cwayinvestment

หัวข้อการทดลอง ที่เคยเล่าให้ฟัง ผมทดสอบกลยุทธ์การเทรดแบบ Morning Gaps Trading ด้วย Gaussian Naive Bayes เอาเรื่องความน่าจะเป็นและ Machine learning มาใช้สร้างโมเดล เพื่อหาค่าสัญญาณซื้อขายของระบบเทรด โดยใช้ ข้อมูล Morning Gap และพฤติกรรมราคาของ วันก่อนหน้า มาเป็นข้อมูลดิบเพื่อใช้การ Training Model จริงๆไม่ได้เน้นทำระบบเพื่อเทรดอะไร แต่การทดลองนี้เป็นการทำประกอบการสอนเรื่อง Probability กับการเทรด ก็ลองดูเป็นไอเดีย เห็นอีกรูปแบบของการใช้ Gap มาสร้างกบยุทธ์การเทรด อาจจะแ ตกต่างจากการท่องจำรูปแบบ Gap ตามหลักของเทคนิคอลทั่วไป กรณีถ้าจะนำไปใช้การเทรดคงต้องไปพัฒนาต่อ อีกเยอะ เนื่องจากความถูกต้องค่อนข้างต่ำ อ่านบทความฉบับเต็มที่ http://cway-quantlab.blogspot.com/2017/07/morning-gaps-trading-with-probability.html

นั่งอ่านงานวิจัยเรื่อง A Century of Evidence on Trend-Following Investing ของ AQR Capital ซึ่งเป็น Quant Fund เจ้าใหญ่ งานวิจัยแสดงถึงการวิเคราะห์ข้อมูลผลการทำงานของ trend-following อิงสไตล์ดั่งเดิม “cut short your losses” and “let your profits run on” ใน Global market ทั้ง ตลาดหุ้น,ค่าเงิน, fix income และคอมโมดิตี้ ตั้งแต่ช่วงปี 1180 ถึงปี 2016 ทดสอบกลยุทธ์แบบดั่งเดิม time series momentum (Long เมื่อ return เพิ่มสูงขึ้นต่อเนื่อง , Short เมื่อ return ติดลบต่อเนื่อง ) ซึ่งทำผลงานได้ดีในช่วงตลาดมีแนวโน้ม สอดคล้องการโตของวัฏจักรเศรษฐกิจ โดยเฉพาะในตลาดหุ้นที่มีรอบทั้งช่วงตลาดกระทิงและตลาดหมี สลับกันไปมาตลอดเวลาร้อยกว่าปี การจัดพอร์ตผสม 60/40 stock/bond สไตล์ Trend-Following ก็สามารถทำให้ผลตอบแทนของระบบ ระยะยาวรอดตลาดทุกช่วงสภาวะได้เช่นกัน ดังภาพจะเห็น smile สะท้อน non linear correlation ของพอร์ตและผลตอบแทนของตลาด การจัดพอร์ตผสมช่วยเพิ่ม Sharpe ratio และจำกัดขนาด Drawdown ให้ระบบ งานวิจัยนี้ ไม่ได้พยายามจะบอกว่า Trend-Following สมบูรณ์แบบ เพราะมีทั้งช่วงที่ดีและไม่ดี Drawdown

Marko Kolanovic และ Rajesh T. Krishnamachari หัวหน้าทีม quantitative investing and derivatives strategy ของ JP Morgan ให้สัมภาษณ์แนะนำแนวทางสายอาชีพด้านสาย Quant (big data & machine learning) ในวงการ financial services.ได้อย่างน่าสนใจ JP Morgan และอีกหลาย investment bank ต่างเน้นการพัฒนาทีมกลยุทธ์ด้าน AI อย่างจริงจังโดยเฉพาะช่วง 2 ปี ที่ JP Morgan มีการสร้างทีม Data Science และทีมพัฒนา AI เช่นล่าสุด เพิ่งจ้าง Dr. Geoffrey Zweig อดีตหัวหน้าทีมพัฒนาปัญญาประดิษฐ์จาก Microsoft มาร่วมงาน บทความนี้ตัดมาจากรายงานของ JP Morgan โดย keyword สำคัญๆที่ทั้งสองคนกล่าวถึงเช่น Big Data , AI Strategies, Machine Learning, Deep learning และ Alternative Data เรื่องพวกนี้เราจะได้เห็นภาพมาขึ้นว่าเขาใช้ทำอะไรในงานด้านดลยุทธ์ การเทรดและการลงทุน ซึ่งระบบ AI รองรับสนับสนุนงานของ Analysts, portfolio managers, traders และ chief investment officers เพิ่มประสิทธิภาพการทำงานแบบเดิม มีประโยชน์สำหรับคนอยากศึกษาด้านนี้จริงจัง หรือเลือกเดินสายอาชีพนี้ในอนาคต ได้เห็นมุมมองและ

