หุ้น Big Tech ดำดิ่งหลัง FTC เตรียมตรวจสอบการผูกขาด

หุ้น Facebook ร่วงลง 7.5% ในวันจันทร์จากรายงานของ Wall Street Journal ที่ระบุว่า
Federal Trade Commission (FTC) จะสามารถตรวจสอบการใช้ Facebook ในการแข่งขันของธุรกิจดิจิทัล ว่าเป็นการผูกขาดหรือไม่?

การลดลงของหุ้น Facebook ส่งผลกระทบต่อมูลค่าของบริษัทมากกว่า 38,000 ล้านเหรียญสหรัฐ จากมูลค่าถึงกว่า 469,000 ล้านเหรียญสหรัฐ ของ Facebook หลังจากอยู่ภายใต้การตรวจสอบโดย FTC ในเรื่องการผูกขาดธุรกิจ

หุ้นของยักษ์ใหญ่ด้านเทคโนโลยีรายอื่น ๆ ได้รับผลกระทบเช่นเดียวกัน หุ้นของAmazonลดลง 4.6% เมื่อวันจันทร์หลังจากรายงานของวอชิงตันโพสต์ว่าหน่วยงานบังคับใช้กฎหมายต่อต้านการผูกขาดในสหรัฐอเมริกามีข้อตกลงใหม่เกี่ยวกับการกำกับดูแลด้านเทคโนโลยี การลดลงดังกล่าวเป็นมูลค่ามากกว่าสี่หมื่นล้านเหรียญ

และหุ้นของ บริษัท แม่ของ Google ลดลง 6.1% หลังจากมีการรายงานเช่นเดียวกันว่า เมื่อวันศุกร์ กระทรวงยุติธรรมสหรัฐฯ กำลังเตรียมการสอบสวนการต่อต้านการผูกขาดของ Google ทำให้มูลค่าหุ้นหายไปประมาณ 47,000 ล้านเหรียญ สหรัฐจากมูลค่าตลาดที่ 721,000 ล้านเหรียญสหรัฐ

กฎระเบียบต่อต้านการผูกขาดยังคงเป็นภัยคุกคามต่อเหล่าบริษัท Big Tech ในช่วงไม่กี่ปีที่ผ่านมาเนื่องจากเรื่องอื้อฉาวอย่าง Cambridge Analytica ในเรื่องข้อมูลส่วนตัวของผู้งานที่หลุดออกมา และในการเลือกตั้งประธานาธิบดีในปี 2563 ที่จะถึงนี้ เริ่มมีการใช้แคมเปญ “ Stop Big Tech” เพื่อหยุดอิทธิพลของเหล่าบริษัท Big Tech เหล่านี้ที่นับว่าจะมีมากขึ้นเรื่อย ๆ 

แต่ข้อตกลงที่ได้รับการรายงานใหม่ระหว่าง Federal Trade Commission และกระทรวงยุติธรรมของสหรัฐ ทำให้ภัยคุกคามต่อบริษท Big Tech เหล่านี้เริ่มใกล้เคียงกับความเป็นจริงมากขึ้น 

โดย FTC จะเป็นผู้นำในการกำกับดูแลของ Amazon ในขณะที่ DOJ จะมีอำนาจดูแลใน Case ของ Google ซึ่งก่อนหน้านี้ FTC จัดการสอบสวนวในกรณีของ Google  แต่ตอนนี้ ทางกระทรวงยุติธรรมสหรัฐ จะพิจารณาแนวทางปฏิบัติของ Google ต่อตลาดอีกครั้งทั้งในด้านการค้นหาและด้านอื่น ๆ ตามที่ระบุในวารสารที่ถูกปล่อยออกมา

References : 
https://www.cnbc.com/2019/06/03/amazon-facebook-and-google-stocks-stumble-over-antitrust-concerns.html

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol

เมื่อ Robot Trade หุ้นได้ดีกว่ามนุษย์

ใครจะคาดคิดว่าว่าตอนนี้ AI ได้กำลังเริ่มเข้ามามีบทบาทต่อ Wall Street แล้ว และมันกำลังเริ่มทำเงินให้เหล่านักลงทุนต่าง ๆ ที่เริ่มหันมาใช้ robot ในการ trade

ซึ่งในช่วงกลางเดือน ตุลาคม 2017 นั้น นับว่าเป็นจุดเริ่มต้นของกองทุนที่เรียกว่า AI Powered Equity ETF ซึ่งมีการ manage ความเสี่ยงในการลงทุนผ่านระบบ artificial intelligence เพื่อที่จะเอาชนะตลาด Wall Street

ซึ่งจนถึง ณ ปัจจุบัน นั้นมันก็ยังสามารถทำงานได้ดีมาก แม้จะเป็นเพียงในระยะสั้นเท่านั้น ซึ่งการลงทุนจริง ๆ นั้นต้องวัดผลในระยะยาว แต่มันก็สามารถบรรลุเป้าหมายที่กองทุนนี้ต้องการได้ ซึ่งในช่วงแรกนั้น AIEQ ได้ทำกำไรไปประมาณ 0.6% ภายใน 2 วัน ซึ่งทำให้ได้ผลตอบแทนสูงกว่า 1% ในหนึ่งสัปดาห์ ซึ่งสามารถเอาชนะตลาดได้ แต่ก็ยังเป็นแค่ผลงานเพียงระยะสั้นเท่านั้น ซึ่งหากมันทำงานได้ work ในช่วงไตรมาสแรกนั้น เราอาจจะได้เห็นคู่แข่งของกองทุน AI ของบริษัทอื่น ๆ  กว่า 20 บริษัทที่จะเข้ามาแข่งขัน ภายในไม่เกิน 6 เดือน อย่างแน่นอน

