Flexible Grid Trading: กริดแบบยืดหยุ่น ปรับพารามิเตอร์ด้วย SSO และโครงข่ายประสาทเทียม

🎯 แก่นของเรื่อง

กริดเทรดทำกำไรจากการแกว่งของราคา แต่กำไรขึ้นกับพารามิเตอร์ที่ตั้งไว้ กริดแบบยืดหยุ่นแยกกริดบนและล่างออกจากกัน แล้วให้ SSO หาพารามิเตอร์ที่ดีในแต่ละสภาพตลาด จากนั้นให้โครงข่ายประสาทเทียมเรียนรู้ว่าตลาดแบบไหนควรใช้พารามิเตอร์ชุดไหน (pp.1-4, 13-18)

ทำไมถึงได้ผล (กลไกเหตุ-ผล)

ขั้น	เหตุ	ผล
1	กริดบนห่างน้อยลงเมื่อราคาสูงขึ้น	ขายถี่ขึ้นที่ราคาสูง (p.13)
2	กริดล่างห่างน้อยลงเมื่อราคาต่ำลง	ซื้อถี่ขึ้นที่ราคาต่ำ (p.13)
3	SSO ค้นหาขอบบน ขอบล่าง และจำนวนช่อง	ได้พารามิเตอร์ที่ให้ ROI สูงในช่วงข้อมูลนั้น (pp.14-17)
4	จับคู่ "สภาพตลาด 8 ค่า" กับ "พารามิเตอร์ที่ดีที่สุด 4 ค่า"	โครงข่ายประสาทเทียมทำนายพารามิเตอร์ใหม่ได้โดยไม่ต้องรัน SSO ซ้ำ (pp.17-18)

20% ที่สำคัญที่สุดในทางปฏิบัติ

สูตรตั้งกริดและขนาดไม้ต่อช่อง Gv (Eq. 1-12, pp.4-9)
เงื่อนไขกำไรต่อช่องต้องมากกว่าค่าธรรมเนียม (Eq. 16, p.15)
กริดบนใช้อัตราส่วน Gsu ระหว่าง 0 กับ 1 กริดล่างใช้ Gsl มากกว่า 1 (p.13)
การเทียบผลต้องใช้ทุนและราคาเริ่มต้นเท่ากันทุกวิธี (p.8)

ส่วนที่รอได้: รายละเอียดสถาปัตยกรรม LSTM และการจูนค่า Cg, Cp, Cw

📈 ช่วยให้ดีขึ้นอย่างไร

สถานการณ์	ถ้าไม่ใช้	ถ้าใช้	วัดอย่างไร	หลักฐาน
กริดพารามิเตอร์คงที่ ตลาดขึ้นลงปนกัน	equal-distance ROI 27.934% (S&P 500, ขอบ 1.3/0.7)	flexible 31.692%	ROI (Table 3, p.19)	วัดแล้ว
ตลาดขาลง (Shanghai, ขอบ 1.3/0.7)	equal-distance ROI -38.944%	flexible -33.904%	ROI (Table 3, p.19)	วัดแล้ว: ขาดทุนน้อยลง ไม่ได้กำไร
ใช้ SSO หาพารามิเตอร์ (S&P 500, ขอบ 1.3/0.7)	ROI 31.692% (คงที่)	ROI 82.859%	ROI (Tables 3, 9; pp.19, 22)	วัดแล้ว แต่น่าจะเป็นผลในช่วงข้อมูลที่ใช้หา
ใช้ FNN ปรับกริดรายช่วง	Sharpe ของ flexible ปกติ 2.233 (S&P)	FG-FNN 6.828	Sharpe (Table 19, p.29)	วัดแล้ว (ช่วงทดสอบ 1 ปีสุดท้าย)
ความเสี่ยงสูงสุด (MDD)	ไม่มีโมเดลทำนาย	FG-LSTM Nasdaq MDD 49.031%	MDD (Table 17, p.28)	วัดแล้ว: แย่ลงมาก
ลดภาระนักลงทุนในการปรับพารามิเตอร์เอง	ปรับมือตามตลาด	โมเดลปรับให้อัตโนมัติ	ไม่มีตัวชี้วัดตรง	ตีความ
ลดการตัดสินใจตามอารมณ์	ตัดสินใจเอง	ใช้กฎตายตัว	ไม่มีการวัด	ยังไม่ทดสอบ

🛠️ ลองใช้

ตัวอย่างประกอบ (ตัวเลขของเราเอง ไม่ได้มาจากข้อมูลจริง): ตั้งกริด equal-distance ด้วยทุน F0 = 10,000 ราคาเริ่มต้น P0 = 100 ขอบบน 130 ขอบล่าง 70 ระยะห่าง Gs = 5