จากโพสเมื่อเช้า ขอมาเล่าเรื่องของ khan academy ต่อให้ฟัง ผมเป็นคนหนึ่งแหละที่เรียนรู้อะไรมากมาย จากคุณ khan ตั้งแต่แรกๆที่แกทำเว็บขึ้นมา โดยเฉพาะ เรื่องของ Math Stat และ Finance ผมชอบแนวคิดของการรู้และบอกต่อ เข้าใจแล้วถ่ายทอด ของคุณ คาน มาก ตามสโลแกน free world-class education for anyone anywhere เนื้อหาคุณภาพดีๆ เข้าใจง่าย มันถูกแจกจ่ายให้คนทั่วโลก นำไปใช้ ต่อยอดให้เกิดประโยชน์ได้มากมาย ประวัติของคุณ Salman Khan ผู้ก่อตั้งและเจ้าของ khanacademy นี้คืออดีต นักกลยุทธ์ ของ h edge fund ชื่อ Wohl Capital Management เขาจบคณิตศาสตร์และคอมพิวเตอร์จาก MIT และมีปริญญาโทด้านบริหารธุรกิจจาก Harvard Business School เมื่อตอนปี 2009 คุณSalman Khan เริ่มต้นทำ เนื้อหา ในรูปแบบ vdo ง่ายๆ เพื่อสอน mathematics และ sciences แก่ญาติๆ คนเด็กๆละแวกบ้าน เพื่อติวการสอบให้กับพวกเขาเหล่านั้น ผ่าน YouTube channel บนอินเตอร์เน็ต ทำไปทำมา จากงาน vdo หลัก 100 กลายเป็นหลักพัน หลายพัน รวมเรื่องราวหลายหลายวิชา จากทำอดิเรก กลายเป็นงานประจำ จากทำคนเดียวก็กลายมามีทีมงาน หลายสิบชีวิติ ปัจจุบัน มี vdo มากก

Trend following strategies ปกติ ความถูกต้องจะไม่สูง(low accuracy) แต่เน้นใช้ payoff ratio ที่สูงจากช่วง strong trend มาชดเชยส่วนการขาดทุนจากความผิดพลาดที่เกิด แต่ปัญหาข้อจำกัดของ Trend following ในตลาดปัจจุบันซึ่งแตกต่างจากยุคอดีต(ที่ history repeat it self กันตลอดเวลา) คือเรื่องของค่า volatility ที่ทำให้เกิดการขาดทุนต่อเนื่อง การขาดทุนหนักการนำกลยุทธ์สาย Trend followingไปใช้ ต้องหาทางแก้โจทย์ หรือ ปิดจุดอ่อน และจำกัดความเสี่ยง ตรงนี้ให้ได้ เพื่อความอยู่รอดในทุกภาวะตลาด ระยะยาว paper นี้ Tail Protection for Long Investors: Trend Convexity at Work อธิบายไอเดียการใช้กลยุทธ์ Trend following ได้น่าสนใจ ระดับการบริหารพอร์ต โดยพูดถึงทั้งด้านเรื่องของการทำ risk party และการทำ hedge ป้องกัน long tail risk ด้วย strangle options ร่วมกับ trend strategies ปล. อยากเรียนเรื่องกลยุทธ์ พัฒนาทักษะด้านนี้ต้องอ่าน paper ครับ อ่านจากกลุ่มคนที่เขาทำวิจัยกับตลาดจริงๆ เราจะเห็นการพัฒนาอยู่ตลอดเวลา https://www.researchgate.net/publication/303947130_Tail_protection_for_long_investors_Convexity_at_work

