fbpx

เก็งกำไรตามแนวโน้มอย่างปลอดภัย ด้วยกลยุทธ์ Alpha scoring system โดยทีม Alpha

SiamQuant Knowledge Hub – คลังความรู้เพื่อการลงทุนอย่างเป็นระบบ Webboard ห้องทดสอบระบบการลงทุน : Strategy Lab เก็งกำไรตามแนวโน้มอย่างปลอดภัย ด้วยกลยุทธ์ Alpha scoring system โดยทีม Alpha

  • ผู้สร้าง
    กระทู้
  • #13462
    SiamQuant Team
    Keymaster

    โจทย์ตั้งต้นของทีมผู้เข้าสมัคร SiamQuant Recruitment Camp ในแต่ละทีม

    แก้ไขปัญหาของกลยุทธ์เชิง Buy & Hold ที่มักมี Maximum Drawdown ที่สูงและ Longest Drawdown ที่ยาวนาน ให้มี Performance ที่ดีขึ้นในแง่ต่างๆ อาทิเช่น CAGR, Max.Drawdown, Sharpe Ratio ด้วยฐานข้อมูล SQ Hybrid Database ภายในเวลา 24 ช.ม.

    โดยทีมผู้ชนะจะถูกตัดสินใจจาก ความคิดสร้างสรรค์ในการดัดแปลงกลยุทธ์ Low P/E Rotational System รวมถึงการนำเสนอแนวคิดและการเขียนบทความให้เข้าใจได้ง่ายและข้อมูลครบถ้วนที่สุด

    หากคุณเป็นนักลงทุนในสายเทคนิคหรือฟังคำแนะนำของนักวิเคราะห์ทางเทคนิค คุณคงเคยได้ยินคำแนะนำว่า ตลาดเป็น Overbought ควรลดการลงทุน หลายๆคนทำตามคำแนะนำนั้น ช่วยให้บางคนรอดจากการขาดทุนและขอบคุณวิชาที่ร่ำเรียนมาหรือนักวิเคราะห์ที่แนะนำ ในขณะที่บางคนทำตามกลายเป็นว่าทำให้เขาขายหมู!!! ขายหุ้นไปแล้ว หุ้นตัวนั้นกลับวิ่งไม่หยุด หุ้นตัวที่ขายไปกลับเขียวแรงดั่งโดนกระทิงขวิด อย่างไรก็ตาม แทนจะนั่งเสียดายคร่ำครวญในวาสนาของตัวเอง ดีกว่าไหมถ้าเราสามารถหาหุ้นที่กำลังจะวิ่งแรงในภาวะตลาดที่ Overbought ได้

    วันนี้เราขอนำเสนอวิธีเปลี่ยนแปลงโชคชะตาวาสนาการลงทุนของตัวคุณเองด้วยระบบ Alpha Scoring หรือระบบขี่กระทิงอย่างปลอดภัยด้วยพื้นฐาน ก่อนที่เราจะเข้าไปลงลึกถึงรายละเอียด เรามาทำความเข้าใจกันสักนิดดีกว่าว่าภาวะตลาดที่เป็น Overbough tและภาวะตลาดที่เป็น Oversold คืออะไร

    จากหนังสือ New Concepts in Technical Trading Systems (Trend Research,1978) โดย J. Welles Wilder Jr. ได้กล่าวไว้ว่า Relative Strength Index (RSI) เป็นตัวชี้วัด momentum ของตลาดและความเร็วของการเปลี่ยนแปลงของราคา โดยให้ RSI มีค่าตั้งแต่ 0-100 โดยคำนวณจากสูตร

    RS = average of x days’ up close/average of x days’ down close

    RSI = 100 – 100 / (1+RS)

    ยิ่งไปกว่านั้น J. Welles Wilder Jr. ได้นิยามช่วง Overbought และ Oversold ดังนี้

    ช่วงที่ค่า RSI อยู่เหนือ 70 คือ ภาวะ Overbought และมีความเป็นได้ที่ว่าราคาจะปรับตัวลง

    ช่วงที่ค่า RSI อยู่ต่ำกว่า 30 คือ ภาวะ Oversold และมีความเป็นได้ที่ว่าราคาจะปรับตัวขึ้น

