ในบทความก่อนหน้า เราได้พูดถึงหลักการ และกลยุทธ์การลงทุน ที่ Quant Fund ต่าง ๆ ประยุกต์ใช้อย่างประสบความสำเร็จ โดยมีรากฐาน และกระบวนการ ที่สอดคล้องกันกับวิธีการในโลกของวิทยาศาสตร์ข้อมูล เพียงแต่นำมาประยุกต์ใช้กับข้อมูลในโลกของการเงิน เพื่อค้นหาโอกาสในการทำกำไร บนความเสี่ยงที่ต่ำพอจนอยู่ในระดับที่พึงพอใจ โดยตัวอย่างของความสำเร็จที่โดดเด่นที่สุดในแนวการลงทุนแบบนี้ คงจะหนีไม่พ้น The Medallion Fund ซึ่งก่อตั้งโดย นักคณิตศาสตร์ชื่อ Jim Simons ที่สามารถสร้างผลตอบแทนเฉลี่ยต่อปี สูงถึง 66.1% (ก่อนหักค่าบริหารกองทุน) บนระยะเวลา กว่า 30 ปี ระหว่างปี 1988 ถึงปี 2018
ความสำเร็จของ Machine Learning
ตั้งแต่ต้นปี 2023 ที่ผ่านมา คงจะปฏิเสธไม่ได้เลยว่า กระแสความนิยมของ Generative AI นั้นมาแรงมาก ตั้งแต่การเปิดตัวของ ChatGPT ช่วงสิ้นปี 2022 ผู้คนทั่วโลกล้วนตื่นเต้น และประหลาดใจกับความสามารถ และความเข้าใจอันลึกซึ้งในภาษา ของเจ้าแชทบอทตัวนี้ สะท้อนให้เห็นถึงความสำเร็จของการประยุกต์ใช้ Machine Learning ในโลกของภาษา ยังไม่นับความสำเร็จในโลกของ Computer Vision เช่นการทำ Image Classification ในวงการแพทย์เพื่อคัดแยกก้อนเนื้อที่เป็นมะเร็งจากภาพ X-ray รวมถึงการทำ Object Detection ในเทคโนโลยียานยนต์ไร้คนขับ และ อื่น ๆ อีกมากมาย
ความท้าทายของข้อมูลในโลกการเงิน
แม้ว่าการประยุกต์ใช้เทคนิคใน Machine Learning จะประสบความสำเร็จในหลากหลายสาขาวิชา มากมายเพียงใด แต่ปฏิเสธไม่ได้เลยว่า เทคนิคใน Machine Learning เหล่านั้น เมื่อนำมาประยุกต์ใช้กับโลกของการเงิน และการลงทุน เพื่อค้นหาโอกาสในการลงทุนนั้น กลับพบกับอุปสรรค และความท้าทายมากมาย โดยปัจจัยที่ทำให้การประยุกต์ใช้เทคนิคใน Machine Learning เหล่านั้น ในโลกของการลงทุนเป็นไปได้ยาก ประกอบไปด้วย
ขนาดของข้อมูล
ถึงแม้ว่าปัจจุบันจะมีข้อมูลมากมาย ไม่ว่าจะเป็นข้อมูลราคาซื้อขาย ปริมาณการซื้อขาย ข้อมูลปัจจัยพื้นฐาน ซึ่งสามารถเก็บได้โดยละเอียด เป็นระยะเวลาหลายปี ที่สามารถนำมาใช้วิเคราะห์ และตีความ เพื่อหาโอกาสในการลงทุนได้ รวมไปถึงข้อมูลทางเลือกต่าง ๆ เช่น ข้อมูลจากแหล่งข่าวต่าง ๆ หรือข้อความจาก สื่อสังคม (ออนไลน์) เช่น Twitter และ Facebook ซึ่งสามารถนำมาใช้ประกอบการประเมินค่าอารมณ์ของตลาดได้นั้น หรือแม้แต่ภาพถ่ายจากดาวเทียม ที่สามารถใช้ติดตามกิจกรรมทางเศรษฐกิจ เช่น ยอดขายอสังหาริมทรัพย์ หรือ อุปทานของสินค้าโภคภัณฑ์ ต่าง ๆ
แต่ด้วยข้อจำกัดของระยะเวลาที่มีข้อมูลเหล่านี้ ซึ่งอาจจะเป็นระยะเวลาไม่กี่ทศวรรษ สำหรับข้อมูลทางการเงินส่วนใหญ่ ส่งผลให้กลยุทธ์ที่มีระยะเวลาการซื้อขายเฉลี่ยไม่ถี่พอ เช่น หลักเดือน เป็นต้นไป จะถูกจำกัดด้วยจำนวนจุดข้อมูลที่ไม่เยอะพอเมื่อนำไปใช้สอนโมเดล ทำให้การประยุกต์ใช้เทคนิคทาง Machine Learning นั้นเป็นไปได้ยาก และอาจไม่ได้ประสิทธิภาพ รวมไปถึงการมีอยู่ของ Correlation ระหว่างข้อมูลต่าง ๆ ที่ใช้สอนโมเดล ซึ่งยิ่งจำกัดปริมาณข้อมูลที่เป็นประโยชน์ต่อการเรียนรู้ของโมเดล ทำให้เป็นอุปสรรคต่อการดึงศักยภาพ และความสามารถอันโดดเด่นของ Machine Learning ออกมาใช้
Signal-to-noise ratio
หนึ่งในอุปสรรคสำคัญต่อการประยุกต์ใช้ Machine Learning เพื่อหาโอกาส ในโลกของการเงิน การลงทุน คือ การที่ค่าสัดส่วนของ ปริมาณ signal (กลยุทธ์ที่สามารถยืนยันด้วยวิธีการทางสถิติได้ว่าสามารถสร้างผลตอบแทน) ต่อ noise (การเปลี่ยนแปลงของราคาที่ไม่สามารถคาดการณ์ล่วงหน้าได้) นั้นมีค่าที่ต่ำ สิ่งนี้แตกต่างอย่างชัดเจนจากโลกของ Natural Language Processing ซึ่งในแต่ละภาษา ค่อนข้างมีกฎเกณฑ์ที่ชัดเจน หรือโลกของ Computer Vision ที่ค่อนข้างมี signal ที่ชัดเจนเมื่อเทียบกับ noise เช่น ในการทำ Image Classification เพื่อคัดแยกประเภทภาชนะของเบียร์ว่าเป็น กระป๋อง หรือ ขวด ซึ่งเป็นโจทย์ที่ค่อนข้างมี signal (รูปร่าง รูปทรงของภาชนะ) ที่ชัดเจน เมื่อเทียบกับ noise (ภาพพื้นหลัง ความเบลอ หรือ อื่น ๆ) ทำให้มี สัดส่วน signal ต่อ noise ที่สูง ทำให้มีโอกาสที่จะพัฒนาโมเดลที่มีประสิทธิภาพสูงได้
การเปลี่ยนแปลงของภาวะเศรษฐกิจ ซึ่งนำไปสู่การเปลี่ยนแปลงของพฤติกรรมของตลาดการเงิน เป็นหนึ่งในสิ่งที่ทำให้การคาดการณ์ตลาดเป็นเรื่องยาก รวมไปถึงความจริงที่ว่า การพยายามทำกำไรจากตลาดด้วยข้อมูลต่าง ๆ และการแข่งขันจากทุก ๆ ผู้เล่นในตลาด เป็นปัจจัยหลักที่ทำให้ signal ในตลาดมีปริมาณน้อยลง และตลาดมีประสิทธิภาพมากขึ้น เนื่องจากเมื่อผู้เล่นในตลาด มีข้อมูลซึ่งเชื่อถือได้ว่าการเปลี่ยนแปลงของราคาในอนาคตจะเป็นอย่างไร การซื้อขายของผู้เล่นเหล่านี้ จะทำให้ราคามีการเปลี่ยนแปลงเข้าหามูลค่าที่ควรจะเป็น และนั่นทำให้สิ่งที่คาดการณ์ได้เหลืออยู่ในตลาดน้อยลง และสิ่งที่เหลือที่จะทำให้เกิดการเปลี่ยนของราคา จะเป็นข่าวใหม่ ๆ หรือ อารมณ์ตลาดระยะสั้นนั่นเอง
ความสามารถในการตีความโมเดล
สำหรับโมเดลประสิทธิภาพสูงหลาย ๆ โมเดลใน Machine Learning นั้น มีคุณสมบัติความเป็น black box model กล่าวคือ การตีความการทำงานของโมเดลนั้นทำได้ยาก และมีความคลุมเครือ แต่ในทางกลับกัน ในโลกของการเงิน การลงทุนนั้น การที่โมเดลที่ใช้มีความสามารถในการตีความ และทำความเข้าใจได้ยากนั้น ทำให้มีโอกาสที่จะนำมาสู่ความเสี่ยงที่ไม่คาดคิด ทำให้ผู้จัดการกองทุน หลาย ๆ คน เลือกที่จะยอมรับ และหันเข้าหาโมเดลที่สามารถตีความได้ง่าย และสามารถสื่อสารถึงความเสี่ยงต่าง ๆ กับทางลูกค้าได้ดีกว่า
โอกาสในการประยุกต์ใช้ Machine Learning ในการลงทุน
ถึงแม้ว่าการประยุกต์ใช้ Machine Learning ในโลกของการเงิน การลงทุน จะเต็มไปด้วยอุปสรรคมากมายเหล่านี้ แต่แน่นอนว่า โอกาสก็มีอยู่มากเช่นเดียวกัน โดยหนึ่งในสิ่งที่ Machine Learning สามารถเข้ามาช่วยได้ดี คือ
