend volatility trading

  เมื่อคืนบรรยาย Downside protection ผมพูดถึง Dividend volatility trading. สไตล์การเทรดใช้ volatility และ correlation ไม่ใช่เรื่องใหม่และมีการพัฒนามากนานและหลากหลายรูปแบบมาก อันหนึ่งที่น่าสนใจคือ Dividend volatility trading หรือประเภท Dividend Arbitrage Strategies ใช้พฤติกรรมราคาของหุ้น ที่เกิดความไม่ปกติได้รับผลกระทบในวันขึ้นเครื่องหมาย(ex-dividend date) จ่ายปันผล บางหุ้นมีแรงขายกดดันทำให้ราคาหุ้นลงแรง กระทบกับอนุพันธ์ที่อ้างอิงราคาหุ้นนั้น เช่น stock options กลยุทธ์ Dividend Arbitrage ใช้โอกาสจากจุดนี้ โดยสรุปคือ ซื้อหุ้นก่อนขึ้นเครื่องหมาย และซื้อ Put option (ในบทความแนะนำ ITM เพื่อให้ premuim ไม่สูงและเกิดประสิทธิภาพทางต้นทุนในการ hedge ,ขณะเดียวกันไม่จำเป็นซื้อ ITM Put ในวันขึ้นเครื่องหมายทันทีเสมอไป อาจจะวางแผนล่วงหน้าได้) โดยประมาณหุ้นที่ซื้อ ใกล้เคียงกับขนาดสัญญา Options ส่วนการทำกำไร ก็รอหลังวันขึ้นเครื่องหมายเพื่อให้ได้ dividend ร่วมด้วย ผลลัพธ์สุดท้าย ปิดสถานะทำกำไรจาก Put option มาชดเชยผลขาดทุนจากราคาหุ้นลง(ถ้าถือหุ้นยาวต่อก็ไม่ต้อง ขายหุ้นทันทีก็ได้) Dividend Arbitrage ใช

บันทึกผลการทดสอบ cwAlphaX รอบแรก

  การทดสอบรอบนี้โจทย์ค่อนข้างยากเพราะเวลาจำกัดแค่ 10 วัน(เทรดจริง 8 วัน) โดยการบัญชีทดลองใช้ Balance ที่ $50,000 , Max loss -10%, Max Daily Loss -5% ความท้าทายคือ เทรดให้ผ่าน Profit Target ที่ 5% ใน 2 สัปดาห์ ทำให้การเทรดต้องใช้ leverage และทำรอบการเทรด ให้เหมาะสมเพื่อสร้าง Profit ให้ได้ ซึ่งรอบนี้ใช้ กลยุทธ์การเทรด scalping และบริหารเงินแบบ Volatility Target Model (ลด position กรณีเกินระดับทุกสัปดาห์) โดยใช้ leverage ที่ 16x (4 unit * 2 layer รวมทั้งหมด 8 ไม้ย่อย ขนาด Position size = 1 lot / unit ) ผลการเทรด "ไม่ผ่าน" รอบนี้เทรดไป 41 ครั้ง, ด้วยความต้องเร่ง Profit ในเวลาสั้นทำให้เทรด lot size เล็กไม่ได้ รอ position ที่ติดให้หลุดก็ไม่ได้ ประกอบช่วงตลาดผันผวนมาก ช่วงผ่านมาทำให้ Max Daily Loss พุ่งเกินในสัปดาห์สุดท้าย น่าเสียตายมาก ทั้งที่สัปดาห์แรกค่อยๆไปคุมเกมส์ได้ดีแล้ว ,การเทรดระยะสั้น มีข้อจำกัดมาก ถ้าเลือก Product ไม่ดี โดยเฉพาะกรณีที่ไม่วิ่ง จะทำให้ ปั่นรอบทำ cashflow ไม่ได้ , การคุม Max loss ไม่ได้ยากแบบที่คิด เพราะถ้าเริ่มต้นมี cash buffer ดีการบริหารพอร์ต จะทำได้ไม่ย

