พื้นฐานของ Algorithmic Trading: แนวคิดและตัวอย่าง

Jun 27, 2022

บทความนี้แปลจาก Basics of Algorithmic Trading: Concepts and Examples บนเว็บไซต์ Investopedia

Algorithmic trading (หรือเรียกอีกอย่างว่า automated trading, black-box trading, หรือ algo-trading) ใช้โปรแกรมคอมพิวเตอร์ที่ปฏิบัติตามชุดคำสั่งที่กำหนดไว้ (Algorithm) เพื่อทำการเทรด ตามทฤษฎีแล้วการเทรดด้วยวิธีนี้จะสามารถสร้างผลกำไรด้วยความเร็วและความถี่ที่เหนือกว่าที่มนุษย์จะลงมือเทรดเองได้

ชุดคำสั่งที่กำหนดไว้ในโปรแกรมจะขึ้นอยู่กับ ระยะเวลา ราคา ปริมาณ หรือแบบจำลองทางคณิตศาสตร์ใดก็ได้ นอกจาก algo-trading จะสร้างโอกาสในการทำกำไรสำหรับนักเทรดแล้ว มันยังช่วยให้ตลาดมีสภาพคล่องมากขึ้น และซื้อขายได้อย่างเป็นระบบมากขึ้นโดยตัดอารมณ์ของมนุษย์ที่อาจมีผลกระทบต่อการเทรดด้วย

Algorithmic Trading ในทางปฏิบัติ

สมมติให้นักเทรดคนหนึ่งปฏิบัติตามเกณฑ์การเทรดง่าย ๆ ดังต่อไปนี้

ซื้อหุ้นของบริษัทหนึ่ง 50 หุ้นเมื่อ เส้นค่าเฉลี่ยเคลื่อนที่ 50 วัน วิ่งตัดขึ้นไปสูงกว่า เส้นค่าเฉลี่ยเคลื่อนที่ 200 วัน (เส้นค่าเฉลี่ยเคลื่อนที่ (moving average) คือ ค่าเฉลี่ยของจุดข้อมูลในอดีต ที่ทำให้ความผันผวนของราคาในแต่ละวัน มีความราบเรียบขึ้น และด้วยเหตุนี้เอง เส้นค่าเฉลี่ยเคลื่อนที่จึงช่วยระบุแนวโน้มทิศทางราคาหุ้นว่ากำลังเป็นขาขึ้น ขาลง หรือว่ากำลังแกว่งตัวออกข้าง)
ขายหุ้นทิ้งเมื่อ เส้นค่าเฉลี่ยเคลื่อนที่ 50 วัน วิ่งตัดลงมาต่ำกว่า เส้นค่าเฉลี่ยเคลื่อนที่ 200 วัน

การใช้เกณฑ์ง่าย ๆ สองข้อนี้ โปรแกรมคอมพิวเตอร์สามารถช่วยเฝ้าดู ราคาหุ้น กับ เส้นค่าเฉลี่ยเคลื่อนที่ ให้เราได้โดยอัตโนมัติ และวางคำสั่งซื้อขายเมื่อตรงตามเงื่อนไขที่เรากำหนดไว้ ทำให้นักเทรดหุ้นไม่จำเป็นต้องมานั่งเฝ้าดูกราฟราคาหุ้น หรือวางคำสั่งซื้อขายเองอีกต่อไป algo-trading สามารถดำเนินการได้อัตโนมัติโดยที่สามารถระบุ จุดซื้อ จุดขาย ตามเกณฑ์ที่เรากำหนดไว้ได้อย่างถูกต้อง

