cwayinvestment

วันนี้ได้อ่านบทความน่าสนใจ เพื่ออธิบายเพิ่มเติมเรื่อง AI ที่บรรยายเมื่อวาน เลยนำตัวโน๊ตสรุปคราวๆมาแปะไว้ให้พวกเราลองไปศึกษาเพิ่มกัน - บริบัทวิจัย Preqin ประเมินว่า1,360 hedge funds ได้ทำการใช้พัฒนาระบบ computer trading (ลดการใช้จำนวนคน) ปัจจุบันในตลาดสหรัฐปริมาณซื้อขายส่วนใหญ่มาจาก algorithmic trading (rule based) - บางบริษัทใช้ AI เพื่อโฆษณา แต่ไม่ได้เน้นพัฒนาหรือนำไปใช้มาก - Aidyia ใช้ Deep Learning ในการสร้างโมเดลสำหรับการเทรด จากการประมวลผลข้อมูลจำนวนมาก หลากหลายชนิด โดยเฉพาะพวก unstructured data ไม่ใช่ price data อย่างเดียว เพื่อ วิเคราะห์สภาวะตลาดและโอกาสในการตัดสินใจเทรด [ไม่ใช้ algorithm คงที่] - การใช้ alternative data กลุ่ม unstructured data ยังเป็นอาวุธลับยอดนิยมในปัจจุบัน - AI สไตล์ Deep Q-Learning กำลังมาในด้านนี้ แทนจะ prediction ราคาที่เป็น non linear แบบเดิมใช้การหา solution จากสอนโมเดลด้วย reinforcement learning (AI ตัดสินใจซื้อ/ขาย จากการเรียนรู้ทดลองทำในภาวะตลาดต่างๆ) - กลุ่มนี้ใช้ AI ในกรอบของการบริหารพอร์ต มีการทำ TAA กำห

เมื่อคืนได้ติวเทรดเดอร์ที่จะลงแข่งรายการปีหน้า 2019 ผมอธิบายการวิเคราะห์ volume นอกจากการดู volume profile แบบทั่วไปแล้ว อีกรูปแบบที่เราสามารถทำ volume analysis ในลักษณะการดู zone ราคาได้นั้นคือ การใช้ volume footprint โดยดูแรงปะทะและดูการเกิดของ volumeในระดับ zone ราคาต่างๆตามช่วงเวลาที่เราสนใจ การวิเคราะห์ลักษณะนี้ถ้าไม่ได้ส่งต่อไปทำ data analysis เช่นการจัด weight เพื่อ คำนวณร่วมกับข้อมูลอื่นๆ เพื่อวางแผนการเทรด หรือทำ money management เราก็สามารถใช้ดู market activity และ Depth of Market (DOM) ที่เกิดได้ โดยเฉพาะทิศทางการเดินของราคาสินทรัพย์ ทั้งในภาพใหญ่และภาพเล็ก รวมถึงการใช้ดูแนวรับ แนวต้าน หรือราคาที่มีนัยยะต่อการตัดสินใจของผู้เล่นในตลาด volume footprint จะแตกต่างการดู volume รายช่วงเวลา ทั่วไปตรง มีการแยกมิติของระดับราคาที่สะท้อนความถูกแพง , market discount และความผันผวนจากกรอบการเคลื่อนไหวของราคาที่เกิด ปล. ถ้าดูเรียลไทม์ในโปรแกรทรดบางตัวมีฟังก์ชั่นนี้ ถ้าไม่มีก็ต้องเขียนโปรแกรมเพื่อสร้างการจัดกลุ่มข้อมูล volume สำหรับการวิเคราะห์ footprint เอง

ภาพประกอบการอธิบายสรุปพฤติกรรมราคา fx ทีผมพูดถึงเมื่อคืนนะครับ โดยสรุปเหมือนได้กล่าวไป เดือนธันวาคม ปลายปี 2018 ภาวะความวิตกกังวลเข้ามาเต็มๆ บางกูรูเขาบอกว่าตลาดหุ้นสหรัฐ ยุโรป ญุี่ปุ่น เข้าภาวะตลาดหมีช่วงเริ่มต้นแล้ว (แต่ที่น่าสนใจคือ บางกูรู บางนวค. ยังไม่ได้เห็นตรงกัน มองว่า ผลประกอบการบริษัทเหล่านี้ยังดี แต่เนื่องจากราคาวิ่งสูงช่วง 2 ปี อาจจะเกิดแค่การปรับฐาน) สิ่งที่ชัดเจนอีกประการคือ ความไม่แน่นอนทางเศรษฐกิจการเมืองสหรัฐ ประเด็น trade war พักเบรก, แต่สหรัฐมีประเด็นการ shutdown government ที่ร้อนมาล่าสุด เกิดจากขัดแย้งของสองขั่วการเมือง เรื่องงบประมาณสร้างกำแพงชายแดน , รวมถึงประเด็นการวิจารณ์ ลามไปถึงความคิดปลดประธานเฟด ของ โดนัล ทรัมป์ ปมไม่พอใจการปรับขึ้นอัตราดอกเบี้ย พฤติกรรมราคาสินค้า ตอนนี้ สินทรัพย์ปลอดภัย เช่น JPY , GOLD, CHF ปรับบวกขึ้นรุนแรงในช่วง 1 เดือน โดยเฉพาะค่าเงิน JPY ที่แข็งค่า จนรัฐบาลญุี่ปุ่นออกมาแถลงความเชื่อมั่น พร้อมรับมือและติดตามความเคลื่อนไหวในตลาดเงินอย่างใกล้ชิด เฝ้าระวังว่ามีการเก็งกำไร จากภาพจะเห็น การเปลี่ยนแปลงรอบ week เทียบกับ 3 month ค่าเงิน

