May 31 2018
Momentum Trading 4.0
-เมื่อวานมีโอกาสได้ไปแลกเปลี่ยนเรื่องการกลยุทธ์เทรด Momentum Trading กับเพื่อนเทรดเดอร์กลุ่มหนึ่งจากเว็บบอร์ดตปท. ผมเอาบทสรุปจาก paper เรื่อง Two Centuries of Price-Return Momentum ไปแชร์ ในวงสนทนาคุยกันหลายประเด็นตั้งแต่เรื่องกลยุทธ์การเทรด Momentum ในหุ้นและ ETF ยังไปถึงเรื่องของการวิเคราะห์ Time series momentum ด้วย stochastic model อย่าง Markov chain และเทคนิคขั้นสูงด้วย Deep Learning คงจะเล่าทั้งหมดไม่ไหว แต่อยากจะแชร์ไอเดียหลักสำหรับแนวทางการทำระบบ Momentum Trading
1. Trend Filter
ตลาดปัจจุบันภาวะความผันผวนสูง ระบบ Momentum Trading มีการใช้ Trend Filter ในการกรอง volatility หยุดเทรดเมื่อภาวะตลาดไม่ปกติ เพื่อเสริมประสิทธิภาพของระบบในการเทรด รวมถึงการใช้เทคนิค machine learning การกรอง market anomalies ที่เกิดอีกด้วย
2.Multi-Asset Momentum
ไอเดียเทรด momentum แบบหลายสินค้า หลาย asset (Equities, Bonds, Currencies, Commodities, Sectors and Stocks) เทรดตาม Fund flow ที่เคลื่อนจาก asset หนึ่งไป asset หนึ่งแทนจะไปไล่บี้ หรือเน้นเทรดตลาดเดียว ตลอดแบบอดีต โดยจะมีการผสม asset หลายประเภท แล้วในการสลับการเข้าออกใน asset ที่มี momentum เช่นเดียวกัน ลดขนาด position หรือ หยุดเทรดในกลุ่มที่ราคา price in สูงๆ
3. Risk Parity
กลับมาฮิตอีกรอบ บวกกับการใช้การกระจายความเสี่ยงไปในสินทรัพย์ที่ uncorrelated
4. Smart beta
ช่วงนี้เหมือนหลายคนมองว่าตลาดอเมริกา ตลาดหุ้นส่วนใหญ่เริ่มตัน ราคาสูงการหา strong momentum แบบ 2 ปีที่แล้วคงยาก ดังนั้นกลยุทธ์เทไปทางการผสมคือมีทั้ง momentum และ value เก็บพวกหุ้นกิจการดี มีปันผลต่อเนื่อง เพื่อรับ return จากปันผล นำมาประกอบแทนที่จะเดิมพันสร้าง return ไปกับการโตของตลาดหุ้นอย่างเดียว
5. Time series momentum & Quant
ยังเป็นประเด็นที่มีการทดลองทำ มีการสร้างกลยุทธ์การเทรดที่พัฒนากันเรื่อยๆ มีทั้งใช้ math model และใช้ Quant สาย Deep learning ยอดฮิตคือ LSTM
ขอแชร์คราวๆเท่านี้ รายละเอียดคงไม่ลงลึก แต่ถ้าใครสนใจคิดว่าน่าจะลองไปแกะต่อกันได้ ส่วน paper ที่ผมนำไปแชร์ มีโอกาสผมจะเอาโน๊ตสรุปมาโพสให้ paper นี้น่าสนใจมากเพราะเราจะได้เห็นการทำงานของกลยุทธ์ momentum กับตลาดหุ้นระยะยาว 200 ปี โดยเฉพาะ ผลในภาวะตลาดแบบต่างๆ หรือแม้ช่วงวิกฤติเศรษฐกิจ
ส่วนถ้าใครอยากอ่านก่อน เข้าไปดูได้จาก link ด้านล่าง
https://www.cfapubs.org/doi/pdf/10.2469/faj.v72.n5.1
http://www.cmgwealth.com/…/212-Yrs-of-Price-Momentum-Geczy.…
ตลาดปัจจุบันภาวะความผันผวนสูง ระบบ Momentum Trading มีการใช้ Trend Filter ในการกรอง volatility หยุดเทรดเมื่อภาวะตลาดไม่ปกติ เพื่อเสริมประสิทธิภาพของระบบในการเทรด รวมถึงการใช้เทคนิค machine learning การกรอง market anomalies ที่เกิดอีกด้วย
2.Multi-Asset Momentum
ไอเดียเทรด momentum แบบหลายสินค้า หลาย asset (Equities, Bonds, Currencies, Commodities, Sectors and Stocks) เทรดตาม Fund flow ที่เคลื่อนจาก asset หนึ่งไป asset หนึ่งแทนจะไปไล่บี้ หรือเน้นเทรดตลาดเดียว ตลอดแบบอดีต โดยจะมีการผสม asset หลายประเภท แล้วในการสลับการเข้าออกใน asset ที่มี momentum เช่นเดียวกัน ลดขนาด position หรือ หยุดเทรดในกลุ่มที่ราคา price in สูงๆ