ข้อดีของการใช้ Algorithmic Trading

Algo-trading มีข้อดีดังต่อไปนี้

การซื้อขายจะเกิดขึ้นในราคาที่ดีที่สุด
การวางคำสั่งซื้อขายนั้น รวดเร็ว แม่นยำ (มีโอกาสสูงที่จะซื้อขายได้ในระดับราคาที่ต้องการ)
การซื้อขายมีกำหนดเวลาที่ถูกต้องและทันท่วงที เพื่อหลีกเลี่ยงการเปลี่ยนแปลงอย่างมีนัยสำคัญของราคาหุ้น
ลดต้นทุนในการทำธุรกรรม
สามารถตรวจสอบสภาวะตลาดที่หลากหลายได้พร้อม ๆ กันโดยอัตโนมัติ
ลดความเสี่ยงของการเกิดข้อผิดพลาดจากการซื้อขายโดยมนุษย์
สามารถทดสอบ algo-trading ย้อนหลังได้ (backtest) โดยใช้ข้อมูลในอดีตและข้อมูล real-time เพื่อดูว่า กลยุทธ์การซื้อขายนี้จะสามารถเอาไปใช้งานจริงได้ดีหรือไม่
ลดโอกาสผิดพลาดที่อาจเกิดขึ้นจากสภาพอารมณ์และจิตใจของนักเทรด

Algo-trading ในปัจจุบันส่วนใหญ่เป็นการเทรดด้วยความถี่สูง (high-frequency-trading, HFT) ซึ่งพยายามใช้ประโยชน์จากการวางคำสั่งซื้อขายจำนวนมากด้วยความเร็วสูงในหลาย ๆ ตลาดพร้อมกัน ในหลากหลายพารามิเตอร์ที่ใช้ตัดสินใจ โดยจะทำตามคำสั่งที่เราตั้งโปรแกรมเอาไว้ล่วงหน้า

Algo-trading ถูกนำมาใช้เทรดและลงทุนในหลากหลายรูปแบบ ซึ่งรวมถึง

นักลงทุนระยะกลางถึงยาว หรือสถาบันที่อยู่ในฝั่งซื้อ เช่น กองทุนบำเหน็จบำนาญ กองทุนรวม บริษัทประกันภัย ต่างใช้ algo-trading เพื่อซื้อหุ้นจำนวนมากเมื่อพวกเขาไม่ต้องการให้การซื้อของพวกเขากระทบกระเทือนต่อราคาหุ้น (ดันราคาหุ้นขึ้นจากการเข้าซื้อครั้งละจำนวนมาก ๆ)
นักเทรดระยะสั้น และสถาบันที่อยู่ในฝั่งขาย ผู้ดูแลสภาพคล่อง (market makers) (เช่น บริษัทนายหน้า) นักเก็งกำไร และนักทำกำไรส่วนต่างราคา (arbitrageurs) ต่างได้รับผลประโยชน์จากระบบซื้อขายอัตโนมัติทั้งสิ้น นอกจากนี้แล้ว algo-trading ยังช่วยสร้างสภาพคล่องตลาดให้กับผู้ขายอีกด้วย
นักเทรดแบบเป็นระบบ (systematic traders) นักเทรดหุ้นตามแนวโน้มราคา (trend followers) กองทุน hedge fund หรือ นักเทรดแบบจับคู่ (pairs traders) (pairs trades เป็นกลยุทธ์การเทรดที่ใช้วิธีจับคู่ ซื้อสินทรัพย์หนึ่งพร้อมกันกับขายอีกสินทรัพย์หนึ่ง ที่เป็นคู่ที่มีสหสัมพันธ์ต่อกันสูง เช่น หุ้นสองตัว กองทุนซื้อขายแลกเปลี่ยน (ETFs) หรือสกุลเงิน) ต่างพบว่าการเขียนโปรแกรมให้ทำตามกฎให้ซื้อขายโดยอัตโนมัตินั้น จะมีประสิทธิภาพสูงกว่าการที่จะต้องมานั่งเทรดด้วยตัวเอง

Algo-trading ให้แนวทางการเทรดที่เป็นระบบ มากกว่าการซื้อขายตามสัญชาตญาณมนุษย์ของนักเทรดเอง

กลยุทธ์ต่าง ๆ ใน Algorithmic Trading

กลยุทธ์ใดก็ตามที่จะนำมาใช้ใน algo-trading จะต้องระบุถึงโอกาสที่จะสร้างผลกำไรในแง่ของ รายได้ที่ดีขึ้น หรือ ต้นทุนที่ลดลง ต่อไปนี้จะเป็นตัวอย่างกลยุทธ์การเทรดที่นิยมใช้กันใน algo-trading