ซึ่งโดยหลักแล้วนั้นกองทุนด้าน AI นั้นจะขับเคลื่อนด้วย algorithm ที่มองหาบริษัท ที่มีศักยภาพที่ดีที่สุด ซึ่งให้ผลตอบแทนมากกว่าค่าเฉลี่ยของตลาด ซึ่งถ้ามองในกองทุน ETFs โดยทั่วไปส่วนใหญ่แล้วนั้นจะเน้นไปที่การ follow ตลาด เช่น หาบริษัทขนาดใหญ่ที่มีผลตอบแทนที่ดีใน S&P 500 หรือ ดัชนีอุตสาหกรรมดาวโจนส์ หรือ ภาคอุตสาหกรรมอื่น ๆ แต่ AIEQ ที่เป็นกองทุน AI นั้นจะเลือกบริษัทขนาดเล็กและอยู่ใน list ที่กำลังเจริญเติบโตมากกว่า   ผ่าน computer algorithm โดยผ่านการเรียนรู้จากข้อมูลในตลาด และได้รับการทดสอบมาอย่างดีแล้ว เพื่อบริหารความเสี่ยงได้อย่างดีที่สุด

Wall Street กำลังปั่นป่วน กับการเข้ามาของ Robot

Wall Street กำลังปั่นป่วน กับการเข้ามาของ Robot

ซึ่งเนื่องจากข้อมูลที่มีมากขึ้นในปัจจุบันนั้น ทำให้งานของ Fund Manager นั้นมีความท้าทายมากขึ้น  ซึ่งเทคโนโลยีใหม่  ๆ อย่าง artificial intelligence นั้น มีมาเพื่อช่วยแก้ปัญหาเหล่านี้ ซึ่งการเปิดตลาดของ AIEQ นั้นก็เป็นการแนวทางการลงทุนแบบใหม่โดยใช้ AI ซึ่งจะเปิดโอกาสให้กับทุกคนได้ ซึ่งในขณะนี้กองทุนดังกล่าวนั้นได้มีการลงทุนในหุ้นไปกว่า 70 ตัวแล้ว และกำลังกระจายเงินไปสู่หลาย ๆ sector ซึ่งจะประมวลจากหลาย ๆ กิจกรรมเช่น สภาวะเศรษฐกิจใจปัจจุบัน แนวโน้มที่เกิดขึ้นกับโลกเรา รวมถึง Events ต่าง ๆ ของบริษัท ซึ่งข้อมูลต่าง ๆ เหล่านี้นั้นสามารถนำมา train ให้ computer algorithm เข้าใจและสามารถ predict market trend ที่จะเกิดขึ้นได้

ซึ่งจากข้อมูลใน XTF.com นั้น บริษัทที่ถือครองหลักทรัพย์สูงสุด 5 อันดับแรกนั้นประกอบไปด้วย Penumbra , Genworth Financial , Boyd Gaming , Mednax และ Triumph Group  ซึ่งมีขนาดของส่วนแบ่งจากหลักทรัพย์ทั้งหมด ไล่ตั้งแต่ ส่วนแบ่ง 4.64% ของ Penumbra ไปจนถึงสว่นแบ่ง 3.45% ของ Triumph ซึ่งถือเป็นบริษัทขนาดใหญ่ที่ครองตลาดอยู่ในขณะนี้

ซึ่งอัตราส่วนค่าใช้จ่ายของกองทุนเหล่านี้จะอยู่ที่ 0.75% ซึ่งแพงกว่า ETF แบบ passive โดยทั่วไปที่มีค่าเฉลี่ยอยู่ที่ประมาณ 0.58% แต่ก็ยังถูกกว่า actively managed ETFs ซึ่งค่าเฉลี่ยอยู่ที่ประมาณ 0.85%  ถึงแม้กองทุน AI อย่าง AIEQ นั้นจะมีขนาดเล็กเพียงแค่ 7 ล้านเหรียญ แต่ก็เป็นจุดเริ่มต้นของแนวโน้มด้าน AI ในอนาคตที่จะสำคัญอย่างแน่นอน เพราะ AIEQ นั้นเป็นคนเริ่มกองทุนด้าน AI เป็นกองทุนแรก ซึ่งหากมันประสบความสำเร็จนั้น ก็จะมีคู่แข่งเข้ามาแข่งขันในตลาด AI นี้อย่างรวดเร็วเช่นกัน

Reference : www.cnbc.com,gettyimages.com

 

มุมมองที่แตกต่างอย่างสุดขั้วต่อ Cryptocurrency

ถ้าเราได้เห็นข่าวที่มีต่อ cryptocurrency ชื่อดังอย่าง Bitcoin ในช่วงที่ผ่านมานั้น เราก็อดสงสัยไม่ได้ว่าทำไมถึงมีความเห็นออกเป็น 2 ขั้วอย่างชัดเจนระหว่างฝั่งสายการเงินการลงทุน กับ ฝั่งสายเทคโนโลยี ที่มีมุมมองตรงข้ามกันอย่างชัดเจน  ซึ่งเมื่อเรามาไล่เรียงดู timeline ของข่าวในช่วงปีที่ผ่านมาจะพบว่า

มุมมองที่แตกต่างอย่างสุดขั้วของเหล่า influences สายการเงิน และ เหล่า influences สาย technology ผ่านการพาดหัวข่าวจากสื่อต่าง ๆ 

1.สายการเงิน

2.สาย Technology

เราเห็นอะไรในข่าวที่ได้จากเหล่าผู้มีอิทธิพลทั้งสายการเงิน และ สายเทคโนโลยี จะเห็นได้ว่ามุมมองต่อ cryptocurrency ของฝั่งการเงินนั้นมองในแง่ลบเกือบแทบจะทั้งหมด น้อยคนนักที่จะกล่าวถึง bitcoin หรือ cryptocurrency ในด้านบวก แม้กระทั่งนักวิชาการชาวไทยเองก็ตามหลาย ๆ ท่านถ้าติดตามด้านความเห็น ที่ส่วนใหญ่จะเป็นความเห็นจากนักวิชาการทางด้านการเงินหรือนักเศรษฐศาสตร์นั้นจะมอง bitcoin ในด้านลบอยู่เสมอ แต่ทำไมฝั่ง technology กลับมองเป็นด้านบวกล่ะ

