The more, the merrier ยิ่งคนเยอะ ยิ่งมันส์! มาดูคำกล่าวนี้ใช้กับ Machine Learning ได้มั้ย

Photo by MI PHAM on Unsplash

เคยได้ยินคำกล่าวที่ว่า “The more, the merrier“ ที่แปลว่า “ยิ่งคนเยอะ ยิ่งสนุก หรือ ยิ่งดี” ที่มักถูกใช้กันบ่อยๆ ในภาพยนต์ฝรั่ง เวลามีเพื่อนจัดปาร์ตี้ แล้วมีคนอนุญาติเจ้าภาพขอพาเพื่อนมาเพิ่ม เจ้าภาพส่วนใหญ่ก็จะบอกว่า Of course, the more, the merrier … ได้แน่นอน ยิ่งคนเยอะยิ่งสนุก!! วันนี้เราจะพาไปดูกันว่า เจ้าสถานการณ์ยิ่งเยอะยิ่งดี หรือ ยิ่งเยอะยิ่งเจ๋ง จะให้กับจำนวน Machine Learning ่ที่ใช้ในการทำนายในระบบเทรดได้หรือไม่? ผ่านการทดลองง่ายๆกันค่ะ

ก่อนอื่นมาดูอัลกอริทึ่ม Machine Learning ที่จะใช้กันก่อน ในที่นี้เราจะเลือกอัลกอริทึ่มที่ไม่ซับซ้อน เพื่อที่เราจะได้เห็นประสิทธิภาพของการเพิ่มจำนวน “ตัวทำนาย” ให้ชัดๆ ไม่โดนประสิทธิภาพและความซับซ้อนของอัลกอริทึ่มเข้ามาทำให้ไขว้เขว

Cr. https://bixtricx.com/

ชนิดของ Machine Learning อัลกอริทึ่มมีจำนวนมาก ถึงขนาดที่ว่าถ้าจะให้ลิสส์ออกมาก็อาจจะไม่สามารถลิสส์ออกมาให้ครบถ้วนได้ ดังนั้น ในที่นี้ เราจะทำการเลือก Machine Learning ออกมา 6 ตัว โดยจะเน้นโมเดลที่ทำงานไม่ซับซ้อน ใช้เวลา และทรัพยากรในการประมวลผลไม่สูงมากและ ML แต่ละชนิดนั้นสามารถทำงานได้ดีสำหรับชนิดข้อมูลจำเพาะที่แตกต่างกัน ดังนี้

1. Polynomial Regression
2. Linear Regression
3. Support Vector Regression (rbf kernel)
4. Support Vector Regression (linear kernel)
5. Support Vector Regression (polynomial kernel)
6. Random Forest

ขั้นตอนการทดลอง

ในส่วนของการทดลองเราจะเริ่มกันที่ผลการทดลองที่ใช้อัลกอริทึ่มเพียง 1 ชนิด คือ Polynomial Regression ก่อน แล้วจึงจะทำการเพิ่มจำนวนอัลกอริทึ่มทีละ 1 เพื่อทดสอบผลลัพธ์

ขั้นตอนที่ 1 การเตรียมข้อมูล (Data preparation)

ขั้นตอนแรก คือ การโหลดข้อมูลราคาหุ้นรายวันที่ประกอบด้วย ราคาเปิด (Open) ราคาสูงสุด (High) ราคาต่ำสุด (Low) และ ราคาปิด (Close) เมื่อได้ข้อมูลในรูปแบบที่ถูกต้อง ต่อมาจะทำการทำความสะอาดข้อมูล (Data Cleaning) โดยการแทนที่ค่าที่หายไปด้วยค่าเฉลี่ยแบบเคลื่อนที่ (Moving Average) ต่อมาข้อมูลที่ผ่านการทำความสะอาดจะถูกแบ่งออกเป็น 2 ส่วน คือ ชุดข้อมูลสอน (Training) และ ชุดข้อมูลทดสอบ (Testing) ในที่นี้ชุดข้อมูลสอนจะอยู่ระหว่างปี 2000 ถึง 2012 และชุดข้อมูลทดสอบ จะเริ่มตั้งแต่ปี 2013 ไปจนจบปี 2014 ต่อมาชุดข้อมูลทดสอบจะถูกนำไปคำนวนฟีเจอร์สำหรับการแบ่งกลุ่ม (Clustering Features) คือ ค่าเฉลี่ย (Mean) และ ค่าเบี่ยงเบนมาตรฐาน (Standard Deviation) ของค่ากำไรในรูปแบบลอการิทึม (Logarithm Return) 5 วันย้อนหลัง

