Navigating the Numbers: Demystifying Quantitative Investing

โลกของการลงทุนเป็นโลกที่เต็มไปด้วยข้อมูลและตัวเลข ในแต่ละวันนักลงทุนจะได้รับข้อมูลข่าวสารใหม่ ๆ อยู่เสมอ คำถามที่นักลงทุนส่วนใหญ่กำลังเผชิญในตอนนี้ คงไม่ใช่คำถามที่ว่าจะหาตัวเลขหรือข้อมูลจากที่ไหน แต่คงเป็นคำถามว่าควรใช้ตัวเลขหรือข้อมูลอะไร เพื่อลงทุนในสินทรัพย์แต่ละชนิด เนื่องจากข้อมูลในปัจจุบันมีมากมายเหลือเกิน เมื่อนักลงทุนเปิดดูกราฟราคาสินทรัพย์ ในแพลตฟอร์มต่าง ๆ นักลงทุนจะพบว่านอกเหนือจากกราฟราคา ยังมีตัวเลขและอินดิเคเตอร์อีกมากมายนับไม่ถ้วน จนไม่รู้ว่าควรพิจารณาตัวเลขหรืออินดิเคเตอร์ตัวไหนเพื่อใช้เป็นสัญญาณในการลงทุน

ในยุคสมัยใหม่ที่เทคโนโลยีมีความก้าวหน้า ผู้คนเริ่มคุ้นเคยกับการใช้คอมพิวเตอร์มาช่วยในการตัดสินใจในหลากหลายแง่มุม เนื่องจากคอมพิวเตอร์สามารถประมวลผลข้อมูลจำนวนมากภายในระยะเวลาอันสั้น ในวงการการลงทุนก็เช่นกัน การใช้คอมพิวเตอร์เข้ามาช่วยประมวลผลข้อมูลราคา เป็นกระแสใหม่ที่เพิ่งเกิดขึ้นภายในช่วงระยะเวลาไม่กี่ปีที่ผ่านมา แต่ได้รับความนิยมเพิ่มขึ้นเรื่อย ๆ โดยเฉพาะในต่างประเทศ วันนี้ผมจะพาทุกท่านมาทำความรู้จักกับวิธีการลงทุนรูปแบบหนึ่ง ที่ใช้คอมพิวเตอร์ช่วยประมวลผลข้อมูล เพื่อให้สามารถคาดการณ์ราคาสินทรัพย์ และสร้างคำแนะนำการลงทุนได้

What is Quantitative Investing?

Navigating the Numbers: Demystifying Quantitative Investing

หรือเรียกสั้น ๆ ว่า quant เป็นรูปแบบการลงทุนรูปแบบหนึ่ง ซึ่งอาศัยหลักการทางคณิตศาสตร์และสถิติเข้ามาประกอบการตัดสินใจ โดยนักลงทุนสาย quant จะใช้สมการทางคณิตศาสตร์ในการอธิบายรูปแบบเหตุการณ์ที่เคยเกิดขึ้นในอดีต โดยมีความเชื่อว่ารูปแบบดังกล่าวจะเกิดขึ้นซ้ำในอนาคต โดยการลงทุนสาย quant สามารถทำได้ทั้งในลักษณะการจัดพอร์ตลงทุน (multi-asset portfolio allocation) และการสร้างสัญญาณซื้อ/ขาย (trading signal) โดยในบทความนี้จะเน้นไปที่การสร้างสัญญาณซื้อ/ขายเป็นหลัก

