Flexible Grid Trading ด้วย SSO และ Neural Network

แก่นของเรื่อง

แนวคิดหลัก: Grid trading กำไรจากการที่ราคาแกว่งขึ้นลงผ่านเส้น grid ซ้ำ ๆ และผลลัพธ์ขึ้นกับพารามิเตอร์ 4 ตัว คือ ขอบบน (Gul) ขอบล่าง (Gll) จำนวน grid ฝั่งบน (nu) และฝั่งล่าง (nl). Flexible grid ให้ฝั่งบนกับฝั่งล่างมีอัตราระยะห่างของตัวเอง แล้วใช้ SSO หาพารามิเตอร์ที่ดีที่สุดย้อนหลังของแต่ละช่วงตลาด จากนั้นสอน neural network ให้ทำนายพารามิเตอร์เหล่านั้นจากสถิติตลาด 8 ตัว จะได้ไม่ต้องรัน SSO ใหม่ทุกครั้ง (p.12-18)

ทำไมถึงควรได้ผล (กลไกที่เสนอ):

• ราคาแกว่งผ่านเส้นมาก -> จับคู่ซื้อต่ำขายสูงได้บ่อย -> ได้ส่วนต่างต่อ grid สะสม
• ขอบเขตกว้างเกินไป -> เงินจมใน grid ที่ราคาไม่ถึง; แคบเกินไป -> ราคาหลุดขอบแล้วหยุดทำกำไร. ค่าที่เหมาะเปลี่ยนตามช่วงตลาด จึงต้องปรับตามสถิติราคา
• SSO หาค่าที่เหมาะย้อนหลังให้ได้ แต่ช้า; neural network เรียนจากผลของ SSO แล้วตอบทันที
• ข้อที่ต้องแยก: สามข้อแรกเป็นเหตุผลเชิงโมเดล ส่วนว่า neural network ทำนายพารามิเตอร์ล่วงหน้าได้จริงนอกตัวอย่างหรือไม่ ยังมีหลักฐานจำกัด (ดูหัวข้อ "ข้อจำกัด")

20% ที่ใช้งานได้จริง:

ช่วยให้ดีขึ้นอย่างไร

Note ป้ายหลักฐาน: วัดแล้ว = มีตัวเลขในผลทดลอง (ระบุหน้า) ตีความ = การอนุมานของหน้านี้ ยังไม่ทดสอบ = มีข้อกล่าวอ้างแต่ไม่มีตัวชี้วัดรองรับ

ลองใช้

ตัวอย่างประกอบ: คำนวณ equal-distance grid

ตัวเลขเป็นของตัวอย่าง คำนวณซ้ำได้ด้วยเครื่องคิดเลข

ตัวอย่างประกอบ: อัตราของ flexible grid ด้วย P0 = 100, Gul = 130, nu = 3, Gll = 70, nl = 3 (Eq. 13-14)

Warning ตัวอย่างข้างบนคือการอ่านสมการของหน้านี้ ที่มาไม่ได้ให้สูตรราคาเส้น grid ของ flexible grid ตรง ๆ ตามการอ่านนี้ระยะห่างฝั่งล่างแคบลงเมื่อราคาต่ำลง (11.2, 9.9, 8.8) ตรงกับคำอธิบาย แต่ฝั่งบนกว้างขึ้นเมื่อราคาสูงขึ้น (9.1, 10.0, 10.9) ซึ่งตรงข้ามกับข้อความว่าฝั่งบนถี่ขึ้นที่ราคาสูง (p.13-14) ต้องตรวจก่อนเขียนโค้ดจริง

ตัวอย่างประกอบ: คำนวณ Sharpe ซ้ำจาก Table 16 และ 18 (p.27-29): FG-FNN บน S&P ROI 11.520 / ความผันผวน 1.687 (0.01687 x 100) = 6.829 ตรงกับ Table 19 (6.828) แสดงว่า Sharpe ในผลทดลองคือ ROI หารด้วยความผันผวน ไม่มี risk-free และไม่ได้ annualize

