cwayinvestment

มีสมาชิกถามเข้ามาขอแนวทางการใช้ python ทำ algorithmic trading ซึ่งจริงๆปัจจุบัน มันสะดวกกว่าอดีตมาก มีหลายตัวที่ช่วยเราได้ ตั้งแต่ทั้งเรื่อง Data Analysis , Trading Strategies , Backtesting และ Trading API ซึ่งหลายตัวผมเคยได้โพสแนะนำไปแล้ว เช่น OpenBBTerminal , TA-Lib(Python) , QuantStat และ Zipline เป็นต้น ถ้าอยากลองทำด้านนี้ไม่ยาก แต่เพื่อความรวดเร็วแนะนำหาหนังสือมาอ่าน เพราะหนังสือ text book จะสอนเรื่องการทำระบบเทรด ทั้ง algorithm ส่วน Trading Strategies และ Money Management ,Order Management ด้วย โดยปัจจุบันมีหลายเล่มมาก ทั้งแบบพื้นฐานยันขั้นสูง ที่มีออกมาขาย โอกาสหน้าจะมารีวิว เล่มที่ผมซื้อมาอ่านให้ฟังต่อไป แต่วันนี้สำหรับคนที่อยากเริ่มต้นแต่ยังไม่อยากเสียเงิน ก็ลองดูเล่มนี้ก่อนได้ ชื่อ Algorithmic Trading with Python: Quantitative Methods and Strategy Development เขียนโดย Chris Conlan อาจจะเก่าหน่อยออกปี 2020 แต่เป็นอีกเล่มที่มีตัวอย่าง code ให้ฟรี ซึ่งถ้ายังไม่อยากซื้อลองแวะไป Github จากลิงค์ข้างล่าง เพื่อลองดูตัวอย่าง algorithm และการวางโครงสร้างของ code ในส่วนต่างๆได้ ครอบคล

คลิปสอนการใช้งานการทำ Data Analysis สำหรับข้อมูลราคาสินทรัพย์ เช่น ทองคำ, หุ้น และค่าเงิน ด้วย Python กับตัว Quant Stat Lib พอดีมีคำถามเรื่องการใช้งานเข้ามาเยอะ ผมก็เลยถือโอกาส live สดอธิบายแบบ step by step ให้ฟังเลย 

หลักจากใช้งานมาสักระยะ รู้สึก ชอบ PyPortfolioOpt มากคือเป็น lib ที่มีครบเรื่อง portfolio optimization จริงๆ ถ้าเป็นแต่ก่อนจะทำ Risk parity , จะรัน CVaR หรือใช้ Black Litterman ก็ต้องเขียน code ยุ่งยากหลายขั้นตอนเลย กว่าจะเสร็จ แถมต้องใช้เครื่องแรงๆมารัน simulation , ตอนนี้ใช้ Google Colab ประมวลผลรันหา weight ด้วยโมเดลต่างๆ แล้วทดสอบ Portfolio Performance แสดงผลรับเป็นกราฟด้วย Quant Stat จบเลย ทุ่นแรงเบาเวลา ไม่มากจริงๆ ใครสนใจลองศึกษาเพิ่มเติมได้ที่ https://pyportfolioopt.readthedocs.io/en/latest/

  น้องๆกลุ่มลุยหุ้นอเมริกา ชวนไป talk แลกเปลี่ยนประสบการณ์เทรดหุ้นอเมริกาปีนี้ ผมนำไอเดียเรื่อง quant analysis tool กับการเทรดหุ้นอเมริกาไปแบ่งปัน มีเครื่องมือฟรี Python Lib Package หลายตัวที่มีประโยชน์มากในการวิเคราะห์ข้อมูลหุ้นและทำระบบเทรด คิดว่าน่าเป็นประโยชน์กับเพื่อนๆที่ติดตามและเทรดหุ้นนอกเหมือนกัน เลยอยากมาแชร์ให้ในเพจ 1. OpenBBTerminal -ตัวนี้สำหรับ Data Service ทั้งราคา&งบการเงิน และการเข้าถึง Research ต่างๆ สไตล์ Bloomberg Termial เลยแต่ฟรี , และดึง data ทั้งหมดผ่าน API มาวิเคราะห์ด้วย Python ได้ -ความเจ๋งของตัวนี้คือข้อมูลสินทรัพย์เยอะมาก ทั้ง stock , options, crypto, forex, macro economy, fixed income, github.com/OpenBB-finance/OpenBBTerminal 2. TA-Lib(Python) - ตัวนี้สำหรับทำระบบเทรด เป็นเครื่องมือเทคนิคอลพื้นฐานด้าน quant จาก TA-Lib สะดวกในการทดสอบระบบ ไม่ต้องเขียนฟังชั่นเครื่องมือการวิเคราะห์เอง เรียกใช้งานง่าย รองรับ TA Indicator หลายตัวมาก เช่นเดียวกับเครื่องมือใน tradving view เลย https://github.com/TA-Lib/ta-lib-python 3. Zipline - ตัวนี้พัฒนาจากกลุ่ม quantop

จากโพสก่อนหน้าเรื่องการวิเคราะห์พฤติกรรมราคาทองคำ มีท่านหนึ่งสอบถามถึงวิธีการวิเคราะห์ข้อมูลต่างๆเข้ามา ผมจึงรวบรวมเอาคลิปความรู้พื้นฐานสำหรับการเทรดแบบ Quantitative Trading มาให้ เพื่อให้สามารถเริ่มทำความเข้าใจตรงนี้ก่อนดู Gold Market Update ต่อไป *** - ทำความรู้จักกับ Quantitative Technical Analysis https://youtu.be/ZJUisNu44dI - Quantitative Data Analysis แนวทางการวิเคราะห์พฤติกรรมราคา https://youtu.be/6vv_n4LZARk - หัดลากเทรนด์ไลน์ วิเคราะห์แนวโน้มราคา (Trend Line For Trading) https://youtu.be/9ZT0Bq8Vvp8 - การวิเคราะห์พฤติกรรมราคาด้วยเส้นแนวรับและแนวต้าน (Support and resistance) https://youtu.be/6TIv29oSGls - การวิเคราะห์พฤติกรรมราคาด้วย Price Cluster https://youtu.be/VrnBLVpojfo - พื้นฐานการวิเคราะห์โมเมนตัมของราคา(Momentum Analysis) https://youtu.be/CXzYs00PUT8 - วิเคราะห์ volatility ของราคา https://youtu.be/dngNllTmIa8 - How To Set A Stop Loss : แนวทางการเลือกใช้ Stoploss Model อย่างชาญฉลาด https://youtu.be/OfGTPpqLylA - Money Management : การวางแผนขนาดความเสี่ยง Risk Per Trade

  ตอนผมบรรยาย Market Update ทำการบ้านรายสัปดาห์เพื่อเตรียมตัวเทรด, จะมีคนถามเรื่อง Price Cluster ที่ผมใช้เพื่อสร้างแนวสังเกตของ Price Level เข้ามาเยอะมากว่า , มันคืออะไร, วิเคราะห์อย่างไร วันนี้เลยทำคลิปสอน "การวิเคราะห์พฤติกรรมราคาด้วย Price Cluster" อย่างเข้าใจง่ายมาให้ เรียนรู้กัน , ในคลิปสอนแบบ step by step , รวมถึงการวิเคราะห์ Price cluster ร่วมกับข้อมูลอื่นๆ เช่น Volume , Volatility และ Momentum เป้าหมาย ไม่ได้เน้นอะไรที่ซับซ้อน แต่เน้นที่การวิเคราะห์ข้อมูลพฤติกรรมราคาให้เข้าใจ ให้เป็นก่อน แล้วพอไปต่อยอดเรื่องกลยุทธ์การเทรด(Trading strategies) มันจะทำได้ง่ายและดียิ่งขึ้นครับ ลองเข้าไปเรียนรู้ได้จาก https://youtu.be/VrnBLVpojfo

