1. ผลกระทบโดยรวมของปัญญาประดิษฐ์และ machine learning ต่อการเทรด
ปัญญาประดิษฐ์ (AI) เปิดทางให้เครื่องจักรเข้ามาทำงานแทนมนุษย์ ในทศวรรษ 1980 ระบบผู้เชี่ยวชาญ (expert systems) และตรรกศาสตร์คลุมเครือ (fuzzy logic) คือแนวหน้าของงานวิจัย AI เมื่อต้นทุนพลังประมวลผลลดลง การใช้เครื่องจักรแก้ปัญหา optimization ขนาดใหญ่ก็เป็นไปได้ในเชิงเศรษฐกิจ ผลจากความก้าวหน้าทั้งฮาร์ดแวร์และซอฟต์แวร์ ทำให้ปัจจุบัน AI มุ่งเน้นการใช้โครงข่ายประสาทเทียมและวิธีการเรียนรู้แบบอื่น ๆ เพื่อระบุและวิเคราะห์ตัวทำนาย (predictors) หรือที่เรียกว่า features หรือ factors ที่มีมูลค่าทางเศรษฐกิจ และนำไปใช้ร่วมกับ classifier เพื่อพัฒนาโมเดลที่ทำกำไรได้ การประยุกต์ AI ในลักษณะนี้มักเรียกกันว่า Machine Learning (ML)
การใช้ระเบียบวิธีสร้างกลยุทธ์เทรดบนฐานของ AI ทั้งในกรอบเวลาสั้นและการลงทุนระยะยาวกำลังได้รับความนิยมมากขึ้น โดยมีเฮดจ์ฟันด์จำนวนหนึ่งที่แอ็กทีฟในเรื่องนี้เป็นพิเศษ อย่างไรก็ตาม การรับเทคโนโลยีใหม่นี้ไปใช้ในวงกว้างยังเชื่องช้าด้วยหลายปัจจัย ที่สำคัญที่สุดคือ AI ต้องการการลงทุนทั้งในเครื่องมือใหม่และบุคลากรผู้เชี่ยวชาญ กองทุนส่วนใหญ่ยังใช้การวิเคราะห์ปัจจัยพื้นฐาน เพราะเป็นสิ่งที่ผู้จัดการกองทุนเรียนมาในหลักสูตร MBA เฮดจ์ฟันด์ที่พึ่งพาปัญญาประดิษฐ์ล้วน ๆ มีไม่มากนัก แม้การใช้ AI ในกลุ่มรายย่อยจะเพิ่มขึ้น แต่เทรดเดอร์ส่วนใหญ่ยังคงยึดวิธีที่ถือกำเนิดกลางศตวรรษที่ 20 อย่างการวิเคราะห์ทางเทคนิคแบบคลาสสิก เพราะเข้าใจง่ายและใช้ง่าย
ควรสังเกตว่า AI และ ML ถูกใช้ในงานอื่นนอกเหนือจากการพัฒนากลยุทธ์เทรดด้วย เช่น การสร้างอัลกอริทึมค้นหาสภาพคล่อง และการแนะนำพอร์ตให้ลูกค้า ดังนั้นเมื่อการประยุกต์ AI แพร่หลายขึ้น จำนวนมนุษย์ที่มีส่วนร่วมในการตัดสินใจเทรดและลงทุนจะลดลง ซึ่งส่งผลต่อตลาดและการเคลื่อนไหวของราคา ยังเร็วเกินไปที่จะฟันธงผลกระทบโดยรวมของเทคโนโลยีใหม่นี้ต่ออุตสาหกรรม แต่การใช้ AI อย่างแพร่หลายอาจทำให้ตลาดมีประสิทธิภาพขึ้น ความผันผวนต่ำลงเป็นเวลานาน สลับกับความผันผวนที่พุ่งขึ้นเป็นช่วง ๆ จากการเปลี่ยนแปลงระบอบตลาด (regime changes) สิ่งนี้เป็นไปได้เพราะอิทธิพลจากการตีความข้อมูลตามอัตวิสัยของมนุษย์จะลดลง พร้อมกับสัญญาณรบกวนที่เกี่ยวข้อง แต่ทั้งหมดนี้ยังต้องพิสูจน์กันในทางปฏิบัติ
2. ผลกระทบของ AI และ Machine Learning ต่อการสร้าง Alpha
