<?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 Peerat Pookpanich on Medium]]></title>
        <description><![CDATA[Stories by Peerat Pookpanich on Medium]]></description>
        <link>https://medium.com/@peerat.pookpanich?source=rss-17e547b84a7------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*rFy8LxzaM8aLQbRts9L8hA.jpeg</url>
            <title>Stories by Peerat Pookpanich on Medium</title>
            <link>https://medium.com/@peerat.pookpanich?source=rss-17e547b84a7------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 02:00:12 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@peerat.pookpanich/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[คนจะรวยช่วยไม่ได้ !!! มา Trade หุ้นด้วย Machine Learning กันเถอะ !!!]]></title>
            <link>https://medium.com/botnoi-classroom/%E0%B8%84%E0%B8%99%E0%B8%88%E0%B8%B0%E0%B8%A3%E0%B8%A7%E0%B8%A2%E0%B8%8A%E0%B9%88%E0%B8%A7%E0%B8%A2%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B9%84%E0%B8%94%E0%B9%89-%E0%B8%A1%E0%B8%B2-trade-%E0%B8%AB%E0%B8%B8%E0%B9%89%E0%B8%99%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-machine-learning-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%80%E0%B8%96%E0%B8%AD%E0%B8%B0-406a8cda2ada?source=rss-17e547b84a7------2</link>
            <guid isPermaLink="false">https://medium.com/p/406a8cda2ada</guid>
            <category><![CDATA[stocks]]></category>
            <category><![CDATA[time-series-forecasting]]></category>
            <category><![CDATA[lstm]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Peerat Pookpanich]]></dc:creator>
            <pubDate>Tue, 15 Sep 2020 17:04:08 GMT</pubDate>
            <atom:updated>2020-09-17T00:07:00.875Z</atom:updated>
            <content:encoded><![CDATA[<h3>คนจะรวยช่วยไม่ได้ !!! มา Trade หุ้นด้วย Machine Learning กันเถอะ !!!</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Wf-kv_vksuFWorLzokvkgg.jpeg" /><figcaption><a href="https://www.imdb.com/title/tt0993846/">The Wolf of Wall Street (2013)</a></figcaption></figure><p><strong>Objective</strong>: บทความนี้เป็นส่วนหนึ่งของ Botnoi Classroom : Data Science Essential หัวข้อ Time Series Forecasting</p><p><strong>Member:</strong> พลอย, บูม,เอก,ตั้ม,คอง, หมู, โอ, เมย์, เมษ, จั๊ว, ทราย, อ้อม, ทาขุ, ออน, ชัย, ไม้, วิน, เชษฐ์, เติ้ก, พีท, อีฟ</p><h4>สวัสดีครับทุกคน ตอนนี้ก็มาถึงสัปดาห์ที่ 5 กันแล้วนะครับ</h4><p>ไม่น่าเชื่อว่าเวลาผ่านไปไวมาก ๆ แต่ว่ายิ่งเรียนโปรเจคที่เราได้รับมอบหมายจากทีมงานบอทน้อยก็ยิ่งเข้มข้นมากขึ้น สำหรับโจทย์ในสัปดาห์นี้ก็คือ</p><h4><strong>“ Trade หุ้นให้กำไรสูงสุด โดยใช้ Time Series &amp; Stock forecasting”</strong></h4><p>ว่ากันง่าย ๆ ก็คือการใช้ข้อมูลย้อนหลังที่มีลักษณะเป็น <strong>Time Series หรืออนุกรมเวลา</strong> มาช่วย<strong>ทำนายราคาหุ้นในกลุ่ม</strong> <strong>SET100 โดยการใช้ Machine Learning </strong>กันนะครับ ก่อนอื่นเรามาดู highlight ของบทความนี้กันก่อนเลยย</p><h3><strong>Highlights</strong></h3><blockquote><em>- </em><strong><em>การ Brainstorm ปัจจัยที่จะมีผลกับหุ้น </em></strong><em>เลือกแหล่งข้อมูล และหาวิธีได้มาซึ่งข้อมูลนั้นๆด้วยวิธีที่หลากหลาย ทั้ง web scrapping, data loader,….</em></blockquote><blockquote><em>- </em><strong><em>การ Cleaning และ Pre-Processing Data</em></strong><em> เพื่อให้อยู่ในฟอร์มที่พร้อมนำไปวิเคราะห์ และ ทดสอบข้อมูลและตัวแปรที่เรา brainstorm กันมา</em></blockquote><blockquote><em>- </em><strong><em>การประยุกต์ใช้ความรู้ที่เรียนมา</em></strong><em> ทั้งในการดึงข้อมูลด้วย beautiful soup การแปลงข้อมูลที่เป็นข้อความด้วยเทคนิคการทำ NLP และ การประยุกต์ใช้ Models ที่อาจารย์สอน ทั้ง regression, time series และต่อยอดไปถึงการทำลอง Automated forecasting จาก Facebook</em></blockquote><blockquote><em>- </em><strong><em>การ สร้าง models ใหม่ </em></strong><em>เพื่อหาผลลัพธ์ที่แตกต่างออกไป โดยสร้าง framework ขึ้นมาเองเพื่อมาทำนายราคาหุ้น</em></blockquote><blockquote><em>- </em><strong><em>สิ่งที่ทีมได้เรียนรู้ </em></strong><em>ทดลองทำจริง และ นำเสนอหุ้นตามผลการวิเคราะห์ที่ได้</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/738/0*F11YLuViSkTtlsa8" /></figure><p>ความท้าทายอยู่ที่หลังจากที่พวกเราสร้าง model ที่ (พวกเราคิดว่าน่าจะ) ดีที่สุด สำหรับใช้ในการทำนายราคาหุ้นแล้ว เราต้องเลือกหุ้นมา และทำการซื้อ-ขายจริง !!! เรียกได้ว่า.. เล่นจริง รวยจริงกันเลยครับ ^^!</p><p><strong>สำหรับข้อมูลแบบ Time Series</strong> ก็คือข้อมูลที่มีการเปลี่ยนแปลง แปรผันตามช่วงเวลา เช่น ราคาหุ้น ราคาทองคำ ราคาพืชผลทางการเกษตร ซึ่งจะมีองค์ประกอบต่าง ๆที่เกี่ยวข้องกับเวลา ซึ่งสามารถแบ่งได้เป็น</p><ul><li><strong>Trend:</strong> เส้นที่มีรูปแบบการเพิ่มขึ้น หรือ ลดลง อย่างต่อเนื่อง</li><li><strong>Seasonal:</strong> เส้นที่มีรูปแบบของความผันผวน ขึ้น/ลง เป็น Cycle ที่เกิดขึ้นเป็นประจำ เช่น ราคาที่เปลี่ยนแปลงตามรอบเดือน / ไตรมาส</li><li><strong>Remainder (Residual): </strong>เส้นที่ไม่มีแบบแผน (ส่วนที่เหลือจาก Trend + Seasonal อาจเรียกว่าเป็น Error rate หรือ Noise ก็ได้)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*gg-vBhFUynPJoI5A" /></figure><p>ในปัจจุบันการทำ <strong>Trend Forecasting</strong> เราใช้สามารถใช้ทั้ง <strong>ML (Machine Learning)</strong> หรือ <strong>DL (Deep Learning)</strong> มาช่วยทำให้ผลลัพธ์ของการทำนายมีความแม่นยำมากขึ้น และนอกจากเฉพาะข้อมูลเบื้องต้นที่มาจากตัวข้อมูล Time Series เองแล้ว เรายังสามารถเพิ่ม Features หรือสิ่งที่เราคิดว่าน่าจะมีผลต่อการทำนายเข้าไปใน Model เพื่อให้เกิดการเรียนรู้ และ สามารถทำนายผลได้ดีขึ้นอีกด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*NZiT_bteo-dNVyW8" /></figure><p>สำหรับการสร้าง <strong>Time-Series Forecasting Model</strong> นั้น เป็นการใช้ <strong>Machine Learning</strong> ในรูปแบบของ <strong>Supervised Learning</strong> (การเรียนรู้ที่เราต้องป้อนคำตอบเบื้องต้น เพื่อให้ Machine เรียนรู้ก่อน) ซึ่งโดยทั่วไป มักจะใช้สมการทางคณิตศาสตร์แบบ <strong>Regression</strong> เข้ามาช่วย โดย Model ที่เป็นที่นิยมก็ได้แก่ Simple Linear Regression, Multiple Linear Regression, Lasso Regression, ElasticNet Regression ฯลฯ แต่ในส่วนโปรเจคของเราจะใช้สมการตัวไหน หรือ Features อะไรบ้าง และด้วยเหตุผลอะไร ไปติดตามกันต่อเลยครับ !