← สารบัญหนังสือ
3.4 — Bayesian Thinking
อัปเดตความเชื่อด้วยหลักฐาน
ภาค 3 · คณิต-สถิติ · อ่าน ~7 นาที · ทำไมเทรดเดอร์ที่คิดแบบ Bayes ปรับตัวเร็วกว่าคนอื่น
มีเทรดเดอร์สองคน เจอสัญญาณเดียวกัน
คนแรกบอก: "สัญญาณนี้เทพมาก เห็นแล้วเข้าเลย"
คนที่สองบอก: "สัญญาณนี้ดี — แต่บริบทตอนนี้ดีแค่ไหน? อัปเดตก่อน แล้วค่อยตัดสินใจ"
คนที่สองคือคนที่คิดแบบ Bayes · บทนี้จะอธิบายว่ามันต่างกันยังไง และทำไมมันสำคัญกว่าที่คิด
1. ก่อนอื่น — ความเชื่อมีน้ำหนักได้
คนทั่วไปมองความเชื่อแบบ on/off: "เชื่อ" หรือ "ไม่เชื่อ" · แต่ชีวิตจริงมันไม่ใช่แบบนั้น — เราเชื่ออะไรสักอย่างในระดับที่แตกต่างกัน เช่น "มั่นใจ 80%" หรือ "คิดว่าน่าจะใช่ประมาณ 60%"
Thomas Bayes นักคณิตศาสตร์ชาวอังกฤษในศตวรรษที่ 18 เสนอแนวคิดที่ฟังดูเรียบง่ายแต่เปลี่ยนโลก: "ความเชื่อคือตัวเลขที่เราอัปเดตได้เมื่อเจอหลักฐานใหม่" · แทนที่จะพลิกจาก "เชื่อ 100%" เป็น "ไม่เชื่อเลย" ในวันเดียว — เราขยับมันทีละนิดตามน้ำหนักของหลักฐานที่เข้ามา
โครงสามขา ที่ต้องจำตลอดบท:
Prior = ความเชื่อตั้งต้น (ก่อนเจอหลักฐาน) — เชื่อว่ามีโอกาสกี่เปอร์เซ็นต์?
หลักฐาน = ข้อมูลที่เข้ามาใหม่ — บอกอะไร? น้ำหนักเท่าไร?
Posterior = ความเชื่อหลังอัปเดต — ควรเชื่อกี่เปอร์เซ็นต์ตอนนี้?
สูตรกลมๆ ที่ไม่ต้องท่อง: Prior + หลักฐาน → Posterior (แล้ว Posterior วันนี้ กลายเป็น Prior ของพรุ่งนี้)
2. ตัวอย่างบ้านๆ: หมอและการตรวจโรค
สมมติมีโรคหายากที่คนเป็น 1% ของประชากร (base rate = 1%) · มีชุดตรวจที่แม่น 90% (ถ้าเป็นโรค ตรวจเจอ 90% · ถ้าไม่เป็นโรค ตรวจบอกว่าเป็น 10%)
คุณไปตรวจ ผลออกมา "เป็นโรค" — คำถามคือ โอกาสที่คุณเป็นโรคจริงๆ คือเท่าไร?
ลองนับจาก 1,000 คน (แทนที่จะคิด %):
เป็นโรคจริง 10 คน → ตรวจเจอ 9 คน (แม่น 90%)
ไม่เป็นโรค 990 คน → ตรวจผิดพลาดว่าเป็น 99 คน (ผิด 10%)
ผลบวก (ตรวจว่าเป็น) รวม = 9 + 99 = 108 คน
ในนั้นเป็นโรคจริงแค่ 9 คน
โอกาสที่คุณเป็นโรคจริง = 9/108 = ~8%
ทั้งที่ชุดตรวจแม่น 90% โอกาสเป็นโรคจริงแค่ 8% เท่านั้น — เพราะ base rate ต่ำมาก (แค่ 1%) ทำให้ตัวเศษเล็ก ตัวส่วนใหญ่ · ถ้าไม่รู้จัก Bayes จะตกใจเกินจริง ถ้ารู้จัก Bayes จะบอก "อย่าเพิ่งตกใจ ต้องตรวจซ้ำก่อน"
💡 บทเรียนที่ 1: Base rate (ความชุกในโลกจริง) ต้องมาก่อนเสมอ — ก่อนจะเชื่อสัญญาณหรือหลักฐานชิ้นไหน ถามก่อนว่า "ในบริบทนี้ โอกาสตั้งต้นคือเท่าไร" · สัญญาณเดียวกัน แต่ base rate ต่างกัน ผลสรุปต่างกันหมด