GRID นี้ก็คือ Quant strategies ประเภทหนึ่งนะครับมีทั้งแบบ  linear และ non linear เบื้องหลังจะพัฒนาระบบได้ดี  หรือ advance แค่ไหนอันนี้ขึ้นกับความเข้ าใจ โดยเฉพาะเรื่องของ probability(price stat) นำมาประยุกต์ใช้ได้ทั้งเกมส ์รับและรุก ด้านเกมส์รับจะทำ grid ให้สมบูรณ์อมตะ มีค่า SF สูงก็ต้องคำนวณเงิน ไปให้ถึงจุด CP (low probability) เพื่อป้องกัน risk ส่วนจะเล่นเกมส์รุก ก็ต้องหันมาเรียนรู้เรื่องก ารวางแทกติกการใช้ volatility ที่เกิดใน active zone (high probability) มากๆ จะทำ GRID Trading System ให้สำเร็จ ต้องเข้าใจพฤติกรรมราคาของส ินค้า เป็นอันดับแรก ควรจะเริ่มจากการทำ data analysis ก่อนเสมอ เพราะเมื่อเราเข้าใจ พฤติกรรมของราคา ในช่วงเวลาต่างๆ ภาวะปัจจัยแวดล้อมต่างๆ การวางแผนการเทรด การรับมือกับความเสี่ยง ก็จะดียิ่งขึ้น  ในภาพข้อมูล GOLD ช่วงเวลา 10 ปี แยกประเภทตามช่วงปีต่างๆลอง ดูการเปลี่ยนแปลงของ ราคา และ volatility และลองตอบคำถามที่ผมตั้งโจท ย์ให้ไปคิดนะครับ ว่า  1. ผลตอบแทนของทองคำที่ผ่านมา มันแปรผันตรงกับ เวลาที่ถือครอง หรือไม่? 2. ทำไมทองคำ จึงเป็นสินค้าที่นิยมมีการเ ก็งกำไร จ

ปัจจุบันมันกลายเป็น wall street ร่วมกับ silicon valley ไปแล้ว จะบอกว่ากลุ่มเนริ์ด ไม่มาทำอะไรแบบนี้ก็คงเป็นเรื่องปฏิเสธไม่ได้แล้วในตอนนี้ อย่างปัจจุบัน HFT ที่เน้นเร็ว เน้นได้เปรียบความเร็ว ก็ได้ทีมวิศวกร พัฒนาระบบประมวลผลและการรับส่งข้อมูลจากจนการ execute order มันเร็วขึ้นจาก microseconds ไป nano second ที่พัฒนาไปมากในช่วงปีนี้คือ HFT ไม่เน้นเร็วอย่างเดียว มันเน้นฉลาด เพิ่มความสามารถด้วย Machine learning เข้าไป บวกกับเทคโนโลยี Big Data การประมวลผลข้อมูลขนาดใหญ่ที่รวบรวมจากอินเตอร์เน็ตจาก social media ทำให้มันคิดประมวลผลสถานการณ์ที่เกิด ประเมิน sentiment ตลาดจากข่าว และจัดค่าน้ำหนักเพื่อคัดกรอง จากนั้นชิงตัดหน้าด้วยความเร็ว ในการเข้าซื้อขาย การเข้าออกที่เร็วและมีปริมาณมาก ทำให้เกิดผลต่อ volatility ตลาด เกิดการเคลื่อนที่ของพฤติกรรมราคา ทำให้ มีผลต่อการตัดสินใจ ของผู้เล่น อื่นๆในตลาดตามมา แล้ว HFT ก็ใช้ความได้เปรียบในการเข้าออก เพื่อเก็บกำไรที่ได้จากสถานการณ์ที่เกิด ตรงนี้มันกลายเป็นกลยุทธ์แล้วเป็นความได้เปรียบมหาศาลของ smart player ระดับนี้ แน่นอนว่าอนาคต ความยากในการเทรดคงจะเพิ่มมา

ตอบคำถามเรื่อง algorithmic trading และอยากให้ช่วยแนะนำว่าจะเริ่มศึกษาอย่างไร ผมตอบรายชื่อหนังสือไปให้แล้ว และจะมาแนะนำอีก 1 คลาสสอนที่ผมบรรยายไว้ 2 ชม.เต็ม แถมมีตัวอย่างการเขียนโปรแกรมให้ดูด้วย เข้าไปเรียนรู้ได้จาก cwayinvestment channel รายละเอียดหัวข้อตามนี้ เรียนรู้เรื่องของ algorithmic trading -การพัฒนาระบบเทรดอัตโนมัติ หรือ robot trading - กลยุทธ์การเทรด ที่นิยมสำหรับ algorithmic trading - Quant trading - กูรูสายที่ประสบความสำเร็จของโลก - หนังสือ สำหรับการเรียนรู้ -เว็บไซต์และแหล่งข้อมูลสำหรับการพัฒนาระบ­บ - ตัวอย่างการทำ robot trading ใน tfex / forex ด้วย MT4 - การออกแบบและเลือกกลยุทธ์ -การเขียน code โปรแกรม MQL4 - การส่งคำสั่งซื้อขาย - การทำ back testing มาอัพเดตความรู้ที่ https://youtu.be/jj5DOyqTREU