</p><h3><strong>Step 1 : Get Data</strong></h3><p><strong><em>ข้อมูลและปัจจัยที่คาดว่ามีผลต่อราคาหุ้น (Stock Data and related factors)</em></strong></p><p>จากโจทย์ที่เราจะต้องทำโมเดลเพื่อทายราคาหุ้นใน SET100 <strong>ขั้นตอนแรกเลยพวกเราก็ต้องมาระดมสมองกันว่า น่าจะมีข้อมูลอะไรบ้างที่น่าจะมีผลต่อการเปลี่ยนแปลงของราคาหุ้นไทย และเราจะหาข้อมูลเหล่านั้นได้จากที่ไหนบ้าง</strong> … แต่ข่าวร้ายคือ กลุ่มเราแทบไม่มีคนเล่นหุ้นเลยครับ ไม่มี Insight เลยว่าข้อมูลไหนน่าจะมีผลกับราคาหุ้นบ้าง … ก็เลยคุยกันว่างั้นเราก็ลิสต์ๆ มา เกี่ยวมากเกี่ยวน้อยเอามาให้หมด แล้วเดี๋ยวมาใช้ Model ช่วยตัดสินละกัน …<strong> ในส่วนของข้อมูลที่เลือกมาเราก็จะพยายามเลือกแหล่งที่มีข้อมูลย้อนหลังในช่วง 5–10 ปี</strong> … โดยรายละเอียดของข้อมูลและตัวแปรทั้งหมดที่รวบรวมมาจะแสดงอยู่ตามตารางนี้เลยครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GLgBRV73XnufVajE" /><figcaption><em>ตัวอย่างข้อมูลที่เราคิดว่าน่าจะสามารถนำมาทำนายราคาหุ้นได้</em></figcaption></figure><p><em>สำหรับตารางข้อมูลเต็มๆ พร้อมแหล่งที่มาของข้อมูลรวมถึงวิธีที่ใช้ในการดึงข้อมูล สามารถคลิกที่ลิงค์นี้ได้เลยครับ Table : </em><a href="https://docs.google.com/spreadsheets/d/1JtFJlpVhWDAlJ9004nvtkTkYfmRBcijANNricmQWG_I/htmlembed/sheet?gid=0"><em>All Possible Features</em></a></p><p>ซึ่งจากข้อมูลทั้งหมด 100 กว่าตัว ที่พวกเราช่วยกันลิสต์ขึ้นมา ก็สามารถแบ่งเป็นกลุ่มๆ ได้ประมาณนี้ครับ</p><ul><li><strong>กลุ่มที่ 1 :</strong> <strong>ข้อมูลราคาหรือการซื้อขายของหุ้นแต่ละตัวใน SET100 โดยตรง</strong> เช่น ราคาปิด(Close, Adjusted Close), ราคาเปิด(Open), ปริมาณการซื้อขายของหุ้นแต่ละตัว (Volume) ซึ่งข้อมูลพวกนี้พวกเราคิดว่าน่าจะเอาไป<strong>ทำ Feature Engineering เพื่อสร้างตัวแปรอื่นๆ สำหรับสาย Technical Analysis</strong> (สายอ่านกราฟ) เช่น MACD หรือ RSI ได้</li><li><strong>กลุ่มที่ 2 : ข้อมูลสถานะทางการเงินของแต่ละบริษัท</strong> เช่น อัตราการเติบโตของรายได้, กำไร, เงินปันผล หรือ Key Financial Ratio ต่างๆ เช่น EPS, ROA, ROE, NPM แต่น่าเสียดายที่ข้อมูลพวกนี้ส่วนใหญ่จะเป็นรายปี หรือรายไตรมาส เลยทำให้มี Variation ของข้อมูลน้อย ซึ่งถ้าไม่ใช่ช่วงประกาศผลการดำเนินการของบริษัท ก็ไม่น่าจะมีผลสักเท่าไหร่ โดยเฉพาะสำหรับการลงทุนระยะสั้นแบบของพวกเรา เราเลยไม่ได้โฟกัสที่ข้อมูลส่วนนี้เยอะครับ</li><li><strong>กลุ่มที่ 3 : ข้อมูลที่สามารถทำ Feature Engineering ได้จากวันที่</strong> เช่น วัน, สัปดาห์, เดือน</li><li><strong>กลุ่มที่ 4 : ดัชนีของตลาดซื้อขายหลักทรัพย์ทั้งในประเทศไทย และในต่างประเทศ</strong> เช่น SET Index, TFEX, MAI, Dow Jones, NASDAQ, Nikkei, Hang Seng</li><li><strong>กลุ่มที่ 5 :</strong> <strong>ราคาสินค้าที่มีการซื้อขาย เก็งกำไรกันในตลาดโลก</strong> เช่น Crude Oil, Gold, Silver, Dollar Index</li><li><strong>กลุ่มที่ 6 :</strong> <strong>ปัจจัยชี้วัดสภาวะเศรษฐกิจไทยและต่างประเทศ</strong> เช่น GDP หรือ อัตราการว่างงานของไทย หรือ สหรัฐอเมริกา แต่ข้อมูลที่เราหาได้ส่วนใหญ่จะเป็นรายปีหรือรายไตรมาส เราก็เลยไม่ได้โฟกัสที่ข้อมูลส่วนนี้เยอะครับ</li><li><strong>กลุ่มที่ 7 : ปัจจัยอื่นๆ ที่อาจส่งผลต่อเศรษฐกิจและการลงทุน</strong> เช่น อัตราดอกเบี้ย, อัตราแลกเปลี่ยน, วันประชุมของคณะกรรมการนโยบายการเงิน ทั้งของไทย(กนง.) และของสหรัฐ (Fed Meeting)</li><li><strong>กลุ่มที่ 8 :</strong> <strong>ราคาหรือดัชนี้ราคา (Consumer &amp; Producer Price Index) ของสินค้าต่างๆ ในประเทศ</strong> ไม่ว่าจะเป็นสินค้าอุตสาหกรรม หรือสินค้าเกษตร เช่น ราคาน้ำมันในประเทศ, ดัชนีราคาวัสดุก่อสร้าง, ราคายางพารา, ราคาเนื้อหมู, ค่าแรง, ค่าไฟ, ดัชนีราคาสินค้าส่งออก โดยพวกเรามองว่าตัวแปรนี้อาจจะส่งผลในภาพรวมหรือกับแค่บางเฉพาะกลุ่มธุรกิจก็ได้ครับ</li><li><strong>กลุ่มที่ 9 :</strong> <strong>ข่าวเกี่ยวกับหุ้นจากเว็บไซต์ต่างๆ</strong> ซึ่งเดิมเราตั้งใจจะรวบรวมจากหลายเว็บไซต์ แต่ด้วยเวลาที่จำกัด เราเลยดึงข้อมูลมาได้แค่เว็บไซต์เดียวครับ เราเลยเพิ่ม<strong>ข้อมูล Google Trend Index</strong> ของแต่ละหุ้นเข้ามา เพื่อแทนในส่วนของ Public Interest และเพิ่มข้อมูลว่าหุ้นแต่ละตัวถูก<strong>แนะนำหรือวิเคราะห์จาก Broker</strong> บ้างหรือไม่ในช่วงเวลาใกล้เคียง (ปล. เราอาจไม่ได้เลือก Broker เจ้าดังมากนะครับ … เพราะมันไม่ฟรีครับ !!! เราเน้นของฟรี )</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TPYUvrvEYOCL6tqr" /><figcaption><a href="https://trends.google.com/trends/explore?date=today%205-y&amp;geo=TH&amp;q=KTB,BBL,BAY,KBANK,SCB"><em>ตัวอย่างข้อมูล Google Trend Index</em></a><em> ที่เราเลือกมาใช้แสดง Public Interest ในประเทศไทย ต่อชื่อหุ้นแต่ละหัว แต่ข้อมูลนี้จะต้องใช้อย่างระมัดระวังเพราะค่า Index อาจเปลี่ยนแปลงได้ตลอดเวลา และหุ้นบางตัวมีชื่อที่พ้องกับคำธรรมดาๆ ในภาษาอังกฤษ เช่น BAY แต่เอาเป็นว่า เราเอามาใช้มองเป็นแนวโน้มละกันว่าคน ‘ค้นหา’ คำพวกนี้บ่อยมากขึ้นหรือน้อยลงแค่ไหนกับช่วงเวลาต่างๆ</em></figcaption></figure><h3>การเก็บข้อมูล (Data Loading)</h3><p>หลังจากที่ได้ทำการลิสต์รายชื่อข้อมูลที่น่าสนใจออกมาแล้ว ซึ่งมีปริมาณค่อนข้างมาก เราจึงได้ทำการแบ่งหน้าที่กันไปหาข้อมูลตามแหล่งข้อมูล และวิธีการต่างๆกันตามที่ตัวเองถนัด โดยสามารถแบ่งวิธีการเก็บข้อมูลได้ตามนี้ครับ</p><ul><li><strong>วิธีที่ 1 : สายเทพ เค้าต้องทำ Web Scraping สิ</strong> … จะธรรมดาได้ยังไง เราใช้ข้อมูลพวกนี้กับข้อมูลกลุ่มที่เป็นข่าวหุ้นครับ วิธีการนี้จะทำให้เราได้ข้อมูลจากเว็บไซต์เป้าหมายได้ตามต้องการ เพราะเราสามารถกำหนดจุดที่ต้องการสกัดข้อมูลบนหน้าเว็บไซต์ และสามารถที่จะสกัดพร้อมกันหลายๆเว็บไซต์ได้ในหนึ่งช่วงเวลา แน่นอนว่าเราต้องแลกมาด้วยความอึด ถึก ทน และองค์ความรู้ที่จำเป็น ไม่ว่าจะเป็นภาษา <strong>HTML </strong>ที่เป็นฉากหลังของหน้าเว็บไซต์ที่สวยงาม การใช้เครื่องมืออย่าง <strong>Browser Inspector</strong> เพื่อค้นหาว่าหน้าเว็บไซต์ฉากหลังมีการเขียนโค้ด HTML ไว้อย่างไร การใช้ library ต่างๆ เพื่อดูดหน้าเว็บไซต์ (<strong>Requests</strong>) และสกัดเว็บไซต์ (<strong>BeautifulSoup</strong>) โดยใน project นี้เราเลือกที่จะสกัดข้อมูลข่าวจากเว็บไซต์ <a href="http://thainewsstock.blogspot.com/">http://thainewsstock.blogspot.com/</a> โดยเลือกเฉพาะข่าวที่มาจาก <a href="http://thainewsstock.blogspot.com/search/label/%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%B7%E0%B8%AD%E0%B8%9E%E0%B8%B4%E0%B8%A1%E0%B8%9E%E0%B9%8C%E0%B8%97%E0%B8%B1%E0%B8%99%E0%B8%AB%E0%B8%B8%E0%B9%89%E0%B8%99">หนังสือพิมพ์ทันหุ้น</a></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*kdh9ZiV94mYbi-qL" /><figcaption><em>ตัวอย่างเว็บไซต์ </em><a href="https://www.set.or.th/"><em>https://www.set.or.th</em></a><em>: ภาพซ้าย ฉากหน้าของเว็บไซต์ที่ทุกคนสามารถอ่านได้ง่าย และ ภาพขวา ฉากหลังที่เป็น </em><strong><em>HTML</em></strong></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/859/0*gXLIghzJVK61n6WM" /><figcaption><em>ตัวอย่างของการใช้ </em><strong><em>Browser (Chrome) Inspector</em></strong><em> เพื่อหาโค้ด HTML ที่เป็นฉากหลังของหน้าเว็บไซต์</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/917/0*_7W7NqVIB1_DQEOt" /><figcaption><em>ตัวอย่างการใช้ Library </em><strong><em>Requests</em></strong><em> เพื่อดึงข้อมูลหน้าเว็บไซต์จาก </em><a href="https://www.set.or.th/"><em>https://www.set.or.th</em></a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/0*8o2cqd4y8qKh5jrs" /><figcaption><em>ตัวอย่างการใช้ Library </em><strong><em>BeautifulSoup</em></strong><em> เพื่อสกัดข้อมูล SET100 Symbols</em></figcaption></figure><ul><li><strong>วิธีที่ 2 : Library / API ใน Internet</strong> ก็มีเยอะแยะ ทุ่นแรงด้วย Library / API ที่มีอยู่ในแล้วใน Internet กันเถอะ เช่น การดึงข้อมูลราคาหุ้นด้วย Yahoo Finance API, ข้อมูลดัชนีตลาดหุ้นและราคาสินค้าต่างๆ ด้วย Investpy (investing.com), ข้อมูล Google Trend Index ด้วย pytrends</li><li><strong>วิธีที่ 3 : สายอยากเทพแต่อ่าน HTML ไม่เป็น งั้นเริ่มที่ ใช้สูตร IMPORTHTML ดึงข้อมูลตารางลงมาไว้ที่ Google Sheet</strong> แล้วค่อยดูดมาเข้า Python ทีหลังละกัน เช่น ข้อมูลการวิเคราะห์หุ้นหรือแนะนำหุ้นจาก Broker</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*t2oGDj8yvyN10ktU" /><figcaption><em>Easy Web scraping : ตัวอย่างการใช้สูตร IMPORTHTML เพื่อดึงข้อมูลตารางจากเว็บไซต์ด้วย Google Sheet</em></figcaption></figure><ul><li><strong>วิธีที่ 4 : สาย Manual กด Download หรือ Copy ตารางด้วยมือ</strong> … ช้าหน่อยแต่ชัวร์นะ !! ส่วนใหญ่จะเป็นข้อมูลจากหน่วยงานในประเทศไทยครับ เช่น อัตราดอกเบี้ย, อัตราแลกเปลี่ยนจากธนาคารแห่งประเทศไทย ราคาหรือดัชนีราคาต่างๆ จากกระทรวงพาณิชย์ (ความจริงแล้วทั้งธนาคารแห่งประเทศไทย และกระทรวงพานิชย์มีก็มี API สำหรับข้อมูล แต่ด้วยระยะเวลาที่ทำให้เราไม่ได้ศึกษาเพื่อใช้งาน)</li></ul><blockquote><strong>Tips &amp; Tricks จากทั้ง 4 วิธีการ (รวมถึงข้อข้อควรระวัง)</strong></blockquote><blockquote><strong>ความไม่แน่นอนของโครงสร้างเว็บไซต์</strong> ซึ่งอาจจะเกิดจากนักพัฒนา หรือผู้ที่เพิ่มเนื้อหาเข้าเว็บไซต์ ทำให้เราจะต้องเขียนวิธีดึง และสกัดข้อมูลรองรับไว้หลายแบบมาก มิเช่นนั้นข้อมูลที่สกัดมาได้อาจจะได้ในปริมาณที่น้อย หรือไม่ถูกต้อง</blockquote><blockquote><strong>จรรยาบรรณ</strong> ถือเป็นสิ่งสำคัญที่เราควรจะคำนึงก่อนจะไปดึงเนื้อหาจากเว็บไซต์ใด ๆ ดังนั้นคำแนะนำให้ลองตรวจสอบดูว่าเว็บไซต์ปลายทางมีข้อกำหนดการอนุญาตในการใช้เนื้อหาไว้ หรือไม่อย่างไร</blockquote><blockquote><strong>ใช้ APIs จะดีที่สุด</strong> เป็นสิ่งนึงเลยที่เราควรจะตรวจสอบว่าเว็บไซต์เหล่านั้นมีให้บริการหรือไม่ เพราะส่งผลดีทั้งผู้ให้บริการเว็บไซต์ และผู้ที่ต้องการใช้ข้อมูล เนื่องจากมีการควบคุมเนื้อหาที่ชัดเจน และทางเทคนิคก็เป็นการควบคุมการเข้าถึงในปริมาณที่เหมาะสม เป็นการป้องกัน Server ไม่ให้ล่มได้</blockquote><blockquote><strong>Library ก็ไม่ได้สะดวกเสมอไป </strong>หลายๆครั้ง library ที่เราเลือกก็ใช้ยากเหลือเกิน เพราะ documents ไม่ชัดเจน community เพื่อหาคำตอบก็น้อย ซึ่งก็มาจากหลาย ๆ สาเหตุ</blockquote><p>จากขั้นตอนดั่งกล่าวเราสามารถสรุปออกมาเป็น Data Pipeline ได้ตามนี้เลยครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/822/0*7Ll9jI1YLRZ6pFMx" /></figure><h3><strong>Step 2 : Understanding Data &amp; Dealing with Missing Value</strong></h3><h4>● <strong>Dealing with Missing Value (NaN)</strong></h4><p>เราแบ่งวิธีได้เป็น 3 แบบด้วยกันครับ</p><p><strong>วิธีที่ 1: การแทนที่ NaN ด้วย Forward Fill (ffill) </strong>สำหรับข้อมูลที่มีลักษณะต่อเนื่อง เช่น ราคาของหุ้น หรือสินค้าต่างๆ รวมถึงดัชนีหุ้นหรือ ดัชนีราคาสินค้าต่างๆ ด้วย <strong>เพราะเรามองว่าการแทนที่ด้วยค่า 0 หรือค่าสถิติอื่นๆ อาจจะทำให้ Trend ของข้อมูลที่เป็น Time series ผิดเพี้ยนไปได้</strong> การแทนที่ด้วย Forward Fill หรือข้อมูลเดียวกันของช่วงเวลาก่อนหน้า น่าจะเหมาะสมกว่า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*8YDzGE5LeTSbrTNZ" /><figcaption><em>ตัวอย่าง Code การแทนที่ข้อมูล Time-Series ด้วย Forward Fill (ffill)</em></figcaption></figure><p><strong>วิธีที่ 2: การแทนที่ NaN ด้วยค่า 0</strong> เช่น ข้อมูลข่าว หรือหุ้นที่ถูกแนะนำโดย Broker เพราะเรามองว่าการที่ไม่มีข้อมูลเกี่ยวกับหุ้นตัวใด ในวันนั้นๆ น่าจะแปลว่าไม่มีข่าวหรือไม่มีการพูดถึงหุ้นตัวนั้นเลย</p><p><strong>วิธีที่ 3: ไม่แทนค่า NaN ด้วยค่าใดๆ เลย</strong> เพราะเป็นช่วงเวลาที่ไม่มีการเก็บข้อมูลนั้นๆ จริงๆ เช่น เราไม่มีข้อมูลการวิเคราะห์หุ้นจาก Broker ในช่วงก่อนปี 2013 เราก็เลือกที่จะไม่แทนที่ค่า NaN ด้วยค่าใดๆ เลย<strong> เพราะอาจจะทำให้ความหมายของข้อมูลผิดเพี้ยนไปได้</strong> หรือราคาหุ้นบางตัวที่พึ่งเริ่ม Trade ในตลาดไม่กี่ปี โดยพวกเรามองว่าถ้าหุ้นตัวใด ไม่มีข้อมูลสำคัญบางอย่างในบางปี ก็อาจต้องพิจารณาตัดข้อมูลในช่วงปีนั้นทั้งหมด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4ThsJKBIbHKjVQzb" /><figcaption><em>ตัวอย่างข้อมูลการแนะนำหุ้นโดย Broker ซึ่งควรแทนที่ค่า NaN ด้วย 0 แต่จะระบุช่วงเวลาที่ไม่แทนที่ NaN ด้วยค่า 0 เพราะช่วงเวลาดังกล่าวยังไม่มีข้อมูลนี้</em></figcaption></figure><h4>● <strong>เรื่องที่ 2 : ลอง Detect Outliers ดู แต่สุดท้ายก็ขึ้นอยู่กับแต่ละ Model ว่าจะต้องทำหรือไม่</strong></h4><p>ในเบื้องต้นพวกเราได้ลองทำ Outliers Detection กับข้อมูลกลุ่มต่างๆ ดู พบว่าจากข้อมูลย้อนหลังในช่วง 10 ปี หรือนับเป็นมากกว่า 2000 Rows ของวันที่มีการซื้อขายหุ้น จะมีจำนวน Outliers อยู่บ้าง โดยจะ<strong>เจอเยอะในข้อมูลที่เป็นราคาสินค้าเกษตรรายวันที่มีความผันผวนสูง กับข้อมูลมูลค่าการซื้อขายหุ้นในตลาดหลักทรัพย์ </strong>ส่วนข้อมูลที่มีลักษณะเป็น Index ของราคาสินค้าต่างๆ และข้อมูลที่เป็นรายเดือนจะแทบไม่มี Outliers เลย</p><p>โดยกลุ่ม<strong>เราไม่ได้ทำการ Drop หรือ Replace ค่า Outliers ในทันที</strong> โดยเฉพาะกับข้อมูลราคาหุ้น เพราะเรามองว่าความผันผวนของเราก็น่าจะเป็นอีกหนึ่งปัจจัยที่ Model จะต้องเรียนรู้และพยายามมองหา Pattern ให้ได้</p><p>นอกจากนี้ หลังจากได้ทดลองสร้าง Model บางตัวและพิจารณาผลดูแล้ว เรายังมองว่าแม้ Year จะไม่ถูกบอกว่าเป็น Outliers จากการคำนวณทางคณิตศาตร์ แต่ระยะเวลาของข้อมูล (แกน Timeline) ที่ยาวนานเกินไปก็อาจจะเป็นเสมือน Outliers ในการสร้าง Model ทำนายราคาหุ้นได้</p><h4>● <strong>การกำจัดความซ้ำซ้อนของข้อมูลเนื่องจากปัญหาโครงสร้างหน้าเว็บไซต์</strong></h4><p>เราพบว่าเว็บไซต์ข่าวที่เลือกมาทำ Web Scraping ผู้เพิ่มข่าวมีการใช้ Format ที่แตกต่างกันอยู่บ้างในแต่ละครั้งส่งผลต่อโครงสร้างหน้าเว็บไซต์ (ด้วยช่วงเวลาที่จำกัดเรายังคิดว่าเป็นเว็บไซต์ที่ตอบโจทย์ที่สุด) ทำให้เราต้องเขียนโค้ดที่ซับซ้อนเพื่อการสกัดให้ได้ข้อมูลมากที่สุด เมื่อสกัดเรียบร้อยเราพบว่าข้อมูลมีความซ้ำซ้อนอยู่บางส่วน เรายอมให้เกิดความซ้ำซ้อนอยู่บ้าง และเลือกที่จะกำจัดความซ้ำซ้อนทิ้งในกระบวนการถัดไป เพราะการปรับให้โค้ดรองรับได้ทุกรณีนั้นไม่สามารถทำได้หากปรับกรณีใดกรณีหนึ่ง อาจส่งผลต่ออีกกรณีได้ และส่งผลต่อข้อมูลที่จะสกัดได้เช่นกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Da1_Jl-5L-se49od" /><figcaption><em>ตัวอย่างจากหน้าเว็บไซต์ข่าว </em><a href="http://thainewsstock.blogspot.com/"><em>http://thainewsstock.blogspot.com/</em></a><em> ซึ่งมีโครงสร้างหน้าเว็บต่างกัน</em></figcaption></figure><h4>● <strong>เรื่องที่ 4 : ความรู้สึกเสียดายที่จะต้องตัดบางข่าวทิ้งไปเพราะไม่มี Symbols ของหุ้นในข่าว</strong></h4><p>เว็บไซต์ที่เราเลือกให้เป็นแหล่งของข่าวนั้น เนื้อข่าวโดยส่วนใหญ่จะมีการใส่ Symbols ของหุ้นไว้ทำให้ผู้อ่านรู้ได้ทันทีว่าข่าวกับกำลังนำเสนอเรื่องราวเกี่ยวกับหุ้นตัวไหน แต่ก็มีข่าวอีกไม่น้อย (และมองถึงเว็บไซต์ข่าวอื่น ๆ ที่เราได้ตัดทิ้งไป) ที่ไม่ได้มีการใส่ Symbols ของหุ้นไว้ในข่าว ซึ่งเรามองว่าในอนาคตเราอาจสร้าง Model ที่ทำนายได้ว่าข่าวนี้มีการพูดถึงหุ้นตัวใด หรือมีความเกี่ยวข้องกับหุ้นตัวใด ก็จะทำให้เรามีข้อมูลข่าวไว้ใช้ประมวลผลมากขึ้น แต่ครั้งนี้ก็จำเป็นจะต้องตัดใจตัดข่าวเหล่านี้ทิ้งไปก่อนด้วยระยะเวลาที่จำกัด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/587/0*1DL0C1CLsHybZjre" /><figcaption><em>ตัวอย่างข่าวที่ไม่มี Symbols ของหุ้นอยู่ในเนื้อความ</em></figcaption></figure><h3>Understanding Data</h3><h4>● <strong>ตัดข้อมูลที่เป็นรายไตรมาสและรายปีเพราะมี Variation น้อย</strong></h4><p>หลังจากได้ข้อมูลทั้งหมดมาแล้ว กลุ่มเราก็เริ่มต้นด้วยการทำความเข้าใจข้อมูลของเรา โดยเบื้องต้นข้อมูลของเราจะอยู่ในรูปแบบ<strong>รายวัน รายสัปดาห์ และรายเดือน </strong>ส่วนข้อมูลรายไตรมาสและรายปี พวกเราคิดว่าน่าจะมี Variation น้อยเกินไป ที่จะเอามา<strong>ทำนายราคาหุ้นซึ่งเรากำหนดให้เป็นแบบรายวัน (Daily) เป็นหลัก</strong> ก็เลยเลือกที่จะไม่นำมาใส่ใน Model แต่จะดูข้อมูล Key Financial Performance ต่างๆ ประกอบภายหลัง</p><h4>● <strong>โฟกัสเฉพาะวันที่มีการซื้อขายหุ้นใน SET และใช้ Date เป็น Key Feature ในการ Merge ตารางข้อมูล</strong></h4><p>โดยในเบื้องต้นเราจะ<strong>แยกข้อมูลออกเป็น 3 ส่วน</strong>ครับ ได้แก่ <strong>ราคาหุ้น ปัจจัยต่างๆ ที่มีผลกับราคาหุ้นแต่ละตัว และ ปัจจัยที่น่าจะมีผลในภาพรวม</strong> โดยข้อมูลแต่ละส่วนก็จะมีวิธีที่จะต้องจัดการที่แตกต่างกันออกไป แต่เราจะใช้ <strong>‘date’</strong> หรือ วันที่ที่มีการซื้อขายหลักทรัพย์ใน SET ในช่วง 5–10 ปีที่ผ่านมาเป็น<strong> ‘Key Feature’ </strong>ในการรวมข้อมูลครับ (Ignore วันเสาร์ อาทิตย์และวันหยุดที่ไม่มีการซื้อขายหลักทรัพย์)</p><h4>● <strong>‘Adjusted Close Price’ VS ‘Open Price’ ใช้ตัวไหนเป็น Test Feature ดี</strong></h4><p>ถึงแม้โจทย์จะบอกให้เราทำ Model เพื่อทายราคาหุ้น แต่เมื่อพวกเราได้เห็นข้อมูลจริงก็พบว่า ราคาหุ้นนั้นมีกันหลายตัว ทั้ง Open, Close, Max, Min, และ Adjusted Close แล้วเราควรจะเลือกใช้ราคาตัวไหนมาเป็นตัว Test Feature ดี ??