Dynamic Volatility Targeting Note

  ตอนนี้กำลังตีโจทย์ออกแบบระบบที่ fix ขนาดของ MaxDD (ระดับเดือน 10%)และ Daily loss อยู่ จริงๆมันก็ไม่ยากถ้าไม่มีโจทย์เรื่อง Profit tatget ที่ 10% เข้ามาด้วย เพราะปกติสองด้านนี้มันสองสายเลย ความยากมันจึงเกิด จริงๆแล้ว Return นี้มันไม่อาจจะควบคุมเพราะมันแปรผันไปตามภาวะตลาดและราคา asset แต่ Risk หรือความเสี่ยงเราคุมได้สบายๆ พอโจทย์มันจับสองตัวมาผูกกัน(เข้าใจว่าเขาพยายามจะทำให้ผ่านยาก) ตรงนี้แหละปัญหา วันนี้ได้ฟัง podcast อันหนึ่งของ Perry Kaufman จากรายการ toptradersunplugged เขาพูดถึงการใช้ Volatility Targeting ไอเดียโดยสรุปคือการคำนวณ volatility ของพอร์ต เพื่อใช้กำหนดขนาดของ position size และการใช้ leverage ในกลยุทธ์การเทรดของ system , แนวทางของ Kaufman ใช้การคำนวนvolatility ของพอร์ตจาก mean 40 day return ซึ่งตั้ง target ที่ 12% ถ้า portfolio มันเคลื่อนเกิน 12% เขาก็จะ stoploss หรือปรับลด position ลง โดยเฉพาะ position ที่ใช้ leverage , ขณะที่ถ้า portfolio volatility ต่ำกว่า 12% เขาจะดึง volatility ขึ้นการใช้ leverage เพื่อเพิ่มขนาด position size ในช่วง low volatily เพื่อบูต return ของพอ

รีวิวเล็กๆ Settrade Open API

  ปลายปีที่แล้ว จากคำแนะนำจากของรุ่นน้องที่เป็น quant dev ของบริษัทหนึ่ง ย้ำมากว่าพี่ต้องลอง สัปดาห์นี้หลังเคลียร์งานเก่าเสร็จ ผมจึงมีโอกาสลอง Settrade Open API กับ Python (RL Trading System) ได้ลองหลายอย่างส่วนการ Data, Account, Portfolio และ Market Subscribe ผ่าน MQTTWebsocket วันนี้ผลทดสอบการใช้เบื้องต้นกับตัว DQN Agent โมเดลเก่าที่เทรนด้วยกลยุทธ์ GRID บนตลาด TFEX เบื้องต้นผลการทดสอบน่าสนใจมาก แน่นอนว่าแม้จะเป็น sandbox แต่ความเร็วและการตอบสนอง realtime ถือว่าใช้ได้ แถมส่งคำสั่งไม่มีปัญหา ไม่มี error , และ subscribe ข้อมูล bids/offers ยังทำได้ดีทำให้ โมเดลสามารถตอบสนองกับราคาเรียล์ไทม์ได้ดีเลย อีกอันที่ต้องชมคือ Doc ดีมาก ทำ API Reference ให้ใช้งานได้ง่าย แถมมี Code Snippet ให้ด้วย ปล. เอาจริงๆถ้าเทรดบัญชีจริงได้ คงอยากเปลี่ยนจาก MT4 ที่เทรดมาใช้ Settrade Open API แทนเหมือนกัน ส่วนคนไม่ถนัด python เขายังมี SDK บน VBA และ amibroker ให้ด้วยครับ ลองใช้งานและดูตัวอย่างโค้ดได้ที่ https://developer.settrade.com/open-api/

แบบจำลอง Gamma squeeze & Short squeeze ในหุ้น GME

  พอดีวันนี้หาข้อมูลตัวอย่างการอธิบาย Gamma Squeeze ไปเจอคลิปนี้ใน youtube ดีงามมาก เขาใช้ agent-based simulation จำลองภาวะตลาด พฤติกรรมราคาให้เห็นถึง market dynamics ผ่านข้อมูล limit order book (LOB) ของหุ้น GameStop ช่วงเดือน Jan 2021 ที่ผ่านมา โดยโปรแกรมจำลองนี้เขาแบ่งกลุ่มผู้เล่นเป็นทั้ง -Short Seller (Early/Late), -Investor(Long/Buy stock), -Retail Trader(Buy stock,long call options), -Option Market Maker( hedging with buy underlying stock), นั่งดูการ simulation แล้วก็น่าสนใจดี เห็น volume มันกระชากในบางช่วง,และภาวะการเปลี่ยนแปลงของ Bid ask spread ที่ไม่ปกติ สะท้อนภาวะความไม่คงตัวของ market dynamics ที่เกิด ดูคลิปนี้ทำให้เข้าใจพฤติกรรมราคาของ GME จาก player กลุ่มต่างๆมากขึ้นเพราะมันไม่ใช่การไล่ราคาหุ้นปกติธรรมดา แต่มันมีเกมส์ของรายใหญ่ รายย่อยจำนวนมาก(WSB)และกลุ่ม options maker เข้ามาร่วมด้วย ปล. GME ปัจจุบันจบรอบ ราคาไปทำ High ที่ 483 ช่วงปลายเดือน มกราคม ล่าสุดราคาร่วงหนักลงมาเหลือ 40.59 ทำให้เทรดเดอร์ที่ไล่เข้าช่วง $100 ขาดทุนไปตามระเบียบ ปล. จริงๆมันคงเกิดกับหุ้นในตลาดสหรัฐปก