ขั้นตอนที่ 2 การแบ่งกลุ่มข้อมูล (Clustering)

นำข้อชุดมูลสอน (Training set) มาทำการแบ่งกลุ่มโดยอาศัยขั้นตอนวิธี K-mean clustering ในที่นี้ เราจะทำการแบ่งกลุ่มข้อมูลสอนออกด้วยฟีเจอร์ที่คำนวณไว้ในขั้นตอนที่ 1 คือ ค่าเบี่ยงเบนมาตรฐาน (Standard Deviation) ของค่ากำไรในรูปแบบลอการิทึม (Logarithm Return) โดยในการทดลองนี้จะแบ่งกลุ่มข้อมูลออกเป็น 2 กลุ่ม

ขั้นตอนที่ 3 การสอนโมเดล (Training)

ขั้นตอนนี้จะสอนอัลกอริทึ่ม Machine Learning เพื่อสร้างตัวทำนาย โดยใช้ข้อมูลแต่ละกลุ่มที่ได้จากการแบ่งกลุ่มด้วย K-mean clustering ในขั้นตอนที่ 2 ดังนั้น จำนวนตัวทำนายที่ได้ จะขึ้นอยู่กับจำนวนกลุ่มของข้อมูลสอนที่แบ่งได้ และจำนวนอัลกอริทึ่มที่ใช้ ข้อมูลที่ใช้ทำการสอน คือ ข้อมูลหุ้นปี 2000-2012 การแบ่งกลุ่ม และการสอนโมเดล แสดงได้ดังรูป

จากรูป จะเห็นว่าชุดข้อมูลสอน ถูกแบ่งออกเป็น n กลุ่ม ได้แก่ Cluster 0, Cluster 1, … , Cluster n ดังนั้น อัลกอริทึ่มแรก (Machine Learning algorithm #0) ก็จะมีจำนวนตัวทำนาย n ตัวได้แก่ Predictor (0,0), Predictor (0,1), … , Predictor (0,n) ที่ได้รับการสอนโดยใช้ข้อมูลกลุ่ม Cluster 0, Cluster 1, … , Cluster n ตามลำดับ ทำให้ถึงแม้จำเป็นอัลกอริทึ่ม Machine Learning ชนิดเดียวกัน แต่ตัวทำนายเหล่านี้จะมีความสามารถในการทำงานที่แตกต่างกัน เมื่อมีการเพิ่มจำนวนอัลกอริทึ่ม Machine Learning ก็จะทำให้จำนวน Predictor เพิ่มขึ้นตามขนาดของกลุ่มของข้อมูลสอนนั่นเอง เช่น มีอัลกอริทึ่ม Machine Learning จำนวน m อัลกอริทึ่ม และ มีจำนวนกลุ่มข้อมูลสอน n กลุ่ม จำนวนตัวทำนายทั้งหมดสามารถคำนวนได้ m * n ตัว นั่นเอง

ขั้นตอนที่ 4 การทดสอบโมเดล (Testing)