3. Risk Parity
กลับมาฮิตอีกรอบ บวกกับการใช้การกระจายความเสี่ยงไปในสินทรัพย์ที่ uncorrelated
4. Smart beta
ช่วงนี้เหมือนหลายคนมองว่าตลาดอเมริกา ตลาดหุ้นส่วนใหญ่เริ่มตัน ราคาสูงการหา strong momentum แบบ 2 ปีที่แล้วคงยาก ดังนั้นกลยุทธ์เทไปทางการผสมคือมีทั้ง momentum และ value เก็บพวกหุ้นกิจการดี มีปันผลต่อเนื่อง เพื่อรับ return จากปันผล นำมาประกอบแทนที่จะเดิมพันสร้าง return ไปกับการโตของตลาดหุ้นอย่างเดียว
5. Time series momentum & Quant
ยังเป็นประเด็นที่มีการทดลองทำ มีการสร้างกลยุทธ์การเทรดที่พัฒนากันเรื่อยๆ มีทั้งใช้ math model และใช้ Quant สาย Deep learning ยอดฮิตคือ LSTM
ขอแชร์คราวๆเท่านี้ รายละเอียดคงไม่ลงลึก แต่ถ้าใครสนใจคิดว่าน่าจะลองไปแกะต่อกันได้ ส่วน paper ที่ผมนำไปแชร์ มีโอกาสผมจะเอาโน๊ตสรุปมาโพสให้ paper นี้น่าสนใจมากเพราะเราจะได้เห็นการทำงานของกลยุทธ์ momentum กับตลาดหุ้นระยะยาว 200 ปี โดยเฉพาะ ผลในภาวะตลาดแบบต่างๆ หรือแม้ช่วงวิกฤติเศรษฐกิจ
ส่วนถ้าใครอยากอ่านก่อน เข้าไปดูได้จาก link ด้านล่าง
https://www.cfapubs.org/doi/pdf/10.2469/faj.v72.n5.1
http://www.cmgwealth.com/…/212-Yrs-of-Price-Momentum-Geczy.…
Long Short-Term Memory (LSTM)
คิดว่าหลายๆ คนที่เคยทำ machine learning สำหรับ sequential data อย่างพวก text analysis, video หรือ speech recognition คงเคยได้ยินคำว่า Long-short term memory หรือ ชื่อย่อว่า LSTM ซึ่งพักหลังๆ ดูเริ่มมีความนิยมมากขึ้น
การจะกล่าวถึง LSTM คงหนีไม่พ้นต้องพูดถึง Recurrent Neural Network (RNN) ก่อน (เป็นสูตรสำเร็จ) อันที่จริง LSTM ก็เป็น RNN แบบนึง แต่ LSTM เป็น RNN ที่มีรายละเอียดเพิ่มขึ้นมา เพื่อแก้ปัญหาบางอย่างของ RNN
Recurrent Neural Network (RNN)
เริ่มต้นคร่าวๆ ก่อนว่า ไอเดียหลักๆ ของ RNN ก็เพื่อจะใช้งานกับข้อมูลที่มีลักษณะเป็นลำดับ (sequence) เช่น video (sequence of images) หรือ text (sequence of words) ทีนี้เพื่อที่ให้เข้าใจภาพการทำงานของ RNN ได้ง่ายขึ้น ขอยกตัวอย่างการทำ sequential data ก่อน โดยขอเทียบกับการอ่านหนังสือของคนเราเอง ถามว่าการอ่านหนังสือมันเป็น sequential data ยังไง มองง่ายๆ มันก็คือลำดับของคำที่ต่อๆ กัน (sequence of words) เราเองเวลานั่งอ่านหนังสือก็จะอ่านทีละคำๆ จากซ้ายไปขวา (สำหรับภาษาไทย หรือ ภาษาอังกฤษ) การที่เราสามารถรู้เรื่องได้ว่าประโยคที่เรากำลังอ่านนั้นเกี่ยวกับอะไร เราก็เอาเรื่องราวจากสิ่งที่เราอ่านผ่านไปแล้ว (ขอเรียกว่า hidden state หรือ state ก่อนหน้า) มาผสมกับคำที่เราเพิ่งจะอ่านไป (input data หรือ คำที่เรากำลังอ่าน ณ ตอนนั้น) ทำให้เราเข้าใจความหมายในส่วนตรงที่กำลังอ่านได้ ซึ่ง RNN ก็ใช้หลักการเดียวกัน คือ การปรับรูปแบบของ Neural network เดิม เพื่อให้สามารถเอา state หรือความรู้ก่อนหน้า มาบวกกับ input data ตัวใหม่ที่เข้ามา เพื่อทำความเข้าใจอะไรสักอย่างไปเรื่อยๆ