3Min paper review ,หัวข้อ The Trinity Portfolio ของคุณ Meb Faber  โดยคลิป ผมจะเอาผลการทดสอบ  Trinity Portfolio ในเชิงกลยุทธ์ระยะยาว 1926-2015 มาอธิบายให้ฟัง  โมเดล Trinity Portfolio ค่อนข้างน่าสนใจเป็นแนวทางการสร้างพอร์ตแบบ Global Asset Allocation, การเลือกสินทรัพย์ (asset selection) ด้วยเทคนิคการผสม Value + Cross Sectional Momentum และการใช้กลยุทธ์ Dual Momentum ผสมทั้ง TSMOM กับ CSMOM   ถ้าใครที่กำลังมองหาไอเดีย การทำพอร์ตระยะยาวแบบความเสี่ยงต่ำ จะได้นำไปศึกษาต่อยอดกันครับ ดาวน์โหลด paper ตัวเต็มได้ที่ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2801856 เข้าฟังการบรรยายสรุปได้จาก  https://youtu.be/oYBfMZ85n0E 

3 Minute Paper Review ทดลองเอาหัวข้อ paper ที่เกี่ยวข้องกับการเทรด/การลงทุนที่น่าสนใจมาพูดคุยแบบสรุป ถ่ายทอดประเด็นสำคัญที่เราสามารถนำไปปรับประยุกต์ใช้ได้ ให้ฟังกัน โดย EP.01 ผมนำบทความวิจัยที่ชื่อว่า "A Century of Evidence on Trend-Following Investing" ของทีมวิจัยจาก AQR Capital มาเล่าให้ฟัง ,โดยงานวิจัยนี้แม้จะขึ้นว่า Trend-Following หรือ TSMOM แต่เมื่อเจาะรายละเอียดจะพบการที่กลยุทธ์จะรอด 100 ปีในทุกภาวะตลาด ทุกสภาวะเศรษฐกิจ การบริหารจัดการความเสี่ยงและการบริหารจัดการเงิน นั้นมีบทบาทอย่างมาก ซึ่งถ้าทำได้ดีและเหมาะสม ความเทพ หรือการใช้สัญญาณเข้าออกที่ซับซ้อน(หรือที่เราเรียกกันว่าระบบเทพ) ก็เรียกว่าแทบจะไม่มีความจำเป็นแต่อย่างไร ท่านที่สนใจ อะไรแนวนี้ก็ลองเข้าไปฟังได้ที่ ลิงค์ด้านล่างครับ https://youtu.be/iXQAo7Spf9Y

  ตอนนี้กำลังตีโจทย์ออกแบบระบบที่ fix ขนาดของ MaxDD (ระดับเดือน 10%)และ Daily loss อยู่ จริงๆมันก็ไม่ยากถ้าไม่มีโจทย์เรื่อง Profit tatget ที่ 10% เข้ามาด้วย เพราะปกติสองด้านนี้มันสองสายเลย ความยากมันจึงเกิด จริงๆแล้ว Return นี้มันไม่อาจจะควบคุมเพราะมันแปรผันไปตามภาวะตลาดและราคา asset แต่ Risk หรือความเสี่ยงเราคุมได้สบายๆ พอโจทย์มันจับสองตัวมาผูกกัน(เข้าใจว่าเขาพยายามจะทำให้ผ่านยาก) ตรงนี้แหละปัญหา วันนี้ได้ฟัง podcast อันหนึ่งของ Perry Kaufman จากรายการ toptradersunplugged เขาพูดถึงการใช้ Volatility Targeting ไอเดียโดยสรุปคือการคำนวณ volatility ของพอร์ต เพื่อใช้กำหนดขนาดของ position size และการใช้ leverage ในกลยุทธ์การเทรดของ system , แนวทางของ Kaufman ใช้การคำนวนvolatility ของพอร์ตจาก mean 40 day return ซึ่งตั้ง target ที่ 12% ถ้า portfolio มันเคลื่อนเกิน 12% เขาก็จะ stoploss หรือปรับลด position ลง โดยเฉพาะ position ที่ใช้ leverage , ขณะที่ถ้า portfolio volatility ต่ำกว่า 12% เขาจะดึง volatility ขึ้นการใช้ leverage เพื่อเพิ่มขนาด position size ในช่วง low volatily เพื่อบูต return ของพอ