ใช้เมื่อไร

ก้าวแรกที่เล็กที่สุด

เขียนฟังก์ชันคำนวณ Gs, nu, nl, Gv, S0, C0 ตามตัวอย่างข้างบนให้ตรง 10,000 แล้วรัน equal-distance grid บนราคารายวัน 1 ตัวก่อน ยังไม่ต้องใช้ SSO หรือ neural network

ทดสอบก่อน-หลัง (เกณฑ์เสนอ ไม่ใช่ของแหล่งข้อมูล)

ทดสอบความเข้าใจ

1. ขอบเขตและวัตถุประสงค์

หัวข้อนี้บอกว่าโมเดลแก้ปัญหาอะไรและทดสอบกับข้อมูลอะไร

Note ชื่อดัชนีไม่ตรงกัน: ข้อความ p.18 เขียน "NASDAQ Composite" แต่ตารางผลทั้งหมดเขียน "Nasdaq 100"

2. Grid trading พื้นฐาน

Grid trading วางคำสั่งซื้อและขายเป็นช่วงเท่า ๆ กันในกรอบราคา เพื่อซื้อต่ำขายสูง (p.3-4)

2.1 เมื่อไรได้กำไร

พารามิเตอร์ที่กำหนดผล: grid average, ขอบบน, ขอบล่าง, จำนวน grid, ราคาเริ่มต้น, stop loss, stop profit. ควรตั้งจากความผันผวนของราคา ต้นทุนการเทรด ความเสี่ยงที่รับได้ และขนาดทุน (p.4)

2.2 ชนิดของ grid

2.3 แบ่งทุนเริ่มต้น

ทุนรวม F0 แบ่งเป็นสปอตเริ่มต้น S0 กับเงินสด C0 (Eq. 4) โดยหา Gv (ปริมาณต่อ grid หนึ่งช่อง) จากการแก้สมการ (p.8-9)

2.4 ลำดับการทำงาน

flowchart TD
    A["Start"] --> B["Set F0, P0, Gul, Gll, n"]
    B --> C["Make initial pending orders"]
    C --> D["Enter new price"]
    D --> E{"Hit any grid line?"}
    E -- No --> D
    E -- Yes --> F{"Did the price go up?"}
    F -- Yes --> G["Sell spot, update Sj and Cj, place pending orders"]
    F -- No --> H["Buy spot, update Sj and Cj, place pending orders"]
    G --> I{"Stop grid trading?"}
    H --> I
    I -- No --> D
    I -- Yes --> J["End"]

(Fig. 4, p.12; ข้อความในกล่อง "Die the price go up" ตามภาพเขียนผิด ความหมายคือ "ราคาขึ้นหรือไม่")

1. เริ่มต้น วางคำสั่งขายที่เส้นเหนือราคาปัจจุบัน และคำสั่งซื้อที่เส้นใต้ราคาปัจจุบัน (Fig. 3a, p.9)
2. ราคาขึ้นถึงเส้นแรก: ขาย อัปเดตสปอตและเงินสด แล้ววางคำสั่งซื้อที่ตำแหน่งเดิม (Fig. 3b)
3. ราคากลับลงถึงเส้นเดิม: ซื้อ แล้ววางคำสั่งขายที่ตำแหน่งเดิม (Fig. 3c)
4. ราคาลงต่อถึงเส้นถัดไป: ซื้อและวางคำสั่งขายที่ตำแหน่งเดิม (Fig. 3d)
5. วนต่อ: เมื่อราคากลับมาจุดเริ่มต้น ได้กำไรจาก arbitrage 7 ครั้ง เท่ากับส่วนต่าง 7 grid (Fig. 3e, p.11)
6. ปิด grid ได้สองทาง: ถือสปอตและเงินสดไว้ตามเดิม (แนะนำเมื่อราคาต่ำ) หรือขายสปอตเป็นเงินสด วิธีหลังคือวิธีที่ใช้ในการทดลอง (p.11)

