Quantitative Technical Analysis: ระบบเทรดที่เริ่มจากความเสี่ยงที่รับได้

ขอบเขตของบทความ: ยังหาสารบัญฉบับเต็มจากแหล่งที่เปิดอ่านได้ไม่พบ บทความนี้จึงไม่ได้แนะนำขอบเขตเนื้อหาจากสารบัญ แต่ใช้ข้อมูลแคตตาล็อก คำอธิบายหนังสือ และคำอธิบายที่ผู้เขียนโพสต์เองหลังหนังสือออก ยังไม่ได้อ่านเนื้อหาเต็มเล่มหรือบทใดในเล่ม

คนที่เขียนระบบเทรดเองมักจบที่คำถามเดียวกัน ระบบที่ผ่าน backtest แล้วควรเทรดด้วยขนาดเท่าไร และจะรู้ได้อย่างไรว่าระบบเริ่มเสื่อม Quantitative Technical Analysis วางตัวเองไว้ที่คำถามนี้ คือรวมการพัฒนาระบบกับการบริหารการเทรดไว้ในกระบวนการเดียว

หนังสือเล่มนี้ว่าด้วยอะไร

Quantitative Technical Analysis: An Integrated Approach to Trading System Development and Trading Management เขียนโดย Howard B. Bandy ตีพิมพ์โดย Blue Owl Press เดือนมกราคม 2015 ความยาว 448 หน้า ISBN 9780979183850 (Open Library) ผู้เขียนโพสต์ว่าหนังสือออกวันที่ 23 มกราคม 2015 (Elite Trader, โพสต์ #31)

ประวัติผู้เขียนที่ CMT Association เผยแพร่ระบุว่า Bandy เรียนคณิตศาสตร์ ฟิสิกส์ วิศวกรรม และคอมพิวเตอร์ เคยเป็นนักวิเคราะห์วิจัยอาวุโสให้บริษัท CTA และเป็นประธานของ Blue Owl Press ซึ่งเป็นสำนักพิมพ์ของหนังสือเขาเอง ก่อนหน้านี้เขาเขียน Quantitative Trading Systems, Mean Reversion Trading Systems, Introduction to AmiBroker และ Modeling Trading System Performance (CMT Association)

เนื้อหาครอบคลุมหัวข้ออะไร

คำอธิบายหนังสือบอกว่าเล่มนี้ว่าด้วยเทคนิคการออกแบบ ทดสอบ ตรวจสอบความถูกต้อง (validation) และวิเคราะห์ระบบเทรดสำหรับหุ้น futures ETF และ FOREX รวมถึงการประเมิน "สุขภาพ" ของระบบ การหา position size สูงสุดที่ปลอดภัย และการประมาณศักยภาพกำไร (Google Books)

รายละเอียดเพิ่มเติมมาจากคำอธิบายของผู้เขียนเองในกระทู้ Elite Trader (โพสต์ #31–#32) ต้องอ่านว่าเป็นคำบอกเล่าของผู้เขียน ไม่ใช่สิ่งที่บทความนี้ตรวจจากตัวเล่ม:

• สองแพลตฟอร์ม หนังสือใช้ทั้ง AmiBroker และ Python สร้าง model เดียวกันบนทั้งสองแพลตฟอร์มให้ผลใกล้เคียงกัน และมีตัวอย่างแปลงโปรแกรม AmiBroker เป็น Python สองฝั่งส่งข้อมูลกันผ่านไฟล์ ไม่ได้เรียกกันโดยตรง

• เริ่มจากความเสี่ยง ผู้เขียนบอกว่าลำดับเริ่มจากการกำหนดความเสี่ยงที่ผู้เทรดรับได้ แล้วประเมินความเสี่ยงที่มีอยู่ในข้อมูลราคาก่อนใส่ model

• dynamic position sizing ผู้เขียนเรียกส่วนนี้ว่าจุดเด่นหลัก คือประเมินความเสี่ยงทีละเทรดแล้วแนะนำ position size ที่คุม drawdown ให้อยู่ในระดับที่รับได้ เขาเรียกค่านี้ว่า safe-f และใช้ฟังก์ชันวัตถุประสงค์ชื่อ CAR25

• machine learning มีส่วนพัฒนาระบบด้วย machine learning ใน Python โดยเตรียมตัวแปรทำนายใน AmiBroker หรือ Python และเปรียบเทียบ algorithm 15 ตัวด้วย scikit-learn

พื้นฐานที่ควรมีก่อนอ่าน

แหล่งที่เปิดอ่านไม่ได้ระบุพื้นฐานที่ต้องมีไว้ตรง ๆ ข้อสังเกตต่อไปนี้เป็นการอนุมานของบทความจากหัวข้อที่ผู้เขียนเล่า: ตัวอย่างโค้ดอยู่ใน AmiBroker และ Python และมีส่วน scikit-learn ผู้อ่านจึงน่าจะได้ประโยชน์มากขึ้นถ้าเขียนโปรแกรมได้ในระดับหนึ่ง และคุ้นกับแนวคิด backtest กับ drawdown มาก่อน

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

จากคำอธิบายข้างต้น เล่มนี้น่าจะตรงกับ:

• คนที่ใช้ AmiBroker อยู่และอยากย้ายหรือขยายงานไป Python

• คนที่มีระบบเทรดแล้วแต่ยังไม่มีวิธีชัดเจนใน position sizing ตามระดับ drawdown ที่รับได้

• คนที่อยากลองใช้ machine learning กับระบบเทรดแบบเป็นขั้นตอน

คนที่ยังไม่เคยเขียนกฎเทรดเป็นโปรแกรมเลย อาจต้องมีพื้นฐานการเขียนโปรแกรมก่อน ข้อนี้เป็นการอนุมานของบทความ ไม่ใช่คำแนะนำของผู้เขียน

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

• ไม่ได้อ่านสารบัญหรือบทใดของหนังสือ เว็บไซต์ Blue Owl Press เชื่อมต่อไม่ได้ในวันที่ค้นข้อมูล และหน้า Google Books ไม่มีตัวอย่างให้อ่าน

• รายละเอียดเนื้อหาส่วนใหญ่มาจากโพสต์ของผู้เขียนเอง ไม่ได้ตรวจกับตัวเล่ม

• ชื่อรองบนปกและใน Open Library ใช้ "Trading Management" ส่วนคำอธิบายบางแหล่งใช้ "Trade Management"

• บทความนี้ไม่ได้ทดลองโค้ดหรือวิธีในเล่ม

แหล่งอ้างอิง

• Open Library: 9780979183850 · Internet Archive · สำนักพิมพ์ วันที่ จำนวนหน้า ISBN

• Quantitative Technical Analysis · Google Books · คำอธิบายหนังสือ

• Language comparison, โพสต์ #31–#32 · Elite Trader · คำอธิบายเนื้อหาโดย Howard Bandy

• Howard Bandy, PhD · CMT Association · ประวัติผู้เขียน