ต้องบอกว่าความซับซ้อนของระบบการเงินโลกนั้นที่มีการเชื่อมโยงกัน และการอ้างอิงมูลค่าต่าง ๆ ที่สายการเงินกล่าวอ้างกันนั้น เป็นทฤษฏีที่ใช้กันมาเนิ่นนานกว่า 100 ปีแล้ว และทฤษฏีเหล่านี้ ก็ถูกถ่ายทอดกันมารุ่นสู่รุ่นผ่านตำราเรียนต่าง ๆ ที่แทบจะเหมือนกันทั่วโลก แล้วเมื่อมีคนคิดระบบใหม่อย่าง cryptocurrency ขึ้นมาก็เป็นเรื่องธรรมดาที่เหล่าผู้มีอิทธิพล หรือ นักวิชาการด้านการเงินการลงทุนนั้นจะกล่าวถึงเรื่องนี้คล้าย ๆ กัน และเป็นคำพูดที่ซ้ำ ๆ กันเช่น ฟองสบู่ เสี่ยงโชค ฟอกเงิน ว่างเปล่า ไม่มีมูลค่าอะไรเลย

จะเห็นได้ว่าหลาย ๆ ข่าว เราก็ได้ยินคำซ้ำ ๆ กันเพราะพวกเขาเหล่านี้นั้นมองรูปแบบของเทคโนโลยีทางด้านการเงินใหม่เหล่านี้ แทบจะเหมือนกันซึ่งก็ต้องบอกว่าเป็นความเห็นที่น่ารับฟัง เพราะ สุดท้ายแล้วคนเหล่านี้ก็ยังมีอิทธิพลต่อโลกการเงินการลงทุนของเราอยู่ดี ไม่ว่าเทคโนโลยีของโลกเรานั้นจะก้าวไกลไปขนาดไหนก็ตาม

ต่างจากสาย technology ที่เติบโตมากับนวัตกรรมอยู่แล้วเป็นทุนเดิม ซึ่งเป็นเรื่องธรรมดาที่มีแนวทางที่่สนับสนุนนวัตกรรมใหม่ ๆ อยู่ตลอดไม่เว้นแม้แต่นวัตกรรมทางด้านการเงินอย่าง cryptocurrency ซึ่งเหล่าคนสายเทคโนโลยีนั้น เข้าใจถึง concept ต่างๆ ของ cryptocurrency ได้เร็วกว่าฝั่งสายการเงินเป็นส่วนมากอยู่แล้ว เพราะมันเกิดจากนวัตกรรมทางด้าน it และกลุ่มผู้สร้างกลุ่มแรก ๆ นั้นเป็นคนฝั่ง it ซะเป็นส่วนใหญ่ จึงไม่แปลกที่เราจะเห็นคนทางฝั่งเทคโนโลยีหรือ IT นั้นมองนวัตกรรมเหล่านี้ในแง่บวก

เพราะนวัตกรรมหลาย ๆ อย่างจากฝั่ง it ในช่วงไม่กี่ปีมานั้นเปลี่ยนวิถีชีวิตของมนุษย์ทั่วโลกไปอย่างสิ้นเชิงไม่ว่าจะเป็น มือถือ , social network , search engine สิ่งต่าง ๆ เหล่านี้มี impact ต่อการดำรงชีวิตของเราเป็นอย่างมากโดยใช้เวลาเพียงไม่กี่ปี ซึ่ง หลาย ๆ คนจากฝั่งเทคโนโลยี ก็น่าจะมองเห็นอนาคตของ cryptocurrency ไม่ต่างกันว่าจะมาปฏิวัติระบบการเงิน และปรับรูปแบบการเงินที่มีมายาวนานกว่า 100 ปี ของมนุษย์เราได้อีกครั้งหนึ่ง แต่มันจะเกิดขึ้นได้จริงหรือไม่นั้น เราก็ต้องมาดูกันต่อไปครับผม

Reference Image : images.readwrite.com

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage :facebook.com/tharadhol.blog
Blockdit :blockdit.com/tharadhol.blog
Twitter :twitter.com/tharadhol
Instragram :instragram.com/tharadhol

ทำนายการขึ้นลงของหุ้นด้วยข้อมูลจาก Twitter

ต้องบอกว่าเหล่า influence หลาย ๆ คนใน twitter นั้นมี impact อย่างยิ่งต่อการเปลี่ยนแปลงของราคาหุ้น ค่าเงิน หรือ ราคาทองคำ การ tweet แต่ละครั้งนั้น ก็จะ effect ต่อตลาดซึ่งมากน้อยเพียงใดนั้นก็ขึ้นอยู่กับ tweet นั้น ๆ ตัวอย่างเช่นการ tweet ของ Donald Trump นั้นมีผลต่อการเคลื่อนที่ของราคาหุ้นไม่ว่าทางใดก็ทางหนึ่งอย่างแน่นอน

จนมีผู้ที่สร้าง mobile apps ขึ้นมาจริง ๆ คือ LikeFilo ซึ่งจะใช้ข้อมูลจาก twitter และ mobile notification  ที่จะทำให้เหล่า influence ขึ้นไปยัง top ของตารางหาก tweet ใด ๆ นั้นมี impact ต่อการเคลื่อนที่ของราคาหุ้นในตลาด ตัวอย่างเช่น user สามารถที่จะเลือกเหล่า influence ในส่วนของ section ที่เรียกว่า “Sharks” ซึ่งจะประกอบไปด้วยเหล่านักลงทุนที่เป็น big name ที่จะ impact กับตลาด ซึ่งทาง LikeFilo นั้นได้ทำการเลือกสรรไว้ให้แล้ว โดย user จะได้รับ notification หากเหล่านักลงทุนเหล่านี้มีการ tweet ที่เกี่ยวข้องกับ public company ซึ่งจะมีผลต่อตลาดหุ้น

