แจ้งเตือน

Once the Best not always the Best

เพราะกองที่ผลตอบแทนดีที่สุดวันนี้ อาจไม่ใช่กองที่ผลตอบแทนดีที่สุดในวันหน้า...

  • เมื่อผลดำเนินการในอดีตไม่เพียงพอที่จะใช้เป็นปัจจัยในการเลือกกองทุน เพราะผลตอบแทนในอดีตเพียงอย่างเดียวไม่สามารถคาดการณ์ประสิทธิภาพของกองทุนในอนาคตได้ ทำให้ผลตอบแทนที่นักลงทุนคาดหวังไม่สอดคล้องกับสิ่งที่ได้รับ
  • ในปัจจุบัน Digital Disruption ที่เกิดจากการพัฒนาอย่างรวดเร็วของเทคโนโลยี ก็ส่งผลต่อวงการการลงทุนเช่นกัน ทางทีม Quantitative Analyst จาก Finnomena จึงได้อัพเกรดระบบ Best-In-Class โดยใช้เทคโนโลยี Deep Learning มาช่วยในการคัดเลือกกองทุนอย่างมีประสิทธิภาพมากขึ้น
  • เพื่อให้แน่ใจได้ว่าสิ่งที่นักลงทุนได้รับจากระบบ Best-In-Class คือกองทุนที่มีคุณภาพก่อนที่จะมาถึงมือนักลงทุน ทางทีม Quatitative Analyst จึงได้มีการ Back Test อย่างถี่ถ้วนทั้งการเปรียบเทียบกับ SET TRI และผลตอบแทนในกลุ่มเดียวกัน

White Paper แนวคิดการลงทุนสำหรับพอร์ต Best-In-Class

สิ่งที่นักลงทุนหลายท่านต้องเจอคือ ปัญหาของการลงทุนโดยวิเคราะห์จาก ผลตอบแทนในอดีตเพียงอย่างเดียว ซึ่งไม่ได้เป็นสิ่งยืนยันผลตอบแทนในอนาคต ทำให้สิ่งที่นักลงทุนได้รับแตกต่างจากสิ่งที่นักลงทุนคาดหวัง 

จากการทดสอบ Backtest ที่ให้นักลงทุนเลือกลงทุนในกองทุนที่สร้างผลตอบแทนในอดีตที่สูงกว่า 90% ของกองทุนทั้งหมดในกลุ่มเดียวกัน หลังจากผ่านไป 6 เดือน เมื่อนำผลตอบแทนที่ได้รับมาเปรียบเทียบกับกองทุนอื่นๆในกลุ่มเดียวกัน เพื่อตรวจสอบว่ากองทุนที่เลือกยังสามารถสร้างผลตอบแทนได้สูงอยู่ไหม โดยเกณฑ์คือผลตอบแทนที่ได้รับในช่วง 6 เดือนสูงกว่า 75% ของกองทุนทั้งหมดในกลุ่มเดียวกัน

จากการตรวจสอบด้วยข้อมูลย้อนหลังพบว่า หากนักลงทุนเลือกกองทุนด้วยการดูผลตอบแทนย้อนหลัง 1 ปี จะมีโอกาสสูงสุดเพียง 31% ที่จะได้กองทุนผลตอบแทนดีใน 6 เดือนข้างหน้า ทั้งนี้โอกาสจะยิ่งลดลงอีก หากใช้ผลตอบแทนย้อนหลัง 3 ปี และ 5 ปี ชี้ให้เห็นถึงปัญหาของการคาดหวังผลตอบแทนที่จะได้บนพื้นฐานของผลตอบแทนในอดีต ซึ่งเป็นที่มาของแรงบันดาลใจในการสร้าง Best In Class Model ที่จะมาตอบโจทย์ปัญหานี้อย่างมีประสิทธิภาพ 

โมเดล Best In Class

ในส่วนของระบบ Best In Class นั้น ทางทีม Quantitative Analyst ได้ใช้ Deep Learning ซึ่งเป็นศาสตร์แขนงหนึ่งของ Machine Learning ในการสร้างระบบการตัดสินใจที่ไร้อารมณ์ เป็นกลไกความคิดบนพื้นฐานของข้อมูลในอดีต ซึ่งระบบ Deep Learning จะให้คะแนนสูงกับกองทุนที่คาดการณ์ว่าจะสร้างผลตอบแทนในอนาคตได้ดีกว่ากองทุนอื่นในกลุ่ม ไม่ใช่กองทุนที่ผลตอบแทนดีในอดีต โดยมีขึ้นตอนในการทำงานดังนี้

