Flexible Grid Trading: คู่มือรวม SSO และโครงข่ายประสาทเทียม

Note: หน้านี้รวมแหล่ง 1 (S1) และแหล่ง 2 (S2) ที่สรุปงานวิจัยชิ้นเดียวกัน (รายละเอียดใน Sources) สองแหล่งจึงไม่ใช่การยืนยันอิสระต่อกัน ถ้าตรงกันแปลว่าอ่านงานวิจัยได้ตรงกัน ไม่ได้แปลว่างานวิจัยถูกต้อง ป้ายหลักฐาน: วัดแล้ว = มีตัวเลขในผลทดลอง, ตีความ = อนุมานของเรา, ยังไม่ทดสอบ = มีข้อกล่าวอ้างแต่ไม่มีตัวชี้วัด

🎯 แก่นของเรื่อง

กริดเทรดทำกำไรจากราคาที่แกว่งผ่านเส้นกริดซ้ำๆ ผลลัพธ์ขึ้นกับพารามิเตอร์ 4 ตัว คือขอบบน (Gul) ขอบล่าง (Gll) จำนวนช่องบน (nu) และล่าง (nl) กริดแบบยืดหยุ่นแยกกริดบนกับล่างให้มีอัตราระยะห่างของตัวเอง แล้วใช้ SSO หาพารามิเตอร์ที่ดีที่สุดย้อนหลังของแต่ละช่วงตลาด จากนั้นสอนโครงข่ายประสาทเทียมให้ทำนายพารามิเตอร์จากสถิติตลาด 8 ค่า เพื่อไม่ต้องรัน SSO ใหม่ทุกครั้ง (S1 pp.1-4, 13-18; S2 pp.12-18)

ทำไมถึงควรได้ผล (กลไกที่เสนอ)

20% ที่สำคัญที่สุดในทางปฏิบัติ

📈 ช่วยให้ดีขึ้นอย่างไร

🛠️ ลองใช้

ตัวอย่างคำนวณ equal-distance (ตัวอย่างประกอบ ตัวเลขของเรา คำนวณซ้ำได้)

ใช้ F0 = 10,000, P0 = 100, Gul = 130, Gll = 70 เทียบ Gs สองค่า (ค่า Gs = 10 มาจากตัวอย่างของ S2 ค่า Gs = 5 มาจากตัวอย่างของ S1 ทั้งสองคำนวณซ้ำแล้วตรงกัน)

ตรวจเงื่อนไขค่าธรรมเนียม Eq. 16: กำไรต่อช่องต้องมากกว่า h% ของราคาช่องบนสุด ที่ h = 0.1% ค่าธรรมเนียมสูงสุดคือ 0.1% x 130 = 0.13 กำไรต่อช่องต่ำสุด 10 (หรือ 5) จึงผ่าน แต่ถ้า h = 8% (ตัวเลขสมมติ) ค่าธรรมเนียม = 10.4 มากกว่า 10 จึงไม่ผ่าน ต้องเพิ่มระยะห่างหรือแคบกรอบ (ค่า h จริงของงานวิจัยไม่ระบุ)

ตัวอย่างเส้นกริดแบบยืดหยุ่น (การอ่านสมการ Eq. 13-14 ของเรา)

ใช้ P0 = 100, Gul = 130, nu = 3, Gll = 70, nl = 3

Warning: งานวิจัยบรรยายว่ากริดบนถี่ขึ้นเมื่อราคาสูง แต่การอ่านสมการข้างบนให้ผลตรงข้ามที่ฝั่งบน แหล่งทั้งสองไม่ได้แสดงสูตรราคาเส้นของกริดยืดหยุ่นตรงๆ จึงตัดสินไม่ได้ว่าอ่านผิดที่ใด (ดูหัวข้อ "ข้อขัดแย้ง") ต้องตรวจสูตรเส้นก่อนเขียนโค้ดจริง

ตัวอย่างตรวจ Sharpe ซ้ำ (S2)

FG-FNN บน S&P 500: ROI 11.520 / ความผันผวน (0.01687 x 100 = 1.687) = 6.829 ตรงกับ Table 19 (6.828) แปลว่า Sharpe ในงานนี้คือ ROI หารความผันผวน ไม่ลบอัตราไร้ความเสี่ยง ไม่ annualize เทียบกับ Sharpe ทั่วไปไม่ได้ (วัดแล้ว โดยคำนวณซ้ำ)

ใช้เมื่อไร

ก้าวแรกที่เล็กที่สุด

เขียนฟังก์ชันคำนวณ Gs, nu, nl, Gv, S0, C0 ให้ได้ตารางด้านบน (S0 + C0 = F0) แล้วจำลอง equal-distance บนราคารายวันของสินทรัพย์หนึ่งตัว ยังไม่ต้องใช้ SSO หรือโครงข่าย

ทดสอบก่อน-หลัง (เกณฑ์เสนอของเรา ตั้งก่อนรัน)

✅ ทดสอบความเข้าใจ

1. ขอบเขตและวัตถุประสงค์

งานวิจัยแก้ปัญหากริดแบบเดิมที่เข้า-ออกตลาดเร็วเกินไปและต้องปรับพารามิเตอร์เองเมื่อตลาดเปลี่ยน (S1, S2 pp.3-4)

ข้อเท็จจริง ความเห็นของงานวิจัย และการตีความ

2. กริดเทรดพื้นฐาน

กริดเทรดวางคำสั่งซื้อและขายเป็นช่วงราคาเท่าๆ กันในกรอบ เพื่อซื้อต่ำขายสูง (S1, S2 pp.3-4)

2.1 เมื่อไรได้กำไร

(S1, S2 p.4) พารามิเตอร์ที่กำหนดผล: ค่าเฉลี่ยกริด ขอบบน ขอบล่าง จำนวนช่อง ราคาเริ่มต้น จุดตัดขาดทุน จุดทำกำไร ควรตั้งจากความผันผวน ต้นทุนเทรด ความเสี่ยงที่รับได้ และขนาดทุน

2.2 กริดสามแบบ

2.3 แบ่งทุนเริ่มต้นและขนาดไม้ (S1 pp.7-9, S2 pp.8-9)

พารามิเตอร์พื้นฐาน 5 ค่า คือ F0, P0, Gul, Gll, n

2.4 ลำดับการทำงาน

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

1. วางคำสั่งขายที่เส้นเหนือราคาปัจจุบัน และคำสั่งซื้อที่เส้นใต้ราคาปัจจุบัน
2. ราคาขึ้นชนเส้น: ขาย อัปเดตสปอตและเงินสด แล้ววางคำสั่งซื้อที่ตำแหน่งเดิม
3. ราคาย้อนลง: ซื้อ แล้ววางคำสั่งขายที่ตำแหน่งเดิม ลงต่อถึงเส้นถัดไปก็ซื้อและวางคำสั่งขายแบบเดียวกัน
4. วนซ้ำ เมื่อราคากลับจุดเริ่มต้นจะได้กำไรจากการซื้อต่ำขายสูง 7 ครั้ง เท่ากับส่วนต่าง 7 ช่อง (Fig. 3e, p.11)
5. ปิดกริดได้สองทาง: ถือสปอตและเงินสดไว้ (แนะนำเมื่อราคาต่ำ) หรือขายสปอตเป็นเงินสด วิธีหลังคือวิธีที่ใช้ในการทดลอง (p.11)

3. กริดแบบยืดหยุ่น (Flexible Grid)

กริดแบบยืดหยุ่นแยกกรอบเป็นสองฝั่งที่ P0 ให้แต่ละฝั่งมีจำนวนช่องและอัตราระยะห่างของตัวเอง ส่วนกลางคล้าย equal-distance ส่วนล่างคล้าย equal-ratio ส่วนบนต่างจากทั้งสองแบบ (S1 pp.13-14, S2 pp.12-14, Fig. 5)

สูตรอัตรา (S2 p.13): Gsu = (P0 / Gul)^(1/nu) (Eq. 13) และ Gsl = (P0 / Gll)^(1/nl) (Eq. 14)

4. SSO: หาพารามิเตอร์ที่ดีที่สุด

SSO (Simplified Swarm Optimization) เสนอเมื่อปี 2009 เพื่อแก้ข้อจำกัดของ PSO กับปัญหาแบบไม่ต่อเนื่อง สุ่มเลขหนึ่งตัวต่อหนึ่งตัวแปร แล้วเลือกว่าจะคัดลอกจาก gbest, pbest, ค่าเดิม หรือสุ่มใหม่ เพื่อหนีค่าเหมาะสมเฉพาะที่ (S1 pp.3, 6; S2 p.6)

4.1 กฎอัปเดต (Eq. 2)