Kevin O'Leary ได้ tweet เกี่ยวข้องกับบริษัท SNAPCHAT

Kevin O’Leary ได้ tweet เกี่ยวข้องกับบริษัท SNAPCHAT

ตัวอย่างจากรูปคือ Kevin O’Leary ได้ tweet เกี่ยวข้องกับบริษัท SNAP ซึ่งก็คือ social network น้องใหม่ชื่อดังอย่าง Snapchat ซึ่งใช้ชื่ออยู่ SNAP ใน New York Stock Exchange ซึ่งการ tweet ของเหล่าผู้มีอิทธิพลเหล่านี้นั้นอาจจะไม่ได้ทำให้ทำให้ราคาหุ้นเปลี่ยนไปทางใดทางหนึ่งแบบ 100% แต่ก็สามารถทำให้เกิด effect ต่อราคาหุ้นนั้น ๆ ได้

ซึ่ง Twitter เองนั้น ก็ทำการ track ข้อมูลเหล่านี้ไว้ด้วยเช่นกัน ซึ่งพวกเขาก็เชื่อว่าการ tweet ของเหล่า influences เหล่านี้นั้นมี impact ต่อตลาดอย่างแน่นอน โดยถึงกับเขียนเป็น blog series ที่ใช้ชื่อว่า “Finance Tweets of the Month”  ผ่าน official web ของ twitter เลยทีเดียว โดยจะมีการเขียนถึงในทุก ๆ เดือน

ซึ่ง blog แรกของพวกเขานั้นได้เขียนโดย Mark Dimont ซึ่งเป็น product manager ของ Bloomberg Terminal news applications โดยเริ่ม focus ไปที่ Tweet ของ Elon Musk’s ว่า “Stormy weather in Shortville” ในเดือนเมษายนของปี 2017

คนดังอย่าง Elon musk tweet อะไรไปมีผลต่อราคาหุ้นอย่างแน่นอน ไม่ทางใด ก็ทางหนึ่ง

คนดังอย่าง Elon musk tweet อะไรไปมีผลต่อราคาหุ้นอย่างแน่นอน ไม่ทางใด ก็ทางหนึ่ง

ซึ่งทาง Andy Swan ซึ่งเป็น fouder ของ LikeFolio นั้นได้ให้ความเห็นไว้ว่า การ tweet ของ Donald Trump หรือ Elon Musk นั้น มีผลกระทบกับตลาดหุ้นอย่างแน่นอน ซึ่งหนึ่งในจุดประสงค์หลักที่เค้าได้ทำ app LikeFolio ขึ้นมานั้น เพื่อดึงเอาผู้คนที่สนใจในหุ้นแต่ยังไม่ได้เริ่มเข้าสู่ตลาดนั้น เข้ามาสู่ตลาดให้มากขึ้นผ่านข้อมูลง่าย ๆ อย่างข้อมูล tweet ซึ่งเป็นข้อมูล simple ที่มีการเชื่อมโยงกับความเปลี่ยนแปลงของตลาดได้มากกว่าที่หลาย ๆ คนเคยคิด

ซึ่ง Swan นั้นได้ปล่อย app LikeFolio ออกมามากกว่า 4 ปีแล้ว ซึ่งเหตุที่เขาได้เข้ามาทำ LikeFolio นั้นเพราะเค้าเป็นคนที่มีความสามารถในด้านการนำข้อมูลจาก social data และข้อมูลจาก consumer behavior มาเชื่อมโยงกับข้อมูลของราคาหุ้นได้อย่างมีประสิทธิภาพ ซึ่งเค้าได้สร้าง API ไว้ให้เหล่าบริษัท hedge funds หรือสถานบันการเงินต่าง ๆ ไว้เชื่อมต่อเพื่อดึงข้อมูลไปทำการวิจัยต่อได้

ซึ่งทาง LikeFolio app นั้นได้รับ sponsors จาก broker ในตลาดอย่าง TDAmeritrade ซึ่งทำให้ลูกค้าสามารถที่จะเข้าถึง premium channel เช่น account ที่เป็น official account ของเหล่า influences อย่าง oprah winfrey ได้

ยิ่งระดับ Trump ที่เป็นประธานาธิบดี ของอเมริกา ยิ่ง effect รุนแรงต่อตลาดหุ้นมาก

ยิ่งระดับ Trump ที่เป็นประธานาธิบดี ของอเมริกา ยิ่ง effect รุนแรงต่อตลาดหุ้นมาก

 

ซึ่งนี่นับเป็นการสร้าง partnership รายแรกของ TD Ameritrade กับ LikeFolio ที่ให้บริการข้อมูลทางด้าน social alerts ซึ่งความร่วมมือของทั้งสองนั้นยังครอบคลุมถึงข้อมูลใน social data อื่น ๆ อีกด้วยไม่ใช่เพียงเฉพาะส่วนของ twitter เท่านั้น โดย TD Ameritrade จะเป็นส่วนสนับสนุนในส่วนขององค์ความรู้ที่เกี่ยวข้องกับตลาดหุ้น และในส่วนของ LikeFolio นั้นจะไม่ให้คำแนะนำทางการเงินใด ๆ แก่ user ใน app โดยจะเป็นแค่ข้อมูลพื้นฐานในการตัดสินใจให้กับนักลงทุนเท่านั้น ซึ่ง tools อย่าง LikeFolio นั้นเป็น tools ง่าย ๆ ที่เหมาะสำหรับนักลงทุนหน้าใหม่ และเป็นวิธีที่น่าสนใจที่จะดึงนักลงทุนหน้าใหม่เข้าสู่ตลาดนั่นเอง

