📖 คัมภีร์ Quant บท 13 — ML/AI ในการเทรด: อะไรเวิร์คจริง อะไรคือโม้ และหน่วย "คนเดียว+Fable" ควรยืนตรงไหน
ระดับ: สูง · บทที่ hype หนาที่สุดในยุคนี้ — จึงต้องเขียนโหดที่สุด: เส้นแบ่ง work/โม้ ในวงการนี้ชัดกว่าที่คนขายคอร์ส AI อยากให้เชื่อมาก แผนทั้งชุด · ← บท 12 ตำนาน · บท 8 product →
1. ทำไม "AI ทำนายราคาพรุ่งนี้" ล้มเหลวซ้ำซาก — เหตุผลเชิงโครงสร้าง 4 ข้อ (ไม่ใช่เพราะโมเดลยังไม่เก่งพอ)
ความเชื่อยอดนิยม: "AI ชนะหมากล้อม/พับโปรตีน/เขียนโค้ดได้ เดี๋ยวก็ทำนายหุ้นได้" — ผิดที่โครงสร้างปัญหา ไม่ใช่ที่พลังโมเดล:
- Signal-to-noise ต่ำระดับสุดขั้ว: ภาพแมวมี signal ~100% — ราคารายวันมี signal บางเฉียบจมใน noise (ตลาด "เกือบสุ่ม" — บท 2 ข้อ 33) · โมเดลยิ่งทรงพลัง ยิ่งเก่งในการจำ noise — ในโดเมนอื่นพลังโมเดล = ของขวัญ ในตลาด = คำสาป (overfitting ติดเทอร์โบ)
- Non-stationary: กฎของเกมเปลี่ยนตลอด (บท 2 ข้อ 31) — หมากล้อมกติกาเดิมทุกกระดาน ตลาดเปลี่ยนกติกาตามผู้เล่น/นโยบาย/เทคโนโลยี → โมเดลฝึกจากโลกที่ตายแล้วเสมอ
- ตลาดยิงกลับ (adversarial + reflexive): ทำนายภาพแมว แมวไม่แก้เกม — ทำนายตลาดแม่นแล้วเทรด ตลาดดูดซับและลบแพทเทิร์นนั้น (alpha decay) ยิ่ง AI ทุกเจ้าเห็นข้อมูลเดียวกัน ยิ่งลบกันเร็ว
- ข้อมูลน้อยกว่าที่คิดมหาศาล: Deep learning กินข้อมูลล้านๆ ตัวอย่าง — ราคารายวัน 10 ปี = ~2,500 แท่ง และไม่ independent (clustering) · ข้อมูล "เยอะจริง" มีเฉพาะระดับ tick ซึ่งคือสนามชั้น 1-2 ไม่ใช่ของเรา
สถานะความจริงปี 2026: กองทุนที่ใช้ ML สำเร็จ ใช้มันแบบ "อวัยวะเสริมในระบบที่มีตรรกะเศรษฐศาสตร์" แทบทั้งหมด — ไม่มีเจ้าไหนที่ตรวจสอบได้ว่า "โยนข้อมูลดิบใส่ deep net แล้วรวย" — ส่วนที่โฆษณาแบบนั้นได้ อยู่ในสองหมวด: ขายคอร์ส กับยังไม่ถูกจับโป๊ะ (ตัวอย่างในโปรเจกต์นี้เองคือทวีตปลอมที่อ้างชื่อสถาบันใหญ่ — เราเคยแกะกันว่าเป็นของปลอมได้จากการตรวจสอบข้อเท็จจริงขั้นพื้นฐาน)
2. แล้ว ML เวิร์คตรงไหนจริง — 5 งานที่วงการใช้แล้วได้ผล (เรียงใกล้ตัวเรา → ไกล)
- อ่านข้อความ (NLP/LLM): ย่อยข่าว/รายงาน/โซเชียลเป็นคะแนน sentiment, จับหัวข้อร้อน, สรุปงบ — งานที่ภาษาคือข้อมูล AI ชนะคนที่ "ปริมาณ+ความเร็ว" ขาดลอย — ใกล้ตัวเราสุด: นอมอ่าน COT report/ข่าว Fed/กระแส 4 ตลาดแล้วสรุปเช้าละ 5 นาที = งานที่กองทุนเมื่อ 10 ปีก่อนต้องจ้างนักวิเคราะห์ 3 คน
