cwayinvestment

เอา paper มาแชร์อธิบายเพิ่มจากที่กล่าวถึงกลยุทธ์ Betting Against Beta (BAB) ไปเมื่อวาน ซึ่ง BAB โฟกัสเน้นไปที่กลุ่ม low volatility , low beta ( สไตล์ short high beta ,long low beta แล้วใช้ leverage เพื่อ adjust ค่า beta รวมให้เข้าใกล้ 1) ปัจจุบันมี paper เขียนถึง Betting Against Beta เยอะโดยเฉพาะของ AQR หรือแม้แต่ paper ตัว buffett's alpha ก็มีการอธิบายกลยุทธ์นี้ไว้ ถ้าใครเพิ่งเริ่มศึกษาแนะนำให้ลองอ่านบทความนี้ของ J ack Vogel เขาแสดงผลการทดสอบ BAB พร้อมประเด็นเปรียบเทียบการจัด weight แบบต่างๆและการกำหนด factor ในการเลือกหุ้นประกอบ(ช่วยปิดจุดอ่อนของการใช้แค่ค่า correlation อย่างเดียว) รวมถึงพวกข้อจำกัด เช่นต้นทุนในการเทรด สภาพคล่องของหุ้นและอื่นๆอีกด้วย อ่านเพิ่มเติม https://alphaarchitect.com/2019/08/06/betting-against-beta-bab-construction/ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3300965

ทุกวันนี้มีคนพูดถึง AI เยอะมาก แต่เอาจริงๆ ไม่เยอะเท่าไหร่ที่ได้ลงไปเรียนรู้หรือพัฒนาเชิงลึก ทำให้เราจะพบทั้งข้อคิดเห็น ความเชื่อ และการมโน ต่างๆนานาๆ ทั้งเชิงลบ เชิงบวกเกินความเป็นจริงในปัจจุบันไปมาก ถ้าเราเป็นคนวงนอก ไม่ได้ทำงานด้านนี้ ไม่ได้เข้าไปสัมผัสหรือศึกษาด้านนี้จริงจัง ทางหนึ่งที่เราจะเข้าใจได้ว่า AI มันมีความสามารถ ในการทำงานต่างๆ ไปถึงไหน เราก็ควรหาข้อมูลหรือดูจากตัวอย่าง ของจริง(ซึ่งจำนวนไม่น้อย ออกจาก paper งานวิจัย  มาเป็น Product หรือธุรกิจแล้ว) อย่างในวันนี้ผมเอาตัวอย่างของเว็บหนึ่งชื่อ Deepindex เขานำตัวอย่างการนำ AI ที่พัฒนาออกมาใช้จริง (in action) เป็นธุรกิจ มารวบรวมไว้กว่า 630 ตัวอย่าง รวมถึงมีการ track สถานะการพัฒนาการของเทคโนโลยีไว้ด้วย นอกจากนี้เขายังแยกตามกลุ่มอุตสาหกรรม และประเภทงาน ทำให้ง่ายต่อการเข้าไปศึกษา AI ไม่ใช่เรื่องของกระแส แต่มันเป็นเทคโนโลยี สิ่งที่น่าสนใจคือโมเดลธุรกิจ บางเจ้าไม่เก่งพัฒนา ไม่ได้สร้างโมเดลการคำนวณอะไรใหม่ซับซ้อน แต่ประยุกต์ใช้ AI ในธุรกิจได้เหนือชั้น ก็ทำให้เกิดความได้เปรียบ และ disrupt อุตสาหกรรมเดิมได้ ที่สำคัญมันไม่

