Libro

Generative AI for Trading and Asset Management: ใครควรอ่าน และเล่มนี้ใช้ AI ทำอะไรบ้าง

หนังสือของ Hamlet Medina และ Ernest P. Chan ว่าด้วยการใช้ Generative AI และ LLM ในงานเทรดและบริหารสินทรัพย์ บทความนี้สรุปจากสารบัญ บทที่ 1 ที่ Wiley เผยแพร่ให้อ่านตัวอย่าง และ repository โค้ดของหนังสือ

ทีมบรรณาธิการ Libro · 25 ตุลาคม 2569 · แก้ไขล่าสุด 27 ตุลาคม 2569 · อ่านประมาณ 4 นาที

ภาพประกอบบทความ: ปกหนังสือ Generative AI for Trading & Asset Management โดย Ernest P. Chan & Hamlet Jesse Medina Ruiz

ขอบเขตของบทความ: สรุปจากสารบัญฉบับเต็มและบทที่ 1 ที่สำนักพิมพ์ Wiley เผยแพร่ให้อ่านตัวอย่าง รวมกับหน้าสำนักพิมพ์และ repository โค้ดของหนังสือ ยังไม่ได้อ่านบทอื่นนอกจากบทที่ 1 ข้อสังเกตเรื่องบทอื่นมาจากชื่อหัวข้อในสารบัญเท่านั้น

quant trader หลายคนเริ่มใช้ ChatGPT หรือเครื่องมือ AI อื่นช่วยเขียนโค้ด แต่ยังไม่แน่ใจว่าควรเชื่อผลลัพธ์แค่ไหน และนอกจากช่วยเขียนโค้ดแล้ว Generative AI ทำอะไรกับข้อมูลตลาดได้อีก เช่น สร้าง synthetic data หรืออ่าน sentiment จากข่าว

บทความนี้ช่วยดูว่าหนังสือเล่มนี้ครอบคลุมอะไร บทแรกให้ภาพการทำงานแบบไหน และเหมาะกับผู้อ่านกลุ่มใด

หนังสือเล่มนี้ว่าด้วยอะไร

Generative AI for Trading and Asset Management เขียนโดย Hamlet Jesse Medina Ruiz และ Ernest P. Chan ตีพิมพ์โดย Wiley ฉบับปกแข็งออกเดือนพฤษภาคม 2025 ความยาว 320 หน้า (หน้าหนังสือของ Wiley)

หน้าสำนักพิมพ์ระบุว่า Hamlet Medina เป็น Chief Data Scientist ที่ Criteo ส่วน Ernest Chan เป็นผู้ก่อตั้ง PredictNow.ai และ QTS Capital Management และเป็นผู้เขียน Quantitative Trading, Algorithmic Trading และ Machine Trading ของ Wiley

คำอธิบายของสำนักพิมพ์บอกว่าหนังสือพูดถึงการใช้ unsupervised learning, supervised learning, reinforcement learning และ large language model ช่วยหาไอเดียกลยุทธ์ สร้าง signal, backtest, risk management และจัด portfolio และปิดท้ายด้วยการใช้ LLM แปลงคำแถลงของประธาน Federal Reserve เป็นข้อความเพื่อสร้าง trading signal

เนื้อหาครอบคลุมหัวข้ออะไร

สารบัญแบ่งหนังสือเป็น 11 บท (สารบัญ):

ส่วน

บท

หัวข้อตามสารบัญ

Part I: A No-code Introduction

1–3

No-code Generative AI for Basic Quantitative Finance, No-code Generative AI for Trading Strategies Development, Whirlwind Tour of ML in Asset Management

Part II: Deep Generative Models

4–8

Understanding Generative AI, Deep Autoregressive Models for Sequence Modeling, Deep Latent Variable Models, Flow Models, Generative Adversarial Networks

บทประยุกต์และบทส่งท้าย

9–11

Leveraging LLMs for Sentiment Analysis in Trading, Efficient Inference, Afterword

รายละเอียดที่น่าสังเกตจากชื่อหัวข้อ:

  • บทที่ 2 มีหัวข้อสร้างโค้ดจากคำอธิบายกลยุทธ์ สรุปเปเปอร์กลยุทธ์แล้วสร้างโค้ด backtest และสำรวจกลยุทธ์ arbitrage บน term structure ของ options

  • บทที่ 3 เป็นการทบทวน ML เร็ว ๆ ตั้งแต่ Hierarchical Risk Parity, PCA, regularization, cross-validation ไปจนถึงเรื่อง data engineering เช่น survivorship bias และ look-ahead bias

  • บทที่ 5 มีหัวข้อย่อยเรื่อง Transformer ละเอียดหลายหัวข้อ เช่น attention mechanism และ positional encoding

  • บทที่ 7 และ 8 มีหัวข้อการใช้ Flow model และ GAN กับ financial time series

  • บทที่ 9 ใช้วิดีโอการแถลงข่าวของ Fed กับข้อมูลราคาตลาด แปลงเสียงเป็นข้อความ แล้ววิเคราะห์ sentiment