</p><p>หลังจากที่ได้ทำการถกเถียงกันเล็กน้อย เราก็ตัดสินใจเลือก Open Price เพราะ<strong>ทีมงาน BOTNOI ได้กำหนดให้เราซื้อหุ้นในราคาเปิดตลาด และขายหุ้นในราคาเปิดตลาด </strong>เช่นกัน เลือก Open Price ก็น่าจะตรงโจทย์ที่สุด</p><p>แต่เราก็พบว่ามีข้อจำกัดในการใช้ Open Price ครับ เราพบว่าหุ้นบางตัวใน SET100 เคยมีการแตกพาร์มาก่อน เช่น AOT ( ก.พ. 2016), PTT (เม.ย. 2018), GULF (เม.ย. 2020) ดังนั้นถ้าเราใช้ราคา Open ที่อาจจะยังไม่ถูก Adjust มาเป็น Test Feature ก็อาจจะมีช่วงที่ราคาลดลงอย่างผิดปกติ และมีผลกับ Model ได้ ดังนั้น<strong>เราจึงจำเป็นที่จะต้องใช้ Adjusted Close เท่านั้น</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*fkyaCGwoO_UQwtRTI5GC9Q.png" /><figcaption>ตัวอย่างการแตกพาร์ของหุ้น PTT ซึ่งทำให้ราคาหุ้นลดลง 10 เท่า เราจึงจำเป็นต้องใช้ราคา Adjusted Close สำหรับ Prediction Model (Source : <a href="https://knowledge.bualuang.co.th/knowledge-base/faq-ptt/">https://knowledge.bualuang.co.th/knowledge-base/faq-ptt/</a>)</figcaption></figure><h4>● <strong>ถึงจะถูกระบุว่าเป็นวันที่เดียวกัน แต่จริงๆ ข้อมูลแต่ละตัวมีความต่างในเรื่องเวลา ที่เราต้องระวัง</strong></h4><p>หลังจากลองทำความเข้าใจเกี่ยวกับข้อมูลดัชนีตลาดหุ้นต่างประเทศ และราคาสินค้าสำคัญในตลาดโลก พบว่า<strong>ดัชนีของตลาดหุ้นในสหรัฐ เช่น Dow Jones Index, NASDAQ Composite (IXIC) และราคาสินค้าในตลาดโลก จะต้องใช้ข้อมูล Close Price ของวันก่อนหน้า</strong> เพราะ<strong>ในวันที่เดียวกัน ตลาดหุ้นในสหรัฐอเมริกาจะเปิดตลาดหลังจากตลาดหุ้นในไทย (SET)</strong> อย่างไรก็ตาม Model หนึ่งที่เราตั้งใจจะนำมาใช้คือ LSTM จะสามารถจัดการกับเรื่อง Time-Lag ได้ในตัวอยู่แล้ว</p><p>ส่วนดัชนีของตลาดหุ้น Asia เช่น Hang Seng (HSI) หรือ Nikkei 225 นั้นอาจจะต้องมีวิธีการนำไปใช้ที่แปลกๆ เล็กน้อย เพราะ<strong>โดยปกตินักลงทุนใน SET จะมองดัชนีของตลาดหุ้น Asia ที่เปิดก่อน SET ว่าราคาเปิดตลาดเป็นบวกหรือลบถ้าเทียบกับราคาปิดของวันก่อนหน้า</strong> ดังนั้นเราจึงต้องสร้าง Feature ใหม่ สำหรับ Index พวกนี้ คือ <strong>OpenGap = OpenIndex (ของวันนี้) — CloseIndex (ของเมื่อวาน)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*EXRf3yQBEMw6h7ji" /><figcaption><em>ตัวอย่าง Code ที่ใช้สร้าง OpenGap สำหรับดัชนีตลาดหุ้นใน Asia</em></figcaption></figure><h4>● <strong>มาทำความรู้จัก SET100 โจทย์ของเราในสัปดาห์นี้กันหน่อย</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1018/0*QGXXCDmlcbyu0Fa4" /><figcaption><em>จำนวนหุ้นใน SET และ SET100 แบ่งตามประเภทธุรกิจ (Industry &amp; Sector)</em></figcaption></figure><p><strong>SET100 ถ้าตามนิยามก็คือ หุ้นที่มีมูลค่า Market Capitalization (มูลค่าบริษัท = จำนวนหุ้นทั้งหมดในตลาด X ราคาหุ้น) สูงที่สุด และมีสภาพคล่องในการซื้อขายที่ดี 100 ลำดับแรกจากใน 617หุ้น ในตลาดหลักทรัพย์แห่งประเทศไทย (Stock Exchange of Thailand : SET)</strong></p><p>ที่น่าสนใจก็คือ ถ้ามองตามประเภทกลุ่มธุรกิจ <strong>จากหุ้น 100 ตัว ใน SET100 มีหุ้นถึง 25 ตัวที่มาจากกลุ่มพลังงานและสาธารณูปโภค</strong> ตามมาด้วยธุรกิจบริการ 24 หุ้น, อสังหาริมทรัพย์และก่อสร้าง 16 หุ้น, ธุรกิจการเงิน 15 หุ้น</p><p>อีกหนึ่งสิ่งที่มือใหม่อย่างพวกเราได้เรียนรู้จากโจทย์สัปดาห์นี้คือ <strong>เวลาจะซื้อหุ้นแต่ละตัวในแต่ละครั้ง เราจะต้องซื้อขั้นต่ำ อย่างน้อย 100 หุ้น</strong> นั่นแปลว่าจากโจทย์ที่ทาง BOTNOI บอกว่าจะลงทุนซื้อหุ้นให้เราจริงๆ ด้วย Budget 10,000 บาทต่อกลุ่ม … พวกเราจะไม่สามารถซื้อหุ้นใน SET100 ที่ราคาเกินกว่า 100 บาทได้ (เพราะไม่อย่างนั้นมูลค่ารวมจะเกิน 10,000 บาท) … <strong>ณ วันที่ 14 กันยายน 2020 ก็จะมีหุ้นที่พวกเราไม่สามารถซื้อได้ 8 ตัว เช่น ADVANC, BBL, SCC, TQM</strong> (หุ้นชื่อคุ้นๆ ทั้งนั้นเลย สำหรับมือใหม่อย่างพวกเรา)</p><h4>● <strong>มาลอง Plot ข้อมูล Time Series และ Decompose Graph ตามที่ทาง BOTNOI สอนมา !!</strong></h4><p>และเพื่อไม่ให้เป็นการ Bias ที่หุ้นตัวใดตัวหนึ่ง เราจะเริ่มด้วย Data ของ SET Index ในช่วง 10 ปีที่ผ่านมาก่อนครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*yc0UBU3MEvuIHSGF" /></figure><p>เราพอจะสังเกตได้ว่า SET Index มีเทรนด์แบ่งได้เป็น 2 ช่วงใหญ่ๆ ด้วยกัน คือ ก่อนปี 2018 ที่ดูจะเป็นเทรนขาขึ้น (สลับกับลงบ้างเป็นบางปี) แต่<strong>หลังจากต้นปี 2018 เป็นต้นมา กราฟก็กลายเป็น Trend ขาลง</strong></p><p>เพื่อความชัวร์ เราลอง Decompose กราฟของ SET Index ดู</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Sq5QMayDlbvWCvEW" /><figcaption><em>Decomposition ข้อมูล SET Index ในช่วงปี 2010–2020</em></figcaption></figure><p><strong>ระยะเวลาที่จะนำมาใช้ในการเทรนโมเดล น่าจะเป็นอีกหนึ่งเรื่องสำคัญที่ต้องตัดสินใจ </strong>สำหรับโจทย์ในครั้งนี้ เพราะถ้า<strong>ระยะเวลายาวเกินไป Model อาจจะ Underfitted ในการใช้ทำนายราคาหุ้นในช่วงใกล้ๆ นี้ (ขาลง) แต่ถ้าสั้นเกินไปก็อาจจะ Bias หรือ Overfitted ทำให้ทำนายราคาหุ้นในช่วงตลาดขาลงได้ดี แต่ทำนายพลาดมากๆ ถ้าตลาดเปลี่ยนทิศทางกลับเป็นขาขึ้น</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/963/0*yPWTXPCJqj8_ZdIk" /><figcaption><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"><em>ตัวอย่าง</em></a><em> Model ที่มีลักษณะ Underfitted (ทายไม่ค่อยแม่น) และ Overfitted (เก่งแต่กับเฉพาะข้อมูลบางอย่าง)</em></figcaption></figure><p>ส่วน Seasonal Pattern เราก็จะพอมองเห็นว่า SET Index นั้นมักจะต่ำสุดในช่วงต้นปี และมีแนวโน้มขาขึ้นในช่วงไตรมาสที่ 1 แล้วจึงเริ่มปรับตัวลดลงเรื่อยๆ ตั้งแต่ช่วงกลางๆ ไตรมาสที่ 2 ของปี จนลงไปต่ำสุดอีกครั้งในช่วงปลายปี</p><p><strong><em>Note</em></strong><em> : จากกราฟของ SET Index … </em><a href="https://www.finnomena.com/mr-messenger/top-space-january-effect/#:~:text=January%20Effect%20%E0%B8%84%E0%B8%B7%E0%B8%AD%20%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B9%80%E0%B8%8A%E0%B8%B7%E0%B9%88%E0%B8%AD,%E0%B8%8A%E0%B9%88%E0%B8%A7%E0%B8%87%E0%B8%97%E0%B9%89%E0%B8%B2%E0%B8%A2%E0%B8%9B%E0%B8%B5%E0%B8%99%E0%B8%B1%E0%B9%89%E0%B8%99%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B9%88%E0%B8%B2"><em>January Effect </em></a><em>มีจริงไหมอ่ะกลุ่มเราไม่ชัวร์ แต่ First &amp; Second Week Effect อ่ะมีอยู่จริงใน SET Index … ลองสังเกตตรงกราฟ Seasonal ในช่วงสัปดาห์ที่ 1–2 ของเดือนมกราคมดูสิ พุ่งสูงขึ้นทุกปีในช่วง 5 ปีที่ผ่านมา</em></p><p><em>จริงๆ January Effect ก็มี แต่จะชัดเจนจนถึงประมาณสัปดาห์ที่ 3 ของเดือน แล้วอาจพุ่งสูงขึ้นหรือตกลงในช่วงสัปดาห์ที่ 4 ของเดือนมกราคม ไม่แน่นอน) และ February ก็เป็นอีกหนึ่งเดือนที่น่าสนใจสำหรับการลงทุนเช่นกัน (ปล. ยกเว้น ปี 2020 ที่ T^T)</em></p><h3><strong>Step 3 : Features Engineering</strong></h3><p>จากตาราง Brainstorm ที่พวกเรามาช่วยกันรวม Idea ไว้ว่าน่าจะมี Features อะไรบ้างที่มีผลต่อราคาหุ้น สำหรับวิธีการหรือเทคนิคหลักๆ ที่เรานำมาใช้กับข้อมูลในครั้งนี้ ก็จะมีประมาณนี้ครับ</p><ul><li><strong>วิธีที่ 1 : สร้าง