อย่างไรก็ดีนั้นเพิ่งจะเป็น phase แรกของ LikeFolio เท่านั้นทาง Swan ก็ได้วางแผนที่จะพัฒนาเพิ่มเติมความสามารถของ app ให้มากขึ้นเรื่อย ๆ โดยอาจจะเป็นการเพิ่ม channel ใหม่เพิ่มมากขึ้น โดยอาจจะเฉพาะเจาะจงไปยังกลุ่มที่ย่อยลงไปที่เป็น specific topics มากขึ้น

References : mashable.com

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage : facebook.com/tharadhol.blog
Blockdit : blockdit.com/tharadhol.blog
Twitter : twitter.com/tharadhol
Instragram : instragram.com/tharadhol

การพัฒนา AI เพื่อ Trade หุ้นไทยด้วย Machine Learning

ปัจจุบันนั้น เทคโนโลยีทางด้าน AI หรือ Machine Learning กำลังเป็นที่สนใจในหลาย ๆ ธุรกิจ ที่จะนำมาพัฒนาเครื่องมือต่าง ๆ เพื่อช่วยเหลือการดำรงชีวิตของมนุษยเราให้สะดวกมากยิ่งขึ้น ในแวดวงของการลงทุน AI ก็เริ่มเข้ามามีบทบาทมาช่วงหนึ่งแล้ว ซึ่งเราจะได้เห็นโฆษณาต่าง ๆ ผ่านหน้าผ่านตากันมาบ้าง ว่ามีกองทุนที่พัฒนาโดย AI มาคอยช่วยเหลือการ trade

งานวิจัยหลาย ๆ งานที่ได้ตีพิมพ์ในต่างประเทศนั้น ก็มีความน่าสนใจ ในแง่ของผลของการทดลองที่นำ AI มาช่วยประมวลผล และช่วยเหลือในการ trade ตัวอย่าง การวิเคราะห์ Market Trend ของหุ้น โดยใช้ปัจจัยพื้นฐานด้านข่าว ที่ผมเคยเขียน blog ไปก่อนหน้านี้ก็เป็นงานที่น่าสนใจ ที่นำปัจจัยเรื่องข่าวมาช่วยประมวลผล เพื่อทำการทำนาย market trend ที่กำลังจะเกิดกับหุ้นชื่อดังอย่าง AAPL ของ บริษัท apple ซึ่งผลนั้นก็ได้ความแม่นยำในระดับสูงกว่า 80%  ซึ่งถือว่าเป็นผลที่น่าสนใจไม่ใช่น้อย

Support Vector Machine ก็เป็น algorithm หนึ่งที่น่าสนใจที่สามารถจำแนกและทำนายได้แม่นยำค่อนข้างสูงในหลาย ๆ case ตัวอย่างงานวิจัยที่ส่วนตัวเคยได้ทำ คือ Support Vector Machine กับการวิเคราะห์มะเร็งเต้านม  ซึ่งเป็นการจำแนกมะเร็งเต้านมจาก Mammogram Image ได้ ซึ่งได้ความแม่นยำค่อนข้างสูงกว่า 90%  แต่ปัจจัยหลักที่สำคัญสำหรับการจำแนกนั่นก็คือ Attribute หรือ Features ที่เป็นค่า input เพื่อให้ algorithm ทำการ train และ จำแนกนั้นก็เป็นปัจจัยสำคัญที่มีผลต่อความแม่นยำในการทำนายผล

ในวงการตลาดการเงิน หรือ commodity นั้นก็เริ่มมีการใช้โปรแกรมเข้ามาทำการช่วย trade มาเป็นเวลานานแล้ว ซึ่งจะเรียกว่า EA หรือ Expert Advisor ซึ่งมีหลายตัวที่น่าสนใจ และสามารถพัฒนาให้เทรดได้ดีกว่ามนุษย์ซึ่งในประเทศไทย ก็มีคนไทยได้พัฒนาอยู่มากมายในตลาด ด้วยการใช้ computer algorithm มาช่วยโดยผ่านการเขียนเงื่อนไขการทำงานแบบต่าง ๆ เพื่อทำตาม strategy การ trade ที่ตัวเองต้องการ ซึ่งสามารถใช้ภาษา mql4 ซึ่งเป็นภาษา Basic ที่สามารถเรียนรู้ได้ไม่ยาก และสามารถนำมาพัฒนา EA ได้ไม่ยาก

แต่ภาษา mql4 นั้นถูก design มาอย่างมีข้อจำกัดหลาย ๆ อย่าง ทำให้ไม่สามารถพัฒนาโปรแกรมที่ซับซ้อนได้มากเท่ากับ ภาษา mql5 ซึ่งเป็นภาษาที่ใหม่กว่า และมีการ design แบบลักษณะ Object-oriented programming สามารถที่จะเชื่อมต่อกับ interface ต่างๆ  ข้างนอกได้ง่ายกว่าทั้ง device ต่าง ๆ รวมถึง network หรือ ระบบ cloud รวมถึง รองรับ timeframe ที่มากกว่า และสามารถพัฒนาโปรแกรมที่เข้าถึงเชิงลึกของ  market ได้อย่างมีประสิทธิภาพมากกว่าภาษา mql4 โดยเฉพาะการทำงานด้าน AI ที่ใช้ Machine Learning ซึ่ง MT5 จะมี library มากกว่า

