fbpx

ติดต่อเรา :

องค์ความรู้จากการลงทุนอย่างเป็นระบบ

ผลกระทบจากการสลับเปลี่ยนกลยุทธ์การลงทุนไปมา

Google+ Pinterest LinkedIn Tumblr

Thanadon Praphutikul

ทีมงานวิจัยระบบการลงทุน SiamQuant Alpha Researcher
เริ่มต้นการลงทุนตั้งแต่เป็นนักศึกษาชั้นปีที่ 1 ด้วยความต้องการเอาชนะตลาด โดยมีจุดเปลี่ยนมาสู่การลงทุนอย่างเป็นระบบ เนื่องจากช่วยให้เราสามารถพิสูจน์ถึงสิ่งต่างๆได้ด้วยวิธีการทางวิทยาศาสตร์ที่จับต้องได้จริง ^^
Thanadon Praphutikul

นักลงทุนจำนวนมากมักจะมีความเชื่อในทำนองที่ว่า การสลับปรับเปลื่ยนกลยุทธ์การลงทุนอยู่บ่อยๆ เพื่อให้มีความเหมาะสมกับสภาพตลาดอยู่ตลอดเวลานั้น เป็นกุญแจของการสร้างผลตอบแทนอย่างยั่งยืน ซึ่งในบทความนี้ เราจะมาทดสอบวิจัยให้รู้ถึงผลกระทบของความพยายามในการปรับเปลี่ยนกลยุทธ์การลงทุนเพื่อที่จะสร้างผลตอบแทนให้สูงที่สุดตามสภาวะตลาด ว่าจะเป็นจริงอย่างที่พวกเราเชื่อกันหรือไม่? โดยผลลัพธ์จะเป็นอย่างไรนั้นสามารถติดตามอ่านได้เลยครับ!

รีวิวผลตอบแทนของแต่ละกลยุทธ์ในช่วง 10 ปีที่ผ่านมา

ก่อนที่เราจะไปดูผลกระทบของการสลับเปลี่ยนกลยุทธ์ที่ให้ผลตอบแทนสูงสุดตามสภาวะตลาดนั้น ในส่วนแรกนี้ผมจะนำตัวอย่างกลยุทธ์การลงทุนของนักลงทุนระดับโลกที่อยู่ใน SiamQuant AlphaSuite มาทั้งสิ้น 4 กลยุทธ์เพื่อเป็นตัวแทนสำหรับการทดสอบในส่วนถัดๆไป ดังนี้

  1. กลยุทธ์การลงทุน CANSLIM ซึ่งเป็นกลยุทธ์การลงทุนประเภท Hybrid Investing ชื่อดังของ William J O’neil โดยเป็นการผสานระหว่างปัจจัยด้านแนวโน้มของราคา กับการเติบโตของกิจการ (สำหรับสมาชิก SiamQuant Alpha Suite สามารถดูรายละเอียดเพิ่มเติมได้จาก บันทึกวีดีโองานสัมมนา SiamQuant Strategies Talk 2017)
  2. กลยุทธ์การลงทุน Magic Formula ซึ่งเป็นกลยุทธ์ประเภท Quality & Value Investing ของ Joel Greenblatt  (สามารถอ่านรายละเอียดเพิ่มเติมได้จากบทความ ผลทดสอบระบบการลงทุน Magic Formula ของ Joel Greenblatt)
  3. กลยุทธ์การลงทุน Minervini Trend Template ซึ่งเป็นกลยุทธ์ประเภท Trend Following ของ ของ Mark Minervini (สามารถอ่านรายละเอียดเพิ่มเติมได้จากบทความ Trend Template สูตรคัดกรองหุ้นสไตล์ Mark Minervini)
  4. กลยุทธ์การลงทุน 10-11-12 ซึ่งเป็นกลยุทธ์ประเภท Dividend Investing ของ Marc Lichtenfeld (สามารถอ่านรายละเอียดเพิ่มเติมได้จากบทความ สูตรลับระบบการลงทุนหุ้นปันผล 10-11-12!)