ข่าวนี้ของบลูมเบริกน่าสนใจดีครับ กับการแข่งขันที่ตลาดสหรัฐ เปรียบเทียบผลงานของ traditional hedge funds (กลุ่มกลยุทธ์ long short) กับ Quant Fund ในปี 2016 โดยรายงานข่าวบลูมเบริกอ้างอิงคำสัมภาษณ์ของ Mark Connors จาก Credit Suisse Group AG ระบุว่า Quant fund ( hedgefund กลุ่มที่ใช้ AI) ในการเลือกหุ้น และเทรด(valuation and momentum strategies) สามารถทำผลงานได้ดี ในปี 2016 โดยเก็บ payoff จากการทำ new high ของ S&P500 ยกขึ้น 16% ได้จำนวนเพิ่ม 11 point คุณ Mark Connors บอกว่าปีนี ้ return ของ Qaunt strategies น่าจะมากกว่า 8% โดยเฉพาะผลตอบแทนจากการเข้าซื้อกลุ่มพลังงานที่ราคาเพิ่มขึ้นจากโมเมนตรัมโดยเดือน june ที่ผ่านมาบวกถึง 18% โดดมากสุดในทุกกลุ่มของ S&P500 ขณะที่ผู้จัดการกองทุนเฮ็ดฟันด์ส่วนใหญ่ที่เปรียบเทียบ ทำตรงกันข้ามกับ machine ไม่ขายหุ้นออกไปหมดก่อนตลาดจะวิ่ง หรือไม่ก็ตกรถพลาดโอกาสเพราะไม่ได้ทำอะไร จากภาพที่เขาเปรียบเทียบ ก็จะเห็นว่า Quant momentum strategy ที่ใช้ AI ทำผลงานปีนี้ ชนะสูงกว่าค่าเฉลี่ยของ traditional hedge funds บลูมเบิรกเลยสรุปว่ายกนี้ machine เอาชนะ

เหล่าทวยเทพผลงานดีจริงๆ มาหลายคนโดยเฉพาะสาย Quant เห็นฝึมือแล้วบอกเลย ว่าพวกนี้ Genius จริงทำให้ยิ่งอยากแกะอยากศึกษา วิธีคิดของคนเหล่านี้มากขึ้น ส่วนตัวผมชื่นชอบ Dr. David E. Shaw เจ้าของฉายา "King Quant" บริหารกองทุน hedge fund อย่าง D. E. Shaw & Co และยังเป็นโปรเฟสเซอร์ด้าน computer science จาก Columbia University ผลงานปี 2015 เข้าอันดับ 6 ที่ 750 million แต่ยังเอาชนะปู่อย่าง  Jame simons แห่ง Renaissance Technologies ไม่ลงเช่นเคย ที่แม้ปี 2015 จะไม่ใช่ปีทองของอุตสาหกรรมนี้แต่แกยังโกยไปได้ 1.7 billion คนเหล่านี้ เป็นตัวอย่างที่ดีในการพยายาม และการเรียนรู้ จริงๆครับ อ่านบทความเต็มได้ที่ http://www.institutionalinvestorsalpha.com/…/The-2016-Rich-… http://www.marketwatch.com/…/top-hedge-fund-managers-made-1… https://en.wikipedia.org/wiki/David_E._Shaw

จากคำถามเรื่อง Statistical Arbitrage ผมสรุปคำตอบประมาณนี้ หลักการถ้าทำด้านนี้ต้องเข้าใจ Arbitrage ก่อน จังหวะเข้าซื้อสำคัญ หลักกการต้อง study ข้อมูลสร้าง สมการความสัมพันธ์ให้ได้ก่อน(Feature หลักคือค่า correlation และ co integration ) จากนั้นรอจังหวะซื้อตอน ที่ภาวะ ค่าความสัมพันธ์ของ ค่าเงินมัน ไม่ปกติ กำไร เกิดจากการที่จุดหนึ่ง ความสัมพันธ์ไม่ปกติกลับมาจุดปกติ อันนี้คือ key ของ Statistical arbitrage แต่ คู่ 3 นี้มันทำมาเพื่อปิดรอบ ปกติทำคู่ 2 หรือ pair trading   ก็ได้ แต่มันมี error ที่เหลื่อมซ่อน ลองดูภาพประกอบความเข้าใจ จุดไม่ปกติ จากเดิมเป็น +R อยู่ดีๆ EUR กับ GBP มันเกิดกลายเป็น -R ตรงนี้เกิดไม่ปกติเมื่อเทียบกับค่า ความสัมพันธ์ธรรมชาติของเขา จึงกลายเป็นจุดเทรดที่ได้เปรียบ ที่นี้ Statistical arbitrage ในค่าเงิน Sell EURUSD และ Buy GBPUSD เมื่อเรามาแยก จะเห็นมันไม่ perfect คือรอบความสัมพันธ์มันไม่ปิด มันเกิด risk แฝง นักกลยุทธ์เขาเลยสร้างคู่สาม Triangular Arbitrage มา ถ้าจะใช้ในที่นี้ก็ sell EURUSD BUY GBPUSD ในภาวะที่ค่า correlationมันไม่ปกติ จากนั้นเพิ่มไปอีกคู่เพื่อปิด

