cwayinvestment

สินค้าใหม่ของ TFEX วันนี้น้องมาร์เก็ตติ้ง โทรมาแนะนำสินค้า Gold Online Futures(GO) ตัวนี้ จะเริ่มเทรด 5 พ.ย. 2561 ได้ข้อมูลเยอะพอสมควร บวกกับลองเข้าไปหาข้อมูลเพิ่มจากเว็บ TFEX ขอนำเอาจุดเด่นมาสรุปให้ดูกัน สินค้านี้ชื่อย่อ GO จุดแตกต่างจาก GF คือเทรดราคาทองคำอิงราคาสากลของโลก หน่วยในสกุล USD (หลังจากรอมานานและเคยมีการพูดถึงหลายรอบในอดีต) โดย GO ใช้สินค้าอ้างอิงเป็นทองคำบริสุทธิ์ 99.5% ราคาไม่ต้องไปเชื่อมกับค่าเงินบา ทและใช้สมการการคำนวณแบบ GF นั้นหมายความว่า ไม่ต้องไปรับความเสี่ยงจากค่าเงินบาท แถมราคาจะเคลื่อนที่ตามทิศทางตลาดโลก (แน่นอนว่าจะมี GAP ช่วงการเปิดตลาดในตอนเช้า) เช่นเดียวกับ สามารถใช้ระบบเทรดแบบเดียวกับ ราคาทองคำในตลาดโลกโดยตรง โดย GO 1 สัญญามีมูลค่า 300 เท่าของราคาทองคำ ขนาด Tick ระดับ $0.1 คิดเป็นมูลค่าจุดละ 30 บาทต่อสัญญา (ราคาทองคำขยับ $1 คิดมูลค่า 300 บาทต่อสัญญา) ตัวนี้ Trading Session เหมือนกับ GF คือมีทั้งเช้าและกลางคืน(19:00 – 23:55) รูปแบบสัญญาซีรีย์ละ 3 เดือนหมดอายุทุกๆไตรมาส และส่งมอบเป็น Cash Settlement ด้านค่าคอมค่อนข้างพอควร เทรดผ่านอินเตอร์เน็ตไปกลับ 1

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 พอได้อ่านบทความนี้จบคิดว่าน่าจะเป็นประโยชน์เลยอยากสรุปประเด็นสำคัญให้ได้ศึกษากัน 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 losse

paper ที่ผมพูดถึงเมื่อคืน ตัวอย่างการหลีกเลี่ยง Overfitting ในการทำ optimization จาก backtest แนวคิดสไตล์นี้มีเยอะมาก ลองหาอ่านได้โดยเฉพาะเทคนิคใหม่ๆ ตัวอย่างนี้คุณ Marcos López de Prado เขาใช้ discrete Ornstein-Uhlenbeck process (stochastic process) สร้าง Data เพื่อทดสอบ trading strategy และทำการ optimization ค่า Sharpe ratio โดยทำการสุ่มปรับค่าของ SL และ TP เพื่อให้ได้ที่ดีที่สุดตามเงื่อนไข บน time seri es data ที่สร้างจาก O-U process แทนการใช้ข้อมูลในอดีต(Historical data) ขอไม่ลงรายละเอียดเชิงลึกมาก แต่อยากแนะนำให้ลองศึกษาดูเพราะเป็นแนวทางที่น่าสนใจ และทดสอบกลยุทธ์การเทรดบนสภาวะ random walk ได้ดีทีเดียว ดาวน์โหลดได้จาก https://arxiv.org/abs/1408.1159

สาธิต GRID(+ML) บน MT4 TFEX S50 คลิปผลการทดลองตัวอย่างการทำงานจริงของระบบ GRID โดย กลยุทธ์หลักเพื่อใช้ในการเป็น Hedging Layer สะสมสัญญาเพื่อป้องกันความเสี่ยงในพอร์ตหลัก(ผสมกับการเก็บ cashflow จาก Market volatile)  ซึ่งใช้จุดเด่นของ MT4 TFEX ในการจัด Order แบบ GRID (แตกต่างจาก FIFO แบบอดีต) - Non Linear GRID Trading - No SL,TP , No Pending Order - Dynamic Zone based on Machine Learning - Dynamic Exit strate gies - Low Risk (Balance = 500000, RPT 100000 per Unit, SLD>40%ofCV,Max = 5 Contract) - Stop loss By Time (time based exit strategies) เข้าดูตัวอย่างการทำงานได้จาก link  https://www.facebook.com/chaipat.ncm/videos/10156764604269511/