  • บทที่ 10 ว่าด้วยการทำให้ FinBERT เร็วขึ้นและ model quantization

แนวคิดที่น่าสนใจจากบทที่ 1

บทที่ 1 เปิดให้อ่านเป็นตัวอย่าง (บทที่ 1) ผู้เขียนลองใช้ ChatGPT GPT-4o ทำงานพื้นฐานของ quant ได้แก่ ดึงราคาย้อนหลังของ SPY และ BIL คำนวณผลตอบแทนรายวันและ Sharpe ratio จัดรูปแบบไฟล์ Excel ที่ไม่เรียบร้อย และแปลงโค้ด Matlab ที่หา efficient frontier ไปเป็น Python

สิ่งที่บทนี้ให้ภาพชัดคือข้อจำกัดของการใช้งานจริง:

  • ต้องตรวจทุกขั้น ผู้เขียนเล่าว่า ChatGPT เคย annualize ผลตอบแทนผิด และอ่านรูปแบบวันที่ที่มี timezone ไม่ได้ในครั้งแรก กว่าจะได้กราฟที่ถูกต้องต้องสั่งหลายรอบ

  • ผลลัพธ์ไม่คงที่ ไฟล์เดิมที่เคยอ่านได้กลับอ่านไม่ได้ ผู้เขียนชี้ว่าผลแบบนี้ทำซ้ำได้ยาก

  • ขอโค้ดดีกว่าขอตัวเลข ข้อสรุปของบทคือควรให้ AI เขียนโค้ดที่ตรวจสอบและแก้ไขได้ แทนการให้ตอบตัวเลขโดยตรง

  • ผลการแปลงโค้ดต่างจากต้นฉบับ น้ำหนักของ tangency portfolio ที่ได้จากโค้ด Python ต่างจากผลของ Matlab ผู้เขียนตรวจโค้ดทีละบรรทัดแล้วไม่พบข้อผิดพลาด และสรุปว่าปัญหาอยู่ที่ตัว optimizer ของ Python ข้อนี้เป็นความเห็นของผู้เขียน ซึ่งยังไม่ได้ตรวจสอบแยก

บทที่ 1 เขียนจากมุมของ Ernest Chan ที่ถนัด Matlab มากกว่า Python จึงเหมาะกับคนที่อยากเห็นว่า AI ช่วยคนที่ไม่ถนัดภาษาเป้าหมายได้แค่ไหน

โค้ดประกอบหนังสือ

บทที่ 1 ระบุว่าโค้ด ข้อมูล และ notebook ของแต่ละบทอยู่ใน repository ของหนังสือบน GitHub ซึ่งใช้สัญญาอนุญาต MIT หน้า README ระบุ stack เช่น pandas, scikit-learn, PyTorch, GluonTS และ transformers และบอกว่า notebook บางส่วนของบทที่ 10 ต้องใช้ GPU จึงจะรันได้ในเวลาที่เหมาะสม

พื้นฐานที่ควรมีก่อนอ่าน

ส่วนที่อ่านไม่ได้ระบุพื้นฐานที่ผู้อ่านควรมีไว้ตรง ๆ ข้อต่อไปนี้จึงประเมินจากสารบัญและบทที่ 1:

  • Part I ใช้ ChatGPT แบบไม่ต้องเขียนโค้ดเอง แต่ต้องอ่านโค้ด Python และตรวจผลการคำนวณได้ เช่น ผลตอบแทนรายวันและ Sharpe ratio

  • Part II มีหัวข้ออย่าง latent variable model, normalizing flow, Wasserstein GAN และ attention ซึ่งน่าจะต้องมีพื้นฐาน probability และ deep learning ระดับหนึ่ง ข้อนี้เป็นการคาดจากชื่อหัวข้อ

  • การรันโค้ดใน repository ต้องติดตั้ง Python 3.10 และ library ตาม README

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

  • เหมาะ กับนักเทรดหรือนักวิเคราะห์ที่อยากเห็นตัวอย่างจริงของการใช้ LLM ในงาน quant พร้อมข้อจำกัด และคนที่อยากรู้จัก generative model กลุ่ม VAE, Flow และ GAN ในบริบทข้อมูลการเงิน

  • ควรเริ่มจากเล่มอื่นก่อน ถ้ายังไม่คุ้นกับการคำนวณผลตอบแทนและ backtest พื้นฐาน บทที่ 1 อ้างถึงหนังสือเล่มแรกของ Ernest Chan เรื่องการปรับราคาตาม split และเงินปันผล

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

  • อ่านเฉพาะบทที่ 1 และสารบัญ บทที่ 2–11 สรุปจากชื่อหัวข้อเท่านั้น

  • ข้อมูลในแคตตาล็อกเดิมระบุ 329 หน้า แต่หน้า Wiley และ Open Library ระบุ 320 หน้า บทความนี้ใช้ตัวเลขของสำนักพิมพ์

  • บทความนี้ไม่ได้รันโค้ดใน repository

แหล่งอ้างอิง

  • ปกหนังสือ Generative AI for Trading & Asset Management

    Generative AI for Trading & Asset Management

    Ernest P. Chan & Hamlet Jesse Medina Ruiz

    สารบัญแบ่งเป็นสามภาค ตั้งแต่ใช้ ChatGPT แบบไม่เขียนโค้ด ไปจนถึง VAE, Flow, GAN และการวิเคราะห์ sentiment จากการแถลงข่าวของประธาน Fed

    ดูรายละเอียด

บทความนี้อ่านจบได้ในตัวเอง หนังสือด้านบนคือจุดต่อยอดสำหรับผู้ที่ต้องการศึกษาลึกขึ้น