cwayinvestment

  จากที่ได้อ่านมาหลายเล่มมาก, เล่มที่ดีและชอบที่สุดเป็นเล่ม Quantitative Technical Analysis ของ Dr Howard B Bandy ออกมาปี 2015 แต่เขียนและเรียบเรียงประเด็นต่างๆ โดยเฉพาะการวิเคราะห์ข้อมูลในตลาดปัจจุบัน (ไม่ใช่ยุคแรกเริ่มแบบ 1960-1975 ) ได้ดีมาก , และยังอธิบายแนวทางการนำเครื่องมือเทคนิค(Model)กับการวิเคราะห์ข้อมูล(Data)ไปใช้ทำระบบเทรด(System) ได้เข้าใจง่ายดีอีกด้วย แต่ไฮไลท์จุดเด่นของหนังสือนี้ไม่ใช่แค่เรื่อง Technical Analysis แต่มันเป็นส่วนของ Trade Management และ Trading record analysis ที่คุณ Bandy อธิบายแนวทางการวิเคราะห์ผลการเทรด เพื่อปรับปรุงระบบเทรด และวิธีการเทรด ลักษณะที่เรียกว่า adaptive เพื่อให้ระบบเทรดและแผน Risk management สอดคล้องกับภาวะพฤติกรรมราคา ในช่วงเวลาต่างๆ , อันนี้สำคัญมาก ในการใช้งานทั้งระบบเทรด และเครื่องมือ Technical Analysis ในตลาดจริง เพื่อให้เห็นภาพและเข้าใจคำว่า Quantitative Technical Analysis หรือ QTA คืออะไร และต่างจาก Technical Analysis ทั่วไปอย่างไร ลองเข้าไปฟังรีวิว ได้จาก https://youtu.be/ZJUisNu44dI

paper นี้ของคุณ Barberis, Jin, and Wang ที่ผมพูดถึงเมื่อวาน ถ้าอยากทำความเข้าใจเรื่องของ anomaly ในราคา asset จุดน่าสนใจคือเขาทำโมเดลที่อนุมานทิศทางราคา โดยคำนึงถึงตัวแปรที่สัมพันธ์กับพฤติกรรมความไม่ปกติ เช่น beta, volatility, skewness, และ ความคาดหวังผลตอบแทนอนาคต  จากผลวิจัยพบ 3 จาก 22 ตัวที่โดดเด่นในกลุ่ม Anomalies ที่มีผลตอบพฤติกรรมราคา และที่สำคัญมีผลกระทบต่อพวกโมเดล ที่สร้างมาเพื่อการพยากรณ์ทิศทางราคาในอนาค ตของสินทรัพย์ต่างๆ ดังนั้นในมุมของเทรดเดอร์ หรือนักพัฒนาระบบเทรด การเข้าใจตัว Anomalies หลักๆเอาไว้ก็จะช่วยให้เรา ไม่ประมาท ไม่มโน และสามารถสร้างระบบเทรดได้มีประสิทธิภาพยิ่งขึ้น ปล. ทฤษฎีคาดหวัง (Prospect theory) เป็นอีกทฤษฏีที่เกี่ยวข้องกับ behavioral economics ที่น่าศึกษา พฤติกรรมของคนกับ การตัดสินใจถูกแทรกแซงทางอารมณ์/ประสบการณ์ความรู้สึกก่อนหน้า ในเกมส์ที่มีผลกำไรขาดทุนเข้ามาเกี่ยวข้อง สนใจศึกษาเข้าไปอ่านได้จาก https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3477463

3 เดือนที่ผ่านมาทำ Project หนึ่งชื่อว่า Bot Over Trade คือสร้าง robot ให้มันเทรดแบบ Over trading ด้วย Leverage ระดับ 100:1 ในบัญชี standard โดยเป้าหมายจะพิสูจน์ประเด็น High Risk High Return มันไม่ work ระยะยาวให้น้องๆที่ร่วมฝึกเทรดด้วยกันดู อีกประการส่วนตัวโดนถาม แนวถากถางบ่อยมากว่าเทรดทีละ 0.01 lot มันจะไปรวยได้ยังไง มันต้องกล้าได้กล้าเสีย ดังนั้นเลยทำการทดลองนี้มาให้ดูว่ามันไม่ได้จำเป็นว่าต้องเทรด lot เล็กเสมอไป ม ันขึ้นกับการออกแบบ Risk Management อีกประการอยากแสดงให้เห็นว่าทำไม ถึงไม่ใช้กลยุทธ์การเทรดแบบ Over trading (เพราะมันไม่ทำให้การเติบโตที่ยั่งยืนไง) ผลการทดลองก็ง่ายๆ เทรด scalping ไปเรื่อยๆยิงเก็บ cash flow ไปโดยใช้เงินเริ่มต้น $30 เทรด ซึ่งเทรดไปตามภาวะ volatility ของตลาด ยิงเก็บ cash flow ไป มีโค้วต้าการเทรด 4 Unit เดือนแรกมัน flow ได้กำไรสูงถึง 63% ต่อเดือน เดือนสองยังแม่นยิงเก็บแต้มไปต่อได้อีก 16.5% เดือนสามประคองตัว มีติดบ้างแต่ปิดได้กำไร 5.4% แต่เหมือนที่บอกครับ การเทรดแบบ Over trading มันไม่เคยทำให้ใครรวยระยะยาวเพราะ เมื่อประเด็นพิเศษเข้ามา ความผันผวนจาก