    จากคำกล่าวข้างต้น J. Welles Wilder Jr. ไม่ได้แนะนำว่าควรจะซื้อหุ้นในภาวะ Overbought หรือขายหุ้นในภาวะ Oversold เพียงแต่บอกถึง ความน่าจะเป็นของการเปลี่ยนแปลงทิศทางของราคา ดังนั้นที่คนโดยทั่วไปเคยได้ยินมาว่า Overbought ให้ขายซะ!! และ Oversold ให้ซื้อซะ!! เป็นเพียงความเชื่อที่มีต่อๆกันมาเท่านั้น ซึ่งก็สอดคล้องกับผลการทดสอบของ Howard Bandy

    จากที่ J. Welles Wilder Jr. ได้กล่าวถึง เป็นเพียงโอกาสในการเปลี่ยนทิศทางของราคาในภาวะ Overbought หรือ Oversold จึงไม่แปลกอะไรที่เราจะเห็นว่าหุ้นบางตัว สามารถปรับตัวขึ้นได้ในภาวะที่ตลาดเป็น Overbought ดังนั้นเรามาดูกันค่ะว่าเราควรลงทุนในหุ้นประเภทไหนในภาวะที่ตลาดเป็นเช่นนั้น

    ซึ่งจากผลการทดสอบของกลุ่ม Alpha เราพบว่า เราสามารถเข้าหุ้นซื้อเมื่อ ตลาดมีค่า RSI > 70 แล้วยังได้สามารถผลตอบแทนที่ดีโดยที่ยังมีค่า drawdown ต่ำได้ โดยการใช้ Alpha scoring system

    สมมติฐาน

    1. เชื่อว่า สภาวะซื้อมาก (Overbought) และขายมาก (Oversold) ของ RSI มีความไม่แน่นอนสูง จึงใช้การเข้าซื้อ เมื่อ RSI > 70% และขายออกเมื่อ RSI < 30%
    2. ใช้การ Breakout เป็นตัวช่วยในการจับจังหวะเข้าซื้อและขาย โดยเชื่อว่า การ Breakout จะช่วยให้สัญญาณที่ค่อนข้างดีระดับหนึ่ง
    3. คัดเลือกหุ้นโดยใช้เกณฑ์ P/E < 15 และ ปันผล > 3%
    4. เชื่อว่า การจัดสรรเงินลงทุน (Money Management) โดยใช้วิธีการจัดลำดับคะแนนของตัวแปรด้านปัจจัยทางพื้นฐาน จะสามารถลดการเกิด Drawdown ได้ แม้จะซื้อเมื่อ RSI > 70%

    แนวคิด และกฎการลงทุน ของทีม Alpha

    Data: ข้อมูลในการทดสอบจะใช้ช่วงเวลาระหว่างปี 2010 -2017 โดยช่วงเวลาดังกล่าว นักลงทุนมากมายมักประสบปัญหา กับการที่ต้องลงทุนในตลาดที่เป็นขาขึ้นต่อเนื่องและยาวนาน โดยที่บางท่านไม่กล้าเข้าไปซื้อหุ้นเพราะ indicator บางตัวบ่งบอกว่าตลาดเข้าสู่สภาวะ Overbought ซึ่งอาจจะส่งผล ทำให้พลาดโอกาสในการทำกำไร

    Strategy: กลยุทธ์ของทีมเราได้มีการประยุกต์ใช้ข้อมูลปัจจัยพื้นฐานของ SQ 2.0 Hybrid Techno-Fundamental Database มาทำการสร้างระบบ scoring system ที่จะช่วยส่งเสริมและปรับปรุงระบบการลงทุนแบบ break out โดยการนำปัจจัยพื้นฐานมาประกอบการวิเคราะห์ ทำให้การเข้าลงทุนมีความแม่นยำมากขึ้นและมีค่า Drawdown ที่ลดลงอย่างมีนัยยะ

    Variable: ตัวแปรในระบบการลงทุนจะประกอบไปด้วย 2 ส่วน โดยมีตัวแปรทางฝั่ง technical ซึ่งประกอบไปด้วย RSI กับ Price/Volume และตัวแปรทางฝั่ง fundamental ซึ่งประกอบไปด้วย Price to earnings (PE) และ Price to book value(PBV)

    Process: เราแบ่งภาวะตลาดโดยใช้ RSI ดังต่อไปนี้

    1. ภาวะกระทิงหรือเป็นขาขึ้น: RSI ของตลาดมากกว่าหรือเท่ากับ 70
    2. ภาวะตลาดไม่มีทิศทาง(Sideway): RSI ของตลาดมีค่าอยู่ระหว่าง 31 ถึง 69
    3. ภาวะตลาดซบเซาหรือเป็นขาลง: RSI ของตลาดมีค่าน้อยกว่า 30