ขั้น	สูตร	คำนวณ	ผลลัพธ์
จำนวนช่องบน nu	(Gul - P0) / Gs	(130-100)/5	6
จำนวนช่องล่าง nl	(P0 - Gll) / Gs	(100-70)/5	6
ตัวหาร Gv	[(P0-Gs)+Gll]/2 · nl + nu · P0	82.5·6 + 6·100	1,095
ขนาดไม้ต่อช่อง Gv	F0 / ตัวหาร	10,000/1,095	9.132 หน่วย
ซื้อสปอตตอนเริ่ม S0	Gv · nu · P0	9.132·6·100	5,479.5
เงินสดตอนเริ่ม C0	Gv · 82.5 · nl	9.132·82.5·6	4,520.5

ตรวจ: S0 + C0 = 10,000 ตรงกับ Eq. (4) ตรวจเงื่อนไข Eq. (16) ถ้าค่าธรรมเนียม h = 0.1% กำไรต่อช่องต่ำสุดคือ 5 ส่วนค่าธรรมเนียมสูงสุดคือ 0.1% × 130 = 0.13 จึงผ่าน

หัวข้อ	รายละเอียด
ควรใช้เมื่อ	ตลาดแกว่งขึ้นลง ราคามีแนวโน้มกลับสู่ค่าเฉลี่ย (p.4)
ไม่ควรใช้เมื่อ	ราคาทะลุกรอบกริดทางเดียวต่อเนื่อง เพราะเสียโอกาสทำกำไรจากช่องที่เกินขอบ (p.15)
สิ่งที่ต้องมีก่อน	ทุน ราคาเริ่ม ขอบบน ขอบล่าง จำนวนช่อง และข้อมูลราคาย้อนหลัง (pp.7-8)
ถ้าจะใช้ SSO + โครงข่าย	ต้องมีข้อมูลราคาและปริมาณหลายปี (ตัวอย่างใช้ข้อมูล 10 ปี)

ก้าวแรกที่เล็กที่สุด: คำนวณตารางด้านบนด้วยข้อมูลของสินทรัพย์ที่สนใจ แล้วจำลองการซื้อขายย้อนหลังกับ equal-distance ก่อน

การทดสอบก่อน/หลัง (กำหนดเกณฑ์ก่อนรัน)

รายการ	ค่าที่ควรกำหนด
ตัวชี้วัด	ROI และ Sharpe หลังหักค่าธรรมเนียม
baseline	equal-distance ที่ทุน ราคาเริ่ม ขอบ และจำนวนช่องเท่ากัน
ข้อมูลทดสอบ	ช่วงที่ไม่ได้ใช้ปรับพารามิเตอร์
เกณฑ์ผ่าน (ข้อเสนอแนะของเรา)	flexible ชนะ baseline ทั้ง ROI และ Sharpe และ MDD ไม่แย่กว่าที่ยอมรับได้

✅ ทดสอบความเข้าใจ

คำถาม	คำตอบ	คำตอบผิดที่พบบ่อย
ราคากลับมาที่จุดเริ่ม กริดยังได้กำไรไหม	ได้ เพราะซื้อถูกขายแพงทุกช่องที่ผ่าน (ตัวอย่าง 7 ช่อง, p.11)	ไม่ได้กำไร เพราะราคาเท่าเดิม
ทำไม Gsu ต้องอยู่ระหว่าง 0 กับ 1 แต่ Gsl ต้องมากกว่า 1	กริดบนห่างน้อยลงเมื่อราคาสูง กริดล่างห่างน้อยลงเมื่อราคาต่ำ (p.13)	เพื่อให้ช่องเท่ากันทุกช่อง
ถ้ากำไรต่อช่องน้อยกว่าค่าธรรมเนียม ผลเป็นอย่างไร	ขาดทุนทุกรอบ จึงต้องมี Eq. (16) (p.15)	ค่าธรรมเนียมไม่มีผลเมื่อเทรดบ่อย
ROI ของ SSO สูงกว่ากริดคงที่หลายเท่า พิสูจน์ว่าใช้จริงแล้วจะได้เท่านั้นไหม	ไม่ เพราะพารามิเตอร์หาจากข้อมูลย้อนหลัง ต้องทดสอบกับข้อมูลนอกช่วง (ตีความ)	ได้ผลเท่ากันในอนาคต
FG-FNN มี Sharpe สูงสุดหลายดัชนี แล้วความเสี่ยงต่ำสุดด้วยไหม	ไม่เสมอไป เช่น FG-LSTM Nasdaq MDD 49.031% (p.28)	Sharpe สูงแปลว่า MDD ต่ำเสมอ
ใน Shanghai FG-FNN ชนะทุกวิธีไหม	ไม่ S&B (ขายก่อนซื้อทีหลัง) สูงกว่า: 8.466 เทียบ -2.210 (p.29)	ชนะทุกวิธี

ภาพรวมของแนวคิด

กริดเทรดคือการวางคำสั่งซื้อและขายที่ค้างไว้เป็นช่วงราคาเท่าๆ กันภายในกรอบ เพื่อซื้อต่ำขายสูง (p.3, p.4) โมเดลที่นำเสนอมีเป้าหมายสี่ข้อ (pp.3-4)

