ข้ามไปที่เนื้อหาหลัก

บทความ

กำลังแสดงโพสต์ที่มีป้ายกำกับ quant

The Trinity Portfolio: by Meb Faber

3Min paper review ,หัวข้อ The Trinity Portfolio ของคุณ Meb Faber  โดยคลิป ผมจะเอาผลการทดสอบ  Trinity Portfolio ในเชิงกลยุทธ์ระยะยาว 1926-2015 มาอธิบายให้ฟัง  โมเดล Trinity Portfolio ค่อนข้างน่าสนใจเป็นแนวทางการสร้างพอร์ตแบบ Global Asset Allocation, การเลือกสินทรัพย์ (asset selection) ด้วยเทคนิคการผสม Value + Cross Sectional Momentum และการใช้กลยุทธ์ Dual Momentum ผสมทั้ง TSMOM กับ CSMOM   ถ้าใครที่กำลังมองหาไอเดีย การทำพอร์ตระยะยาวแบบความเสี่ยงต่ำ จะได้นำไปศึกษาต่อยอดกันครับ ดาวน์โหลด paper ตัวเต็มได้ที่ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2801856 เข้าฟังการบรรยายสรุปได้จาก  https://youtu.be/oYBfMZ85n0E 

A Century of Evidence on Trend-Following Investing

3 Minute Paper Review ทดลองเอาหัวข้อ paper ที่เกี่ยวข้องกับการเทรด/การลงทุนที่น่าสนใจมาพูดคุยแบบสรุป ถ่ายทอดประเด็นสำคัญที่เราสามารถนำไปปรับประยุกต์ใช้ได้ ให้ฟังกัน โดย EP.01 ผมนำบทความวิจัยที่ชื่อว่า "A Century of Evidence on Trend-Following Investing" ของทีมวิจัยจาก AQR Capital มาเล่าให้ฟัง ,โดยงานวิจัยนี้แม้จะขึ้นว่า Trend-Following หรือ TSMOM แต่เมื่อเจาะรายละเอียดจะพบการที่กลยุทธ์จะรอด 100 ปีในทุกภาวะตลาด ทุกสภาวะเศรษฐกิจ การบริหารจัดการความเสี่ยงและการบริหารจัดการเงิน นั้นมีบทบาทอย่างมาก ซึ่งถ้าทำได้ดีและเหมาะสม ความเทพ หรือการใช้สัญญาณเข้าออกที่ซับซ้อน(หรือที่เราเรียกกันว่าระบบเทพ) ก็เรียกว่าแทบจะไม่มีความจำเป็นแต่อย่างไร ท่านที่สนใจ อะไรแนวนี้ก็ลองเข้าไปฟังได้ที่ ลิงค์ด้านล่างครับ https://youtu.be/iXQAo7Spf9Y

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/

Investing Lessons From the Top of a Quant Fund

  สัปดาห์นี้ได้อ่านบทความ Investing Lessons From the Top of a $7.3 Billion Quant Fund ซึ่งเป็นบทสัมภาษณ์ของคุณ Igor Tulchinsky CEO และผู้ก่อตั้ง WorldQuant LLC (quantitative hedge fund , $7.3 billion) ออกมาในช่วงโปรโมทหนังสือเล่มใหม่ The UnRules: Man, Machines and the Quest to Master Markets ผมเป็นแฟนหนังสือของคุณ Igor Tulchinsky ตั้งแต่เล่มแรก พอได้อ่านบทความนี้จบคิดว่าน่าจะเป็นประโยชน์เลยอยากสรุปประเด็นสำคัญแชร์เก็บไว้ 1. Take risks and to remain an optimist - คุณ Tulchinsky อพยพหลบหนีจากโซเวียตมาใช้ชีวิตในสหรัฐตั้งแต่อายุ 10 ขวบ เริ่มต้นจาก 0 ใช้ชีวิตในห้องเช่าเล็กๆ ประสบการณ์สอนเขาว่าคงมีไม่กี่สิ่งที่เสี่ยงมากไปกว่านี้แล้ว ทำให้ เขากล้าเสี่ยง มองมุมบวก มุ่งมั่นที่จะเอาชนะอุปสรรค ผ่านช่วงที่เลวร้ายและความไม่แน่นอนไปได้ 2. Simulation อายุ 17 ปีเขาได้เริ่มเป็น video-game programmer สิ่งที่ได้เรียนรู้คือเรื่องของการคิดสร้างสรรอย่างเป็นระบบ การหาคำตอบบนความไม่แน่นอนด้วยการโมเดลปัญหาแล้วสร้าง simulation เพื่อหาผลลัพธ์หรือทางแก้ปัญหาที่เป็นได้มากที่สุด 3. Cutting losses and moving on ช่ว