3. Flexible grid

Flexible grid แยกกรอบเป็นสองฝั่งที่ P0 โดยให้แต่ละฝั่งมีจำนวน grid และอัตราระยะห่างของตัวเอง (p.12-14)

สูตร (p.13):

• Gsu = 1 / ( (Gul - P0) / P0 + 1 )^(1/nu) = (P0 / Gul)^(1/nu) (Eq. 13)
• Gsl = ( (P0 - Gll) / Gll + 1 )^(1/nl) = (P0 / Gll)^(1/nl) (Eq. 14)

คำอธิบายของแนวคิด (ข้อเสนอที่ยังไม่มีสูตรราคาเส้นตรง ๆ): ขายถี่ขึ้นเมื่อราคาสูง ซื้อถี่ขึ้นเมื่อราคาต่ำ ช่วงกลางคล้าย equal-distance ครึ่งล่างคล้าย equal-ratio ครึ่งบนต่างจากทั้งสองแบบ (p.14, Fig. 5)

4. SSO หาพารามิเตอร์ที่เหมาะ

Simplified Swarm Optimization (SSO) ปรับโซลูชันด้วยตัวเลขสุ่มหนึ่งตัวต่อตัวแปร แล้วเลือกว่าจะคัดลอกจากค่าที่ดีที่สุดทั้งฝูง (gbest) ค่าที่ดีที่สุดของตัวเอง (pbest) ค่าเดิม หรือค่าสุ่มใหม่ (p.6)

4.1 กฎอัปเดต (Eq. 2)

เป้าหมายคือลดโอกาสติด local optimum และเพิ่มความหลากหลายของโซลูชัน (p.6)

Note ข้อความ p.6 ว่า Cg > Cp > Cw แต่ค่าที่ใช้จริงเรียงเพิ่ม (เช่น 0.5, 0.6, 0.7) และ Eq. 2 อ่านเป็นขอบสะสม จึงควรอ่านเป็น Cg < Cp < Cw

4.2 โจทย์ที่ให้ SSO แก้

Note Eq. 15 ที่พิมพ์เป็นผลคูณ Sj x Pj x Cj มีหน่วยไม่สมเหตุ; ความหมายที่สอดคล้องกับ Eq. 4 (F0 = S0 + C0) คือมูลค่าพอร์ต Sj x Pj + Cj (ตีความ) ขอบ nl ใน Eq. 19 ไม่มีคำอธิบายที่มาของค่า 100 และ max Px

ตัวแปรของ SSO ใน Table 2 (p.17) นับ Nvar เป็น 3 (Gul, Gll, n) แต่รหัสโซลูชันมี 4 ตัว

4.3 การจูน Cg, Cp, Cw (Table 6-8, p.20-21)

ทดลองสามรอบ รอบละให้ส่วนใหญ่ของ ρ แก่กลไกหนึ่งอย่าง แล้วดู ROI สูงสุดและต่ำสุดของโซลูชันที่ได้

ข้อสรุปของแหล่งข้อมูล: gbest ควรได้ส่วนแบ่งสูงสุด (รอบ 1) ค่าสุ่มใหม่ได้ส่วนแบ่งรองลงมา (รอบ 2) และค่าเดิมกับ pbest ได้น้อยที่สุด (รอบ 3) (p.21)

• ผลต่างระหว่างแถวมีไม่ถึง 1 จุด ROI ที่ค่าสูงสุด และ 2 จุดที่ค่าต่ำสุด; ในรอบ 1 ค่าต่ำสุดที่สูงสุดคือ pbest (67.18%) ไม่ใช่ gbest (66.83%) (ตีความ: หลักฐานของข้อสรุป gbest อ่อน)
• รอบ 3 ที่ให้ส่วนแบ่ง 3:3:3:1 ตามข้อความ ตัวเลขใน Table 8 อ่านได้เป็น 3:3:1:3
• ค่าสุดท้ายที่ใช้ไม่ได้ระบุตรง ๆ; จากเรื่องเล่า อ่านได้ว่าใกล้ (0.5, 0.6, 0.7) (ตีความ ต้องตรวจก่อนทำซ้ำ)