  ปลายปีที่แล้ว จากคำแนะนำจากของรุ่นน้องที่เป็น quant dev ของบริษัทหนึ่ง ย้ำมากว่าพี่ต้องลอง สัปดาห์นี้หลังเคลียร์งานเก่าเสร็จ ผมจึงมีโอกาสลอง Settrade Open API กับ Python (RL Trading System) ได้ลองหลายอย่างส่วนการ Data, Account, Portfolio และ Market Subscribe ผ่าน MQTTWebsocket วันนี้ผลทดสอบการใช้เบื้องต้นกับตัว DQN Agent โมเดลเก่าที่เทรนด้วยกลยุทธ์ GRID บนตลาด TFEX เบื้องต้นผลการทดสอบน่าสนใจมาก แน่นอนว่าแม้จะเป็น sandbox แต่ความเร็วและการตอบสนอง realtime ถือว่าใช้ได้ แถมส่งคำสั่งไม่มีปัญหา ไม่มี error , และ subscribe ข้อมูล bids/offers ยังทำได้ดีทำให้ โมเดลสามารถตอบสนองกับราคาเรียล์ไทม์ได้ดีเลย อีกอันที่ต้องชมคือ Doc ดีมาก ทำ API Reference ให้ใช้งานได้ง่าย แถมมี Code Snippet ให้ด้วย ปล. เอาจริงๆถ้าเทรดบัญชีจริงได้ คงอยากเปลี่ยนจาก MT4 ที่เทรดมาใช้ Settrade Open API แทนเหมือนกัน ส่วนคนไม่ถนัด python เขายังมี SDK บน VBA และ amibroker ให้ด้วยครับ ลองใช้งานและดูตัวอย่างโค้ดได้ที่ https://developer.settrade.com/open-api/

  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 พอได้อ่านบทความนี้จบคิดว่าน่าจะเป็นประโยชน์เลยอยากสรุปประเด็นสำคัญแชร์เก็บไว้ 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 losses and moving on ช่ว

  จักรวาลแห่ง Quant ภาพสรุปจาก alpaca ปิดท้ายหัวข้อบรรยายวันนี้ ที่ผมเตรียม slide ไปร่วมแชร์ไอเดียและประสบการณ์กับน้องๆ developer และ quant trader กว่า 3 ชม. ส่วน โบรกเกอร์ต่างประเทศ รองรับการทำระบบเทรดอัตโนมัติ algorithmic trading system ด้วย Machine Learning ผมนำภาพสรุปนี้จาก @quantra มาให้ดู ส่วนใหญ่ปัจจุบัน การใช้งานง่าย โบรกจะมี API ให้เราเชื่อม ส่งคำสั่งซื้อขาย หรือดึงข้อมูล market info ผ่าน python ได้เลย (แต่บางเจ้าอาจจำกัดความถี่ในการเรียกรับส่งข้อมูลบ้าง ต้องตรวจสอบให้ดีก่อนทำระบบ) อาจจะมีข้อจำกัดพอควร เมื่อเทียบกับ MQL4 , MQL5 ที่รันผ่าน metatrader ได้ทันที แต่ก็มีข้อดีคือ เราสามารถทำโมเดลที่ซับซ้อน และสามารถใช้ lib หรือสร้าง akgorithm ที่ยืดหยุ่นด้วย python เองได้