ผู้ที่เข้าใจเทคโนโลยี AI และรู้วิธีรับมือความเสี่ยงของมัน จะมีโอกาสในช่วงแรกของการนำเทคโนโลยีนี้มาใช้ ปัญหาหนึ่งของวิธีเทรดบนฐาน AI คือมันอาจให้โมเดลที่แย่ยิ่งกว่าการสุ่ม ขออธิบายให้ชัดขึ้น: การวิเคราะห์ทางเทคนิคแบบดั้งเดิมเป็นกลยุทธ์เทรดที่ขาดทุนโดยธรรมชาติ เพราะเทคนิคที่อิงรูปแบบกราฟและอินดิเคเตอร์ได้ผลตอบแทนจากการแจกแจงที่มีค่าเฉลี่ยเป็นศูนย์ก่อนหักค่าใช้จ่ายธุรกรรมเสียอีก เทรดเดอร์บางส่วนมักบังเอิญอยู่ทางหางขวาของการแจกแจง ทำให้เกิดภาพลวงตาว่ากลยุทธ์เหล่านี้มีมูลค่าทางเศรษฐกิจ การทำกำไรระยะยาวในตลาดฟิวเจอร์สและ FX นั้นยากไม่ว่าจะใช้แนวทางไหน เพราะตลาดเหล่านี้ถูกออกแบบมาให้รางวัลกับ market maker แต่ด้วยความบังเอิญ เทรดเดอร์บางคนอาจทำกำไรก้อนใหญ่ในตลาดที่มีเลเวอเรจได้ในเวลาสั้น ๆ แล้วพวกเขาก็ยกความสำเร็จให้กลยุทธ์และฝีมือของตัวเอง แทนที่จะเป็นโชค
AI และ ML ยังมีผลกระทบเพิ่มเติม เช่น การแลกเปลี่ยนระหว่างอคติกับความแปรปรวน (bias-variance trade-off) อคติจาก data mining อาจให้วิธีการที่ over-fit กับข้อมูลอดีตแต่ล้มเหลวกับข้อมูลใหม่ หรือเทคนิคที่เรียบง่ายเกินไปจนจับสัญญาณสำคัญในข้อมูลที่มีมูลค่าทางเศรษฐกิจไม่ได้ trade-off นี้นำไปสู่กลยุทธ์ที่แย่กว่าการสุ่ม และความเบ้เชิงลบในการแจกแจงผลตอบแทนของเทรดเดอร์กลุ่มนี้ตั้งแต่ก่อนรวมค่าใช้จ่ายธุรกรรมด้วยซ้ำ ในยุคหลัง quantitative easing สิ่งนี้สร้างโอกาสทำกำไรให้กองทุนใหญ่และนักลงทุนรายใหญ่ แต่เมื่อเทรดเดอร์ AI ที่แย่กว่าการสุ่มถูกผลักออกจากตลาด เหลือเพียงผู้ที่มีโมเดลแข็งแรง การแข่งขันแย่งชิงกำไรจะดุเดือดขึ้น ยังเร็วเกินไปที่จะทำนายว่าระหว่างเทรดเดอร์ AI กับนักลงทุนรายใหญ่ ใครจะชนะในศึกนี้
ขอพูดถึงความเข้าใจผิดที่พบบ่อยในวงการนี้ด้วย: บางคนเชื่อว่าคุณค่าอยู่ที่ตัวอัลกอริทึม ML ที่ใช้ ซึ่งไม่ถูกต้อง คุณค่าที่แท้จริงอยู่ที่ตัวทำนาย (predictors) ที่นำมาใช้ ซึ่งมักเรียกกันว่า characteristics หรือ factors อัลกอริทึม ML ตรวจจับทองไม่ได้ถ้าไม่มีทองอยู่จริง ปัญหาหนึ่งคือผู้เชี่ยวชาญ ML ส่วนใหญ่ใช้ตัวทำนายชุดเดียวกันแล้วพยายามสร้างโมเดลแบบวนซ้ำเพื่อให้ได้ผลลัพธ์ดีที่สุด เทคนิคนี้ติดกับอคติจาก data mining และล้มเหลวในที่สุด สรุปสั้น ๆ อคติจาก data mining เกิดจากพฤติกรรมเสี่ยงของการใช้ข้อมูลเดิมซ้ำกับหลายโมเดล จนกว่าผลลัพธ์ในชุด training และ testing จะน่าพอใจ จากการศึกษาของผมในสาขานี้ ถ้า classifier พื้นฐานอย่าง Binary Logistic Regression ทำงานได้ไม่ดีกับชุดตัวทำนายหนึ่ง ๆ ก็มีแนวโน้มสูงว่าชุดนั้นไม่มีมูลค่าทางเศรษฐกิจ ความสำเร็จจึงขึ้นอยู่กับ feature engineering ซึ่งเป็นทั้งศาสตร์และศิลป์ที่ต้องอาศัยความรู้ ประสบการณ์ และแรงบันดาลใจในการคิดค้น feature ที่มีมูลค่าทางเศรษฐกิจ และมีผู้เชี่ยวชาญเพียงหยิบมือเดียวที่ทำได้