Time series momentum

  วันนี้ผมได้อ่าน paper หนึ่งชื่อ Time series momentum ของคุณ Tobias J. Moskowitz และคณะเรียกว่าน่าสนใจมากโดยเฉพาะ ถ้าเราใช้กลยุทธ์ Trend following หรือ สาย Mometum Trading จริงๆมีหลายประเด็นจากการทดสอบ เรื่อง Return และ Performance ของกลยุทธ์แต่บางอย่างมันละเอียดอ่อน ถ้าผมนำมาเขียน อาจจะทำให้คนที่เทรด Trend Following ไม่ค่อยเห็นด้วย ดังนั้นลองไปอ่านผลการทดสอบและคำอธิบายเองน่าจะดีกว่า

The Quant Universe

  จักรวาลแห่ง Quant ภาพสรุปจาก alpaca ปิดท้ายหัวข้อบรรยายวันนี้ ที่ผมเตรียม slide ไปร่วมแชร์ไอเดียและประสบการณ์กับน้องๆ developer และ quant trader กว่า 3 ชม. ส่วน โบรกเกอร์ต่างประเทศ รองรับการทำระบบเทรดอัตโนมัติ algorithmic trading system ด้วย Machine Learning ผมนำภาพสรุปนี้จาก @quantra มาให้ดู ส่วนใหญ่ปัจจุบัน การใช้งานง่าย โบรกจะมี API ให้เราเชื่อม ส่งคำสั่งซื้อขาย หรือดึงข้อมูล market info ผ่าน python ได้เลย (แต่บางเจ้าอาจจำกัดความถี่ในการเรียกรับส่งข้อมูลบ้าง ต้องตรวจสอบให้ดีก่อนทำระบบ) อาจจะมีข้อจำกัดพอควร เมื่อเทียบกับ MQL4 , MQL5 ที่รันผ่าน metatrader ได้ทันที แต่ก็มีข้อดีคือ เราสามารถทำโมเดลที่ซับซ้อน และสามารถใช้ lib หรือสร้าง akgorithm ที่ยืดหยุ่นด้วย python เองได้

The Retail FX Trader: Rising Above Random

เมื่อวานมีติวน้องเทรดเดอร์ เขากำลังปั้นพอร์ตFX เพื่อแข่งของโบรเกอร์เจ้าหนึ่ง ผมนำ paper ชื่อ The Retail FX Trader: Rising Above Randomไปแนะนำ ให้อ่านคิดว่าน่าจะเป็นประโยชน์กับเทรดเดอร์ท่านอื่นด้วย ผมเลยอยากมาแชร์ไว้ในเพจ paper นี้พูดถึงหลายประเด็นในการทำกลยุทธ์การเทรด FX โดยเฉพาะเรื่องของการใช้ technical analysis มีการทดลองหลายตัวอย่างกับข้อมูลย้อนหลัง 9 ปีกับ 4 ค่าเงินหลัก(AUDUSD,EURUSD,USDJPY,GBPUSD) ในภาวะตลาดต่างๆให้เห็นถึงข้อจำกัดในการใช้ technical analysis ในตลาดปัจจุบันืั้มีความไม่แน่นอนจากปัจจัยเศรษฐกิจและนโยบายทางการเงินของธนาคารกลาง ผู้วิจัยไม่ได้พยายามบอกว่า Retail FX Trader ไม่ควรใช้ TA ตรงข้ามผลการทดลองแนะนำว่า ควรสร้างระบบตัดสินใจ ดีกว่าการตัดสินใจแบบ random ไปตามอารมณ์ ขณะเดียวกัน ระบบการตัดสินใจจะใช้ TA หรือใช้ Rule ทั่วไปก็ได้ แต่ต้อง commit ในแผนเพื่อวัดผลระยะยาว ด้านกลยุทธ์การจัดการเงินที่เหมาะสม reward to risk ratio เพิ่มความยืดหยุ่นด้าน time ในการถือครองออร์เดอร์ ซึ่งการทดสอบพบเพิ่มประสิทธิภาพของผลตอบแทน ในขณะเดียวกันต้องมีแผนการจัดการความเสี่ยง โดยเฉพาะการห

