<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by mini.mart on Medium]]></title>
        <description><![CDATA[Stories by mini.mart on Medium]]></description>
        <link>https://medium.com/@minimartz?source=rss-3ac11ecefdb3------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*QXu-jVPBnXTbe527.</url>
            <title>Stories by mini.mart on Medium</title>
            <link>https://medium.com/@minimartz?source=rss-3ac11ecefdb3------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 06:58:31 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@minimartz/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Forecasting หุ้น SET100 ด้วย Machine learning แบบหล่อๆ ไว้โชว์สาว]]></title>
            <link>https://medium.com/@minimartz/forecasting-%E0%B8%AB%E0%B8%B8%E0%B9%89%E0%B8%99-set100-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-machine-learning-%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%AB%E0%B8%A5%E0%B9%88%E0%B8%AD%E0%B9%86-%E0%B9%84%E0%B8%A7%E0%B9%89%E0%B9%82%E0%B8%8A%E0%B8%A7%E0%B9%8C%E0%B8%AA%E0%B8%B2%E0%B8%A7-bd0d64859c96?source=rss-3ac11ecefdb3------2</link>
            <guid isPermaLink="false">https://medium.com/p/bd0d64859c96</guid>
            <category><![CDATA[linear-regression]]></category>
            <category><![CDATA[botnoi]]></category>
            <category><![CDATA[forecasting]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[trading]]></category>
            <dc:creator><![CDATA[mini.mart]]></dc:creator>
            <pubDate>Sat, 19 Sep 2020 14:18:18 GMT</pubDate>
            <atom:updated>2020-09-21T11:14:23.160Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>ทุกวันนี้หลายๆคนต้องรู้จักการลงทุน ไม่ว่าจะเป็นอสังหาริมทรัพย์ ที่ดิน ทอง ค่าเงินโดยเฉพาะหุ้น เมื่อไม่นานมานี้หลายๆคนน่าจะได้ยินการร่วงของหุ้นไทยทั้งตลาด เมื่อช่วงเดือนมีนาคม เนื่องด้วยสถานการณ์ โควิด19 ทำให้หุ้นไทยทั้งกระดาน(SET: Stock Exchange Thailand) ร่วงมาต่ำกว่า 1000 จุด</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8b_0mGIO3EZ1yhFMx4hgRg.png" /><figcaption>SET ช่วงปี 2020</figcaption></figure><p>ปัจจุบันกลุ่มผม (G4) ได้เรียน Machine learning กับ Botnoi ได้การบ้านการทำนายหุ้นมา โดยมีโจทย์ว่าให้แต่ละกลุ่มทำนายหุ้นมาคนละ 1 ตัว ไม่เกินหุ้นละ 100 บาท โดยทาง Botnoi จะสนับสนุนเงินลงทุนให้กลุ่มละ <strong>10,000 บาท </strong>เพื่อซื้อหุ้น โดย</p><blockquote><strong>โดยจะซื้อหุ้นที่ราคา ATO(At the open) ในวันพฤหัสที่ 17 กันยายน 2563 <br>และต้องการจะขาย ATO ในวันพฤหัสที่ 24 กันยายน 2563</strong></blockquote><blockquote>โดยใช้ Machine learning และ Trend forecasting มาช่วย หุ้นตัวไหนให้กำไรสูงที่สุดจะเป็นกลุ่มที่ชนะ</blockquote><p>ใครที่สนใจเรื่อง Trend Forecasting <a href="https://medium.com/botnoi-classroom/data-science-essential-week-4-trend-forecasting-colab-cddc5262fd6c">ดูได้ที่ลิ้งนี้เลยครับ</a></p><h4>ถือว่า Botnoi ใจปล้ำมากกิจกรรมนี้ ลงทุนเป็นแสนเพื่อนักเรียน สุดยอดดดดดด !!! ชาบู ชาบู Botnoi</h4><p>ทีนี้เข้าเรื่อง อธิบายเรื่องการลงทุนในหุ้นนิดนึง การลงทุนในหุ้นแบ่งเองมีประมาณ 2 แบบหลักๆ คือ 1.