Navigating the Numbers: Demystifying Quantitative Investing

นักลงทุนสาย quant มีเครื่องมือสำคัญคือคอมพิวเตอร์ เพราะการประมวลผลข้อมูลขนาดใหญ่นั้น ไม่สามารถทำได้ด้วยมือคน นั่นเป็นหนึ่งสาเหตุที่ทำให้นักลงทุนหลาย ๆ ท่านอาจจะยังไม่คุ้นเคยกับคำว่า quantitative investing มากนัก เพราะการใช้คอมพิวเตอร์มาประมวลผลเพื่อช่วยในการตัดสินใจต่าง ๆ เพิ่งเข้าสู่ยุคกระแสหลักในช่วงไม่กี่ปีที่ผ่านมา เนื่องจากคอมพิวเตอร์มีสมรรถนะที่สูงขึ้น สามารถประมวลผลข้อมูลได้รวดเร็วยิ่งขึ้น และด้วยแรงหนุนจากความสนใจในเรื่องปัญญาประดิษฐ์​ (Artificial Intelligence หรือ AI) ทำให้หลาย ๆ บริษัทในหลากหลายอุตสาหกรรมเลือกใช้คอมพิวเตอร์ในการตัดสินใจแทนมนุษย์ เพราะตัวมนุษย์เองมีความเอนเอียงในความคิด (bias) ของตนเองเสมอ การใช้คอมพิวเตอร์ช่วยตัดสินใจ จะช่วยลดความเอนเอียงดังกล่าวลง และผู้คนในวงการต่างเชื่อว่าการตัดสินใจสุดท้ายจะนำไปสู่ผลลัพธ์ที่ดียิ่งขึ้น

ทุกท่านอาจจะคุ้นเคยกับประโยคที่ว่าคนที่ซื้อหุ้นแบ่งออกเป็นสายพื้นฐาน (fundamental investing) ที่ลงทุนด้วยการอ่านงบการเงิน ดูตัวเลขผลประกอบการของบริษัท เพื่อเลือกซื้อหุ้นที่คาดว่าราคาจะขึ้น และสายเทคนิค (technical investing) ที่ดูกราฟราคาของหุ้น (รวมถึงสินทรัพย์อื่น ๆ เช่นทองคำ น้ำมัน) และใช้อินดิเคเตอร์ต่าง ๆ รวมถึงรูปแบบของกราฟ ในการประเมินว่าราคาของสินทรัพย์จะวิ่งไปทางใด และเปิดสัญญาซื้อ/ขายตามความคาดหวังนั้น…

การลงทุนแบบ quantitative investing ในความเห็นส่วนตัวของผม มีความคล้ายคลึงกับการลงทุนสายเทคนิคพอสมควร วิธีการลงทุนทั้งสองแบบต่างมีความเชื่อร่วมกัน คือรูปแบบใดที่เคยเกิดขึ้นในอดีต รูปแบบนั้นจะเกิดขึ้นซ้ำในอนาคต แต่ quant เองก็มีลักษณะเฉพาะที่ทำให้มีความแตกต่างจากการลงทุนสายเทคนิคในสองประเด็นหลัก ๆ

Systematic Strategy Evaluation

Navigating the Numbers: Demystifying Quantitative Investing

การลงทุนสายเทคนิคมักใช้รูปแบบกราฟ หรืออินดิเคเตอร์ที่ผู้คนนิยมใช้ ยกตัวอย่างเช่นการใช้ค่า Bollinger Band ที่เป็นกรอบราคาบน-ล่างที่นักลงทุนนิยมใช้ในการซื้อ/ขายสินทรัพย์ จริงอยู่ที่การคำนวณ Bollinger Band มีสมการตายตัว (สร้างเส้น moving average, คำนวณค่า standard deviation แล้วคูณด้วย 2, จากนั้นนำผลคูณไปบวก/ลบออกจากเส้น moving average กลายเป็นกรอบบน/ล่าง) แต่การตีความ Bollinger Band ของนักลงทุนแต่ละคนนั้นแตกต่างกันออกไป บางคนใช้จุดที่ราคาปิดแตะขอบล่างเป็นจุดเข้าซื้อ แต่ก็มีคนที่ใช้จุดที่ราคาปิดทะลุขอบบนเป็นจุดเข้าซื้อเช่นกัน ตามสไตล์การลงทุนของแต่ละคน

แล้ววิธีไหนเป็นวิธีที่ดีกว่ากัน?