จากเทปบรรยาย ผมเล่าว่าจริงๆแล้ว ทุกเครื่องมือเทคนิคอล มันสามารถจะพิสูจน์ เก็บสถิติ หาค่าความน่าจะเป็นได้ เพื่อทำให้เรา มีความเชื่อมั่นในการใช้งาน อีกประการคือ จากการทดลองของผม พบว่ามันไม่มีเครื่องมืออะไรให้ผล 100% ทำนายผลการขึ้นลงของราคา แม่นราวจับวางหรือราวโฆษณา โดยเฉพาะเครื่องมือประเภท art หรือท่องจำรูปแบบ ผมเอาอีกงานมาแชร์ให้ดู เพื่ออยากให้เห็นว่าโลกการเทรดต่างประเทศมันพัฒนาไปมากเพียงใด งานด้านนี้จะพบ แนวคิดหรือเครื่องมือ รูปแบบแท่งเทียนญุี่ปุ่นมันเป็นเรื่อง ที่คนถกเถียงและสนใจกันมาก กลุ่ม Developer ของ lab นี้เขาศึกษาจนชำชอง แปลรูปแบบ รูปทรงแท่งเทียน ที่เป็น geometry 2 มิติที่เราพยายามท่องจำรูปแบบกัน มาเป็น algorithm เชิงเลข จากนั้นให้โปรแกรมคอมพิวเตอร์มันทำงานแทนเรา ในแบบ   Pattern Recognition เพื่อหาสัญญาณซื้อขาย ดังเราจะพบว่าปัจจุบันมีหลายโปรแกรมให้บริการตรงนี้ ทั้งแบบ scan และแบบแสดง real-time ซึ่งเกือบส่วนใหญ่ จะมีพื้นฐานมาจาก TA LIB ตัว lib opensource ที่กลุ่มนักพัฒนา นิยมใช้กันมาก ตัวอย่างผลทดลอง TA Lib เป็นของดี ที่พัฒนามายาวนานมี algorithm ด้าน เทคนิคต่างๆเพ

มีคำถามหนึ่งทาง email น่าสนใจ ถามว่า Qaunt วิเคราะห์ volume ยังไงครับ ? >> ปกติเราจะดำเนินการกับ volume เหมือนเป็น data ชุดหนึ่งครับการวิเคราะห์ก็ใช้ stat model หลักๆคือการหาค่าปกติและภาวะการเปลี่ยนแปลง รวมถึงการจัดหมวดหมู่เพื่อ เตรียมไว้ประมวลผลต่อไป แต่สิ่งหนึ่งที่ไม่ทำ คือเราจะไม่ท่องจำรูปแบบ volume แล้วมาหาข้อสรุป เพราะตลาดมันมีความ random สูง จากการประมวลผลข้อมูลปริมาณการซื้อขายมาเป็นหลายสิบปี พบว่า volume มันแปรผันได้ตามหลายปัจจัย เช่นระดับราคา(price level),asset value, กระแสเงิน,ปัจจัย macro ,volatility ,season มันเลยอยากมากจะไปสรุป สิ่งที่ทำคือ การประมวลผลข้อมูลตามจริงที่เกิดโดยมีหลาย model ให้ใช้ ในภาพนั้นคือ volume footprint ใช้เพื่อดูแรงปะทะและดูการเกิดของ Volume(VolBuy-VolSell) ในระดับราคาต่างๆ ข้อมูลนี้อนาคตจะมาจัดกลุ่ม ใส่ weight คำนวณร่วมกับข้อมูลอื่นๆแล้วนำมาใช้ใน decision tree โมเดลสำหรับการเทรดต่อไป ตัวอย่างในภาพ ผมออกแบบระบบ ในการประมวลผลข้อมูลด้วยโมเดลแล้วมาจัดกลุ่มทุก 30 min จะพบ แนว cluster ของราคาที่สำคัญ กรณีเป็นแนวรับ จะพบมันไม่ใช้แรงขายหมด