องค์ประกอบของ Deep Learning

Feature Engineering 

Feature Engineering หรือการสร้างข้อมูลใหม่ที่มีนัยสำคัญต่อประสิทธิภาพในการทำงาน ทำให้ระบบ Deep Learning สามารถคาดการณ์ได้อย่างแม่นยำขึ้น โดยเป็นการสร้างบนพื้นฐานของข้อมูลเดิมที่มีอยู่แล้ว 

ยกตัวอย่างที่นักลงทุนบางท่านอาจจะคุ้นเคยคือ การสร้าง Moving Average Convergence Divergence (MACD) อันเป็นข้อมูลใหม่ ที่แท้จริงแล้วถูกสร้างมาจากราคารายวันย้อนหลังเท่านั้น

Decision Making

Decision Making หรือการสร้างขั้นตอนในการตัดสินใจของระบบ Deep Learning จากข้อมูลที่ได้รับมา ผ่านการคำนวณทางคณิตศาสตร์ ที่ถูกนำมาใช้เป็นบรรทัดฐานในการสร้าง Output หรือผลลัพธ์ เพื่อใช้ในการสร้างการคาดการณ์ หรือในที่นี้ เป็นคะแนนที่ใช้ในการคัดเลือกกองทุน Best In Class นั่นเอง

ยกตัวอย่างเช่นการที่ Moving Average 15 วัน ปรับตัวสูงขึ้นกว่า Moving Average 30 วัน จากเดิมที่อยู่ต่ำกว่า ซึ่งในเชิง Technical Analysis ถือเป็นสัญญาณที่ดี จึงเป็นการเพิ่มคะแนนให้กับกองทุนที่มีสัญญาณนี้เกิดขึ้น แต่ก็เป็นเพียงหนึ่งในปัจจัยที่ใช้ในการคำนวณคะแนนเท่านั้น

Learning

การเรียนรู้ อันเป็นหัวใจสำคัญหลักของ Deep Learning ซึ่งเป็นขั้นตอนที่ ระบบจะเข้าไป “ปรับ” ปัจจัยในขั้นตอนต่างๆก่อนหน้านี้ เพื่อให้ระบบมีประสิทธิภาพที่ดีขึ้น ไม่ว่าจะเป็น Feature Engineering ที่ถูกปรับเพื่อให้สามารถสร้างข้อมูลที่ตอบโจทย์มากขึ้น หรือการปรับระบบ Decision Making ให้ตัดสินใจจากข้อมูลที่ได้รับได้เก่งขึ้น โดยใช้หลักการ Back Propagation อันเป็นหลักการทางคณิตศาสตร์ ที่เปรียบเสมือนขั้นตอนในการเรียนรู้ของ Deep Learning ซึ่งเป็นการเรียนรู้จาก ข้อผิดพลาด หรือความแตกต่างระหว่าง การคาดการณ์จาก Model กับความเป็นจริง เปรียบเสมือนกับการที่มนุษย์เราพัฒนาก้าวหน้าได้ ก็จากการเรียนรู้ผ่านประสบการณ์ และความผิดพลาดนั่นเอง

การจัดพอร์ต Best In Class 

หลังจากที่ได้คะแนนของแต่ละกองทุนจากระบบ Deep Learning ต่อมาก็จะเป็นในส่วนของระบบจัดพอร์ตที่จะนำกองทุนแต่ละกองในกลุ่มเดียวกันมาจัดอันดับแล้วเลือกกองทุน 3 กองที่ดีที่สุดมาโดยจะจัดสรรเป็นอัตราส่วนที่ 40%, 30%, และ 30% ตามลำดับ (เพื่อความง่ายในการเข้าลงทุน) รวมกันเป็น BIC Port ซึ่งจะคอยมีการนำคะแนนจาก BIC Model มาอัปเดตหน้าพอร์ททุกๆ 6 เดือน เพื่อให้นักลงทุนทุกท่านมั่นใจได้ว่ากองทุนทุกๆกองที่อยู่ในพอร์ตของท่านเป็นกองทุนที่มีคุณภาพ 

