หลาย ๆ ท่านที่สนใจด้านการลงทุน คงจะรู้จักหลักการลงทุนอย่าง Value Investing (VI) ซึ่งเป็นหลักการลงทุนที่นักลงทุนที่ประสบความสำเร็จระดับโลก อย่าง Warren Buffet, Peter Lynch, Charlie Munger และอื่น ๆ อีกหลายท่าน ยึดถือ ปฏิบัติ และ เผยแพร่ต่อสาธารณะชน มาเป็นระยะเวลายาวนานหลายสิบปี
หลักการลงทุนที่ดูแสนเรียบง่ายนี้ มักจะเน้นไปที่การศึกษา ทำความเข้าใจ และประเมินมูลค่าธุรกิจ (หุ้น) ผ่านการประเมินปัจจัยเชิงคุณภาพต่าง ๆ เช่น ความได้เปรียบในการแข่งขัน การเข้ามาของคู่แข่งรายใหม่ อำนาจต่อรองของบริษัท พฤติกรรมของผู้บริโภค ประกอบกับการประเมินปัจจัยเชิงปริมาณ เช่น รายได้ และกำไรในอนาคตของกิจการ ซึ่งจะสะท้อนการเติบโตของกำไรในอนาคต เพื่อนำมาใช้ประกอบการตัดสินใจในการลงทุน ซึ่งล้วนต้องอาศัยการศึกษาวิจัย วิเคราะห์ข้อมูลปริมาณมาก เพื่อทำความเข้าใจสินทรัพย์นั้น ๆ รายตัวอย่างละเอียด
Quant Fund ใช้กลยุทธ์อะไร
วิธีการดังกล่าวนี้ แตกต่างอย่างสิ้นเชิงกับกับที่ Quant Fund (Quantitative Hedge Fund) อย่าง Renaissance Technologies, Citadel, Two Sigma และอื่น ๆ เลือกใช้ ซึ่งจะเน้นไปที่การสร้าง และใช้อัลกอริทึม เพื่อทำการตัดสินใจ ซื้อขาย หลักทรัพย์ต่าง ๆ โดยอัตโนมัติ ตามกลยุทธ์ต่าง ๆ ยกตัวอย่างเช่น
- Statistical Arbitrage: เป็นการอาศัยคุณสมบัติ Mean Reversion ของมูลค่าของ Portfolio ของหลักทรัพย์ ซึ่งจะประกอบไปด้วย สถานะซื้อ (Long) และขาย (Short Sale) และมักจะประกอบไปด้วยหลักทรัพย์จำนวนมาก (หลักร้อยตัว) พร้อม ๆ กัน โดยหลักการในการตัดสินใจซื้อขาย คือ เมื่อ Portfolio ของหลักทรัพย์ มีมูลค่าต่ำกว่าค่าเฉลี่ยในระยะยาว จะทำการเปิดสถานะ (Position) และเมื่อ Portfolio ของหลักทรัพย์ มีมูลค่าสูงกว่าค่าเฉลี่ยในระยะยาว จะทำการปิดสถานะ เพื่อทำกำไร
- Trend Following: เป็นการอาศัยคุณสมบัติ ของ Trend ราคาสินทรัพย์ต่าง ๆ เช่น สินค้าโภคภัณฑ์, อัตราแลกเปลี่ยน เป็นต้น โดยจะทำการเปิดสถานะซื้อ (Long) เมื่อระบบระบุว่าเป็น Trend ขาขึ้น และจะปิดสถานะเมื่อระบบระบุว่าเป็นจุดสิ้นสุดของ Trend หรือในทางกลับกัน สำหรับ Trend ขาลง จะทำการเปิดสถานะ Short เมื่อระบบระบุว่ากำลังเข้าสู่ Trend ขาลง และ ปิดสถานะ เมื่อสิ้นสุด Trend
- Sentiment Analysis: เป็นการอาศัยการวิเคราะห์ข้อมูลข่าวสาร จากแหล่งข่าวที่น่าเชื่อถือต่าง ๆ รวมทั้งจาก Social Media Platform โดยจะทำการรวบรวมข้อมูลมหาศาลที่อยู่ในรูป Text และประยุกต์ใช้เทคนิคทาง Natural Language Processing ในการประมวลผลข่าวต่าง ๆ ให้อยู่ในรูปของค่าคะแนนของอารมณ์ตลาด โดยหนึ่งในวิธีการที่นำ Sentiment Analysis มาประยุกต์ใช้ เช่น ทำการเปิดสถานะซื้อ เมื่อคะแนนเป็นบวกสูง และปิดสถานะเมื่อคะแนนเริ่มเปลี่ยนเป็นค่าลบ
จากตัวอย่างทั้งสามวิธีข้างต้น จะเห็นได้ว่า หลักการในการลงทุน และตัดสินใจซื้อขายหลักทรัพย์ ของ Quant Fund นั้นล้วนต้องเริ่มต้นจากข้อมูลปริมาณมหาศาล ไม่ว่าจะเป็นข้อมูลทั่ว ๆ ไปเกี่ยวกับ ราคาหลักทรัพย์ และปริมาณการซื้อ ขาย ย้อนหลังหลายสิบปี, ข้อมูลปัจจัยพื้นฐานของบริษัท และกลุ่มธุรกิจ อุตสาหกรรมต่าง ๆ , ข้อมูลตัวเลขดัชนีชี้วัดเศรษฐกิจมหภาค เช่น GDP, อัตราเงินเฟ้อ, อัตราดอกเบี้ย เป็นต้น รวมทั้งยังใช้ ข้อมูลอื่น ๆ ที่กองทุนทั่วไป มักไม่ได้ให้ความสำคัญ เช่น ข้อมูลภาพถ่ายจากดาวเทียม/ภาพถ่ายทางอากาศ ซึ่งจะถูกนำมาประมวลผล เพื่อตรวจเช็ค และติดตามการเคลื่อนไหวของกิจกรรมทางเศรษฐกิจ เช่น การดำเนินงานของบริษัท ห้างร้าน หรือการเพาะปลูก เก็บเกี่ยว สินค้าโภคภัณฑ์ ต่าง ๆ หรือ ข้อมูลการสัญจรทางถนน เพื่อวัดระดับกิจกรรมทางเศรษฐกิจ และการขนส่ง เป็นต้น