ตอนที่ 2 เกี่ยวกับคุณ Leda Braga ผู้บริหารของ Systematica Investments ผมนำโน๊ตย่อจากการได้ฟังเธอบรรยายเกี่ยวกับ Data Science ในงาน WiDS 2018 Conference ซึ่งจัดขึ้นที่ Stanford University จะบอกว่าเป็นการบรรยายายที่น่าสนใจ และมีประเด็นดีมากจากผู้ที่มีประสบการณ์ตรงด้าน systematic trading ในตลาดหลายสิบปี โดยสรุปใจความเป็นข้อๆได้ดังนี้ (บางเรื่องเป็นเชิงเทคนิคไม่ลงรายละเอียดนะครับ) - ประเด็นหลัก เรื่องของ Systematic trading + Big Data + Execution algorithm + alternative data - เธอเล่าเรื่องประวัติของเธอโดยย่อพื้นหลังด้านวิชาการ เธอจบ phd ด้าน engineer ประสบการณ์ทำงาน - เธอเล่าถึงเรื่องธุรกิจ hedgefund ของ Systematica Investments ว่าเป็น Alternative asset manager บริหารเงิน 9 billion หลากหลายตลาด หลากหลายกลยุทธ์ ลูกค้าจากพอร์ตรายใหญ่ ซึ่งแต่ละลูกค้ามีเป้าหมาย return และระดับความเสี่ยงรวมถึง time horizontal แตกต่างกัน บริษัทสร้างกลยุทธ์พอร์ตโฟริโอที่เหมาะสมกับลูกค้า -บริษัท Systematica มีพนักงาน 108 people เน้นด้าน Phd และนักวิทยาศาสตร์ บริษัทใช้ Data science technology การสร้างกลยุทธ์เพื่

twosigma เป็นบริษัท Quant Fund อันดับต้นของโลก เขามีวิธีการคัดเลือกนักพัฒนา โปรแกรมเมอร์เข้าร่วมทำงานในบริษัทจากการจัดพัฒนา Bot เพื่อแข่งขันในวีดีโอเกมส์ชื่อ Halite ตัวของ Halite เป็น open source artificial intelligence programming ประเภท turn-based strategy (TBS) ที่สร้างมาให้คนพัฒนา Bots มาสู้กันในเกมส์โดยบอทผู้เล่นแต่ทีมจะมียานอวกาศ 3 ลำที่ช่วงชิงยึด/ขุดพื้นที่ดวงดาวบน two-dimensional virtual board ผู้อยู่เบื้องหลังโปรเจคเกมส์นี้คือ Alfred Spector ตำแหน่งเป็น CTO ของ Two  Sigma บริษัท hedgefund อายุ 15 ปีที่มี AUM ระดับ $50 billion โดยในคลิปคุณ Spector ให้สัมภาษณ์ว่าบริษัทต้องการค้นหาคนเก่งด้านการสร้าง algorithm ประเภทกลยุทธ์เข้ามาร่วมงาน ผ่านการจัดลีกการแข่งขัน Halite ปัจจุบันเป็นปีที่ 2 แล้วมีทีม 6000 ทีมจากทั่วโลกเข้าแข่งขัน และมีทั้งระดับนักเรียนมัธยมจนถึงผู้ใหญ่ เข้าร่วม ปัจจุบัน Bots ทีมที่ทำผลงานได้ดี ใช้เทคนิคของ Machine learning ในการพัฒนา AI เพื่อหา solution ในการแข่งขันเอาชนะผู้ต่อสู้ ซึ่งบริษัทเตรียม Google credits สำหรับ GPU บน Google Cloud เอาไว้ให้ด้วยเพื่