หมายเหตุที่ 1 : สำหรับกลยุทธ์การลงทุน CANSLIM เราได้ทำการทดสอบจากชุดโค้ดที่มีการปรับแต่งจากทีมงาน SiamQuant เพื่อให้มีความเหมาะสมกับตลาดหุ้นไทยมากขึ้น โดยอ้างอิงจากเนื้อหาในงานสัมนา SQ Strategy Talk 2017

โดยสาเหตุที่เราเลือกใช้ทั้ง 4 กลยุทธ์นี้ ก็เพราะว่ากลยุทธ์เหล่านี้อ้างอิงอยู่บนปัจจัย หรือ Factor ของการลงทุนพื้นฐานที่นักลงทุนส่วนใหญ่นิยมใช้กันประกอบด้วย ปัจจัยด้านการเติบโตของกิจการ (Growth), ปัจจัยเชิงคุณค่า (Value), ปัจจัยด้านคุณภาพ (Quality) รวมถึงปัจจัยด้านแนวโน้มของราคา (Momentum) เป็นต้น อีกทั้งกลยุทธ์เหล่านี้ยังเป็นกลยุทธ์ที่ต่างก็ให้ผลตอบแทนที่ชนะตลาดอย่างต่อเนื่อง และมีความสม่ำเสมอของผลตอบที่ดีในระดับหนึ่งในช่วงระยะเวลา 10 ปีที่ผ่านมา ซึ่งทุกกลยุทธ์นั้นถูกทดสอบภายใต้เงื่อนไข ดังนี้

Condition Details
Database
  • ทดสอบบนฐานข้อมูล SiamQuant Hybrid Database ชุด Price Adjusted Exclude Dividend (ไม่รวมเงินปันผล)
Backtesting Window
  • 01/01/2009 – 31/12/2018
Backtesting Restriction
  • เงินทุนเริ่มต้น 1 ล้านบาท
  • 0.15% Per Trade Commission
  • 1% Slippage Entry & Exit (รวม 2%)
  • Long Only
Universe
  • All Stocks หุ้นทุกตัวในตลาดหลักทรัพย์
Filter
  • ต้องมีสภาพคล่องโดยเฉลี่ย 1 ปี (250 วันทำการ) มากกว่า 1 ล้านบาท
  • กรองข้อมูลที่มีความผิดพลาดออกด้วย SQDataFilter(0)
Position Size
  • กระจายน้ำหนักไปยังหุ้นทุกตัวในพอร์ตโฟลิโอในอัตราส่วนที่เท่า กัน (Equal-weighted) โดยมีรายละเอียด ดังนี้
    • กลยุทธ์ประเภท Timing เช่น CANSLIM, Minvervini และ 10-11-12 ให้น้ำหนักที่ 5% ของพอร์ตโฟลิโอ 
    • กลยุทธ์ประเภท Rotation คือ Magic Formula ให้น้ำหนักที่ 3% ของพอร์ตโฟลิโอ
Order Management
  • ทำการซื้อขายที่ราคาเปิด (Open) ของวันถัดไปจากวันที่มีสัญญาณ

ตารางที่ 1 : ตารางแสดงรายละเอียดข้อกำหนดสำหรับการทดสอบวิจัย

ซึ่งผลลัพธ์การทดสอบในช่วงระยะเวลา 10 ปีที่ผ่าน หรือตั้งแต่ปี 2009-2018 มีรายละเอียดดังนี้

ภาพที่ 1 : ภาพแสดงการเติบโตของพอร์ตโฟลิโอของกลยุทธ์การลงทุน CANSLIM (เส้นสีเขียว), Magic Formula (เส้นสีแดง), Minervini (เส้นสีฟ้า), 10-11-12 (เส้นสีส้ม) และดัชนี SET Index (เส้นสีดำ)