3. Bayesian ในตลาด: ราคาขึ้นมาแล้ว — เชื่อไหม?
เทรดเดอร์เจอสัญญาณขาขึ้น — จะเชื่อแค่ไหน? มาคิดแบบ Bayes:
Prior: ตลาดอยู่ใน downtrend ชัดเจน ลมส่วนใหญ่พัดลง · ความเชื่อว่าสัญญาณนี้จะทำงานได้ดี = 30%
หลักฐานที่ 1: RVOL ที่แท่งสัญญาณ = 2.1 (volume มาแรง) → อัปเดต: เพิ่มความเชื่อขึ้น
หลักฐานที่ 2: อยู่ใกล้แนวต้านใหญ่ที่ทดสอบมา 3 ครั้ง → อัปเดต: ลดความเชื่อลงนิด
หลักฐานที่ 3: Funding rate ลบ (shorts เยอะ = เชื้อดีด) → อัปเดต: เพิ่มความเชื่อขึ้นอีก
Posterior: หลังอัปเดต 3 ชั้น ความเชื่อขยับเป็น ~55% → ขนาดความเสี่ยงที่เหมาะสมเปลี่ยนตามด้วย
นี่คือสิ่งที่เทรดเดอร์ระดับ top ทำโดยไม่รู้ตัวมาตลอด — พวกเขาอ่านหลักฐานหลายชั้น ขยับความเชื่อทีละก้าว แล้วค่อยตัดสินใจขนาด risk ตามความเชื่อนั้น · Bayes แค่ให้ภาษาที่ชัดขึ้นกับสิ่งที่ทำอยู่แล้ว
4. กับดักของคนที่ไม่คิดแบบ Bayes
กับดัก 1 — Prior ผิด (ไม่รู้ base rate): เห็นสัญญาณดีในตลาดที่ trend ลงแรง แล้วเข้าเต็มไม้ ทั้งที่ base rate ของสัญญาณขาขึ้นใน downtrend แย่มาก · คนที่รู้ Bayes จะ size เล็กกว่า เพราะรู้ว่า prior ต่ำ
กับดัก 2 — Over-update (พลิกเพราะหลักฐานชิ้นเดียว): แพ้ 5 ไม้ติดแล้วทิ้งระบบทันที โดยไม่ถามว่า "5 ไม้ติดของระบบ WR 50% มีน้ำหนักเป็นหลักฐานเท่าไร?" (คำตอบจากบท 3.6: ~81% ที่จะเจอแพ้ 5 ติดใน 100 ไม้ = แทบไม่มีน้ำหนักเลย)
กับดัก 3 — Under-update (ยึดความเชื่อเดิมทั้งที่หลักฐานเปลี่ยน): เชื่อว่าตลาดขาขึ้น ทั้งที่สัปดาห์ผ่านมาโครงสร้างแตกชัดเจนแล้ว ยังไม่ยอมอัปเดต · นี่คืออาการ "confirmation bias" ซึ่งตรงข้ามกับ Bayes โดยสิ้นเชิง
กับดักพิเศษในตลาด: "ระบบนี้ทำงานได้ เพราะฉันใช้มันมา 3 ปีแล้ว" — 3 ปีฟังดูเยอะ แต่ถ้าเทรดเดือนละ 5 ไม้ = 180 ไม้ · และถ้าตลาดช่วง 3 ปีที่ผ่านมาเป็น bull market ทั้งหมด = prior ของคุณ (ระบบทำงานได้) อาจเป็น posterior ของสภาพแวดล้อมเดียว ไม่ใช่หลักฐานทั่วไป
5. Bayes กับการอัปเดต "มุมมองตลาด" ทีละสัปดาห์
นี่คือวิธีที่ quant ชั้นนำใช้ Bayes จริงๆ — ไม่ใช่แค่ตอนเข้าออเดอร์ แต่อัปเดต มุมมองใหญ่ ทีละขั้น:
| สัปดาห์ | หลักฐานที่เข้ามา | Posterior (มุมมองอัปเดต) |
|---|
| ต้นเดือน | Prior: bull regime ชัด · ADX 28 · trend ขาขึ้น | เชื่อขาขึ้น 75% |
| สัปดาห์ 2 | ราคาหยุดทำ HH · volume หดลงใน rally | ขยับลง: 75% → 58% |
| สัปดาห์ 3 | CHoCH เกิด · OBV diverge ชัด | ขยับลงอีก: 58% → 35% |
| สัปดาห์ 4 | ทะลุแนวรับสำคัญ + RVOL ≥ 2 | พลิกเป็น: เชื่อขาขึ้น 20% (= เชื่อขาลง 80%) |
สังเกตว่าไม่มีวันไหนที่ "พลิกฉับพลัน" — ทุกอย่างค่อยๆ ขยับตามน้ำหนักหลักฐาน · ผลคือเทรดเดอร์ที่คิดแบบนี้ ไม่เคย "ตกใจ" กับตลาด เพราะมุมมองเคลื่อนตามหลักฐาน ไม่ได้รอให้ราคา crash แล้วค่อยรู้ตัว