แก้ปัญหาเข้า-ออกตลาดเร็วเกินไปของกริดเดิม
ปรับตัวตามสภาพตลาด ลดภาระนักลงทุน
ใช้กฎตายตัวลดการตัดสินใจเชิงอารมณ์
สมดุลระหว่างความเสี่ยงและกำไร

ข้อเท็จจริง เทียบกับความเห็น และการตีความ

ประเภท	ตัวอย่าง
ข้อเท็จจริงที่ระบุ	ตลาดสหรัฐ 60-70% ซื้อขายโดยโปรแกรม (p.1)
ข้อเท็จจริงที่ระบุ	ข้อมูลทดสอบ 5 ดัชนี ปี 2011-2022 (p.18)
ความเห็น/ข้ออ้าง	กริดแบบยืดหยุ่นชนะในตลาดไซด์เวย์ ขาขึ้น และขาลง (p.13)
ความเห็น/ข้ออ้าง	ผลสรุปว่า "พิสูจน์" ว่า AI พัฒนากริดได้ (p.29)
ตีความของเรา	ผลที่ดีของ SSO ส่วนหนึ่งมาจากการหาพารามิเตอร์ในข้อมูลชุดเดียวกัน

กริดเทรดพื้นฐาน

ปัจจัยที่กำหนดกำไร (p.4)

ปัจจัย	ความหมาย
ความผันผวนของราคา	ยิ่งขึ้นลงถี่ กำไรยิ่งสูง ขาขึ้นทางเดียวถือสปอตยังดีกว่ากริด
พารามิเตอร์	ค่าเฉลี่ยกริด ขอบบน ขอบล่าง จำนวนช่อง ราคาเริ่ม จุดตัดขาดทุน จุดทำกำไร

กริดสองแบบ (pp.4-5)

แบบ	ระยะห่าง	สูตร
equal-distance	คงที่เป็นจำนวนเงิน	Gs = (Gul - Gll) / n (Eq. 1)
equal-ratio	คงที่เป็นอัตราส่วน	Gs = (Gul/Gll)^(1/n) (Eq. 3)

ตัวอย่างอัตราส่วน: P0 = 100, Gs = 1.1 ช่องถัดไปคือ 110 แล้ว 121 (p.8) ในทางปฏิบัติคนส่วนมากใช้ equal-distance (p.4)

การตั้งค่าเริ่มต้นและขนาดไม้ (pp.7-9)

พารามิเตอร์พื้นฐานมี 5 ค่า คือ F0, P0, Gul, Gll และ n ทุนและราคาเริ่มต้นถูกตรึงเป็นค่าเดียวกันเมื่อเทียบวิธี

สมการ	ความหมาย
F0 = S0 + C0 (4)	ทุนแบ่งเป็นสปอตเริ่มต้นกับเงินสด
n = nu + nl (5)	ช่องรวม = ช่องบน + ช่องล่าง
S0 = Gv · nu · P0 (8)	มูลค่าสปอตเริ่มต้น
C0 = Gv · [(P0 - Gs) + Gll]/2 · nl (9)	เงินสดสำรองซื้อเมื่อราคาตก
Gv = F0 / {[(P0-Gs)+Gll]/2 · nl + nu · P0} (10)	ขนาดไม้ต่อช่อง
gi = Gll + Gs·(i-1) (11)	ราคาช่อง equal-distance

กลไกการทำงาน (pp.9-11, Fig. 3-4)

ตั้งคำสั่งขายที่ช่องเหนือราคาปัจจุบัน และคำสั่งซื้อที่ช่องใต้ราคาปัจจุบัน
ราคาขึ้นชนช่อง: ขาย อัปเดตสปอตและเงินสด แล้ววางคำสั่งซื้อที่ตำแหน่งเดิม
ราคาย้อนลง: ซื้อ แล้ววางคำสั่งขายที่ตำแหน่งเดิม
ราคาลงต่อถึงช่อง: ซื้อและวางคำสั่งขายแทน
ทำซ้ำ ราคากลับจุดเดิมแล้วยังได้กำไรส่วนต่าง 7 ช่อง (Fig. 3e)
ปิดกริดโดยเก็บสปอตและเงินสดไว้ หรือขายสปอตเป็นเงินสด การทดสอบเลือกแบบขายสปอตเป็นเงินสด (p.11)

flowchart TD
    A[ตั้งพารามิเตอร์ F0 P0 Gul Gll n] --> B[คำนวณ Gv S0 C0]
    B --> C[วางคำสั่งซื้อขายรอบราคาเริ่ม]
    C --> D{ราคาชนช่องหรือไม่}
    D -->|ใช่| E[ซื้อหรือขาย แล้ววางคำสั่งตรงข้ามที่ช่องเดิม]
    E --> F{หยุดกริดหรือยัง}
    D -->|ไม่| F
    F -->|ยัง| D
    F -->|หยุด| G[ปิดกริด]