5. Neural network ทำนายพารามิเตอร์

หลังได้พารามิเตอร์ที่ดีที่สุดย้อนหลังจาก SSO ในแต่ละช่วงตลาด ใช้เป็นคู่ "โจทย์-เฉลย" สอน network (p.17-18)

flowchart LR
    A["Price and volume window"] --> B["8 market statistics"]
    A --> C["SSO search for best Gul, Gll, nu, nl"]
    B --> D["Training pairs"]
    C --> D
    D --> E["FNN or LSTM"]
    E --> F["Predicted grid parameters"]

5.1 อินพุตและเอาต์พุต (Fig. 7, p.18)

5.2 ข้อมูลและการตั้งค่า

5.3 ผลการเรียนรู้ (Table 14-15, p.25-26)

ขอบเขตอ้างอิง: MSE (Eq. 20) ยิ่งต่ำยิ่งดี; R² (Eq. 21) ยิ่งสูงยิ่งดี

(จำนวนข้างบนนับเองจากตัวหนาในตาราง) ขนาด MSE ของ Gul และ Gll ใหญ่มากในหน่วยคะแนนดัชนี เช่น Nasdaq FNN 4,725,772 เทียบ LSTM 518,181 เพราะค่าอยู่ในระดับราคาดัชนี

6. ผลการทดลอง

6.1 พารามิเตอร์คงที่ (Table 3 และ 5, p.19-20)

ใช้จำนวน grid เท่ากันและขอบเท่ากัน เปรียบเทียบสามแบบ ช่วง 10 ปี. ชุดขอบ 1.3/0.7 หมายถึง Gul = P0 x 1.3, Gll = P0 x 0.7; 1.5/0.5 หมายถึง Gul = P0 x 1.5, Gll = P0 x 0.5

ตาราง wealth (Table 4) ตรงกับ ROI เมื่อทุนเริ่มต้น 10,000 เช่น S&P 13,169 = +31.69% (ตีความ: ทุนเริ่มต้นไม่ได้ระบุในข้อความ)

Sharpe (Table 5, หน่วยเดียวกับ ROI หารความผันผวนรายคาบ) ของ flexible สูงสุดทุกแถวเช่นกัน:

อ่านผล: ขอบกว้าง (1.5/0.5) ให้ ROI สูงกว่าขอบแคบในทุกแถว; ใน Shanghai ทุกวิธียังขาดทุน flexible ขาดทุนน้อยที่สุด (Table 3)

6.2 พารามิเตอร์จาก SSO (Table 9 และ 11, p.22-23)

ใช้ SSO กับสามแบบ grid แต่ละแบบ (p.22)

Sharpe (Table 11):

ข้อสรุปของแหล่งข้อมูล: flexible ดีที่สุดทั้ง ROI, wealth, Sharpe; ลำดับรวม flexible > equal-distance > equal-ratio (p.23). แถว Nasdaq 1.3/0.7 ขัดกับลำดับนี้ (equal-distance 66.384% < equal-ratio 82.662%) และค่า 66.384%, 16,638 (Table 10), 0.350 ซ้ำกับ S&P 500 (ตีความ: น่าจะคัดลอกผิด ยังไม่ยืนยัน)

6.3 เทียบ 9 วิธีหลังเทรนด้วย neural network (Table 16-19, p.27-29)

วิธีที่เทียบ:

ROI (Table 16, p.27):

Maximum drawdown (Table 17, p.27-28):

ความผันผวน (Table 18, p.28):

Sharpe (Table 19, p.29):

อ่านผล (ตรวจจากตารางแล้ว):