Portfolio Metrics CANSLIM Magic Formula Minervini 10-11-12 SET Index
Net Profit (%) 634.43% 573.30% 621.10% 424.87% 227%
CAGR 22.11% 21.05% 21.88% 18.07% 12.57%
MaxDD -34.36% -33.32% -27.96% -37.61% -25.48%
Longest DD (Month) 30.60 15.7 15.25 23.85 52.65
CAR/MDD 0.64 0.63 0.78 0.48 0.65
Trade Metrics CANSLIM Magic Formula Minervini 10-11-12 SET Index
No. of All Trade 363 331 403 128
Avg. Bar Held 86.05 244.75 85.08 432.47
% Win 25.34% 55.29% 41.94% 59.38%
Avg. Profit/Loss % 15.14% 25.63% 13.05% 52.78%
Max Consecutive Loss 25 7 14 8

ตารางที่ 2 : ตารางแสดงผลตอบแทนของกลยุทธ์การลงทุน CANSLIM, Magic Formula, Minervini, 10-11-12 และดัชนี SET Index

จากภาพและตารางข้างต้นแสดงให้เห็นอย่างชัดเจนว่า กลยุทธ์ทั้ง 4 นั้นสามารถที่จะสร้างผลตอบแทนเหนือตลาดได้อย่างยั่งยืน ซึ่งสามารถสังเกตได้จากภาพการเติบโตของพอร์ตโฟลิโอ รวมถึงอัตราผลตอบแทนโดยเฉลี่ยทบต้นต่อปี (CAGR) โดยมีค่าเท่ากับ 22.11%, 21.05%, 21.88% และ 18.07% ในขณะที่ดัชนี SET Index มีผลตอบแทนโดยเฉลี่ยทบต้นต่อปีเท่ากับ 12.57% 

โดยในส่วนถัดไปนี้ เราจะลองนำกลยุทธ์การลงทุนทั้ง 4 นี้ มาทำการทดสอบว่าหากเรามีการปรับเปลี่ยนกลยุทธ์การลงทุนในแต่ละปี โดยทำการคัดเลือกจากกลยุทธ์ที่ให้ผลตอบแทนสูงสุดในช่วงระยะที่ผ่านมานั้น จะสามารถให้ผลตอบแทนที่สูงกว่าการลงทุนในกลยุทธ์ใดกลยุทธ์หนึ่งในระยะยาวได้หรือไม่?

หมายเหตุ : สำหรับกลยุทธ์การลงทุน CANSLIM เราได้ทำการทดสอบจากชุดโค้ดที่มีการปรับแต่งโดยทีมงาน SiamQuant เพื่อให้มีความเหมาะสมกับตลาดหุ้นไทยมากขึ้น ซึ่งอ้างอิงจากเนื้อหาในงานสัมนา SQ Strategy Talk 2017

การทดสอบการสลับกลยุทธ์การลงทุน โดยคัดเลือกจากกลยุทธ์ที่ให้ผลตอบแทนสูงที่สุดในช่วงที่ผ่านมา

ซึ่งในการทดสอบส่วนนี้ เราได้นำกระบวน Walk-Forward Analysis (WFA) ซึ่งเป็นหนึ่งในกระบวนการทดสอบความเสถียรของกลยุทธ์ด้วยเทคนิคทางสถิติ ด้วยการแบ่งชุดข้อมูลเพื่อให้คอมพิวเตอร์ได้เรียนรู้และทำการซื้อขายในชุดข้อมูลที่กลยุทธ์ไม่เคยเจออย่างต่อเนื่อง มาทำการประยุกต์สำหรับการทดสอบ 