MT5 กับ ตลาดหุ้นไทย

โดยส่วนตัวก็คอยดูอยู่ว่า broker เจ้าไหนจะนำ MT5 มาใช้กับหุ้นไทยได้ซักที ซึ่งก็มีประกาศกันมานานแล้วเหมือนกัน โดยบอกว่าจะเริ่มใช้ได้กันตั้งแต่ปีที่แล้ว แต่ก็เลื่อนมาตลอด ซึ่งตอนนี้ก็มี applewealth ที่รองรับการใช้งาน MT5 และได้เปิดให้ trade จริงไปแล้วก่อนหน้านี้ แต่ที่โทรถามล่าสุดคือ ตอนนี้กลับมาปิดระบบอีกครั้ง ยังไม่มีกำหนดเปิดใหม่ แต่ส่วนของ demo นั้นเรายังสามารถนำมาทดสอบได้อยู่ ซึ่งผมก็จะมาแนะนำให้เตรียมตัวให้พร้อมสำหรับการสร้าง AI ด้วย algorithm Support Vector Machine เพื่อรอวันที่ตลาดหุ้นไทยเปิดให้ใช้อย่างเป็นทางการ

 

เข้า web site applewealth ส่วนของเครื่องมือการลงทุน->ทดลองใช้งานเพื่อ download MT5

 

ทำการ click Download : Installer MetaTrader 5 เพื่อทำการ download  MT5  มา install ลงเครื่องคอมพิวเตอร์

 

หลังจากนั้นก็ให้ทำการ install program ลงเครื่อง เมื่อ install เสร็จ ก็จะเข้าสู่ส่วนของการเลือก server ซึ่ง default ก็จะเป็น applewealth อยู่แล้ว ให้กด next และมาสู่ส่วนของการเลือก account ซึ่ง การทดสอบเราสามารถใช้ demo account ด้วยการเลือกที่ new demo account ได้

 

 

จากนั้นก็จะเข้าสู่ในส่วนของ Personal Details ซึ่งเราก็กรอกข้อมูลทั้งหมดเข้าไป account type ก็ทำการเลือก SET  ส่วน Deposit นั้นคือเงินที่จะใช้ในการทดสอบ ซึ่งคล้าย ๆ demo ของ streaming pro ซึ่งหลาย ๆ ท่านน่าจะคุ้นชินกันอยู่แล้ว หลังจากนั้นให้ทำการกด next

 

หลังจากเลือก new demo account เสร็จก็จะเข้าสู่หน้าจอ Main หลักของโปรแกรม ซึ่งจะประกอบด้วยส่วนต่าง ๆ ดังรูปข้างต้น ซึ่งจะประกอบไปด้วย ส่วนของ list รายการหุ้นไทยทั้งหมด ส่วนของ chart windows ซึ่งเราสามารถเลือกหุ้นที่ต้องการ monitor ได้ สามารถปรับ time frame รวมถึงรูปแบบของกราฟได้ และส่วนของ Navigator ซึ่งจะประกอบไปด้วย Indicators ต่าง ๆ รวมถึง Expert Advisors ซึ่งเป็นส่วนของ EA ที่จะใช้ในการ auto trade ซึ่งเราสามารถหา indicators รวมถึง EA ได้จาก Market ซึ่งมีให้เลือกใช้จำนวนมากมาย

 

สำหรับ Support Vector Machine Library นั้นเราจะสามารถซื้อได้จาก Buy from the Market ซึ่งจะเป็น online market ที่มีการจำหน่าย หรือ แจก indicators หรือ EA ต่าง ๆ ที่น่าสนใจอยู่มากมายตาม startegy การ trade ของท่านซึ่งท่านสามารถเลือกได้ตามใจชอบ เราสามารถที่จะนำตัว demo version เพื่อมาทดสอบดูผลการ trade ผ่าน strategy tester ได้ ซึ่งส่วนนี้ผมจะ focus ในการใช้ Machine Learning Library ของ Support Vector Machine เป็นหลัก

 

ให้เราเข้าในส่วนการค้นหาและพิมพ์คำว่า svm เข้าไป ก็จะได้ผลการค้นหาเป็น Library ของ Support Vector Machine ซึ่งขายอยู่ที่ราคา 20 USD ซึ่งหากเราอยากทดลองใช้เราก็สามารถเลือกที่ demo เพื่อนำมาทดสอบก่อนได้ แต่เนื่องจากผมได้ซื้อมาเป็นที่เรียบร้อยแล้ว จึงสามารถนำมาเขียน code และนำไปใช้งานใน graph จริง ๆ ได้

 

จากรูปข้างบน นั้นจะแสดงรายละเอียดของ Library Support Vector Machine ซึ่ง เราสามารถกดที่ปุมสีเหลืองด้านขวาบน เพื่อนำตัว demo มาทำการทดสอบผ่าน Strategy Tester ได้ แต่จะไม่สามารถนำไปใช้ทดลองใน graph จริง  ๆ ได้

 

สำหรับการใช้งาน EA ตัวอย่างสำหรับการใช้งาน Support Vector Machine นั้นผมได้ทำการสร้างตัวอย่างไว้ให้สามารถ download ได้จาก svm_thai_stock  ซึ่งประกอบด้วย 2 file คือ svm_thai_stock.ex5 และ svm_thai_stock.mq5  โดยสามารถ copy ไปยัง folder ของ Data Folder ซึ่งสามารถดูได้จากรูปด้านบน หรือเข้า menu File-> Open Data Folder และทำการ copy ทั้ง 2 file ไปยัง \MQL5\Experts ซึ่งจะเป็น folder ที่ใช้เก็บ EA ทั้งหมดเพื่อนำมาใช้งาน

 

Support Vector Machine คืออะไร

Support Vector Machine เป็นตัวแบบที่ใช้ในการระบุตัวบุคคลหรือ object  โดย SVM จะทำการแบ่งชั้นของข้อมูลด้วยระนาบหลายมิติ  จากข้อมูล 2 กลุ่มชุดข้อมูล  โดยตัวแบบของ SVM เกี่ยวข้องกับเครือข่ายประสาทเทียม ซึ่งโดยอันที่จริงแล้วตัวแบบของ SVM ใช้ Sigmoid Kernel Function ซึ่งมีค่าเท่ากันทั้ง 2 เลเยอร์เป็นตัวแบบที่ใช้ในการระบุตัวบุคคล  โดย SVM จะทำการแบ่งชั้นของข้อมูลด้วยระนาบหลายมิติ  จากข้อมูล 2 กลุ่มชุดข้อมูล  โดยตัวแบบของ SVM เกี่ยวข้องกับเครือข่ายประสาทเทียม