Trend-following Strategies

กลยุทธ์การเทรดแบบ algo ที่พบบ่อยที่สุดจะซื้อขายตามแนวโน้มราคาหุ้น (trend-following) โดยดูจาก เส้นค่าเฉลี่ยเคลื่อนที่ การทะลุช่องแนวรับแนวต้าน การเคลื่อนไหวของระดับราคา และตัวชี้วัดทางเทคนิคที่เกี่ยวข้อง เหล่านี้เป็นกลยุทธ์ที่ง่ายที่สุดใน algo-trading เพราะไม่ต้องใช้การคาดการณ์หรือการทำนายราคาหุ้นแต่อย่างใด การเทรดจะเริ่มต้นโดยพิจารณาว่าราคาหุ้นมีแนวโน้มตามที่เราต้องการหรือไม่ ซึ่งทำได้ง่ายและตรงไปตรงมา ไม่ต้องมีการวิเคราะห์คาดการณ์แบบซับซ้อน วิธีหนึ่งที่ได้รับความนิยมในกลยุทธ์นี้ คือ การใช้เส้นค่าเฉลี่ยเคลื่อนที่ 50 และ 200 วัน

Arbitrage Opportunities

บางหุ้นมีการจดทะเบียนอยู่ใน 2 ตลาด ในบางครั้งราคาหุ้นบนกระดานใน 2 ตลาดนี้ไม่เท่ากัน ถ้าเหตุการณ์นี้เกิดขึ้น การซื้อหุ้นจากตลาดหนึ่งในราคาที่ถูกกว่า และขายในราคาที่แพงกว่าในอีกตลาดหนึ่ง จะทำให้มีส่วนต่างราคาเป็นกำไรที่ไม่มีความเสี่ยง เรียกว่าการ arbitrage วิธีเดียวกันนี้สามารถนำมาใช้ได้ในหุ้นเทียบกับตราสารฟิวเจอร์ส เพราะมีส่วนต่างราคาเกิดขึ้นบ้างเป็นครั้งคราว การนำ algorithm มาช่วยหาส่วนต่างราคาดังกล่าว และส่งคำสั่งซื้อขายอย่างรวดเร็วมีประสิทธิภาพ ทำให้เกิดโอกาสในการสร้างกำไร

Index Fund Rebalancing

โดยปกติแล้ว กองทุนดัชนีต่าง ๆ จะมีกำหนดวันเวลาในการปรับสมดุลพอร์ต (rebalancing) เป็นระยะ ๆ เพื่อทำให้การถือครองหุ้นของกองทุนดัชนี มีสัดส่วนเดียวกันกับดัชนีที่ใช้อ้างอิง สิ่งนี้จึงสร้างโอกาสในการทำกำไรให้แก่นักเทรดแบบ algo-trading ที่ใช้ประโยชน์จาก การซื้อขาย (ที่เราสามารถคาดการณ์ได้ล่วงหน้า) ของกองทุนดัชนี ซึ่งจะทำกำไรได้ประมาณ 20 ถึง 80 basis points (0.2-0.8%) ขึ้นอยู่กับจำนวนหุ้นในกองทุนดัชนีก่อนการปรับสมดุลพอร์ต การเทรดด้วยวิธีดังกล่าวจะใช้ algo-trading เพื่อให้รวดเร็ว ทันเวลา และได้ราคาที่ดีที่สุด

Mathematical Model-based Strategies

แบบจำลองทางคณิตศาสตร์ที่ได้รับการพิสูจน์แล้ว เช่น delta-neutral trading strategy เป็นการเทรดโดยผสมผสานกันระหว่าง options และหุ้น (delta-neutral เป็นกลยุทธ์บริหารพอร์ตที่ประกอบไปด้วยหลาย positions ที่มีการหักล้างกันระหว่าง delta ที่เป็นบวก กับ delta ที่เป็นลบ หักล้างกันให้เป็นศูนย์ โดยที่ delta เป็นอัตราส่วนเปรียบเทียบ การเปลี่ยนแปลงของราคาสินทรัพย์ (ส่วนใหญ่มักจะเป็นหุ้น) กับ การเปลี่ยนแปลงในราคาอนุพันธ์ของมัน การทำ delta-neutral เป็นกลยุทธ์ที่ทำเพื่อให้โดยรวมแล้ว delta ของการถือครองสินทรัพย์นั้น ๆ รวมกันเป็นศูนย์)