กล่าวคือ โดยปกติเราจะใช้กระบวนการ WFA ในการทดสอบความเสถียรโดยการคัดเลือก Parameters ที่ดีที่สุดในช่วง In-Sample Data (IS) มาทำการทดสอบในช่วง Out-of-SampleData (OOS) ว่ากลยุทธ์สามารถปรับตัวกับสภาพแวดล้อมๆใหม่ได้หรือไม่ แต่ในบทความนี้เราจะใช้กระบวนการ WFA ในการคัดเลือกกลยุทธ์ที่ดีที่สุดจากทั้งหมด 4 กลยุทธ์ดังกล่าวข้างต้นในช่วง In-Sample Data มาทำการทดสอบในช่วง Out-of-SampleData นั่นเอง โดยเราสามารถสรุปวิธีการทำงานของกระบวนการดังกล่าวพอสังเขปได้ดังนี้

ภาพที่ 2  : ภาพตัวอย่างแสดงกระบวนการ  Walk-Forward Analysis 

  1. การกำหนดช่วงระยะเวลา In-Sample Data เป็นระยะเวลา 4 ปี เช่น ช่วงปี ค.ศ. 2005-2008 โดยภายใต้ข้อมูลชุดนี้คอมพิวเตอร์จะทำการเรียนรู้ข้อมูลและหากลยุทธ์ที่ดีให้ผลลัพธ์ที่ดีที่สุดตามเป้าหมายในการลงทุนที่เรากำหนดไว้ (Objective Function) ซึ่งในที่นี้คือ อัตราผลตอบแทนโดยเฉลี่ยทบต้นต่อปี (CAGR) สูงที่สุด
  2. หลังจากที่ได้กลยุทธ์ดังกล่าวจากข้อข้างต้นแล้ว คอมพิวเตอร์จะนำกลยุทธ์ที่ได้ไปทดสอบกับข้อมูลชุดที่สอง ซึ่งเป็นชุดข้อมูลเพื่อให้คอมพิวเตอร์ได้ทำการทดสอบกลยุทธ์ (Out-of-Sample Data หรือ Test Data หรือเรียกย่อๆว่า OS) ซึ่งเป็นช่วงเวลาที่คอมพิวเตอร์ยังไม่เคยเจอ และทำการเก็บผลลัพธ์ที่เกิดขึ้นออกมาเก็บไว้ เช่น เรียนรู้ในช่วง ค.ศ. 2005-2008 และทำการทดสอบในช่วงปี ค.ศ. 2009 โดยกำหนดช่วงระยะเวลา Out-of-Sample Data เป็นระยะเวลา 1 ปี ซึ่งถือเป็น 25% ของชุดข้อมูล In-Sample Data 
  3. ทำการเลื่อน Window สำหรับการทดสอบให้ใกล้กับปัจจุบันมากขึ้น เช่น ค.ศ. 2006-2009 และทำการทดสอบในช่วงปี 2010 โดยจะทำการเรียนรู้และทดสอบซ้ำไปเรื่อยๆจนกว่าจะสิ้นสุดข้อมูลปี 2018
  4. นำข้อมูลที่คอมพิวเตอร์ได้ทำการทดสอบในช่วงที่มันยังไม่ได้เรียนรู้ทั้งหมด มาเรียบเรียงต่อกัน จนได้เป็นชุดข้อมูล All Out-of-Sample Results (AOSR) เพื่อทำการวัดถึงประสิทธิภาพและผลตอบแทนของมันออกมา 

หลังจากนั้นจึงนำผลลัพธ์ AOSR ที่ได้ ไปทำการเปรียบเทียบกับผลการทดสอบในช่วง In-Sample Data โดยค่าที่ได้ออกมาจะถูกเรียกว่า Walk-Forward Efficiency (WFE) ซึ่งเป็นค่าชี้วัดความเสถียรยั่งยืน และความสามารถในการปรับตัวกับชุดข้อมูลที่กลยุทธ์ยังไม่เคยเจอได้นั่นเอง โดยที่ค่า WFE ที่เกิดขึ้นนั้น ตามมาตรฐานสากลแล้วควรมีค่าไม่ต่ำกว่า 0.5 หรือให้ผลตอบแทนไม่ต่ำกว่าครึ่งหนึ่งของข้อมูล In-Sample