3. ผลกระทบของปัญญาประดิษฐ์และ machine learning ต่อการวิเคราะห์ทางเทคนิค
เราต้องแยกระหว่างการวิเคราะห์ทางเทคนิคแบบดั้งเดิมกับแบบเชิงปริมาณ (quantitative) เพราะทุกแนวทางที่อาศัยการวิเคราะห์อนุกรมราคาและปริมาณล้วนอยู่ในหมวดนี้ การวิเคราะห์ทางเทคนิคแบบดั้งเดิม เช่น รูปแบบกราฟ อินดิเคเตอร์พื้นฐาน ทฤษฎี price action และอื่น ๆ นั้นไม่ได้ผลมาตั้งแต่ต้น สิ่งพิมพ์ที่โปรโมตแนวทางเหล่านี้แทบไม่เคยเปิดเผยค่าคาดหวังเชิงสถิติระยะยาว นอกจากความพยายามไม่กี่ชิ้นที่มีข้อจำกัดทั้งขอบเขตและการเข้าถึง มีแต่คำรับประกันว่าถ้าทำตามกฎนั้นกฎนี้จะมีโอกาสทำกำไร และเพราะกำไรขาดทุนในตลาดเป็นไปตามการแจกแจงทางสถิติ จึงมีคนกลุ่มหนึ่งเสมอที่ยกความโชคดีของตัวเองให้แนวทางเหล่านี้ ขณะเดียวกัน อุตสาหกรรมทั้งวงการก็ผุดขึ้นรอบเทคนิคพวกนี้เพราะมันเรียนรู้ง่าย น่าเสียดายที่หลายคนเชื่อว่าตัวเองจะทำกำไรได้ด้วยการใช้กลยุทธ์ที่ทุกคนใช้ให้เก่งกว่า ผลลัพธ์คือการโยกย้ายความมั่งคั่งมหาศาลจากเทรดเดอร์ไร้เดียงสาเหล่านี้ไปสู่ market maker และมืออาชีพที่รู้ข้อมูลลึกกว่า
ผู้เชี่ยวชาญตลาดบางกลุ่มค้นพบในช่วงต้นทศวรรษ 1990 ว่าเทรดเดอร์รายย่อยจำนวนมากเทรดด้วยกลวิธีไร้ชั้นเชิงเหล่านี้ บางรายจึงสร้างอัลกอริทึมและระบบผู้เชี่ยวชาญ AI มาทำนายรูปแบบกราฟแล้วเทรดสวนมัน สร้างความผันผวนที่เทรดเดอร์รายย่อย หรือที่เรียกกันว่ามือปลาซิว (weak hands) รับไม่ไหว มองภาพกว้างขึ้น ความล้มเหลวของการวิเคราะห์ทางเทคนิคแบบดั้งเดิมสืบย้อนไปถึงการหายไปของ serial correlation ที่เข้มข้นจากตลาดตั้งแต่ทศวรรษ 1990 เป็นต้นมา serial correlation ที่เข้มข้นนั่นเองที่สร้างภาพลวงว่าเทคนิคเหล่านี้ได้ผล ปัจจุบันตลาดส่วนใหญ่มีพฤติกรรมกลับเข้าหาค่าเฉลี่ย (mean-reverting) โดยมีข้อยกเว้นไม่มาก ทำให้เครื่องมือวิเคราะห์ทางเทคนิคง่าย ๆ ใช้ไม่ได้ผล ในทางกลับกัน เครื่องมือวิเคราะห์ทางเทคนิคเชิงปริมาณบางอย่าง เช่น โมเดล mean-reversion และ statistical arbitrage รวมถึงอัลกอริทึม ML ที่ใช้ประโยชน์จากคุณลักษณะที่มีมูลค่าทางเศรษฐกิจ มักทำงานได้ผลดี
ด้วยความหลากหลายของโมเดลและข้อเท็จจริงที่ว่าโมเดลส่วนใหญ่ถูกเก็บเป็นความลับ arbitrage แบบเดียวกันนี้ไม่น่าจะเกิดซ้ำในกรณีของ AI และ ML แต่ประเด็นพื้นฐานของเทคโนโลยีใหม่นี้ไม่ใช่ confirmation bias เหมือนการวิเคราะห์ทางเทคนิคแบบดั้งเดิม หากคืออคติจาก data mining