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

เช้านี้ผมได้อ่านบทความหนึ่ง ชื่อ Trading Volatility as an Asset Class จาก thehedgefundjournal ค่อนข้างน่าสนใจ โดยเฉพาะ น้องๆที่จะหัดเทรด options อยากให้มองประเด็นนี้ให้ชัด มันช่วยพัฒนากลยุทธ์ได้มากกว่าการไปนั่ง เก็งกำไรกับทิศทางราคา ไอเดียหลักบทความนี้ พูดถึงการที่เรามอง volatility ของราคาให้เป็นเหมือน asset ตัวหนึ่งในพอร์ต ซึ่งมีการ implement ได้หลายแบบ ในบทความนี้เน้นใช้ options เพื่อ diversify กระจายความ เสี่ยงรวมของพอร์ต ใช้ options ควบคู่กับ core asset ที่อาจจะใช้ strategies หลักระยะยาวรันขนานกันไป กับ options ที่มีช่วงเวลาวันหมดอายุ แต่ช่วยให้ผ่าน market volatile ที่เกิดได้ในอนาคต เป็นการวางกลยุทธ์ในระดับ portfolio management strategies ที่ประเมิน volatility ใน asset หลักที่เกิดจากนั้นใช้ options มาเป็นตัวดูดซับ ค่าความไม่แน่นอนตรงนั้น ซึ่งบทความนี้ผู้เขียนมองถึงปัจจัยเสี่ยงภายนอก ที่เชื่อว่าจะมีอิทธิพลมากขึ้น เช่นเรื่อง ความไม่แน่นอนเศรษฐกิจโลก, นโยบายธนาคารกลางรอบใหม่, การเปลี่ยนแปลงอัตราดอกเบี้ย, US debt ceiling และสเถียรภาพของ eurozone เป็นต้น ผลกระทบปัจจัยเหล่านี้ส

ถ้าศึกษาด้าน quant แนะนำลองอ่านบทความนี้ เรื่องราวของ David Siegel และ John Overdeck พาTwo Sigma จาก boutique firm มาสู่ institutional asset manager ขนาดใหญ่ จุดเริ่มต้นในปี 2002 ที่ได้รับเงินทุนสนับสนุนจาก Paul Tudor Jones และ Tom Hill (ในเวลาต่อมา) จนวันนี้กลายมาเป็น quant hedge fund อันดับต้นของ อุตสาหกรรม (AUM $60 billion) key take away บทความนี้มีเยอะมาก เช่นเรื่องประวัติ เส้นทาง อาชีพของ David Siegel และ John Overdeck ทั้งสองมีพื้นฐานด้านวิทยาศาสตร์ overdeck ชำนาญ math ส่วน siegel คนนี้จบ phd ด้าน computer science จาก MIT เชี่ยวชาญสาย Artificial Intelligence ซึ่งก่อนหน้าทำงานให้กับบริษัทของ D.E. Shaw จากนั้นไปทำงานเป็น chief technology officer ที่ Tudor Investment ให้กับ PTJ เป็นเวลา 4 ปีก่อนมาตั้ง Two Sigma ประเด็นหนึ่งที่ผมชอบคือ Two Sigma ไม่ใช่ quant ที่แค่เอา datascience มาใช้เพื่อทำนายตลาด มันครอบคลุมเรื่องของการใช้เพื่อทำ risk management, portfolio management ร่วมไปกับการทำ stategies สร้างผลตอบแทนกลุ่มหลักได้แก่ equity market-neutral และ various macro strategies ครอบ

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

ตอบคำถามจากพี่ท่านหนึ่ง ต้องการหา data ของค่าเงินและ CFD มาทดลองทำระบบเทรด จริงๆเหมือนเคยได้เคยแชร์ไปว่ามีหลายเหล่งทั้งฟรีและเสียเงิน แต่ถ้าเพิ่งเริ่มต้นใช้ระดับฟรีไปก่อน อย่างของ FXCM ซึ่งเป็นโบรกที่มีบริการ data service ให้ใช้ ทั้งแบบฟรีและเสียเงิน รวมถึงการใช้แบบขั้นสูงผ่าน API เรียกด้วย python เพื่อนำไปทำระบบเทรดต่อได้เลย สะดวกมาก ปัจจุบัน FXCM มีบริการข้อมูลแบบฟรีและไม่ฟรี โดยแบบฟรีจะมีทั้งแบบ tick data คือข้อมูลละเอียดระดับ วินาที ไม่มีการจำแนกจัดเข้าตาม timeframe เหมาะกับการนำไปวิเคราะห์เชิงลึก แต่ข้อมูลตัวนี้ขนาดใหญ่ และแจกฟรีแค่ 1 ปี (อยากใช้ข้อมูลย้อนหลังทำงานต้องซื้อ tick data เอา) อีกส่วนเป็น data แบบ OHLC จัดรูปตาม timeframe เลือกได้ต่ำสุดระดับ นาที ดาวนโหลดฟรีย้อนหลังได้ 5 ปี ถ้าโหลดผ่าน data downloader app ได้ 10 ปี ส่วนข้อมูลอื่นๆพวก premuim ก็มีขายเช่น realtime data, volume, sentiment, Order Flow , Market Depth เป็นต้น ถ้าต้องการใช้งานเข้าไป ดูได้จาก link ด้านล่างครับ ปล. อนาคตถ้ามีโอกาส จะมาสอนการเขียน python เพื่อทำระบบเทรดอัตโนมัติ ผ่าน API ของ