6. Prior ของคุณ — เปิดหรือปิดกั้นหลักฐาน?
Prior ที่แข็งเกินไปทำให้ Bayes ล้มเหลว — ถ้าเริ่มจาก "เชื่อ 99.9%" แม้หลักฐานตรงข้ามท่วมหัว ก็ขยับได้นิดเดียว · ในการเทรด นี่คืออาการของคนที่ "ตกหลุมรัก" ตลาด หรือ "มั่นใจระบบ 100%" ก่อนพิสูจน์
💡 กฎทอง: Prior ที่ดีควรมาจาก base rate จริง ไม่ใช่ความหวัง · "ระบบนี้น่าจะ work" ≠ prior ที่มีน้ำหนัก · "ระบบแบบนี้ที่ test แล้วมี edge ใน 3 ใน 5 ตลาด" = prior ที่ตั้งได้สมเหตุสมผล
Prior ที่ตั้งบนความหวัง + อัปเดตด้วยหลักฐาน = ยังดีกว่าไม่อัปเดตเลย · แต่ Prior ที่มาจากข้อมูล + อัปเดตด้วยหลักฐาน = ระบบที่น่าเชื่อถือ
7. Bayesian Thinking ≠ ต้องใช้สูตร
นี่คือจุดสำคัญที่สุดของบท — คุณไม่ต้องคำนวณอะไรเลย · สิ่งที่ต้องฝึกคือ วิธีคิด 3 ขั้น:
ขั้น 1 — ถามก่อนเสมอ: "Base rate ของสิ่งนี้คือเท่าไร?" (โดยไม่รู้ base rate เราเดา ไม่ใช่วิเคราะห์)
ขั้น 2 — น้ำหนักหลักฐาน: "หลักฐานชิ้นนี้บอกอะไร และมันน่าเชื่อแค่ไหน?" (ไม่ใช่ทุกหลักฐานเท่ากัน — RVOL ≥ 2 หนักกว่า RSI ที่ oversold)
ขั้น 3 — ขยับ อย่าพลิก: "ความเชื่อควรขยับเท่าไร — ไม่ใช่พลิกทันที" (หลักฐานชิ้นเดียวแทบไม่เคยควรพลิก 180 องศา ยกเว้นมันรุนแรงมาก)
เทรดเดอร์ที่ฝึก 3 ขั้นนี้จนเป็นนิสัยจะปรับตัวเร็วกว่าคนอื่น เพราะไม่ต้องรอให้ตลาด "ชัดมาก" ก่อนขยับมุมมอง — เขาขยับระหว่างทาง ทีละก้าว ตามข้อมูลที่เข้ามาจริง
8. สรุป: ทำไม Bayesian Thinking ถึงเป็นข้อได้เปรียบ
ตลาดเต็มไปด้วยคนที่คิดแบบ "เชื่อหรือไม่เชื่อ" — พวกเขาจะพลิกความเชื่อพร้อมกันเมื่อหลักฐานมากพอ ซึ่งมักเป็นตอนที่ราคาวิ่งไปไกลแล้ว · คนที่คิดแบบ Bayes ขยับก่อน เบาๆ และต่อเนื่อง — เพราะไม่ได้รอ "ความชัด" แต่ขยับตาม "น้ำหนักหลักฐานสะสม"
📌 ประโยคที่ควรติดไว้ข้างจอ:
"ฉันเชื่อสิ่งนี้ที่ระดับ X% — และเมื่อเจอหลักฐานใหม่ จะอัปเดตมัน ไม่ใช่ทิ้งหรือยึดถาวร"
นี่คือประโยคเดียวที่แยก Bayesian trader ออกจากคนอื่น — ไม่ใช่สูตร ไม่ใช่โค้ด แต่เป็น วิธีสัมพันธ์กับความไม่แน่นอน