หมายเหตุที่ 2 : สำหรับข้อมูลเพิ่มเติมเกี่ยวกับกระบวนการ WFA Analysis นั้น สามารถอ่านรายละเอียดได้ที่ บทความ Walk Forward Analysis และความเสถียรยั่งยืนของระบบการลงทุน
หมายเหตุที่ 3 :
สำหรับช่วงระยะเวลาที่มีการสลับกลยุทธ์ในแต่ละปีของ OOS นั้น กลยุทธ์จะทำการขายหุ้นล้างพอร์ตทั้งหมด แล้วเริ่มลงทุนใหม่เมื่อเกิดสัญญาณซื้อขึ้นมาอีกครั้งของกลยุทธ์นั้นๆ ซึ่งจะทำให้ผลลัพธ์ใกล้เคียงกับความเป็นจริง เพราะในความเป็นจริงเมื่อเราเปลี่ยนกลยุทธ์การลงทุน มักจะมีเรื่องต้นทุนการซื้อขายเพิ่มเข้ามาอีกด้วย

ซึ่งผลลัพธ์ที่ได้จากกระบวนการทำ Walk-Forward Analysis มี ดังนี้

Runs In-Sample Period Best Strategy (CAGR %) Out-of-Sample Period OOS CAGR (%)
1. 2005/01/01 – 2008/12/31 CANSLIM
(13.22%)
2009/01/01 – 2009/12/31 37.79%
2. 2006/01/01 – 2009/12/31 Minervini
(20.35%)
2010/01/01 – 2010/12/31 16.22%
3. 2007/01/01 – 2010/12/31 Minervini
(31.26%)
2011/01/01 – 2011/12/31 -9.88%
4. 2008/01/01 – 2011/12/31 Minervini
(18.89%)
2012/01/01 – 2012/12/31 59.62%
5. 2009/01/01 – 2012/12/31 10-11-12
(53.31%)
2013/01/01 – 2013/12/31 -13.17%
6. 2010/01/01 – 2013/12/31 CANSLIM
(34.00%)
2014/01/01 – 2014/12/31 65.56%
7. 2011/01/01 – 2014/12/31 CANSLIM
(40.01%)
2015/01/01 – 2015/12/31 -12.80%
8. 2012/01/01 – 2015/12/31 Minervini
(39.3%)
2016/01/01 – 2016/12/31 10.10%
9. 2013/01/01 – 2016/12/31 Magic Formula
(20.15%)
2017/01/01 – 2017/12/31 3.14%
10. 2014/01/01 – 2017/12/31 Magic Formula
(23.61%)
2018/01/01 – 2018/12/31 -19.3%

ตารางที่ 3 : ตารางแสดงผลลัพธ์การทดสอบ WFA ในแต่ละรอบการทดสอบ ซึ่งประกอบไปด้วยข้อมูลช่วงระยะเวลา IS, กลยุทธ์ที่ดีที่สุดจากการทดสอบในช่วง IS พร้อมผลตอบแทนโดยเฉลี่ยทบต้นต่อปี (%), ช่วงระยะเวลา OOS และผลตอบแทนจากการนำกลยุทธ์ที่ดีที่สุดในช่วง IS มาทดสอบในช่วง OOS

จากตารางดังกล่าวข้างต้นจะสังเกตได้ว่า ในการทดสอบช่วง In-Sample Data ทั้งหมด 10 รอบนั้น กลยุทธ์ที่ให้ผลตอบที่สูงที่สุดในแต่ละครั้งจะมีการหมุนเวียนสลับสับเปลี่ยนกันไป โดยเริ่มตั้งแต่ CANSLIM และหมุนเวียนสลับเปลี่ยนกันมาเรื่อยๆจนถึง Magic Formula ซึ่งเป็นหนึ่งในหลักฐานที่แสดงให้เห็นว่าไม่มีกลยุทธ์ใดที่จะ Outperform อย่างโดดเด่นได้ในตลาดทุกช่วงระยะเวลานั่นเอง

