Correlation VS Causation อย่าสับสน!

Correlation เป็นค่าทางสถิติตัวหนึ่งที่มีการพูดถึงกันบ่อยมากๆ เมื่อต้องการพิจารณาความสัมพันธ์ระหว่างตัวแปร 2 ชุด แต่ถึงแม้ Correlation จะเป็นหนึ่งในกุญแจที่สำคัญในการหา Relationship ระหว่างตัวแปร แต่ก็ต้องคำนึงถึงอยู่เสมอว่า Correlation ไม่ใช่ทุกอย่าง และที่สำคัญคัญ ท่องไว้เลยว่า “Correlation does NOT imply Causation”!!! อะไรคือ Correlation? ค่า Correlation เป็นค่าที่บอกว่าข้อมูล 2 ชุด ที่เราสนใจนั้น มีการเปลี่ยนแปลงที่สัมพันธ์กันหรือไม่ ซึ่งความสัมพันธ์ในที่นี้ก็คือ การที่ค่าของข้อมูลชุดหนึ่งมีการเปลี่ยนแปลง ข้อมูลอีกชุดก็จะมีการเปลี่ยนแปลงด้วย ถ้าข้อมูล 2 ชุด มีความสัมพันธ์กัน ก็จะเรียกได้ว่าเป็นข้อมูลที่ “strong-correlated” มีการเคลื่อนไหวที่สัมพันธ์กัน ซึ่งความสัมพันธ์นี้อาจจะเป็นไปในทางเดียวกัน (Positive Correlation) หรือ ในทางตรงกันข้ามกัน (Negative Correlation) ก็ได้ ในทางกลับกัน ถ้าข้อมูลนั้นไม่มีความสัมพันธ์กัน หรือมีความสัมพันธ์กันต่ำ ข้อมูลนั้นก็เป็นข้อมูลที่ “Low-correlated” เพื่อให้เห็นภาพมากขึ้น เราลองมาดูตัวอย่างข้อมูล และ…

Time Series Momentum vs Cross Sectional Momentum

ในสายงานการลงทุน กลยุทธ์ Momentum หรือกลยุทธ์ Trend Following ได้รับความสนใจอย่างมากเนื่องจากประสิทธิภาพในการสร้าง Alpha ในตลาดโดยเฉพาะช่วงขาขึ้นอย่างยาวนานนับตั้งแต่วิกฤตเศรษฐกิจปี 2008 ในกลยุทธ์นี้อาจจะสามารถแบ่งได้คร่าวๆเป็น Time Series Momentum และ Cross-Sectional Momentum ทั้ง 2 ประเภทมีวิธีการมองที่แตกต่างกันในการมองสิ่งที่เรียกว่า Trend การเข้าใจความแตกต่างระหว่างแนวคิดเหล่านี้เป็นสิ่งสำคัญสำหรับนักลงทุนที่ต้องการใช้ Momentum อย่างมีประสิทธิภาพ เรามาดูแต่ละแบบกันก่อนครับว่าแต่ละแบบคืออะไร TLDR: Time Series Momentum: โต้คลื่น Trend Time Series Momentum หรือที่เรียกกันอีกชื่อหนึ่งว่า Trend-Following หรืออีกชื่อหนึงว่า Absolute Momentum มันคือการใช้ประโยชน์จากความคงที่(Persistence)ของ Time Series ภาษาบ้านๆก็คือ แนวโน้มนั่นเอง วิธีนี้เราจะหาแนวโน้มจากข้อมูลผลตอบแทนในอดีตของตัวเองเป็นหลัก มันจะมองหาหุ้นที่มีแนวโน้มอย่างแข็งแกร่งไม่ว่าจะขึ้นหรือลง และคาดหวังว่าในอนาคตมันจะยังเป็นแบบนั้นต่อไป เช่น กำลังขึ้นก็คาดหวังให้ขึ้นต่อ กำลังลง เราก็คาดหวังให้ลงต่อ จนกว่าจะถึงจุดกลับตัว(Turning Point) จึงจะพิจรณาจะปิดสถานะนั้นๆหรือไม่ จากนั้นมาที่คำถามว่าจะเอาอะไรมาวัดว่าเป็น…