ข้อความหน้า 6 ว่า Cg > Cp > Cw แต่ค่าที่ใช้เรียงน้อยไปมาก และ Eq. 2 อ่านเป็นขอบสะสม จึงควรอ่านเป็น Cg < Cp < Cw (S1 และ S2 พบตรงกัน)

4.2 โจทย์ที่ให้ SSO แก้ (S1 pp.15-17, S2 pp.15-17)

ขอบเขตถูกกำหนดเพื่อลดโอกาสราคาหลุดกรอบและป้องกัน overfitting ของโครงข่ายขั้นถัดไป (S1 p.15)

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

ทดลองสามรอบ รอบละให้ส่วนใหญ่ของ ρ แก่กลไกหนึ่ง (ตารางเต็มจาก S2 ตัวเลขตรงกับสรุปของ S1)

ข้อสรุปของงานวิจัย: gbest ได้ส่วนแบ่งสูงสุด ค่าสุ่มรองลงมา pbest กับค่าเดิมน้อยสุด (S1, S2 p.21) ข้อสังเกตของเรา: ROI สูงสุดต่างกันไม่ถึง 0.5 จุด % และในรอบ 1 ค่าต่ำสุดที่สูงสุดคือ pbest (67.18%) ไม่ใช่ gbest จึงเป็นหลักฐานอ่อนว่าการจูนสำคัญ สอดคล้องกับที่จัดเรื่องนี้ไว้ในส่วนที่รอได้

5. โครงข่ายประสาทเทียมที่ปรับกริดอัตโนมัติ

ใช้ผล SSO ในแต่ละช่วงตลาดเป็นคู่ "โจทย์-เฉลย" สอนโครงข่าย (S1 pp.17, 24; S2 pp.17-18)

flowchart LR
    A["หน้าต่างราคาและปริมาณ"] --> B["สถิติตลาด 8 ค่า"]
    A --> C["SSO หา Gul, Gll, nu, nl ที่ดีสุด"]
    B --> D["คู่ข้อมูลฝึก"]
    C --> D
    D --> E["FNN หรือ LSTM"]
    E --> F["พารามิเตอร์กริดที่ทำนาย"]

5.1 ข้อมูลเข้าและออก (Fig. 7, p.18)

5.2 ข้อมูลและการตั้งค่า (pp.23-24)

• SSO หาพารามิเตอร์ที่ดีทุก 30 วัน เลื่อนทีละ 5 วัน ได้ราว 500 ชุดต่อดัชนี (หน้าต่าง 30 วันเป็นการตีความ)
• 9 ปีแรกเป็นชุดฝึก ปีสุดท้ายเป็นชุดตรวจสอบ
• FNN สลับลำดับข้อมูลก่อนฝึก LSTM ไม่สลับเพราะต้องใช้ลำดับเวลา

การจับคู่ตารางกับโมเดล: S1 อนุมานจากลำดับในหน้า S2 ระบุหมายเลขตารางตรงๆ ตรงกันทั้งสองแหล่ง

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

ตัวอย่าง MSE ของ Gul (S1, S2): S&P 500 FNN 129,510 เทียบ LSTM 186,366; Dow Jones 6,016,533 เทียบ 24,446,812; Euro Stoxx 50 105,024 เทียบ 334,456; Nasdaq 4,725,772 เทียบ 518,181 (LSTM ดีกว่า) ขนาด MSE ใหญ่เพราะค่าอยู่ในระดับราคาดัชนี R² ส่วนมากอยู่ราว 90-99.9% แต่เป็นความพอดีกับพารามิเตอร์ที่ SSO หาได้ ไม่ใช่ผลกำไรจริง และอาจสูงเพราะขอบตามระดับราคา (ตีความ ทั้งสองแหล่ง)

