cwayinvestment

บันทึกค่าเงิน USD ในวันที่ Fed ลด ดอกเบี้ยครั้งแรกในรอบ11ปี .................... เมื่อคืนผลการตัดสินใจดอกเบี้ย ของ Fed ลง 0.25% เป็นครั้งแรกในรอบ11ปี ตามที่ นวค.คาด แถมท่าทีการแถลงของประธานเฟด แสดงชัดว่า อาจจะมีการปรับอัตราดอกเบี้ยครั้งต่อไปในปีนี้ (คาดกันที่ 3 ครั้งแต่ดูเหมือนจะเกิด 2 ครั้ง รอติดตามรอบประชุม ตค.) นอกจากนี้ยังมีเรื่องของการประกาศสิ้นสุด การลดงบดุล นวค.มองว่าเป็นการเปิดช่องการทำ QE รอบใหม่ ความน่าสนใจคือ ครั้งนี้เป็นการปรับลดอัตราดอกเบี้ย ในช่วงที่ตัวเลขเศรษฐกิจดี ตัวเลขการจ้างงานดี ดัชนีตลาดหุ้นจุดสูงสุด แตกต่างจากอดีตที่ทำเมื่อเกิดวิกฤติหรือปัญหาแล้ว จุดนี้ นวค.มองว่า Fed เลือกการชิงดำเนินนโยบายแบบก่อนจะเกิดการถดถอย(ปัจจัยจากประเด็นสงครามการค้า ชะลอเศรษฐกิจ) เช่นเดียวกัน การลดอัตราดอกเบี้ยอาจจะเป็นอีกทางใช้กระตุ้นเงินเฟ้อ(inflation) ที่ดูเหมือนยังไม่กลับเข้าเป้า 2.0% ที่ต้องการได้ ร่วมกับแรงกดดันจาก โดนัล ทรัมป์ ที่วิจารณ์และมีท่าทีกดดันเรื่องนี้ชัดเจนต่อเนื่อง ตลอดปีที่ผ่านมา ตลาดหุ้นรับข่าวเรื่องนี้ไม่เยอะ ไปทางลบปิดเมื่อวานหลังรับข่าว -1.09% นวค.มองว่าผ

เมื่อคืนมีคำถามเรื่อง MM ที่ใช้กับ Trend Following ด้วย VWAP Strategies ในตัวอย่างผมแนะนำ Fixed Fractional ไปเพราะ Money Management โมเดลนี้ มันเข้ากับ Trend Following ที่แก่นหลักคือการ Limit loss & Let's Profit Run ได้ดีที่สุด เมื่อเทียบกับ MM โมเดลอื่น อีกด้านจากหลายงานวิจัยจะพบ Fixed Fractional มันทำผลงานได้ดีกับระบบเทรดที่มี %win ไม่สูงเช่น 45-50% จุดเด่นอีกจุดที่ Fixed Fractional นำมาบวก tactic ในการกำหนด %f (เริ่มต้นใช้ที่  1-2%)แบบแปรผัน จะช่วยทำให้ช่วงตลาดมีแนวโน้ม กระทิงมา เมื่อระบบเก็บกำไรก้อนใหญ่ได้ การขยาย position size จะเพิ่มแบบสมูทตามขนาด equity ที่มี และขยายการโตของพอร์ตได้ ตามแนวโน้มในสินทรัพย์ที่เราเทรดด้วย แน่นอนว่า ถ้าตลาดผันผวน เราก็คง risk per trade เท่าเดิม ลด position size ลด contract size ลงแต่ขยาย SLD ให้กว้างออกไปได้เช่นกัน โดยที่ %risk ไม่มีการเปลี่ยนแปลงจากแผนเดิม แต่แน่นอนว่าด้านข้อจำกัดเรื่องประสิทธิภาพมันก็มี เพราะชื่อมันคือ fix นั้นหมายความว่า มันอาจจะไม่ได้หยืดหยุ่นรองรับได้ทุกภาวะที่เกิด ซึ่งตรงนี้ยังมีอีกหลาย Money Management model

มีคนมาบ่นเรื่องเหมือนกำลังจะหมดไฟ เพราะ งานที่ทำพยายามเท่าไหร่มันก็ไม่ได้ผลลัพธ์ที่หวังสักที ผมไปเจอ quote นี้ของคุณ ray dalio เป็น work principle เลยอยากเอามาแชร์ โดยสรุปว่า เขายกคุณสมบัติของงานสองประเภท 1. สร้างรายได้สร้างเงินมาเลี้ยงชีพ 2. ตอบโจทย์เป้าหมายความต้องการของตัวเรา คุณ ray แนะนำเอาไว้ว่า เราควรเลือกทำงาน ที่ผสมทั้ง 1 และ 2 พยายามทำสิ่งที่มีความหมาย สิ่งที่เราหลงใหล(passion) ท้าทาย จูงใจ บวกกับตอบโจทย์ชีวิตของเรา(mission) ที่เราต้องการ ทำในสิ่งที่มีความหมาย(ไม่ใช่แค่ผ่านไปวันๆ) และขณะเดียวกัน งานมีคุณค่าสร้างเงิน สร้างรายได้ที่ได้มาเหมาะสม สุดท้ายท้ายสุดคือเลือก หาคนที่มีมุมมอง มีเป้าหมายคล้ายกันเพื่อทำงานร่วมกัน (อันนี้ระบบงานประจำอาจจะยากหน่อย) นำมาตกผลึก พบว่า work principle นี้ดี ray dalio ใช้ในการเลือกและวางแผนการทำงาน ทำให้เขาไปสู่เป้าหมายความสำเร็จ เพราะถ้าเราไม่ได้ทำงานที่อยากทำ แต่ทำเพราะมันได้เงิน สุดท้ายไม่ตอบโจทย์ชีวิต ไม่เหมาะสมมันก็ยากจะไปรอด(เพราะเมื่อเจอ Bad day ช่วงที่แย่ก็ผ่านไปไม่ได้ หรือไม่มีพลังในการพัฒนาตัวเอง) หรือทำงานที่อยากทำ แต่ไม