คำถามว่า เอา monte carlo ไปใช้ทำอะไร ใน trading system >>ตอบคือ ถ้าได้ยินคำว่า monte carlo หนี้ไม่พ้นงาน simulation ครับ ขึ้นกับเราจะเอา model ไปทำอะไรมันทำได้เยอะ prediction ราคา , prediction volatility และอื่นๆเยอะมาก สำหรับผมในงานที่ผมทำ ผมใช้ monte carlo มาทำ equity curve simulation เพื่อทดสอบ ความ robust ของโมเดล และหา max drawdown จากค่าการสุ่มจำนวนมาก เพื่อให้เกิดความ เชื่่อมั่นในระบบ (ต่อจากนี้ไปก็เอาผลคำนวณที่ได้ไปทำอย่างอื่นๆต่ออีก พวกโมเดลทดสอบ random walk อย่าง Maximal Entropy ) ทำ simulation ไม่ได้เอามาเพื่อ เพิ่มความเทพ หรือมาเคลมจำนวนการทดสอบเยอะๆหลักหมื่นหลักแสนอะไร มันไม่ได้เพิ่มความน่าจะเป็นของการทดสอบตั้งต้น แต่ใช้เพื่อหา worst case ที่อาจจะเกิดได้จากความไม่แน่นอนของผลที่เกิด อันนี้ทำให้เราไม่โดนหลอก จาก randomness จากภาพเอาตัวอย่างมาให้ดูก็รัน monte carlo เพื่อทดสอบความสเถียรและค่าความเชื่อมั่นของผลการทดสอบระบบที่ได้ ขออธิบายคราวๆตัวอย่างการใช้งานประมาณนี้

ผมชอบอ่าน paper งานวิจัยมาก ติดมาตั้งแต่สมัยเรียนละ ต้องอ่าน paper และโดยบังคับให้เขียน paper ทำให้ รู้เลยว่า paper งานวิจัยนี้แหละขุมปัญญา ชั้นดี มันดีกว่าหน้งสือเยอะมาก เนื่องจาก เป็นองค์ความรู้ใหม่ องค์ความรู้จากการทดลองทำ และมีรายละเอียด บวกกับ การรีวิวความรู้ที่เกี่ยวข้อง paper ดีๆ 10-20 หน้านี่อ่านไปได้ความรู้ ทุนเวลาเป็นปีๆเลยก็มี(สำคัญคือไม่ต้องเสียเวลาทดลองเอง) ถ้าใครจะหา paper วิจัยมาอ่านลองเข้าไปที่ ssrn นะครับ ที่อื่นก็มีเยอะแต่ที่นี่ ฟรี  ตรงนี้เลยเป็นทางเลือกหลัก ผมเอาสุดยอด top รีวิว 10,000 Papers มาให้ จะเห็นว่ามี paper สาย finance และเรื่องกลยุทธ์การเทรด การลงทุนเยอะมาก รวมถึงงานด้านอื่นๆอีก คลังปัญญาของ มนุษย์ชาติจริงๆ บางอันโหลดไป แสนครั้งแล้วก็มี เบื้องหลังการทำงานหนักของนิสิต ป.โท ป.เอก จากมหาวิทยาลัยต่างๆชั้นนำของโลก รวมถึงนักวิจัยจาก Lab ต่างๆ มีมาก็ให้เสพฟรี นี่ก็ลองเลือกดูครับ บาง paper นี่ถ้าจะโหลดมาอ่านจาก source อื่นอาจจะเสียเงินเป็นหลายร้อย เหรียญเลยทีเดียว หลายงานวิจัย กลยุทธ์การเทรดที่ผมทำอยู่ก็เอาจาก paper ดีๆมาต่อยอด นี้แหละ เข้าไปอ่านได้ที่