6. หลักฐาน: ผลการทดสอบ

6.1 ROI ของกริดพารามิเตอร์คงที่ (Table 3, 10 ปี, pp.18-20)

• Flexible สูงสุดทุกแถว (วัดแล้ว) กรอบกว้าง 1.5/0.5 ให้ ROI สูงกว่ากรอบแคบทุกแถว
• Shanghai ทุกวิธียังขาดทุน และ equal-ratio ดีกว่า equal-distance ทั้งสองกรอบ จึงไม่จริงที่ equal-distance ดีกว่า equal-ratio เสมอ (S1 ชี้ไว้ เราตรวจกับตารางของ S2 แล้วตรงกัน)
• Sharpe (Table 5) เรียง flexible > equal-distance > equal-ratio ทุกแถว เช่น S&P 500 1.3/0.7: 0.118 / 0.103 / 0.092 (S1, S2)
• มูลค่าสะสม (Table 4) สอดคล้องทุนเริ่มต้น 10,000 เช่น S&P 13,169 และ Euro Stoxx 10,060 (ตรงกับ ROI 0.601%) ทุนเริ่มต้นไม่ได้ระบุในข้อความ (ตีความ ทั้งสองแหล่ง)

6.2 ROI เมื่อใช้พารามิเตอร์จาก SSO (Table 9, pp.22-23)

ค่า 66.384% ของ equal-distance ซ้ำกันใน S&P 500 และ Nasdaq (กรอบ 1.3/0.7) ทั้ง ROI (66.384%) มูลค่า (16,638 ใน Table 10) และ Sharpe (0.350 ใน Table 11) และต่ำกว่า equal-ratio ที่ 82.662% ขัดกับลำดับ flexible > equal-distance > equal-ratio น่าจะคัดลอกผิด ยังไม่ยืนยันกับข้อมูลดิบ (S1, S2) ROI สูงสุดในตารางคือ 127.268% (Nasdaq, 1.5/0.5)

6.3 เทียบ 9 วิธี (Tables 16-19, pp.27-29)

วิธีที่เทียบ: B&S (ซื้อตอนแรกขายตอนท้าย), S&B (ขายก่อนซื้อคืนทีหลัง คือ short), GTSbot, IWOC, FG-FNN, FG-LSTM, equal-distance, equal-ratio, flexible

ROI (Table 16)

MDD (Table 17)

Sharpe (Table 19)

(ตัดแถว equal-distance และ equal-ratio ออกจาก MDD และ Sharpe เพื่อความกระชับ ค่าอยู่ใน S2 Tables 17, 19)

อ่านผล (ตรวจจากตารางแล้ว)

• ROI: FG-FNN อยู่ 3 อันดับแรกทุกดัชนี (อันดับ 3 ใน S&P, Euro Stoxx, Shanghai; อันดับ 2 ใน Nasdaq, DJI โดยนับ S&B ที่ short) แต่ IWOC สูงสุดใน S&P, Nasdaq, Euro Stoxx และ B&S สูงกว่า FG-FNN ใน S&P, DJI, Euro Stoxx
• ความผันผวน (Table 18): FG-FNN ต่ำกว่า B&S มาก เช่น S&P 0.01687 เทียบ 0.06126 และอยู่ 3 อันดับแรกทุกดัชนี FG-LSTM ต่ำสุดใน S&P และ Nasdaq
• Sharpe: FG-FNN สูงสุดใน S&P, Nasdaq, DJI, Euro Stoxx ใน Shanghai (ตลาดขาลง) ได้ -2.210 ดีที่สุดในกลุ่มที่ซื้อก่อน แต่ S&B ได้ 8.466
• MDD: GTSbot ต่ำสุดทุกดัชนี วิธีที่ ROI สูงมักมี MDD สูง FG-LSTM บน Nasdaq 49.031% ใหญ่กว่าวิธีอื่นหลายเท่า

7. ข้อขัดแย้งและความไม่ชัดเจนระหว่างแหล่ง

ความไม่สอดคล้องในงานวิจัยที่พบเฉพาะ S2: Table 2 นับ Nvar เป็น 3 แต่รหัสคำตอบมี 4 ตัว, เลข Eq. 20 ใช้ซ้ำทั้งสูตรจำนวนช่องและ MSE ส่วนที่ทั้งสองแหล่งพบตรงกัน: Eq. 15 (หน่วยไม่สมเหตุ) และ Eq. 22 (ROI พิมพ์โดยไม่หารด้วยต้นทุน) ส่วน S1 ระบุเพิ่มว่า Eq. (13)-(14) บางส่วนอ่านจากไฟล์ไม่ครบ

⚠️ ข้อจำกัด ความเสี่ยง และข้อผิดพลาดที่พบบ่อย

Warning: ผลที่สูงที่สุด (ROI 58-127% ใน Table 9) มาจาก SSO ที่หาพารามิเตอร์บนราคาช่วงเดียวกับที่วัดผล เป็นเพดานของการปรับย้อนหลัง ไม่ใช่ผลที่คาดหวังเมื่อเทรดจริง