อธิบายเรื่องของ volatility based money management เมื่อคืน ยกตัวอย่างการคุม ค่า Portfolio Variance ให้ไม่เกิน 20% ไปเบื้องต้น โพสนี้เป็นอีกตัวอย่างแนวคิด ที่เราจะสามารถนำไปปรับประยุกต์ได้ เป้าหมายคุม risk โดยใช้ volatility targeting เป็นหัวใจของการออกแบบการเทรด ตัวอย่างนี้เป็นไอเดียของ S&P 500 Risk Control 10% Index ซึ่งกองนี้ขายการลงทุนใน S&P500 แต่ fix ตัว 10% volatility target จริงๆกลยุทธ์นี้น่าสนใจ เขาเน้นการเทรดหรือปรับสมดุลระหว่าง S&P 500 และ Cash โดยใช้ volatility เ ป็นเงื่อนไขหลัก ด้านรายละเอียดไม่ได้ลงมากในบทความนี้ แต่ลองไป google แกะกลยุทธ์ต่อได้ เป้าหมาย เขาจะเกาะโอกาสจากภาวะตลาด S&P500 ที่เติบโต แต่ขณะเดียวกัน ก็ลดทอนความผันผวนและการถดถอยจาก S&P 500 Index ด้วย ปล. ไม่ได้โฆษณา หรือ เชียร์ขายกองทุนนะ แต่เอาแนวคิดมายกตัวอย่างให้ ลองศึกษากันครับ อ่านเพิ่มเติม http://www.annuityadvisors.com/forms/great-american/S&P-500-Risk-Control-Index.pdf

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

สรุปประเด็นเมื่อวานที่ติว เพิ่มเติม ผมนำตัวอย่างระบบเทรดจริงมา ให้ดู ระบบนี้เทรดมาครบ 4 ปีเต็ม รันในตลาดจริงเทรดเงินจริง ที่นำมาเป็นตัวอย่าง อยากให้เห็นเรื่องของ "การอยู่รอด"  เพราะส่วนใหญ่ถ้าทำระบบเทรด กัน โดยยังไม่ได้เข้าใจพฤติกรรม ตลาดจริง มักจะเน้นที่ back testing สวยๆแม่นยำ 80%-90% ผลตอบแทนขั้นเทพ สุดท้ายมันก็ over fitting ใช้จริงไม ่ได้ แต่ด้วยความเชื่อมั่นที่มาก  + data mining bias ทำให้ฝืนและต้องมาขาดทุน ดังที่บอก ทำระบบไม่ต้องไปคาดหวังกับก ารทดสอบย้อนหลัง หรือติดกับข้อมูลในอดีตมาก ทำให้ดีระดับหนึ่ง เน้นคุม risk จากนั้นลองเทรดจริง แล้วเก็บข้อมูลตรงนั้นมา optimize  ในภาพระบบเทรดผมไม่ซับซ้อน เทรดแบบ Vector Scalping ธรรมดา แต่สิ่งที่เราทำคือใช้ Money Management แบบ Profit Fixed Fractional นั้นหมายความว่า ถ้าระบบทำกำไรได้ เราก็จะเพิ่มหน้าตัก ถ้าช่วงไหนขาดทุน ผิดพลาดบ่อยหรือไม่ทำผลงานไ ด้ตามเกณฑ์ ก็จะลดขนาดเงินทุนลง  โดยเอา Negative reinforcement คือมีบทลงโทษ เช่นการพักการเทรด ลดจำนวนรอบ หรือโค้วต้าออร์เดอร์ที่เทร ด ทำให้ตระหนัก บทเรียน ในความผิดพลาด ยอมรับในความผิดพลาด อย

เมื่อวานเขียนถึงเรื่อง overfitting วันนี้เอา paper หนึ่งมาฝาก ชื่อ Real numbers, data science and chaos: How to fit any dataset with a single parameter ช่วยให้เห็นภาพเข้าใจปัญหาข องประเด็นนี้มากขึ้น (ไม่ต้องหลายพารามิเตอร์ แค่หนึ่งพารามิเตอร์ก็ over fit ได้)  ถ้าใครไม่ชอบอ่าน paper ที่มี math เยอะๆ ลองดู code ภาษา python โปรเจค single-parameter-fit ด้านล่างก็ได ้ เขาสาธิตให้เห็นการเทคนิค สร้างโมเดล ที่มา fit กับ traning dataset หรือข้อมูลในอดีต ที่เตรียมไว้ ด้วยตัวแปรเดียว นอกจากข้อมูลทั่วไป เขายังสาธิตข้อมูลประเภท time series เช่น S&P500 index ด้วย  เชื่อว่าได้ลองศึกษาบทความน ี้ 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/