เมื่อวานมีติวน้องเทรดเดอร์ เขากำลังปั้นพอร์ตFX เพื่อแข่งของโบรเกอร์เจ้าหนึ่ง ผมนำ paper ชื่อ The Retail FX Trader: Rising Above Randomไปแนะนำ ให้อ่านคิดว่าน่าจะเป็นประโยชน์กับเทรดเดอร์ท่านอื่นด้วย ผมเลยอยากมาแชร์ไว้ในเพจ paper นี้พูดถึงหลายประเด็นในการทำกลยุทธ์การเทรด FX โดยเฉพาะเรื่องของการใช้ technical analysis มีการทดลองหลายตัวอย่างกับข้อมูลย้อนหลัง 9 ปีกับ 4 ค่าเงินหลัก(AUDUSD,EURUSD,USDJPY,GBPUSD) ในภาวะตลาดต่างๆให้เห็นถึงข้อจำกัดในการใช้ technical analysis ในตลาดปัจจุบันืั้มีความไม่แน่นอนจากปัจจัยเศรษฐกิจและนโยบายทางการเงินของธนาคารกลาง ผู้วิจัยไม่ได้พยายามบอกว่า Retail FX Trader ไม่ควรใช้ TA ตรงข้ามผลการทดลองแนะนำว่า ควรสร้างระบบตัดสินใจ ดีกว่าการตัดสินใจแบบ random ไปตามอารมณ์ ขณะเดียวกัน ระบบการตัดสินใจจะใช้ TA หรือใช้ Rule ทั่วไปก็ได้ แต่ต้อง commit ในแผนเพื่อวัดผลระยะยาว ด้านกลยุทธ์การจัดการเงินที่เหมาะสม reward to risk ratio เพิ่มความยืดหยุ่นด้าน time ในการถือครองออร์เดอร์ ซึ่งการทดสอบพบเพิ่มประสิทธิภาพของผลตอบแทน ในขณะเดียวกันต้องมีแผนการจัดการความเสี่ยง โดยเฉพาะการห

เมื่อวานสอนเรื่องการเทรด option เบื้องต้น ผมใช้ quantlib ในการสาธิตการสอนการคำนวณ option pricing ด้วย Black-Scholes , implied volatility และ greeks parameter ซึ่ง quantlib กับ python อาจจะดูทรงพลัง แต่เยอะและยุ่งยากมาก(เมื่อวานพูดไป 3 ชม. หมดแรงเลย) ดังนั้นถ้าน้องเทรดเดอร์เพิ่งหัด วิเคราะห์ราคาหรือทำกลยุทธ์การเทรด options ผมแนะนำอีกหนึ่งทางเลือกชื่อ vollib เป็น python library opensource และมีการอธิบายวิธีการคำนวณและการใช้งานแค่ละโมดูล ได้ชัดเจนดี สะดวกและสามารถคำนวณค่าต่างๆ ได้ในไม่กี่ขั้นตอนผ่าน vollib package ข้อเสียคือโปรเจคนี้หยุดพัฒนาต่อแล้ว แต่ก็ยังสามารถใช้งานได้อยู่ ใครสนใจลองเข้าไปเรียนรู้และทดลองใช้ได้ที่ http://vollib.org/documentation/python/0.1.5/index.html 

เช้านี้นั่งอ่านบทความหนึ่ง ชื่อ "Two Sigma Financial Modeling Code Competition, 5th Place Winners’ Interview" เขาสัมภาษณ์ผู้ชนะอันดับ 5 ในการแข่งขันรายการ Two Sigma Financial Modeling Challenge รายการนี้แข่งขันปี 2016 -2017 ระยะยาวและ Two Sigma ซึ่งเป็น Quant Fund อันดับต้นของโลกก็จัดรางวัลให้เต็ม รวม $100,000 พร้อมโอกาสร่วมธุรกิจ ทำให้มีคนสนใจแข่งรายการนี้มากพอควรกว่า 2000 ทีม บทความนี้ยาว ผมขอสรุป key สำคัญสั้น สำหรับผมสิ่งที่น่าสนใจคือ ผู้ชนะอันดับ 5 ทีม Bestfitting เขาใช้เทคนิค lag-N features ในการทำ Feature Engineering ของข้อมูล Time Series , การทำ Quant โมเดล เขาเริ่มจากการทดลองสร้าง weak model ออกมาก่อน จากนั้นปรับปรุงเรื่อยๆ ให้ดีขึ้น level ต่อมาเป็น stable model แต่สิ่งที่น่าสนใจคือ เขาไม่ได้ปรับแบบเปลี่ยนใหม่ แต่เป็นการทำ Ensemble model ซึ่งรองรับความเป็น dynamic ของตลาดไม่ใช่การ prediction แบบโมเดลเดียว fit all , พัฒนา self-adaptive strategy สร้างตัวแปรใช้ปรับการโมเดลแปรผันตาม ค่า market volatile (volatility data) ออกแนวคล้าย reinforcement learning (แต่ไม่ได้สร้างโ