การทดสอบโมเดลจะใช้ชุดข้อมูลทดสอบ (Testing set) คือ ข้อมูลหุ้นปี 2013-2014 ซึ่งข้อมูลที่ไม่เคยถูกใช้งานมาก่อน โดยในระหว่างการทดสอบ ระบบจะทำการเลือกตัวทำนายเพื่อใช้ในการทำนาย ณ วันนั้นๆ และมีความสามารถเปลี่ยนตัวทำนายได้เมื่อสถานการณ์เปลี่ยนแปลงไป สำหรับการเลือกตัวทำนายนี้ อยู่บนสมมุติฐานที่ว่า ตัวทำนายแต่ละตัวได้รับการสอนด้วยข้อมูลที่มีความแตกต่างกัน ดังนั้น จะมีความสามารถในการทำนายไม่เท่ากัน เช่น ตัวทำนายนึงจะมีความสามารถในการทำนายในช่วงของข้อมูลขาขึ้นได้ดีกว่าอีกตัว เป็นต้น

ในขั้นตอนการทดสอบโมเดลนี้ จะมีการส่งข้อมูลทดสอบไปยังฟังก์ชั่นที่ใช้ในการควบคุมการเลือกตัวทำนาย (Predictor Control) เพื่อทำหน้าที่เลือกตัวทำนายที่เหมาะสมในแต่ละรอบการทำงาน จากนั้นข้อมูลจะถูกต้องไปให้ตัวทำนายที่ถูกเลือก เพื่อทำนายค่าผลตอบแทนของวันพรุ่งนี้ และส่งผลการทำนายไปยังฟังก์ชั่นสร้างสัญญาณการเทรด (Signal Creation) เพื่อแปรผลการทำนายเป็นสัญญาณเทรด จากนั้นทำการประเมินผลที่ได้จากการเทรด เมื่อทำการทดสอบจนครบ จึงส่งผลการทำงานมายังฟังก์ชั่นที่ทำหน้าที่ประเมินประสิทธิภาพของโมเดล (System Performance) เพื่อแสดงผลการทำงานของระบบ

Photo by Science in HD on Unsplash

ผลการทดลอง

ในที่นี้เราได้ทำการทดสอบบนข้อมูลหุ้นที่แตกต่างกันทั้ง 11 หุ้น จากตลาดหุ้นชั้นนำของโลก คือ ตลาดหุ้นแห่งสหราชอาณาจักร และสหรัฐอเมริกา ซึ่งหุ้นเหล่านี้ถูกสุ่มเลือกมาจากกลุ่มธุรกิจที่แตกต่างกัน ดังแสดงในตาราง

สัญลักษณ์	ชื่อบริษัท	ประเภทธุรกิจ	ตลาด
CARR.L	Carr’s Group plc.	Food producers	LON
TSCO.L	Tesco plc.	Multinational groceries	LON
MKS.L	Marks & Spencer Group plc	Multinational retailer	LON
MACF.L	Macfarlane Group plc.	General Industrials	LON
FERG.L	Ferguson plc.	Industrial suppliers	LON
COST.L	Costain Group plc.	Construction and Materia	LON
OXIG.L	Oxford Instruments plc.	Electronic and Electrical Equipment	LON
SXS.L	Spectris plc.	Electronic and Electrical Equipment	LON
D4T4.L	D4T4 Solution plc.	Software and computer service	LON
GOOG	Alphabet inc.	Multinational conglomerate	NASDAQ
MCD	McDonalds	Fast food company	NYSE

ข้อมูลที่ใช้ในการทดลอง

ตัวอย่างผลลัพธ์บางส่วน

ผลลัพธ์ของหุ้น CARR

ผลลัพธ์ที่แสดงประกอบด้วย 3 กราฟย่อย ดังนี้ กราฟบนสุดแสดงราคาปิด (Close price) กราฟรูปกลางแสดงผลลัพธ์ที่ได้จากการเทรดด้วยกลยุทธ์ที่แตกต่างกัน 3 แบบด้วยกัน คือ แบบตัวทำนายเดียว (กราฟเส้นสีแดง) แบบหลายตัวทำนาย (กราฟเส้นสีเขียว) เทียบกับผลการเทรดที่ได้จากกลยุทธ์ Buy & Hold (กราฟเส้นสีดำ) ซึ่งใช้เป็น Benchmark ในการเปรียบเทียบผลการทดลองครั้งนี้ โดยค่าผลลัพธ์ที่แสดงในรูปนี้ คือ ค่า Logarithm Return กราฟในรูปล่างสุดแสดงค่า Drawdown ของการเทรดโดยกลยุทธ์แบบหลายตัวทำนาย กราฟเส้นสีเขียว แสดงค่า Drawdown ตลอดช่วงเวลาเทรด ส่วนกราฟสีแดง แสดงค่า Drawdown ที่มากที่สุดของการเทรด