คำตอบคือคงไม่ได้มีวิธีใดวิธีหนึ่งที่เป็นสูตรสำเร็จสำหรับสินทรัพย์ทุกประเภท

สำหรับนักลงทุนสาย quant การจะตอบว่าวิธีใดวิธีหนึ่งดีหรือไม่ จะต้องผ่านการทดสอบกับสิ่งที่เคยเกิดขึ้นในอดีต ใช้หลักการทางคณิตศาสตร์และสถิติ มาจำลองการซื้อ/ขายสินทรัพย์ ตามจุดเข้าซื้อ/จุดขายออก ของวิธีแต่ละวิธี และให้ตัวเลขผลตอบแทนที่ได้เป็นตัวชี้วัดว่าเราควรใช้วิธีนี้ซื้อ/ขายสินทรัพย์ที่สนใจหรือไม่ ในผลลัพธ์สุดท้าย เราอาจจะเจอว่าไม่ว่าจะใช้จุดเข้าซื้อเป็นขอบล่างหรือขอบบนของ Bollinger Band ก็ไม่มีวิธีไหนเลยที่เหมาะสมเลยก็เป็นได้ ในกรณีนี้เราจะต้องคิดหาวิธีใหม่ โดยอาจจะใช้อินดิเคเตอร์อื่น ๆ เช่น MACD หรือ RSI หรือใช้ข้อมูลทางเลือกอื่น ๆ เช่นข้อมูลตัวเลขเศรษฐกิจ มาช่วยประกอบการตัดสินใจ

Data Source

นักลงทุนสายเทคนิคมักจะใช้ข้อมูลราคาสินทรัพย์ในรูปแบบของกราฟแท่งเทียนที่ทุกท่านน่าจะคุ้นเคยเป็นอย่างดี (OHLCV: open / high / low / close / volume) ในการวิเคราะห์รูปแบบราคาสินทรัพย์ ส่วนนักลงทุนสาย quant สามารถประยุกต์ใช้ข้อมูลจากหลากหลายแหล่งที่มา ไม่ว่าจะเป็นข้อมูลราคาจากกราฟแท่งเทียน, ข้อมูลตัวเลขเศรษฐกิจ เช่นอัตราการเติบโตของ GDP อัตราเงินเฟ้อ ตัวเลขการว่างงาน, ข้อมูลงบการเงินบริษัท รวมถึงข้อมูลทางเลือกอื่น ๆ โดยมีข้อแม้ว่าข้อมูลชุดนั้นจะต้องถูกแปลงค่าเป็นตัวเลขได้

Developing a Quantitative Strategy

Navigating the Numbers: Demystifying Quantitative Investing

ถ้าพูดถึงการหาปัจจัย (factor) ที่คาดว่าน่าจะมีผลต่อการเคลื่อนไหวของราคาสินทรัพย์ ส่วนใหญ่นักลงทุนสาย quant จะเริ่มจากอินดิเคเตอร์หลัก ๆ ที่นักลงทุนทั่วไปรู้จักกันดี เพราะอินดิเคเตอร์เหล่านี้ใช้งานง่าย ตีความง่าย ในบางครั้งนักลงทุนสาย quant อาจจะเจอว่าวิธี (strategy) ที่ใช้ “ส่วนผสม” ของอินดิเคเตอร์พื้นฐานเหล่านี้ (เช่นใช้ Bollinger Band คู่กับ RSI) ใช้กำหนดจุดซื้อ/ขายของสินทรัพย์ที่สนใจได้ดีจนน่าตกใจ แต่ถ้าหากยังไม่เจอผลลัพธ์ที่น่าพึงพอใจ ก็จะถอดปัจจัยที่ไม่ได้มีผลต่อการเคลื่อนไหวของราคาออก แล้วทดลองเพิ่มปัจจัยอื่น ๆ ไม่ว่าจะเป็นอินดิเคเตอร์ใหม่ที่อาจจะมีความยุ่งยากในการใช้มากขึ้น หรือใช้ข้อมูลชุดอื่นที่คาดว่าน่าจะส่งผลกับราคา ในหลาย ๆ ครั้งเราจะมีปัจจัยในมือจำนวนมาก เทคโนโลยี Artificial Intelligence โดยใช้ Machine Learning เรียนรู้พฤติกรรมของราคาที่เคยเกิดขึ้นในอดีต จึงเข้ามามีบทบาทสำคัญในการช่วยเลือกว่าปัจจัยใดที่มีแนวโน้มจะกำหนดการเคลื่อนไหวของราคาได้ดีกว่าปัจจัยอื่น ๆ