Stop loss หรือการ Limit loss คือกลยุทธ์การจำกัดผลกระทบจากการขาดทุนที่มาจากความเสี่ยงในการเทรดแบบหนึ่งที่ถูกนำมาใช้แพร่หลาย เรื่องนี้เราสามารถทำความเข้าใจและเรียนรู้ เพื่อนำไปใช้พัฒนาระบบเทรดได้ เมื่อวันจันทร์พูดเรื่องการทดลองใช้ stop loss กับ leverage ไป มีคนถามถึง paper การทดลองอยากเอาไปศึกษาต่อ ผมเลยนำ link ที่บันทึกไว้มาแชร์ ย้ำว่าเป็นแค่บางส่วนนะครับ มีอีกหลายแหล่งที่เราสามารถหาอ่านเพิ่มเติมได้ ถ้าสนใจลองศึกษาดูมีคนวิจัยพัฒนาเทคนิคต่างๆไว้เยอะเลย ซึ่งเราจะได้เห็นข้อเด่น  และข้อจำกัด รวมถึงการ optimize โมเดลในการจัดการความเสี่ยง ถือเป็นการเปิดโลก เพิ่มเติมความรู้ไปในตัวครับ ปล. จะใช้หรือไม่ใช้ stop loss ไม่ใช่ประเด็นนะครับเพราะมันเป็นแค่หนึ่งทางเลือกในการจัดการการขาดทุน แต่สำคัญคือถ้าเลือกจะใช้ ต้องใช้มันอย่างเข้าใจ ใช้ให้ถูกเหมาะสมกับพฤติกรรมของ asset และอย่าไปใช้มันเป็นแพะรับบาปหรือข้ออ้างในการล้างพอร์ต -Assessing Stop-Loss and Re-Entry Strategies https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2277722 -Taming Momentum Crashes: A Simple Stop-Loss Strategy https://pa

พูดถึงการทำ volatility analysis กับการวิเคราะห์พฤติกรรมราคาเชิงสถิติขั้นสูง แนะนำ Volatility Laboratory (V-Lab) ไป พวกเราที่สนใจเข้าไปดูได้ที่ link ด้านล่าง ทดลองใช้งาน app ได้ฟรี มี data set ทั้ง Currency, Commodity, Stock Index ,ETFs และอื่นๆให้ลอง Volatility Laboratory (V-Lab) ผลงานทีมวิจัยพัฒนาของ Stern NYU (ที่นี้ด้าน Quant ดังอยู่แล้ว) เขาเน้นเครื่องมือวิเคราะห์ volatility และ correlations บนโมเดลหลายประเภท แถมมี เอกสาร ให้อ่านเรื่องของทฤษฏีและการคำนวณของแต่ล ะโมเดลด้วย เช่นเรื่อง Value at Risk (VaR), Volatility Analysis,Volatility Clusters, Fat Tail เป็นต้น เว็บจะอธิบายแนวคิดหลักและยกโมเดลอย่าง GARCH , EGARCH มาประกอบ ตรงนี้อยากเห็นผลการคำนวณการกดเข้ารัน application ได้สะดวกมากไม่ต้องมาเขียน code รันโมเดลเอง อยากศึกษาเรื่องของ volatility เพิ่มเติมก็ลองเข้าไปใช้งาไนด้ฟรีจาก link ด้านล่าง https://vlab.stern.nyu.edu/ ปล. ภาพด้านล่างเป็นการอนุมาน Volatility ของ SET50 เราจะเห็นเลยว่าช่วงสองเดือนนี้ ไม่ธรรมดาจริงๆ ปล. GARCH(p,q) คงไม่สอนนะครับอธิบายยาวไปอ่านดูใ