กริดแบบยืดหยุ่น (Flexible Grid)

กริดแบบยืดหยุ่นรวมข้อดีของสองแบบเดิม ส่วนกลางคล้าย equal-distance ส่วนล่างคล้าย equal-ratio ส่วนบนมีช่องถี่ขึ้นเมื่อราคาสูง (pp.13-14, Fig. 5)

จุดต่าง	กริดเดิม	กริดยืดหยุ่น
จำนวนช่องบน/ล่าง	คำนวณจาก Eq. (6)-(7)	ตั้งเองได้ nu, nl (p.13)
ระยะห่าง	ชุดเดียว	แยกบน Gsu และล่าง Gsl (p.13)
ช่วงของอัตราส่วน	-	0 < Gsu < 1 และ Gsl > 1 (p.13)
จังหวะเข้าออก	เร็วกว่า	ตามคำอธิบายของโมเดล เข้า-ออกช้าลง (p.19)

ราคาช่องคำนวณจาก Eq. (13)-(14) ซึ่งสูตรในไฟล์อ่านไม่ครบ จึงอธิบายเฉพาะหลักการข้างต้น

SSO: หาพารามิเตอร์ที่ดีที่สุด

SSO (Simplified Swarm Optimization) เป็นอัลกอริทึมค้นหาที่เสนอเมื่อปี 2009 เพื่อแก้ข้อจำกัดของ PSO กับปัญหาแบบไม่ต่อเนื่อง ใช้แนวคิด pbest และ gbest พร้อมสุ่มเพื่อหนีค่าเหมาะสมเฉพาะที่ (pp.3, 6)

กลไกอัปเดต (Eq. 2, p.6)

สุ่ม ρ ในช่วง [0,1] แล้วเทียบกับ Cg, Cp, Cw

ช่วงของ ρ	ค่าใหม่ของตัวแปร
[0, Cg)	gbest
[Cg, Cp)	pbest
[Cp, Cw)	ค่าเดิม
[Cw, 1)	ค่าสุ่มใหม่ในขอบเขต

โจทย์ที่ให้ SSO แก้ (pp.15-17)

หัวข้อ	รายละเอียด
ตัวแปร	X = (Gul, Gll, nu, nl) ตัวอย่าง (150,100,10,30) รวม 40 ช่อง (Fig. 6)
เป้าหมาย	Eq. (15) ต้องการมูลค่าสุดท้ายสูงสุดจาก Sj, Pj, Cj
เงื่อนไขค่าธรรมเนียม	gi+1 - gi > h% × gi+1 (Eq. 16)
Experiment 1	P0×105% < Gul < P0×130%; P0×70% < Gll < P0×95%
Experiment 2	P0×105% < Gul < P0×150%; P0×50% < Gll < P0×95%
จำนวนช่อง	10 ถึง [P0×100/(max Px × 1.3)] - 10 (Table 1)

ขอบเขตกำหนดไว้เพื่อลดโอกาสที่ราคาหลุดกรอบและป้องกัน overfitting ของโครงข่ายในขั้นถัดไป (p.15)

การเลือกค่า Cg, Cp, Cw (Tables 6-8, pp.20-21)

ทดสอบทีละขั้นว่าควรให้น้ำหนักส่วนใดมากที่สุด

ขั้น	ผลที่เห็น	ข้อสรุป
ขั้น 1 (7:1:1:1)	gbest มาก: ROI max 69.74% ต่ำสุด 66.83%	gbest มากสุด
ขั้น 2 (5:3:1:1)	ค่าสุ่มมาก: ROI max 69.86% ต่ำสุด 67.83%	ค่าสุ่มมากรองลงมา
ขั้น 3 (3:3:3:1)	pbest 69.85%, ค่าเดิม 69.90%	ต่างกันน้อย จึงให้น้อยสุด

การรัน SSO เพื่อเทียบ: 10 รอบ รอบละ 20 รุ่น รุ่นละ 100 คำตอบ (p.22)

โครงข่ายประสาทเทียมที่ปรับกริดอัตโนมัติ

ข้อมูลเข้าและออก (pp.17, 24)

ฝั่ง	ตัวแปร
เข้า 8 ค่า (ระดับ)	ราคาสูงสุด ราคาต่ำสุด ราคาเฉลี่ย ปริมาณเฉลี่ย
เข้า 8 ค่า (การเปลี่ยนแปลง)	การเปลี่ยนแปลงราคา การเปลี่ยนแปลงปริมาณ
เข้า 8 ค่า (ความผันผวน)	ส่วนเบี่ยงเบนมาตรฐานราคา และของปริมาณ
ออก 4 ค่า	Gul, Gll, nu, nl

ชุดข้อมูลและการฝึก (p.23-24)