จากการทดลองข้างต้น เมื่อได้แนวคิดแล้วว่าจะใช้ปัจจัยใดบ้าง และมีการกำหนดว่าจะซื้อและขายที่จุดไหนในรูปแบบของสมการคณิตศาสตร์ ขั้นตอนถัดไปคือการทดสอบว่าแนวคิดดังกล่าวจะสามารถทำผลตอบแทนได้ดีแค่ไหน โดยใช้สิ่งที่เคยเกิดขึ้นในอดีตเป็นตัวทดสอบ ขั้นตอนนี้มีชื่อเรียกว่า backtesting และจะเป็นขั้นตอนสำคัญที่ใช้ชี้วัดว่า strategy ที่เราคิดขึ้นมา มีแนวโน้มที่จะใช้ได้จริงกับสินทรัพย์นั้น ๆ หรือไม่

การทดสอบ backtesting คือการทดลองซื้อ/ขายตามจุดที่ได้กำหนดไว้ตามสมการข้างต้น จากนั้นรวบรวมผลกำไร/ขาดทุนที่เกิดขึ้นจากการซื้อ/ขายดังกล่าว แล้วนำมาวิเคราะห์ด้วยกระบวนการทางสถิติ โดยจะมีมุมมองการวิเคราะห์ในหลากหลายแง่มุม เช่น

  • Win rate: การซื้อ/ขาย 100 ครั้ง ทำให้ได้กำไรกี่ครั้ง
  • Profit factor: นักลงทุนจะได้เงินกี่หน่วยสำหรับเงินมูลค่า 1 หน่วยที่เสียไป
  • Average profit per trade: การซื้อ/ขายทั้งหมด ให้ผลกำไรโดยเฉลี่ยกี่เปอร์เซ็นต์
  • Max drawdown: ผลการขาดทุนแบบยังไม่เกิดขึ้นจริง (unrealized loss) ที่สูงที่สุดตลอดการจำลองการซื้อ/ขาย

ในทุก ๆ การทดสอบจะมีการบันทึกตัวเลขต่าง ๆ เหล่านี้ และเมื่อตัวเลขเหล่านี้อยู่ในระดับที่ดีกว่าระดับที่เรารับได้ strategy ดังกล่าวจะถือเป็น strategy ที่สามารถใช้ซื้อ/ขายได้ สำหรับสินทรัพย์นั้น ๆ

ตัวเลขชุดดังกล่าวเป็นอีกหนึ่งความแตกต่างของการทำ quantitative strategy กับการกำหนดจุดเข้าซื้อและจุดขายออกด้วยวิธีการทางเทคนิค สำหรับการซื้อด้วยปัจจัยทางเทคนิค จะมีการกำหนดจุดขายทำกำไร (take profit) และจุดตัดขาดทุน (stop loss) เพื่อควบคุมผลกำไร/ขาดทุนที่จะเกิดขึ้นสำหรับการเข้าซื้อรอบนั้น ๆ และมีการวัดอัตราส่วนกำไรต่อขาดทุน (risk-reward ratio) เพื่อให้มั่นใจว่าผลกำไรที่คาดหวัง คุ้มค่ากับผลขาดทุนที่คาดหวังว่าอาจจะเกิดขึ้น สำหรับการทำ quantitative strategy จะไม่มีการกำหนดจุดขายออกในรูปแบบราคาเป้าหมายที่ชัดเจน แต่จะกำหนดในรูปแบบของเงื่อนไขบางอย่าง (เช่น ขายเมื่อราคาปิดอยู่เหนือ Bollinger Band เส้นบน, ขายเมื่อ RSI มากกว่า 70, ขายเมื่ออัตราการเติบโตของ GDP รายไตรมาส ติดลบ 2 ไตรมาสติดต่อกัน เป็นต้น) ทำให้ไม่ได้มีการกำหนดราคาขายออกที่แน่ชัด และไม่ได้มีผลกำไร/ขาดทุนที่คาดหวัง แต่ตัวเลขดังกล่าวจะถูกแทนที่ด้วยผลการดำเนินงานในอดีต เช่น average profit per trade ที่จะบอกว่าในการซื้อหนึ่งครั้ง โดยเฉลี่ยแล้วจะได้กำไรกี่เปอร์เซ็นต์

