ไม่ว่าใครๆ ก็อยากให้กลยุทธ์การลงทุนที่ตั้งใจศึกษาและพัฒนาขึ้นมาประสบความสำเร็จในสภาวะตลาดจริงๆ ทั้งนั้น แต่การสร้างกลยุทธ์การลงทุนที่ประสบความสำเร็จนั้นไม่ใช่เรื่องง่ายๆ และจำเป็นต้องใช้ประสบการณ์และการลองผิดลองถูกอย่างยาวนาน ดังนั้นเพื่อให้ท่านผู้อ่านหลีกเลี่ยงความผิดพลาดที่มักจะเกิดขึ้น ผมจึงขอนำเสนอข้อผิดพลาดสามประการที่มักจะทำให้กลยุทธ์การเทรดโดยเฉพาะระบบเทรดแบบอัตโนมัติ - ล้มเหลว

1. ปัญหาด้าน Risk Management

เหตุผลสำคัญที่ทำให้กลยุทธ์การเทรดของหลายๆ คนพังทลายลงมาอย่างไม่เป็นท่า ก็เห็นจะหนีไม่พ้นเรื่องของการ overtrade นั่นเอง

การ Overtrade คือ การเข้าซื้อหรือขายสินทรัพย์ในจำนวนที่มากเกินกว่าความเสี่ยงที่จะรับได้ เทรดเดอร์รายย่อยหลายๆ คนก็มักจะ overtrade ด้วยการใช้ leverage สูงๆ เช่น 100:1, 500:1, หรือบางทีก็ขึ้นไปถึง 1000:1 ด้วยความหวังที่จะรวยเร็ว เปลี่ยนเงินหลักหมื่นให้กลายเป็นเงินหลักล้านในพริบตา

ซึ่งเป็นความคิดที่ผิดมหันต์

ผมจะลองยกตัวอย่างให้ทุกท่านลองคิดตามนะครับ สมมติท่านผู้อ่านรู้อย่างชัดเจนว่า 12 เดือนข้างหน้า ดัชนี S&P500 จะปิดตัวสูงขึ้นอีกอย่างน้อยๆ 40% อย่างแน่นอน ท่านผู้อ่านจะลงเงินในดัชนี S&P500 สักเท่าไรดี?

ลองคิดดูสักพักนะครับ

หลายๆ คนที่เจอกับคำถามนี้มักจะตอบว่า “กู้เงินมาลงทุนให้มากที่สุดเท่าที่จะเป็นไปได้” ซึ่งเป็นคำตอบที่ไม่ถูกต้อง

ถ้าดูจากประวัติที่ผ่านมาของ S&P500 จะพบว่า เมื่อดัชนีปรับตัวขึ้นไปปิดที่เกิน 40% ใน 12 เดือน จะมีโอกาสถึง 50% ที่จะขาดทุนอย่างน้อย 5% ในระหว่างช่วงเวลานั้น

นั่นหมายความว่าถ้าคุณกู้เงินมาเกิน 20 เท่า คุณก็จะหมดตัวในทันทีโดยที่ไม่ได้รออยู่ดูกำไร!

ดังนั้นไม่ว่ากลยุทธ์ใดๆ ก็ตาม จำเป็นที่จะต้องประเมินความเสี่ยงให้เหมาะสมด้วย แม้กลยุทธ์จะให้กำไรที่ดี แต่ความผันผวนที่เกิดขึ้นระหว่างการลงทุน ก็อาจจะทำให้ไปไม่ถึงฝั่งฝันได้ง่ายๆ

ท่านใดที่สนใจระบบ Risk Management ง่ายๆ ลองศึกษา Kelly’s Criterion (แบบ Continuous outcome) ดูได้ครับ
 

2. ข้อมูลไม่เพียงพอ ทั้งในด้านปริมาณและคุณภาพ

หัวข้อนี้อาจจะสร้างความประหลาดใจให้กับหลายๆ คน เพราะในยุคนี้ข้อมูลราคาสินทรัพย์ต่างๆ โดยเฉพาะของต่างประเทศ หาได้ง่ายเพียงปลายนิ้วคลิก แต่มันเป็นอย่างนั้นจริงๆ

การที่เทคโนโลยีด้าน Machine Learning (ML) ในปัจจุบันสามารถทำงานได้ดีอย่างที่เห็นกันอยู่ทุกวันนี้เป็นเพราะเรามีข้อมูลจำนวนมหาศาลอย่างที่ไม่เคยมีมาก่อน ข้อมูลหลักล้าน record กลายเป็นข้อมูลขนาดปกติไปแล้ว โดยเฉพาะในการสร้างโมเดล Deep Learning

ในทางกลับกัน ข้อมูลการซื้อขายหลักทรัพย์ไม่ได้มีจำนวนมากขนาดนั้นเลย ลองดูตัวอย่างใกล้ๆ อย่างตลาดหลักทรัพย์แห่งประเทศไทยซึ่งเปิดมาแล้วถึง 44 ปี ถ้าปีนึงมีวันทำการ 252 วัน เท่ากับว่าเราจะมีข้อมูลการซื้อขายรายวันของดัชนีตลาดหลักทรัพย์ทั้งหมด