Features จาก Datetime และทำ One Hot Encoder</strong></li></ul><p>โดยหลังจากแปลงข้อมูล Date เป็น Datetime แล้ว เราก็ได้สร้าง Feature ที่เกี่ยวกับ Datetime เช่น วันที่ <strong>(day)</strong>, เดือน <strong>(Month)</strong>, ปี <strong>(Year)</strong>, วันในสัปดาห์ <strong>(EnglishDay)</strong>, ลำดับที่สัปดาห์ในแต่ละเดือน <strong>(d_WeekInMonth)</strong>, ลำดับที่สัปดาห์ในแต่ละปี <strong>(d_WeekInYear)</strong></p><p>โดยส่วนใหญ่แล้ว <strong>เราสร้าง Features พวกนี้เพิ่มเติม เผื่อในกรณีที่ราคาหุ้นแต่ละตัว อาจจะมี Seasonal Pattern</strong> เช่น January Effect หรืออย่างที่เราสังเกตเห็นว่า SET Index มักจะเป็นขาขึ้นในช่วงสัปดาห์แรกๆ ของปี</p><p>หลังจากที่เราได้ Features ในกลุ่ม Datetime แล้ว เราก็ใช้ <strong>One-Hot Encoder เพื่อให้ Features เหล่านี้กลายเป็น Dummy Features</strong></p><ul><li><strong>วิธีที่ 2 : สร้าง Time-Lag Features</strong></li></ul><p>เพราะเราคิดว่า<strong>ราคาหุ้นในวันนี้อาจจะเคลื่อนไหวตามราคาหุ้นในอดีตอย่างมี Pattern ก็ได้</strong> เราเลยสร้าง <strong>‘Adj Close-1day’</strong> (ราคาหุ้นในวันก่อนหน้า) และ <strong>‘Adj Close-5day’</strong> (ราคาหุ้นในสัปดาห์ที่แล้ว) ขึ้นมาเป็นหลักสองตัว แต่สำหรับในบาง Model เราก็ไม่ได้ใช้ Feature ในกลุ่มนี้ เพราะตัว Model เองสามารถจัดการเรื่อง Time-Lag ได้อยู่แล้ว</p><ul><li><strong>วิธีที่ 3 : สร้าง Features พื้นฐานเกี่ยวกับ Technical Analysis</strong></li></ul><p>หลังจากที่รู้โจทย์ว่าต้องทำนายราคาหุ้น กลุ่มเรามีความคิดว่าถ้าทำตัวเป็น VI ดูแต่ปัจจัยพื้นฐานของบริษัท (Fundamental Analysis) อาจจะไม่พอ เพราะ<strong>ระยะซื้อ / ขายค่อนข้างสั้น แค่ 1 สัปดาห์</strong> และช่วงนั้นก็ไม่น่าจะมีข่าวประกาศผลประกอบการของหุ้นไหนให้มาเล่นเป็นพิเศษ <strong>เราอาจจะต้องลองศึกษาเทคนิคการอ่านกราฟของสาย Technical Analysis ดู</strong></p><p>หลังจากอ่านและพยายามทำความเข้าใจกันมาหลายเว็บ ดูไป Youtube ไปหลายคลิป เราก็ตกลงกันว่าจะสร้าง Features ต่างๆ เพิ่ม โดยแบ่งเป็นกลุ่มย่อยๆ ได้ประมาณนี้ครับ</p><p><strong>[‘ema10’, ‘ema20’, ‘ema75’] = Exponential Moving Average (EMA)</strong> = ค่าเฉลี่ยราคาย้อนหลังด้วยวิธีการคำนวณแบบ Exponential Smoothing (การให้น้ำหนักข้อมูลที่ใกล้วันล่าสุดมากกว่าวันที่ห่างออกไป) สำหรับช่วงเวลา 10 วันทำการ (2 สัปดาห์), 20 วันทำการ (1 เดือน), 75 วันทำการ (1 ไตรมาส)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*7sUdg2KG0pwjkBvU" /><figcaption><em>ตัวอย่างการอ่านเทรนของหุ้นจากกราฟ Moving Average</em></figcaption></figure><p><strong>[‘macd’, ‘macd_signal_line’] = Moving Average Convergence/Divergence (MACD) </strong>= การดูเส้นกราฟค่าเฉลี่ยราคาที่ตัดกันเพื่อแสดงสัญญาณที่ควรซื้อหรือขายหุ้น</p><p><strong>[‘rsi’, ‘rsi_ewma’] = Relative Strength Index (RSI)</strong> = Momentum oscillator หรือ เครื่องมือทางเทคนิคที่ใช้ในการวัดแรงซื้อแรงขาย เพื่อดูว่ามีการ Overbought (ซื้อมากเกิน) หรือ Oversold (ขายมากเกิน) ไปแล้วหรือยัง</p><p><strong>[‘%K’, ‘%D’, ‘L14’, ‘H14’,] =</strong> <strong>Stochastic Oscillator</strong> = Momentum oscillator หรือ เครื่องมือทางเทคนิคที่ใช้อธิบายภาพรวมความผันผวนของราคา ณ ช่วงเวลาหนึ่ง โดยการอาศัยเส้นสัญญาณสองเส้น (%K, %D)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_-AIoQJJEWFK5G0z" /><figcaption><em>ตัวอย่าง Code เพื่อคำนวณค่า RSI</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/983/0*zuVbr_ki-k8YrU7O" /><figcaption><em>ตัวอย่าง Code การสร้าง Features ในกลุ่ม Technical Analysis</em></figcaption></figure><blockquote>สำหรับใครที่สนใจเรื่อง Technical Analysis มันก็ไม่ยากครับ (เหรอออออออออ) มาลองเริ่มศึกษากันจากลิงค์พวกนี้ดูนะครับ</blockquote><blockquote><strong>Source :</strong></blockquote><blockquote><a href="https://www.finnomena.com/u_____n/%E0%B8%B4beginner-stock-technical/">มือใหม่หัดเล่นหุ้น “Technical Analysis แบบง่าย กูรูเขาใช้กันยังไง”</a></blockquote><blockquote><a href="https://www.finnomena.com/daddy-trader/moving-average/">Moving Average ถ้าอยากใช้ ต้องรู้อะไรบ้าง?</a></blockquote><blockquote><a href="http://fundmanagertalk.com/invesment-talk-macd/">MACD เครื่องมือชี้จุดซื้อบอกจุดขาย พร้อมผลทดสอบความแม่นยำ 20 ปี</a></blockquote><blockquote><a href="https://www.finnomena.com/mr-messenger/%E0%B8%8B%E0%B8%B7%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B2%E0%B8%81%E0%B9%80%E0%B8%81%E0%B8%B4%E0%B8%99-%E0%B8%82%E0%B8%B2%E0%B8%A2%E0%B9%80%E0%B8%A2%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%9B-%E0%B8%94%E0%B8%B9/">ซื้อมากเกิน ขายเยอะไป ดูจากนี่ไง RSI</a></blockquote><blockquote><a href="https://admiralmarkets.com/th/education/articles/forex-indicators/trading-stochastic-oscillator">Stochastic Oscillator คือ? : เทคนิคและการตั้งค่า Stochastic Forex</a></blockquote><ul><li><strong>วิธีที่ 4 : การสร้าง Features เพื่อดึงชื่อหุ้น ออกมาจากข้อมูลที่เป็น Text</strong></li></ul><p>หลังจากที่เราได้ข้อมูลข่าวหุ้น และชื่อบทวิเคราะห์หุ้นจาก Broker ในแต่ละวันในรูปแบบ Text มาแล้ว เราก็ทำการสร้างคอลัมน์เพื่อเช็กว่าในแต่ละข่าว หรือชื่อบทวิเคราห์มี สัญลักษณ์ของหุ้นต่างๆ ปรากฎอยู่หรือไม่ โดยในตัวอย่างนี้จะเป็นการใช้คำสั่ง <strong>str.contains </strong>ร่วมกับ <strong>str.upper</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1001/0*0RhiiTgnehth2Ojh" /><figcaption><em>ตัวอย่าง Code การสร้าง Dummy Features จากข้อมูลที่เป็น Text</em></figcaption></figure><p>นอกจากนี้ เราจะสังเกตได้ว่าข้อมูล<strong>ในแต่ละวันอาจจะมีมากกว่า 1 ข่าวหรือ 1 บทวิเคราะห์</strong>ก็ได้ เราจึงต้องใช้คำสั่ง Groupby เพื่อ Sum จำนวนข่าวหรือบทวิเคราะห์ที่มีชื่อหุ้นในแต่ละวัน</p><ul><li><strong>วิธีที่ 5 : สร้าง Features ด้วยการวิเคราะห์ความรู้สึกจากข่าว (Sentiment Analysis with NLP)</strong></li></ul><p>ในครั้งนี้เราเลือกที่จะใช้องค์ความรู้ Machine Learning จากการเรียนในสัปดาห์ที่ 2–3 มาสร้าง Features เพิ่มเติมด้วย สิ่งที่เราดำเนินการคือ <strong>การประมวลผล Sentiment จากข่าวหุ้น </strong>ที่ได้จากการทำ Web Scraping เพื่อทำนายว่าข่าวนั้น<strong>ส่งผลทางบวก</strong> หรือ<strong>ส่งผลทางลบ</strong>ต่อหุ้นแต่ละตัว เราเลือกใช้กระบวนการ NLP โดยการสร้าง LSTM Model และความพิเศษจาก Project ในสัปดาห์ที่ 2–3 (<a href="https://medium.com/@maimaikanapornchai/%E0%B8%AA%E0%B8%AD%E0%B8%99-ai-%E0%B9%83%E0%B8%AB%E0%B9%89%E0%B8%97%E0%B8%B2%E0%B8%A2%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%A0%E0%B8%97%E0%B8%AB%E0%B8%99%E0%B8%B1%E0%B8%87-%E0%B8%A1%E0%B8%B2%E0%B8%94%E0%B8%B9%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%A7%E0%B9%88%E0%B8%B2%E0%B8%88%E0%B8%B0%E0%B9%81%E0%B8%A1%E0%B9%88%E0%B8%99%E0%B9%81%E0%B8%84%E0%B9%88%E0%B9%84%E0%B8%AB%E0%B8%99-5b80600bf130">สอน AI ให้ทายประเภทหนัง มาดูกันว่าจะแม่นแค่ไหน?