ปรากฏการณ์ 26 กุมภาพันธ์ 2020 หุ้นไทยตก 72 จุดในวันเดียว!!! ใช้ Value-at-Risk ประเมินกันดีกว่า (แจก code Python)

วันที่ 26 ก.พ. 2020 ตลาดหลักทรัพย์แห่งประเทศไทยเกิดอาการ “เทกระจาด” หล่นลงวันเดียว ถึง 72.69 จุดนับเป็น นับเป็นหล่นลงวันเดียวถึง 5.05% นับเป็นความเสี่ยงอย่างหนึ่งที่นักลงทุนต้องแบกรับ แต่โชคดีที่เราที่มีวิธีการประเมินความเสี่ยงในการลงทุนเพื่อวิเคราะห์ความเสี่ยงล่วงหน้าทำให้เราสามารถวางแผนรับมือกับความเสี่ยงนี้ได้อยู่แล้ว คือ การใช้ทฎษี Value at Risk เข้ามาช่วย ดังที่เราได้เคยนำเสนอไปแล้วในบทความสองพาร์ทแรกซึ่งหาอ่านได้ที่ Value at Risk (VaR) Part 1: VaR แต่ละแบบมีข้อดีข้อเสียอย่างไร Value-at-Risk Part 2: Cornish-Fisher Expansion – Deal with Fat-tailed ในบทความนี้เราจะนำตัวอย่าง index ตลาดหลักทรัพย์ไทยมาวิเคราะห์ด้วย value at risk ทั้งสองแบบมาวิเคราะห์ให้ดูว่าเราสามารถคาดการณ์ความเสี่ยงในครั้งนี้ล่วงหน้าได้อย่างไร พร้อมทั้งแจกโค้ด python ไปให้เพื่อนๆลองทดลองดูได้อีกด้วย ก่อนอื่นเราจะอธิบายขั้นตอนคร่าวๆก่อนว่าแต่ละโค้ดแต่ล่ะส่วนที่สำคัญทำงานอย่างไรเพื่ออธิบายหลักการทำงานก่อน จากนั้นเราจะนำโค้ดทั้งหมดมาแจกในตอนท้ายของบทความ อธิบายส่วนสำคัญของโค้ด Python เริ่มต้นเราต้อง Import library…

รวมขุมทรัพย์การเรียนรู้ (ฟรี) จากนักลงทุนผู้ยิ่งใหญ่ “Ray Dalio”

คุณ Ray Dalio เป็นอีกหนึ่งนักลงทุนที่มีอุปนิสัยชื่นชอบ “การจดบันทึก” มากเป็นพิเศษ ถึงกับเคยกล่าวไว้ว่า เป็นเวลานานกว่า 30 ปี มาแล้วที่ตนเองทำการจดบันทึกการเรียนรู้ และ ประสบการณ์ในเรื่องต่างๆ เอาไว้อย่างละเอียด และ ใช้เป็นแนวทางในการดำเนินชีวิตมาตลอด ซึ่งสามารถเห็นได้จากความละเอียดของหนังสือ “Principles” ที่เจ้าตัวเขียนขึ้นเองเพื่อบอกเล่าหลักการในชีวิตของตน ที่มีส่วนนำพาให้ทั้งชีวิตส่วนตัว หน้าที่การงาน รวมไปถึงบริษัท “Bridgewater” ประสบความสำเร็จอย่างสูง โดยหวังว่าหลักการต่างๆ ที่เจ้าตัวค้นพบ และ ยึดถือเป็นแนวทางมาตลอดนี้จะช่วยให้ผู้อ่านประสบความสำเร็จได้เช่นกัน บทความนี้จึงขอรวบรวม ความรู้และหลักการต่างๆ ที่คุณ Ray Dalio นำเสนอเอาไว้ทั้งผ่านสื่อต่างๆ ไม่ว่าจะเป็น หนังสือ วิดีโอ หรือ บทสัมภาษณ์ต่างๆ สามารถหาฟัง หาอ่านได้ฟรี! เอาไว้ให้ผู้ที่สนใจได้ติดตามกันค่ะ 3-VDOs มาเริ่มกันจากวีดีโอกันก่อนค่ะ คุณ Dalio ไม่ใช่คนที่จัดทำวิดีโอออกมามากมายนัก แต่เมื่อทำออกมาแล้ว แต่ละวีดีโอก็ได้รับความสนใจอย่างล้นหลาม มีจำนวนการเข้าชมมากกว่า 17 ล้านครั้ง (นับถึงปีเดือน มิถุนายน 2562)…

