สวัสดีครับคุณ punpunhome ในส่วนของค่า PE นั้น ทางเรารับมาจากตลาดตรงๆ เลยครับ ไม่ได้เป็นค่าที่ผ่านการคำนวณมาแต่อย่างใด คราวนี้ซึ่งจากข้อมูลแล้ว มันค่อนข้างจะเป็นปีเก่าๆ เลยไม่แน่ใจว่าสมัยนั้นมีการคิดสูตรเหมือนหรือแตกต่างจากปัจจุบันอย่างไร ทั้งนี้คงต้องตรวจสอบเพิ่มเติมอีกทีนึงครับ

สวัสดีครับ คุณ punpunhome เนื่องจากเห็นมีการพาดพิง Quote และชื่อผมขึ้นมา ผมเลยขอมาตอบคำถามเองตามประเด็นหลักๆดังนี้นะครับ 😀

1. ความสงสัยเกี่ยวกับค่า P/E Ratio

ค่า PE Ratio ที่เราได้บริการให้นั้น เป็นค่าที่ถูกบันทึกโดยตรงมากจากทางฐานข้อมูลของทางตลาดหลักทรัพย์ครับ ดังนั้น หากรู้สึกว่าไม่น่าจะถูกต้องนั้น คำถามก็คือแล้วอะไรจะเป็นสิ่งเทียบเคียงความถูกต้องของฐานข้อมูลได้บ้าง? หากเรามีหลักฐานยืนยันตรงนี้ ทางเราก็อาจจะสามารถแจ้งทางตลาดหลักทรัพย์ให้ทำการเปลี่ยนแปลงหรือแก้ไขข้อมูลตามข้อเท็จจริงได้ในระดับหนึ่งครับ

อย่างไรก็ตาม จากการตรวจสอบในเบื้องต้นนั้น เราได้พบว่าค่าอื่นๆซึ่งมีความสัมพันธ์กับฐานข้อมูล PE ก็เป็นไปในทิศทางเดียวเช่นกันครับ ทั้งค่า Net Profit ,Total Assets, Net Profit, EBIT หรืออื่นๆนั้น พบว่าต่างก็มีการเพิ่มขึ้นในปริมาณที่สอดคล้องกับจุด (Turn Around) ที่ค่า PE ผลิกกลับเป็นบวกเช่นเดียวกัน และที่สำคัญก็คือค่า P/E ที่ต่ำกว่า 1 นั้นเป็นสิ่งที่เกิดขึ้นได้ (Outlier เกิดขึ้นกับข้อมูลพื้นฐานได้เช่นเดียวกันครับ) โดยมักเกิดขึ้นเนื่องจากหุ้นบางตัวนั้นมีการดำเนินงานที่ขาดทุนมายาวนานจนส่งผลให้ราคาหุ้นทรงตัวอยู่ในระดับที่ต่ำ แต่เมื่อบริษัทมีผลกำไรที่เรียกว่า Surprise นักลงทุนจึงส่งผลให้ค่า PE นั้นอยู่ในระดับที่ต่ำมากๆ ซึ่งถ้าลอง Explore หุ้นที่ค่า PE ที่ต่ำกว่า 1 จะพบว่าในหลายๆกรณี จะมาจากหุ้นที่ Turn Around จากผลดำเนินงานขาดทุนครับ

นอกจากนั้นแล้ว เมื่อเราได้ลองทำการตรวจสอบกับข้อมูลเทียบเคียงนั้น เราได้พบข่าวชิ้นหนึ่งในปี 2003 ซึ่งก็ได้บันทึกข้อมูลที่ตรงกันกับในฐานข้อมูลด้วยเช่นกัน โดยระบุไว้ว่า “ช.การช่างมีกำไรสุทธิทั้งสิ้น 2,618.64 ล้านบาท เพิ่มขึ้น 691.49% จากปี 2543 (2000) ที่ขาดทุนสุทธิ -442.72 ล้านบาท” โดยตัวเลขทั้ง 2 ตัวนี้นั้นตรงกับ Accumulate Net Profit Q4 ของปี 2001 และ 2002 ที่อยู่ในฐานข้อมูลของเราทั้งหมดครับ