จากผลลัพธ์ที่ได้จาก CARR พบว่าราคาของหุ้นตัวนี้ เริ่มต้นที่ประมาณ 100 กว่าเพนนี ณ วันเริ่มต้นการทดลอง คือ ณ วันแรกของปี 2013 และ ราคาของหุ้นมีการขยับขึ้น จนไปสิ้นสุดที่ราคาประมาณ 180 เพนนี ณ วันสิ้นสุดการทดสอบ คือ ณ วันสุดท้ายของปี 2014 ผลลัพธ์ที่ได้จากการทดลองจะเห็นได้ว่า การใช้ตัวทำนายเพียงตัวทำนายเดียว ซึ่งในที่นี้คือ Polynomial Regressor ที่แสดงด้วยกราฟเส้นสีแดงนั้นไม่สามารถให้ผลลัพธ์ที่ดีกว่า Benchmark (Buy & Hold) ที่แสดงด้วยกราฟเส้นสีดำได้ จะเห็นว่ากราฟเส้นสีแดง และ สีดำ ให้ผลลัพธ์ที่คล้ายคลึงกันมาก โดยตั้งแต่ช่วงเริ่มต้นของการทดลอง ไปจนถึงประมาณเดือน เมษายน ปี 2014 กลยุทธ์ตัวทำนายเดียว มีประสิทธิภาพในการเทรดดีกว่า Benchmark เล็กน้อย แต่ทว่าหลังจากเดือนเมษายน ปี 2014 Benchmark กลับเป็นกลยุทธ์ที่ทำงานได้ดีกว่า ตัวทำนาย Polynomial ชนิดตัวทำนายเดียว แต่เมื่อมีการใช้ตัวทำนาย Polynomial 2 ตัว กลับพบว่า ผลลัพธ์ที่ได้ดังแสดงด้วยเส้นกราฟสีเขียวนั้น มีประสิทธิภาพมากกว่าผลการทดลองที่ได้จากกลยุทธ์อื่นอย่างเห็นได้ชัด แม้กระทั่งในช่วงนี้หุ้น CARR มีราคาตกต่ำในช่วงเดือนเมษายน ปี 2013 และ เดือนเมษายน ปี 2014 กลยุทธ์ตัวทำนายมากกว่าหนึ่งตัวยังสามารถทำกำไรได้อย่างต่อเนื่อง

จากผลลัพธ์ดังกล่าวพบว่า กลยุทธ์ Buy & Hold ซึ่งเป็น Benchmark สามารถทำกำไรได้ 62.38% เมื่อสิ้นสุดช่วงเวลาที่ทำการทดสอบ ในขณะที่กลยุทธ์ตัวทำนายเดียวสามารถทำกำไรได้น้อยกว่า Buy & Hold ที่ 52.92% สำหรับกลุยุทธ์ตัวทำนายหลายตัวสามารถทำกำไรได้มากกว่ากลยุทธ์อื่นๆ อย่างมีนัยสำคัญที่ 183.38% กลยุทธ์ตัวทำนายหลายตัวไม่เพียงแต่มีประสิทธิภาพในการทำงานดีกว่ากลยุทธ์อื่นๆ ในแง่ของการทำกำไร แต่ยังแสดงผลลัพธ์ที่ดีกว่าในแง่ของค่า Drawdown อีกด้วย โดยในขณะที่กลยุทธ์อื่นๆ มีค่า Drawdown ที่ค่อนข้างใหญ่ คือ 26.32% (สำหรับกลยุทธ์ Buy & Hold) และ 29.33% (สำหรับกลยุทธ์ตัวทำนายเดียว) กลยุทธ์หลายตัวทำนายมีค่า Drawdown น้อยกว่ากลยุทธ์อื่นที่ 19.05% เมื่อพิจารณาค่า Sharpe Ratio พบว่าเป็นไปในแนวทางเดียวกันคือ กลยุทธ์หลายตัวทำนายมีค่า Sharpe Ratio สูงที่สุดที่ 1.78 ในขณะที่กลยุทธ์ตัวทำนายเดียว และ Buy & Hold มีค่า Sharpe Ratio เพียง0.77 และ 0.66 เท่านั้น ซึ่งค่า Sharpe Ratio ถือเป็นค่าที่สำคัญที่สุดในการทดลอง เนื่องจากเป็นค่าที่บอกประสิทธิภาพในการทำกำไรของระบบโดยมีการนำค่าความเสี่ยงเข้ามาคำนวณร่วมด้วย