10 ไอเดียใช้ Machine Learning ในงาน Finance พร้อมแนะนำ paper ไปอ่านกันให้จุใจรับปีใหม่ (part 2)

เมื่อพูดถึงการใช้ Machine Learning ในงานด้านการลงทุนแล้ว คนส่วนใหญ่มักจะนึกถึง “การทำนาย” ราคาข้องหุ้นเป็นหลัก แต่จริงๆ แล้ว Machine Learning ไม่ได้ทำได้เพียงแค่การทำนายค่าราคาเท่านั้นในการลงทุน บทความนี้จะพาไปดู ไอเดียต่างๆ ในการนำ Machine Learning มาใช้ในการด้านการลงทุน โดยการสรุปของคุณ Marcos Lopez de Prado อดีตหัวหน้าทีมนักวิจัย Machine Learning แห่ง AQR Capital และ CIO แห่ง True Positive Technologies (TPT) CIO of True Positive Technologies (TPT) มาดูกันเลยค่ะว่า 10 ทางเลือกในการใช้ Machine Learning ในการลงทุน จะมีอะไรกันบ้าง บทความที่แล้ว เราได้เขียนเกี่ยวกับไอเดียการใช้ Machine Learning ใน 3…

10 ไอเดียใช้ Machine Learning ในงาน Finance พร้อมแนะนำ paper ไปอ่านกันให้จุใจรับปีใหม่ (part 1)

เมื่อพูดถึงการใช้ Machine Learning ในงานด้านการลงทุนแล้ว คนส่วนใหญ่มักจะนึกถึง “การทำนาย” ราคาข้องหุ้นเป็นหลัก แต่จริงๆ แล้ว Machine Learning ไม่ได้ทำได้เพียงแค่การทำนายค่าราคาเท่านั้นในการลงทุน บทความนี้จะพาไปดู ไอเดียต่างๆ ในการนำ Machine Learning มาใช้ในการด้านการลงทุน โดยการสรุปของคุณ Marcos Lopez de Prado อดีตหัวหน้าทีมนักวิจัย Machine Learning แห่ง AQR Capital และ CIO แห่ง True Positive Technologies (TPT) CIO of True Positive Technologies (TPT) มาดูกันเลยค่ะว่า 10 ทางเลือกในการใช้ Machine Learning ในการลงทุน จะมีอะไรกันบ้าง 1. Price Prediction (การทำนายราคา) ปัญหายอดฮิตของ Machine…

Value-at-Risk Part 2: Cornish-Fisher Expansion – Deal with Fat-tailed

วันนี้เรามาต่อกันที่เรื่อง Value at Risk แบบที่ 3 ที่เรียกว่า “Semi Parameter Approach” กันครับ ผู้อ่านท่านใดสนใจบทความเรื่อง Value-at_Risk: part 1 ซึ่งพูดถึง VaR ใน 2 แบบแรก สามารถตามอ่านได้ที่ลิงก์ด้านล่างครับ ประเมินความเสี่ยงด้วย Value at Risk (VaR) แต่ละแบบมีข้อดีข้อเสียอย่างไร ปัญหาของสองแบบแรก ปัญหาของการประเมินสองแบบแรกที่กล่าวถึงในบทความที่ผ่านมา ประเมินความเสี่ยงด้วย Value at Risk (VaR) ก็คือ แบบ Historical มีปัญหาเรื่องการใช้ดาต้าอย่างเดียวในการอธิบายมันจึงไม่มีการตั้งสมมุติฐานใดๆ การประเมินสามารถกระโดดได้มากช่วงปลายการแจกแจง แบบ Parametric เราจะต้องมีการสร้างโมเดล โดยตั้งสมมุติฐานว่าดาต้ามีการแจกแจงแบบใดซักแบบหนึง สมมุติว่าเราใช้ Gaussian distribution มันก็จะมีการใช้ Parameter ในการประเมิน โดยคิดว่าข้อมูลที่เราประเมินเป็น Gaussian ตลอด ถ้าเราตั้งไว้ว่าเป็น Student distribution…

Deep Learning กับการช่วยอนุรักษ์วาฬ ใน “Saving Whale Project”