วันนี้มีพี่ท่านหนึ่ง ถามว่าอยากเห็นนวัตกรรมไหนเกิดขึ้นมากสุดในบ้านเรา จริงๆจะว่าไป นวัตกรรม นี้มันคงหมายถึงการสร้างขึ้นใหม่ พัฒนาขึ้นใหม่ ไม่ใช่การลอกเลียนหรือทำตาม แต่คงไม่เสียหายถ้าเราจะทำตามหรือลอกแบบดีๆของฝรั่งมา ส่วนตัวอยากเห็นระบบบริการข้อมูลอย่างของ IEX (โด่งดังมากในยุค Flash Boys ของ Michael Lewis) มีการพัฒนาระบบเข้าถึงข้อมูลแบบเปิดผ่าน IEX-API ให้คนทั่วไปเข้าถึงข้อมูลราคาและการซื้อขายที่เกิดในตลาด อย่างเรียกว่าฟรีและไม่มีขั้นตอนของเอกสารอะไร เพราะเขามองว่าข้อมูลพวกนี้คือข้อมูลสาธารณะ แถมเตรียมระบบ Realtime Data Service ประสิทธิภาพสูงไว้ให้ เชื่อมต่อผ่าน API สถิติที่แสดงก็น่าสนใจเพราะระบบรองรับบริการข้อมูลสูงถึง 262 TB ต่อเดือน 3.5 million messages ต่อวินาที ฐานข้อมูลระดับ 1.1 trillion record หรือ 72 TB ผมมีโอกาสได้นำข้อมูลมาใช้ และทดลองทำอะไรเยอะพอควรแล้วเลยอยากมาแนะนำ สำหรับคนสนใจลองเข้าไปดูโดยเฉพาะงานวิจัยที่ใช้ Market data พวก Bid Offer , volume และมีข้อมูลระดับละเอียดเฉพาะหุ้น รวมไปถึงข้อมูลพื้นฐานงบการเงิน ซึ่ง IEX-API ใช้งานสะดวกเชื่อมต่อ รองรับได้หลายภาษา

วันนี้ได้นั่งอ่านบทความเรื่อง Machine learning & High frequency trading มุมมองของ Dr. Henri Waelbroeck อดีตนักวิจัยด้าน นิวเคลียร์ฟิสิกส์ที่หันมาทำงานด้าน Quant เกี่ยวกับ HFT ยุคใหม่รวมถึงการพัฒนา AI ในการเทรด มีหลายประเด็นน่าสนใจเช่น ไอเดีย Alpha Profiling ที่ Lab วิจัยของ Portware, LLC ใช้ Machine learning ด้วยเทคนิค Decision Trees Algorithms และ Bayesian scoring ในการวิเคราะห์ข้อมูลผลการเทรด ร่วมกับ real-time market data เพื่อ optimize เรื่องของ time ในตัว trading execution บนกลยุทธ์การเทรดของ Trader หรือ Portfolio manager รวมไปถึงประเด็นเรื่อง prediction กับ noise data ที่เกิดในข้อมูลราคาบน dynamic system ที่คุณ Henri Waelbroeck ให้มุมมองจากประสบการณ์วิจัยกว่า 10 ปีได้น่าสนใจมาก บทความอาจจะเก่า แต่มีหลายประเด็นที่มีประโยชน์ลองอ่านรายละเอียดเพิ่มเติมจาก link ด้านล่าง https://www.ibtimes.co.uk/former-nuclear-physicist-henri-waelbroeck-explains-how-machine-learning-mitigates-high-frequency-1551097

วันนี้มาตอบคำถามจากน้องๆที่เริ่มใช้งาน Psyquation (มีหลายฟังก์ชั่นการวิเคราะห์ที่มีประโยชน์มาก อย่าไปนั่งยึดติดดูที่ score อย่างเดียว หัดใช้เพื่อพัฒนาตัวเราในอนาคต ) เกี่ยวกับตัว Omega Ratio Omega Ratio พัฒนาต่อยอดมาเพื่อแก้ข้อจำกัดของ Sharpe ratio หรือโมเดลที่ใช้การประเมินด้วย Mean และ Variance เพราะบางกรณีเกิดการตีความที่อาจจะไม่เหมาะสมกับพฤติกรรมของ Performance ที่เกิดได้ ลองดูจากภาพประกอบ Shadwick&Keating ปี 2002 พัฒนาโมเดล Omega Ratio ขึ้นมาโดยหลักการคือแทนจะใช้แค่ Mean และ Variance ก็ทำการแบ่งพื้นที่ของ Return Distribution เป็นสองส่วนด้วย ค่า target return หรือ threshold จากนั้นวัดสัดส่วนของพื้นที่ cumulative probability distribution ทั้งสองที่ถูกแบ่ง (สรุปคราวๆไม่ได้ลงเรื่องของสมการและวิธีการหาค่า ลองไปอ่านใน link ด้านล่างได้) ส่วนการตีความ Omega Ratio มากกว่า 1 ถือว่า OK แน่นอนว่าถ้ามีค่ามากก็มีแนวโน้มดี สะท้อนความน่าจะเป็นที่จะให้ return ที่ดีและยังใช้การประเมิน risk metric เพื่อเฝ้าระวัง risk ที่เกิด แต่แน่นอนว่าการตั้ง threshold ก็มีผลต่อค่าคำนวณดังนั