ดังนั้นแล้ว หากคุณ Punpunhome ยังคงรู้สึกว่าไม่ถูกต้อง ขอให้ช่วยกรุณาแจ้งข้อมูลและหลักฐานประกอบเพื่อให้เราได้ใช้ไปยืนยันกับทางผู้ให้บริการฐานข้อมูลของทางตลาดหลักทรัพย์แห่งประเทศไทยอีกครั้งหนึ่งด้วยครับ โดยด้านล่างนี้เป็น Link ของข่าวที่เราใช้ประกอบครับ

http://info.gotomanager.com/news/details.aspx?id=3972

2. เรื่องความน่าเชื่อถือของฐานข้อมูลและแนวทางการจัดการ

ทางเราต้องเรียนว่าเราพยายามที่จะนำเอาข้อมูลดิบจากทางตลาดหลักทรัพย์แห่งประเทศไทย มาทำการตรวจสอบ, แก้ไข, จัดระเบียบ และพัฒนาให้อยู่ในรูปแบบที่ดีที่สุด สำหรับการวิจัยออกแบบระบบการลงทุนเท่าที่เราจะทำได้อยู่เสมอนะครับ (เนื่องจากพวกเราเองก็ต้องใช้มันในการลงทุนเองเช่นเดียวกันครับ)

อย่างไรก็ตาม ผมก็ต้องขอยอมรับตามตรงว่าจากประสบการณ์ที่เราได้พยายามจัดการและพัฒนาฐานข้อมูลทางการเงินมาระยะหนึ่งนั้น เราก็ได้พบว่าฐานข้อมูลที่ “สมบูรณ์แบบ 100%” นั้น ไม่มีอยู่จริงในโลกใบนี้ครับ (ไม่ใช่เฉพาะกับตลาดหุ้นไทยนะครับ) โดยที่ในหลายๆครั้งนั้นการพยายามที่จะแก้ไขฐานข้อมูลทางการเงินด้วยวิธีการบางอย่างนั้น ก็อาจกลับกลายเป็นการทำลายความน่าเชื่อถือของมันไปในตัวได้ ยกตัวอย่างเช่น

ในกรณีของค่า P/E Ratio ซึ่งเกิดจากความสัมพันธ์ระหว่าง Price และ Rolling Earning Per Share นั้น หากเป็นกรณีของ Price ที่เราตรวจสอบได้อย่างแน่ใจแล้วว่ามีความผิดพลาดในการบันทึกจริงๆ เราอาจใช้เทคนิคบางอย่างในการจัดการค่า Price ให้อยู่ในขอบเขตปกติ (หรือตัดมันทิ้ง) ซึ่งอาจส่งผลกระทบเล็กน้อยในกรณีที่นักลงทุนใช้ค่า Price หลายๆ Data Point ในการคำนวณค่าต่างๆ (แต่ต้องตรวจสอบเทียบเคียงให้แน่ใจก่อนนะครับ)

อย่างไรก็ตาม ในกรณีของค่า Rolling Earning Per Share ซึ่งกินเวลาถึงราวๆ 3 เดือนนั้น การพยายามใช้เทคนิคบางอย่างเพื่อปรับค่าของมัน อาจจะส่งผลกระทบต่อค่า P/E ให้ผิดเพี้ยน (หรือขาดหายไปในกรณีที่ตัดมันทิ้ง) ถึงราวๆ 60 Bars เลยทีเดียว ดังนั้นแล้ว หากเราพยายามทำการปรับปรุงมันโดยไม่สามารถตรวจสอบจากข้อมูลเทียบเคียงได้ว่ามันมีความผิดพลาดหรือคลาดเคลื่อนจริงๆหรือไม่นั้น ในทางกลับกันเราก็อาจบิดเบือนมันโดยไม่รู้ตัว และอาจส่งผลกระทบต่อระบบการลงทุนซึ่งอาศัยการทำกำไรจาก Earning Surprise หรือความผิดเพี้ยนของผลกำไรชั่วขณะของกิจการได้เช่นเดียวกันครับ เราจึงเลือกที่จะแนะนำให้นักลงทุนใช้ฟังค์ชั่น Data Filter เพื่อหลีกเลี่ยงหุ้นซึ่งมีการเคลื่อนไหวของฐานข้อมูลที่ผิดปกติ โดยเราไม่สามารถที่จะตรวจสอบกับแหล่งข้อมูลใดๆได้ครับ

3. ความน่าเชื่อถือของผลการวิจัย (Backtest)