การลงทุนในหุ้นตามพื้นฐาน 2.การลงทุนในหุ้นตามเทคนิค(ตามกราฟ) โดย</p><p><strong>1. การลงทุนในหุ้นตามพื้นฐาน</strong> Fundamental analysis หรือเรียกอีกอย่างว่า VI (Value investment) จะเป็นการลงทุนในหุ้นโดยดูปัจจัยพื้นฐานคือเรื่องรายได้ กำไรเป็นหลัก หลายๆคนอาจจะเคยได้ยินว่าต้องอ่าน 56–1 ก็คือใบแสดงรายการข้อมูลประจำปีของหุ้นตัวนั้นๆ <a href="https://www.set.or.th/set/education/html.do?name=decode_search_invest_11&amp;innerMenuId=18">ดูได้ตตามลิ้งนี้เลยครับ</a> แล้ววิเคราะห์ว่าหุ้นตัวนั้นๆที่ราคาปัจจุบัน ต่ำกว่ามูลค่าความเป็นจริงที่ได้จากการคำนวณจากงบการเงินหรือไม่ ถ้าต่ำกว่าก็จะเข้าซื้อ การลงทุนในหุ้นตามพื้นฐานมักจะเข้าซื้อหุ้นไม่กี่ตัว ประมาณ 3–4 ตัวในพอร์ตเท่านั้น และเข้าซื้อตลอดทั้งปีตราบที่ราคายังต่ำกว่ามูลค่าความเป็นจริง ตัวอย่าง นักลงทุนประเภทนี้ได้แก่ ดร.นิเวศน์ เหมวชิรวรากร เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*pAZlLPsv1iOnOMWe-wNTxg.png" /><figcaption>การวิเคราะห์แบบลงทุนในหุ้นตามตามพื้นฐาน งบการเงิน</figcaption></figure><p><strong>2. การลงทุนในหุ้นตามเทคนิค </strong>หรือเรียกอีกอย่างว่า Technical Analysis เป็นการลงทุนในหุ้นโดยดูจากกราฟเท่านั้น OHLC (O:Open ราคาเปิด, H:High ราคาสูงสุด, L:Low ราคาต่ำสุด, C:Close ราคาปิด) โดยเชื่อว่าทุกๆอย่างนั้นสะท้อนมาที่กราฟหมดแล้ว ไม่ว่าจะเป็นข่าว งบการเงิน ต่างๆ บางคนที่เคยเล่นหุ้นตามข่าว หรืองบการเงินอาจจะเห็น ราคาวิ่งก่อนข่าว จนเราเข้าใจว่าเพราะมีคนรู้ข่าววงในก่อนเราเลยทำให้ราคาวิ่งก่อนประกาศ จึงทำให้นักลงทุนประเภทนี้จะวิเคราะห์กราฟอย่างเดียว โดยใช้แนวรับ แนวต้าน เทรนไลน์ การใช้อินดิเคเตอร์(เครื่องมือช่วยวิเคราะห์) หรือแม้แต่เทคนิคต่างๆ เช่น Wyckoff และ Elliott wave เพื่อบ่งบอกสถานะของราคา เพื่อทำแผนการเทรดต่อไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8WqV1J182edMiS9ZL8YOcw.png" /><figcaption>การวิเคราะห์แบบลงทุนในหุ้นตามเทคนิค</figcaption></figure><h4><strong><em>ทีนี้ทางกลุ่มเรา กลุ่ม 4 จะเลือกการวิเคราะห์เชิงเทคนิคมาใช้กับการทำนายหุ้นโดย Machine learning พื้นฐาน</em></strong></h4><p>โดยมีฟีเจอร์ที่เราสนใจ ดังนี้</p><ol><li>Date วันที่เกิดข้อมูล OHLC + V</li><li>Indicator (EMA5, EMA10, EMA20, RSI, MACD)</li><li>Logarithm return</li><li>Lag time 5–10 วัน</li></ol><p>จะใช้ Model Linear Regression ในการ Train</p><p>เรียกได้ว่าใช้ฟีเจอร์พื้นๆของการลงทุนแบบเชิงเทคนิคเลยครับ</p><p>ไปลุยกันเลยยยย</p><h3>0. List รายชื่อหุ้นที่ต้องการทำนายกันก่อนเล๊ยยย</h3><p>ทีมเราใช้วิธีเลือกด้วยมือสดๆเลยไว้ นำมาทำเป็น List ไว้เผื่อเพิ่มหุ้นตัวอื่นๆเข้าไป โดยดูข้อมูลจาก <a href="https://www.settrade.com/C13_MarketSummary.jsp?detail=SET100">Settrade.com</a> แล้วคัดหุ้นที่มีราคาเกิน 100 บาทออกก่อน เนื่องจากเดี๊ยวบอทน้อยจะขาดทุนเยอะเกินไป อิ้อ ิ้:X</p><pre>set100 = [<br>“AAV”,”ACE”,”AMATA”,”AOT”,”AP”,”AWC”,”BANPU”,”BCH”,”BCP”,”BCPG”,”BDMS”,”BEC”,”BEM”,”BGRIM”,”BJC”,”BPP”,”BTS”,”CENTEL”,”CHG”,”CK”,”CKP”,”COM7&quot;,”CPALL”,”CPF”,”CPN”,”CRC”,”DOHOME”,”DTAC”,”EA”,”EPG”,”ERW”,”ESSO”,”GFPT”,”GLOBAL”,”GPSC”,”GULF”,”GUNKUL”,”HANA”,”HMPRO”,”INTUCH”,”IRPC”,”IVL”,”JAS”,”JMT”,”KBANK”,”KCE”,”KKP”,”KTB”,”KTC”,”LH”,”MAJOR”,”MEGA”,”MINT”,”MTC”,”ORI”,”OSP”,”PLANB”,”PRM”,”PSH”,”PTG”,”PTT”,”PTTEP”,”PTTGC”,”QH”,”RATCH”,”RBF”,”RS”,”SAWAD”,”SCB”,”SGP”,”SIRI”,”SPALI”,”SPRC”,”STA”,”STEC”,”SUPER”,”TASCO”,”TCAP”,”THANI”,”TISCO”,”TKN”,”TMB”,”TOA”,”TOP”,”TPIPP”,”TRUE”,”TTW”,”TU”,”TVO”,”VGI”,”WHA”,”WHAUP”]</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dGhH1yEcK-yWiibHWzPJFA.png" /></figure><h3>1. Get data หาข้อมูลหุ้นย้อนหลังมาเก็บไว้</h3><p>เนื่องจากเราเคยใช้ library <a href="https://pypi.org/project/starfishX/">starfishx</a> แล้วพบว่ามีปัญหาการโหลดข้อมูลหุ้นไม่ค่อยได้ เราจึงเลือกวิธีบ้านๆ แต่ชัวกว่าโดยการโหลดข้อมูลหุ้นจากเว็บไซต์ <a href="http://siamchart.com/">Siamchart</a> ซึ่งให้บริการข้อมูลหุ้นไทยแบบรายวัน (หากใครเข้าไปใช้ก็ช่วยกันบริจาคช่วยเจ้าของเว็บไซต์ด้วยนะครับ)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/313/1*_UtjgpmX-YMVetaGVhNr2A.png" /><figcaption>Download section of Siamchart</figcaption></figure><p>ดาวโหลดมาเสร็จก็นำมารวมกันแล้ว zip จากนั้นโยนเข้า Google drive เพื่อเวลาเรารัน Colab ทีหลังจะได้โหลดไฟล์มาใหม่เอง ไม่ต้องมาคอยอัพโหลดเข้า Colab</p><p>จากนั้นรันโค้ดตามรูปด้านล่างเพื่อดาวโหลดไฟล์มา Unzip ใน Colab เรากันนนน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/762/1*aWrPvG2pQ84kEesVVWQ0LQ.png" /></figure><p>เกือบลืม อย่าลืม import library ที่ต้องใช้ใน Colab กันนะครับ เริ่มต้นเราจะใช้</p><ul><li><a href="https://pandas.pydata.org/">Pandas</a></li><li><a href="https://numpy.org/">Numpy</a></li><li><a href="https://matplotlib.org/">Matplotlib</a></li><li><a href="https://docs.python.org/2/library/glob.html">Glob</a></li><li><a href="https://mrjbq7.github.io/ta-lib/">Talib</a> ← ตัวช่วยคำนวณ Indicator ให้เราใช้ ไม่ต้องมาคำนวณเองแล้ว เย้ !!!!</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*65_q84wf5xxhkBcKgPcC4w.png" /></figure><p>มาทำฟังชั่น Get data หุ้นกันต่อ โดยเราจะแยกเป็น ฟังชั่น getData คือดึงข้อมูลหุ้นทุกตัวมาเก็บไว้ที่ dataframe รอเรียกใช้ โดยขั้นตอนคืออ่านไฟล์ .csv ทุกไฟล์แล้วนำข้อมูลมารวมกัน พร้อมกับกำหนด index ให้แต่ละ column</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/769/1*bDESlfAeKzs4itZco7mI4g.png" /></figure><p>ฟังชั่น getStock คือดึงข้อมูลหุ้นรายตัวจาก dataframe ที่ได้จากการ getData โดยใช้ loc เข้าไปดึงข้อมูลหุ้นตาม Symbol ที่กำหนด และกำหนด Date ให้เป็น index เพราะวิเคราะห์แบบ Time series <a href="https://blog.datath.com/time-series-forecasting/">(Time series คืออะไร คลิก)</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/724/1*cUEyuaag6u7X9xGNGlmYWQ.png" /></figure><p>เรียใช้ ฟังชั่นที่เราสร้าง