ทำทางด้าน Quant ถ้าเขียนโปรแกรมพัฒนาโมเดลอย่างเดียว ไม่ทดสอบไม่ให้ระบบได้เทรดจริง ทำงานจริงในตลาด มันไม่ค่อยจะเกิดประโยชน์หลายครั้ง เกิด Bias ในการสรุปผลการทดลอง หรืออาจจจะทำให้เราหลงเชื่อในสมมติฐานที่มันอาจจะไม่ใช้ได้จริงในตลาดอีกด้วย ดังนั้นส่วนตัวผมเวลามี idea มีสมมติฐานเกี่ยวกับกลยุทธ์หรือโมเดลการเทรด เราทำการทดสอบ+ทำ simulation ระดับหนึ่ง จากนั้นปล่อยให้ระบบรันเงินจริง ทำงานจริง 5 วัน 24 ชม.ในตลาด เพื่อเก็บข้อมูลผลการเทรด ไม่ว่าจะกำไรหรือขาดทุน ซึ่งเริ่ม จาก level 1 ด้วยเงินที่น้อยจำกัดทรัพยากร(สิบเหรียญ)และจากนั้นขยายไประดับ level ที่สูงขึ้น จนถึงระดับหลักพันเหรียญ เรียกว่าทดสอบเงินจริง ผลกำไรขาดทุนเกิดจริง รับความเสี่ยงจริงแบบ Skin in the game ไม่ใช่แค่โชว์ท่ายาก โชว์ math เหนือชั้น แต่ใช้จริงไม่ได้แบบนั้นก็ไม่ได้เกิดประโยชน์อะไร ซึ่งแต่ละ level จะใช้เวลาราวๆ 2 เดือน เพื่อทดสอบให้ได้ค่าตามเกณฑ์(จำนวนแต้มและจำนวนครั้งการเทรด) ต้องใช้เวลาไม่ใช่แค่การทำกำไรระยะเวลาสั้นไม่กี่ครั้ง การทำแบบนี้จะทำให้เราได้ระบบเทรด ที่อยู่รอด ทำงานได้จริงในตลาด และได้ข้อมูล trading result ที่เกิ

ปีที่แล้วเคยเขียนถึง SpaceKnow บริษัท startup อีกเจ้าที่ทำด้าน alternative data โดยใช้ข้อมูลจากภาพถ่ายดาวเทียมรายละเอียดสูง + Deep learning เพื่อหา insight สำหรับการเทรด บริษัทที่ระดมเงิน 4 ล้านเหรียญในช่วงเริ่มต้น ซึ่ง application การนำไปใช้หลากหลายมาก ถ้าเคยดูทีวีซีรีย์เรื่อง Billions น่าจะเห็นตัวอย่างที่ซีรีย์พูดการใช้ดาวเทียมรายละเอียดสูงสอดแนมกิจกรรม รถขนส่งสินค้าเข้าออกของโรงงานของบริษัทผลิต Microchip สำหรับ IOT ในประเทศจีน เพื่อหาโ อกาสซื้อหุ้นเก็งกำไรผลประกอบการเป็นต้น ปัจจุบันยังมีอีกหลายเจ้าที่พัฒนาบริการข้อมูลลักษณะนี้เช่น Descartes Labs ที่ทำใช้ภาพถ่ายดาวเทียมและ infrared sensor ในทำนายผลผลิตต่อไร่ของข้าวโพดและธัญพืชเพื่อขายข้อมูลให้กับ บริษัทและกองทุนที่เทรดสินค้า commodity ก่อนที่จะมีการประกาศตัวเลขผลผลิตจริงที่จะเข้าสู่ตลาดเพื่อเก็งกำไรราคาสินค้า บทความนี้อ้างอิงข้อมูลจาก USDA ที่ระบุว่าเทคโนโลยี Remote sensing ใช้ภาพถ่ายดาวเทียมเพื่อเก็บข้อมูลสำหรับการพยากรณ์ปริมาณผลผลิต เช่นข้าวโพด นั้นดี แต่ยังไม่ดีพอที่จะแม่นยำ เนื่องจากบางพื้นที่ที่เกษตรกรมีการปลูกข้าวโพดแบบ c