ซึ่งโดยอันที่จริงแล้วตัวแบบของ SVM ใช้ Sigmoid Kernel Function ซึ่งมีค่าเท่ากันทั้ง 2 เลเยอร์ ตัวแบบของ SVM มีความคล้ายคลึงกับเพอร์เซฟตรอนซึ่งเป็นข่ายงานประสาทเทียมแบบง่ายมีหน่วยเดียวที่จำลองลักษณะของเซลล์ประสาท  ด้วยการใช้ Kernal Function

โดยใน paper ที่ตีพิมพ์เกี่ยวกับ SVM นั้นจะเรียกตัวแปรในการตัดสินใจว่า คุณสมบัติและตัวแปรที่เปลี่ยนแปลงใช้ในการกำหนดระนาบหลายมิติ ซึ่งเรียกว่า โครงสร้าง (feature)  ส่วนการเลือกที่มีความเหมาะสมที่สุดเรียกว่า โครงสร้างในการคัดเลือก (feature selection)  จำนวนเซตของโครงสร้างที่ใช้อธิบายในกรณีหนึ่ง (เช่น แถวของการค่าที่เราคาดการณ์)  เรียกว่า  เวกเตอร์ (vector)  ดังนั้นจุดมุ่งหมายของตัวแบบ SVM คือการประโยชน์สูงสุดจากระนาบหลายมิติที่แบ่งแยกกลุ่มของเวกเตอร์ในกรณีนี้ด้วยหนึ่งกลุ่มของตัวแปรเป้าหมายที่อยู่ข้างหนึ่งของระนาบ  และกรณีของกลุ่มอื่นที่อยู่ทางระนาบต่างกัน  ซึ่งเวกเตอร์ที่อยู่ข้างระนาบหลายมิติทั้งหมดนี้เราจะเรียกว่า  ซัพพอร์ตเวกเตอร์ (Support Vectors)

 

เราใช้ Support Vector Machine ในตลาดหุ้นอย่างไร

การวิเคราะห์ทางด้านเทคนิคนั้นอยู่บนพื้นฐานของการใช้ข้อมูลที่ผ่านมาเพื่อคาดการณ์การเคลื่อนไหวของราคาในอนาคต อย่างไรก็ดี ตลาดหุ้นนั้นมีความผันผวนมาก และ การใช้เพียงแค่ indicator อย่างเดียวนั้นอาจจะเกิดข้อผิดพลาดทางด้านสถิติได้ ซึ่งการนำ Machine Learning มาใช้งานร่วมกับ indicators ต่าง ๆ เหล่านี้นั้นทำให้เพิ่มในส่วนของการ training data เพื่อให้ SVM ได้ทำการเรียนรู้ และ ประเมินความแม่นยำของการเข้า trade ซึ่งการประเมินในเรื่องความแม่นยำในการ trade ผ่านการ training ก่อนนั้น ทำให้เราสามารถวิเคราะห์ได้ว่า ควรเข้า trade ใน strategy นั้น ๆ หรือไม่

สำหรับ process การทำงานของ SVM Library มีดังนี้

 

วิธีการ Generated Training Inputs

สำหรับตัว indicators หรือค่า Features ที่เราต้องการนำมาใช้เป็น input นั้น ใช้วิธีการ initial ค่าจาก period ที่คุณต้องการ

 

จากตัวอย่าง code แสดงค่า indicators  iBearsPower , iBullsPower , iATR , iMomentum , iMACD , iStochastic , iForce สำหรับเป็น input ที่ใช้ในการ training โดยจะใช้ function ตามตัวอย่าง code คือ genInputs(handleB)  สำหรับการ generate ค่าตั้งต้นของ indicators ต่าง ๆ ที่เราสนใจ

 

 

สำหรับค่า offset และ ค่า N_Datapoints นั้นจะแสดงตามตัวอย่างรูปข้างบน โดยจะพิจารณาตามแทงเทียนของ timeframe นั้น ๆ เช่น Offset = 4 คือ เราใช้ input ก่อนหน้าแท่งเทียนปัจจุบัน จำนวน 4 แท่งเทียน ส่วน N_Datapoints ตามตัวอย่างในรูป = 6 เราจะนำค่าจากแท่งเทียนอีก 6 แท่งเทียนก่อนหน้าค่า offset ไปทำการ generate input ซึ่งจำนวน N_Datapoints นั้นยิ่งมากก็จะใช้เวลาในการ training เพิ่มมากขึ้นไปด้วย ซึ่งจะมีผลต่อความแม่นยำหรือไม่นั้น ก็อาจจะตอบได้ทั้งสองคำตอบ คือ มี หรือ ไม่มีเลยก็ได้ ซึ่งเราต้องหาค่า N_Datapoints ที่เหมาะสมที่สุดสำหรับการ training เพื่อให้ความแม่นยำเกิดขึ้นสูงสุด

 

สำหรับส่วนของ onbar function นั้น คือ เมื่อเกิดแท่งเทียนใหม่ตาม timeframe ระบบก็จำค่า indicator ณ เวลานั้น ๆ มาทำการ classify หาว่าควรที่จะเข้าทำการซื้อหุ้น ณ ขณะนั้นหรือไม่ หาก Opn_B = true คือ ระบบ predict ให้ซื้อ

 

จาก onbar function หากระบบได้รับสัญญาณการเข้าซื้อก็จะเข้าสู่ function Open_Order เพื่อทำการซื้อผ่าน mt5 โดย Vol ก็คือจำนวนเงินที่จะใช้ในการเข้าซื้อ ซึ่งเราสามารถ set ในส่วนของ input data