ทดสอบ Backtesting 

เปรียบเทียบกับการเลือกกองทุนด้วยผลตอบแทนย้อนหลัง 

เมื่อทดสอบพอร์ตของกองทุนที่ถูกเลือกด้วย Best In Class Model จะเห็นได้ว่าพอร์ตของกองทุน 3 อันดับแรก ที่ผ่านการคัดเลือกมานั้น มีโอกาสที่จะสร้างผลตอบแทนในอีก 6 เดือนข้างหน้า สูงกว่า 75% ของกองทุนอื่นในกลุ่มเดียวกัน ซึ่งเมื่อเปรียบเทียบกับการเลือกกองทุนด้วยผลตอบแทนย้อนหลัง BIC Port มีประสิทธิภาพที่สูงขึ้นจากเดิมกว่า 83% (เพิ่มขึ้นจากเดิมที่ 31% เป็น 58%) 

ถึงแม้เป็น Best in Class แล้ว ก็ไม่ได้เป็นไปตลอด 

แม้ว่าการคัดเลือกกองทุนด้วย Best In Class Model จะทำให้คุณมีโอกาสได้กองทุนที่ผลตอบแทนในอนาคตดีออกมา แต่ก็ใช่ว่ากองทุนนั้นจะมีแนวโน้มผลตอบแทนดีไปตลอด สิ่งที่หนึ่งที่การลงทุนใน BIC Port มอบให้คุณได้คือการประเมินติดตามสถานการณ์ที่เปลี่ยนแปลง และแจ้งเตือนนักลงทุนเมื่อถึงเวลาที่กองทุนมีการเปลี่ยนแปลงอย่างมีนัยยะสำคัญ เพื่อให้คุณมั่นใจได้ว่าเงินทุกบาททุกสตางค์จะอยู่ในกองทุนที่ดีที่สุดในระยะเวลานั้นๆ 

คำถามถัดมาคือ การสับเปลี่ยนกองทุนทุกกี่เดือน ถึงจะให้ผลตอบแทนที่ดี ทางทีม Quantitative Analyst จึงได้จำลองการลงทุนด้วย Best In Class Model ที่มาการสับเปลี่ยนกองทุน ทุกๆ 3 เดือน, 6 เดือน, และ 9 เดือน เปรียบเทียบกับ SET TRI Index โดยแต่ละครั้งที่มาการสับเปลี่ยน ทางทีมได้ตั้งค่าธรรมเนียมไว้ที่ 1% รวมค่าธรรมเนียมในการซื้อและค่าธรรมเนียมในการขาย และระยะเวลาการได้รับเงินคืน T+3 สำหรับการจำลองในครั้งนี้ โดยให้ความสำคัญกับช่วงที่เป็นตลาดขาขึ้น และช่วงที่เป็นตลาดขาลง 

จากการทดลองพบว่า การปรับพอร์ตทุกๆ 3 เดือนสามารถปรับตัวตามเทรนในช่วงตลาดขาขึ้นได้เร็วกว่าการปรับทุกๆ 6 และ 9 เดือน ซึ่งถึงแม้ผลตอบแทนโดยรวมจะลดลงเพราะค่าธรรมเนียมที่เกิดขึ้นจากการปรับพอร์ทบ่อยครั้งแต่ก็เป็นการปรับที่มีความคุ้มค่าต่อผลตอบแทบที่ได้รับเมื่อเทียบกับ SET TRI ซึ่งจะแตกต่างจากช่วงที่เป็นตลาดขาลงที่ทำให้เห็นผลเสียของการปรับพอร์ตบ่อยครั้งอย่างชัดเจน 

ในขณะที่การปรับพอร์ตทุกๆ 6 เดือนสามารถสร้างผลตอบแทนที่มีคุณภาพสูงกว่า SET TRI ทั้งในช่วงที่ตลาดปรับตัวขึ้นหรือลง และเมื่อเทียบกับการปรับพอร์ตทุกๆ 9 เดือนที่ได้รับผลกระทบจากปัญหาของค่าธรรมเนียม และระยะเวลาการรับเงินคืน T+3 น้อยที่สุด แต่กลับเป็นการประหยัดที่ไม่สมเหตุสมผล 

จึงทำให้การปรับพอร์ตทุกๆ 6 เดือนเป็นจุดสมดุลระหว่างบทลงโทษจากค่าธรรมเนียม และรางวัลของผลตอบแทนที่เกิดจากกองที่เปลี่ยนไป