- จัดกลุ่ม regime: ML แบบ unsupervised จัด "ฤดูตลาด" จากหลายตัวแปรพร้อมกัน (vol, correlation, volume) — ฉลาดกว่า ADX เดี่ยวๆ แต่หลักการเดียวกัน — ใช้เป็น "สวิตช์เลือกโหมด" ไม่ใช่เครื่องทาย (บท 14 เคส 5)
- Feature สำหรับกลยุทธ์ดั้งเดิม: ให้ ML ช่วยจัดอันดับ/ถ่วงน้ำหนักสัญญาณที่มีเหตุผลอยู่แล้ว (เช่น สัญญาณ trend 10 แบบ ML เรียนรู้ว่าช่วงไหนควรฟังตัวไหน) — โครงยังเป็นตรรกะคน ML เป็นมือจูน
- Execution optimization: หั่นออเดอร์/เลือกจังหวะส่งให้ต้นทุนต่ำสุด — โดเมนที่ ML ชนะชัดเพราะ feedback เร็วและวัดง่าย (เกมชั้น 1)
- การพยากรณ์ volatility (ไม่ใช่ทิศ!): ตระกูล GARCH/ML ทำนาย "ความเหวี่ยงพรุ่งนี้" ได้ดีจริง (clustering — บท 14) — ใช้ปรับ size/ตั้ง stop ไม่ใช่เลือกข้าง
แพทเทิร์นร่วมของทั้ง 5: AI อยู่ตำแหน่ง "ผู้ช่วยของระบบที่มีกระดูกสันหลังเป็นตรรกะ" — ไม่ใช่ผู้ทำนาย — จำตำแหน่งนี้แม่นๆ แล้วจะไม่โดน AI-trading scam ทุกตัวที่กำลังจะเกิดในไทยหลอกได้เลย
3. ยุค LLM 2024-2026 — อะไรเปลี่ยนจริงสำหรับหน่วยเล็ก (เขียนจากประสบการณ์ตรงของโปรเจกต์นี้เอง)
สิ่งที่เปลี่ยนจริงไม่ใช่ "AI ทายเก่งขึ้น" — คือ ต้นทุนการวิจัยพังทลาย:
| งาน | ก่อนยุค LLM | ตอนนี้ (พิสูจน์ในโปรเจกต์นี้แล้ว) |
|---|---|---|
| เขียนโค้ด backtest + validation | จ้าง dev/เรียนเขียนเอง หลายสัปดาห์ | คืนเดียว — R2+R3 เสร็จพร้อมรายงาน |
| อ่าน paper/ตำรา แปลงเป็นความรู้ใช้ได้ | อ่านเอง เดือนละเล่ม | คัมภีร์ 14 บทนี้ = ตัวอย่างสด |
| ขุดข้อมูลเก่าของตัวเอง | ไม่มีใครทำ (น่าเบื่อเกิน) | R1: 11,875 ภาพถูกวิเคราะห์ในหนึ่งชั่วโมง |
| ตรวจงานตัวเอง (อคติ!) | ทำไม่ได้จริง | agent อิสระ + audit แยกตัว |
แต่สามอย่างที่ LLM ทำไม่ได้ และจะเป็นจุดตายของคนที่เชื่อ AI เกิน: 1. สร้าง edge จากความว่างเปล่า — LLM รู้ทุกอย่างที่ "ทุกคนรู้" — สิ่งที่ทุกคนรู้ ไม่มี edge โดยนิยาม (บท 2 ข้อ 12) · edge ของหน่วยเราต้องมาจากของที่ LLM ทั่วไปไม่มี: ประสบการณ์เฉพาะของหลิว + การทดลองของเราเอง + วินัยที่คนอื่นไม่มี 2. แทนเวลาในโรงเพาะ — หลักฐานจากตลาดสดต้องใช้เวลาจริงเสมอ (บท 7) 3. รับผิดชอบการตัดสินใจ — โมเดลทุกตัว (รวมนอม) ผิดได้และผิดแบบมั่นใจได้ — โครงสร้างที่ถูกคือ AI เสนอ+ตรวจ / มนุษย์+กฎที่เขียนล่วงหน้า ตัดสิน — ที่เราใช้อยู่เป๊ะ
