cwayinvestment

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

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

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

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

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

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

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