โดยการทดลองฟังชั่นเราจะใช้ค่า SET50 Index มาทดสอบ <a href="https://www.set.or.th/th/products/index/setindex_p3.html">(Set index คืออะไร คลิก)</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/480/1*EQHh5vaK_7wjeAnfQH4a_w.png" /></figure><h3>2. Clean and feature selection คลีนข้อมูลและอัดฟีเจอร์กันเลยยยย</h3><p>ในการทำงานเราจะศึกษาจากราคาปิดเป็นหลักนะครับ เริ่มจากการคลีนข้อมูล NA ก่อน แต่ปกติแล้วข้อมูลหุ้นมักจะไม่มี NA นะครับ แต่ถ้าเจอก็ต้องตรวจสอบแหล่งที่มาของข้อมูลกันหน่อย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/427/1*Eihoqb-2MSGTbt9Gy5HjlA.png" /></figure><p>2.1 เนื่องจากเราจะ Forecast ข้อมูล ในอาทิตย์หน้า เราก็ต้องมีการเพิ่ม Date ล่วงหน้าไว้ให้ Model ก่อนเลย โดยเพิ่มฟังชั่น shift_date เข้าไป โดยจะรับค่า Dataframe ปีเริ่มต้น เดือนเริ่มต้น วันเริ่มต้น และจำนวนวันที่เราจะเพิ่ม โดยจะมีการลบวันเสาร์อาทิตย์ให้แล้ว เนื่องจากตลาดหุ้นไทย ปิดดดดดจ้า (ไม่ลบวันหยุดนักขัตฤกษ์นะเออออ ใครเอาไปใช้ต่อก็ปรับปรุงกันเอานะครับ อิ้อิ้)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*MGqZuZrcEOnf8xxhm6KYpA.png" /></figure><p>2.2 มาเพิ่มข้อมูล Lag ของวันตามที่เราจะศึกษากันครับ โดยฟังชั่นนี้จะรับค่า Dataframe Lag เริ่มต้นกี่วัน Lag สิ้นสุดที่กี่วัน และ Columns ที่ต้องการ Lag</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/485/1*5r_sQbTtXN_rWLufuXJr0g.png" /></figure><p>2.3 ต่อไปก็เพิ่ม Indicator ที่เราจะใช้กันนะครับ มี EMA (Exponential Moving Average) หรือค่าเฉลี่ยย้อนหลังแบบถ่วงน้ำหนักนั้นเอง ส่วน <a href="https://www.finnomena.com/mrserotonin/what-is-rsi/">RSI </a>และ <a href="https://knowledge.bualuang.co.th/knowledge-base/how-to-macd/">MACD </a>อ่านข้อมูลได้จากลิ้งเลยครับ โดยทั้งหมดนี้เราจะเลือกราคาปิดในการคำนวณนะครับ</p><p>2.4 มาถึงขั้นตอนการแปลงเป็น Logarithm Return นะครับ</p><p><a href="https://medium.com/@info.algoaddict/simple-return-vs-log-return-c075d65f1739">Logarithm Return คืออะไรคลิก</a></p><p>โดยเราก็จะแปลงค่าของ OHLC, EMA, Laged OHLC โดยทำฟังชั่นรับค่า Dataframe กับ Columns ที่จะทำการแปลงเป็น Logarithm Return</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/628/1*EV7Q3CDnvmQKWZEoc1TH_Q.png" /></figure><p>เรามาลองเปรียบเทียบ Close value กับ Logarithm return แล้ว Plot ออกมาได้ดังนี้สวยงามครับ เปรียบเทียบแบบคิดตามราคาปกติ กับการใช้ Logarithm return</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2eeTaG3HOJEPPW4JC7z0fw.png" /></figure><p>2.5 ฟีเจอร์สุดท้าย วันที่นั้นเองครับ โดยเราจะแยกปี เดือน วัน ออกมาคนละ Columns ก่อนนะครับ และค่อยแปลง <a href="https://www.bualabs.com/archives/1902/what-is-one-hot-encoding-benefit-one-hot-encoding-why-one-hot-encoding-in-machine-learning/">One hot encoding</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/824/1*dsJY-oBFKd9pHpSVYnMN2Q.png" /><figcaption>Credit: Botnoi</figcaption></figure><p>เรียกใช้ ฟังชั่นทั้งหมดที่เราสร้าง โดยกำหนดวันเริ่มต้น(lag_start), วันสิ้นสุด(lag_end) การ Laged แล้วเลือกสถานะการใช้ Logarithm return (rets)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/906/1*HDUUpDb52mdmkcq3fNKjyw.png" /></figure><p>เรียกใช้ฟังชั่นดึงค่า วันที่มาเป็นฟีเจอร์</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/450/1*On5Di9WkKvWCIC193XgEbQ.png" /></figure><h3>3. Extract Features</h3><p>โดยจะมีฟังชั่น Split data Train กับ Test</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/549/1*B_pT1BYPEB7A2AmqRiLKFw.png" /></figure><p>ฟังชั่น Split label ออกจากข้อมูล ก็คือไม่นำผลเข้าไปใน Model</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/424/1*VvlVbLIXMT0Dt-ZdzZCXTQ.png" /></figure><blockquote>***ข้อนี้ควรระวังอย่างมากเลยนะครับ เพราะข้อมูลที่เราต้องการทำนายหลุดไปใน model จะเหมือนเราส่งเฉลยให้ model จะทำให้การทำนายเรา <a href="https://medium.com/mmp-li/under-fitting-over-fitting-%E0%B8%9B%E0%B8%B1%E0%B8%8D%E0%B8%AB%E0%B8%B2%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%A1%E0%B8%AD%E0%B8%87%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B9%80%E0%B8%AB%E0%B9%87%E0%B8%99%E0%B9%81%E0%B8%95%E0%B9%88%E0%B8%AA%E0%B8%B1%E0%B8%A1%E0%B8%9C%E0%B8%B1%E0%B8%AA%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B9%88%E0%B8%B2%E0%B8%A1%E0%B8%B5-4c694bffc06">Over-fitting</a></blockquote><p>นำ Columns ที่เราไม่ได้ใช้ออกก่อน เนื่องจากเป็นค่าของวันนั้น ซึ่งจริงๆเราไม่ควรจะรู้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*ep0VHI3avNtTx2mZ-QlRow.png" /></figure><p>โดยในการแบ่งข้อมูลเราจะแบ่งเป็น 3 ส่วน 1. Train dataset 2. Test dataset และ 3. Forecast dataset</p><p>แยก Forecast dataset ออกมาก่อน แล้วจึงลบข้อมูลที่เป็น NA ที่เกิดจากการทำฟีเจอร์ของเรา ถ้าไม่แยก Forecast dataset ออกมาก็จะโดนลบไปด้วยนะครัชชช</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/514/1*HKey8Snb3lUrLcI20Exxyw.png" /></figure><p>มาเลือกปีเริ่มต้นที่เราต้องการศึกษาหุ้นนะครับ เพราะปกติหุ้นจะมีเทรนอยู่ช่วงระยะเวลาหนึ่งๆเท่านั้น ถ้ายิ่งมองใกล้เราไหร่ ข้อมูลย้อนหลังที่นำมาใช้ก็ควรนำมาน้อยเท่านั้น (แต่ผลก็แกว่งมากขึ้นไปด้วย) และทำการแยก Train, Test dataset โดยเราจะใช้อัตราส่วน 70:30 ในการแบ่ง ข้อนี้ต้องลองปรับจูนเอาเองได้นะครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/610/1*Fsor-Zx3uJI_MLKsnq3F5A.png" /></figure><p>นำทั้ง 3 dataset มา Split label กัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*k5EJz-q02ydKgQLz3NpQmg.png" /></figure><h3>4. Train Model (Linear Regression)</h3><p>ทำฟังชั่น train model กัน เผื่อไว้ใส่หลายๆ model จะได้ไม่ต้องแก้ไขเยอะๆ จากที่ลองๆก็มี Linear regression, Extratrees regressor, Lassolars (จริงๆมีวิธีวัดผล Model โดยการใช้ <a href="https://pycaret.org/">Pycaret </a>อีก ไว้เขียนในบทความต่อไปถ้ามีเวลา)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/758/1*e8E3Fr5kHxRmtc1OUqQYGg.png" /></figure><p>เราก็เลือก Linear regression ตามชื่อบทความเลย ฮ่าๆ โดยการส่ง train_feat, train_label