• ROI: FG-FNN เป็นอันดับ 3 ใน S&P และ Euro Stoxx, อันดับ 2 ใน Nasdaq และ DJI; IWOC สูงสุดใน S&P, Nasdaq, Euro Stoxx; B&S สูงกว่า FG-FNN ใน S&P, DJI, Euro Stoxx
• ใน Shanghai ที่ราคาลง FG-FNN ขาดทุน -3.125% น้อยกว่า B&S (-15.581%) และ IWOC (-18.758%) แต่ S&B ที่ short ได้ +15.581%
• Sharpe: FG-FNN สูงสุดใน 4 ดัชนีที่ราคาขึ้น; ใน Shanghai ที่ถือสปอต FG-FNN ดีที่สุด (-2.210) แต่ S&B ที่ short ได้ 8.466
• MDD: GTSbot ต่ำสุดทุกดัชนี; FG-FNN ไม่ใช่ต่ำสุด; FG-LSTM บน Nasdaq มี MDD 49.031% ซึ่งแหล่งข้อมูลไม่ได้อธิบาย
• ช่วงเวลาที่วัด Table 16-19 ไม่ระบุ (ตีความ: น่าจะเป็นปีสุดท้ายที่เป็น validation แต่ไม่ได้ยืนยัน) และไม่ระบุค่า fee

ข้อจำกัด ความเสี่ยง และการวิเคราะห์เชิงวิพากษ์

Warning ผลที่ดูสูงที่สุด (ROI 58-127% ใน Table 9) มาจาก SSO ที่หาพารามิเตอร์บนราคาช่วงเดียวกับที่วัดผล ผลนี้บอกเพดานของการปรับพารามิเตอร์ย้อนหลัง ไม่ใช่ผลที่คาดหวังตอนเทรดจริง

ข้อเท็จจริง ความเห็น และการตีความ

ข้อจำกัดของหลักฐาน

ความไม่สอดคล้องในตัวเลขและสูตร

ความเสี่ยงในการนำไปใช้

• ตลาดขาลงยาว: ทุก grid ที่ถือสปอตขาดทุน (Shanghai Table 3, 16)
• network ทำนายพารามิเตอร์พลาดในช่วงเดียว: MDD พุ่ง (FG-LSTM Nasdaq 49.031%) แหล่งข้อมูลเองให้เหตุผลนี้กับ MDD ของ FG-FNN (p.28)
• ราคาหลุดขอบ grid: หยุดทำกำไรจนกว่าราคากลับ
• ต้นทุนการเทรดกินกำไรต่อรอบเมื่อ grid ถี่ (Eq. 16)

Checklist และขั้นต่อไป

Recommendation เริ่มจากเช็กว่า flexible grid ชนะ equal-distance แบบพารามิเตอร์คงที่บนข้อมูลของตัวเองก่อน (หัวข้อ "ลองใช้") ค่อยเพิ่ม SSO แล้วจึงเพิ่ม neural network และก่อนใช้ network ต้องพิสูจน์ว่าไม่มี look-ahead

ข้อมูลอ้างอิงและการครอบคลุมหน้า

Note หน้าที่ pipeline ระบุให้ตรวจด้วยภาพ (12, 16, 18-24, 27-29) เปิดดูครบแล้ว ยกเว้นภาพ Fig. 1-3 (p.5, 9-11) ที่อ่านจากตัวอักษรในภาพ ตารางผลบางหน้า (Table 4, 10 บางส่วน) อ่านจาก text layer ร่วมกับภาพหน้าที่ตรงกัน

ตัวย่อที่ใช้ในหน้านี้

วิธีและแบบจำลอง

ตลาดและตัวชี้วัด

สัญลักษณ์ในสูตร

แถวที่ความหมายมาจากความรู้ทั่วไป ไม่ใช่การนิยามในข้อความ: IWOC (ไม่นิยาม), PSO, RNN, ML (นิยามบางส่วน), NSTC, R.O.C., US, Euro Stoxx 50, Shanghai, ชื่อดัชนีทั้งหมดและความหมายของ adam/sigmoid/relu

Summary