บทความนี้ของ คุณ Kris Longmore แห่ง robotwealth น่าสนใจ จึงนำมาสรุปไว้ แนวคิดการเพิ่มความแข็งแรงของพอร์ต ในช่วงวิกฤติ ด้วยการวิเคราะห์ risk factors ที่กระทบกับ asset ในพอร์ต Key นอกจากการกระจายความเสี่ยงไปยัง asset ที่มีความสัมพันธ์ต่อกันให้น้อยที่สุดแล้ว ควรพิจารณาจากปัจจัย risk factors ที่มีความเข้มข้น/รุนแรงในปัจจุบันและอาจจะส่งผลกระทบต่อ ผลกำไรขาดทุนในพอร์ต บทความนี้แนะนำ การเลือกถือ asset ที่กระจายไปตามผลกระทบเชิงลบจาก risk factors หลักได ้แก่ Real interest rates , Inflation, Credit ,Liquidity ,Growth และ Political ส่วนกลยุทธ์ที่เขาแนะนำคือการทำ long risk premia หรือซื้อสะสม asset หลายตัวที่ผสม risk factors แตกต่างกัน(มากกว่า 2-3 ประเภท) และใช้การปรับน้ำหนักเงิน แปรผันไปตามช่วงเวลาและภาวะเศรษฐกิจ เพื่อเพิ่มประสิทธิภาพของพอร์ต อ่านเพิ่มเติม https://robotwealth.com/harvesting-risk-premia/

เช้านี้เข้าไป check พอร์ตกองทุน เห็นผลตอบแทน YoY กองทุนกลุ่ม REIT &Prop Fund และ Fix income แบบเรียกว่าประทับใจมาก เดือนหน้าจบปีเรียกว่าพร้อมขายเก็บกำไรตามแผนกันทันที ถ้าเทรดยาวเล่นรอบใหญ่(เน้นปรับพอร์ต มากกว่าการ Trading ตามการเคลื่อนไหวของราคา) ไม่มีเวลาติดตามราคาหุ้นทุนวัน กองทุนที่ดีนี้เป็นอีกทางเลือกในการบริหาร asset ของคนทำงานได้เลยครับ (เพียงแต่ต้องทำการบ้าน ต้องวางแผนบริหารจัดการ portfolio สักนิด ไม่ไปซื้อแบบลอกการบ้านอย่างเดียว) ค่อนข้างจะเข้าทางที่ cway quant lab ปีนี้เรารันเงินจริงในพอร์ตกองทุน ด้วย AI ที่พัฒนาขึ้น โดยเราทดลองเอา Deep learning ไปใช้จัดพอร์ต portfolio เต็มๆทั้งการเลือก asset และการทำ weight optimization โดยเอา data จาก กองทุนรวมและ ETF เป็นหลัก ผลออกมาดีงามมาก ดีกว่าที่คาดการณ์ไว้เยอะ https://www.finnomena.com/fund/

นั่งหาคลิปใน youtube ฟังไปเจออันนี้ของ Christopher Quill คนนี้เป็น Quant Analyst ของ ITPM บรรยายเรื่อง volatility ค่อนข้างน่าสนใจ เพราะตลาดปัจจุบันมันไม่เหมือนอดีต Trend มันไม่ใช่พระเอกละ กลายเป็น Volatility สไตล์ volatility trading ก็กำลังมาแรงและถูกนำมาใช้กันมาขึ้นระยะ 2-3ปีที่ผ่านมา เช่น Mean reversion , Scalping เป็นต้น คลิปยาวนะแต่อธิบายดี พูดภาพรวมการใช้เทรด สอนคำนวณทั้ง Implied volatility และ Historic volatility(Time series) เข้าไปฟังได้จากคลิปด้านล่าง https://www.youtube.com/watch?v=eqmTHLgZzqQ