</a>) ในครั้งนี้คือ การใช้ <a href="https://github.com/PyThaiNLP/pythainlp">PyThaiNLP</a> ซึ่งเป็น library ในการทำ NLP ภาษาไทย ซึ่งเราได้หยิบเฉพาะส่วนที่เป็น <strong>การตัดคำ (Tokenizer)</strong> มาใช้งาน รวมถึงมีการเพิ่มคำศัพท์เฉพาะทางหุ้น และสถานการณ์ปัจจุบันที่อาจส่งผลต่อหุ้น เมื่อเราได้ sentiment เราจะนำไป mapping กับชื่อหุ้นที่ถูกพูดถึงในเนื้อข่าว และสร้างเป็น features ขึ้นมาครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/706/0*ZSEhBEhpQ_vY5Mm9" /><figcaption><em>ตัวอย่างผลการประมวล Sentiment จากข่าวที่ได้จากการทำ Web Scraping</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/390/0*YjZYk-O2-WiPi1ZR" /><figcaption><em>ตัวอย่าง Features ใหม่ที่ถูกสร้างขึ้นซึ่งจะเป็นตัวบอกว่ามีข่าวที่เป็นบวกหรือลบกับหุ้นแต่ละตัวในวันนั้นๆ</em></figcaption></figure><blockquote><strong>Source :</strong></blockquote><blockquote><a href="https://towardsdatascience.com/a-beginners-guide-on-sentiment-analysis-with-rnn-9e100627c02e">A Beginner’s Guide on Sentiment Analysis with RNN</a></blockquote><blockquote><a href="https://medium.com/datadriveninvestor/deep-learning-lstm-for-sentiment-analysis-in-tensorflow-with-keras-api-92e62cde7626">Deep Learning LSTM for Sentiment Analysis in Tensorflow with Keras API</a></blockquote><blockquote><a href="https://www.bualabs.com/archives/3740/python-word-tokenize-pythainlp-example-algorithm-deepcut-newmm-longest-python-pythainlp-ep-2/">Python ตัดคำภาษาไทย ด้วย PyThaiNLP API ตัดคำ Word Tokenize ภาษาไทย ตัวอย่างการตัดคำภาษาไทย อัลกอริทึม deepcut, newmm, longest, pyicu, attacut — PyThaiNLP ep.2</a></blockquote><ul><li><strong>วิธีที่ 6 : การ Rolling ข้อมูลบาง Features ที่ Effect ของมันอาจจะไม่ได้มีผลกับราคาหุ้นในวันเดียวกัน</strong></li></ul><p>กลุ่มของเรามองว่าข้อมูลบาง Features เช่น ข่าวหุ้น, บทวิเคราะห์ของ Broker, วันประชุมคณะกรรมการนโยบายทางการเงินของไทย (กนง.) หรือ วันประชุมของ Fed (เพื่อกำหนดนโยบาย QE และ ดอกเบี้ยนโยบายของสหรัฐ) <strong>อาจจะไม่ได้มีผลกระทบกับราคาหุ้นในวันนั้นทันที แต่อาจจะมีผลกับราคาหุ้นในวันถัดๆ ไป หรือ อาจจะมีผลกับราคาหุ้นล่วงหน้ามาแล้วก็ได้</strong> (ตามการณ์คาดการณ์ของนักลงทุนหรือนักวิเคราะห์) ดังนั้นเราควรสร้างตัวแปรเพื่อทำ<strong> Forward Rolling</strong> และ <strong>Backward Rolling</strong> ข้อมูลเหล่านี้บางตัวเพื่อดูผลกระทบกับราคาหุ้นที่อาจจะเกิดขึ้นก่อนหรือหลังวันที่มีเหตุการณ์เกิดขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*iaVWRQ5yLPnl63_p" /><figcaption><em>ตัวอย่าง Code การสร้าง Forward และ Backward Rolling ก่อนและหลังวันประชุมนโยบายทางการเงิน</em></figcaption></figure><ul><li><strong>วิธีที่ 7 : การทำ Feature Scaling เพราะข้อมูลมี Unit กับ ขนาดของตัวเลขแตกต่างกัน</strong></li></ul><p>เนื่องจากข้อมูลของเราค่อนหลากหลายและมี<strong>หน่วยที่แตกต่างกันออกไป รวมทั้งยังมีขนาดของตัวเลขที่ต่างกันออกไปด้วย</strong> เช่น ข้อมูลที่เป็น Dummy Features ก็เป็นแค่ข้อมูลในหน่วย 0–1, ดัชนีราคาสินค้าต่างๆ อาจจะอยู่ในช่วงหลักร้อย, ดัชนี้ตลาดหุ้นต่างๆ อาจจะอยู่ในช่วงหลักร้อย หลักพัน หรือหลักหมื่น, หรือมูลค่าการซื้อขายหุ้นโดยนักลงทุนกลุ่มต่างๆ ก็มีตัวเลขที่ใหญ่ถึงขนาดหลักหมื่นล้านในแต่ละวัน</p><p>Prediction Model บางอย่าง โดยเฉพาะ <strong>Model ที่ใช้ Regression เป็นพื้นฐาน จะมีปัญหากับข้อมูลที่มีขนาดของตัวเลขแตกต่างกันค่อนข้างมาก เพราะ Model จะพยายามให้น้ำหนักความสำคัญกับข้อมูลที่มีขนาดของตัวเลขค่อนข้างใหญ่มากกว่าตัวเลขที่มีขนาดเล็ก</strong> เช่น ในกรณีนี้อาจจะเป็น มูลค่าการซื้อขายหุ้นของนักลงทุนในแต่ละวัน ทั้งๆ ที่จริงๆ ตัวแปรนี้อาจจะไม่มีผลอะไรกับราคาหุ้นเลยก็ได้</p><p>ดังนั้นเราจึง<strong>ต้องใช้เทคนิค Feature Scaling หรือการปรับขนาดของตัวเลขของตัวแปรทุกตัว ให้มาอยู่ในระดับที่ใกล้เคียงกัน </strong>เพื่อเพิ่มประสิทธิ์การทำนายของ Model ทำให้เราสามารถเปรียบเทียบค่าความสำคัญของแต่ละข้อมูลได้ง่ายขึ้น และยังช่วยทำให้ Model ประมวลผลได้เร็วขึ้นด้วย ซึ่ง Feature Scaling ก็มีด้วยกันหลายเทคนิค เช่น Mean normalization, Standardization, Scaling to unit length และ Min-Max normalization</p><p>สำหรับโปรเจคนี้กลุ่มของเราเลือกใช้ <strong>เทคนิค Min-Max Normalization</strong> เพราะเป็นเทคนิคที่เข้าใจง่ายและไม่ยุ่งยากซับซ้อนในการใช้งาน โดยเราจะแปลงข้อมูลแต่ละ Feature ให้อยู่ในรูป 0–1 เมื่อ 0 คือค่า Minimum และ 1 คือค่า Maximum ของแต่ละข้อมูล ตามสูตรนี้ครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/400/1*6zKmUC75efRAUdNUfZjY5w.png" /><figcaption><em>สูตร Min-Max Scaling Source : </em><a href="https://www.glurgeek.com/education/feature-scaling/"><em>https://www.glurgeek.com/education/feature-scaling/</em></a></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*RpnzDO4KSgUxwCgZ" /><figcaption><em>ตัวอย่าง Code การทำ Min-Max Scaling</em></figcaption></figure><h3><strong>Step 4. Prediction model(s) คุยกันเรื่องการสร้าง model (s)</strong></h3><p>สำหรับการสร้าง Models ก็เป็นเหมือนกับทุก ๆโปรเจคนะครับ เรามีพี่ ๆ ที่ค้นหาโมเดลแบบแอดว้าน และน้อง ๆ ที่อยากทดลองโมเดลตามบทเรียน งั้นเรามาเริ่มกันเลยดีกว่าว่าโปรเจคนี้เราทำกันกี่โมเดล และสุดท้ายเราเลือกโมเดลไหนมาใช้ในการทำนายราคาของหุ้น</p><p>ขอเรียงลำดับตามความง่ายไปจนถึงยากนะครับ โดยเริ่มจากสองโมเดลยอดฮิตที่สอนในห้องเรียน คือ <strong>Regression</strong> และ <strong>Time Series</strong> ซึ่งน้อง ๆ ในทีมก็ฝึกฝนกัน รันตามที่ อ.ฮง และ อ.วิน สอน อาจจะได้ผลออกมาดีบ้างไม่ดีบ้าง</p><p>ในอีกด้านนึง เราก็มีการทดลองโมเดล <strong>ARIMA</strong> และ มีการใช้ package สำเร็จรูป ที่ชื่อว่า <strong>Prophet</strong> ซึ่งเป็น <strong>Time-series Forecasting</strong> จาก <strong>Facebook</strong> ด้วยครับ โดย Prophet จะสามารถสร้างโมเดลจำลองได้อย่างรวดเร็ว ทั้งการทำ <strong>Additive Regression Model</strong> และถ้าแบบ advance จริงๆก็<strong>เพิ่ม Regressors หรือทำ Hyperparameters</strong> ได้อีก ผลคร่าวๆของ Model ก็ตามรูปข้างล่างเลยครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/971/0*Ap7tpSpAHlKBl4Us" /><figcaption><em>ตัวอย่างการรับ Stock Price โดยใช้ Prophet Forecasting</em></figcaption></figure><p><strong>สรุปว่าในทีม ได้ทำสองโมเดล </strong>แบบเร็วๆเพื่อได้เรียนรู้ตามที่ อ.วิน ตั้งโจทย์มาครับ แต่ทางทีมก็ยังไม่หยุดแค่นั้น เพราะเราเก็บข้อมูลมาเยอะมาก ทั้งข่าว ทั้งราคาทอง ราคาน้ำมัน และ trends ต่างๆ ดังนั้น <strong>ทีมจึงมีมติว่า จะทำ Model ใหม่ขึ้นมาเลย</strong> เพื่อเป็นการทดลองและเรียนรู้ไปเลยทีเดียวครับ และแนวทางจะเป็นตามรูปข้างล่างครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/906/0*CC0JWmlcu-QFFVpi" /></figure><p>จากรูปจะพบว่าเราเลือกใช้ <strong>LSTM หรือ Long Short-Term Memory</strong> คือการสร้างแบบจำลองเหมือนความจำของคน (Memory) ที่มีความจำอยู่น้อยนิด และมักจะลืมสิ่งที่เก่า ๆ หรือไม่ค่อยสำคัญออกไปบ้างมาเป็น Model ในการทำนายผล โดย LSTM ก็เหมือนกัน จะเน้นรับความทรงจำที่มีผล หรือมีความสำคัญเท่านั้น โดยเหตุการณ์ใหม่ ๆ ที่เข้ามา ที่ไม่สำคัญก็อาจจะไม่ได้เอามาใช้กับการทำนายก็ได้ เช่น ราคาทองที่มีขึ้นหรือลง อาจจะไม่มีผลกับราคาหุ้นของ รพ.กรุงเทพก็ได้ เพราะฉะนั้น โมเดลก็ไม่ต้องจำราคาทอง เมื่อจะพยากรณ์ราคาหุ้น รพ.