อีกทั้งการที่กลยุทธ์ให้ผลตอบแทนที่ดีที่สุดในช่วง IS นั้น ไม่ได้การันตีว่าจะให้ผลที่ดีในช่วง OOS เช่น ในการรันรอบที่ 5 และรอบที่ 10 ซึ่งพบว่าผลตอบแทนวัดโดย CAGR ในช่วง IS มีค่าเท่ากับ 53.31% และ 23.61% ตามลำดับ แต่กลับให้ค่า CAGR ใน OOS ติดลบซึ่งมีค่าเท่ากับ -12.80% และ -19.30% ตามลำดับ เป็นต้น 

โดยเมื่อเรานำผลลัพธ์จาก OOS ทั้งหมดมาเรียงต่อกันเป็นชุดข้อมูล Time-Series จะได้ผลลัพธ์ ดังนี้

ภาพที่ 3 : ภาพแสดงการเติบโตของพอร์ตโฟลิโอของกลยุทธ์การลงทุน CANSLIM (เส้นสีเขียว), Magic Formula (เส้นสีแดง), Minervini (เส้นสีฟ้า), 10-11-12 (เส้นสีส้ม), OOS Equity (เส้นสีแดงเข้ม) และดัชนี SET Index (เส้นสีดำ)

Portfolio Metrics In-Sample Data OOS Equity SET Index
CANSLIM Magic Formula Minervini 10-11-12
Net Profit (%) 634.43% 573.30% 621.10% 424.87% 161.67% 227%
CAGR 22.11% 21.05% 21.88% 18.07% 10.11% 12.57%
MaxDD -34.36% -33.32% -27.96% -37.61% -30.93% -25.48%
Longest DD (Month) 30.60 15.7 15.25 23.85 36.35 52.65
CAR/MDD 0.64 0.63 0.78 0.48 0.33 0.65
WFA Efficiency 0.46 0.48 0.46 0.56


ตารางที่ 4 :
ตารางแสดงค่าสถิติของกลยุทธ์การลงทุน CANSLIM, Magic Formula, Minervini, 10-11-12, OOS Equity และดัชนี SET Index 

จากภาพและตารางข้างต้นจะสังเกตได้ว่า ผลตอบแทนของ Out-of-Sample Data ซึ่งเป็นผลจากการสลับไปใช้กลยุทธ์ที่ให้ผลตอบแทนที่ดีที่สุดในช่วงระยะเวลา 4 ปีที่ผ่านมานั้น ไม่เพียงแต่จะผลตอบแทนที่ต่ำกว่าการลงทุนในกลยุทธ์ทั้ง 4 ในระยะยาวแล้ว ยังให้ผลตอบแทนต่ำกว่าดัชนี SET Index อีกด้วย

โดยหากเรานำผลตอบแทนโดยเฉลี่ยทบต้นของ All Out-of-Sample Results (AOSR) มาเทียบกับผลตอบแทนของแต่ละกลยุทธ์ซึ่งถือเป็นผลในช่วง IS นั้น จะได้ค่า Walk-Forward Efficiency เท่ากับ 0.46, 0.48, 0.46 และ 0.56 ตามลำดับ ซึ่งในภาพรวมถือว่าต่ำกว่ามาตรฐานสากลที่ 0.5 เนื่องจากการที่เราพยายามการทำนายว่ากลยุทธ์ใดกลยุทธ์หนึ่งจะให้ผลลัพธ์ที่ดีในอนาคตข้างหน้าจากข้อมูลเพียงนิดเดียว ไม่เพียงแต่จะขาดความน่าเชื่อทางสถิติแล้ว ยังจะส่งผลก่อให้เกิดการ Overfitting ได้โดยง่ายอีกด้วย 