IntelligentCross เป็นบริษัท startup ที่ทำ AI ประเภท Alternative Trading System (ATS) อธิบายสั้นๆคือการนำเอา machine learning มาคำนวณพฤติกรรมตลาดและปริมาณ Bid offer เพื่อหา ราคา midpoint สำหรับซื้อขายที่ดีที่สุด(best bid offer)ในตลาด สำหรับการ excution price ช่วย โบรกเกอร์ และนักลงทุนรายใหญ่ ในการลดต้นทุน ลดผลกระทบจากภาวะตลาดและเพิ่มประสิทธิภาพในการส่งคำสั่งสำหรับการซ ื้อขายหุ้น บริษัทนี้มีผู้สนับสนุนทางการเงินจาก Point72 บริษัท hedge fund ของ Steven Cohen ปัจจุบันบริษัท IntelligentCross ส่งคำสั่งซื้อขายรวม 1 billion shares พัฒนาโมเดลการหา best excution price แบบ Adverse Selection Protection Engine และการส่งคำสั่งระดับ 150 microseconds to 300 microseconds ซึ่งในอเมริกามีบริษัทใช้เทคโนโลยีส่งคำสั่งด้วย Speed (milliseconds) + AI-assisted order type รวมกัน 31 บริษัท และมีจำนวนการซื้อขายรวม 6.5 billion shares ต่อวัน ในตลาดหุ้นหลักของอเมริกา กูรูอเมริกา มีการวิจารณ์ ระบบ Alternative Trading System (ATS)ไว้ว่า การเทรดระยะสั้น อนาคตจะยิ่งยากขึ้นไปเรื่อยๆ เช่นเดียวกันภาวะ volatile ข

เมื่อปี 2018 ผมนำเอา paper เรื่อง Buffett's Alpha ของ Andrea Frazzini ทีมวิจัย AQR ศึกษาไว้มาอภิปรายให้ฟัง ปีนี้ 2019 Aaron Brown จาก NYU ทำการศึกษาพอร์ตลงทุนระยะยาว ของเจ้าพ่อ fixed income อย่าง Bill Gross และเผยแพร่ paper ที่ชื่อว่า Bill Gross' Alpha: The King Versus the Oracle วันนี้ผมมีโอกาสได้นั่งอ่าน paper นี้ พบว่ามีประเด็นที่น่าสนใจหลายด้าน ซึ่งจะเห็นแนวทางการสร้าง alpha ของ Bill Gross ตลอดระยะเวลาหล ายสิบปี(1987-2014) นี้ไม่ธรรมดาจริงๆ ตลาด Fixed income อาจจะต่างจากหุ้น แนวทางการลงทุน หรือการวางกลยุทธ์แตกต่างไป พอไปเทียบกับ warren buffet อาจจะดูได้ยาก แต่สิ่งหนึ่งที่ paper นี้สะท้อนให้เห็นคือ ทุกแนวทาง ล้วนประสบความสำเร็จได้ทั้งนั้น จากรายงานจุดน่าสังเกตคือการวิเคราะห์ correlation ระหว่าง bond และทำ risk premium allocatorไปยังประเภท bond ต่างๆผสานทั้งการสร้างโอกาสเพิ่ม high return ใน bond เสี่ยงสูงผสมกับการคุมความเสี่ยงในการลงทุน bond เสี่ยงต่ำ อายุยาว ซึ่งการคำนวณตรงนี้เป็นเรื่องการวิเคราะห์ข้อมูล นอกจากนี้คุณ Bill Gross ยังสามารถหาจังหวะการเก็บ credit risk