    เงื่อนไขในการเข้าซื้อ

    ตัวระบบจะทำการซื้อหุ้นที่อยู่ในภาวะกระทิงหรือเป็นขาขึ้นเท่านั้น หลังจากนั้นในการคัดกรองตัวหุ้นระบบจะเลือกหุ้นโดยวิธีการดังต่อไปนี้

    1. หุ้นที่มีการ breakout กรอบราคาสูงสุดในรอบ 200 วันที่ผ่านมา
    2. มูลค่าการซื้อขายของหุ้นในวันที่ breakout ซึ่งมีมูลค่าการซื้อขายมากกว่ามูลค่าการซื้อขายเฉลี่ย 20 วันย้อนหลัง
    3. ราคาไม่ได้เปลี่ยนแปลงเกิน 30% ของราคาต่ำสุดในรอบ 20 วันที่ผ่านมา
    4. มีปันผลมากกว่า 3 %

    ในขั้นตอนต่อมาระบบจะนำหุ้นที่เข้าเกณฑ์ที่กำหนดมาทำการจัดลำดับคะแนน โดยเกณฑ์การให้คะแนนจะแบ่งออกเป็น 2 กลุ่มคือ

    1. ค่า PE: ระบบจะมองหาหุ้นที่มีค่า PE ที่ต่ำกว่า 15 และมากกว่า 0; ยิ่งค่า PE ต่ำ คะแนนที่ได้จะยิ่งสูงขึ้น
    2. ค่า PBV: ระบบจะมองหาหุ้นที่มีค่าต่ำกว่า 1.5 และมากกว่า 0; ยิ่งค่า PBV ต่ำ คะแนนที่ได้จะยิ่งสูงขึ้น

    จากคำกล่าว “วิธีคิดหรือ Method นั้นสำคัญเพียง 10% แต่ Money Management ซึ่งรวมถึง Position Sizing นั้นมีความสำคัญถึง 30% และ Psychology ในการลงทุนสำคัญถึง 60%” ดังนั้นเพื่อเพิ่มให้ระบบดียิ่งขึ้น ระบบ Alpha Scoring จึงมีการทำ Position Sizing ด้วย นั่นหมายความว่าระบบจะทำการซื้อหุ้นที่ได้คะแนนมากในสัดส่วนที่มากกว่าหุ้นที่ได้คะแนนน้อย หลังจากที่ระบบคิดคะแนนตามเกณฑ์และทำการจัดลำดับ ระบบจะเข้าซื้อหุ้นตามสัดส่วนดังต่อไปนี้

    1. หุ้นที่ได้คะแนนมากกว่า 1.5 ระบบจะทำการเข้าซื้อ 7% ของมูลค่า Portfolio
    2. หุ้นที่ได้คะแนนในช่วง 1-1.49 จะทำการเข้าซื้อ 5% ของมูลค่า Portfolio
    3. หุ้นที่ได้คะแนนต่ำกว่า 1 ระบบจะทำการเข้าซื้อ 3% ของมูลค่า Portfolio

    ทั้งนี้ระบบจะถือหุ้นได้มากสุดพร้อมๆกันถึง 25 ตัว โดยในส่วนของการส่งคำสั่งซื้อขายนั้น ระบบจะใช้สมมุติฐานการเข้าซื้อที่ราคาเปิดในวันถัดไปจากวันที่มีสัญญาณเข้าซื้อเพื่อความง่ายในการส่งคำสั่งจริง

    เงื่อนไขในการขาย

    ระบบจะทำการขายตามเงื่อนไขดังต่อไปนี้

    1. ภาวะตลาดซบเซาหรือเป็นขาลง: RSI ของตลาดมีค่าน้อยกว่า 30 และ
    2. ราคาหุ้นปิดต่ำกว่าราคาต่ำสุดในรอบ 20 วัน

    เงื่อนไขในการตัดขาดทุน(Stop loss)

    ระบบจะทำการตัดขาดทุนเมื่อหุ้นลงต่ำกว่า 20% จากราคาซื้อ หรือมีมูลค่าการลงทุนลดลงจากจุดสูงสุด 20%

    Backtest: ทางทีมได้มีการทำ Monte Carlo Trade modeling simulation มาช่วยในการทำให้ผล Backtest มีความน่าเชื่อถือมากขึ้น และทำการศึกษาผลกระทบของค่า Slippage และ Missing Trade  โดยทำการ Backtest 200 ครั้ง แล้วนำค่าเฉลี่ยของ CAR, Max System Drawdown, %Winner   มาทำการวิเคราะห์