ดังนั้นจึงสามารถสรุปได้ว่า การที่เราพยายามสลับเปลี่ยนกลยุทธ์อยู่บ่อยๆ โดยคัดเลือกจากกลยุทธ์ที่สร้างผลตอบแทนได้ดีที่สุดในช่วงระยะเวลาที่ผ่านมานั้น ไม่ได้ช่วยให้ผลตอบแทนดีขึ้นอย่างมีนัยสำคัญทางสถิติอย่างที่หลายๆคนเข้าใจ แต่กลับทำให้ผลลัพธ์แย่ลงกว่าเดิมอีกด้วยซ้ำ ทั้งๆที่ในความเป็นจริงกลยุทธ์ทั้ง 4 สามารถสร้างผลตอบแทนอย่างยั่งยืนในระยะยาว

การกระจายการลงทุนไปในแต่ละกลยุทธ์เป็นทางเลือกที่ดีกว่าการสลับเปลี่ยนกลยุทธ์บ่อยๆ

หลังจากที่ทราบกันดีแล้วว่าการสลับเปลี่ยนกลยุทธ์บ่อยๆนั้นไม่ได้เกิดผลดี แต่ในกรณีที่เรามีกลยุทธ์การลงทุนที่มีประสิทธิภาพอยู่หลายกลยุทธ์ด้วยกัน การกระจายความเสี่ยงลงไปในทุกๆกลยุทธ์ (Strategy Diversification) นั้นถือเป็นทางเลือกที่ดีกว่า 

ซึ่งเมื่อเราได้ทำการทดสอบโดยทำการเปรียบเทียบระหว่างผลตอบแทนที่เกิดจากการลงทุนในกลยุทธ์การลงทุนทั้ง 4 โดยลงทุนในสัดส่วนที่เท่าๆกัน (All Strategy Equal Weight) เปรียบเทียบกับผลตอบแทน AOSR โดยผลลัพธ์ที่ได้จากการทดสอบมีดังนี้ 

ภาพที่ 4 : ภาพแสดงการเติบโตของพอร์ตโฟลิโอที่ลงทุนในกลยุทธ์ทั้ง 4 แบบ Equal Weight (เส้นสีเขียว), OOS Equity (เส้นสีแดงเข้ม) และดัชนี SET Index (เส้นสีดำ)

Portfolio Metrics All Strategy Equal Weight  OOS Equity SET Index
Net Profit (%) 563% 161.67% 227%
CAGR 20.86% 10.11% 12.57%
MaxDD -32.99% -30.93% -25.48%
Longest DD (Month) 16.55 36.35 52.65
CAR/MDD 0.63 0.33 0.65

ตารางที่ 5 : ตารางแสดงค่าสถิติของพอร์ตโฟลิโอที่ลงทุนในกลยุทธ์ทั้ง 4 แบบ Equal Weight, OOS Equity และดัชนี SET Index

จากภาพและตารางข้างต้นแสดงให้เห็นอย่างชัดเจนว่า การกระจายการลงทุนไปในทั้ง 4 กลยุทธ์อย่างเท่าๆกัน (All Strategy Equal Weight) นั้น กลับให้ผลตอบแทนที่ดีกว่าการพยายามเลือกลงทุนในกลยุทธ์ใดกลยุทธ์หนึ่งที่ให้ผลตอบแทนที่ดีในช่วงระยะเวลาที่ผ่านมา 