จากคำถามหลังไมค์ ของคุณอาทิตย์ ภาพประกอบการอธิบายนะครับ ดูจังหวะ volatility breakout ของ S50 ในภาพผมรัน profile ของ set50 จำนวน 3 วันมาให้ดู จะได้เข้าใจ เราจะเห็นว่าราคา 2 วันแรกของเดือน มันทำ overlap กันในโซน 905-895 จากนั้นพอราคาหลุด POC1 แถว 897 ลงมา ก็มีแรงขายไล่ตามจนย้ายโซน 875 แล้ววันนี้ ปิดต่ำ ต่ำกว่า ค่า POC2 ของวันหลุดนอก VA2 ไป ทรงของราคาทำ long tail ผมเอาไอเดียของการเล่นกับพฤติกรรมราคา มายกตัวอย่างให้ดู พอเราเข้าใจ หรือสกัดเอา information จากพฤติกรรมราคาได้ แล้ว เราจะสามารถนำไปใช้วางกลยุทธ์เพื่อเทรด ได้ดีขึ้น แต่มันต้องเริ่มจากการ วิเคราะห์ข้อมูล ไม่ใช่เริ่มจากการเดา ว่ามันขึ้น หรือลง อีกตัวอย่างการขายระเบิดโซน SET50 เจอการขาย 4 โมงเย็น ทั้งวันราคาเกาะกลุ่มใน zone A พอท้ายก่อนปิดตลาด มีแรงขายพร้อม volatility ที่เกิดสูง ระเบิดแรง ต่อเนื่องเกือบ 30 นาที จนราคาไปที่ low โซน 860 เปิดกราฟดูพวกเราคงจะเห็นจนชินแล้ว เอาภาพนี้ลองมามองในมุมการวิเคราะห์พฤติกรรมราคา เชิง Quant บ้าง  เราจะมองเห็นทั้ง movement และ volatility ภาพที่เกิดราคาไปทำ mean บนโซน A จากนั้นก

Quantitative Trading = Quantitative Analysis + Trading Strategies อธิบายง่ายๆคือ การเอา Data มาวิเคราะห์ เพื่อสร้างเป็นโมเดลที่สนับสนุนการตัดสินใจเทรด ซื้อขายของเรา สำหรับผมงานวิจัยด้าน Quant ที่ทำหนักๆจะเป็น data analysis (มันเป็น step สำคัญและเริ่มต้นก่อนจะไปเรื่องอื่นๆ) พอมาทำด้านนี้หลายปี มันทำให้เรามองพฤติกรรมราคา แตกต่างไปจากเดิม จากมุมมองของเทรดเดอร์ หรือแบบนักเทคนิคอล เพราะปกติการเป็นนักเทคนิคอลเราใช้กราฟ ราคา เรามองแต่แท่งเทียน มองเขียว มองแดง แต่เหมือนเราไม่เข้าใจพฤติกรรมราคาจริงๆ พอหันมาทำด้าน Quant สิ่งแรกที่ต้องทำคือ เล่นกับพฤติกรรมราคา โดยเฉพาะการจำแนกและชำแหละมัน เพื่อหาความผิดปกติ หาความสัมพันธ์ในเชิงโดเมนต่างๆ ตรงนี้สำหรับผมมันทำให้มองเห็น ความเป็นจริงและความชัดเจนของพฤติกรรมราคามากขึ้น พอเราเล่นกับข้อมูลเยอะๆ หลายปี จำแนกคลาส ของ Data เราจะสามารถหา foot print ของราคา ไม่ใช่แค่การเคลื่อนที่หรือเทรนด์อย่างเดียวแล้ว ตรงนี้เป็น Knowledge ที่มีประโยชน์ในการมาทำกลยุทธ์การเทรด หรือมาใช้ทำกลยุทธ์อื่นๆต่อไป หรือแม้เราจะใช้แค่เครื่องมือเทคนิคอลธรรมดา เราก็จะสามารถปิดข้อจ