🔬 เจาะลึก — กับดักใหม่ของยุค agent (2026) ที่แทบไม่มีใครพูดถึง: การให้ AI "ลองไอเดียให้หน่อย" ที่เร็วขึ้นพันเท่า = ความสามารถ p-hacking ที่เร็วขึ้นพันเท่า (บท 11 ข้อ 5) — มือใหม่ยุคนี้ overfit ได้เร็วกว่ามือใหม่ทุกยุคในประวัติศาสตร์ เพราะ "ลองอีกแบบ" เหลือแค่พิมพ์ประโยคเดียว · วินัย "นับทุกครั้งที่ลอง + ล็อกนิยามก่อนรัน + OOS ศักดิ์สิทธิ์" จึงสำคัญขึ้นในยุค AI ไม่ใช่ลดลง — เครื่องมือแรงขึ้นต้องการเบรกแรงขึ้น
4. MiroFish, swarm prediction และของเล่นยุคใหม่ — มองผ่านเลนส์ที่เพิ่งสร้าง
จากที่เราคุยกันเรื่อง MiroFish (จำลองฝูง agent นับพันอ่านข่าวแล้วดูพฤติกรรมรวม): ตอนนี้หลิวมีเครื่องมือประเมินมันเองแล้ว — ไล่เช็คลิสต์: ทำนาย "ทิศราคา" ได้ไหม? (โครงสร้างปัญหาข้อ 1-4 ยังอยู่ครบ — ไม่มีเหตุให้เชื่อ) · ทำนาย "ปฏิกิริยาฝูงชนต่อ narrative" ได้ไหม? (อาจมีของ — มันคือ sentiment simulation ซึ่งอยู่ในหมวดที่ ML เวิร์ค แต่ยังไม่มี benchmark ตีพิมพ์ = สถานะ "น่าติดตาม ยังไม่น่าเอาเงินตาม") · ใช้กับเราตรงไหน? — ถ้าจะใช้ ใช้เป็นชั้นบริบท sentiment (ชั้น 3 ของโมเดล 4 ชั้น บท 10) ไม่ใช่ trigger — ทุกของเล่นใหม่ที่จะเกิดในอีก 5 ปี ใช้เลนส์เดียวกันนี้ประเมินได้หมด: มันอ้างว่าแก้ปัญหาข้อไหนใน 4 ข้อของหัวข้อ 1 และมีหลักฐาน out-of-sample ไหม
5. สรุปจุดยืนของหน่วยเรา — AI stack ที่ใช้จริง (และไม่ใช้)
ใช้: นอม/Fable เป็น (1) มือวิจัย-เขียนโค้ด-ตรวจโค้ด (2) ผู้ช่วยอ่าน-ย่อย-เฝ้าข่าวสารปริมาณมหาศาล (3) คู่คิดที่ถูกบังคับให้เถียง (agent นิยามล็อก, audit) (4) ครูส่วนตัว (คัมภีร์นี้) — ทั้งหมดคือ "ผู้ช่วยรอบกระดูกสันหลังที่เป็นกฎ deterministic ที่พิสูจน์แล้ว"
ไม่ใช้: AI ทำนายราคา · AI ตัดสินใจเข้าออกแทนกฎ · AI ปรับกฎอัตโนมัติตามผลล่าสุด (= overfit อัตโนมัติ) · black box ที่อธิบายไม่ได้ว่าใครจ่าย
ประโยคขึ้นเพจจากบทนี้: - "AI ชนะหมากล้อมได้เพราะกติกาไม่เปลี่ยน — ตลาดเปลี่ยนกติกาทุกครั้งที่มีคนชนะ นี่คือเหตุผลที่ AI ทำนายราคายังล้มเหลวซ้ำซาก และโครงสร้างปัญหา 4 ข้อนี้ยังไม่มีใครแก้ได้" - "AI ไม่ได้ทำให้การหา edge ง่ายขึ้น — มันทำให้การหลอกตัวเองเร็วขึ้นพันเท่า สำหรับคนไม่มีวินัยทางสถิติ" - "ที่ที่ AI เวิร์คจริงในการเทรดคือตำแหน่งผู้ช่วย: อ่านแทน เขียนโค้ดแทน ตรวจแทน เฝ้าแทน — ส่วนตำแหน่งผู้ทำนาย ยังว่างเหมือนเดิมมา 50 ปี" - "ระวังทุกระบบที่โฆษณาว่า AI เลือกไม้ให้ — ถามคำเดียวพอ: ถ้ามันทำได้จริง ทำไมเขาขายให้คุณเดือนละ 990"
ถัดไป → บท 8: จาก quant สู่ product — แปลงทั้งหมดนี้เป็นเครื่องยนต์ของ socialnorms 2.0