ผลลัพธ์ของหุ้น TSCO

จากผลลัพธ์ที่ได้จากหุ้น TSCO จะเห็นได้ว่ากลยุทธ์แบบหลายตัวทำนายมีประสิทธิภาพสูงสุดเช่นกัน แม้ว่าข้อมูลหุ้น TSCO จะมีแนวโน้มที่ต่างกับหุ้น CARR อย่างสิ้นเชิง กล่าวคือ ราคาของหุ้น TSCO มีลักษณะของหุ้นแนวโน้มขาลงตลอดช่วงของการทำนาย แม้ว่าในช่วง 3 เดือนแรก ทั้งกลยุทธ์แบบตัวทำนายเดียว (กราฟสีแดง) และกลยุทธ์หลายตัวทำนาย (กราฟสีเขียว) จะไม่สามารถเอาชนะกลยุทธ์ Buy & Hold (กราฟสีดำ) ได้อย่างเห็นได้ชัด แต่หลังจากนั้น กลยุทธ์หลายทำนายได้แสดงผลงานที่ดีกว่า Buy & Hold อย่างมีนัยสำคัญตลอดไปจนจบการทดสอบ โดยเมื่อสิ้นสุดการทดสอบ กลยุทธแบบหลายตัวทำนายสามารถทำกำไรได้ถึง 44.84% ในขณะที่ Benchmark คือ กลยุทธ์ Buy & Hold นั้นมีการขาดทุนถึง 44.86% สำหรับกลยุทธ์ตัวทำนายเดียวนั้น แม้ว่าจะทำผลงานในช่วงท้ายการทดลองได้ดีกว่ากลยุทธ์ Buy & Hold แต่ก็จบลงที่การขาดทุนเช่นกัน โดยขาดทุนถึง 17.42% เมื่อสิ้นสุดการทดลองสำหรับผลการทดลองของหุ้นตัวอื่นๆ ที่เหลือจะแสดงในตาราง