ก้าวแรกของการทำนาย Intro to Seasonality Effect และ Trend Following ในฟอร์มที่ง่ายที่สุด

การเข้าใจ “พฤติกรรมวงจรของราคาหุ้น” และสินทรัพย์อื่นๆ เป็นสิ่งที่สำคัญสำหรับนักลงทุน และนักวิเคราะห์ทั้งหลาย โดยเรามีความเชื่อในตลาดมากมายว่าการเคลื่อนที่ของราคาหุ้นนั้นมีรูปแบบ (Pattern) การเคลื่อนไหวอยู่ในนั้น ฉะนั้นการเข้าใจวงจรเหล่านี้สามารถให้ความรู้มูลค่าสำหรับนักลงทุน ในบทความนี้, เราจะสำรวจพื้นฐานของการวิเคราะห์ผลกระทบจากวงจรของหุ้น โดยใช้ข้อมูลสังเคราะห์ด้วย Python กันครับ เราจะเริ่มจากการสร้างข้อมูลสังเคราะห์ออกมาให้มีวัฏจักร (Cycle) ที่ชัดเจน Sine Wave + Random Noise หน้าตาข้อมูลที่ได้ อันที่จริงไม่หุ้นที่ไหน มีวัฏจักรชัดเจนแบบนี้หรอกครับ แต่เราจะเอามันมาเป็นตัวตั้งต้นในการทำความเข้าใจของความพยายามในการทำนายวัฏจักรของมนุษเราก็แล้วกันครับ Naïve Forecast การทำนายที่ง่ายที่สุด ราคาพรุ่งนี้ = ราคาวันนี้ ถึงจะฟังดูตลกแต่อันนี้่ มีชื่อว่า Naïve Forecast เขียนเป็นสมการและ โค้ด Python ง่ายๆดังนี้ ไม่มีอะไรเลย แค่ให้ราคา shift 1 วัน หรือเอาค่าเมื่อวานมาทำนาวันนี้นี่เอง เราลองมาใช้งานมันดู แทบจะเป็นตัวเดียวกัน ความพยายามก้าวแรกของการทำนายของเรา อันที่จริงก็ไม่ได้มีประโยชน์อะไรมากหรอกครับ หลังจากนั้นมันก็มีความพยายามในการคิดวิธีทำนายอนาคตมาอีกมากมาย อย่างเช่น Naïve with Trend…

วิเคราะห์ความเคลื่อนไหวของราคาหุ้น และความต่อเนื่องของการเคลื่อนที่เชิงบวกและลบ

โพสนี้เราจะมาทำการวิเคราะห์ข้อมูลแบบสำรวจ (Exploratory Data Analysis , EDA) การเข้าใจรูปแบบข้างในการเคลื่อนไหวของราคาหุ้นเป็นด้านสำคัญของการวิเคราะห์ทางการเงิน. ในบทความนี้เราจะมาวิเคราะห์การเคลื่อนไหวของผลตอบแทนของหลักทรัพย์หุ้น DIS หรือ Walt Disney Co. เราจะเน้นไปที่การระบุอธิบายความเข้าใจในการเคลื่อนไหวที่เชิงบวก(Positive Returns) และ เชิงลบ(Negative Returns) ของผลตอบแทน หุ้น DIS จากปี 2000 จนถึงปี 2023 เราจะมีหา Returns และนำมันมา plot ดู histogram เทียบกับกราฟระฆังคว่ำของการแจกแจงปรกติ เพื่อดูว่า Returns ของมัน Fit กับการแจกแจงปรกติไหม ก็จะเห็นว่ามีรูปแบบหางอ้วน (Fat Tailed) อยู่ เริ่มทำ EDA ต่อมาเราจะเริ่มดูว่าในช่วงเวลานี้ หุ้น DIS มีการเคลื่อนที่เชิงบวกหรือลบมากกว่ากัน จะเห็นว่าหุ้นไม่ได้เป็นสมมาตรขนาดนั้นถ้าเราวัดเฉพาะจำนวนวันที่ขึ้นและลง จะเห็นว่าวันที่หุ้นขึ้นมีมากกว่าร้อยวันพอดี ทั้งที่ทั้งนั้นขึ้นกับช่วงเวลาที่เราเลือกดูด้วย ถ้าเป็นปี 2008 ที่เป็นวิกฤตแฮมเบอร์เกอร์ก็อาจจะไม่ได้เป็นรูปแบบนี้ ในช่วง 2008 การเคลื่อนไหวในทางลงมีจำนวนมากกว่าอย่างมีนัยยะเช่นกัน…