บทความนี้ เราจะมาทำความรู้กับอีกหนึ่งโครงการที่มีการนำ Machine Learning มาใช้เพื่อแก้ปัญหาที่เกิดขึั้นจริง เพื่อแก้ปัญหาการสูญพันธ์ของปลาวาฬหายากกัน ก่อนอื่นเรามาดูจุดเริ่มต้นของปัญหากันก่อนค่ะ ปัญหา จะมีซักกี่คนที่รู้ว่า สัตว์เลี้ยงลูกด้วยนมขนาดมหึมาอย่าง “วาฬ” หรือ ที่นิยมเรียกกันติดปากว่า “ปลาวาฬ” ซึ่งจริงๆ แล้ว ไม่ใช่ปลา เพียงแค่อาศัยอยู่ในน้ำเท่านั้น! เป็นสิ่งมีชีวิตที่ “ใกล้” จะสูญพันธ์ โดยเฉพาะวาฬสายพันธ์ที่หายากต่างๆ เช่น Narwhal, North Atlantic Right Whale, Sei Whale มาดูตัวอย่างหน้าตาวาฬที่ได้รับการจัดว่ากำลังเสี่ยงต่อการสูญพันธุ์ โดย WWF (World Wide Fund for Nature) กันก่อนค่ะ ดังนั้น จึงต้องมีกลุ่มนักอนุรักษ์ที่คอยสอดส่องดูแลเจ้าวาฬเหล่านี้อย่างใกล้ชิด แต่ปัญหามันอยู่ที่ว่า เจ้าสัตว์โลกตัวมหึมาเหล่านี้ อาศัยอยู่ในทะเล ถึงแม้จะต้องขึ้นมาหายใจที่ผิวน้ำ แต่ก็ไม่ได้โผล่ขึ้นมาให้เราเห็นทั้งตัว และ ไม่ได้โผล่ขึ้นมาบ่อยๆ แล้วนักอนุรักษ์จะรู้ได้ยังไงล่ะ ว่าตัวไหน เป็นตัวไหน และ จำนวนของพวกมันเพิ่มขึ้น หรือ ลดลงอย่างไร???…

ประเมินความเสี่ยงด้วย Value at Risk (VaR) Part 1: VaR แต่ละแบบมีข้อดีข้อเสียอย่างไร

ความจริงเรื่องนี้ผมเคยเขียนไปเมื่อ 2-3 ปีก่อนแล้ววันนี้มีโอกาสผมขอนำกลับมาเขียนให้เป็นระบบและครอบคลุมขึ้นนะครับ Value at Risk (VaR) คืออะไร VaR คือ “โมเดลที่ใช้ในการประเมินความเสี่ยง” ของพอร์ตฟอลิโอวิธีหนึ่ง ที่ถูกนำมาใช้เพื่อตอบคำถามประเภทที่ ในช่วงเวลาหนึ่งๆ พอร์ตฟอลิโอของเราจะมีโอกาสเสียเงินได้มากเท่าไหร่ ที่ระดับความเชื่อมั่น (Confident Level) แค่ไหน ตัวอย่าง เช่น “จากข้อมูลรายเดือนที่เราของหุ้น ABC เป็นเวลา 30 ปี เรามีความมั่นใจ 95% ว่าถ้าเราถือหุ้นตัวนี้ไว้ในพอร์ตฟอลิโอของเรา หุ้นตัวนี้จะไม่ลดลงเกินกว่า 4% ในช่วงเวลา 1 เดือน” พูดง่ายๆคือ “มีโอกาสแค่ 5% ที่หุ้น ABC จะลดลงเกินกว่า 4% ในช่วง 1 เดือน” นั่นเองเป็น “VaR” เป็นโมเดลที่ใช้กันอย่างแพร่หลายในการวิเคราะห์ความเสี่ยง และวิธีการคำนวณ VaR ก็มีหลายวิธี ซึ่งผมจะแยกประเภท ดังนี้ Non-Parametric วิธีการที่ไม่ต้องใช้ตัวแปรใดๆ ใช้แค่…

การรู้จำรูปแบบสำหรับข้อมูลแบบตามลำดับเวลาด้วย Hidden Markov Model (Pattern Recognition with Sequential Data using HMM)