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

vollib(python library opensource)

เมื่อวานสอนเรื่องการเทรด option เบื้องต้น ผมใช้ quantlib ในการสาธิตการสอนการคำนวณ option pricing ด้วย Black-Scholes , implied volatility และ greeks parameter ซึ่ง quantlib กับ python อาจจะดูทรงพลัง แต่เยอะและยุ่งยากมาก(เมื่อวานพูดไป 3 ชม. หมดแรงเลย) ดังนั้นถ้าน้องเทรดเดอร์เพิ่งหัด วิเคราะห์ราคาหรือทำกลยุทธ์การเทรด options ผมแนะนำอีกหนึ่งทางเลือกชื่อ vollib เป็น python library opensource และมีการอธิบายวิธีการคำนวณและการใช้งานแค่ละโมดูล ได้ชัดเจนดี สะดวกและสามารถคำนวณค่าต่างๆ ได้ในไม่กี่ขั้นตอนผ่าน vollib package ข้อเสียคือโปรเจคนี้หยุดพัฒนาต่อแล้ว แต่ก็ยังสามารถใช้งานได้อยู่ ใครสนใจลองเข้าไปเรียนรู้และทดลองใช้ได้ที่ http://vollib.org/documentation/python/0.1.5/index.html 

Two Sigma Financial Modeling Code Competition

เช้านี้นั่งอ่านบทความหนึ่ง ชื่อ "Two Sigma Financial Modeling Code Competition, 5th Place Winners’ Interview" เขาสัมภาษณ์ผู้ชนะอันดับ 5 ในการแข่งขันรายการ Two Sigma Financial Modeling Challenge รายการนี้แข่งขันปี 2016 -2017 ระยะยาวและ Two Sigma ซึ่งเป็น Quant Fund อันดับต้นของโลกก็จัดรางวัลให้เต็ม รวม $100,000 พร้อมโอกาสร่วมธุรกิจ ทำให้มีคนสนใจแข่งรายการนี้มากพอควรกว่า 2000 ทีม บทความนี้ยาว ผมขอสรุป key สำคัญสั้น สำหรับผมสิ่งที่น่าสนใจคือ ผู้ชนะอันดับ 5 ทีม Bestfitting เขาใช้เทคนิค lag-N features ในการทำ Feature Engineering ของข้อมูล Time Series , การทำ Quant โมเดล เขาเริ่มจากการทดลองสร้าง weak model ออกมาก่อน จากนั้นปรับปรุงเรื่อยๆ ให้ดีขึ้น level ต่อมาเป็น stable model แต่สิ่งที่น่าสนใจคือ เขาไม่ได้ปรับแบบเปลี่ยนใหม่ แต่เป็นการทำ Ensemble model ซึ่งรองรับความเป็น dynamic ของตลาดไม่ใช่การ prediction แบบโมเดลเดียว fit all , พัฒนา self-adaptive strategy สร้างตัวแปรใช้ปรับการโมเดลแปรผันตาม ค่า market volatile (volatility data) ออกแนวคล้าย reinforcement learning (แต่ไม่ได้สร้างโ