ในมุมมองของผม การนั่งเฝ้าตลาดและจ้องกราฟกำลังกลายเป็นเรื่องล้าสมัย อนาคตของการเทรดคือการประมวลผลข้อมูลเรียลไทม์ การพัฒนาโมเดล และการตรวจสอบความถูกต้อง เฮดจ์ฟันด์แห่งอนาคตจะไม่พึ่งการวิเคราะห์กราฟ บางคนยังทำอยู่เพราะพวกเขายืนอยู่ตรงทางแยกที่วิธีเก่าปะทะกับวิธีใหม่ เทรดเดอร์จำนวนมากที่ไม่คุ้นเคยกับ AI จะแข่งขันในอนาคตได้ยากและต้องถอนตัวไป
4. ผู้ชนะและผู้แพ้ของเทคโนโลยีการเทรดยุคใหม่
การใช้ปัญญาประดิษฐ์ (AI) จะปฏิวัติการเทรดในหลายมิติ และมันกำลังเกิดขึ้นแล้ว นักลงทุนอาจพบในไม่ช้าว่าเมื่อแนวโน้มปัจจุบันที่ขับเคลื่อนด้วย QE จบลง ผลตอบแทนระยะกลางจะต่ำกว่าที่คาดไว้มาก หากสถานการณ์นี้เกิดขึ้น นักลงทุนจะถูกบังคับให้หันกลับไปหาวิธีดั้งเดิม คือหาที่ปรึกษาการเงินฝีมือดีที่แนะนำสัดส่วนพอร์ตและคัดเลือกสินทรัพย์ที่จะเติบโตได้ ในบางกรณี ที่ปรึกษาคนนั้นจะเป็นโปรแกรมปัญญาประดิษฐ์ และกระบวนการทั้งหมดจะเกิดขึ้นออนไลน์
เทรดเดอร์ต้องทำความคุ้นเคยกับเทคโนโลยีใหม่นี้ เทรดเดอร์ส่วนใหญ่ยังคงดิ้นรนกับแนวทางล้าสมัย หวังว่ากลยุทธ์ "buy the dip" จะยังใช้ได้และให้กำไรต่อไปอีกสักสองสามปี
ปัญหาหนึ่งคือ moral hazard ที่ธนาคารกลางบ่มเพาะขึ้นจากการอุ้มตลาดการเงินโดยตรงตลอดแปดปีที่ผ่านมา เทรดเดอร์และนักลงทุนจำนวนมากเชื่อไปแล้วว่าตลาดหมีเป็นไปไม่ได้ เพราะธนาคารกลางจะคอยโอนการขาดทุนของพวกเขาไปให้คนอื่นแบกรับ ขณะที่กำไรยังเป็นของพวกเขา ผลคือผู้เล่นส่วนใหญ่ในตลาดไม่ได้เตรียมพร้อมสำหรับการเปลี่ยนระบอบตลาดครั้งใหญ่ครั้งถัดไป และอาจขาดทุนอย่างย่อยยับ
แหล่งเรียนรู้ออนไลน์เกี่ยวกับ machine learning ปัญญาประดิษฐ์ และการเทรดมีอยู่มากมาย วิธีเรียนที่ดีที่สุดคือลงมือแก้โจทย์จริงสักสองสามข้อ แต่ผมเชื่อว่าเทรดเดอร์ส่วนใหญ่จะปรับตัวไม่ได้ ชุดทักษะที่จำเป็นต่อการเข้าใจและใช้งาน AI คัดเทรดเดอร์ที่คุ้นชินกับการลากเส้นบนกราฟและจ้องเส้นค่าเฉลี่ยเคลื่อนที่ออกไปถึง 95 เปอร์เซ็นต์
นักลงทุนควรศึกษาด้วยตัวเองและขอคำปรึกษาจากที่ปรึกษาการเงินมืออาชีพที่ตามทันพัฒนาการใหม่เหล่านี้ นักลงทุนแต่ละคนมีโปรไฟล์การหลีกเลี่ยงความเสี่ยงไม่เหมือนกัน จึงให้คำแนะนำแบบเหมารวมไม่ได้ ในไม่ช้า Robo-advisor จะมีให้เลือกล้นตลาด และการเลือกตัวที่ตอบโจทย์และเป้าหมายเฉพาะของแต่ละคนอาจไม่ง่าย
ใครที่ยังไม่คุ้นเคยกับ ML และ AI รวมถึงการประยุกต์ใช้ในการเทรดและการลงทุน การติดต่อผู้เชี่ยวชาญที่รอบรู้ในสาขานี้อาจคุ้มค่ากว่าการเริ่มไล่อ่านหนังสือและบทความเอง ซึ่งค่อยทำได้ทีหลังเมื่อเข้าใจพื้นฐานแล้ว