Quant ใช้ Technical Indicator ?

"All models are wrong, some models are useful—and a worrying number of models are downright dangerous when people forget their limitations." – Wilmott (inspired by Box).

ในฐานะนักเขียนที่อยู่ในวงการ Quantitative Finance มานานพอจะรู้ว่าความจริงของตลาดมักไม่เคยสวยงามเหมือนกับสมการในตำรา เรามักพบว่าโลกแห่งตัวเลขและโลกแห่งการซื้อขายซ้อนทับกันอย่างแปลกประหลาด และในความเป็นจริงของการทำ Quant Trading นั้นหนึ่งในคำถามสุดอมตะที่ยังสร้างสงครามน้ำลายได้เสมอก็คือ "Quant ควรใช้ Technical Indicator หรือไม่นะ?"

จริงอยู่ว่าเราอยากให้ตลาดมีระเบียบปฏิบัติตามโมเดลคณิตศาสตร์ที่สวยงาม แต่ในโลกที่ทุกคนอยากจะเอาชนะตลาดนั้น บางครั้งการโยนสิ่งที่ถูกใจแต่ฟังดูเหมือนไร้สาระอย่าง Moving Averages, MACD, RSI หรือสิ่งที่เรียกรวม ๆ ว่า Technical Indicators เข้าไปในโมเดล Quantitative ก็ไม่ใช่เรื่องเสียหายอะไรนัก (แต่จะได้ผลจริงหรือไม่นั้นอีกเรื่องหนึ่ง)

ทำไม Quant Models ถึงอาจจะ "ไม่ถูกกับ" Technical Indicators?

ก่อนอื่นเราต้องยอมรับความเป็นจริงก่อนว่า Technical Indicators นั้นถูกสร้างขึ้นมาตั้งแต่ในช่วงก่อนที่เราจะมีทั้งคอมพิวเตอร์เร็วจี๋และเครื่องจักรประมวลผลอันชาญฉลาด Technical Indicators จำนวนมากจึงมักมีลักษณะง่าย ๆ ใช้คณิตศาสตร์พื้นฐานที่แสนจะธรรมดา ๆ และพึ่งพาการวิเคราะห์ข้อมูลราคาย้อนหลังเพื่อทำนายอนาคต ซึ่งดูเผิน ๆ แล้วก็อาจจะมีเหตุมีผล แต่ Quant โดยมากนั้นเป็นเผ่าพันธ์ุที่ยึดมั่นในตรรกะและความเข้มข้นทางสถิติ ส่งผลให้คนทำ Quant หลายคนมองว่า Indicators เหล่านี้มีความเป็น "Pseudo-Science" หรือศาสตร์ที่ดูเหมือนวิทยาศาสตร์ แต่พอพิจารณาใกล้ชิดก็จะเริ่มสงสัยในการใช้งานได้จริง

ตัวอย่างที่เห็นได้ชัดคือ Indicators ส่วนใหญ่ไม่ได้เกิดจากทฤษฎีใหม่เชิงเศรษฐศาสตร์หรือคณิตศาสตร์ที่ซับซ้อน แต่เกิดจากการทดลอง ๆ ผิดลองถูกด้วยตาเปล่าบนกราฟราคา (ที่บางทีคนออกแบบ indicator ก็เพียงขีดเส้นขึ้นมาเพราะมันดูใช้ได้ดี) แล้วพัฒนาขึ้นมาเป็นกฎเหล็ก ซึ่งถ้ามองในแง่ตรรกะก็ค่อนข้างน่าหวั่นใจ เพราะการทดลองด้วยการ "ดูด้วยตา" เป็นเรื่องใหญ่หลวงและน่ากังขาสำหรับการวิเคราะห์ที่อ้างอิงความถูกต้องเชิงสถิติ

แนวคิดทางทฤษฎีเบื้องหลัง: ความสอดคล้องในหลักการ หรือ เพียงแค่ภาพลวงตา?