นี่มันสุ่มหรือเปล่า? Run Test Analysis ทำความเข้าใจความสุ่ม

ในโลกที่ซับซ้อนของตลาดทุน, การเข้าใจประสิทธิภาพของของตลาดทุนเป็นเรื่องที่สำคัญ. บทความนี้สำรวจแนวคิดของประสิทธิผลตลาดโดยใช้การทดสอบการเคลื่อนไหวของมันด้วยวิธีสถิติที่ออกแบบเพื่อประเมินความสุ่ม Random ของการเคลื่อนไหวราคา โดยใช้ Python กันครับ ดึงไลบราลีที่จำเป็น ตัวที่เพิ่มขึ้นมาจากที่เราใช้ตามปรกติก็คือ ฟังก์ชั่น runstest_1samp ซึ่งเป็นฟังก์ชั่นทดสอบชุดข้อมูลว่าเป็นแบบสุ่มหรือไม่ โดยจะเป็นฟังก์ชั่นที่ใช้กับข้อมูล Binary รายละเอียดดูได้ที่ https://www.statsmodels.org/stable/generated/statsmodels.sandbox.stats.runs.runstest_1samp.html เราจะใช้มันมาในการหาการ Run ของชุดข้อมูล การ Run คือ ลำดับของข้อมูลที่ต่อเนื่องกันที่มีเครื่องหมายเดียวกันบวกหรือลบติดต่อกัน เราจะมาใช้ฟังก์ชั่นในการสร้าง Returns ย่อลงมาแค่เป็น ขึ้นหรือลง 1 และ -1 เป็นจำนวน 100 ตัวและเราก็จะสร้างให้มันเป็น Pattern ตายตัวคือ หุ้นลงตลอด 50 วันแรก และ ขึ้นตลอด50วันหลัง ซึ่งแบบนี้มันชัดเจนมากว่าข้อมูลชุดนี้ไม่ได้สุ่มแต่อย่างใด เราจะใช้ runstest_1samp มาทดสอบและสังเกตผลกัน โดยที่ runstest_1samp คือการทดสอบที่มีสมมุติฐานหลักว่า ข้อมูลของเราเป็นแบบสุ่ม และเราต้องทดสอบหาค่า P-Value ของมันเพื่อมาทดสอบสมมุติฐานั้น ค่าที่ได้มี 2 ค่า คือ Test Statistics…