Trading Range (Mean Reversion)

Mean reversion เป็นกลยุทธ์ที่อยู่บนพื้นฐานของแนวคิดที่ว่า ราคาสูงและราคาต่ำของสินทรัพย์หนึ่งเป็นเพียงปรากฏการณ์ชั่วคราวที่เกิดขึ้นเป็นระยะ ๆ ซึ่งในที่สุดก็จะกลับคืนสู่ค่าเฉลี่ย (มูลค่าเฉลี่ย) การระบุและกำหนดกรอบราคาสูงต่ำ และนำ algorithm มาช่วย จะทำให้สามารถซื้อขายได้โดยอัตโนมัติเมื่อราคาของสินทรัพย์วิ่งทะลุเข้าและออกจากกรอบราคาที่กำหนดไว้

Volume-weighted Average Price (VWAP)

กลยุทธ์นี้จะแบ่งคำสั่งซื้อ จากหนึ่งคำสั่งที่จะซื้อหุ้นจำนวนมาก ๆ ออกเป็นหลายคำสั่งซื้อย่อย ๆ โดยแบ่งออกไปตามโปรไฟล์ปริมาณการซื้อขายในอดีตในแต่ละราคา จุดมุ่งหมายของวิธีนี้คือ เพื่อให้ซื้อหุ้นได้ในราคาที่ใกล้เคียงกับราคาเฉลี่ยถ่วงน้ำหนักตามปริมาณ (volume-weighted average price, VWAP)

Time Weighted Average Price (TWAP)

กลยุทธ์นี้จะแบ่งคำสั่งซื้อ จากหนึ่งคำสั่งที่จะซื้อหุ้นจำนวนมาก ๆ ออกเป็นหลายคำสั่งซื้อย่อย ๆ โดยแบ่งออกไปตามช่วงเวลาที่เท่า ๆ กันระหว่าง เวลาเริ่มต้น และเวลาสิ้นสุดที่เรากำหนด จุดมุ่งหมายของวิธีนี้คือ เพื่อให้ซื้อหุ้นได้ในราคาใกล้เคียงกับราคาเฉลี่ยระหว่างเวลาเริ่มต้นและสิ้นสุด ซึ่งจะช่วยลดผลกระทบต่อตลาดได้ด้วย

Percentage of Volume (POV)

กลยุทธ์นี้จะส่งคำสั่งซื้อขายย่อย ๆ ออกไปเรื่อย ๆ ตามอัตราส่วน participation ratio ที่เราตั้งค่าเอาไว้ และตามปริมาณการซื้อขายในตลาด จนกว่าจะซื้อขายหุ้นได้ครบตามจำนวนที่เราต้องการ กลยุทธ์นี้ช่วยเพิ่มหรือลด participation rate เมื่อราคาหุ้นวิ่งถึงระดับราคาที่เรากำหนด

Implementation Shortfall

กลยุทธ์นี้มีจุดมุ่งหมายเพื่อลดต้นทุนการซื้อขาย โดยยอมแลกกันกับความรวดเร็วของการซื้อขายแบบ real-time ในตลาด ซึ่งจะช่วยประหยัดต้นทุนแลกกันกับค่าเสียโอกาสจากการดำเนินการที่ล่าช้า กลยุทธ์นี้จะเพิ่ม participation rate เมื่อราคาหุ้นเคลื่อนไหวในทิศทางที่ดีและจะลด participation rate ลงเมื่อราคาหุ้นเคลื่อนไหวในทางลบ (อ่านเพิ่มเติมได้ใน Investopedia)