แม้เราจะตั้งข้อสงสัยอย่างไรมากมายเกี่ยวกับ Technical Indicators แต่เมื่อมองลึกในเชิงทฤษฎีนั้น อย่างน้อย Indicators แม้จะธรรมดาแต่ก็ยังตั้งอยู่บนพื้นฐานสองคอนเซปต์หลักที่ Quant Models บางส่วนก็แชร์ร่วมด้วย นั่นคือแนวคิดเรื่องข้อมูลพยากรณ์ราคา (Predictive Value of Historical Data) และแนวคิดเกี่ยวกับตลาดที่มีประสิทธิภาพ (Efficiency Market Hypothesis หรือ EMH)

ถ้าเราขจัดภาพกราฟที่เต็มไปด้วยเส้นสายและสีสันออกจากเทคนิค indicator เหลือไว้เพียงสมการเลขเบื้องหลัง ก็จะพบว่าพวกมันมีองค์ประกอบที่เรียบง่ายและสอดคล้องกับวิธีการทางคณิตศาสตร์ได้อย่างชัดเจน โดยส่วนมาก indicator ต่างๆถูกสร้างขึ้นมาจากชุดของสมการพื้นฐาน อาทิ ค่าเฉลี่ยเคลื่อนที่ (Moving Average), ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation), การคัดกรองสัญญาณแบบ Oscillator และ Filter รวมถึงหลักสถิติวิทยาที่ถูกซ่อนอยู่ภายใน

แน่นอนว่า นี่ไม่ใช่ Black-Scholes หรือแบบจำลอง PDE อันซับซ้อนที่ quants นิยมใช้ แต่เมื่อมองกลับเข้าไปในองค์ประกอบคณิตศาสตร์ของ technical indicators พบว่า indicator เหล่านี้สามารถถูกวิเคราะห์และวิพากษ์วิจารณ์ผ่านทาง quantitative analysis ที่ชัดเจนได้ หากแต่ quants ยินดีที่จะเปิดใจรับฟัง (ซึ่งอย่างน้อยพวกเราก็เชื่อว่าพวกเขาจะหยุดหัวเราะเยาะสักนิด)

การรื้อดูใต้ฝากระโปรง: Common Technical Indicators Explained

ตัวอย่าง indicator พื้นฐานที่เรามักพบ ได้แก่:

• ค่าเฉลี่ยเคลื่อนที่ (Moving Average หรือ MA): เครื่องมือแสนง่ายที่ช่วยลดความผันผวนระยะสั้นให้ราคา และช่วยบอกแนวโน้มของตลาด

• Relative Strength Index (RSI): Oscillator ที่วัดแรงและทิศทางของราคาล่าสุด และบอกถึง overbought หรือ oversold (ฟังดูดี แต่ระวัง! ตลาดสามารถ overbought ได้ยาวนานกว่าที่เงินทุนคุณจะเอื้ออำนวย)

• Moving Average Convergence Divergence (MACD): ตัวนี้คือการวัดโมเมนตัมแบบ fancy ทำโดยลบ exponential moving averages สองเส้นออกจากกัน เพื่อให้สัญญาณจุดพลิกกลับ (และบางครั้งก็พลิกกลับซ้ำๆ มากจนคุณลิงเวียนหัว)

• Bollinger Bands: จากชื่อที่ sounding sophisticated มันก็คือช่วงของ standard deviation ที่ล้อมรอบค่าเฉลี่ยราคา (ดูเหมือนมีความซับซ้อน แต่ deep inside มันเป็นเรื่อง mean reversion ที่แสนจะธรรมดา)

Indicator เหล่านี้แท้จริงแล้วยืนอยู่บนหลักคณิตศาสตร์และสถิติ basic มากกว่าที่คนส่วนใหญ่คิด สิ่งเหล่านี้จึงเหมาะสำหรับการนำมาพิจารณาอย่างรอบคอบโดยมุมมองเชิง quant

Predictive Value of Historical Data: ประวัติศาสตร์สอนอะไรเราได้บ้าง?