ทำความเข้าใจ ไดนามิกของตลาดหุ้นด้วย Kolmogorov-Smirnov Test

ตลาดทุนนับเป็นระบบที่มีความซับซ้อนอาจจะมากที่สุดในโลกระบบหนึงแล้ว การจะสร้างโมเดลลงทุนได้อย่างมีประสิทธิภาพไม่ใช่เรื่องง่าย ก่อนจะไปถึงจุดนั้น การเข้าใจการกระจายตัว(Distribution) ของ Returns ของสินทรัพย์นั้นๆเป็นสิ่งที่สำคัญสำหรับการจัดการความเสี่ยงและกลยุทธ์การลงทุน วิธีทางสถิติหนึ่งที่นิยมใช้ในการเปรียบเทียบ Distribution ของข้อมูล 2 ชุดคือ การทดสอบของ Kolmogorov-Smirnov ในบในบทความนี้เราจะสำรวจวิธีการใช้ทดสอบ Kolmogorov-Smirnov Test เพื่อเปรียบเทียบผลตอบแทนของทรัพย์สินที่ 2 ตัว สร้างขึ้นแบบสุ่ม เพื่อทำความเข้าใจ และ จกานั้นจะทำมาทดสอบข้อมูลตลาดหุ้นจริงๆ กันครับ ปล. โค้ดทั้งหมดนะอยู่ในคอร์สที่กำลังจะออกนะครับ ทำความเข้าใจตลาดทุนด้วยข้อมูลสุ่ม Generate Random Returns ก่อนที่เราจะไปดูข้อมูลจริงเราจะมาดู อย่างที่เรารู้กันว่า ตลาดทุนเป็นตลาดที่มีลักษณะนิสัยแบบสุ่มอย่างมาก ข้อมูลเชิงทฤษฎีกันก่อนครับ โดยเราจะสุ่ม Asset 2 ชุด จาก Distribution เดียวกัน(Mean = 0, STD= 1) จำนวนตัวละ 10000 วันจากนั้นนำมา Plot Histogram เพื่อเปรียบเทียบกันดังนี้ จะเห็นว่าหน้าตากราฟระฆังคว่ำคล้ายกันมาก(เพราะมันควรจะเป็นตัวเดียวกันแค่แรนด้อมเลขคนละชุดกัน) Cumulative distribution…

ทดสอบทฤษฎีตลาดมีประสิทธิภาพ (Efficient Market Hypothesis – EMH) ด้วย Autocorrelation

เนื่องจากผมกำลังคอร์สใหม่อยู่ ซึ่งเนื้อหาภายในจะประกอบไปด้วยส่วนหลักๆ 5 ส่วน บทความนี้ขอยกหนึ่งในเรื่อง “การทดสอบความมีประสิทธิภาพของตลาด” มาพูดกันด้วยวิธีที่พื้นฐานที่สุดกันครับ ซึ่งจะเป็นหนึ่งในหัวข้อของคอร์สใหม่ที่กำลังจัดทำมาพูดถึงกันครับ ทฤษฎีตลาดมีประสิทธิภาพ(Efficient Market Hypothesis – EMH) เป็นทฤษฎีที่มีสมมติฐานว่าราคาของหุ้นหรือทรัพย์สินในตลาดทุนใด ๆ นั้นสะท้อนข้อมูลทั้งหมดที่มีอยู่ในตลาด และดังนั้นการทำกำไรโดยต่อเนื่องจากการวิเคราะห์หรือข้อมูลที่มีอยู่ไม่ควรเป็นเรื่องง่ายหรือทำไม่ได้ไปเลย จริงๆเราก็ได้พูดเรื่องนี้และเรื่องที่ใกล้เคียงกันไปหลายครั้งแล้ว ในต่างกรรมต่างวาระ ใน รายละเอียดดูได้ในโพสที่ว่า แต่เราสรุปง่ายๆสั้นๆว่า EMH มีรูปแบบหลัก ๆ ที่ 3 รูป ได้แก่ ทฤษฎีแบบอ่อน (Weak) ทฤษฎีแบบปานกลาง (Semi-strong) และทฤษฎีแบบสมบูณณ์ (Strong) โดยระดับของมันจะขึ้นอยู่กับระดับของข้อมูลที่เราได้รับมาแล้วทำนายตลาดไม่ได้ ถ้าแบบอ่อนก็ยังพอมีทางทำนายตลาดได้อยู่ เช่นข้อมูที่ไม่ได้เป็น แต่ถ้าไปแบบแข็งไม่ว่าข้อมูลอะไรก็จะถูกรวมอยู่ในราคาหมดแล้ว วันนี้เราเลยอยากจะมาทดสอบสมมุติฐานนี้แบบง่ายๆ โดยใช้ข้อมูลที่น้อยที่สุด และเป็นข้อมูลที่ทุกคนได้รับ ก็คือข้อมูล “ราคา” กันครับ และจะมาดูว่าไอ้ข้อมูลนี้มันช่วยเราทำนายตลาดได้หรือเปล่า กันครับ ทดสอบสมมุติฐานด้วย AutoCorrelation เครื่องมือทางสถิติที่ใช้วันนี้คือ AutoCorrelation เพื่อตรวจสอบว่า returns ของสอนทรัพย์มันมีอิทธิพลต่อกันหรือไม่ สังเกตว่าเราจะไม่ใช่…