ใช้ SSO หาพารามิเตอร์ที่ดีทุก 30 วัน เลื่อนทีละ 5 ได้ประมาณ 500 ชุดต่อดัชนี
9 ปีแรกเป็นชุดฝึก ปีสุดท้ายเป็นชุดตรวจสอบ
FNN สลับลำดับข้อมูลก่อนฝึก LSTM ไม่สลับเพราะต้องใช้ลำดับเวลา

ค่า	FNN (ตารางแรก, p.24)	LSTM (ตารางที่สอง, p.24)
ชั้นซ่อน	3	3
โหนดต่อชั้น	500	256, 128, 64
Activation	sigmoid	relu
Optimizer / Loss	adam / MSE	adam / MSE
Epochs / Batch	300 / 40	300 / 32

การจับคู่ตารางกับโมเดลอนุมานจากลำดับในหน้า ตัวอักษรหัวตารางไม่ปรากฏในข้อความที่สกัดได้

ผลการเรียนรู้ (Tables 14-15, pp.25-26)

ผลเทียบ MSE และ R² ระหว่าง FNN กับ LSTM ระบุไว้ว่า FNN ดีกว่าในส่วนมาก ยกเว้น Nasdaq ตัวเลขในตารางสกัดออกมาเป็นรายการยาว จึงอ่านลำดับคอลัมน์ไม่ได้ครบทุกช่อง สรุปเท่าที่ยืนยันได้:

ชุดข้อมูล	ตัวเลขที่อ่านได้ชัด
S&P 500 MSE ของ Gul	FNN 129,510 และ LSTM 186,366
Dow Jones MSE ของ Gul	FNN 6,016,533 และ LSTM 24,446,812
Euro Stoxx 50 MSE ของ Gul	FNN 105,024 และ LSTM 334,456
Nasdaq MSE ของ Gul	FNN 4,725,772 และ LSTM 518,181 (LSTM ดีกว่า)

ตัวเลข R² ส่วนมากอยู่ราว 90-99.9% (Table 15) แต่เป็นความพอดีกับพารามิเตอร์ที่ SSO หาได้ ไม่ใช่ผลกำไรจริง (ตีความ)

หลักฐาน: ผลการทดสอบ

ข้อมูล: 5 ดัชนี (S&P 500, Nasdaq, Dow Jones, Euro Stoxx 50, Shanghai Composite) ปี 2011-2022 (p.18) ทุกดัชนีแบ่งเป็นสองกรอบ: 1.3/0.7 และ 1.5/0.5 ของราคาเริ่ม (p.19)

ROI ของกริดพารามิเตอร์คงที่ (Table 3, กรอบ 1.3/0.7, pp.18-20)

ดัชนี	Flexible	Equal-distance	Equal-ratio
S&P 500	31.692%	27.934%	22.234%
Nasdaq	53.795%	49.261%	40.369%
Dow Jones	21.935%	18.332%	13.629%
Euro Stoxx 50	0.601%	-4.122%	-7.284%
Shanghai	-33.904%	-38.944%	-38.534%

กรอบ 1.5/0.5 ให้ลำดับเดียวกัน (Flexible 43.727%, 71.888%, 33.541%, 17.499%, -12.955% ตามลำดับดัชนีข้างต้น) ใน Shanghai equal-ratio ดีกว่า equal-distance ในกรอบ 1.3/0.7 และ 1.5/0.5 ต่างจากข้อสรุปที่ว่า equal-distance ดีกว่า equal-ratio เสมอ (ตรวจจาก Table 3)

มูลค่าสะสมและ Sharpe (Tables 4-5) เรียงลำดับเดียวกัน เช่น S&P 500 มูลค่า 13,169 / 12,793 / 12,223 และ Sharpe 0.118 / 0.103 / 0.092 ค่ามูลค่าสะสมสอดคล้องกับทุนเริ่มต้น 10,000 (Euro Stoxx: 10,060 ตรงกับ ROI 0.601%) ซึ่งเป็นข้อสังเกตของเรา

ROI เมื่อใช้พารามิเตอร์จาก SSO (Table 9, กรอบ 1.3/0.7, p.22)

ดัชนี	Flexible	Equal-distance	Equal-ratio
S&P 500	82.859%	66.384%	58.394%
Nasdaq	111.649%	66.384%	82.662%
Dow Jones	74.509%	60.591%	51.893%
Euro Stoxx 50	77.220%	56.650%	48.365%
Shanghai	58.389%	39.178%	33.363%

ข้อสังเกต: ค่า 66.384% ของ equal-distance ซ้ำกันใน S&P 500 และ Nasdaq (และมูลค่า 16,638 ซ้ำใน Table 10) ซึ่งอาจเป็นการคัดลอกผิด ยังไม่ได้ตรวจกับต้นฉบับของข้อมูล

เทียบ 9 วิธี (Tables 16-19, pp.27-29)

วิธีที่เทียบ: B&S, S&B, GTSbot, IWOC, FG-FNN, FG-LSTM, equal-distance, equal-ratio และ flexible