เช้านี้นั่งอ่าน paper เรื่อง Two Centuries of Momentum ของ Newfound Research (Quant Investment Firm) มีหลายประเด็นที่น่าสนใจ โดยสรุป paper เขาเขียนถึง momentum strategies สไตล์ Buy High Sell higher นั้นแหละ แต่มิติในการเรียบเรียงนำเสนอไม่ใช่เรื่องกลยุทธ์อย่างเดียว ผู้เขียนนำเสนอประเด็นเกี่ยวกับ momentum ทั้งแบบ cross-sectional และ time series momentum แสดงข้อมูลประวัติตั้งแต่ยุคเริ่มต้นในตลาดหุ้น Wall Street ย้อนไปสมัย David Ricardo, Charles H. Dow(1851) และนำเสนอถึงช่วงตกต ่ำที่ทำให้คนจำนวนไม่น้อยหันหลังให้กับการเก็งกำไรหลังสิ้นสุดช่วงตลาดกระทิง นอกจากนี้ยังรวมไปถึงประเด็นที่เกี่ยวข้องกับ Modern Portfolio Theory + EMH ,Technical Analysis, Market anomaly และ Risk Management สำหรับผมคิดว่าตอน Manage Risk ด้วย momentum น่าสนใจสุดแหละ อ้างอิงการจัดพอร์ตผสม equity index, currency, commodity และ bond futures บนกลยุทธ์ momentum ของ AQR ซึ่งผู้เขียนไปหาข้อมูลอ้างอิงจาก Academic paper ในยุคต่างๆที่เกี่ยวข้องกับ Momentum Investing/Trading ได้หลากหลายดี เช่น paper คลาสิกสายนี้อย่าง Ret

คำถามยอดนิยมอันหนึ่งคือถ้าจะหัดเขียนโปรแกรมด้าน Quant แบบจริงจังควรเลือกภาษาอะไร เพื่อไม่ให้ bias จากมุมมองส่วนตัวผมจะขอยกคำแนะนำจาก บทความ How to become a Python coder at a top hedge fund เป็นการสัมภาษณ์จากคุณ Gary Collier ตำแหน่ง CTO ของ Man AHL Man AHL เป็น Quant hedge fund อันดับต้นของโลกมี AUM $24bn เป็นอีกบริษัท Quant Fund ที่แถวหน้าของโลก ที่มีบทบาทและผลงานด้านนี้อย่างจริงจังต่อเนื่องมากหลายสิบปี มีการเผยแพร่ตัว opensource tools ที่สนับสนุนการวิเคราะห์ข้อมูลด้าน fina nce และ time series data เช่นเดียวกันถ้าจะศึกษาด้าน Machine Learning (โดย research เฉพาะ Bayesian approach ) แนะนำให้ลองไปศึกษาได้จาก paper งานวิจัยของบริษัท ในบทความคุณ Gary Collier แกแนะนำภาษา Python ซึ่งเป็นภาษาที่มีจุดแข็งในงานด้าน Data Science และเป็นเครื่องมือสำคัญของ Quant Research (mathematical, statistical and machine learning ) นอกจากนี้ Man AHL ยังจัดงานแข่งขัน Hackathon เพื่อหาโปรแกรมเมอร์ python และ Data scientist เข้าร่วมทำงานในบริษัท อย่างต่อเนื่อง ในบทความ คุณ Gary Collier บอกว่าเขาสนใจที่ค