Reinforcement Learning for Trading

ปีกว่าๆแล้วที่ใช้ Reinforcement learning ในการพัฒนาระบบเทรด(เสริมกับระบบเดิมก่อนหน้าเป็น VAE-LSTM Model ) วันนี้ใช้โอกาสเรียนฟรีของ coursera ลงเรียน หลักสูตร Reinforcement Learning for Trading Strategies ของ NYU ซึ่งครอสนี้ให้ตัวอย่างการใช้ value-based policies กับ momentum trading strategy เพิ่งเรียนได้ week ที่ 2 ยังไม่จบ ไม่รีบด้วยเพราะมันฟรี แต่เดี่ยวผมเรียนจบ จะมารีวิวให้ ส่วนน้องคนไหนพัฒนา Quant สาย AI แนะนำให้ลองเรียนครับ อาจารย์ที่สอนอธิบายเข้าใจง่ายมาก และมีเราสามารถเขียนโปรแกรมตามแบบฝึกหัดออนไลน์ได้เลย ไม่ต้องติดตั้งอะไรให้ยุ่งยาก ด้วย https://www.coursera.org/learn/trading-strategies-reinforcement-learning

Commodity Super Cycle

เมื่อวานมีน้องเทรดเดอร์ คนหนึ่งถามเรื่องการลงทุนระยะยาวในสินค้าคอมโมดิตี้ ผมเลยเอาบทความ Commodity Super Cycle นี้มาแบ่งปันให้ลองอ่านเพิ่มเติม โดยสรุปมีใจความหลัก -สินค้า commodity มีหลายประเภท และมีลักษณะของ Cycle และรูปแบบของราคาที่แตกต่างกันไป -ราคาของ สินค้า commodity แปรผันตาม Demand และ supply ที่เกิดในช่วงเวลาใดๆ ซึ่งหลายชนิด ที่เกี่ยวข้องกับการผลิตและการบริโภค จะมีความสัมพันธ์กับ ภาวะเศรษฐกิจ -บทความนี้จำแนกการแกว่งของ cycle เป็น 2 แบบคือ upswings และ downswings. - upswings รอบการการแกว่งขาขึ้น ที่มาจาก demand ที่มากกว่า supply - downswings รอบการการแกว่งขาลง ที่มาจาก supply ล้นมากกว่า demand ในตลาด -ภาวะราคาสินค้า commodity ปรับตัวเป็น cycle หรือการ swing เพราะเมื่อมี demand มาก เวลาผ่านไปผู้ผลิตมีการปรับตัวเพิ่ม supply เข้ามาในตลาด หรือความต้องการซื้อจากปัจจัยเร่งหรือภาวะทางอารมณ์หายไป จุดนั้นราคาจะมีการปรับตัว ลดลง เป็นต้น -ในคาบเวลาระยะยาว การนิยาม Commodity super cycles สามารถใช้โมเดล Bank of Canada Commodity Price Index (BCPI) เพื่อติดตามภาพให

What coronavirus means for the global economy | Ray Dalio

เช้านี้ผมมีโอกาสได้ฟังคุณ Ray dalio ให้สัมภาษณ์เกี่ยวกับผลกระทบต่อการระบาดของ COVID-19 กับ ระบบเศรษฐกิจ มีหลายประเด็นน่าสนใจมาก และเป็นอีกมุมมองที่จะแตกต่างจากสื่อหลัก หรือมุมมองของกูรูท่านอื่นๆ แต่ผมเชื่อว่ามันมีประโยชน์ในการรับฟัง เลยทำบทสรุป มาให้ลองอ่านดูครับ  สรุป - วิกฤติ covid-19 คือ ซึนามิทางเศรษฐกิจ ที่มาจากการหยุดชะงักของกิจกรรมเศรษฐกิจ จาก social distancing ตามด้วยปัญหางบดุล ด้านรายได้หดหาย ขาดรายได้ ทำให้ไม่สมดุล ระหว่างรายได้กับรายจ่าย ทั้งสเกลของ รัฐบาล เอกชน และครัวเรือน -ปัญหา เงิน(money) และเครดิต(credit) - หนี้ถูกสร้างสูงขึ้นมากเรื่อยๆ ยิ่งทำให้เกิด Gap ที่อุดได้ยากในงบดุล ในอนาคตแม้ผ่านวิกฤติ covid-19 ต้องหา เงินมาชดเชย เป็นหนี้สาธารณะที่ประชาชนต้องจ่าย - คล้ายช่วง 1930-1940 มันเป็นจุด stress test ปัจจุบันเป็นช่วงเวลาเปลี่ยนผ่านสำคัญ(defining moment) ที่จะมี ผลต่ออนาคต ขึ้นกับการจัดการปัญหาสำคัญ เช่น -ปัญหาทำให้เกิดช่องว่าง เศรษฐกิจ( เงิน(money) และเครดิต(credit)) , -ปัญหาช่องว่างทีทำให้เกิดปัญหาทางสังคม การแตกแยกระหว่างชนชั้น คนจนลำบากมากขึ้น เงินของรัฐสนับส