Quant Models ส่วนใหญ่นั้นก็มีพื้นฐานมาจากการวิเคราะห์ข้อมูลในอดีตอย่างเข้มงวด ไม่ว่าจะเป็น Linear Regression, ARIMA, หรือโมเดลเชิงสถิติซับซ้อนต่าง ๆ ซึ่งจะว่าไปก็สร้างบนความเชื่อที่ว่าข้อมูลเก่าจะสามารถทำนายอนาคตได้ (อันที่จริง บางทีการพยากรณ์ราคาก็เหมือนการดูดวงจากลายมือ ... แต่ใช้ตัวเลขสวยกว่าเท่านั้นเอง)

ดังนั้น หาก Indicators ก็อ้างอิงจากข้อมูลย้อนหลังในการคำนวณ งั้นมันก็ไม่ได้ผิดเรื่องหลักการสักที่เดียว แถมอาจมีประโยชน์ได้ในฐานะ Input สู่ Quant Models บางอย่างที่ต้องการข้อมูลเสริมเพิ่มเติมในการทำนายราคา

ปัญหาสำคัญของการใช้ technical indicators ในสายตา quants มักอยู่ที่คำถามที่ลึกซึ้งกว่าเดิมว่า "สัญญาณที่เราเห็นมีสาระ มี alpha จริงหรือเป็นเพียงแค่เสียงรบกวนที่เกิดจากสถิติแบบสุ่ม?"

สำหรับ quant คนจริงจัง นี่คือจุดที่การประเมินเชิงสถิติ (statistical and econometric methods) เข้ามาเพื่อให้คำตอบที่ชัดเจน แม้ว่า indicators จะถูกสร้างด้วยสมการเลขที่ชัดเคลียร์ แต่การทดสอบประสิทธิภาพสัญญาณด้วยการ Backtest, robustness tests หรือ Cross Validation จะช่วยได้มากในการแยกของดีจริงๆ ออกจากภาพลวงตา random patterns ที่ครั้งหนึ่งเคยดู "สวยงาม" แต่หมดมนต์ขลังทันทีที่เทรดจริง[4]

แน่นอนว่าสารพัดตัว indicator มักมีปัญหา classic ดังนี้:

• ความไวต่อการเลือก parameters (parameter sensitivity): ชนิดที่ปรับ EMA จากระยะ 10 วันเป็น 9 วันแล้วสัญญาณกลับพลิกหน้ามือ-หลังมือ คล้ายหมอดูที่เปลี่ยนคำทำนายตามลมฟ้าอากาศ

• ไม่สามารถปรับตัวกับ Regime shifts: สมมติว่าเข้าสู่ตลาดหมีอย่างหนัก MA crossover ที่เคยแม่นในตลาดกระทิงกลับแสดงสัญญาณที่พาเราลงหน้าผาไปพร้อมกันอย่างสวยงาม

• ปัญหาการ crowded trades และ arbitrage erosion: ใครๆ ก็เห็นสัญญาณพวกนี้ ยิ่งง่ายยิ่ง popular สัญญาณที่เคยได้เปรียบจึงสูญเสียความสามารถไปเมื่อผู้คนรุมทำตาม

หาก indicator ถูกทดสอบและประเมินโดย quants โดยผ่านการทดสอบที่ rigorous เชื่อได้เลยว่ามีเพียงส่วนน้อยเท่านั้นที่จะ "รอด" และยังคงเหลือประสิทธิภาพในตลาดที่แท้จริง

Efficient Market Hypothesis: จุดที่ Quant และ Technical Analysis ต้องหยุดเข้าข้างตัวเองสักที