การค้นพบ “รูปแบบ” หรือ “Patterns” ที่ซ่อนอยู่ภายในข้อมูล เป็นอีกสาขาวิชาที่น่าสนใจ และ มีความท้าทายเป็นอย่างมาก เนื่องจากในปัจจุบันนี้ที่เรากำลังใช้ชีวิตอยู่ในโลกของข้อมูล ซึ่งเรากำลังพูดถึงข้อมูลจำนวนมหาศาล (ต้องขอคุณเทคโนโลยีในการเก็บข้อมูลที่ก้าวล้ำอย่างรวดเร็วไว้ ณ ที่นี้ด้วย!) ข้อมูลถูกเก็บบันทึก แทบจะทุกที่ทุกเวลา ไม่มีใครสามารถวิ่งหนีกระบวนการนี้ได้เลย “Data” หรือ “ข้อมูล” ถือเป็นสิ่งที่มีคุณค่ามหาศาล การมีข้อมูล ถูกเรื่อง ถูกเวลา นั้น ถึงขนาดเปลี่ยนยาจกเป็นเศรษฐี เปลี่ยนขาวเป็นดำ ได้เลยทีเดียว! แต่ถึงอย่างนั้นก็ตาม “ข้อมูล” นี้ จะกลายเป็นแค่ “ขยะไซเบอร์” ทันที ถ้ามันไม่ได้ถูกนำมาใช้งานอย่างถูกต้อง จุดนี้นี่เองที่ทำให้การศึกษาในสาขา “Pattern Recognition” หรือ การระบุรูปแบบที่ซ่อนอยู่ภายในข้อมูล ได้รับความสนใจเป็นอย่างมาก เพราะสามารถขุดค้นเอา “ความรู้” ที่ซ่อนอยู่ในข้อมูล เพื่อนำไปสู่การใช้งานอย่างเหมาะสมได้ “Pattern Recognition” มีด้วยกันมากมายหลากหลายรูปแบบมาก ขึ้นอยู่กับลักษณะการใช้งาน ระบบ Pattern Recognition ยกตัวอย่างระบบที่เราคุ้นเคยกัน เช่น ระบบรู้จำใบหน้า (Face…

คุยกันเรื่อง “อนาคตของ Machine Learning ในโลกของการลงทุน” กับอดีตหัวหน้าทีม Machine Learning แห่งกองทุนระดับแสนล้านดอลล่าห์อย่าง “AQR Capital Managment” และผู้ชนะรางวัล “Quant of the Year 2019” กัน

วันนี้เรามาจับเข่าคุยกับ ดร. Marcos Lopez de Prado กันเรื่องประเภทของ Quant 2 ประเภทในตลาดทุกวันนี้ม เรื่องอนาคตของการลงทุนในยุคใหม่หลังจากเข้าสู่ยุคแห่ง Machine Learning โลกการลงทุนจะเปลี่ยนแปลงอย่างไร องกรค์ควรปรับตัวอย่างไร มีปัญหาอะไรที่ท้าทายบ้าง สถาบันการลงทุนขนาดใหญ่มีทางเลือกอะไรบ้างในโลกที่เปลี่ยนไปแล้ว และปิดท้ายที่อนาคตของตัวเค้าเองหลังจากที่เพิ่งลาออกจาก AQR Capital Managment ว่ามีโปรเจ็คอะไรต่อไปครับ Q: การลงทุนเชิง Quantitative นี่ได้ผลจริงไหมครับ? A: ก่อนที่ผมจะตอบคำถามนี้ ผมว่าเราควรมาทำความเข้าใจกับความแตกต่างระหว่างองค์กร Math-quant และ Econ-quant 1: องค์กร “Math-quant” นั้นได้ถูกก่อตั้งและดำเนินงานโดย นักคณิตศาสตร์ นักฟิสิกห์ นักวิทยาการคอมพิวเตอร์ และ วิศวกร พวกเขามีกองทุนบริหารความเสี่ยงที่ทำผลงานได้ดีที่สุดในประวัติศาสตร์, โดยที่ Sharpe Ratio ของเขามักจะสูงมากกว่า 2 ด้วย: Renaissance Technologies, Two Sigma , DE Shaw,…