ตัวชี้วัด	ผลที่อ่านได้
ROI (Table 16)	FG-FNN อยู่ 3 อันดับแรกทุกดัชนี เช่น S&P 11.520% แต่ IWOC สูงสุด 24.111%
MDD (Table 17)	วิธีที่ ROI สูงมักมี MDD สูง FG-LSTM Nasdaq 49.031%
Volatility (Table 18)	FG-FNN อยู่ 3 อันดับแรกทุกดัชนี FG-LSTM ต่ำสุดใน S&P และ Nasdaq
Sharpe (Table 19)	FG-FNN สูงสุดใน S&P 6.828, Nasdaq 5.651, DJI 4.119, Euro 7.499

ใน Shanghai (ตลาดขาลง) FG-FNN มี Sharpe -2.210 ซึ่งดีที่สุดในกลุ่มที่ซื้อก่อน แต่ S&B (ขายก่อนซื้อทีหลัง) ได้ 8.466

⚠️ ความเสี่ยงและข้อจำกัด

Warning: ผลที่ดีมากของ SSO และ FG-FNN ยังไม่ใช่หลักฐานว่าจะทำกำไรได้จริงในอนาคต ตารางผลอ้างอิงข้อมูลย้อนหลังและช่วงทดสอบเดียว

ประเด็น	ข้อสังเกต	ประเภท
ผลของ SSO อาจเป็น in-sample	พารามิเตอร์หาจากข้อมูลเดียวกับที่วัด ROI	ตีความ
ช่วงทดสอบของ FNN สั้น	ตรวจสอบเพียงปีสุดท้ายของข้อมูล (p.23)	ข้อเท็จจริง
MDD สูง	FG-LSTM Nasdaq 49.031% (p.28) ตัวเลขนี้ใหญ่กว่าวิธีอื่นหลายเท่า	ข้อเท็จจริง
อธิบายสาเหตุ MDD	อ้างว่าเป็นเหตุการณ์เดียวที่พารามิเตอร์แย่ ยังไม่ได้ตรวจ (p.28)	ยังไม่ทดสอบ
ตลาดขาลง	กริดทุกแบบขาดทุนใน Shanghai เมื่อใช้พารามิเตอร์คงที่	ข้อเท็จจริง
คำกล่าวว่าชนะทุกสภาพตลาด	ผลสนับสนุนเฉพาะ 5 ดัชนี 10 ปี ไม่ได้ทดสอบข้ามสินทรัพย์อื่น	ตีความ
ตัวเลขน่าสงสัย	ค่าซ้ำของ equal-distance ใน Tables 9-10	ยังไม่ทดสอบ
การใช้ Cg > Cp > Cw	p.6 ระบุ Cg > Cp > Cw แต่ค่าที่ใช้ 0.7, 0.8, 0.9 เป็นขอบเขตช่วง เรียงน้อยไปมาก	ความขัดแย้งในข้อความ
ความคลาดเคลื่อนของสูตร Eq. (15)	พิมพ์เป็นผลคูณ Sj × Pj × Cj น่าจะหมายถึงมูลค่าพอร์ต (สปอต × ราคา + เงินสด)	ตีความ
ความคลาดเคลื่อนของสูตร Eq. (22)	พิมพ์ไม่มีตัวหาร	ตีความ
การเรียกชื่อดัชนี	ข้อความหลักว่า "NASDAQ Composite" แต่หัวตารางเขียน "Nasdaq 100"	ความขัดแย้งในข้อความ
ตัวย่อ IWOC	ข้อความ p.27 กล่าวถึง "IK" (Ichimoku) แต่ตารางใช้ IWOC	ความไม่ชัดเจน

ข้อผิดพลาดที่พบบ่อยเมื่อนำไปใช้ (คำแนะนำของเรา): ตั้งช่องถี่จนกำไรต่อช่องต่ำกว่าค่าธรรมเนียม, ตั้งกรอบแคบจนราคาหลุดกรอบ, เทียบวิธีโดยใช้ทุนหรือราคาเริ่มต้นต่างกัน

เช็กลิสต์ก่อนนำไปใช้

รายการ	สถานะ
กำหนด F0, P0, Gul, Gll, nu, nl และ Gsu, Gsl	⚪
ตรวจ Eq. (16) กับค่าธรรมเนียมจริงของตลาดที่ใช้	⚪
คำนวณ Gv, S0, C0 แล้ว S0 + C0 เท่ากับ F0	⚪
รัน baseline equal-distance ด้วยทุน ราคาเริ่ม และจำนวนช่องเท่ากัน	⚪
ถ้าใช้ SSO ให้แยกข้อมูลทดสอบนอกช่วง (คำแนะนำของเรา)	⚪
ดู MDD คู่กับ ROI และ Sharpe	⚪
กำหนดวิธีปิดกริดก่อนเริ่ม	⚪