Beyond the Usual Trading Algorithms

ยังมี algorithms พิเศษบางประเภทที่พยายามระบุ “สิ่งที่กำลังเกิดขึ้น” ในอีกฝั่ง (ฝั่งผู้ซื้อ กับ ฝั่งผู้ขาย) “อัลกอริทึมดมกลิ่น (sniffing algorithms)” เหล่านี้ เช่นที่ใช้โดยผู้ดูแลสภาพคล่องฝั่งขาย (sell-side market maker) มีความสามารถที่จะ ระบุ/ตรวจจับ การมีอยู่ของ algorithms ใด ๆ ในฝั่งผู้ซื้อที่มีคำสั่งซื้อขนาดใหญ่ได้ การตรวจจับด้วย algorithms ดังกล่าวจะช่วยให้ผู้ดูแลสภาพคล่องฝั่งขาย (sell-side market maker) ระบุโอกาสของการส่งคำสั่งซื้อขนาดใหญ่จากฝั่งผู้ซื้อ ทำให้พวกเขาสามารถแสวงหาผลประโยชน์ได้โดยการกรอกคำสั่งขายในราคาที่สูงขึ้น (ทำให้ขายได้ราคาที่สูงกว่าปกติ) วิธีการนี้ในบางครั้งจะถูกมองว่าเป็น high-tech front-running (front-running เป็นการซื้อขายโดยใช้ประโยชน์จากข่าวสาร/ความรู้ล่วงหน้าที่ยังไม่ถูกเปิดเผยต่อสาธารณะ) ซึ่งโดยทั่วไปแล้ว front-running ถือเป็นการกระทำที่ผิดกฎหมาย และอยู่ภายใต้การควบคุมอย่างเข้มงวดโดยหน่วยงานกำกับดูแลอุตสาหกรรมการเงิน (Financial Industry Regulatory Authority)

องค์ประกอบทางเทคนิคที่จำเป็นสำหรับการทำ Algorithmic Trading

การนำ algorithm มาใช้ในโปรแกรมคอมพิวเตอร์เป็นองค์ประกอบสุดท้ายของ algorithmic trading ควบคู่ไปกับการทดสอบย้อนหลัง (backtesting) (backtesting คือ การลองนำ algorithm มาใช้ทดสอบย้อนหลังกับข้อมูลในอดีต เพื่อทดสอบดูว่าสามารถทำกำไรได้หรือไม่) ความท้าทายจะอยู่ที่การนำกลยุทธ์ไปบูรณาการใช้ในคอมพิวเตอร์ที่สามารถเข้าถึงบัญชีเทรดสำหรับส่งคำสั่งซื้อขายได้ สิ่งต่าง ๆ ดังต่อไปนี้ เป็น requirements สำหรับ algorithmic trading:

ความรู้ด้านการเขียนโปรแกรม เพื่อสร้างโปรแกรมที่ทำตามกลยุทธ์เทรดที่เราต้องการ, นักเขียนโปรแกรมรับจ้าง, หรือซอฟต์แวร์เทรดหุ้นสำเร็จรูป
การเชื่อมต่อเครือข่ายและการเข้าถึงแพลตฟอร์มเทรด เพื่อส่งคำสั่งซื้อขาย
การเข้าถึงฟีดข้อมูลตลาดหุ้นที่ algorithm ใช้ติดตามเพื่อ จับจังหวะ หาโอกาส ในการซื้อขาย
ความสามารถและโครงสร้างพื้นฐานสำหรับทดสอบระบบย้อนหลัง (backtest) ก่อนนำไปใช้งานจริง
ข้อมูลย้อนหลัง (historical data) สำหรับใช้ทดสอบย้อนหลัง (backtest) ซึ่งจะขึ้นอยู่กับความซับซ้อนของกฎเกณฑ์ที่ใช้ใน algorithm

หนึ่งตัวอย่างของ Algorithmic Trading

บริษัท Royal Dutch Shell (RDS) จดทะเบียนอยู่ในตลาดหุ้น 2 แห่งคือ Amsterdam Stock Exchange (AEX) และ London Stock Exchange (LSE) เราจะเริ่มต้นด้วยการสร้าง algorithm เพื่อระบุหาโอกาสในการทำ arbitrage โดยมีข้อสังเกตที่น่าสนใจดังนี้

ตลาด AEX ซื้อขายในสกุลเงินยูโร (EUR) ในขณะที่ตลาด LSE ซื้อขายในสกุลเงินปอนด์สเตอร์ลิง (GBP)
เนื่องจากความแตกต่างของเวลา ตลาด AEX จะเปิดเร็วกว่า LSE หนึ่งชั่วโมง ตามด้วยการซื้อขายพร้อมกันในอีกไม่กี่ชั่วโมงต่อมา จากนั้นจะมีการซื้อขายเฉพาะใน LSE ในช่วง 1 ชั่วโมงสุดท้ายหลังตลาด AEX ปิด