Strategy Example

สมมติว่าเรามีแนวคิดว่าจะใช้ RSI เป็นสัญญาณการซื้อ/ขายดัชนี SET50 ซึ่งเป็นดัชนีที่อ้างอิงราคาของหุ้นไทยที่มีขนาดใหญ่ที่สุด 50 อันดับ สิ่งแรกที่เราจะต้องทำคือกำหนดตัวเลขต่าง ๆ และจุดเข้าซื้อ/ขายออก เราอาจจะทดลองใช้ RSI(14) และใช้ระดับ overbought และ oversold เป็น 70 และ 30 ตามลำดับ ซึ่งเป็นค่าที่นักลงทุนส่วนใหญ่ใช้เป็นประจำ จากนั้นใช้เงื่อนไขว่าจะเข้าซื้อเมื่อ RSI วิ่งขึ้นเหนือเส้น 30 (oversold) และขายออกเมื่อ RSI วิ่งลงต่ำกว่าเส้น 70 (overbought) และลองทำการทดสอบ backtesting โดยใช้ระยะเวลาทดสอบย้อนหลัง 10 ปี, ค่าธรรมเนียมการเทรดที่ 0.2% และมูลค่าเงินตั้งต้น 10,000 บาท

Navigating the Numbers: Demystifying Quantitative Investing

จากรูปจะเห็นว่ามีการซื้อเกิดขึ้นทั้งหมด 10 ครั้ง และมีค่าสถิติที่น่าสนใจดังนี้

  • ค่า percent profitable (win rate) อยู่ที่ 70% แปลว่าการซื้อ 100 ครั้ง จะได้กำไร 70 ครั้ง (ขาดทุน 30 ครั้ง)
  • ค่า profit factor อยู่ที่ 1.477 แปลว่านักลงทุนสามารถคาดหวังกำไรได้ 1.477 บาท ต่อการขาดทุน 1 บาท
  • ค่า max drawdown อยู่ที่ 39.44% แปลว่าผลการขาดทุนแบบยังไม่เกิดขึ้นจริงสูงสุดคือ 39.44%

 

โดยสรุป strategy นี้เป็นวิธีที่ดีพอสมควรครับ มี win rate ที่สูง แต่จำนวนการซื้อค่อนข้างน้อย อาจจะไม่เหมาะกับนักลงทุนที่ชอบซื้อ/ขายบ่อย ๆ ครับ

Summary

การลงทุนแบบ quantitative investing คือการลงทุนโดยใช้หลักการทางคณิตศาสตร์และสถิติ เข้ามาช่วยในการตัดสินใจลงทุน แก่นสำคัญของ quant คือเชื่อว่าเหตุการณ์ที่เคยเกิดขึ้นในอดีต จะเกิดขึ้นซ้ำอีกในอนาคต วิธีการสร้าง strategy จึงมีการใช้งานอินดิเคเตอร์ทางเทคนิค รวมถึงข้อมูลอื่น ๆ ที่อาจจะเป็นประโยชน์ มาทำการกำหนดจุดเข้าซื้อและขายออก จากนั้นทำการทดสอบ backtest เพื่อตรวจสอบความแม่นยำของวิธีนั้น ๆ จึงทำให้ quant strategy ที่ได้ มีผลการทดสอบย้อนหลังที่ชัดเจน มีอัตราการทำกำไร ผลตอบแทนสะสม และความผันผวนของการลงทุน ตามพฤติกรรมของราคาที่เคยเป็นไปในอดีต เป็นข้อมูลแก่นักลงทุน ประกอบการตัดสินใจว่านักลงทุนสามารถยอมรับความเสี่ยงที่เกิดขึ้นจากการลงทุนด้วยวิธีดังกล่าวได้หรือไม่ครับ

ที่มาบทความ: https://pasinsiri.medium.com/navigating-the-numbers-demystifying-quantitative-investing-4726481bb64d