11,340 records…

และต่อให้เป็นข้อมูลรายชั่วโมงก็มีเพียงราวๆ 68,000 records เท่านั้นเอง ซึ่งถือเป็นจำนวนข้อมูลที่น้อยมากๆ เมื่อเทียบกับความต้องการข้อมูลของโมเดลที่มีความสลับซับซ้อนสูงซึ่งมีค่าพารามิเตอร์ที่ต้องปรับตั้งจำนวนหลายล้านค่า สุดท้ายก็เหมือนกับการนั่งเล่นเกมจับคู่ไพ่ โดยที่ไพ่บนพื้นเปิดอยู่ 68,000 ใบจากทั้งหมด 10 ล้านใบนั่นเอง โอกาสที่จะชนะจริงๆ ย่อมมีน้อยมาก

แม้จะพยายามรวบรวมข้อมูลจากทรัพย์สินหลายๆ ตัวที่เกี่ยวข้องกันไว้ด้วยกัน ก็ยังประสบปัญหาด้านคุณภาพของข้อมูลอยู่ดี

ปัญหาของตลาดหุ้นคือ ตลาดหุ้นเป็นเหมือนข้อสอบที่มี 100 ข้อ แต่กลับเฉลยคำตอบให้เราดูเพียงข้อเดียว

ถ้าสมมติว่าตลาดเกิดเหตุการณ์ A และ B แล้วปิดตลาดด้วยการเปลี่ยนแปลงราคา C คนก็มักจะสรุปว่า A และ B ทำให้เกิด C ซึ่งไม่จำเป็นเสมอไป มันอาจจะมีโอกาสเกิด C เพียง 30% โอกาสเกิด D อีก 50% และโอกาสเกิด E 20% ก็เป็นได้

ซึ่งเราจะรู้ได้ก็ต่อเมื่อเราทำการทดสอบเหตุการณ์ A และ B ซ้ำๆ ไปมาจำนวนหลายพันรอบ จนเข้าใจถึงความน่าจะเป็นทั้งหมด

แต่ตลาดหลักทรัพย์ไม่ได้เป็นเช่นนั้น ทุกๆ วันเราเห็นสิ่งที่เกิดขึ้นเพียงอย่างเดียว จากนับสิบๆ เหตุการณ์ที่มีโอกาสเกิดขึ้นภายใต้สถานการณ์เดียวกัน

ดังนั้นข้อมูลที่จะนำมาใช้ในการสร้างโมเดลนั้น จำเป็นต้องผ่านการรวบรวม และคัดกรองอย่างมีคุณภาพ และหลีกเลี่ยงไม่ได้เลยที่จะทำการสังเคราะห์ขึ้นมาเพิ่มเติมอีก
 

3. ไม่ทำตามกลยุทธ์ที่วางไว้

ถ้าระบบของคุณไม่ได้ถูกออกแบบมาเพื่อใช้การตัดสินใจของมนุษย์ร่วมกับระบบมาตั้งแต่ต้นแล้ว ได้โปรดอย่าพยายามไปเปลี่ยนแปลงสิ่งที่ระบบตัดสินใจออกมาเลย

เรื่องนี้นับเป็นปัญหาสุดคลาสสิคแม้แต่ในกองทุนระดับโลกต่างๆ เรามักจะยินเรื่อยๆ ว่าผู้จัดการกองทุนเพิกเฉยต่อการตัดสินใจของระบบ เพราะเชื่อว่าตัวเองสามารถตัดสินใจได้ดีกว่า และทำการละเมิดทั้งระบบ และ Risk Management ที่วางไว้เรื่อยๆ จนถึงวันหนึ่งที่การตัดสินใจผิดพลาด และความเสี่ยงที่รับไว้มีมากเกินไป ก็กลายเป็นโศกนาฏกรรมทางการเงินในหน้าประวัติศาสตร์ไป

ถ้าระบบที่ใช้ไม่สามารถใช้ผลตอบแทนได้ดีอย่างที่คาดการณ์ไว้ตั้งแต่ตอนแรก สิ่งที่ควรทำคือ การกลับไปศึกษาและพัฒนากลยุทธ์ใหม่ออกมา ไม่ใช่การเข้าไปตัดสินใจแทน เพราะเราจะไม่สามารถตอบได้เลยว่าทำไมการตัดสินใจนั้นจึงถูกต้อง หรือทำไมมันถึงได้ผลลัพธ์ที่แย่ออกมา

ผ่านกันไปแล้วนะครับกับสามข้อที่ทำให้ระบบการลงทุนประสบความล้มเหลว และหลายๆ เรื่องเราก็จะกล่าวถึงในคอร์ส Basic Python for Trading ด้วยครับ หวังว่าจะได้เจอทุกท่านในคอร์สนะครับ