แน่นอนครับว่า “Garbage in, Garbage Out” เป็นสิ่งที่สำคัญอย่างมากในการวิจัยทุกๆอย่าง แต่อย่างที่เราได้แจ้งไปในข้อที่ 2. ครับว่าฐานข้อมูลที่สมบูรณ์แบบในโลกการเงินนั้นมันไม่มีอยู่จริง (เราจึงทำได้เพียงพยายามตรวจสอบและแก้ไขให้มันใกล้เคียงกับความสมบูรณ์ได้มากที่สุด เท่าที่เราพอจะทำได้จากแหล่งข้อมูลต้นทางเท่านั้นครับ)

คำถามต่อมาก็คือถ้าอย่างนั้นเราจะเชื่อถือ หรือทำให้งานวิจัยของเราน่าเชื่อถือขึ้นได้อย่างไรบ้าง?

ในส่วนนี้นั้น ตอบตามตรงทางเลือกของเราก็จะขึ้นอยู่กับว่าเรารับได้ไหมกับคุณภาพของฐานข้อมูลที่เรามีอยู่ ซึ่งถ้าเรา “รับไม่ได้” ก็คือเลิกใช้มันไป แต่หากเราพอ “รับได้” เราก็คงจะต้องพยายามหาวิธีการในการลดผลกระทบของมันลงไป ผมจึงอยากที่จะขอแชร์แนวคิดไว้ดังนี้ …

อันที่จริงแล้ว ฐานข้อมูลที่ดีนั้นย่อมเป็นปัจจัยหลักอย่างหนึ่งในการวิจัย แต่มันก็ไม่ใช่ปัจจัยทุกอย่างที่ส่งผลต่อความน่าเชื่อถือของผลการวิจัยทั้งหมดครับ! โดยที่ในมุมกลับกันนั้น สิ่งที่หลายๆคนมักมองข้ามไปเมื่อพูดถึงความน่าเชื่อถือของผลการวิจัยก็คือ เรื่องของ “การออกแบบการวิจัย” และ “กระบวนการในการวิจัย” ที่เหมาะสม (Research Design & Research Process) ซึ่งมักจะส่งผลกระทบเป็นอย่างมากไม่แพ้กับการมีฐานข้อมูลที่ดีเลยทีเดียวครับ

ยกตัวอย่างเช่น ในกรณีการออกแบบวิจัยระบบการลงทุนนั้น เราพบว่านักลงทุนหลายๆคนมักทำการวิจัยโดยไม่ได้มีการคำนึงถึงสมมติฐานและความเสี่ยงจากปัจจัยต่างๆที่เกี่ยวข้องในการวิจัยเท่าไหร่นัก ไม่ว่าจะเป็นในแง่ของ ความถูกต้องในการประมวลผลของโปรแกรมที่ใช้ทำ Backtest, ความถูกต้องของฐานข้อมูล, ความถูกต้องของชุดโค้ด, การตั้งเงื่อนไขสภาวะแวดล้อมของการวิจัยต่างๆ, การกำหนดความคลาดเคลื่อนของคำสั่งซื้อขาย, การกำหนดผลกระทบของขนาดพอร์ตโฟลิโอที่จะใช้ลงทุน รวมไปถึงปัจจัยเกี่ยวข้องอื่นๆอีกมากมาย ซึ่งมักส่งผลต่อความน่าเชื่อถือ รวมไปถึงการตีความผลลัพธ์ของระบบการลงทุนได้เป็นอย่างมากครับ

โดยในส่วนของความถูกต้องของฐานข้อมูลนั้น เรายืนยันว่าเราจะพยายามตรวจสอบ, แก้ไข และปรับปรุงให้ถูกต้องที่สุดเท่าที่จะทำได้ แต่เราก็อยากให้ทางผู้วิจัยเองคำนึงถึงอยู่เสมอว่าข้อมูลที่เรามีอยู่นั้นอาจมีความคลาดเคลื่อนได้เช่นเดียวกัน จึงมีความจำเป็นส่วนหนึ่งที่ทางผู้วิจัยจะต้องมีกระบวนการในการออกแบบระบบการลงทุน หรือขั้นตอนการวิจัยที่จะช่วยยืนยันถึงความน่าเชื่อถือของมันเองด้วยในระดับหนึ่งครับ ยกตัวอย่างเช่น