ว่าด้วย Recurrent Neural Networks: Part 1

ไม่ได้เขียนบล็อคซะนานเนื่องจากป่วยไปพักใหญ่ ตอนนี้กลับมา จะเริ่มกลับมาเขียนแล้วครับ โดยเรื่องที่ผมคิดไว้คราวนี้จะเป็น “การทำนายอนาคตของข้อมูล Time series” ครับ เพราะเป็นช่วงเวลาที่พอดีกับที่ผมต้องสรุปผลการทดลองส่งแลปพอดีครับ เลยจะขีด ๆ เขียน ๆ ตามไปด้วยเลยก็แล้วกัน ในยุคที่ Deep Learning กำลังครองโลกอยู่นี้ก็คงหลีกเลี่ยงไม่ได้ที่จะต้องกล่าวถึง Recurrent Neural Network (RNN) แต่ก่อนจะไปถึงจุดนั้นเราจะเริ่มจากอะไรที่เบสิก ๆ ก่อน โดยบทความแรกจะเริ่มตั้งแต่เรื่องพื้นฐาน ว่าด้วย Neural Network จาก Linear regression ไปจนถึง Simple Recurrent Neural Network (Simple RNN) Time series และ Simple Neural Network ข้อมูลของเราจะเป็น “Time series” หรือ “อนุกรมเวลา” ได้ ก็ต่อเมื่อ “มีอินเด็กซ์เวลา” มาเกี่ยวข้องนั่นแหละครับ ตัวอย่างเช่น…

Big Data and Machine Learning อนาคตของโลกแห่งการลงทุน!

วันนี้มีบทความจั่วหัวร้อนแรงอย่าง “Go with big data and machine learning, or leave finance to thouse who do!” หรือ ที่แปลเป็นภาษาไทยแบบแสบๆ คัน ว่า “จะใช้ Big data และ Machine Learning ในงานไฟแนนซ์ หรือ ปล่อยเรื่องไฟแนนซ์ให้คนที่ทำได้เค้าทำกัน!” เป็นบทความที่จั่วหัวได้รุนแรงอีกบทความหนึ่งเลยค่ะ เห็นได้ชัดว่าผู้เขียนอย่าง David H Bailey นักวิจัยอาวุโส สาย คณิตศาสตร์ และ คอมพิวเตอร์ ได้แสดงความเชื่อออกมาเต็มที่ว่า Big Data และ Machine Learning จะเป็นอนาคตของงานด้านไฟแนนซ์ รวมถึงการลงทุน อย่างแน่นอน ถึงขนาดที่ว่าใครไม่ลุกขึ้นมาเรียนรู้ ก็จะต้องเดินออกจากสายงานกันไปเลยทีเดียว! เพื่อลดบรรยากาศแห่งความร้อนแรงนี้ ผู้เขียนจึงจะขอเป็นเพียงผู้เล่าให้ฟัง และ เพิ่มเติมข้อมูลในบางส่วนที่น่าสนใจ โดยจะไม่เพิ่มเติมความคิดเห็นส่วนตัวลงไปนะคะ เพียงแค่เห็นว่า…

Basic Pair Trading with cointegration

สืบเนื่องจากที่แอดได้ไปเข้าร่วมประชุมกับทีมงาน Quantopian ที่ลอนดอน เมื่อปีที่แล้ว หัวข้อที่ทำ workshop กันในงานประชุมก็คือ การพัฒนาเทคนิคการ Hedging ด้วยการทำ Pair Trading ด้วย การใช้ค่าทางสถิติ Cointegration เข้ามาช่วย ซึ่งเป็นหัวข้อที่น่าสนใจมากอีกหัวข้อนึง  หลังกลับมาจากงานประชุม แอดจึงได้เขียนบทความขึ้นมา 2 บทความ เพื่ออธิบายทฤษฏี และ แนวทางการประยุกต์ใช้ Cointegration ในการทำ Pair Trading ซึ่งสามารถหาอ่านได้ใน blog (เดี๋ยวจะลงลิงก์ด้านล่างให้นะคะ) หลังจากลงบทความไปแล้ว ได้รับความสนใจอย่างมากหลังไมค์ มีแฟนเพจหลายท่านต้องการนำไอเดียไปพัฒนาต่อ ทางเราจึงนำทฤษฏีนี้เข้ามาในคอร์สใหม่ เพื่อ ทำการพัฒนา และ Backtest อย่างละเอียด ซึ่งตอนนี้กำลังอยู่ระหว่างการจัดทำ ระหว่างนี้ เลยนำไฟล์ Source code มาฝากหลายๆ ท่านที่สนใจกันก่อนค่ะ เผื่อใครอยากนำไปพัฒนาต่อ และ Backtest ด้วยตัวเอง ไม่ต้องรอเรียนก็จะได้สามารถทำได้  (สำหรับการสอนอย่างละเอียดรวมถึงการ Backtest เพื่อใช้งานจริง…