บทสัมภาษณ์จากงานสัมมนา ของคุณ James Simons ตอนที่ 2 เกี่ยวกับ Finance ซึ่งเกี่ยวข้องกับการทำธุรกิจ hedgefund สาย Quant ของเขา คลิปเนื้อหาความยาวๆ 1.30 ชม. ผมคิดว่ามีหลายประเด็น น่าสนใจและเป็นประโยชน์ต่อคนสนใจด้าน Quant จึงสรุปเนื้อหาคราวๆมาให้อ่านกัน เข้าไปอ่านได้จาก link ด้านล่าง  https://medium.com/…/math-money-and-making-a-difference-8bd… ดู vdo คลิปต้นฉบับเต็มจาก https://www.youtube.com/watch?v=srbQzrtfEvY ปล. ลองฟังคนที่ประสบความสำเร็จ ในตลาดจริงๆพูด นี้ได้เปิดความคิดและมุมมองอะไรหลายอย่างมาก แนะนำให้ลองฟังกันครับ

ภาพประกอบการบรรยายเมื่อวาน ให้กลุ่ม Robot trading เกี่ยวกับการใช้ประโยชน์จากการบริหารเวลา Time Horizon กับภาวะ volatile market ในตลาด Gold ในภาพตัวระบบเทรดทดลอง ระบบเดียวกัน(trading strategies&MoneyManagement เดียวกัน)แต่กำหนด time horizon ในการ exit strategies ที่แตกต่างกัน ตัวโมเดลแรก 5 วัน โมเดลที่สอง 15 วัน สิ่งที่พบเหมือนที่ได้สรุปให้ฟังไป ความผันผวนระยะสั้น ที่เกิดกับตลาด ถ้าไม่เกิดการเปลี่ยนสมดุล หรือเกิดการเปลี่ยนของแนวโน้มใหญ่ในทิศทางราคา การขยายเวลาถือครอง ก็ลดผล กระทบจาก ความผันผวนระยะสั้นได้ ซึ่งจากผลการทดลองจะเห็น position ที่อาจจะผิดทางตอนแรก จาก volatility ที่เกิด สามารถกลับมาเป็นบวก เปลี่ยนจากขาดทุนกลายเป็นกำไรได้ ในช่วงเวลาต่อมา ดังนั้นการทำระบบเทรดใน ภาวะ volatile market ต้องวางแผน money management บริหารเงินให้ครอบคลุมการถดถอยของมูลค่าสถานะ จากภาวะความผันผวน ที่เกิด โดยรวม 3 factor สำคัญมาวางแผน Time , Volatility และ market sentiment นอกจากนี้ สามารถใช้ MFE, MAE วิเคราะห์ position ที่เทรดแล้ว เทรนโมเดลในการปรับปรุงระบบได้อีกด้วย

เช้านี้นั่งอ่าน paper เก่าของ Meb Faber ชื่อ The Trinity Portfolio A Long-Term Investing Framework ไปสะดุดกับภาพหนึ่ง น่าสนใจดี เพราะบางทีมันถ้าเราเข้าใจพฤติกรรมของตลาด เราก็สามารถหาประโยชน์จากมัน Trinity Portfolio น่าสนใจเพราะเขาใช้หลัก portfolio management เป็นตัวนำ ในการจัดการความเสี่ยง เริ่มตั้งแต่การ diversification จากนั้นทำ multi strategies ผสมทั้ง Trend / TSMOM และ Value เพื่อหาโอกาสในสร้าง risk adjusted return ให้เหมาะสม และเพิ่มการอยู่รอด ของพอร์ต ประเด็นนี้มันเ ป็นอีกตัวอย่างหนึ่ง ที่ทำให้เห็นการปรับตัวของ Trend Following ในตลาดยุคใหม่ ที่สำคัญ มันไม่ใช่สิ่งจำเป็นที่ต้องมานั่งเถียงกันเอาเป็นเอาตายว่าอะไรดีกว่ากัน เพราะทุกกลยุทธ์ ต่างมีจุดเด่นในภาวะตลาดที่แตกต่างกันเสมอ(อันนี้คือ fact ไม่ใช่ opinion ) สิ่งที่น่าสนใจใน paper มีอีกหลายส่วน สนใจอ่านเพิ่มเติมได้ที่ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2801856