การคาดการณ์ และลดความเสี่ยงของ Portfolio โดยรวม
โดยการนำมาใช้เรียนรู้ และคาดการณ์ correlation ระหว่างแต่ละกลยุทธ์ที่ใช้ ซึ่งเมื่อหลาย ๆ กลยุทธ์ที่ดี และไม่มี correlation ระหว่างกัน ได้ถูกนำมาใช้พร้อมกัน ก็จะทำให้ระดับความเสี่ยงของ portfolio โดยรวมจะต่ำพอ และทำให้สามารถมีการใช้ leverage ร่วมด้วย ซึ่งจะช่วยให้ผลตอบแทนโดยรวมออกมาสูง ในขณะที่ความเสี่ยงโดยรวมอยู่ในระดับที่ต่ำพอ ที่จะไม่นำไปสู่เหตุการณ์ที่เกิดการขาดทุนอย่างหนัก เมื่อมีเหตุการณ์ที่ไม่คาดคิดเกิดขึ้น
กลยุทธ์ที่มีความถี่ของการซื้อขายที่สูงพอ
เช่นในโลกของ High Frequency Trading ซึ่งมีความถี่ในการซื้อขายหลักวินาที หรือถี่กว่านั้น ซึ่งนำไปสู่จำนวนชุดข้อมูลที่มากพอ โดยเฉพาะอย่างยิ่งการใช้ข้อมูลจาก order book ซึ่งเป็นรายการที่รวบรวมปริมาณความต้องการซื้อขาย ที่ราคาต่าง ๆ ในแต่ละช่วงเวลา ข้อมูลมหาศาลเหล่านี้ สามารถนำมาประยุกต์ใช้เพื่อสอนโมเดล และพัฒนากลยุทธ์ในการซื้อขาย ที่สามารถทำกำไรได้ หลังหักค่าใช้จ่ายที่ต้องใช้ในการซื้อขาย
การประยุกต์ใช้เพื่อลดค่าใช้จ่ายในการซื้อขาย
ไม่ว่าจะเป็น ค่าธรรมเนียมการซื้อขาย, ค่าสเปรด รวมทั้ง ค่า market impact ที่เกิดจากการซื้อขายของผู้ลงทุน ที่ทำให้เกิดการเปลี่ยนแปลงราคาจากการซื้อขายเอง เป็นต้น ด้วยปริมาณการซื้อขายที่เยอะมากพอ ทำให้สามารถนำข้อมูลการซื้อขายเหล่านี้ มาใช้พัฒนาโมเดลเพื่อหาวิธีการซื้อขายที่สามารถลดค่าใช้จ่ายเหล่านี้ได้มากที่สุด ซึ่งจะนำไปสู่ผลตอบแทนจากการลงทุนที่ดียิ่งขึ้น
บทส่งท้าย
ความสำเร็จของ Machine Learning เมื่อนำมาประยุกต์ใช้ในการแก้ปัญหาต่าง ๆ ไม่ว่าจะเป็น การสร้างแชทบอท อันชาญฉลาด หรือแม้กระทั่งการสร้าง ยานยนต์ไร้คนขับ ที่ดูเสมือนกับหลุดออกมาจากภาพยนตร์นั้น นำไปสู่ข้อสันนิษฐานที่ว่า โลกของการเงิน การลงทุน จะถูกครอบครองไปด้วย AI อันชาญฉลาดเหล่านี้เช่นกัน ทว่าในความเป็นจริงนั้น ความพยายามเหล่านี้กลับเต็มไปด้วยอุปสรรค และความท้าทายมากมาย ไม่ว่าจะเป็นขนาดข้อมูลในโลกการเงิน ที่ไม่ใหญ่พอ (สำหรับกลยุทธ์ทั่ว ๆ ไป) เมื่อเทียบกับขนาดของข้อมูลที่ใช้พัฒนาโมเดลล้ำ ๆ ในวงการอื่น ๆ หรือแม้กระทั่งปัญหาของ signal-to-noise ratio ที่ต่ำ ซึ่งก็มีที่มาจากการแข่งขันของผู้เล่นทุกคนในตลาด ยิ่งทำให้การหากลยุทธ์ที่สามารถทำกำไรได้จริงเหนือตลาด เป็นเรื่องที่ยากขึ้นไปอีก
ในทางกลับกัน โอกาสก็ยังเปิดกว้างสำหรับการนำเอา Machine Learning มาประยุกต์ใช้เพื่อลดความเสี่ยงโดยรวมของ portfolio และลดค่าใช้จ่ายต่าง ๆ มากมาย ซึ่งก็ล้วนแต่นำไปสู่ผลตอบแทนที่ดียิ่งขึ้น เมื่อเทียบกับความเสี่ยง และเป็นหนทางสู่การสร้างความมั่งคั่ง ที่ยั่งยืน ในระยะยาว
บทความโดย ปิ่นพงศ์ สุขแก้ว
ตรวจทานและปรับปรุงโดย อิสระพงศ์ เอกสินชล
แหล่งที่มา
Senior Project Manager & Data Scientist at Big Data Institute (Public Organization), BDI