ผู้เขียนเขาสรุปมาจาก Andrew Ng's CS230 Lectures ซึ่งอธิบายแนวคิดของการอ่านและศึกษา research paper ละเอียดดี โดยเฉพาะ สำหรับคนทั่วไปที่ไม่เคยเขียน paper จะได้รู้ว่า ควรจะอ่านมันอย่างไร ซึ่งแนวทางนี้ประยุกต์ได้กับเกือบทุก paper สาขาต่างๆนะครับ แต่เนื้อหาในบทความนี้จะเน้นไปทาง Deep learning key สำคัญเรื่องความคาดหวังที่จะได้รับ ผมแชร์ paper ด้านการเงิน, การเทรดและการบริหารพอร์ต บ่อยบางคนเข้าใจผิด คิดว่าให้ไปลอกทำตามงานวิจัย ไปทำตามสูตรสำเร็จ จร ิงๆไม่ใช่เราใช้เวลาอ่าน paper เพื่อขยายฐานความรู้ อ่าน literature review และศึกษาจากสิ่งที่มีการทดลองวิจัย เรียนรู้จากสิ่งที่มัน fail เพื่อเราจะได้ไม่ต้องไปเสียเวลาเดินผิดทาง ดังนั้นการอ่าน paper มันจึงไม่ใช่แค่ไปหาทางลัด ทำตามเขา ลอกตัวแบบที่ผลวิจัยออกมาดีอย่างเดียว อันนั้นมันฉาบฉวยไม่เกิดประโยชน์ เพราะ paper งานวิจัยที่ดี นั้นมันมีอะไรให้เราเรียนรู้มากกว่านั้น อ่านฉบับเต็มจาก https://deeps.site/blog/2019/10/14/reading-research-papers-career-advice

ผมนั่งฟัง Curious Quant podcast ไปเจอสัมภาษณ์ Jim Creighton คนนี้เป็นอดีต CIO of Barclays Global Investors , เขามาถ่ายทอดประสบการณ์ Quant ใน financial markets ให้ฟังตั้งแต่ยุคเริ่มต้น จนถึงการเปลี่ยนแปลงที่มาพร้อมกับ AI ในยุคปัจจุบัน รวมไปถึงสิ่งที่เขาเชื่อว่า 10-15 ปีข้างหน้าโลกการเงินจะเปลี่ยนแปลงไปจากอดีตอย่างมาก จากบทบาทของการนำ AI มาใช้ในงาน asset management Key take away อันหนึ่งจากแนวคิดของคุณ Cr eighton คือแกบอกว่า เส้นการแยก Fundamental และ Technical analysis มันจะบางลงเพราะทุกข้อมูลที่เกี่ยวข้องกับ financial market ด้านต่างๆ จะถูกนำมาทำ Data Analysis เพื่อสร้างโมเดลในการตัดสินใจซื้อขาย หรือลงทุนในกลยุทธ์ต่างๆ ด้วยประสิทธิภาพและศักยภาพในการ คิดคำนวณของ AI ที่มันไม่มีข้อจำกัดเหมือนมนุษย์ เขามองว่าความซับซ้อนตรงนี้แหละ มันจะเป็น edge ที่ผู้เล่นรายใหญ่ในตลาดจะเอามาสู้กัน มันยาวสัมภาษณ์กว่า 50 นาทียังมีอีกหลายประเด็นให้ไปตกผลึกย่อยต่อได้เยอะ อยากศึกษาด้านนี้จริงจัง ลองไปฟังฉบับเต็มได้จาก https://share.transistor.fm/s/e3fe7fc6