    ทีมยังได้มีการทำ Control Test ซึ่งเป็นการนำ Momentum Strategy ที่ใช้ปัจจัยเทคนิคเท่านั้นมาทำการ Back test 200 ครั้งโดยใช้ Monte Carlo Trade Modeling และมีการศึกษาผลกระทบของค่า Slippage และ Missing Trade เหมือนกับการทดสอบระบบที่มี Scoring System เพื่อการเปรียบเทียบประสิทธิภาพของการใช้ปัจจัยพื้นฐานเข้ามาช่วยในการเลือกหุ้นที่มีคุณภาพ

    SiamQuant Strategy Canvas

    ผลการทดสอบย้อนหลังเบื้องต้น (Priliminary Back Testing Result)

    ผลการทดสอบเบื้องต้นทำให้เราสามารถสรุปได้ว่า ระบบการให้คะแนน Alpha Scoring System โดยใช้ข้อมูลตัวอย่างในช่วงปี ค.ศ. 2010-2017 ของ Siam Quant 2.0 Hybrid Techno-Fundamental Database ได้แสดงให้เห็นแล้วว่า กลยุทธ์การเข้าซื้อแบบ Momentum มีค่า System Drawdown ลดลงถึง 5% โดยที่มี CAR ลดลงเพียง 4% ทำให้อัตราส่วนของ CAR/MDD ซึ่งเป็นค่าที่สะท้อนความเสี่ยงต่อผลตอบแทน มีค่าที่สูงขึ้นและอยู่ในระดับที่น่าพอใจ โดยผลการทดสอบ ให้ผลตอบแทนอยู่ที่ระดับ 19.16% ต่อปี โดยมี Maximum Drawdown ของทั้งระบบเพียง 10.25% ซึ่งเมื่อนำมาเปรียบเทียบกับระบบ Momentum ที่ใช้ปัจจัยเทคนิคเพียงอย่างเดียว โดยระบบ Momentum ได้ผลตอบแทนอยู่ที่ระดับ 24.66% ต่อปี แต่มี Maximum Drawdown ของทั้งระบบถึง 15.02% ดังรูปที่ 1 และ รูปที่ 2

    รูปที่ 1 แสดงถึงการเติบโตของพอร์ตโฟลิโอตัวอย่างในช่วงปี ค.ศ. 2010-2017

    รูปที่ 2 แสดงถึงการเผชิญ Drawdown ของพอร์ตโฟลิโอตัวอย่างในช่วงปี ค.ศ. 2010-2017

    สรุปผลการทดสอบแนวคิด และกฎการลงทุน ของกลุ่ม Alpha

    ผลการทดสอบเบื้องต้นโดยใช้ตัวอย่างในช่วงปี ค.ศ. 2010-2017 ได้ตอบโจทย์แล้วว่า การซื้อหุ้นที่มีทั้งสัญญาณทางเทคนิคและผ่านเกณฑ์การให้คะแนน (Scoring) เพื่อวัดความถูกแพงของหุ้นด้วยปัจจัยพื้นฐานบวกกับการแบ่งสัดส่วนเงินลงทุน (Position Sizing) สามารถช่วยลด Drawdown ของระบบได้ ถึงแม้สภาวะที่ตลาดจะเป็นช่วง Overbought ดังนั้นหากท่านขายหุ้นไปแล้ว และต้องการกลับเข้ามาซื้อหุ้นใหม่อีกครั้ง แต่ภาวะที่ตลาดยังคงอยู่ในช่วง Overbought ระบบ Alpha Scoring จะสามารถช่วยท่านในการพิจารณาหาหุ้นที่มีปัจจัยพื้นฐานดีมีราคาต่ำกว่ามูลค่า และช่วยในการแบ่งจัดสรรเงินลงทุนในสัดส่วนที่เหมาะสม โดยการซื้อหุ้นที่ถูกในสัดส่วนที่มากกว่าหุ้นที่มีราคาแพงนั่นเอง

    Recommendation for Further Study

    ผลลัพธ์ของการนำข้อมูล Hybrid Techno-Fundamental มาสร้างกระบวนการคัดกรองหุ้นเพิ่มเติมโดยผลลัพธ์ในการทดลองขั้นต้น การใช้ Alpha Scoring System สามารถลด Drawdown ของระบบการลงทุนแบบ Technical อย่างเดียวได้อย่างน่าพอใจ โดยที่ทีมมีความเห็นว่า สามารถนำไปทำการศึกษาเพิ่มเติมได้โดย