สัปดาห์ที่ผ่านมาเป็นวันสตรีสากล มีคำถามจากท่านหนึ่งเข้ามาว่ามีผู้หญิงที่ประสบความสำเร็จในด้านการลงทุนหรือการเทรดระดับโลกบ้างไหม?? คำตอบคือมีครับ หลายท่านด้วยแต่อาจจะไม่ได้เป็นที่รู้จักหรือโดดเด่นมาก วันนี้ผมนำท่านหนึ่งมาแนะนำให้พวกเราได้รู้จักกัน เธอคนนี้คือคุณ Leda Braga ฉายา Hedgefund Queen Leda Braga มีเส้นทางสายอาชีพที่โดดเด่นมากและประสบความสำเร็จเป็นที่ยอมรับอย่างสูงอีกคนในฐานะ Fund Manager ผู้หญิงคนนี้ปัจจุบันเธอเป็นผู้บริหารของ Systematica Investments ซ ึ่งเป็น Fund สาย CTA ที่ใช้ระบบแบบ computer trading ที่มีผลงานดี Systematica บริหารสินทรัพย์ระดับ $10.2 billion(2016) ย้อนไปหลายสิบปีก่อนเธอเป็นผู้หญิงอีกคนที่โดดเด่นในสายกลยุทธ์การเทรด Trend Following Leda Braga ปัจจุบันอายุ 50 ปีเธอเป็นผจก.กองทุนเฮ็ดฟันด์ที่มีรายได้สูงอันดับต้นของวงการราวๆ $60 million มีประสบการณ์ในตลาดยาวนานหลายทศวรรษ ปี 1994 เธอเข้าทำงานตำแหน่ง quantitative analyst กับ JPMorgan(Cygnifi Derivatives Services) เป็นนักวิจัยกลยุทธ์การเทรดในตลาดอนุพันธ์ จากนั้นปี 2001 ลาออกแล้วเธอใช้เวลา 14 ปีในการเป็นผู้บริห

ถ้าศึกษาหรือทดลองทำงานด้าน Quant หนีไม่พ้นเรื่องของ Data แน่นอนว่าถ้าหาฟรีไม่ได้ก็มีต้องซื้อจาก Data Provider ซึ่งก็จะมีต้นทุน กรณีที่เริ่มต้นมีบางแหล่งที่แจกจ่ายข้อมูลฟรีให้ได้ทดลองนำไปใช้อยู่ วันนี้มาแนะนำแหล่งข้อมูลฟรีจาก FXCM ซึ่งเป็นโบรกเกอร์ที่รองรับ Quant Trading System ล่าสุดเปิดช่องทางแจกจ่ายข้อมูลราคาในตลาดค่าเงิน(FX) จำนวน 21 คู่เงิน ระดับ Tick Data (Raw Data ละเอียดสุดยังไม่จัดกลุ่มตาม timeframe) โดยเป็นข้อมูลย้อนหลังตั้งแต่ปี 2015 ถึงปัจจุบันและจะมีการ Update ข้อ มูลใหม่ๆทุกๆสัปดาห์ การ Download ทำได้ผ่าน API แบบเป็น gz file ก็ได้หรือจะใช้ Python เขียนโปรแกรมสำหรับการ Download อัตโนมัติก็ได้เช่นกัน โดยเราสามารถเลือกรูปแบบ output file ที่ต้องการได้ ซึ่งผมมีโอกาสทดลองทั้งสอบแบบแล้ว พบว่าใช้งานได้ดีมาก ไฟล์ tick data ของค่าเงิน USDJPY ระยะ 1 ปีที่ดาวน์โหลดได้ เมื่อแตกไฟล์แล้วขนาดราวๆ 150 MB มี Feature ได้แก่ DateTime,Bid,Ask จำนวนราวๆ 1.8 ล้านบรรทัด หน้าตาเหมือนกับภาพด้านล่าง ตรงนี้เป็น csv สามารถนำเข้า database นำไปใช้ในการทำ data analysis ต่อได้เลย(ไม่