What can data tell? เล่าเรื่องจากข้อมูลด้วยการ Visualization พร้อมตัวอย่างการทำงานกับข้อมูลจริง {Series #3: การใช้กราฟแบบต่างๆ เพื่อ Visualize ข้อมูลหลายตัวแปร}

Series บทความชุดนี้ Prerequisite  คอร์ส Basic Python Programming [FREE] [Optional] Series #1  การเข้าถึงข้อมูล Series #2 การ Visualize ข้อมูลตัวแปรเดียว Series #3 การ Visualiza ข้อมูลหลายตัวแปร (บทความนี้) มาเริ่มบทความนี้กันเลย จากบทความที่แล้ว (Series #2 การ Visualize ข้อมูลตัวแปรเดียว) เราได้พูดกันถึงเรื่องของการนำเสนอกราฟแบบแบบตัวแปรเดียว ในบทความนี้เราจะก้าวไปอีกขั้นหนึ่ง คือ การพล็อตกราฟแบบหลายตัวแปร หรือ ที่เรียกกันว่า Bivariate plot กันค่ะ การพล็อตกราฟที่ไม่มีการวิเคราะห์ดูความสัมพันธ์ระหว่างตัวแปร ในทาง Data Science ก็เปรียบกับการมีผืนผ้าใบเปล่าๆ ที่ยยังไม่มีการวาดภาพนั่นแหละ การเริ่มวาดภาพให้คนเข้าใจส่วนใหญ่จะเริ่มที่การแสดงความสัมพันธ์ที่มีอยู่ในข้อมูล เช่น ถ้าค่าตัวแปรนี้มีการเปลี่ยนแปลง จะเกิดอะไรขึ้น จะส่งผลต่อค่าของตัวแปรอื่นๆ อีกหรือไม่ อย่างไรก็ตาม บทความนี้ไม่ได้เน้นวิเคราะห์ข้อมูลนะคะ แต่จะมุ่งสอนเครื่องนี้ทีสามารถใช้ในการพล็อตความสัมพันธ์ของตัวแปร 2 ตัวต่างหาก…

Seasonality in the Market

หลังจากที่เราพูดถึงเรื่องตลาดมี/ไม่มีประสิทธิภาพ(Efficiency market hypothesis)กันเยอะแล้ว หลายๆคนก็อาจจะสงสัยว่าะจพูดไปทำไม มันทำประโยชน์อะไรกับการลงทุนได้ล่ะ? มันก็จริงการศึกษาเรื่องพวกนี้แม้ในระดับสูงมันก็เป็นแค่การทดสอบสมมุติฐานว่า ตลาดมันไม่ได้สุ่มขนาดนั้น โดยมักจะมีเคสตัวอย่างนักลงทุนท่านนี้ท่านั้นทำเงินกันได้อย่างไร หรือมีอาจารย์มหาลัยคิดกลยุทธ์ ที่มักจะไม่ได้เอาไปใช้มาทดสอบ แต่คนที่จะทำเงินได้นั้นต้องรู้ว่าเมื่อไหร่ตลาดไม่มีประสิทธิภาพและรู้ว่า มี Anomalies (ความผิดปรกติ) แบบไหนเกิดในตลาดบ้าง และเราจะสามารถนำมันมาใช้ประโยชน์ได้อย่างไร ความผิดปรกติในตลาดมีหลายอย่าง แต่สิ่งที่เราจะพูดในวันนี้เป็นสิ่งผิดปรกติประเภท Seasonality(ฤดูกาล) ครับ Index 1. Seasonality คืออะไร Seasonality แปลตรงตัวว่าฤดูกาล ฤดูกาลก็คืออะไรที่เปลี่ยนแปลงไปตามหน้าปฎิทิน เช่น เดือน มีนาตม เมษายน เป็นฤดูร้อน อากาศมันก็จะร้อน และมันจะเกิดเหตุการณ์แบบนี้ซ้ำๆทุกปี ในตัวอย่างในชีวิตจริงอีกอย่างก็คือ ยอดขายไอศครีมจากโรงงานผลิตตามรูป จะเห็นว่าข้อมูบนี้นอกจากมันจะมีเทรนด์(ทิศทาง) ยอดขายเพิ่มทุกปีแล้ว เราจะสั่งเกตุเห็น ได้ว่ามันมีแพทเทิร์นซ้ำๆที่เกิดขึ้นทุกๆปีในฤดูร้อนยอดขายมันจะพีค เทียบกับช่วงเวลาอื่นในปีเดียวกัน และสิ่งเหล่านี้มีเหตุผลที่มนุษย์เข้าใจได้รองรับง่ายๆคือ มันร้อน คนก็อยากกินไอศครีมกัน! และไม่จำเป็นต้องเป็นแค่ปีนะครับ ในรายวันก็เป็น Seasonality เช่น เที่ยงถึงบ่ายสองเป็นช่วงเวลาที่ร้อนที่สุดของวันเป็นต้น สรุปได้ ว่าอะไรก็ตามที่มันเกิดซ้ำๆขึ้นตามช่วงเวลาเดิมๆนับเป็น Seasonality ได้หมด 2. Seasonality…