Volatility: how ‘algos’ changed the rhythm of the market

บทความนี้นะครับ ที่ได้พูดถึงเมือวาน แม้จะเป็นของเก่าของปีที่แล้วแต่ก็สามารถอธิบาย ประเด็นการใช้ technical analysis ในตลาดปัจจุบันทำไมแตกต่างหรือได้ผลลัพธ์ ไม่เหมือนในตำรา ที่เขียนกันมาเมื่อ 50 ปีที่(1970) แล้ว เครื่องมือพวกนี้ ผู้พัฒนาเขาก็คิดค้นทดลองวิจัย กับข้อมูลตลาดในยุคหนึ่ง พอพฤติกรรมตลาดเปลี่ยน ผลการทำงานของเครื่องมือหรือความแม่นยำ มันย่อมเปลี่ยนตาม แต่ไม่ได้แปลว่า ใช้ไม่ได้  แต่เทรดเดอร์ต้องใช้ให้เป็น ต้องใช้ data driven strategy แทนการมโน หรือการยึดติดกับเครื่องมือ ราวกับว่ามันเป็นลูกแก้ววิเศษ ลองอ่านบทความนี้ได้จาก link ด้านล่าง ยาวมากแต่จะทำให้เราเข้าใจพฤติกรรมตลาดในยุคปัจจุบันและอนาคตดีขึ้น โดยเฉพาะพฤติกรรมราคาที่มีความผันผวนสูง เกิดบ่อยและอ่อนไหวต่อ sentimental factor ทุกอย่างทั้งพฤติกรรมราคาและ volume ต่างเปลี่ยนแปลงได้เร็ว อันเกิดจากการเทรดพวก computer trading (กลายเป็นกลุ่มที่ครอง volume การเทรดอันดับต้นในหลายตลาด) หรือพวก HFT ซึ่งจากข้อมูลปัจจุบันพวกนี้มีบทบาทขึ้นเรื่อยๆ ในตลาด (และยุคนี้ไม่ใช่แค่เร็ว HFT ยังฉลาดเพราะ +AI ที่เทรนมาเพื่อ หาจุดเข้าออกบนการวิเ

Empirical investigation of state-of-the-art mean reversion strategies for equity markets

เมื่อวานพูดถึงการผสมสองกลย ุทธ์คือ Mean reversion และ Trendfollowing ไป ไอเดียคือแทนที่จะเทรดสินค้ า asset class เดียว ด้วยกลยุทธ์เดียว ก็ผสม 2 กลยุทธ์ที่มีความได้เปรียบ ในพฤติกรรมตลาดแตกต่างกัน เพื่อขยายโอกาสการสร้าง return และ limit ผลกระทบจาก market volatility ตัวนี้คือ paper ที่ได้กล่าวถึงให้ลองไปศึกษ าเพิ่ม ชื่อ Empirical investigation of state-of-the-art mean reversion Mean re version จริงๆเป็น volatility based ซึ่งใช้โอกาสจาก volatility ได้ ซึ่งใน paper นี้ผู้วิจัยทดสอบให้เห็นถึง การตอบสนองของกลยุทธ์จากข้อ มูล S&P500 ช่วงปี 2000-2017 โดยทดสอบกับโมเดลย่อย ซึ่งเป็นการใส่ tactic ลงไปใน mean reversion ได้แก่ -passive aggressive mean reversion (PAMR) strategy, -on-line moving average reversion (OLMAR) strategy - transaction cost optimization (TCO) strategies key take away ที่น่าสนใจคือมันการคุม risk การหาจังหวะสร้าง return และปรับส่วนของ transaction cost ให้เหมาะสมกับภาวะตลาดผันผว น อีกประเด็นหนึ่งถ้าเทรด MR มาพอควรจะพบจุด exit สำคัญไม่แพ้จุด entry ทำอย่างไรจะ optimize ให้