เข้าไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*NkmXxmrYGrABSbGljTYLhw.png" /></figure><p>แล้วก็ลอง Predict ตัว Train dataset โดยใช้ฟังชั่น predict() แล้วมาเก็บไว้ใน Column Pred เพื่อเก็บไว้วัดผลต่อ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/575/1*NtXyZAvjsdihUG5wT3Ry8Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/473/1*rBpRzoNjL1mlT1s1ZZ7v_w.png" /></figure><p>ลองมา Plot ตัวชึดดูหน่อย พบว่า… โอ้โหโครตแกว่ง ฮ่าๆ จะไหวไหม (ตัว [-40:] จะบอกว่าให้แสดงแค่ 40 ข้อมูลย้อนหลัง ถ้าแสดงหมดจะเห็นไม่ชัด)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/741/1*OattWf59ftMU_PGDMjlFWg.png" /></figure><p>เรามาลองเปรียบเทียบการทำนายของเรา ว่ามองขึ้น มองลงถูกหรือป่าว เช่น ราคาปิดขึ้น ทำนายว่าขึ้น แบบนี้ถูกต้อง ถ้า True คือมองถูกด้าน False คือมองผิดด้านนะครับ แต่ไม่ได้บอกว่าถูกเท่าไหร่ผิดเท่าไหร่ ตัวนี้จะสามารถนำไปใช้ทำ Signal การเทรดต่อได้ครับ รวมๆแล้วก็ชนะประมาณ 61 %</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/944/1*0CA8RT0uhHjzPfGMTfISrg.png" /></figure><p>เก็บค่าที่เรา Predict ไว้ใน Dataframe เพื่อไว้เปรียบเทียบกับค่าที่เรา Label</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/526/1*uI_Ifx4s0kSBF6q0Tla3lQ.png" /></figure><p>มาลองดู Test dataset กัน แกว่งไม่ต่างกัน 5555</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/757/1*vgKlwooUuQ9rKTzssh8pWg.png" /></figure><p>Winrate แย่กว่าตัว Train dataset หน่อย แต่ก็ไม่ขี้เหร่นะแกกก 54% ชนะมากกว่า ถ้าจัดการ Money management ดีๆ ก็ทำกำไรได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*9n1fCMl1x9A8_X1b-8IyYg.png" /></figure><p>ต่อมาเราก็ทำกับตัว dataset ของ forecast เหมือนกัน เราก็จะรู้การทำนายของโมเดลเราแล้ว ว่าต่อไปหุ้นตัวนั้นๆจะขึ้นหรือลงมาแค่ไหน ตัวนี้จะเปรียบเทียบกับค่าปัจจุบันไม่ได้นะ เพราะเป็นการ forecast ไปล่วงหน้าแล้ว เราก็รอจนครบวันแล้วมาดูกันครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/577/1*QhNxEBTl9gsJ6noPQZNUVw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/368/1*qoAsEi78O7LDJXuZNrAN1A.png" /></figure><h3>5. Evaluate วัดผลโมเดลที่เราใช้กัน</h3><p>ก็จะวัดผลโมเดลของเรา โดยเลือก MAE, MSE, RMSE, R2 ซึ่งปกติผมจะดู RMSE เป็นหลักครับ <a href="https://datarockie.com/2019/03/30/top-ten-machine-learning-metrics/">(อ่านเรื่องการวัดผลโมเดล คลิกจ้าาา)</a> โดยทำฟังชั่นขึ้นมา 2 ตัวคือ 1. eval_err ก็คือวัดค่า Error นั้นแหละ return ค่าเป็น metric ที่เลือกใช้แต่ละตัว 2. print_eval_err ก็คือแสดงค่าทั้งหมดออกมา ไว้ตรวจเชคครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*gPu2YLLYov3JRQ_WS5UVHw.png" /></figure><h3>6. Pipeline รวบทุกอย่างเป็นฟังชั่นเดียว</h3><p>รวบทุกอย่างมาทำเป็น Pipeline เพื่อจัดการข้อมูล (ยังไม่สมบูรณ์ และยังไม่ได้ทำ clean code)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/785/1*c7q5d2iC2Wrfm3f_PBtK_g.png" /></figure><h3>7. Selection ได้เวลาเลือกหุ้นกันแล้ว</h3><p>เราก็จะสร้าง Dataframe