เราจะมาลองหาความเป็นไปได้ของการทำ arbitrage ในหุ้น Royal Dutch Shell ที่จดทะเบียนในสองตลาดนี้ในสองสกุลเงินที่แตกต่างกัน

Requirements:

โปรแกรมคอมพิวเตอร์ที่สามารถอ่านราคาหุ้นปัจจุบันได้
ราคาหุ้นจากทั้งสองตลาด (LSE และ AEX)
อัตราแลกเปลี่ยนระหว่างสกุลเงิน GBP กับ EUR
ความสามารถของระบบ ในการส่งคำสั่งซื้อขายไปยังตลาด LSE และ AEX ได้
ความสามารถในการทดสอบย้อนหลัง (Backtesting) บนข้อมูลราคาในอดีต

โปรแกรมคอมพิวเตอร์จะต้องสามารถทำสิ่งต่าง ๆ ดังต่อไปนี้ได้:

อ่านฟีดราคาหุ้น RDS จากทั้งสองตลาด
ใช้อัตราแลกเปลี่ยนสกุลเงิน แปลงราคาหุ้น จากเงินสกุลหนึ่งไปเป็นอีกสกุลหนึ่ง
ถ้าทั้งสองตลาด มีความแตกต่างของราคามากพอให้มีโอกาสทำกำไร (หลังหักค่านายหน้าแล้ว) โปรแกรมจะวางคำสั่งซื้อจากตลาดที่มีราคาต่ำกว่า และสั่งขายในตลาดที่มีราคาสูงกว่า
ถ้าคำสั่งได้ถูกดำเนินการอย่างถูกต้อง ก็จะเกิดกำไรจากการ arbitrage

ฟังดูเหมือนจะง่ายนะครับ แต่ในทางปฏิบัตินั้น algorithmic trading ไม่ง่ายนักที่จะดำเนินการ (execute) และดูแลรักษา (maintain) โปรดจำไว้ว่า หากนักลงทุนคนหนึ่งสามารถเทรดแบบ algo ได้ นักลงทุนคนอื่น ๆ ก็สามารถทำได้เช่นกัน ดังนั้นแล้ว ราคาหุ้นในสองตลาดจึงอาจผันผวนแตกต่างกันได้บ้างเพียงเสี้ยว (มิลลิหรือไมโคร) วินาที เท่านั้น ในตัวอย่างข้างต้น จะเกิดอะไรขึ้นถ้าการเทรดนี้มีการซื้อไปแล้ว แต่ การขายไม่เกิดขึ้นเนื่องจากราคาขายได้มีการเปลี่ยนแปลงไปแล้วก่อนที่การส่งคำสั่งขายจะไปถึงที่ตลาดได้ทัน ถ้าเป็นแบบนี้แล้ว นักเทรดจะถูกทิ้งให้เหลือหุ้นที่ยังไม่ถูกขายออกไปอยู่ในพอร์ต ทำให้กลยุทธ์การ arbitrage นี้ไร้ค่า

นอกจากนี้ ยังมีความเสี่ยงและความท้าทายอื่น ๆ ด้วย เช่น ความเสี่ยงที่ระบบจะล่มกลางคัน การเชื่อมต่อเครือข่ายเกิดหลุดหรือมีข้อผิดพลาด (network connectivity errors) ความล่าช้าระหว่าง คำสั่งซื้อขายและการดำเนินการ และที่สำคัญที่สุดคือ algorithms ที่ไม่สมบูรณ์ ยิ่ง algorithm มีซับซ้อนมากเท่าไหร่ การทำ backtesting ก่อนนำไปใช้งานจริงก็จะยิ่งต้องมีความเข้มงวดรัดกุมมากขึ้นเท่านั้น

อ่านบทความ Big Data อื่น ๆ ที่เกี่ยวข้องกับการเงินและการลงทุนได้ใน

แปลโดย อิสระพงศ์ เอกสินชล

ตรวจทานโดย ปพจน์ ธรรมเจริญพร

Isarapong Eksinchol, PhD

Senior Project Manager & Data Scientist at Big Data Institute (Public Organization), BDI