Top 40 Proprietary Trading Firms

วันนี้ได้คุยกับน้องเทรดเดอร์คนหนึ่ง เคบฝึกหัดเทรดด้วยกัน ตอนนี้น้องเขาไปเป็น prop trader ให้ firm หนึ่งของอเมริกา ที่สามารถเทรดบัญชีบริษัทแบบ remote จากที่บ้านได้ เพราะบริษัทต้องการรับ เทรดเดอร์ฝีมือดีจากทั่วโลกมาช่วยร่วมงาน ข้อดีของ prop trader แนวทางนี้เหมือนจะเป็นเรื่องของอิสระและความหยืดหยุ่น ทั้งด้านการบริหารเวลา และการบริหารจัดการเงิน สามารถใช้ leverage ที่เหมาะสมกับความเสี่ยงเพื่อการเพิ่มประสิทธิภาพของผลตอบแทน(หัวใจของส่วนแบ่งกำไร ที่ค ุมค่ากับเวลาเฝ้าหน้าจอ) ในภาวะที่ตลาดอำนวยเองได้ โดยบริษัทมีกรอบวัด risk level ที่คุมไว้กว้างๆ แลกเปลี่ยนไอเดียกันหลายประเด็น อนาคตจะมาแชร์ให้ฟังสำหรับคนอยากเดินทางนี้ ถ้าอยากรู้จัก Proprietary Trading Firms ระดับโลกจริงๆ ลองเข้าไปศึกษา top 40 ที่ future magazine รวบรวมเอาไว้ได้ หรือถ้าใครมี trading record ดีๆ ลองส่ง email ไปคุยก็ยังได้เลย เพราะเท่าที่ผมดูหลายแห่งที่เปิดรับ trader กันอยู่ ครับ นอกจาก remote office แล้วหลายเจ้าที่มี office ที่ สิงค์โปร และฮ่องกง ทำให้ไม่ต้องกังวลมากเรื่องของการขอวีซ่าทำงาน เข้าดูจาก http://m.futur

risk of overfitting

เมื่อวานเขียนถึงเรื่อง overfitting วันนี้เอา paper หนึ่งมาฝาก ชื่อ Real numbers, data science and chaos: How to fit any dataset with a single parameter ช่วยให้เห็นภาพเข้าใจปัญหาของประเด็นนี้มากขึ้น (ไม่ต้องหลายพารามิเตอร์ แค่หนึ่งพารามิเตอร์ก็ over fit ได้) ถ้าใครไม่ชอบอ่าน paper ที่มี math เยอะๆ ลองดู code ภาษา python โปรเจค single-parameter-fit ด้านล่างก็ได้ เขาสาธิตให้เห็นการเทคนิค สร้างโมเดล ที่มา fit กับ traning dataset หรือข้อมูลในอ ดีต ที่เตรียมไว้ ด้วยตัวแปรเดียว นอกจากข้อมูลทั่วไป เขายังสาธิตข้อมูลประเภท time series เช่น S&P500 index ด้วย เชื่อว่าได้ลองศึกษาบทความนี้ จะช่วยให้เรากระจ่างมากขึ้น ส่วนเทคนิคลดทอนการ over fiitting ของการพัฒนาโมเดล / พัฒนาระบบเทรด ก็มีหลายทาง เช่นการทดสอบจาก simulation ของข้อมูลจำนวนมากๆ, การทำ Regularization,การทดสอบ Cross-validation , การทำ Walk Forward Analysis and Optimization เป็นต้น นี้เป็นอีกคำตอบหนึ่ง ที่ว่าทำไมระบบเทรด สถิติจาก back test สวยๆเวอร์ๆ จึงเอาไปเทรดจริง ในตลาดไม่รอด ... ศึกษาเพิ่มเติมจาก https://arxiv.org/abs