Quantitative Trading มีวิธีการอย่างไร
ข้อมูลมหาศาลเหล่านี้ จำเป็นต้องถูกจัดการด้วยเทคนิคทางวิทยาศาสตร์ข้อมูล เช่น การทำความสะอาด หรือ การจัดการข้อมูลที่ผิดปกติ ซึ่งหากไม่ได้รับการจัดการ อาจส่งผลต่อประสิทธิภาพของโมเดล จากนั้นจึงทำการเตรียมความพร้อมข้อมูลก่อนที่จะนำข้อมูลเหล่านี้ ไปใช้ประกอบกลยุทธ์ต่าง ๆ เพื่อสร้างโมเดลหาสัญญาณซื้อ ขาย จากชุดข้อมูลที่มี และสร้างระบบอัลกอริทึมซื้อขายหลักทรัพย์ ซึ่งจะต้องผ่านการ Backtesting หรือการทดสอบระบบซื้อขาย ด้วยชุดข้อมูลในอดีตย้อนหลังหลายปี เพื่อตรวจสอบประสิทธิภาพของกลยุทธ์ที่ใช้ ด้วยตัวชี้วัดต่าง ๆ เช่น
- ผลตอบแทนเฉลี่ยทบต้นรายปี
- ความผันผวนของ Portfolio
- Maximum Drawdown หรือสัดส่วนการลดลงของมูลค่า Portfolio ที่มากที่สุด จาก จุดสูงสุด ไป จุดต่ำสุด ก่อนจุดสูงสุดใหม่
- Sharpe Ratio หรือดัชนีชี้วัดผลตอบแทนของ Portfolio เหนืออัตราผลตอบแทนปราศจากความเสี่ยง (เช่นพันธบัตรรัฐบาลระยะยาว) เทียบกับความผันผวนของผลตอบแทน
Quant Fund ประยุกต์ใช้วิทยาศาสตร์ข้อมูลอย่างไร
เช่นเดียวกับหลักการในวิทยาศาสตร์ข้อมูล เราจำเป็นต้องแบ่งชุดข้อมูลที่ใช้สร้างโมเดลการซื้อขาย ออกเป็น training set, validation set, และ test set โดยจะทำการสอนโมเดลด้วย training set หลังจากนั้นจึงทำ hyper-parameter tuning และทำการคัดเลือกโมเดลโดยใช้ validation set สุดท้ายจึงทำการทดสอบโมเดลด้วย test set ซึ่งเป็นข้อมูลที่โมเดลไม่เคยเจอมาก่อน หลังจากได้โมเดลที่ยอดเยี่ยมแล้ว จะเป็นการนำโมเดลที่ได้มาสร้างโปรแกรมซื้อขายหลักทรัพย์ โดยขั้นตอนนี้ เรื่องของความเร็วของการประมวลผลโปรแกรม และความเร็วในการเชื่อมต่อ และดำเนินการซื้อขาย จะมีผลอย่างมาก หลังจากนั้นจะเป็นเรื่องของการติดตามการทำงานของโมเดล และเพิ่มประสิทธิภาพการทำงานของโมเดล ให้มีผลตอบแทนที่สูงขึ้น และลดความเสี่ยงจากปัจจัยต่าง ๆ ไม่ว่าจะมาจากตัวกลยุทธ์ที่ใช้ จากวิกฤตในตลาด หรือจากตัวโปรแกรมซื้อขายที่สร้างขึ้นมา
บทส่งท้าย
จะเห็นได้ว่าหลักการในวิทยาศาสตร์ข้อมูล นอกจากจะสามารถนำมาประยุกต์ใช้ในธุรกิจต่าง ๆ เพื่อสร้างความเข้าใจเชิงลึก หรือสร้างโมเดลที่ตอบโจทย์มากมายได้แล้ว เมื่อนำมาประยุกต์ใช้ในโลกของการลงทุน สามารถสร้างผลตอบแทนเหนือตลาด ได้เป็นระยะเวลายาวนาน โดยตัวอย่างที่โด่งดังที่สุด คงหนีไม่พ้น The Medallion Fund ซึ่งบริหารโดย Renaissance Technologies ที่สามารถสร้างผลตอบแทนทบต้นต่อปี สูงถึง 71.8% (ก่อนหักค่าบริหารกองทุน) ระหว่างปี 1994 ถึงปี 2014 โดยความน่าสนใจของ Renaissance Technologies คือเป็น Hedge Fund ที่ประกอบไปด้วย นักคณิตศาสตร์ และนักวิทยาศาสตร์จำนวนมาก โดยที่พนักงานส่วนใหญ่ ไม่ได้มีพื้นฐานมาจากสายการเงิน เหมือนกองทุนทั่ว ๆ ไป
บทความโดย ปิ่นพงศ์ สุขแก้ว
ตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น
Vice President, Manpower Development Division at Big Data Institute (Public Organization), BDI