Risk factors

บทความนี้ของ คุณ Kris Longmore แห่ง robotwealth น่าสนใจ จึงนำมาสรุปไว้ แนวคิดการเพิ่มความแข็งแรงของพอร์ต ในช่วงวิกฤติ ด้วยการวิเคราะห์ risk factors ที่กระทบกับ asset ในพอร์ต Key นอกจากการกระจายความเสี่ยงไปยัง asset ที่มีความสัมพันธ์ต่อกันให้น้อยที่สุดแล้ว ควรพิจารณาจากปัจจัย risk factors ที่มีความเข้มข้น/รุนแรงในปัจจุบันและอาจจะส่งผลกระทบต่อ ผลกำไรขาดทุนในพอร์ต บทความนี้แนะนำ การเลือกถือ asset ที่กระจายไปตามผลกระทบเชิงลบจาก risk factors หลักได ้แก่ Real interest rates , Inflation, Credit ,Liquidity ,Growth และ Political ส่วนกลยุทธ์ที่เขาแนะนำคือการทำ long risk premia หรือซื้อสะสม asset หลายตัวที่ผสม risk factors แตกต่างกัน(มากกว่า 2-3 ประเภท) และใช้การปรับน้ำหนักเงิน แปรผันไปตามช่วงเวลาและภาวะเศรษฐกิจ เพื่อเพิ่มประสิทธิภาพของพอร์ต อ่านเพิ่มเติม https://robotwealth.com/harvesting-risk-premia/

2019 ปีที่ดีของกองทุน

เช้านี้เข้าไป check พอร์ตกองทุน เห็นผลตอบแทน YoY กองทุนกลุ่ม REIT &Prop Fund และ Fix income แบบเรียกว่าประทับใจมาก เดือนหน้าจบปีเรียกว่าพร้อมขายเก็บกำไรตามแผนกันทันที ถ้าเทรดยาวเล่นรอบใหญ่(เน้นปรับพอร์ต มากกว่าการ Trading ตามการเคลื่อนไหวของราคา) ไม่มีเวลาติดตามราคาหุ้นทุนวัน กองทุนที่ดีนี้เป็นอีกทางเลือกในการบริหาร asset ของคนทำงานได้เลยครับ (เพียงแต่ต้องทำการบ้าน ต้องวางแผนบริหารจัดการ portfolio สักนิด ไม่ไปซื้อแบบลอกการบ้านอย่างเดียว) ค่อนข้างจะเข้าทางที่ cway quant lab ปีนี้เรารันเงินจริงในพอร์ตกองทุน ด้วย AI ที่พัฒนาขึ้น โดยเราทดลองเอา Deep learning ไปใช้จัดพอร์ต portfolio เต็มๆทั้งการเลือก asset และการทำ weight optimization โดยเอา data จาก กองทุนรวมและ ETF เป็นหลัก ผลออกมาดีงามมาก ดีกว่าที่คาดการณ์ไว้เยอะ https://www.finnomena.com/fund/

Introduction to Volatility Trading

นั่งหาคลิปใน youtube ฟังไปเจออันนี้ของ Christopher Quill คนนี้เป็น Quant Analyst ของ ITPM บรรยายเรื่อง volatility ค่อนข้างน่าสนใจ เพราะตลาดปัจจุบันมันไม่เหมือนอดีต Trend มันไม่ใช่พระเอกละ กลายเป็น Volatility สไตล์ volatility trading ก็กำลังมาแรงและถูกนำมาใช้กันมาขึ้นระยะ 2-3ปีที่ผ่านมา เช่น Mean reversion , Scalping เป็นต้น คลิปยาวนะแต่อธิบายดี พูดภาพรวมการใช้เทรด สอนคำนวณทั้ง Implied volatility และ Historic volatility(Time series) เข้าไปฟังได้จากคลิปด้านล่าง https://www.youtube.com/watch?v=eqmTHLgZzqQ