กรุงเทพ เป็นต้น โดย LSTM เป็น Deep learning ในตระกูลของ RNN ( Recurrent Neural Network) ที่เน้นการเชื่อมต่อของข้อมูลที่เป็น Temporal Sequence หรือ เวลากับหุ้นนั้นเอง</p><p>และเนื่องจากเราได้สรรค์สร้าง Features เยอะมากจึงจำเป็นจะต้องดำเนินการทำ Features Selection โดยใช้เทคนิค <strong>Granger causality Testing</strong> ซึ่งเป็น การทดสอบ ความสัมพันธ์ ระหว่างตัวแปร x กับ y โดยเน้นประยุกต์ใช้กับข้อมูลอนุกรมเวลา การทดสอบนี้แนวคิดของ Granger ที่ต้องเปรียบเทียบของสองอนุกรมเวลา เช่น ราคาน้ำมัน กับ หุ้น ปตท และดูว่ามีความสัมพันธ์กันไหม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*ldx3GgqdOnmCBk323bxxEw.png" /></figure><p>หลังจากที่เล่ามานาน ก็มาถึงพระเอกของโปรเจคนี้ครับ คือการนำ ทั้ง GC + LSTM หรือ เราเรียกว่า GCLSTM ครับ ซึ่งสามารถเข้าใจกระบวนทำงานได้แบบง่ายๆตามรูปเลยครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-yBOpXhNIXbcFQp-" /></figure><p>ต้องเกริ่นก่อนนะครับว่านี่คือการทดลอง อาจจะใช้ไม่ได้จริงกับตลาดเมืองไทย แต่ทางทีมก็ถือว่าเป็นการเรียนรู้ และเน้นมาแชร์สิ่งที่ทำให้กับทีมมากกว่า ดังนั้น ความแม่นยำของโมเดลอาจจะไม่มาก และอาจจะทำผิดบ้างถูกบ้างนะครับ ยังไงถ้าใครสนใจจะเอาไปใช้จริง สามารถลองศึกษาได้จาก Reference ด้านล่างเลยครับ</p><blockquote><a href="https://medium.com/analytics-vidhya/time-series-forecasting-arima-vs-lstm-vs-prophet-62241c203a3b">Time Series Forecasting: ARIMA vs LSTM vs PROPHET</a></blockquote><blockquote><a href="https://positioningmag.com/43656">การใช้ Granger Causality Test กับหุ้นไทย</a></blockquote><blockquote><a href="https://www.researchgate.net/publication/222547893_Parametric_and_nonparametric_Granger_causality_testing_Linkages_between_international_stock_markets">การใช้ Granger Causality Test กับตลาดเอเชีย</a></blockquote><h3><strong>Step 5. Test Model &amp; Model Evaluation</strong></h3><p>สำหรับการรันโมเดลต่าง ๆ มีการ Test และ Evaluate โมเดลอยู่หลายรอบ ซึ่งจะแบ่งเป็นสองส่วน คือ การทดสอบแต่ละโมเดล เพื่อให้ได้ Parameter ที่ดีที่สุดของแต่ละโมเดล และเลือกเฉพาะโมเดลที่ดีที่สุดมาสู่ขั้นตอนการแนะนำหุ้นครับ</p><h3>Regression &amp; Time Series</h3><p>สำหรับโปรเจคนี้ ขอไม่กล่าวถึงโมเดล Regression หรือ Time Series นะครับ เพราะรายละเอียดน่าจะอยู่ในทฤษฎีที่ อ.วิน สอนไปแล้ว จะขอข้ามไปที่การอธิบาย ARIMA ที่ทางทีมนำมาใช้เลยนะครับ</p><p>ซึ่งทางทีมได้ทำการวิเคราะห์ ARIMA แบบ Auto.ARIMA ซึ่งจะสามารถทำ Optimum p,d และ q สำหรับ model ได้เลยโดยไม่ต้องทำ Optimization แบบ Manual เพราะฉนั้น โมเดลนี้จะเป็น Model สุดท้ายของฝั่ง Autoregressive นะครับ (ตรงกันข้ามกับ Facebook Prophet ที่ใช้ Additive Regression) อ่านแล้วอย่าเพิ่งงงนะครับ เอาเป็นว่ามันต่างกันก็แล้วกัน ^^</p><h3><strong>Auto.ARIMA</strong></h3><p>มาถึงการทดลองของ Auto.ARIMA กันเลยครับ ทางทีมได้มีการทดลองในรอบแรก คือใส่ตัวแปรที่มีระยะเวลาที่ยาว หรือข้อมูล 10 ปีเข้าไปในโมเดลเลย และในที่นี้เราจะเรียกว่า Long period นะครับ(10 ปี = Jan 2010 — Sep 2020) นะครับ</p><p>ต่อมาด้วยสมมติฐานเกี่ยวกับพฤติกรรมของนักลงทุนที่อาจจะเปลี่ยนไปหลังจากตลาดหุ้นของไทยเปลี่ยนจากขาขึ้นมาเป็นขาลง เราก็ลดระยะลงเหลือ 3 ปี (Aug 2017 — Aug 2020), 2 ปี (Aug 2018 — Aug 2020), 20 เดือน (Jan 2019 — Sep 2020) และทดสอบในโมเดลเดียวกันอีกที (จริงๆ ต้องเรียกว่า multiple cycles ด้วย ^^)</p><p>โดยในขั้นตอนการรัน Model นี้เราจะต้องเลือกหุ้นมาหนึ่งตัวเพื่อมาทดลอง Model ก่อน เราตัดสินใจเลือกหุ้น ADVANC เพราะเป็นหุ้นที่ราคาเกิน 100 บาท พวกเราไม่สามารถซื้อได้ จะได้เป็นการไม่ Bias ตอนต้องมาเลือกหุ้นตัวใดตัวหนึ่งเพื่อซื้อทีหลังครับ</p><p>ผลของการรัน auto.ARIMA แบบ Long period vs Short period ได้ผลดังนี้ครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BNJQ4gtFMrd8Rjf5-vkd4Q.png" /></figure><p>หลังจากที่เราได้ทดลอง Auto.ARIMA Model ของเรากับหุ้น ADVANCE สำหรับทั้งสองช่วงเวลา เราพบว่า<strong>ค่า RMSE (ยิ่งน้อยยิ่งดี) ของ Short period สามารถพยากรณ์ได้ดีกว่า Long period</strong> พวกเราเลยคิดว่า <strong>สำหรับการ Train Model ในขั้นตอนถัดๆ ไป พวกเราก็ควรจะใช้ Short Period (Jan 2019 — Sep 2020) ต่อไป</strong></p><p>โดย <strong>RMSE ย่อมาจาก “Root Mean Square Error”</strong> ซึ่งเป็นการถอดรูทของค่า Mean Square Error (MSE) <strong>เพื่อให้ค่า Loss ที่ได้จาก Prediction Regression Model มีหน่วยเดียวกับตัวแปรที่กำลังถูกทำนาย (MSE อยู่ในรูปยกกำลังสอง ทำให้ยากต่อการเปรียบเทียบ)</strong></p><figure><img alt="สูตรที่ใช้ในการคำนวณค่า RMSE" src="https://cdn-images-1.medium.com/max/1000/0*1usLItvkf5--eK_m" /><figcaption>สูตรที่ใช้ในการคำนวณค่า RMSE</figcaption></figure><p>เหตุผลที่กลุ่มเราเลือก RMSE มาเป็น Measurement Metrics เพราะเป็น เมทริกซ์ที่สามารถแปลผลได้ง่าย สำหรับ Regression Model <strong>โดยสมมติ RMSE = 3.73 จะแปลว่า โดยเฉลี่ยโมเดลจะทำนายค่าสิ่งที่เรากำลังทำนายผิดไปประมาณ +/- 3.73 units</strong> (หน่วยเดียวกับตัวแปลที่กำลังทำนาย)</p><p>แปลว่าค่า RMSE นั้นยิ่งต่ำยิ่งดี โดยถ้าค่า RMSE = 0 จะหมายถึง Model นั้นทำนายค่าได้ถูกต้อง 100% ในทางปฏิบัติโอกาสที่จะเทรนโมเดลได้ loss = 0 เป็นไปได้ยากมาก เพราะอาจนำไปสู่ปัญหา Overfitted ได้</p><p>Source : <a href="https://datarockie.com/2019/03/30/top-ten-machine-learning-metrics/">อธิบาย 10 Metrics พื้นฐานสำหรับวัดผลโมเดล Machine Learning</a></p><h3><strong>Multivariate Multi-step LSTM</strong></h3><p>สำหรับการรัน LSTM ของทีมเราเป็นการรันแบบหลายตัวแปร หรือที่เรียกว่า Multivariate และยังเพิ่มการพยากรณ์ในอนาคต ไม่ใช่แค่ 1 วันแต่เป็นถึง 9 วันถัดไปอีกด้วย หรือ ในทางเทคนิค เค้าเรียกกันว่า <strong>Multivariate Multiple-step LSTM</strong> ครับ แต่เนื่องจากหุ้นแต่ละตัวมีความสัมพันธ์กับ Features ที่แตกต่างกัน เราจึงพยายามใช้ <strong>Granger Causality Testing </strong>เข้ามาช่วยในการเลือก Features ที่มีความสัมพันธ์สูงกับราคาหุ้นแต่ละตัว</p><h4><strong>การทำ Granger Causality Testing</strong></h4><p>การทดลองหาความสัมพันธ์ด้วย Granger Causality Testing ทางทีมก็จะนำ features ทั้งหมดมาทดสอบกับหุ้นแต่หละตัว โดย features ที่มีค่า p-value น้อยกว่า 0.05 แสดงว่า Feature นั้นมีผลต่อราคาหุ้น หรือ แสดงได้ดังรูปครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*WZESTy2VHBHX4Ki_" /><figcaption>ตัวอย่างการรัน Granger Causality Testing ของทุก Features กับหุ้นบางตัวใน SET100</figcaption></figure><p>เนื่องด้วยเวลาที่จำกัด เพราะทีมของเราตัดสินใจรอข้อมูลของวันที่ 15 กันจนนาทีสุดท้าย เราเลยเหลือเวลาไม่มากนักสำหรับการรัน Granger Causality Testing ซึ่งเราก็พึ่งค้นพบว่าการรันหุ้น 1 ตัวใช้เวลาพอสมควร ซึ่งยังไม่นับการรัน Multivariate Multi-step LSTM จากข้อมูลที่ได้มาด้วย</p><p>เราจึงตัดสินใจว่าจะต้องเลือกหุ้นมาจำนวนหนึ่งด้วยวิธีการบางอย่าง และรัน GCT แค่เฉพาะหุ้นกลุ่มนี้ สุดท้ายพวกเราก็ตัดสินใจ<strong>รันโมเดลที่ใช้เวลาไม่นาน อย่าง Prophet เพื่อสกรีนหุ้นที่มี %Growth สูงสุดในช่วง 5 วันข้างหน้า (T+7) </strong>มาจำนวน 15 หุ้น แล้วรัน GCT แค่เฉพาะ 15 หุ้นนั้น แต่ว่าจากหุ้น 15 ตัวกลับมีหุ้นที่ราคาเกิน 100 บาทอยู่ 3 ตัว <strong>เลยเหลือหุ้นมาให้เราทดลองรัน GCT แค่ 12 หุ้น</strong>ครับ</p><p>และพวกเราได้กำหนดให้ Granger Causality Testing เลือก Features โดยการเรียงลำดับตามค่า P-Value แล้ว<strong>เลือกแนะนำ Features ที่ดีที่สุดสำหรับหุ้นแต่ละตัว มาจำนวน 20 Features </strong>ครับ</p><p>สำหรับ 20 Features ที่ดีที่สุดของแต่ละหุ้นที่ GCT แนะนำให้ใช้สามารถดูได้จากตารางด้านล่างนี้นะครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/1*mY4Xrr0CEenWnILJQ1vKLw.png" /></figure><p>เมื่อได้ Features ที่ดีที่สุดสำหรับหุ้นแต่ละตัวออกมาแล้ว เราจึงนำ <strong>Feature นั้นมาเป็น Input เพื่อรัน MM.LSTM Model แยกกันตามหุ้นแต่ละตัว</strong> ตาม Process ดังตัวอย่างในรูปด้านล่างครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/925/0*vU4XHl4qVua-xoNa" /></figure><p>ผลของการรัน MM.LSTM เปรียบเทียบกับ Model ที่เคยรันไปก่อนหน้าได้ผลดังนี้ครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8wvMF9ELFKgCsoALJuCaUg.png" /></figure><p>จะได้ว่าผลที่ได้จาก Multivariate Multi-step LSTM (MM.LSTM) ในช่วงเวลาเดียวกัน นั้นมีค่า RMSE ต่ำกว่า Auto.ARIMA อยู่เล็กน้อย <strong>พวกเราจึงเลือกใช้ MM.LSTM ร่วมกับวิธีการเลือก Feature ที่สำคัญด้วยวิธี Granger Causality Testing ไปใช้เป็น Model หลักในการทำนายราคาหุ้นใน SET100</strong> สำหรับโปรเจคนี้ของเรา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wJZmoZaKS7eJ0bJybKG9HQ.png" /><figcaption>ราคาปิดตลาด (Close) ของหุ้น ADVANC เปรียบเทียบระหว่างราคาจริง และราคาที่ถูกทำนายด้วย LSTM Model (Short Period)</figcaption></figure><h3><strong>Summary &amp; Interesting Findings</strong></h3><p>หลายคนคงรอบทสรุปจากการทดลองของกลุ่มเราว่า เราแนะนำให้ซื้อหุ้นตัวไหน แต่ก่อนจะไปถึงจุดนั้นขอทบทวนแนวทางที่คนส่วนใหญ่ใช้ในการตัดสินใจซื้อหุ้น ไม่ว่าจะเป็นแนว VI (Value Investment) หรือ แนวเทคนิค (Technical Analysis) ถ้าได้อ่านบทความของพวกเราตั้งแต่ต้นจนจบก็จะพบว่า <strong>สิ่งที่เราพยายามทำคือ การผสานแนวคิดทั้งสองแนวไว้ด้วยกัน โดยใช้เทคนิคอย่าง Machine Learning เข้ามาช่วยตัดสินใจ</strong></p><p>ผลการทดลองของเราพบว่า <strong>MM</strong>.