- Cliff Asness วัย 52 ปี มหาเศรษฐีพันล้านเป็น ผู้บริหารของ AQR Capital มี AUM $226 billion เขาจบ Phd เป็นศิษย์เอกของ Eugene Fama โลดแล่นในตลาดกว่า 20 ปี - สัมภาษณ์ยาวมาก แบ่ง 3 ด้านหลักเรื่องของทิศทางตลา ด, กลยุทธ์ของ AQR และ Quant ในยุคปัจจุบัน -1.ปี 2018 ไม่ใช้ปีที่ดีของ Quant Strategies เมื่อเทียบกับ 3 ปีก่อนหน้า ภาวะตลาดมีคว ามผันผวน มีปัจจัยต่างๆกดดัน แต่ยังไม่ถึงกับเลวร้าย ต้องถอดใจ -2. Asness พูดถึง trend following ต่อจากความเห็นของ david harding ที่ระบุว่า winton ลดน้ำหนักในกลยุทธ์ Trendfollowing +ลดค่า free ในกองทุนที่รันด้วยกลยุทธ์น ี้เพราะมองว่าอนาคตอาจจะไม่ สามารถทำผลงานได้ดี Asness แสดงความเห็นว่า trend following อาจจะทำผลงานไม่ดีเหมือนยุค อดีต แต่เขายังเชื่อว่าการเคลื่อ นตัวของแนวโน้มยังมีอยู่ เปลี่ยนรูปไป reverse บ่อยขึ้นและมีความผันผวนมาก ขึ้น แต่การใช้กลยุทธ์ต้องระวัง -3. การ diversification เชิงกลยุทธ์ สร้าง return ผสมกลยุทธ์ประเภทอื่นๆ เช่น factor, value ,momentum ร่วมกับ trend following พิจารณา liquidity และ Volatility ของตลาด ร่วมการจัดการความเสี่ยง กำหนดขนาดของเงิ

เช้านี้นั่งฟัง podcast สัมภาษณ์รายการ BST หัวข้อ Strategy Development with Perry Kaufman บรรยายแนวทางการพัฒนาระบบเทรด ไว้ดีมากหลายประเด็น จากการถามตอบกว่า 60 นาที ผมสรุปประเด็นที่น่าสนใจมาแบ่งปัน ไว้ให้ไปศึกษากันดังนี้ 1. Long Run พัฒนาระบบที่ดี ไม่ใช่แค่ดูผล Backtesting หรือ optimize ให้มีค่าสถิติดีๆ ต้องเน้นการอยู่รอดและทำงานได้จริงแบบ long run ในตลาด Kaufman บอกว่าเขาทดสอบระบบในหลาย scenario เพื่อหาค่าผลลัพธ์แบบเฉลี่ย ถ้าค่าเฉลี่ยออกมามันใช้งานได้ ไม่จำเป็นต้องสุดยอด เขาเริ่มทดลองใช้เทรดจริงในตลาด 2. keep it simple ไม่จำเป็นต้องสร้างเงื่อนไข การเทรดที่ซับซ้อน ยิ่งเยอะยิ่งยากต่อการปรับปรุง หรือวินิฉัยปัญหา เน้นเรียบง่าย แต่มีประสิทธิภาพ แต่ละส่วนมีบทบาทชัดเจน เช่น volatility filter มันทำหน้าที่กรองความผันผวน ซึ่งเสริมส่วนทำงานการวิเคราะห์ Trend เป็นต้น นอกจากนี้ถ้า เงื่อนไขใดซ้ำซ้อนไม่เกิดประโยชน์ ต่อผลลัพธ์ ก็ควรจะขจัดทิ้ง 3. Knowledge การพัฒนาระบบเทรด ควรเริ่มจากความเข้าใจหลักการพื้นฐาน นั้นหมายรวมการหาข้อมูล การวิเคราะห์พฤติกรรมการเป็นไป การไหลของเงิน fundflow มูลเหตุจูงใจท

เมื่อคืนได้พูดถึงกระบวนการทดสอบระบบเทรด เพื่อทำให้เกิดความมั่นใจก่อนนำไปใช้งาน ประเด็นสำคัญที่ต้องระวังคือเรื่องของ Data-mining bias หรือการพยายามจะปรับ optimize ตัว algorithm เพื่อให้เกิดค่าที่ดีเกินจริงจากการ Over fitting กับข้อมูลที่นำมาทดสอบ หลักการประยุกต์เหมือนที่ได้แนะนำไปมีหลากหลายวิธี เช่นการใช้การสร้างใช้ Bootstrapping จำลองข้อมูล,การทำ WFA, การทำ stress testing (จำแนกการทดสอบระบบกับจุดภาวะต ลาดไม่ปกติ) สิ่งสำคัญควร focus ไปที่โอกาสของการขาดทุนและความเสี่ยงที่จะเกิดให้มาก เพราะตรงจุดนี้จะช่วยทำให้เราเตรียม tactic หรือแผนรับมือเสริมประกอบเพื่อช่วยลดผลกระทบจากการเทรดจริงได้ ดังกล่าวไปเรื่องของการ BackTesting และกระบวนการพัฒนาระบบเทรดไม่ใช่เรื่องใหม่ มี paper วิชาการที่นำเสนอเทคนิคต่างๆให้เราอ่านเยอะมากเลย ตั้งแค่ขั้นพื้นฐาน ยันขั้นสูง ลองเข้าไปดูเบื้องต้นได้จากใน link ข้างล่าง ผมคัด paper ที่ผมใช้งานประจำมาให้น้องๆได้เตรียมตัวศึกษาก่อนแข่งกัน -Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample https://papers.ssrn.co

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