How to read any Research paper

ผู้เขียนเขาสรุปมาจาก Andrew Ng's CS230 Lectures ซึ่งอธิบายแนวคิดของการอ่านและศึกษา research paper ละเอียดดี โดยเฉพาะ สำหรับคนทั่วไปที่ไม่เคยเขียน paper จะได้รู้ว่า ควรจะอ่านมันอย่างไร ซึ่งแนวทางนี้ประยุกต์ได้กับเกือบทุก paper สาขาต่างๆนะครับ แต่เนื้อหาในบทความนี้จะเน้นไปทาง Deep learning key สำคัญเรื่องความคาดหวังที่จะได้รับ ผมแชร์ paper ด้านการเงิน, การเทรดและการบริหารพอร์ต บ่อยบางคนเข้าใจผิด คิดว่าให้ไปลอกทำตามงานวิจัย ไปทำตามสูตรสำเร็จ จร ิงๆไม่ใช่เราใช้เวลาอ่าน paper เพื่อขยายฐานความรู้ อ่าน literature review และศึกษาจากสิ่งที่มีการทดลองวิจัย เรียนรู้จากสิ่งที่มัน fail เพื่อเราจะได้ไม่ต้องไปเสียเวลาเดินผิดทาง ดังนั้นการอ่าน paper มันจึงไม่ใช่แค่ไปหาทางลัด ทำตามเขา ลอกตัวแบบที่ผลวิจัยออกมาดีอย่างเดียว อันนั้นมันฉาบฉวยไม่เกิดประโยชน์ เพราะ paper งานวิจัยที่ดี นั้นมันมีอะไรให้เราเรียนรู้มากกว่านั้น อ่านฉบับเต็มจาก https://deeps.site/blog/2019/10/14/reading-research-papers-career-advice

Quant in the 90s and the AI reinvention

ผมนั่งฟัง Curious Quant podcast ไปเจอสัมภาษณ์ Jim Creighton คนนี้เป็นอดีต CIO of Barclays Global Investors , เขามาถ่ายทอดประสบการณ์ Quant ใน financial markets ให้ฟังตั้งแต่ยุคเริ่มต้น จนถึงการเปลี่ยนแปลงที่มาพร้อมกับ AI ในยุคปัจจุบัน รวมไปถึงสิ่งที่เขาเชื่อว่า 10-15 ปีข้างหน้าโลกการเงินจะเปลี่ยนแปลงไปจากอดีตอย่างมาก จากบทบาทของการนำ AI มาใช้ในงาน asset management Key take away อันหนึ่งจากแนวคิดของคุณ Cr eighton คือแกบอกว่า เส้นการแยก Fundamental และ Technical analysis มันจะบางลงเพราะทุกข้อมูลที่เกี่ยวข้องกับ financial market ด้านต่างๆ จะถูกนำมาทำ Data Analysis เพื่อสร้างโมเดลในการตัดสินใจซื้อขาย หรือลงทุนในกลยุทธ์ต่างๆ ด้วยประสิทธิภาพและศักยภาพในการ คิดคำนวณของ AI ที่มันไม่มีข้อจำกัดเหมือนมนุษย์ เขามองว่าความซับซ้อนตรงนี้แหละ มันจะเป็น edge ที่ผู้เล่นรายใหญ่ในตลาดจะเอามาสู้กัน มันยาวสัมภาษณ์กว่า 50 นาทียังมีอีกหลายประเด็นให้ไปตกผลึกย่อยต่อได้เยอะ อยากศึกษาด้านนี้จริงจัง ลองไปฟังฉบับเต็มได้จาก https://share.transistor.fm/s/e3fe7fc6