งานหลักของ Quant คือการเล่นกับ data ครับ ตรงมีประเด็นมีรายละเอียดและโมเดลเยอะ แต่ยิ่งเล่น เราจะยิ่งเข้าใจ จะยิ่งมองเห็น ธรรมชาติของพฤติกรรมราคา นำไปใช้ประโยชน์ด้านกลยุทธ์การเทรด การออกแบบระบบเทรดขั้นสูงต่อไป ตรงนี้คือข้อแตกต่างของ Quant จากเทคนิคอล หรือระบบเทรดปกติ ที่จะโฟกัสไปที่ การเคลื่อนที่หรือ movement ของราคาเป็นหลัก เพื่อหา สัญญาณซื้อขาย ตรงนี้ก็จะเป็นโมเดล หรืองานที่สนอง ต่อการเทรดอย่างเดียว เทคนิคอล หรือเครื่องมือเทคนิคอล ส่วนใหญ่การพัฒนาโมเดล มันจะมีการกำหนดขอบเขตข้อมูล ที่เฉพาะ ตามสมมติฐานออก มา ปัญหาใหญ่คือ ตลาดมันไม่เป็นเส้นตรง แบบนั้น การนำเครื่องมือไปใช้งาน มันจึงมีข้อจำกัด และไม่เป็นจริงทุกกรณี Quant ส่วนมาก เน้นการเล่นกับข้อมูล ในโดเมนต่างๆ เพื่อทำความเข้าใจกับมัน มองหาจุดไม่ปกติ และสร้างโมเดล ทำการวิเคราะห์ด้วย คณิตศาสตร์ สถิติขั้นสูง เพื่อใช้ประโยชน์จากข้อมูลที่เกิด ตรงนี้มันขึ้นว่าเราจะเลือกอะไร จะศึกษาอะไร แต่สุดท้ายถ้าเข้าใจมันก็ใช้ประโยชน์ได้ทั้งนั้น ข้อมูลในภาพเป็น S&P500 ที่ผมนำมาวิเคราะห์ก่อนจะสร้างกลยุทธ์เทรด

พยายามเก็บคลิปวีดีโอสอนเทรดดีๆมาย่อยสรุป เก็บไว้ เติมความรู้ให้สมอง เรื่อยๆ โดยตั้งเป้าขั้นต่ำ วันละคลิปโปรเจค เนื่องจากดองไว้เยอะมาก แต่ละอันก็ดีๆทั้งนั้น คืนนี้เล่นของยากเลย เรื่อง Order book dynamics in High Frequency Trading เป็นเหมือนการดูงาน HFT ของตลาดอินเดียไปในตัว ความยากของคลิปนี้ไม่ใช่เนื้อหาแต่เป็นภาษาอังกฤษสำเนียงอินเดีย ที่ลิ้นรัวจนฟังยากสักนิด vdo นี้เป็น webinar ของ QuantInsti(สถาบันควอน) บรรยายโดย Gaurav Raizada,รวมๆแล้วเนื้อหาดี เทคนิคความเร็วที่มาเล่นกับการชิง match order และหาจุดได้เปรียบในการเข้าซื้อขายของพวก HFT มีภาพให้ดูชัดดี รวมไปถึงการทำ algorithm มาวิเคราะห์ order book และข้อมูลคำสั่งเพื่อหา dynamics ของตลาด ถ้าสนใจ ก็เข้าไปดูกันได้ที่ https://www.youtube.com/watch?v=PL8aVde9c2w

หนังสืออีกเล่มนะครับ ที่จะมาแนะนำเรื่อง Quant สำหรับคนจะเริ่มศึกษาด้านนี้ ควรจะลองศึกษาดู เป็นของสุดยอด Quant อย่าง คุณ Emanuel Derman  "My Life as a Quant" เป็นเรื่องราวของ Emanuel Derman เนื้อหาเกี่ยวกับเรื่องราวของ นักฟิสิกส์ที่เปลี่ยนสายนำความรู้ทางคณิตศาสตร์และฟิสิกส์มาใช้ใน wallstreet เขาทำงานให้กับ Goldman, Sachs & Co ตำแหน่ง Financial Engineer ตลอดช่วงปี 1985 ถึง 2003 โดยเขาทำงานเกี่ยวกับ equity derivatives (Single Stock Futures , Options) และงาน risk management  หนังสือเล่มนี้เหมือนเป็นบันทึกการเดินทางสายอาชีพ อ่านสนุกและน่าสนใจมาก โดยเฉพาะการพูดถึงเรื่องการใช้คณิตศาสตร์และตรรกะในการลงทุนในสินทรัพย์ต่างๆ ตัวของผู้เขียนคุณEmanuel เขาเชื่อในการคำนวณมากกว่า การเชื่อในดวงชะตา แม้ไม่ปฏิเสธว่าตลาดมีความเป็น random walk แต่เขายังอธิบายถึงหลักการของการสร้างโมเดลที่นำมาใช้ได้ในภาวะปกติ บนค่าความเสี่ยงที่เหมาะสม เขายกข้อดีของการใช้โมเดลและระบบการลงทุนแบบคณิตศาสตร์มาแสดงให้เห็น แม้มีหลายบทในหนังสือที่อ่านแล้วก็งงๆเพราะเขายกเขาทฤษฏีทางฟิสิกส์ที่ซับซ้อน เช่น Muon Co