Libro

Hands-On AI Trading with Python, QuantConnect, and AWS: มีอะไรในเล่ม และเหมาะกับใคร

หนังสือ Wiley ปี 2025 ของ Jiri Pik, Ernest P. Chan, Jared Broad, Philip Sun และ Vivek Singh ที่รวมตัวอย่างกลยุทธ์ ML และ LLM บน QuantConnect บทความนี้สรุปจากสารบัญและบทที่ 1 ที่สำนักพิมพ์เผยแพร่

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

ภาพประกอบบทความ: ปกหนังสือ Hands-On AI Trading with Python, QuantConnect, and AWS โดย Jiri Pik, Ernest P. Chan, Jared Broad, Philip Sun, Vivek Singh

ขอบเขตของบทความ: สรุปจากสารบัญฉบับเต็มและบทที่ 1 ที่สำนักพิมพ์ Wiley เผยแพร่ให้อ่านตัวอย่าง รวมกับข้อมูลจากหน้าสำนักพิมพ์ ยังไม่ได้อ่านบทอื่นนอกจากบทที่ 1 ข้อสังเกตเรื่องบทอื่นมาจากชื่อหัวข้อในสารบัญเท่านั้น

คนที่อยากลองใช้ Machine Learning กับกลยุทธ์เทรด มักติดอยู่ที่งานพื้นฐานก่อนจะถึงตัว model เช่น หาข้อมูลราคาที่เชื่อถือได้ จำลองค่าธรรมเนียมและ slippage และติดตามหุ้นที่เปลี่ยนชื่อหรือควบรวม หนังสือเล่มนี้เลือกใช้แพลตฟอร์ม QuantConnect เป็นฐานสำหรับงานเหล่านี้ แล้วใช้พื้นที่ส่วนใหญ่กับตัวอย่างกลยุทธ์

บทความนี้ช่วยดูว่าเล่มนี้มีเนื้อหาอะไร บทแรกปูพื้นแบบไหน และเหมาะกับใคร

หนังสือเล่มนี้ว่าด้วยอะไร

Hands-On AI Trading with Python, QuantConnect, and AWS ตีพิมพ์โดย Wiley เดือนมกราคม 2025 ความยาว 416 หน้า ผู้เขียนมีห้าคน ได้แก่ Jiri Pik, Ernest P. Chan, Jared Broad, Philip Sun และ Vivek Singh (หน้าหนังสือของ Wiley)

หน้าสำนักพิมพ์ระบุว่า Jiri Pik เป็นผู้ก่อตั้ง RocketEdge.com, Jared Broad เป็นผู้ก่อตั้ง QuantConnect, Philip Sun เป็น CEO ของ Adaptive Investment Solutions และ Vivek Singh ทำงานด้าน LLM และ generative AI ที่ Amazon Web Services

คำอธิบายของสำนักพิมพ์บอกว่าเล่มนี้ไม่ได้เน้นการสร้างโครงสร้างระบบ backtest เอง แต่เน้นการออกแบบกลยุทธ์บน QuantConnect และข้อมูลตลาดของแพลตฟอร์ม และระบุว่าโค้ด Python ครบชุดอยู่ใน GitHub ของผู้เขียน

เนื้อหาครอบคลุมหัวข้ออะไร

สารบัญแบ่งเป็นสามภาค 9 บท (สารบัญ):

ภาค

บท

หัวข้อตามสารบัญ

Part I: Foundations of Capital Markets and Quantitative Trading

1–2

Foundations of Capital Markets, Foundations of Quantitative Trading

Part II: Foundations of AI and ML in Algorithmic Trading

3–5

Problem Definition, Dataset Preparation, Model Choice, Training, and Application

Part III: Advanced Applications of AI in Trading and Risk Management

6–9

Applied Machine Learning, Better Hedging with Reinforcement Learning, AI for Risk Management and Optimization, Application of Large Language Models and Generative AI in Trading

บทที่ 6 เป็นแกนของเล่ม มี 19 ตัวอย่าง เช่น

  • ML trend scanning ด้วย MLFinlab และการเลือกระหว่างกลยุทธ์ reversion กับ trending