ช่วงสัปดาห์ที่ผ่านมา StockTwits จัดงาน Stocktoberfest 2017 ที่ San Diego มีหลายคลิปสัมนาที่น่าสนใจปล่อยออกมา ผมกำลังนั่งตามเก็บอยู่ หนึ่งในนั้นที่วันนี้มีโอกาสได้ฟังจบ คือหัวข้อ alternative data เขานำผู้เชื่ยวชาญด้าน Quant ใน wall street ได้แก่ Tim Harrington จาก Battlefin, Erik Haines จาก Guidepoint, Morgan Slade จาก CloudQuant, และ Chris Petrescu จาก WorldQuant มาแลกเปลี่ยนและให้ความรู้ ประเด็น The rise of quants and alternative data Alternative data ตอนนี้กำลังเป็น hot topic เติบโตและเป็นที่ต้องการมาก คุณ Petrescu พูดถึงคำว่า quantamental แนวทางของ Quant ผสมผสานกับ Fundamental เดิม กล่าวโดยสรุปคือ alpha model ในการลงทุน จากการใช้ทั้งข้อมูล fundamental เดิม(งบการเงิน) รวมกับข้อมูล alternative data เพื่อสร้างโมเดลประเมินกิจการ ทำนายผลประกอบการ ตัวเลขรายได้ของบริษัท Alternative data ที่พูดถึงมีตั้งแต่ข้อมูลเชิงตำแหน่ง เช่น geolocation จาก mobile ,ภาพถ่ายดาวเทียม(ตัวอย่างเช่นติดตามจำนวนรถในลานจอดรถของห้าง) , ข้อมูลการใช้บัตรเครดิต ยอดบัตรเครดิตในร้านค้า หรือสถานที่ต่างๆ ,

ทำการบ้านวันนี้นั่งอ่าน paper และ slide ของ qplum llc เป็น investment firm สาย AI มี AUM ราวๆ 28 ล้านเหรียญ คุณ Gaurav Chakravorty เขานำเสนอเกี่ยวกับ Deep Learning in Trading ในงานสัมนาที่ Univ. of Pennsylvania มีประเด็นน่าสนใจหลายเรื่อง โดยเฉพาะเรื่องของ A.I. and Deep Learning ในการเทรดและการลงทุน ใน slide เล่าถึงวิวัฒนาการของการพัฒนากลยุทธ์การเทรด จากอดีตมาถึงปัจจุบัน, HFT , แสดงการใช้เรื่องของ Data Science ในการสกัดเอา insight จาก Big Data จำนวนมหาศาลที่เกิดในแต่ละวัน( ข้อมูล,รายงาน,ข่าว,ราคา,ปริมาณการซื้อขาย,Market Data, Bid/Offer เป็นต้น) รวมถึงการนำข้อมูลเหล่านั้นมาพัฒนา Deep Learning Model เพื่อวิเคราะห์หารูปแบบ รวมถึงภาวะการเปลี่ยแนปลงของข้อมูลจำนวนมากและซับซ้อนที่เกิดขึ้น เพื่อนำมาใช้ประโยชน์ในการตัดสินใจซื้อขาย หุ้นและอนุพันธ์ สนับสนุนกลยุทธ์การเทรดแบบ High Frequency Trading สรุปย่อๆประมาณนี้ เข้าไปอ่านเพิ่มเติมได้จาก slide ด้านล่าง ปล. คลิปนี้ดีมากนะครับ คนพัฒนาระบบ มาบรรยายเอง มุมมองของจริงมาก ดังนั้นใครทำระบบด้านนี้แนะนำให้ลองฟังเลย ราวๆ 1 ชม. ดู profile ข

สรุปผลการแข่งขัน Robot Fighting รอบที่2 เหลือทีมผ่านเข้ารอบ 6 ทีมจาก 20 ทีมในเดือนที่1 เริ่มเทรดเก็บคะแนน รอบใหม่ต้นเดือนตุลาคมที่ผ่านมา โดยสัปดาห์ที่ 1 ตัว Vector Scalping 4x4 (Benchmark) คะแนนนำ เทรดไป 37 ครั้งเก็บคะแนน 405.0 pips การแข่งขันที่จัดเน้นการอยู่รอดระยะเวลา 2 เดือนในตลาด เทรดบัญชีจริง(micro) เน้นการเก็บ pip และคุมขนาด Draw down ให้ได้ตามเกณฑ์ จากการทำ Money Management ไม่เน้นการเร่งทำกำไรหรือการอัด lot size การแข่งขันนี้เพื่อให้เกิดประโยชน์กับสมาชิก จัดรายการ live ชื่อ Robot Fighting Documentary ประกอบไปด้วย โดยสอนเรื่องของ Tactic และกลยุทธ์ ช่วยทำให้สมาชิก พัฒนาระบบเทรด แบบยั่งยืน ไม่ล้างพอร์ต  สองตอนแรก เรื่องของ GRID Money Management สามารถเข้าฟังได้ที่ https://www.youtube.com/watch?v=Ly0OiUi2mrA https://www.youtube.com/watch?v=PRs35bvVH-Q