What can data tell? เล่าเรื่องจากข้อมูลด้วยการ Visualization พร้อมตัวอย่างการทำงานกับข้อมูลจริง {Series #2: การ Visualize ข้อมูลตัวแปรเดียวด้วยกราฟอย่างง่าย}

บทความนี้เริ่มต้นจากไม่มีพื้นฐานเลย ดังนั้น จึงเหมาะสำหรับผู้ที่ผู้ที่สนใจทักษะการทำ Data Visualization ด้วย Python ระดับเบื้องต้น อย่างไรก็ตาม ผู้เรียนจำเป็นต้องเขียนโปรแกรมภาษา Python ได้ ดังนั้น ถ้าท่านใดยังไม่เคยเขียนโปรแกรมด้วยภาษาไพทอน สามารถเข้าเรียนฟรี ได้ที่เว็บไซต์ของเราด้านล่างก่อน ก่อนเริ่มเนื้อหาจะสอนพื้นฐานความรู้เกี่ยวกับ Python ที่จำเป็นก่อนประมาณ 2 ครั้ง ถ้าผู้อ่านท่านใดเชี่ยวชาญการใช้ Python อยู่แล้ว สามารถข้ามบทความพื้นฐาน 2 บทความแรกได้เลย การทำงานในสายที่เกี่ยวข้องกับ “ข้อมูล” สมัยนี้ ใครๆ ก็ขยัน “สร้างภาพ” กันทั้งนั้น! แต่การสร้างภาพนี้ไม่ใช่การเอาหน้านะ แต่เป็นการสร้างกราฟขึ้นเพื่อ “เล่าเรื่อง” จากข้อมูลที่มีต่างหาก ในยุคสมัยที่ข้อมูลไหลวนอยู่ในระบบเครือข่ายอย่างบ้าคลั่งนี้ ข้อมูลชุดเดียวกันใครๆ ก็สามารถหาได้ แต่สิ่งที่ต่างกันคือ “เรื่องเล่า” ที่แต่ละคนจะสามารถสกัดออกมาจากข้อมูล และแสดงให้ผู้อื่นเข้าใจได้ต่างหากล่ะ ที่จะตัดสินกันว่าใครจะได้อยู่ต่อ การจะสร้าง “เรื่องเล่า” เจ๋งๆ ได้นั้น แน่นอนว่าจะต้องอาศัยทักษะมากมายในการวิเคราะห์ข้อมูล เพื่อสกัดเอา “ประเด็น” ที่สำคัญ เป็น…