CARR Buy & Hold Single Predictor Multiple Predictors	62.38 52.92 183.38	0.77 0.66 1.78	-26.32 -29.33 -19.05	52.89 52.46 54.39	0.302 0.302 0.300
COST Buy & Hold Single Predictor Multiple Predictors	11.57 81.97 -14.54	0.09 0.97 -0.38	-22.26 -15.72 -38.90	51.26 51.46 49.37	0.296 0.295 0.296
D4T4 Buy & Hold Single Predictor Multiple Predictors	39.10 -27.22 70.71	1.19 -1.25 1.98	-37.76 -46.08 -17.22	51.75 49.12 58.77	0.586 0.586 0.583
FERG Buy & Hold Single Predictor Multiple Predictors	18.59 20.85 26.61	0.26 0.31 0.42	-16.09 -32.67 -13.84	49.10 48.70 50.90	0.211 0.211 0.211
GOOG Buy & Hold Single Predictor Multiple Predictors	45.71 48.67 -8.45	0.74 0.79 -0.35	-18.72 -15.49 -24.30	50.10 50.50 48.31	0.213 0.213 0.213
MACF Buy & Hold Single Predictor Multiple Predictors	26.96 -1.83 114.62	0.65 -0.15 2.33	-28.06 -36.28 -19.23	49.81 52.92 58.37	0.312 0.313 0.309
MCD Buy & Hold Single Predictor Multiple Predictors	3.97 1.78 23.87	0.08 0.17 0.63	-14.61 -14.61 -10.33	54.6 54.2 54.2	0.124 0.124 0.124
MKS Buy & Hold Single Predictor Multiple Predictors	25.11 -18.61 4.13	0.35 -0.56 0.04	-25.24 -29.86 -27.50	48.8 48.6 53.2	0.237 0.237 0.238
OXIG Buy & Hold Single Predictor Multiple Predictors	-15.00 21.61 357.01	-0.33 0.20 2.19	-46.91 -27.29 -16.29	48.07 50.10 52.55	0.346 0.346 0.343
SXS Buy & Hold Single Predictor Multiple Predictors	0.67 -45.88 67.36	0.10 -1.30 0.88	-35.85 -52.22 -22.65	51.70 47.29 53.91	0.263 0.262 0.262
TSCO Buy & Hold Single Predictor Multiple Predictors	-44.86 -17.42 44.84	-1.35 -0.52 0.64	-57.50 -29.66 -15.80	46.91 46.91 50.50	0.244 0.244 0.244

ผลการทดลอง

จากตารางแสดงผลลัพธ์ที่ทำการทดสอบด้วยข้อมูลหุ้นที่แตกต่างกัน 11 หุ้น ผลลัพธ์แสดงในรูปแบบของ กำไร (%), Sharpe Ratio, ค่า Drawdown ที่สูงที่สุด, ค่าความถูกต้อง และ ค่าเบี่ยงเบนมาตรฐาน โดยค่าที่การทดลองนี้ให้ความสำหรับสูงที่สุดคือ Sharpe Ratio ดังที่ได้กล่าวไปแล้วในหัวข้อที่ xxx จากผลการทดลองทั้งหมดพบว่ากลยุทธ์หลายตัวทำนายสามารถทำผลงานได้ดีที่สุดสำหรับ 8 หุ้นด้วยกัน คือ CARR, D4T4, MACF, MCD, OXIG, SXS, TSCOและ FERG เมื่อพิจารณาหุ้นทั้ง 8 นี้ จะเห็นได้ว่าประกอบด้วยหุ้นทั้งขาขึ้นและขาลง ตัวอย่างเช่น หุ้นขาขึ้น คือ CARR, D4T4 และ MACF และ หุ้นขาลงคือ OXIG และ TSCO จึงกล่าวได้ว่า การเพิ่มจำนวนตัวทำนายสามารถเพิ่มประสิทธิภาพในการเทรดได้ทั้งสำหรับหุ้นที่อยู่ในช่วงขาขึ้นและหุ้นที่อยู่ในช่วงขาลง นั่นเอง

ถึงแม้ว่ากลยุทธ์หลายตัวทำนาย (Multiple Predictors) จะทำงานได้ดีกับหุ้นส่วนใหญ่ในกลุ่ม แต่ก็มีหุ้นบางตัวที่กลยุทธ์นี้ไม่สามารถเพิ่มประสิทธิภาพในการเทรดได้ ได้แก่ COST, GOOG และ MKS สำหรับ MKS จะสามารถสังเกตุได้ว่า สาเหตุที่ประสิทธิภาพของกลยุทธ์หลายตัวทำนายไม่ดี แสดงได้จากค่า Sharpe Ratioที่ค่อนข้างต่ำ (0.04) อาจเนื่องมากจากอัลกอริทึ่มที่เลือกใช้ คือ Polynomial Regression อาจไม่เหมาะสมกับข้อมูลชุดนี้ สังเกตได้จากค่า Sharpe Ratio ที่ได้จากกลยุทธ์ตัวทำนายเดียวมีค่าต่ำเช่นกัน (-0.56)