ข้อควรทำต่อ

Recommendation: เริ่มจากกริด equal-distance ที่คำนวณเองได้ จากนั้นทดลองแยกกริดบน-ล่างตามแนวคิดแบบยืดหยุ่น และทดสอบกับข้อมูลนอกช่วงก่อนเพิ่ม SSO หรือโครงข่ายประสาทเทียม

Glossary

คำ	ความหมาย
Grid trading	วางคำสั่งซื้อขายเป็นช่วงราคาเท่าๆ กันเพื่อซื้อต่ำขายสูง
Pending order	คำสั่งซื้อหรือขายที่รอราคามาถึง
Mean reversion	แนวโน้มที่ราคากลับสู่ค่าเฉลี่ย (p.4)
pbest / gbest	ค่าที่ดีที่สุดของแต่ละคำตอบ / ของทั้งกลุ่มคำตอบ (p.6)
Overfitting	โมเดลเรียนจนจำข้อมูลฝึกแต่ใช้กับข้อมูลใหม่ไม่ได้ผล
Back-propagation	วิธีส่งค่าความคลาดเคลื่อนย้อนกลับเพื่อปรับน้ำหนัก (p.7)
Gradient descent	ปรับน้ำหนักตามทิศทางที่ลดค่าความคลาดเคลื่อน (p.7)
Forget / input / output gate	ส่วนควบคุมการลืม รับ และส่งค่าใน LSTM (p.7)
Accumulated wealth	มูลค่าพอร์ตสะสมเมื่อสิ้นสุด (Tables 4, 10)

ตัวย่อที่ใช้ในหน้านี้

ตัวย่อทั่วไปและวิธีเปรียบเทียบ

ตัวย่อ	ชื่อเต็ม	คืออะไร	อ่านค่าอย่างไร
SSO	Simplified Swarm Optimization	อัลกอริทึมค้นหาพารามิเตอร์ (p.6)	ใช้หาค่า Gul, Gll, n
PSO	Particle Swarm Optimization	อัลกอริทึมฝูงอนุภาคที่ SSO ปรับปรุง (p.3)	-
ANN	Artificial Neural Network	โครงข่ายประสาทเทียม (p.7)	3 ส่วน: เข้า ซ่อน ออก
FNN	Fully connected Neural Network	ANN ที่ทุกโหนดเชื่อมกับชั้นก่อนหน้า (p.7)	-
LSTM	Long Short-Term Memory	โมเดลลำดับเวลาที่มีหน่วยความจำ (p.7)	-
RNN	Recurrent Neural Network	โครงข่ายแบบวนซ้ำที่ LSTM ปรับปรุง (p.7)	-
DL	Deep Learning	แมชชีนเลิร์นนิงบนพื้นฐาน ANN (p.6)	-
ML	Machine Learning	การเรียนรู้ของเครื่อง (p.6)	-
AI	Artificial Intelligence	ปัญญาประดิษฐ์ (p.1)	-
GTM	Grid Trading Method	วิธีเทรดแบบกริด (p.3)	-
SVM	Support Vector Machine	โมเดลจำแนกที่ใช้ช่วยตัดสินใจหุ้น (p.3)	-
MSE	Mean Squared Error	ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Eq. 20, p.25)	ยิ่งน้อยยิ่งดี
R²	Coefficient of determination	ความพอดีของโมเดลถดถอย (Eq. 21, p.26)	99% = อธิบายความแปรปรวนได้ 99%
ROI	Return on Investment	ผลตอบแทนการลงทุนหลังหักต้นทุน (p.27)	31.692% = กำไร 31.692% ของทุน
MDD	Maximum Drawdown	การลดลงสูงสุดของมูลค่า (p.27)	49.031% = ลดลงสูงสุดราวครึ่งหนึ่ง
Vol	Volatility	ส่วนเบี่ยงเบนมาตรฐานของผลตอบแทน (Eq. 23)	ยิ่งต่ำยิ่งนิ่ง
Sharpe	Sharpe ratio	ผลตอบแทนหารด้วยความผันผวน (Eq. 24)	6.828 = ผลตอบแทน 6.828 เท่าของความผันผวน
B&S	Buy and Sell	ซื้อตอนแรก ขายตอนท้าย (p.27)	-
S&B	Sell and Buy	ขายก่อน ซื้อคืนทีหลัง (p.27)	ผลตรงข้าม B&S
GTSbot	Grid Trading System robot	หุ่นยนต์กริดเทรดที่ใช้เปรียบเทียบ (p.27)	-
IWOC	ไม่ระบุชื่อเต็มในข้อความที่อ่านได้	วิธีอิงอิชิโมกุที่ใช้เปรียบเทียบ (p.27)	ชื่อเต็มต้องตรวจสอบ
FG-FNN	Flexible Grid trained with FNN	กริดยืดหยุ่นที่ FNN ปรับค่า (p.27)	-
FG-LSTM	Flexible Grid trained with LSTM	กริดยืดหยุ่นที่ LSTM ปรับค่า (p.27)	-
DJIA / DJI	Dow Jones Industrial Average	ดัชนีดาวโจนส์ (p.18)	-
S&P 500	Standard & Poor's 500	ดัชนี 500 บริษัทใหญ่สหรัฐ (p.18)	-
Euro Stoxx 50	-	ดัชนี 50 หุ้นยุโรป (p.18)	-
Adam, sigmoid, relu	-	ตัวปรับน้ำหนักและฟังก์ชันกระตุ้น (p.24)	-