ข้อผิดพลาดที่พบบ่อยเมื่อนำไปใช้

• ตั้งช่องถี่จนกำไรต่อช่องต่ำกว่าค่าธรรมเนียม (S1)
• ตั้งกรอบแคบจนราคาหลุดกรอบ (S1, S2)
• เทียบวิธีโดยใช้ทุนหรือราคาเริ่มต้นต่างกัน (S1)
• เชื่อ ROI ของ SSO เป็นตัวเลขอนาคต หรืออ่าน Sharpe ของงานนี้เป็น Sharpe มาตรฐาน (S2 และเรา)
• ดู Sharpe อย่างเดียวโดยไม่ดู MDD (S1, S2)

ส่วนที่ไม่มีในแหล่ง (ความรู้ทั่วไปของเรา ยังไม่ได้ทดสอบกับงานนี้)

เช็กลิสต์ก่อนนำไปใช้

Decision / next steps

Recommendation: เริ่มจาก equal-distance ที่คำนวณเองได้ แล้วทดสอบว่ากริดแบบยืดหยุ่นชนะบนข้อมูลนอกช่วงของคุณหรือไม่ (ตรวจสูตรเส้นราคาก่อน) จากนั้นค่อยเพิ่ม SSO พร้อมแยกช่วงทดสอบ และเพิ่มโครงข่ายประสาทเทียมเป็นขั้นสุดท้ายเมื่อพิสูจน์แล้วว่าไม่มี look-ahead

ข้อมูลที่ยังขาด: สูตรราคาเส้นของกริดยืดหยุ่น (Eq. 13-14 ฉบับเต็ม), ค่า Cg/Cp/Cw ที่ใช้จริง, ค่า h, ช่วงเวลาของ Tables 16-19, คอลัมน์ครบของ Tables 14-15, ชื่อเต็มของ IWOC, ผลบนสินทรัพย์นอก 5 ดัชนี

Glossary

Sources

เราพยายามเปิดไฟล์งานวิจัยโดยตรงแต่ได้ข้อมูลที่อ่านไม่ได้ ข้อความทั้งหมดเกี่ยวกับงานวิจัยในหน้านี้จึงมาจาก S1 และ S2 เท่านั้น ส่วนที่เป็นการคำนวณซ้ำของเรา (ตัวอย่าง Gv, เส้นกริดยืดหยุ่น, Sharpe, ส่วนต่าง ROI, การนับอันดับ) ทำจากตัวเลขที่แหล่งให้ไว้

ตัวย่อที่ใช้ในหน้านี้

วิธีและแบบจำลอง

ตลาดและตัวชี้วัด

การอ้างอิง

แถวที่ความหมายมาจากความรู้ทั่วไป ไม่ใช่นิยามในแหล่ง: S&P 500, Euro Stoxx 50, DJIA, Shanghai, adam/sigmoid/relu, R², Sharpe (นิยามมาตรฐาน), arXiv และ IWOC (ไม่มีนิยามในแหล่งใดเลย)

สัญลักษณ์ในสูตร

Summary

• กริดเทรดทำกำไรจากการแกว่งของราคา ผลขึ้นกับ Gul, Gll, nu, nl และต้องผ่านเงื่อนไขค่าธรรมเนียม Eq. 16
• เมื่อพารามิเตอร์เท่ากัน กริดแบบยืดหยุ่นชนะทั้ง 10 แถวใน Table 3 แต่เป็นผลในข้อมูลช่วงเดียวกัน และยังขาดทุนใน Shanghai
• SSO ยก ROI ขึ้นมาก (S&P 500 จาก 31.692% เป็น 82.859%) แต่เป็นเพดานย้อนหลัง ไม่ใช่ค่าที่คาดหวัง
• FG-FNN ได้ Sharpe สูงสุดใน 4 จาก 5 ดัชนี และความผันผวนต่ำ แต่ ROI ต่ำกว่า IWOC และ B&S หลายดัชนี และ Sharpe ของงานนี้ไม่ใช่ Sharpe มาตรฐาน
• ต้องตรวจก่อนทำซ้ำ: ทิศระยะห่างกริดบน, ค่า Cg/Cp/Cw ที่ใช้, ค่าซ้ำใน Tables 9-11, สมการที่พิมพ์ผิด, ช่วงเวลาและค่า h