เนื่องจากในทุกๆกลยุทธ์การลงทุนย่อมมีย่อมช่วงทั้งระยะเวลาที่กลยุทธ์ Underperformance และ Outperformance แตกต่างกันออกไป ทำให้การคาดหวังผลตอบแทนจากการลงทุนในกลยุทธ์ใดกลยุทธ์หนึ่งนั้นต้องมองไปที่ผลลัพธ์ในระยะยาว ซึ่งในกรณีที่เรากระจายการลงทุนไปในทุกๆกลยุทธ์นั้น เราได้ทำทำการลงทุนในทุกกลยุทธ์เป็นระยะเวลาที่ยาวนานเพียงพอจนทำให้กลยุทธ์ได้แสดงประสิทธิภาพออกมาอย่างเต็มที่ โดยผลลัพธ์ที่ได้นั้นจะเป็นค่าเฉลี่ยจากผลตอบแทนของกลยุทธ์จากทั้ง 4 กลยุทธ์นั่นเอง

บทสรุป ผลกระทบของการเปลี่ยนกลยุทธ์การลงทุนบ่อยๆ เพื่อสร้างผลตอบแทนให้สูงขึ้น

จากผลการทดสอบวิจัยดังกล่าว สามารถสรุปประเด็นที่น่าสนใจดังนี้

  1. จากการทำทดสอบด้วยวิธีการ Walk -Forward Analysis เพื่อค้นหากลยุทธ์ที่ดีที่สุดในแต่ละช่วงเวลานั้น พบว่าผลตอบแทนจากข้อมูลช่วง In-Sample Data ไม่สามารถบ่งบอกถึงข้อมูลในช่วง Out-of-Sample ได้ทั้งหมด 100% โดยเฉพาะอย่างยิ่งกับข้อมูลที่มีปริมาณไม่มาก 
  2. ถึงแม้ว่าเราจะมีกลยุทธ์ที่มีประสิทธิภาพมากเพียงใดก็ตาม แต่ถ้าเราไม่สามารถปฏิบัติตามกลยุทธ์ได้ในระยะยาว หรือพยายามสลับกลยุทธ์การลงทุนอยู่บ่อยๆเพื่อให้ได้ผลตอบแทนสูงสุด สุดท้ายแล้วจากการทดสอบครั้งนี้พบว่าผลตอบแทนที่ได้นั้นไม่ได้ต่างกับกลยุทธ์ที่ไร้ประสิทธิภาพเลย ซึ่งสาเหตุหลักๆเกิดขึ้นจากการที่เราพยายามที่ไป Overfitting ข้อมูลนั่นเอง
  3. ในกรณีที่คุณมีกลยุทธ์การลงทุนอยู่หลายกลยุทธ์ด้วยกัน การเลือกที่จะกระจายการลงทุนโดยลงทุนไปในทุกๆกลยุทธ์ (Strategy Diversification) อย่างเท่าเทียมกันนั้น ถือเป็นวิธีการที่ดีกว่าการปรับเปลี่ยนกลยุทธ์ตลอดเวลาเพื่อให้เข้ากับตลาด ทั้งนี้ต้องอยู่ภายใต้เงื่อนไขที่ว่าทุกกลยุทธ์นั้นจะต้องผ่านการทดสอบความเสถียร (Robustness Test) อย่างเข้มงวด เพื่อเป็นการยืนยันว่ากลยุทธ์นั้นสามารถที่จะสร้างผลตอบแทนอย่างยั่งยืนได้ในระยะยาว

ซึ่งเราหวังว่าความรู้ที่ได้จากการวิจัยชิ้นนี้ จะช่วยแสดงให้เห็นถึงผลกระทบจากการสลับกลยุทธ์ไปมา ว่าในความเป็นจริงพฤติกรรมดังกล่าว ไม่ได้เป็นกุญแจสำคัญที่จะช่วยให้ผลลัพธ์ดีขึ้นในระยะยาวอย่างที่หลายๆคนเข้าใจกันนั่นเอง แต่สิ่งสำคัญที่สุดก็คือ การทำความเข้าใจและปฏิบัติตามกลยุทธ์การลงทุนในระยะยาวนั่นเอง