บทความนี้ของ FT น่าสนใจดี เขาเขียนถึง JPMorgan ที่กำลังพัฒนา AI มาทำงานด้านการส่งคำสั่งซื้อขายแทนมนุษย์ ตามข่าวอ้างอิงคุณ David Fellah ตำแหน่ง JPMorgan’s European Equity Quant Research team.ระบุว่าผ่านช่วงทดสอบการทำงานของ LOXM ปัญญาประดิษฐ์ ที่ JPM พัฒนาขึ้นมาใช้งานด้านการเทรด จากการทดสอบช่วงต้นปี 2017 ใน European equities segment พบว่ามีประสิทธิภาพการเทรดดีกว่า มนุษย์ ผลการทำงานออกมาดีกว่าค่าที่กำหนด โดยไตรมาส 4 ปี 2017 ขยายใช้งานในตลาด Asia และ US LOXM เป็น AI ทำหน้าที่ส่ งคำสั่งซื้อขายของลูกค้า โดยมันจะสามารถหา ราคาที่ดีที่สุด(Best Price) ให้กับลูกค้าได้ และบวกกับความเร็ว high speed รวมถึงกลยุทธ์การส่งคำสั่งขนาดใหญ่ การวิเคราะห์ข้อมูล Order Book ที่เกิด บทความอธิบายแนวคิดเบื้องต้นสำหรับการพัฒนา AI ด้วย “Deep Reinforcement Learning” ซึ่งใช้ข้อมูล Order ที่มีการซื้อขายและจับคู่ในอดีตของ JPM จำนวนหลายล้านรายการมา Training เพื่อสร้าง model ที่ช่วยให้ สามารถส่งคำสั่งหาราคาที่ดีที่สุด และหลีกเลี่ยงผลกระทบการส่งคำสั่งขนาดใหญ่จำนวนมาก ที่ทำให้ราคาตลาดปั่นป่วนจนเกิดความไม่ปกติไ

เข้าสู่ช่วงครบรอบ 10 ปี วิกฤติการเงินสหรัฐตอนปี 2007 ช่วงตลาดเผชิญภาวะเลวร้าย ตอนนี้มีเทรดเดอร์และผู้จัดการกองทุน หลายท่านออกมาเขียนบทความถึงเหตุการณ์ที่เกิด ผมไล่อ่านหลายบทความ มีหลายประเด็นน่าสนใจโดยเฉพาะด้าน Quant Fund กับภาวะตลาดไม่ปกติ การล้มของกองทุนที่รันด้วย Quant strategies ช่วงปี 2007 รวมไปถึงความกังวลที่หลายคนเขียนคล้ายๆกันคือ การเกิด melt down ของตลาดที่จะมีรูปแบบแตกต่างไปจากอดีต เนื่องจากการ action ของ machine หรือพวก AI trading ประเด็นหนึ่งที่ปัจจุบันมีการพูดถึ งมากเรื่อยๆคือ การพัฒนา Quant trading ด้วย AI ที่ไม่ใช่แค่ฉลาดหรือมีกลยุทธ์ซับซ้อนอย่างเดียว แต่เทรนไปทาง สร้าง AI ให้มีความสามารถเพิ่มวิเคราะห์ข้อมูลตลาดเรียลไทม์เพื่อจับ market anomaly หรือความผิดปกติตลาดให้ได้ และขายออกด้วย high frequency trading ให้เร็วกว่าคนอื่นๆ (รวมร่าง AI + HFT ) เพราะตรงนี้เป็นการป้องกัน Risk และไม่ต้อง play god ไปพยากรณ์คาดเดาตลาดทิศทางราคาล่วงหน้าหรือรีบไปซื้อสวนก่อนราคากลับตัว ลองจินตนาการ AI เห็นโอกาส ซื้อทำกำไรจากการเคลื่อนของราคา จากการวิเคราะห์ข้อมูลต่างๆ แถมเข้าได้เร็