เทรดเดอร์ เข้ามาตลาดอาจจะไม่ได้มีพื้นฐานความรู้ด้านการเงินและเศรษฐศาสตร์ ซึ่งหลายเรื่อง มันมีความสำคัญและสามารถนำมาประยุกต์ใช้ได้กับการออกแบบพอร์ตและการวางกลยุทธ์ ต่างๆ ผมมีแหล่งเรียนออนไลน์อันหนึ่งที่ดีมาก ของ Khan Academy หัวข้อครอส Economics and finance ผมเองก็ศึกษาจากที่นี้ โดยเฉพาะเรื่อง Macroeconomics และ Finance and capital markets ซึ่งอธิบายได้ดีและเข้าใจง่ายมาก อีกประการคุณ khan นี้เป็นอดีต hedge fund manager เก่าที่ออกมาทำประโยชน์ให้กับโลก แทนที่มุ่งหาเงิน คานเรื่ องความรู้ไม่ธรรมดาเขาเรียนจบปริญญาจาก MIT และ MBA จาก Harvard ดังนั้นเรื่องเนื้อหาคุณภาพสูง การอธิบายและยกตัวอย่างดีมาก อยาก แนะนำลองเข้าไปเรียนได้ที่ https://www.khanacademy.org/economics-finance-domain

ตอบคำถาม เรื่องแหล่งความรู้ด้านการพ ัฒนาระบบเทรด ด้านกลยุทธ์การเทรด หาแบบเชิงลึกหรือขั้นสูง ไม่ค่อยมีในตำราหนังสือทั่ว ไป ที่วางขายในอะเมซอน หรอกครับ(ภาษาไทยนี้ไม่ต้อง พูดถึง)  ส่วนมากถ้าอยากจะเรียนรู้ ต้องอ่านจาก บทความวิจัยสาย Quant trading จากกลุ่มที่เขาทดสอบทดลองจร ิงๆ มากกว่า เราจะเห็นไอเดีย เห็นประเด็นและเทคนิคใหม่ๆ ค่อนข้างเยอะ แน่นอนว่า 1 paper อาจจะต้องอ่านกันเป็นสัปดาห ์  แต่เมื่อเราแกะได้เข้าใจได้  มันจะทำให้นำไปพัฒนาต่อยอดไ ด้เร็ว กว่าการ มา งมหรือลองผิดลองถูกเอง มาก แล้วปัจจุบัน paper พวกนี้มีค่อนข้างเยอะด้วย แถมสงสัยหรือมีประเด็น อาจจะลอง email ไปคุยกับคนเขียน แลกเปลี่ยนความคิดเห็นและ ได้ connection เพิ่มอีก (ผมก็ใช้วิธีนี้ในการเรียนร ู้มาตลอด)

งาน Quant หลักๆของ Lab ที่ผมทำเรื่องการสอน Robot ให้มันเรียนรู้จากข้อมูลจริงและคิดตอบสนองให้เป็น ตรงนี้งานต่างจาก algorithmic trading เดิม ที่คนหรือเทรดเดอร์ผู้เป็น expert สร้างโมเดล ให้ robot ทำตามคำสั่ง ด้วยโลกความจริง ตลาดหุ้น ตลาดทองคำ เหมือนเราทราบ ข้อจำกัด หรือขอบเขตของการจัดการกับข้อมูลที่ไม่เป็นเส้นตรง หรือมีความ random สูงมันมีเยอะ สิ่งที่ Machine learning เข้ามาทำให้งานด้านนี้พัฒนาได้ซับซ้อนขึ้นไปอีกจากอดีตคือ คอมพิวเตอร์มันเรียนรู้จัก ข้อมูลจริงที่เกิด ทั้งจาก training data จำนวนมหึมา(ฺBig data) ที่เราโยนไปให้มัน และการเรียนรู้จากข้อมูล real time ข้อมูลใหม่ๆที่เกิดทุกวันทุกนาที ความสนุกมันอยู่ตรงสอนให้ robot มันเรียนรู้ ในภาพเอาโมเดลแบบเบสิกมาให้ดู คือลองสอน QuantRobot ให้มันแยกพฤติกรรมราคา แบบ unsupervised ด้วย Weight Adjusted KNN ใช้พารามิเตอร์ของพฤติกรรมราคา 8 ตัวสำหรับ training data รอบแรกยังมั่วๆอยู่เพราะข้อมูลไม่ค่อยดี จากนั้นลอง clean data ใหม่ด้วย Principal Components Analysis (PCA) ก่อนแล้วเอามารันอีกรอบ ผลค่อนข้างดีขึ้น ตัวนี้ถ้าทำงานได้จะประหยัดเวลามาก เพราะ