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

Teaching traders to code in Python

บทความนี้ของ Saeed Amen ดีงามมากเขาแชร์ประสบการณ์ก ารสอนการเขียนโปรแกรม Python ให้กับเทรดเดอร์ใน Bank / Financial firms โดยสรุปใจความสำคัญ คือมันเป็นเรื่องดีที่จะเรี ยนรู้ Python Programming เพราะ python เป็น tools ที่ดี แต่สิ่งเป็นปัญหาคือ การเขียนตามตัวอย่าง จากคนสอนอย่างเดียว อาจจะได้ตัวอย่าง basic การเขียนโปรแกรม Python แบบทั่วไป แต่ไม่พอเพราะส่วนใหญ่ การไปใ ช้จริง ต้องมาจากโจทย์/ องค์ความรู้จริงจากประสบการณ ์การเทรดจริงในตลาด เพื่อนำมาประยุกต์ ซึ่งเทรดเดอร์จะมีความได้เป รียบในการเข้าใจ data แบบเชิงลึกช่วยการพัฒนาระบบ ได้ดีกว่าโปรแกรมเมอร์สาย IT ทั่วไป ดังนั้นเทรดเดอร์ต้องทำงานห นัก ฝึกฝน หัดเขียนโปรแกรม หัดประยุกต์ (ไม่ใช่แค่ copy&paste) Saeed Amen แนะนำให้เน้นการวิเคราะห์ข้ อมูล(มากกว่าการไปใช้ python เพื่อสร้างโมเดลทำนายอนาคตซ ึ่งมันใช้จริงไม่ได้) ทำความเข้าใจกับ market ช่วยในการพัฒนาระบบเทรด เช่นเดียวกันไม่ต้องกังวลที ่จะเปลี่ยนตัวเองจากเทรดเดอ ร์ไปเป็น coding guru เพราะมันไม่ใช่เรื่องจำเป็น (ในบริษัทใหญ่ เขาก็จ้าง Programmer อาชีพมาทำแหละ แต่เทรดเดอร์ที่เข้าใจ logic

One of the Oldest Quants Is Going All-In With Robots

Millburn Ridgefield Corporation เป็นฟันด์ใหญ่ AUM $7.5 billion และเก่าแก่ยุค 1970s สาย quant-investing & trend following อีกแห่งที่ปีนี้ยังไม่ยอมแพ้ตลาดออกมาเดินหน้าลุย AI & Robot trading เต็มสูบ นำ AI มาใช่ร่วมกับการพัฒนาระบบ robot trading ในทุกsystematic strategies แทนการเทรดด้วยคน หลังการทดสอบและพัฒนามา 6 ปีพบว่า แนวทางนี้สามารถทำผลงานได้ดี ช่วยเพิ่มประสิทธิภาพในการเทรด/ลงทุนตามโมเมนตรัมในแบบ global  macro และหมุน cross-asset ต่างๆ “The machine-learning approaches in a broad sense allow us to adapt relatively quickly to environments where alpha gets arbitraged away, or where the structure of the markets themselves changes,” , Barry Goodman อ่านเพิ่มเติม https://www.bloomberg.com/news/articles/2019-08-29/one-of-the-world-s-oldest-quants-is-going-all-in-with-robots

วิกฤติการเงินมารอบนี้ Quant จะรอดไหม??

มีคนถามว่าถ้าวิกฤติการเงินมารอบนี้ Quant จะรอดไหม?? ...................... จริงๆเหมือนที่เคยบอกว่า การจะรอดไม่รอด ไม่ได้อยู่ที่กลยุทธ์การเทรด มันอยู่ที่การบริหารความเสี่ยง(risk management) ดังนั้นไม่ว่าจะใช้ quant trading ,จะสายเทคนิคอล หรือนั่งนับดวงดาว ถ้าบริหารความเสี่ยงเป็น วิกฤติมายังไงก็เอาอยู่ ขณะเดียวกันถ้าไปนั่งมโนเดาทิศทางราคาหรือเอาแต่ over trading สุดท้ายก็ไม่รอดอยู่ดี แต่อีกมุมหนึ่งการใช้ quantitative method ที่มีการทำ Data Analysis กับข้อมูลจำนวนมากอย่างดี แล้ว นำมาวางกลยุทธ์บริหารความเสี่ยง ย่อมจะยิ่งทำให้เกิดประสิทธิภาพขึ้นไปอีก ผมมีโอกาสได้อ่าน paper วิจัยหนึ่งน่าสนใจมากอยากมาแชร์ ชื่อ What Happened to the Quants in August 2007? สะท้อนให้ประเด็นที่ผมสื่อให้ฟังชัดดี วิกฤติรอบที่แล้วการบริหารความเสี่ยงที่ดีโดยเฉพาะ risk parity นี้รอดช่วง 2007 2008 และทำเงินกลับมาได้เร็ว ขณะเดียวกันกลุ่มโฟกัส maximum return เจอการขาดทุนหนักในช่วงวิกฤติ ปัจจัยหลักอันหนึ่งที่กระทบทุกกลยุทธ์การเทรด มาจากความผันผวนของราคา ที่เกิดจากการไหลออกของเงินจากตลาดหุ้นทั่วโลก(และสินทรัพ