เคยมีคนเขียน email มาถามเรื่องการนำ AI ไปใช้ในบริษัท หรืองานด้านต่างๆ แต่ไม่รู้จะเริ่มอย่างไร(ที่จะไม่ยาก ไม่มากเกินความสามารถของมือใหม่) แนะนำให้ลองดูอันนี้ AI For Everyone ของ โปรเฟสเซอร์ andrew ng ตัวนี้จะแตกต่างจาก deep learning specialist ที่ผมได้เรียนและนำมารีวิวแนะนำไปก่อนหน้า เพราะจะไม่ได้ลงเรื่อง math หรือกระบวนการรายละเอียดเชิงลึก แต่เน้นภาพรวม workflow ตัวอย่างการพัฒนาโปรเจค และการนำไปใช้งานในบริษัท ช่วยให้เข้าใจเรื่องของ AI อย่างแท้จริง ลดความสับสนเพราะ ทุกวันนี้ใครๆก็พูดถึง AI แต่มีไม่มากที่มีโอกาสได้ลงมือศึกษาหรือปฏิบัติจริงๆ  อีกประการ "ความรู้" ด้านนี้ มีติด resume  ไว้ก็ไม่เสียหาย เพราะถึงแม้จะไม่ได้ชำนาญหรือเขียนโปรแกรมพัฒนาได้เป็น แต่รู้จัก เข้าใจ AI เทคโนโลยีที่เกิดในอนาคต ย่อมมีความได้เปรียบในแง่การประสานงาน หรือทำงานร่วมกับ AI และเปิดช่องทางโอกาสดีๆในอนาคตให้กับตัวเราอีกด้วย ผมใช้เวลาช่วงเย็นๆ นั่งฟัง อ. andrew ng บรรยายเพลินมาก ตัวอย่างเยอะ อธิบายเข้าใจง่ายดีมาก แม้คนไม่มีพื้นฐานมาก่อนก็ฟังได้ โดยเฉพาะตัวเทคโนโลยี machine learning & Deep

แนวคิดกลยุทธ์การเทรด ที่อธิบายเมื่อคืนนะครับ ดังที่บอกว่าเรื่องที่นำมาสอน นำมาเผยแพร่ก็มาจากการอ่าน และพยายามให้แหล่งต้นทางต้นฉบับ เพื่อให้พวกเราไปศึกษาต่อยอด Volatility Scaling บทความนี้ ทีม quant ของ MAN AHL อธิบายถึงการเทรด asset ที่เป็น asymmetry distribution(โลกความเป็นจริงส่วนใหญ่ก็จะเป็นลักษณะนี้) วิเคราะห์ skew จากข้อมูล dialy หรือ monthly return ใน Medium term , ซึ่งพฤติกรรมความสัมพันธ์ของดีกรี skew ตรงข้ามกับ return ของ asset ดังนั้น เขาใช้ volatility scaling มาลด effect ในการเทรด asset ประเภทนี้ โดยเฉพาะเมื่อเจอกับ negative skew ใช้การแบ่ง position เป็นระดับย่อย 3 ระดับ และปรับขนาด position size ไปตามการประมาณค่า skew ที่เกิดใน asset เพื่อสร้างผลตอบแทนเป็นบวกในพอร์ต (ตรงนี้ช่วยพวก mementum ลดขนาดของ Drawdown ลงได้ด้วย) ทดแทนประเภท constant position sizing ถ้าอ่านในบทความที่ neil อธิบายจะเห็น trading strategies ที่พวกนี้ใช้ มันไม่ใช้เครื่องมือวิเศษ แต่มันเป็นเหมือน function ในการแปลงเส้นกราฟ return จาก asset ให้เป็น ผลกำไร/ขาดทุน (return) ที่โชว์ในเส้น balance cu

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