มาไว้เก็บข้อมูลการทำนายผลของระบบที่เราสร้างโดยจะประกอบไปด้วย</p><ul><li>Symbol : ชื่อหุ้นที่ต้องการศึกษา</li><li>TrainQuant : จำนวนชุดข้อมูลในการเทรน</li><li>TestQuant : จำนวนชุดข้อมูลในการทดสอบ</li><li>MAE : Mean Absolute Error</li><li>MSE : Mean Squared Error</li><li>RMSE : Root Mean Square Error</li><li>R2 : R-Squared</li><li>Winrate : % ความถูกต้องของการมองทิศทางขึ้นลง</li><li>Status : สถานะหุ้นก่อน Forecast ย้อนหลัง 5 วัน</li><li>RET5 : Return value ย้อนหลัง 5 วัน</li><li>P_Status : สถานะหุ้นช่วงที่ได้จาก Forecast</li><li>Forecast : ค่า Logarithm return ที่ได้จากการ Forecast</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i56OuPfh-0-xRY_M2s9SHg.png" /></figure><p>ดูค่าโดยรวมของ dataframe ที่มีข้อมูลหุ้น 92 ตัว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/808/1*gt_jiTe7EtAhlSOgsW65bQ.png" /></figure><p>ดูรายละเอียดหุ้นทั้งหมดที่เราเก็บค่ามากัน โดยเรียงตาม Forecast จากมากไปน้อย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n6QhGVaa_Lzl87BbdL85PQ.png" /></figure><p>โดยเราจะคัดหุ้นโดยมีเงื่อนไขดังนี้</p><ul><li>P_Status = Bullish</li><li>Status = Bullish</li><li>RMSE &lt; 0.03</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0jy9RVr-67mVpEnA4bSW6A.png" /></figure><p>โดยกลุ่มเราเลือกโดยไม่สนใจพื้นฐานของหุ้น พิจารณาแค่ตัวเลขที่ได้จากการทำนาย โดยจะพยายามเลือกให้ค่า RSME น้อยที่สุด และ Forecast ต่างจากค่า RETS มากที่สุด โดยกลุ่มเราเลือก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/664/0*8iuVkdbZlbFvxGOY.jpg" /></figure><blockquote>ฝากด้วยนะ QH : Quality Houses อย่าทำให้ผิดหวัง</blockquote><h4>แล้วไปวัดผลกันอีก 1 อาทิตย์ จะเศรษฐีหรือยาจก</h4><p>เห็นว่าเป็นการทำนายที่ไม่ยากเลย เห็นไหมละ ใครๆก็ทำไว้ใช้ได้ บทความนี่ยังแค่พื้นฐาน ยังสามารถนำไปต่อยอดในการเพิ่มฟีเจอร์ต่างๆได้</p><h3>สิ่งที่ควรพัฒนาต่อ</h3><p>สิ่งที่เราทำมาด้านบนสรุปสุดท้ายแล้วยังเป็นแค่พื้นฐานเท่านั้น เพื่อให้ไม่ซับซ้อนและอ่านง่าย จริงๆแล้วเรายังมีอีกหลายอย่างที่จะลองทำ</p><ul><li><strong>การเลือกฟีเจอร์ </strong>ควรมีฟีเจอร์แนวคิดเพิ่ม เนื่องจากตัว Indicator อย่างเดียวไม่ได้ช่วยให้สามารถทำกำไรได้ ต้องพยายามสกัดฟีเจอร์จากแนวคิดของคนที่เทรดเอง เช่น เทรดเดอร์มืออาชีพ ว่าเขามองหุ้นยังไง ก่อนเข้าซื้อ ตัวอย่างดังรูปด้านล่าง แบบนี้เราก็สามารถนำมาสกัดเป็นฟีเจอร์แล้วโยนเข้าโมเดลให้สามารถทำนายได้เช่นกัน</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/0*_2hEpkQDcOLuJlsa.jpg" /></figure><ul><li><strong>Strategy </strong>ควรจะเพิ่มกลยุทธ์ในการเทรดแบบอื่นๆ และแบ่งเป็นหลายๆตัว เพื่อทำกำไรต่างเวลา ต่างตลาดกัน เวลาเราต้องการจะทำ Trading system เป็นของตัวเอง ควรกำหนด Strategy ทันที ว่าเราจะเทรดแบบไหน เนื่องจากจะเป็นตัวกำหนดองค์ประกอบ เช่น ฟีเจอร์ การคำนวณ Money management เช่น เทรดรายวัน เทรดรายเดือน เข้าแบบ ALL in หรือแบ่งไม้ เทรดในตลาดเทรน ตลาดไซด์เวย์</li><li><strong>Money management</strong> ในการเทรดหุ้นเชิงเทคนิคนั้นสำคัญมากที่จะทำให้เราไม่ล้างพอร์ทและยังทำกำไรได้ เราจึงต้องคำนวณจุดเข้า จุดออก จุดตัดขาดทุน ยกตัวอย่างเช่น ซื้อหุ้น A หุ้นละ 10 บาท จำนวน 10,000 หุ้น ต้องการทำกำไรที่ 12.5 บาท ตัดขาดทุนที่ 9.5 บาท Risk reward ratio 1:5 (RRR ควรจะเกิน 1:2 ขึ้นไป) แบบนี้แล้วถ้าระบบเราแพ้ 6 ครั้ง จาก 10 ครั้ง (Win-rate 40%) เห็นไหมก็ยังสามารถทำกำไรได้</li><li><strong>Back testing</strong> ในการกำหนดกลยุทธ์หรือตัวแปรต่างๆที่เราจะนำมาพิจารณาควรจะมีการทดสอบย้อนหลังไปช่วงต่างๆแล้วดูผลว่าเป็นอย่างไร ก่อนนำแต่ละตัวมารวมกัน เพื่อนำผลตัวเลขต่างๆมาประเมินการกำหนดกลยุทธ์ต่อไป</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/0*1R6R-uGpM2087fvl.png" /><figcaption>ตัวอย่าง Result จากโปรแกรม Amibroker</figcaption></figure><ul><li>Algorithm trading with automatic system คือการทำระบบเราให้สามารถ Feedback ได้ สามารถเรียนรู้ได้จากตัวเลขต่างๆ อัตโนมัติ พร้อมปรับค่า parameter ต่างๆให้สามารถทำกำไรได้มากที่สุด โดยเราเข้าไปแทรกแซงน้อยที่สุด</li></ul><h3>สุดท้าย ฝากไว้</h3><blockquote>สำหรับคนที่อยากระบบ AI ไว้เทรด อยากให้นึกไว้เสมอว่าพวกเทรดเดอร์ กองทุน หรือบริษัทลงทุนต่างๆมีระบบที่ล้ำหน้าไปกว่าเรามาก แล้วทุกๆบริษัทก็พยายามลงทุนมหาศาลพัฒนาระบบ AI ที่ล้ำหน้าเพื่อมาแย่งชิงกำไรในตลาดการลงทุนทางการเงินทุกแห่ง แต่เราเพียงแค่หาระบบเทรดที่สามารถหาเทรนตามรายใหญ่ ทำกำไรได้ตลอด เพื่อใช้ต่อยอด หรือใช้ในชีวิตประจำวัน ไม่ทำให้ขาดทุน ไม่ล้างพอร์ทก็คิดว่าเพียงพอแล้ว เจียมตัวไม่โลภมาก แต่อย่าหมดหวังมุ่งมั่นพัฒนาต่อไปอย่าหยุด…</blockquote><p>ฝากถึง Botnoi</p><p>กลุ่ม 4 ขอขอบคุณทีมอาจารย์และทีม TA Botnoi ที่ช่วย “เปิดโลกครั้งแรกกับ Analytics &amp; Forecasting” ทำให้เข้าใจหลักในการ Apply นำ Tools ไปใช้จริง มีการเชิญ Guest Speakers มาถ่ายทอดประสบการณ์ ทำให้คนไม่มีความรู้ทั้ง Coding, Analytics แม้กระทั่งการซื้อขายหุ้น ได้เรียนรู้ ตื่นตาตื่นใจกับความเข้าใจที่แตกแขนงเหมือน Neural Link ขอสัญญาว่าจะพัฒนาความรู้ความสามารถให้ดียิ่งขึ้น ขอบคุณคร้าบบบบ ส่วนใครที่เข้ามาอ่านและยังไม่ได้สมัครคอร์ส Botnoi รอบหน้าถ้าเปิด ห้ามพลาด บอกเลยย สมัครหลักพัน ได้หลักหมื่นถึงแสนแน่นอน</p><p><a href="https://docs.google.com/forms/d/e/1FAIpQLSfxMToRPwqFylz0sbUFNqetq1BZk-hynyh3t1UyI8TT0JTP-g/viewform?fbclid=IwAR1GsUyyo8njLrWwRPfq2Z8lGuUyg5kXGlSM5m_6tiJRmD67b4_k7EctT5A">ช่องทางสมัครรุ่น 2 คลิกจ้าาา</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd0d64859c96" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[hello, world!]]></title>
            <link>https://medium.com/@minimartz/hello-world-8fffee48a198?source=rss-3ac11ecefdb3------2</link>
            <guid isPermaLink="false">https://medium.com/p/8fffee48a198</guid>
            <dc:creator><![CDATA[mini.mart]]></dc:creator>
            <pubDate>Sat, 04 Mar 2017 17:36:03 GMT</pubDate>
            <atom:updated>2017-03-04T17:36:03.349Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>hello, world!</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8fffee48a198" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>