แถวที่ความหมายมาจากความรู้ทั่วไป ไม่ใช่จากนิยามในหน้า: S&P 500, Euro Stoxx 50, DJIA, Adam, sigmoid, relu, R², Sharpe

สัญลักษณ์ในสูตร

สัญลักษณ์	ความหมาย	อ่านค่าอย่างไร
F0	ทุนทั้งหมด	10,000
P0	ราคาเริ่มต้น	100
Gul, Gll	ขอบบน, ขอบล่างของกริด	130, 70
n, nu, nl	จำนวนช่องรวม, บน, ล่าง	12, 6, 6
Gs	ระยะห่างกริด (equal-distance คือจำนวนเงิน, equal-ratio คืออัตราส่วน)	5
Gsu, Gsl	อัตราส่วนระยะห่างบน (0-1) และล่าง (>1)	เช่น 0.9, 1.1 (ตัวอย่างประกอบ)
Gv	ขนาดไม้ต่อช่อง	9.132
S0, C0	สปอตเริ่มต้น, เงินสดเริ่มต้น	5,479.5, 4,520.5
Sj, Cj, Pj	สปอต, เงินสด, ราคา ณ งวด j	-
gi	ราคาของช่องที่ i	-
h	อัตราค่าธรรมเนียมการเทรด (%)	0.1
Cg, Cp, Cw	ค่าขอบเขตช่วงสุ่มใน SSO	0.7, 0.8, 0.9
ρ	เลขสุ่ม 0-1	0.75 อยู่ใน [Cg, Cp)
pbest, gbest	ค่าดีสุดของแต่ละคำตอบ, ของทั้งกลุ่ม	-
Nvar, Nsol, Ngen	จำนวนตัวแปร, คำตอบ, รุ่น	-
UB, LB	ขอบเขตบน, ล่างของตัวแปร	-
N, y, f, σ	จำนวนตัวอย่าง, ค่าจริง, ค่าทำนาย, ส่วนเบี่ยงเบนมาตรฐาน	-
SSres, SStot	ผลรวมกำลังสองของส่วนที่เหลือ และทั้งหมด (Eq. 21)	R² = 1 - SSres/SStot
X, x1-x4	เวกเตอร์คำตอบของ SSO	(150,100,10,30)

Summary

กริดเทรดทำกำไรจากการแกว่งของราคา ผลลัพธ์ขึ้นกับพารามิเตอร์ที่ตั้ง
กริดแบบยืดหยุ่นแยกกริดบน-ล่าง ให้ ROI สูงกว่า equal-distance และ equal-ratio ทั้ง 10 กรณีของพารามิเตอร์คงที่ (Table 3)
SSO ยก ROI ขึ้นมาก เช่น S&P 500 จาก 31.692% เป็น 82.859% แต่ควรระวังผลในข้อมูลชุดเดียวกัน
FG-FNN ได้ Sharpe สูงสุดใน 4 จาก 5 ดัชนี แต่ MDD ของ FG-LSTM บน Nasdaq สูง 49.031%
มีจุดที่ต้องตรวจสอบ: ค่าซ้ำใน Tables 9-10, ชื่อดัชนี, สมการที่อ่านไม่ครบ

ตัวเลขสำคัญ	ค่า
ข้อมูล	5 ดัชนี ปี 2011-2022
ROI สูงสุดเมื่อใช้ SSO	127.268% (Nasdaq, กรอบ 1.5/0.5, Table 9)
Sharpe FG-FNN สูงสุด	7.499 (Euro Stoxx 50, Table 19)
MDD สูงสุดที่พบ	49.031% (FG-LSTM Nasdaq, Table 17)

Coverage: อ่านข้อความจากหน้า 1-29 ครบทั้งหมด ส่วนหน้า 30-32 เป็นส่วนกิตติกรรมประกาศและรายการอ้างอิง ซึ่งไม่ได้นำมาใช้ หน้าภาพที่ไม่ได้เปิดตรวจด้วยสายตา: 12, 16, 18-24 และ 27-29 ตัวเลขในตารางหน้า 19-29 อ่านจากข้อความที่สกัดได้เท่านั้น ลำดับคอลัมน์ของ Tables 14-15 บางส่วนอ่านไม่ครบ จึงสรุปเฉพาะค่าที่ยืนยันได้ และ Eq. (13)-(14), (22) ถอดจากไฟล์ไม่ครบ