Time Management & ช่วงเวลาที่ดีที่สุดในการเทรด

เมื่อวานบรรยายเรื่องการสังเกต พฤติกรรมการเทรดของตัวเทรดเดอร์ เพื่อหาช่วงเวลาที่เราเทรดได้ดีที่สุด หรือทำ cashflow ได้ลื่น ได้รอบที่สุด เพราะช่วยทำให้เรา optimize ด้านเวลาทำงาน การจัดตารางเทรด(สำหรับ part time trader ที่ไม่มีเวลานั่งติดจอทั้งวัน)และเวลาในการพักผ่อนของตัวเราได้ด้วย อีกมิติ ก็จะเป็นการทดสอบ trading system กับภาวะของ market ไปในตัวด้วย ตรงนี้หลักการวิเคราะห์คือเอา ค่า volatility ของสินค้า มาเท ียบกับ cashflow ที่ทำได้(ดูค่า mean และ sd ของวัน) อิงจากช่วงเวลาเดียวกัน โดยสรุป กรณีเป็นประเภท volatile trading strategies: ถ้าภาวะตลาดมีค่า volatility สูง และเราสามารถทำรอบการเทรดได้ดี ได้ flow นั้นหมายความว่า ระบบมัน flow ถ้าเป็นประเภท Trend / TSMOM trading strategies กรณีตลาดมี volatility สูง แล้วเราไม่เสีย drawdown ไม่สูงตามแปลว่า ระบบนั้นใช้ได้ แนวคิดนี้ไม่ซับซ้อน การติดตาม cashflow ทำได้ในช่วงเวลาใดๆเพื่อทำ data analysis ต่อ กรณีเราไม่มีเครื่องมือหรือไม่ได้เขียนโปรแกรมวิเคราะห์ สามารถใช้ myfxbook เพื่อวิเคราะห์ค่าเหล่านี้จาก tradind record ได้ครับ เป็นการ

Machine learning for options hedging

บทความไม่ได้ลงรายละเอียดลึกมาก ออกแนว show case ขายของ แต่ก็ยังน่าสนใจดีเพราะทำให้เห็นว่าฝั่งโบรกเกอร์นำ AI ไปใช้อย่างไร บทความอธิบายให้เห็นว่า JPM เอา machine learning ไปใช้ทำ trading สำหรับการ hedging ตัว equity options แทนโมเดลประเมินราคาแบบเดิมอย่าง Black-Scholes ซึ่งKey คือ การประมวลผลข้อมูลขนาดใหญ่ เรียลไทม์ ทั้งราคา options และราคา equity อ้างอิ ง โดยเฉพาะพวก market dynamic, Order flow ผสานความเร็ว และความได้เปรียบในการ หา best price และจัดการกับการเทรดเก็บ volume ขนาดใหญ่ เพิ่มประสิทธิภาพ ลด transaction costs ถ้าอยากลงลึกเรื่องแนะนำลองอ่าน paper ชื่อ deep hedging ของ Hans Buehler อันนั้นใช้ reinforcement learning + non linear reward เพื่อประมาณ volatility สำหรับ trading strategies แทนการใช้โมเดล stochastic processes แบบเดิม โดยตัว paper นี้จะได้ไอเดียการพัฒนาระบบ AI กับการเทรด options เพื่อบริหารความเสี่ยงให้พอร์ตมากกว่า อ่านฉบับเต็มจาก https://www.risk.net/derivatives/6691696/jp-morgan-turns-to-machine-learning-for-options-hedging?

ทดสอบระบบเทรดด้วย Trading View

เทรดหุ้น หรือ ETFs แล้วไม่มีทุนในการซื้อโปรแกรม หรือ data มาใช้ทดสอบระบบเทรด ผมขอแนะนำให้ลองใช้ tradingview ซึ่งเบื้องต้น ถ้าไม่ได้ทำอะไรซับซ้อนใช้แบบฟรีก่อนได้(กรณีทำเยอะสมัครสมาชิกรายปี) เชื่อว่าหลายคนนั้นใช้ tradingview อยู่แล้ว แต่อาจจะไม่ทราบว่า เราสามารถเขียนโปรแกรม และทดสอบ backtesting ตัว strategies ได้ โดยภาษาที่ใช้เรียกว่า pine script เขียนง่าย ไม่ซับซ้อน คล้ายๆกับ MQL4 มีฟังก์ช ั่นรองรับเยอะ พอควร เราสามารถพัฒนา indicator หรือสร้างระบบเทรดก็ได้ ที่สำคัญ กรณีหุ้น ต่างประเทศ ถ้าเรามี account ของโบรกเกอร์ที่รองรับ เช่น oanda, CQG ก็รัน auto trading ได้เลย หรือจะ fwd testing ผ่าน Paper Trading ของ tradingview ก็ได้เช่นกัน ทดสอบ strategies กับตลาดแบบ real time ส่วนการตั้งค่า Strategies tester ก็มีรายละเอียดที่หลากหลายกำลังดีไม่มากเกินไป จุดเด่นคือ data ที่ฟรีย้อนหลังและมีสินค้าเยอะ ทั้ง หุ้นไทย หุ้นนอก ETFs , FX, Cryptocurrency และอื่นๆ ให้ทดสอบได้ สรุปเป็นทางเลือกที่ดีมาก ผมเองก็ใช้งานอยู่ ที่สำคัญมีบทเรียนและตัวอย่าง code ให้เริ่มต้นศึกษาเยอะ ทำให้ง่ายต่อก