พฤติกรรมตลาดค่าเงิน Q3/2019

ภาพนี้ผมนำ dashbord ที่ใช้วิเคราะห์ราคา มาให้ดูภาพประกอบจากการอธิบายเมื่อคืน เรื่องการทำ diversification ในการเทรดค่าเงิน ข้อมูลค่าเงิน USD เทียบกับสกุลหลัก โดยภาพบนจะเป็นการวัด momentum ของราคาระดับการเปลี่ยนแปลงรอบปี เทียบการเปลี่ยนแปลงเพิ่งเกิดในระดับ 1 เดือน สิ่งจะพบปัจจุบันมีหลายสกุลเงินที่ แข็ง กว่า USD เช่น JPY , THB เป็นต้น กลุ่มที่อ่อนค่ามากปีนี้และปัจจุบันยังอ่อน เช่น CNY, NZD, AUD, EUR, GBP ระดับการถดถอยรอบปีของค่าเงินสกุลหลัก เมื่อเทียบกับ USD ยังอยู่ช่วง +/- 8% ข้อมูลพวกนี้ เมื่อนำไปวิเคราะห์ควบคู่กับ volatility ในแต่ละคู่เงิน เพื่อปรับความเสี่ยงเราใช้ประกอบวางกลยุทธ์ในการเทรดได้ เหมือนอธิบาย จังหวะไหนเราควรหยุดรอ จังหวะไหนเราควร สลับเปลี่ยนตัวเทรด (GRID-multi layer ), รวมไปถึงการปรับพอร์ต รับ risk on, risk off พวกนี้มากกว่าการดูแท่งเทียนหรืออ่าน chart ราคาการวางแผนล้วนอาศัยการวิเคราะห์ข้อมูล เพื่อช่วยการตัดสินอย่างเป็นระบบ องค์รวม ข้อมูลจาก quantdl , investing dot com

Overview of Quantopian-Based Paper on Momentum with Volatility Timing

เนื้อหายาวพอควร แต่ผมฟังจบละน่าสนใจหลายประเด็น จริงๆลองแกะ momentum volatility scaling, risk-based asset allocation, time series momentum (winners-minus-losers (WML) momentum) ที่เขายกมาเปรียบเทียบ นี้ก็ได้เห็นอะไรพอควรใน market condition ต่างๆ งานวิจัยของคุณ Yulia Malitskaia ประเด็นหนึ่งที่น่าคิดต่อคือ Volatility-Timed เมื่อ ราคา asset มันเข้าภาวะ high volatility (หรือ estimate ได้ว่ามั นกำลังสูง)มันเป็นสัญญาณเตือนให้ momentum factor ต้องระวัง หรือปรับน้ำหนักของการเทรด มันมาแก้จุดอ่อนของ TSMOM ได้ ลดผลกระทบกรณี market downturn ได้อีก ในขณะเดียวกัน ถ้าเลือก Volatility parity ในการทำ มันก็จะช่วยลดความผันผวนของพอร์ตระยะยาวได้ ปล. paper นี้ผลทดสอบกับข้อมูลย้อนหลัง 1980 - 2018 อาจจะนำมาซึ่งการสรุปได้ระดับหนึ่ง แต่รายละเอียดเนื้อหาหลายส่วนเป็นองค์ความรู้ portfolio management strategies + risk management ฟังจบลองจับไปประยุกต์ จะเกิดประโยชน์มาก ฟังฉบับเต็ม https://www.youtube.com/watch?v=bpe5kycfrBg