  • หา alpha ด้วย Hidden Markov Model และพยากรณ์ค่าเงินด้วย SVM ร่วมกับ wavelet

  • เลือกคู่เทรดด้วย ML และ PCA statistical arbitrage แบบ mean reversion

  • stop loss ตาม historical volatility และการลด transaction costs

  • Temporal CNN, Gaussian classifier และการจับรูปแบบ head and shoulders ด้วย CNN

  • สรุปข่าวจาก Tiingo ด้วย LLM, Amazon Chronos model และ FinBERT

ท้ายเล่มมีทั้ง Subject Index และ Code Index แยกกัน

แนวคิดที่น่าสนใจจากบทที่ 1

บทที่ 1 เปิดให้อ่านเป็นตัวอย่าง (บทที่ 1) และบอกตั้งแต่ต้นว่าผู้ที่คุ้นกับ QuantConnect อยู่แล้วข้ามบทนี้ได้ เนื้อหาที่อ่านได้มีดังนี้

  • กลไกตลาดสหรัฐฯ อธิบาย SIP, NBBO, odd lot และการส่ง order ไปยัง market maker นอกตลาด

  • บทบาทของผู้เล่น แบ่งเป็น liquidity trader, market maker และ informed trader และชี้ว่า market maker ต้องปรับกลยุทธ์เพราะแยกไม่ออกว่าคู่ค้าเป็น informed trader หรือไม่ ผู้เขียนมองว่าการ train algorithm ให้จับรูปแบบของ informed trader เป็นงานที่ ML น่าจะช่วยได้

  • ข้อมูลและ data feed อธิบาย trade tick, quote tick, trade bar และ quote bar พร้อมโค้ด QuantConnect สั้น ๆ และเตือนเรื่องการรายงานเทรดล่าช้าที่ทำให้ราคาดูกระโดด

  • transaction costs แยกค่าธรรมเนียม bid-ask spread และ slippage และอธิบายว่า order ขนาดใหญ่ "walk the book" จนเกิด price impact ทั้งแบบชั่วคราวและถาวร

  • security identifier เปรียบเทียบ CUSIP, FIGI และ ISIN แล้วอธิบาย Symbol ของ QuantConnect ซึ่งเข้ารหัสข้อมูลของสินทรัพย์ไว้ในตัว ใช้ตัวอย่างการสลับ ticker ของ Google ในปี 2014

บทนี้จึงเป็นทั้งบทพื้นฐานเรื่อง market structure และบทแนะนำ API ของ QuantConnect ไปพร้อมกัน

พื้นฐานที่ควรมีก่อนอ่าน

ส่วนที่อ่านไม่ได้ระบุพื้นฐานไว้ตรง ๆ ข้อต่อไปนี้ประเมินจากบทที่ 1 และสารบัญ:

  • อ่านโค้ด Python ได้ เพราะบทที่ 1 แทรกโค้ด QuantConnect เช่น add_equity, set_fee_model และ set_slippage_model ตั้งแต่ต้น

  • ตัวอย่างในบทที่ 6 ใช้ HMM, SVM, PCA และ CNN ผู้ที่ไม่เคยใช้ model เหล่านี้น่าจะต้องอ่าน Part II ให้ละเอียดก่อน ข้อนี้เป็นการคาดจากชื่อหัวข้อ

  • คุ้นกับตลาดหุ้นสหรัฐฯ เพราะตัวอย่างในบทที่ 1 อ้างอิงตลาดและหน่วยงานกำกับของสหรัฐฯ

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

  • เหมาะ กับคนที่เขียน Python ได้และอยากเห็นตัวอย่างกลยุทธ์ ML หลายแบบที่รันบนแพลตฟอร์มเดียวกัน และคนที่ใช้หรือกำลังพิจารณา QuantConnect

  • อาจไม่ตรงความต้องการ ถ้าอยากสร้างระบบ backtest ของตัวเองตั้งแต่ศูนย์ เพราะสำนักพิมพ์ระบุว่าเล่มนี้ไม่ได้เน้นเรื่องนั้น

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

  • อ่านเฉพาะบทที่ 1 (หน้า 3–15) และสารบัญ บทที่ 2–9 สรุปจากชื่อหัวข้อเท่านั้น

  • ข้อมูลในแคตตาล็อกเดิมของโฟลเดอร์ระบุผู้เขียนเป็น Jiri Pik และ Sourav Ghosh แต่หน้า Wiley ระบุผู้เขียนห้าคนตามที่เขียนไว้ข้างต้น บทความนี้ใช้ข้อมูลของสำนักพิมพ์ ISBN ฉบับปกแข็งคือ 9781394268436 ซึ่ง Open Library บันทึกเป็น Wiley ปี 2025 ความยาว 416 หน้า

  • ยังไม่ได้เปิด repository โค้ดของหนังสือ และไม่ได้รันโค้ดใด ๆ

แหล่งอ้างอิง

บทความนี้อ่านจบได้ในตัวเอง หนังสือด้านบนคือจุดต่อยอดสำหรับผู้ที่ต้องการศึกษาลึกขึ้น