Skewness

“Central Moment” ทางสถิติง่ายๆ ประกอบไปด้วย ทั้งหมดนี่เป็นการ sum ข้อมูลทั้งหมดเหมือนกัน แตกต่างกันแค่ตัวยกกำลัง กำลัง1 (Mean), กำลัง 2 (Variance), กำลัง 3 (Skewness), กำลัง 4 (Kurtosis) ตามลำดับ เท่านั้น จริงๆ เรื่องง่ายๆ ทางคณิตสาตร์นี่ก็ดีนะครับ เพราะทั้ง 4 แบบสามารถบ่งบอกลักษณะนิสัยของข้อมูลได้ต่างกันหมดเลย ในวันนี้ เราจะพูดถึงเฉพาะในส่วนของ “ความเบ้” กันอย่างเดียว และมาดูว่าเราสามารถวิเคราะห์การลงทุน ผ่านสถิติง่ายๆ ตัวนี้ได้อย่างไร ถ้าพูดกันถึงเรื่องการแจกแจงปรกติ ถ้าผลกำไรต่อการเทรดแต่ละไม้ของ 10,000 ครั้ง มีค่าเฉลี่ยเราอยู่ 0.25% (สมมุติ) และ ด้วยโชคดีฟ้าประธานมาให้ return ของเรามีการแจกแจงแบบปรกติจะได้กราฟประมาณนี้นะครับ นั่นหมายความว่า การเคลื่อนที่มากกว่า + หรือ – 2 sigma (standard deviation) จากค่าเฉลี่ย…

เหตุผลที่ตลาดที่ไม่มีประสิทธิภาพ จากนักเศรษฐศาสตร์พฤติกรรมชื่อดัง

เราเคยมีหลายบทความเหมือนกันที่พูดถึงเรื่องตลาดที่มีประสิทธิภาพและสภาพการสุ่มของตลาดทุน ตามทฤษฎีตลาดมีประสิทธิภาพ(Efficient market hypothesis) ของอาจารย์ Eugene Fama วันนี้เราจะมาพูดเรื่องทำไมตลาดไม่มีประสิทธิภาพที่เป็นการเถียงกับอาจารย์ Fama โดยตรงกันบ้าง Argument ที่โด่งดังสุดและเก่าแก่สุดที่จะมาสนับสนุนตลาดมีประสิทธิภาพก็คือ “มนุษย์เป็นสัตว์ที่มีเหตุผล” * ถ้าจะอ้างอิงกันน่าจะอ้างอิงไปได้ไกลถึง อริสโตเติล Aristotle แห่งกรีกโบราณกันเลยทีเดียว แต่บางครั้งสัตว์ที่มีเหตุผลก็อาจจะมองอะไรผิดพลาดได้เหมือนกัน เพราะถ้าทุกคนมีเหตุผลเหมือนกัน มีข้อมูลเหมือนกันหมด ตลาดมันก็ต้องไร้ช่องโหว่โดยสมบูรณ์ แต่อย่างไรก็ตาม วันนี้เราจะไม่พูดเรื่องข้อมูลเท่ากันหรือไม่ นักเศรษฐศาสตร์สายพฤติกรรม ที่เคยทำการทดลองหาคำอธิบายเรื่องนี้ คือ “อาจารย์ Richard Thaler” ** ผู้ได้ชื่อว่าเป็นบิดาแห่ง เศรษฐศาสตร์พฤติกรรม (Behavioral Economics) ร่วมกับนักจิตวิทยาได้ร่วมกันหาคำตอบไว้ซึ่งภายหลังมันก็เกิดเป็น “สาขาเศรษฐศาสตร์พฤติกรรม” ขึ้นมา การทดลองมีผลที่ค่อนข้างหลากหลายทั้งมีประสิทธิภาพและไม่มีประสิทธิภาพ ของสมมุติฐานของ อาจารย์ Fama เป็นอะไรที่มดสอบได้ยาก แต่อย่างไรก็ตามผลการทดลองก็ได้ให้แสดงหลักฐานให้เราได้เห็นว่า ในการตัดสินใจลงทุน มนุษย์เราไม่ได้เป็นสัตว์ที่มีเหตุผลตลอดเวลา เวลาตัดสินใจลงทุนคนเราก็มีปัจจัยมากมายที่เราใช้ในการตัดสินใจ ทั้งปัจจัยมีเหตุผล (เช่น ดูงบ ดูกิจการ)และ ไม่มีเหตุผล (เช่น ปาเป้าเลือกหุ้นลงทุน ดูหมอดู)…