เจ้าของนวัตกรรม
นาย สิรวิชญ์ พรพิพัฒน์พงศ์
นักศึกษา
Details
โครงงานนี้มุ่งเน้นการศึกษาและพัฒนาระบบการลงทุนระยะสั้นโดยซื้อขายทองคำในตลาดแลกเปลี่ยนเงินตราต่างประเทศ โดยประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อวิเคราะห์และคาดการณ์แนวโน้มของกราฟราคา ระบบที่พัฒนานี้ใช้กระบวนการเฟ้นสุ่ม (Stochastic Process) ในการกำหนดจุดตัดขาดทุน (Stop Loss) เพื่อเพิ่มค่าผลตอบแทนที่คาดหวังสูงสุด และใช้แนวคิดจากทฤษฎีเกม (Game Theory) ในการตัดสินใจเกี่ยวกับการถือครองหรือปิดคำสั่งซื้อขาย (Orders) ระบบดังกล่าวถูกพัฒนาและทดสอบบนแพลตฟอร์ม MetaTrader 5 (MT5) โดยโครงงานนี้นำเสนอรายละเอียดเกี่ยวกับกระบวนการทำงาน ตั้งแต่การเตรียมข้อมูล การฝึกสอนโมเดลเรียนรู้ของเครื่อง การสร้างแบบจำลองเพื่อประมาณการแจกแจงของทิศทางราคาทองคำ การกำหนดกลยุทธ์การวางจุดตัดขาดทุน การออกแบบแบบจำลองการตัดสินใจเชิงกลยุทธ์ตามทฤษฎีเกม ตลอดจนการพัฒนาโปรแกรมเทรดอัตโนมัติ และการทดสอบย้อนหลังเพื่อประเมินประสิทธิภาพของระบบ
Objective
1. พัฒนาและประเมินประสิทธิภาพโมเดลการลงทุนระยะสั้นโดยใช้เทคนิค Deep Learning เพื่อช่วยในการทำนายแนวโน้มราคาตลาดในอนาคต โดยศึกษาความสัมพันธ์ของข้อมูลราคาในอดีต และนำผลลัพธ์ที่ได้ไปประยุกต์ใช้ในการกำหนดจุดซื้อขาย (take profit และ stop loss) อย่าง แม่นยำ 2. ศึกษาและประยุกต์ใช้แนวคิด Absorbing Markov Chain ในการวิเคราะห์ความน่าจะเป็น ของการเคลื่อนไหวของราคาที่จะถึงจุด take profit หรือ stop loss เพื่อช่วยในการกำหนดจุด stop loss อย่างมีหลักเกณฑ์และสามารถปรับตัวตามสถานการณ์ตลาดได้อย่างยืดหยุ่น 3. นำทฤษฎีเกมและกลยุทธ์แบบผสม (Mixed Strategy) มาประยุกต์ใช้ ในการช่วยตัดสินใจ ระหว่างการปิดคำสั่งซื้อขายก่อนหรือการรอให้ถึงจุดที่กำหนด โดยพิจารณาจากการแจกแจงความ น่าจะเป็นของการเคลื่อนไหวของกราฟราคา เพื่อเพิ่มความมั่นใจในการตัดสินใจและลดความเสี่ยงใน การลงทุน 4. ประเมินผลการใช้โมเดลที่พัฒนาในการจำลองการเทรดจริง เพื่อศึกษาว่าเทคนิคที่พัฒนาขึ้น สามารถนำไปใช้ได้จริงในสภาวะตลาดที่มีความไม่แน่นอนและซับซ้อนได้อย่างมีประสิทธิภาพเพียงใด
การลงทุนระยะสั้น คือ การพยากรณ์ว่าราคาในอนาคตอันใกล้เพิ่มขึ้นหรือลดลงในปริมาณ เท่าไรและเก็งกำไรจากส่วนต่างของราคาที่จะเกิดขึ้น ยิ่งการพยากรณ์มีความแม่นยำมาก ก็จะยิ่งได้ ผลตอบแทนมากตาม ผู้วิจัยได้รับแรงบันดาลใจจากการศึกษาการลงทุนระยะสั้นในรูปแบบ Price Action ซึ่งตั้งอยู่ บนสมมติฐานที่ว่า ข้อมูลราคาในอดีตมีความเพียงพอในการทำนายแนวโน้มราคาในอนาคต โดยไม่ จำเป็นต้องใช้ตัวชี้วัดทางเทคนิค (indicator) เนื่องจากตัวชี้วัดเหล่านั้นล้วนแล้วแต่คำนวณมาจาก ข้อมูลราคาในอดีตเช่นกัน ด้วยเหตุนี้ ผู้วิจัยจึงมุ่งเน้นที่จะนำเทคโนโลยี Deep Learning มาใช้ในการ สร้างแบบจำลองที่สามารถเรียนรู้จากข้อมูลราคาในอดีตเพื่อทำการพยากรณ์แนวโน้มราคาตลาดใน อนาคต และนำผลลัพธ์ไปประยุกต์ใช้ในการกำหนดจุด take profit อย่างมีประสิทธิภาพ ทั้งนี้ การ เลือกใช้ Deep Learning มีพื้นฐานมาจากคุณสมบัติในการเรียนรู้และประมวลผลข้อมูลเชิงซ้อน รวมถึงความสามารถในการจับความสัมพันธ์เชิงลึกของข้อมูลที่ไม่สามารถมองเห็นได้ด้วยวิธีการทั่วไป นอกจากนั้น ผู้วิจัยยังได้รับแรงบันดาลใจจากการศึกษาแนวคิด Drunkard Walk ซึ่งได้ถูกในไปใช้หา ความน่าจะเป็นที่คนเมาจะเดินกลับถึงบ้านหรือเดินกลับไปที่สถานบันเทิงจากความน่าจะเป็นที่คนเมา จะเดินไปทางซ้ายหรือเดินไปทางขวาและการประยุกต์ใช้ Absorbing Markov Chain เพื่อวิเคราะห์ ความน่าจะเป็นของการเคลื่อนไหวของกราฟราคา โดยแนวคิดนี้สามารถนำมาใช้ในการคำนวณความ น่าจะเป็นที่ราคาจะเคลื่อนที่ไปถึงจุด take profit หรือ stop loss ซึ่งเป็นปัจจัยสำคัญในการกำหนด กลยุทธ์การลงทุน ผู้วิจัยจึงประยุกต์ใช้แนวคิดนี้ในการพัฒนาแบบจำลองที่สามารถคำนวณค่า ผลตอบแทนเฉลี่ยเพื่อช่วยในการกำหนดจุด stop loss ที่เหมาะสม ยิ่งไปกว่านั้น จากประสบการณ์ใน การเทรดจริง ผู้วิจัยได้พบเจอปัญหาในการตัดสินใจเมื่อคำสั่งเทรดยังคงเปิดอยู่และไม่สามารถประเมิน ได้ชัดเจนว่าควรปิดคำสั่งเทรดก่อน หรือรอให้ราคาถึงจุดที่ตั้งไว้ หากปิดคำสั่งก่อนและราคากลับไปถึง จุด stop loss การตัดสินใจนั้นถือว่าถูกต้อง แต่หากราคาถึงจุด take profit การตัดสินใจนั้นก็จะถือ ว่าผิดพลาด ด้วยเหตุนี้ ผู้วิจัยจึงเลือกนำแนวคิดจากทฤษฎีเกม (Game Theory) มาช่วยในการวางกลยุทธ์ การตัดสินใจที่เหมาะสม โดยใช้กลยุทธ์แบบผสม (Mixed Strategy) และการวิเคราะห์การแจกแจง ความน่าจะเป็นของกราฟราคา เพื่อให้สามารถตัดสินใจได้อย่างมีเหตุผลและมีประสิทธิภาพสูงสุด
1. สามารถวางจุดเก็บกำไรได้อย่างเป็นระบบ: โมเดล Deep Learning ที่พัฒนาขึ้นช่วยให้ พยากรณ์แนวโน้มราคาในอนาคตได้ ทำให้สามารถวางจุดเก็บกำไรโดยอิงจากผลการพยากรณ์ 2. สามารถวางจุดตัดขาดทุนได้อย่างเหมาะสม: การประยุกต์ใช้ Absorbing Markov Chain เป็นส่วนหนึ่งของการคำนวณค่าคาดหวังของผลตอบแทนเพื่อใช้ในการหาจุดตัดขาดทุนที่ทำให้ ค่าคาดหวังของผลตอบแทนมากที่สุด 3. มีแผนสำรองเมื่อราคาไม่เป็นไปตามแผนหลัก: การนำทฤษฎีเกมและกลยุทธ์แบบผสม (Mixed Strategy) มาใช้ในการตัดสินใจปิดคำสั่งซื้อขายที่ยังค้างอยู่เพราะกราฟราคาไม่เป็นไปตาม แผน กล่าวคือ กราฟราคาไม่เคลื่อนไปยังจุดใดจุดหนึ่งระหว่างจุดเก็บกำไรหรือจุดตัดขาดทุน จะช่วย ลดการสูญเสียและเพิ่มประสิทธิภาพโดยรวมของการเทรด 4. ประเมินความเป็นไปได้ในการใช้งานจริง: การทดลองใช้งานโมเดลในสภาวะตลาดจริงจะ ช่วยให้ทราบถึงประสิทธิภาพและข้อจำกัดของโมเดลในการรับมือกับความซับซ้อนและความผันผวน ของตลาด ซึ่งจะมีประโยชน์สำหรับการนำไปพัฒนาต่อยอดเป็นเครื่องมือการลงทุนที่ใช้ได้จริงใน อนาคต