พูดถึงทฤษฎี EMH แล้ว Quant ส่วนใหญ่จะเริ่มคันหูทันที เพราะ EMH อนุมานว่าตลาดได้สะท้อนข้อมูลทุกอย่างไว้แล้ว ทำให้สิ่งที่เรียกว่า "การพยากรณ์ราคา" จาก Technical Indicator หรือแม้แต่ Quant Models กลายเป็นเรื่องไร้สาระโดยสิ้นเชิง (ถ้า EMH ถูกจริง ๆ พวกเราก็ตกงานกันได้เลย ยกเว้นว่าคุณจะเป็น Bogleheads ลงทุนแต่ Index Fund เท่านั้น[2])

ถึงจะฟังดูรุนแรง แต่ในโลกจริงเห็นได้ชัดว่าตลาดนั้น " Inefficient อยู่เสมอในบางช่วงบางเวลา" ถ้าเราเลือกช่วงเวลาเหมาะ Indicators เบสิค ๆ บางตัวอาจมีคุณค่าได้ ดังนั้น การนั่งคำนวณเพื่อหา Indicators ที่เหมาะสมในแต่ละสภาพตลาดใช้ร่วมกับ Quant Models อาจไม่ใช่เรื่องเสียเวลามากนัก

แล้ว Quant ควรใช้ Technical Indicators หรือไม่?

สุดท้ายแล้ว quant ควรใช้ indicator เหล่านี้หรือไม่?

คำตอบที่แท้จริงคือ ใช่... แต่ต้องใช้ด้วยความเข้าใจที่ชัดเจนถึงข้อจำกัดของมัน หาก treat indicator เหล่านี้ในฐานะตัวสรุปข้อมูลเบื้องต้นก่อน feeding เข้าไปยัง machine learning หรือ statistical models เราอาจได้สัญญาณที่นำไปปรับปรุงกระบวนการตัดสินใจ แต่ถ้าใช้มันเป็น "เครื่องมือวิเศษ" เดี่ยวๆ คาดหวังว่าจะร่ำรวยในชั่วข้ามคืน คุณอาจพบว่าเรากำลังขี่ม้าไม้ในเวลาที่คนอื่นใช้ Tesla EV (หรืออาจหนักว่าไปนั่งอยู่ในทุ่นกลางมหาสมุทรขณะมีเรือยอชต์แล่นผ่านหน้าในระบบ algorithmic trading สมัยใหม่)

ต่อให้โมเดลจะดีแค่ไหน ผลการลงทุนในอนาคตก็ยังคงเป็น unknown unknown... หรือ jargon งามๆของวงการ quant อธิบายว่า "โปรดใช้ตัวแบบอย่างระมัดระวัง ความเสียหายที่เกิดจากโมเดลไม่ได้อยู่ในความรับผิดชอบของมันเลยแม้แต่น้อย"

Quantitative model ที่ดียังต้องการสิ่งที่มากกว่าแค่ Indicators รวมถึงความคิดสร้างสรรค์ ความระมัดระวัง และความสามารถในการเข้าใจลักษณะธรรมชาติของตลาดที่ไม่เคยเชื่อฟังโมเดลของคุณทุกครั้งไป ดังนั้น ใช้ Technical Indicators อย่างชาญฉลาดและยอมรับว่าสิ่งเดียวที่แน่นอนในตลาดคือ "ไม่มีอะไรแน่นอน"

แล้วขอให้ช่วงเวลาที่คุณใช้โมเดลและ Indicators นั้นนำพาคุณไปสู่ผลตอบแทนที่มีนัยสำคัญทางสถิติได้บ้าง (หรืออย่างน้อยก็สูงกว่าค่าธรรมเนียม)

References

[1] Ernest Chan, Quantitative Trading: Algorithms, Analytics, Data, Models, Optimization, 2021, Wiley.

[2] Eugene Fama, "Efficient Capital Markets: A Review of Theory and Empirical Work," Journal of Finance, 1970, https://doi.org/10.2307/2325486

[3] John J. Murphy, Technical Analysis of the Financial Markets, 1999, New York Institute of Finance.