<strong>LSTM เป็น Model ที่มีค่า RMSE ที่ดีที่สุด</strong> และเมื่อนำมาใช้ในการทำนายผลทำให้เราได้หุ้นเด่นที่น่าสนใจดังตารางด้านล่างนี้</p><p>ตัวอย่างราคาของหุ้นที่ถูกเลือกจาก Prophet Model ที่พวกเรานำมาทดลองรันด้วย MM.LSTM ครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5llXyeqBqf9gBIiFK-BeZg.png" /></figure><p>จริงๆ แล้วถ้าดู %Growth ที่ได้จากการซื้อหุ้นในราคาที่คาดการณ์ ในวันที่ 17 กันยายน (T+2) แล้วขายในวันที่ 24 กันยายน (T+7) <strong>หุ้นที่คาดว่าจะมี %Growth สูงสุด คือ ‘STA’ (16.25%)</strong></p><p>อย่างไรก็ตาม High Return ก็มักจะมาคู่กับ High Risk เมื่อเราลองพิจารณาค่า Standard Deviation ของราคาคาดการณ์หุ้นทุกตัว เฉลี่ยในช่วง 7 วัน จะพบว่า <strong>‘STA’ ก็มีค่า Standard Deviation สูงมากที่สุดเช่นกัน แปลง่ายๆ ได้ว่า หุ้นตัวนี้มีความผันผวนหรือความเสี่ยงสูงมากที่สุด</strong></p><p>Note : <a href="https://www.lucid-trader.com/standard-deviation/">Standard Deviation ส่วนเบี่ยงเบนมาตรฐาน วัดความผันผวนของราคา</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/0*q_rrxpk54cwkK_7h" /><figcaption>High Risk, High Return ??</figcaption></figure><p>เนื่องจากพวกกลุ่มของพวกเราเป็นคนที่ค่อนข้างขี้กลัว ไม่ค่อยกล้ากับอะไรเสี่ยงๆ พวกเราเลยขอ<strong>เลือกหุ้นที่ให้ผลตอบแทนเป็นบวก และมีความผันผวนของราคาที่ได้จากการทำนายค่อนข้างต่ำ อย่าง ‘CKP’</strong> ดีกว่า นอกจากนี้ ‘CKP’ ยังเป็นหุ้นที่มีค่า Average Price / Stdev. (อัตราส่วนผลตอบแทนต่อความเสี่ยง) สำหรับราคาทำนายใน 7 วันข้างหน้าสูงที่สุดด้วย</p><p>นอกจาก ‘CKP’ แล้ว ถ้าพิจารณาค่า Average Price / Stdev. ก็ยังมีหุ้นอีกตัวหนึ่งที่ค่อนข้างน่าสนใจ คือ ‘HANA’ แต่แน่นอนครับถ้าคุณเป็นผู้รักความเสี่ยง ถือคติ High Risk, High Return เราก็ขอแนะนำให้คุณเลือก ‘STA’ โดยไม่ต้องลังเลครับ</p><p>แต่กลุ่มเราก็ต้องแอบยอมรับครับว่า ในขั้นตอนการเลือกหุ้นที่เราจะซื้อในจังหวะสุดท้าย ก่อนที่จะฟันธงออกมาเป็น ‘CKP’ เราก็ยังต้องแอบไปกระซิบถามกลุ่มคนที่เล่นหุ้นอยู่จริงๆ ว่าจากลิสต์และข้อมูลราคาคาดการณ์ของหุ้นที่เรามี ถ้าเป็นเค้า เค้าจะเลือกซื้อหุ้นตัวไหนบ้าง เป็นตัวเดียวกับที่พวกเราเล็งๆ ไว้หรือไม่</p><p>เพราะสุดท้ายแล้ว <strong>กระบวนการเลือกหุ้นในครั้งนี้ของพวกเรา ก็คงเหมือนกับ Concept พื้นฐานของ Data Science ที่จะต้องประกอบขึ้นมาจากความรู้และความเข้าใจใน 3 ส่วน คือ Computer Science, Maths &amp; Statistics และ Domains &amp; Business Knowledge</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/377/1*zMc6abiNxzNP9IeleX6FfQ.png" /></figure><h3><strong>มีอะไรที่เราอยากลองทำ แต่ยังไม่ได้ทำบ้าง</strong></h3><p>นอกเหนือจาก Features ต่าง ๆ ที่เราได้เลือกมาใส่ใน Model หรือ Feature Engineering เทคนิคต่าง ๆ ที่เราทำไปแล้ว กลุ่มของเรายังมีความคิดที่จะลองสร้าง Features เพื่อนำมาใช้ทำนายราคาหุ้นเพิ่มเติมอีกครับ แต่ด้วยข้อจำกัดด้านเวลาและ Skill ในตอนนี้ ก็เลยยังไม่ได้ทำพวก Features เหล่านี้ เช่น</p><ul><li><strong>ทำ Web Scraping เพื่อรวบรวมข้อมูลการพูดถึงหุ้นต่าง ๆ จากเว็บไซต์ที่มีความเป็น Webboard ที่พูดคุยในเรื่องหุ้น</strong> เช่น ห้องสินธรใน Pantip.com หรือใน FB Group ต่าง ๆ ในเรื่องหุ้น เพื่อดูว่าถ้ามีคนเริ่มพูดถึงหุ้นนี้เพิ่มขึ้นในพื้นที่สาธารณะเหล่านี้ จะส่งผลให้หุ้นขึ้นหรือลงต่อไปหรือไม่</li><li>การนับจำนวนวันที่หุ้นแต่ละตัวขึ้นหรือลงติดต่อกัน แล้วอาจจะหาค่าเฉลี่ยหรือนำข้อมูลนี้มาทำเป็น Level แล้วเพิ่มเป็นอีกหนึ่ง Feature เพราะบางครั้งหุ้นอาจจะเกี่ยวข้องกับจิตวิทยาว่า<strong>ถ้าหุ้นขึ้นติดต่อกันเกินกี่วันจะมีคนเริ่มขายทำกำไร หรือถ้าหุ้นลงต่อเนื่องกันเกินกี่วัน จะมีคนเริ่มคิดว่าราคาลงมาเพียงพอที่จะเข้าซื้ออีกครั้ง</strong></li><li>นอกจากนี้การนับจำนวนว่าราคาขึ้นหรือลงติดต่อกันกี่วัน อาจจะนำไปประยุกต์ใช้กับราคาหรือดัชนีของตัวแปรอื่นๆ ไม่เฉพาะแค่ราคาหุ้นเท่านั้น</li><li>เราอาจจะต้องลอง<strong>ศึกษาเกี่ยวกับ Technical Analysis ให้มากขึ้น</strong> เพื่อให้สามารถนำเส้นเทรนด์ หรือ Indicator ต่างๆ จาก Technical Analysis มาใช้ได้หลากหลายรูปแบบมากยิ่งขึ้น เช่น ไม่ใส่ค่าของ Indicator ต่างๆ ไปเป็น Feature เลยโดดๆ <strong>แต่อาจจะคำนวณหาระยะค่า Gap ระหว่าง Indicator ต่างๆ เพิ่มเข้าไป เช่น นำ GAP = EMA75 — EMA20</strong> เป็นต้น</li><li><strong>พวกเราอยากลองทำให้ Process การรวบรวม Data เป็น Automatic มากขึ้น </strong>เช่น เว็บไซต์ไหนที่มี API อยู่แล้วก็อยากจะลองใช้ให้ได้ แล้วก็พยายามลดขั้นตอนที่เป็น Manual ให้มากที่สุด เพราะพวกนักลงทุนตัวจริงคงไม่สามารถเสียเวลาวันละหลายชั่วโมงในการหาข้อมูลแบบเราได้</li><li>นอกจากนี้ พวกเราอาจต้องพยายามหาวิธีลดเวลาในขั้นตอน Granger Causality Testing เพื่อให้สามารถรันโมเดลนี้กับหุ้นจำนวนมากๆ ได้ภายในระยะเวลาที่สั้นลง เพื่อให้เหมาะสมกับการนำไปใช้งานด้านการลงทุนจริงๆ</li></ul><blockquote><strong>Related Colab</strong> :</blockquote><blockquote><a href="https://colab.research.google.com/drive/1ps8GDZxGMNa-QtK3_P-YAWR25_5IIgk1?usp=sharing">Data to Merge (StockInfo, GeneralData, GGTrend, Broker)</a></blockquote><blockquote><a href="https://colab.research.google.com/drive/1ldIyR486mRqRpbbLw4gXiP8L0Uk74Kgc?usp=sharing">Stock News from Web Scraping and Sentiment Analysis</a></blockquote><blockquote><a href="https://colab.research.google.com/drive/1MoVToFYv3ZjjxzJKHysc5ukNs6lP4gFp?usp=sharing">Index and Commodities by InvestPy Library</a></blockquote><blockquote><a href="https://colab.research.google.com/drive/14jDMbV8c5Bg59EP_PFUfUXopfkzB1Eu6?usp=sharing">Merge All DataSet</a></blockquote><blockquote><a href="https://colab.research.google.com/drive/1TXCIiNfTLWhozQWEkxbWwWLikVdY3y2A#scrollTo=JnVoa0hd3CbB">Prediction Model for SET100</a></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=406a8cda2ada" width="1" height="1" alt=""><hr><p><a href="https://medium.com/botnoi-classroom/%E0%B8%84%E0%B8%99%E0%B8%88%E0%B8%B0%E0%B8%A3%E0%B8%A7%E0%B8%A2%E0%B8%8A%E0%B9%88%E0%B8%A7%E0%B8%A2%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B9%84%E0%B8%94%E0%B9%89-%E0%B8%A1%E0%B8%B2-trade-%E0%B8%AB%E0%B8%B8%E0%B9%89%E0%B8%99%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-machine-learning-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%80%E0%B8%96%E0%B8%AD%E0%B8%B0-406a8cda2ada">คนจะรวยช่วยไม่ได้ !!! มา Trade หุ้นด้วย Machine Learning กันเถอะ !!!</a> was originally published in <a href="https://medium.com/botnoi-classroom">botnoi-classroom</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>