– การไม่ทำการวิจัยออกแบบระบบการลงทุนที่ถือหุ้นแบบโฟกัสมากจนเกินไป เนื่องจากเราไม่อาจแน่ใจได้ว่า Historical Data ที่มีอยู่นั้นจะถูกต้องสมบูรณ์แบบ 100%
– การตั้งเงื่อนไขบางอย่างเพื่อทดลองการสลับสัญญาณที่เกิดขึ้น (Random Positionscore or Random Signal Rejection) เพื่อตรวจสอบถึงความเสถียรและความน่าเชื่อถือของระบบการลงทุน
– การทำ Cross Validation ของผลการ Backtest ในคาบเวลาต่างๆว่ามีความแตกต่างกันมากน้อยสักแค่ไหน (ในกรณีที่เราเชื่อว่าฐานข้อมูลในปัจจุบันถูกต้องกว่าอดีต การเทียบผลลัพธ์จะช่วยให้เราเห็นว่าระบบนั้นมี Data Accuracy Sensitivity มากสักแค่ไหนครับ)
– การทดสอบระบบซึ่งมีความคล้ายคลึงกัน แต่ใช้ตัวแปรคนละตัวกัน เช่น P/BV แทน P/E เพื่อเป็นการตรวจสอบความน่าเชื่อถือและความเสถียรของกลยุทธ์นั้นๆ (ซึ่งควรจะให้ค่าที่เป็นบวกใกล้เคียงกัน และมีลักษณะการเติบโตที่คล้ายคลึงกัน เพื่อยืนยันความ Valide ของกลยุทธ์และ Anomaly ที่เราต้องการทำกำไรจากมัน)
– การกระจายระบบการลงทุน/ตัวแปร หรือ/และ การทดสอบด้วยแนวคิดอื่นๆที่จะช่วยตรวจสอบความเสถียรของระบบการลงทุนภายใต้ Data Sensitivity & Limiation ในรูปแบบอื่นๆที่เราพอจะทำได้ครับ

อย่างไรก็ตาม ท้ายที่สุดแล้วผมอยากทิ้งท้ายไว้ว่า ไม่ว่าเราจะพยายามสักแค่ไหนนั้นผลลัพธ์การวิจัย Backtest ที่เกิดขึ้นนั้นก็ไม่มีวันที่จะเป็น “ความจริง 100%” (Truth) แต่มันเป็นเพียง “ข้อเท็จจริง (Fact) ซึ่งเราได้มาจากการวิจัยภายใต้การกำหนดสมมติฐานและเงื่อนไขในการวิจัย จากเครื่องมือและฐานข้อมูลที่เรามีเพียงเท่านั้น”

โดยที่ระบบเดียวกันนั้นอาจให้ผลลัพธ์ที่แตกต่างกันได้อย่างมหาศาลจากการตั้งเงื่อนไขและกระบวนการ Backtest ที่แตกต่างกันเพียงเล็กน้อยก็เป็นได้ (นี่คือเหตุผลที่ว่าทำไมระบบการลงทุนหลายๆระบบที่ใช้เพียงแค่ Price Data ซึ่งแทบจะไม่มีข้อผิดพลาดอะไรที่ร้ายแรงจึงอาจพังทลายลงเมื่อนำมาใช้จริง) เราจึงควรที่จะใช้ผลลัพธ์ของมันเป็นเครื่องนำทางโดยประมาณการณ์ภายใต้ขอบเขตความเชื่อมั่นในระดับหนึ่ง (Range Estimation with Probability Confidence Level) แทนที่จะยึดติดกับผลลัพธ์เชิงตัวเลขของมันไปโดยปริยายครับ

หวังว่าคำตอบและความเห็นของผมจะมีประโยชน์ไม่มากก็น้อยนะครับ ทั้งนี้ หากมีข้อผิดพลาดหรือความผิดปกติอื่นๆ ที่เราสามารถตรวจสอบเทียบเคียงได้ และอยู่ในขอบเขตอำนาจที่เราจะสามารถทำได้นั้น ผมจะพยายามกำชับทีมงานทุกคนให้คอยตรวจสอบ, แก้ไข และปรับปรุงฐานข้อมูล ให้มีคุณภาพที่ดีที่สุด เพื่อให้เกิดความน่าเชื่อและความมั่นใจในการวิจัยได้มากที่สุดนะครับ 😀

“All models are wrong, But some are useful”
– George Box

ขอบคุณครับ
มด แมงเม่าคลับ