    1. กำหนดค่า Performance Metrics สำหรับการศึกษาระบบลงทุนในการทดสอบในแต่ละขั้นตอน (ทั้ง In sample และ Out of sample) เพื่อที่จะทำให้การพัฒนาระบบในแต่ละขั้นตอนมีประสิทธิภาพ และยังสามารถนำมาใช้เป็นเกณฑ์เพื่อใช้ทำ Hypothesis test ต่อไปได้อีกด้วย
    2. การทดสอบระบบกับชุดข้อมูล Out of sample โดยเลือก period ให้เท่ากับ In sample
    3. การทดสอบแบบซุ่ม (Random Test) ซึ่งจะเป็นการสุ่มสัญญาณการซื้อ และขายหุ้นโดยมีจุดประสงค์คือ การทดสอบประสิทธิภาพของค่าเฉลี่ยของระบบให้สูงกว่า 70th percentile ของการซุ่มการซื้อหรือขายหุ้น (ทั้ง in sample และ out of sample)
    4. ทำการทดสอบ Walk forward Analysis เพื่อเป็นการทำ robustness test และเพื่อให้ได้ค่า baseline ของ performance ที่ควรจะเป็นเพื่อใช้เทียบกับตอนเทรดจริง
    5. ทดสอบ performance ของระบบแยกในสำหรับแต่ละ Market Condition เพื่อดูว่าจริงๆแล้วระบบทำกำไรได้ดีที่สุดในสภาพตลาดแบบไหน และทำ robustness test สำหรับแต่ละ Market Condition ซึ่งจะทำให้เข้าใจธรรมชาติของระบบของเราได้มากขึ้นไปอีก
    6. วัด degree ของความ overfit ด้วยการเปรียบเทียบ performance ของช่วง Out of Sample กับ ช่วง Optimization ในช่วงข้อมูลเดียวกัน ตามวิธีของ Fitschen
    7. จากการทดสอบ พบว่าการเลือกหุ้นที่มีค่า Position Score สูงสุด ไม่ได้ให้ผลตอบแทนดีที่สุด ทำให้น่าทำการศึกษาช่วงค่าของ Position Score ที่ทำให้ประสิทธิภาพของระบบดีที่สุดต่อไป
    8. พิจารณาความเสถียรภาพค่าพารามิเตอร์ของระบบ ด้วยการพิจารณาค่า parameter set ใน optimization curve
    9. ทำการหา Optimization period ด้วยวิธี Walk Forward Matrix
    10. หาค่า Maximum Drawdown ด้วยวิธี Monte Carlo เพื่อหาจุดที่ระบบหยุดทำงานจากการเปลี่ยนแปลงของ Market Condition จริงเพื่อใช้เป็นจุดตัดสินใจในการหยุดเทรดด้วยระบบ Alpha Scoring
    11. การทดลองนำ Alpha Scoring System ไปช่วยเสริมระบบ technical signal แบบอื่นๆ

    แหล่งข้อมูลอ้างอิง

    • Dr. Van K. Tharp, Trade Your Way To Financial Freedom, 2006
    • Keith Fitschen, Building Reliable Trading Systems, 2013
    • Howard Bandy, Quantitative Trading Systems, 2011
    • J. Welles Wilder Jr., New Concepts in Technical Trading Systems, Trend Research,1978
    • Shangkun DENG, Yizhou SUN, Akito SAKURAI, Robustness Test of Genetic Algorithm on Generating Rules for Currency Trading, 2012

    ข้อมูลผลการทดสอบย้อนหลัง 10 ปี ตั้งแต่ปี ค.ศ. 2006-2016

    Video Clip การบรรยายโดยทีม Alpha

    Disclaimer

    ผลงานวิจัยนี้ใช้เพื่อการศึกษาเท่านั้น กลยุทธ์ต่างๆได้ถูกวิจัยและค้นคว้าโดยบรรดาผู้สมัครเข้าร่วมงาน SiamQuant Recruitment Camp ซึ่งมีระยะเวลาจำกัดเพียง 24 ช.ม. เท่านั้น ส่งผลให้ระบบที่คิดค้นขึ้น อาจยังไม่สมบูรณ์ และมีจุดบกพร่องอยู่ในบางส่วน ดังนั้น ผู้อ่านควรทำการศึกษาค้นคว้าเพิ่มเติมด้วยตนเอง ก่อนตัดสินใจนำไปใช้ประกอบการลงทุน

    ทีมงาน SiamQuant : Kickstarting Quant Era!

  • คุณต้องเข้าสู่ระบบเพื่อตอบกลับกระทู้นี้