 

สำหรับส่วนของ Insert_Stops นั้น เป็นการกำหนดจุด stopLoss และ จุดที่เราจะ takeProfit ซึ่ง จะมีหน่วยเป็น Pips  ซึ่งจะใช้กันในการ trade พวก currency หรือ commodity ซึ่งในหุ้นไทยนั้น ส่วนใหญ่จะหมายถึงการเคลื่อนของราคาที่ 0.01  ซึ่งหากเรา set ค่า takeProfit ไว้ที่ 100 pips คือ 0.01 * 100 = 1  ก็คือระบบจะปิดที่ ราคาปัจจุบัน + 1 บาท ถือเป็นจุด tp ของระบบ เช่นเดียวกับการ stoploss ก็ใช้หลักการเดียวกัน

 

ผลการทดสอบ

ผมได้ทำการทดสอบกับหุ้นไทยจำนวน 4 ตัวประกอบด้วย BDMS , BEAUTY , BH และ BMCL  ด้วย timeframe 15m  โดยใช้ offset ที่ 0 และ  N_DataPoints = 100 จุด takeprofit ที่ 100 pip และ stoploss ที่ 150 pip ด้วย indicators พื้นฐานตามที่ได้กล่าวข้างต้น ได้ผลการทดสอบดังนี้

1.BDMS

จากการ training นั้นได้ผลความแม่นยำที่ 78.0%

2.ฺBEAUTY

จากการ training ได้ผลความแม่นยำที่ 63.0%

3.ฺBMCL

จากการ training ได้ผลความแม่นยำที่ 50% ซึ่งถือว่าเทียบเท่าการโยนเหรียญ หัว-ก้อย

4.ฺBH

ถือว่าน่า surprise สำหรับ BH ที่ได้ค่าความแม่นยำจากการ training สูงถึง 87%

 

สรุป

จาก blog นี้นั้นเป็นการ guide ให้เห็นถึงแนวทางสำหรับการพัฒนา AI ที่ใช้ Machine Learning จริง ๆ เพื่อใช้ทดสอบความแม่นยำในการ prediction market trend ที่จะเกิดในอนาคต ซึ่ง จากตัวอย่างนั้นผมใช้เพียง indicators พื้นฐานเท่านั้นในการทดสอบความแม่นยำของ Support Vector Machine ซึ่งผลในหุ้นบางตัวอย่าง BH นั้นก็ถือว่าน่าสนใจไม่ใช่น้อยสำหรับควาแม่นยำที่สูงถึงระดับ 87% ซึ่ง ผมคิดว่าส่วนนี้เป็นแนวทางที่จะนำไปใช้พัฒนาต่อ สำหรับนักเทรดสายเทคนิคอล ที่มี strategy ที่ตัวเองนั้นถนัดอยู่แล้ว น่าจะลองมาใช้ machine learning เพื่อเพิ่มประสิทธิภาพในการ trade ดู ซึ่งผมคิดว่าน่าจะได้ผลที่ดีขึ้น

ซึ่งในส่วนของ Library ของ Support Vector Machine ใน MT5 นั้น ก็ได้ทำการปรับมาเพื่อใช้กับการ trade โดยเฉพาะ ทำให้สามารถใช้งานได้อย่างไม่ยาก แต่เราอาจจะ customise ได้ดั่งใจเราไม่มากเท่าที่ควร แต่หากต้องการการทำงานในระดับ Advance นั้นผมก็แนะนำให้ใช้เทคนิค การ call LIBSVM โดยอาจจะเรียกผ่าน Web Service หรือ http protocol  ซึ่งเราอาจจะสามารถ customise ได้มากกว่า และอาจจะให้ผลความแม่นยำที่สูงกว่า เหมือนงานวิจัยหลาย ๆ ชิ้นที่ผ่านมา

ส่วนค่า features หรือ input นั้น เราอาจจะไม่ได้ใช่แค่ indicators มาตรฐานมาใช้ในการ train เท่านั้น เราอาจจะสามารถกำหนด features ที่ต้องการเอง ตาม Strategy การเทรดของเรา ซึ่งคิดว่าหลาย ๆ ท่านนั้นก็น่าจะมี strategy การเทรดที่แตกต่างกัน หรือมีการพลิกแพลงค่าต่าง ๆ เช่นเส้น trend line หรือ เส้นแนวรับ แนวต้าน ก็เป็นสิ่งที่สามารถนำมาเป็น input ได้ ส่วนเรื่องข่าวก็เป็นสิ่งที่น่าสนใจที่จะสามารถนำมาใช้เป็น features ได้ ดังตัวอย่าง การวิเคราะห์ Market Trend ของหุ้น โดยใช้ปัจจัยพื้นฐานด้านข่าว ซึ่งผมคิดว่า AI ที่ใช้ Machine Learning นั้นจะมีบทบาทต่อวงการเทรดหุ้นของประเทศไทยอย่างแน่นอน อย่างที่หลาย ๆ บริษัทได้เริ่มพัฒนา AI ที่ใช้ในการ trade แล้ว ซึ่งต่อไปนั้น เราอาจจะไม่ได้แข่งกับแค่ ต่างชาติ หรือ นักลงทุนสถาบันเท่านั้น เหล่าเม่าตัวน้อย ๆ อย่างพวกเรา  อาจจะต้องสู้รบปรบมือกับกองทัพ AI ในเร็ววันนี้ก็เป็นไปได้

 

References : www.mql5.com,www.dailynews.co.th

 

ติดตาม ด.ดล Blog เพิ่มเติมได้ที่
Fanpage : facebook.com/tharadhol.blog
Blockdit : blockdit.com/tharadhol.blog
Twitter : twitter.com/tharadhol
Instragram : instragram.com/tharadhol