Photo by Campaign Creators on Unsplash

สรุปผลการทดลอง

จากผลการทดลองดังกล่าวข้างต้นสามารถสรุปได้ว่า การเพิ่มจำนวนของตัวทำนายสามารถเพิ่มประสิทธิภาพในการเทรดได้ โดยเมื่อทำการคำนวณค่าทางสถิติ Paired T-test ของ Sharpe Ratio ที่ได้จากผลลัพธ์ทั้งหมด เปรียบเทียบระหว่างกลยุทธ์ตัวทำนายเดียว และ หลายตัวทำนาย พบว่ามีค่า p-value เท่ากับ 0.042 ซึ่งแสดงว่า ผลลัพธ์ทีได้จากกลยุทธ์หลายตัวทำนายมีความแตกต่างกับผลลัพธ์ที่ได้จากลยุทธ์แบบตัวทำนายเดียวอย่างมีนัยสำคัญ ที่ความเชื่อมั่นมากกว่า 95% เมื่อพิจารณาจากค่าเฉลี่ยของค่า Sharpe Ratio ของกลยุทธ์ตัวทำนายเดียว และหลายตัวทำนาย พบว่าค่าเฉลี่ย Sharpe Ratio ของกลยุทธ์ตัวทำนายเดียวมีค่าเท่ากับ -0.092 ในขณะที่ค่าเฉลี่ย Sharpe Ratio ของกลยุทธ์หลายตัวทำนายมีค่าเท่ากับ 0.92 จะเห็นได้ว่ากลยุทธ์หลายตัวทำนายมีค่าเฉลี่ย Sharpe Ratio สูงกว่ากลยุทธ์ตัวทำนายเดียวอย่างเห็นได้ชัด ประกอบกับค่า P-value ที่ได้

จึงสรุปได้ว่า กลยุทธ์หลายตัวทำนาย สามารถเพิ่มประสิทธิภาพในการเทรดได้ดีกว่ากลยุทธ์แบบตัวทำนายเดียวได้

ปัญหาจากการทดลอง

เนื่องจากการทดลองนี้ มีวัตถุประสงค์หลัก คือ การเพิ่มประสิทธิภาพของการเทรดโดยการเพิ่มจำนวนตัวทำนาย โดยอาศัยหลักการแบ่งกลุ่มข้อมูลสอนด้วยอัลกอริทึ่ม K-mean clustering ดังนั้น ผู้ทดลองมีความจำเป็นจะต้องควบคุมการเลือกตัวทำนายให้ถูกต้องมากที่สุด จึงมีการใช้ข้อมูลที่มีลักษณะของ Look-ahead bias ร่วมด้วยในขั้นตอนของการเลือกตัวทำนาย เพื่อประโยชน์ในการควบคุมสภาพแวดล้อมของระบบ เพื่อให้สามารถทดสอบสุมติฐานหลักของการทดลองได้ ดังนั้น มีความเป็นไปได้สูงที่ผลลัพธ์ที่ได้จะมีประสิทธิภาพที่ดีกว่าความเป็นจริง

ดังนั้น การจะได้มาซึ่งผลลัพธ์ดีข้างต้นนั้น จะต้องมีวิธีการเลือกตัวนายที่เหมาะสมในระหว่างการทำงานด้วย โดยในบทความต่อ เราจะมาวิเคราะห์กันว่า เมื่อทำการทดสอบการเลือกตัวทำนายโดยขจัดข้อมูล Look-ahead bias ออก ผลลัพธ์ที่ได้จะเป็นอย่างไร และ ถ้าเราทำการเพิ่มจำนวน Machine Learning อัลกอริทึ่มทีละ 1 ตัว จนครบทั้ง 6 ตัว ดังที่กล่าวไว้ข้างต้น จะสามารถช่วยเพิ่มประสิทธิภาพของโมเดลได้มากกว่านี้หรือไม่ ไว้รอดูกันในบทความต่อไปนะคะ 🙂

Photo by Etienne Girardet on Unsplash