Rethinking Technical Analysis

slide งาน meetup ที่จัดโดย Cybertrader ผู้บรรยายคือคุณ Kingsley Jones แห่ง Jevons Global แชร์แนวคิดและงานวิจัย นำเอาเทคนิคการ solve ตัว nonlinear system ด้วย parallel computing มาใช้กับ Technical Analysis โดยสรุป คุณ Jones ผู้บรรยายบอกว่าปัจจุบันระบบประมวลผลคอมพิวเตอร์แบบสมรรถนะสูง(high performance computing) รองรับ การทำ nonlinear signal processing แบบเรียลไทม์ บน Partial Differential Equations กับข้อมูล  ขนาดใหญ่ ที่ซับซ้อน(ทั้ง Price, Order flow , sentiment) ได้จริงแล้วทางปฏิบัติ เขา สาธิตการทำงาน algorithm ที่ใช้คือ VECTORIZATION OF EWMA แสดงผลประสิทธิภาพการคำนวณ real time ให้ดู สไลด์ไม่ยาว แต่มีประเด็นที่น่าสนใจให้คิดต่อเยอะดี ปล. ส่วนตัวทำระบบ nonlinear system มาพอควร ผมเองจะใช้แนวทางของ genetic algorithm หรือพวก optimization method การประยุกต์กับ time series data แต่ไม่เคยทำ real time ระดับวินาทีแบบเขา พอดูจากผลการทดลอง บนเครื่องคอมพิวเตอร์สรรถนะสูง(โดยเฉพาะสร้าง algorithm ด้วย Parallel Programming สำหรับ HPC) คิดว่าน่าจะช่วยได้มาก แต่ก็แน่นอนว่าต้นทุนของระบบเพิ่

William J. Bernstein, Efficient Frontier Advisors

หลบอากาศร้อนเข้าไปนั่งร้านกาแฟ ทำให้วันนี้ได้ฟัง podcast รายการ MIB ยาวกว่า 1.30ชม. จนจบ ถือว่าเป็นอีกตอนที่ดีและอยากแนะนำให้ลองฟังกันมาก MIB ตอนนี้ Barry Ritholtz สัมภาษณ์ Money Manager คุณ William J. Bernstein ผู้บริหารพอร์ตลงทุน นักเขียนและผู้ร่วมก่อตั้ง Efficient Frontier Advisors, (AUM $120 million) เขาเป็นหมอด้าน neurologist ที่หันเหเข้ามาสู่โลกการลงทุนอยู่ในตลาดกว่า 30 ปี และเป็นนักเขียนด้านประวัติศาตร ์และทฤษฏีการเงินที่ชื่ออีกท่านของอเมริกา ผมเองมีโอกาสได้อ่านหนังสือของท่าน 2 เล่ม The Intelligent Asset Allocator และ The Four Pillars of Investing podcast สัมภาษณ์ที่ดีมากแต่ยาวจริงๆพูดคุยหลายประเด็นที่น่าสนใจ ตั้งแต่เรื่องการลงทุน ประวัติศาสตร์ การเมือง ระบบทุนนิยม เศรษฐกิจโลก เศรษฐกิจอเมริกา ประเด็นที่น่าสนใจเรื่อง การบริหารพอร์ตในช่วงเศรษฐกิจต่างๆ ยุค 1932 หรือช่วงหลังปี 2000  -key takeaway คือเขาเน้นการทำ asset allocation มากกว่าการพยายามไป asset selection หรือค้นหาหุ้นดาวเด่นที่ทำเงินไม่กี่ตัว -แนวคิดการ asset allocation เขาเน้นการลงทุนที่กระจาย นำเอาหลักของ MPT