เทคโนโลยีใหม่ ๆ เช่น A.I. และ Big Data จะเข้ามาเปลี่ยนแปลงอุตสาหกรรมการบริหารจัดการสินทรัพย์ (asset management) อย่างไร

อุตสาหกรรมการให้บริการทางด้านการเงินต่าง ๆ กำลังเผชิญกับการทำลายล้าง (disruption) จากบริษัทที่รู้จักนำเทคโนโลยีมาใช้ในการทำธุรกิจ ซึ่งรวมถึงการบริหารจัดการสินทรัพย์ (asset management) ที่เทคโนโลยีกำลังถูกนำมาใช้เพื่อสร้างความได้เปรียบในหลาย ๆ ด้าน หนึ่งในนั้นคือการเกิดขึ้นของกลยุทธ์การลงทุนแบบใช้ A.I. (A.I. based investment strategies)

ในปัจจุบันการลงทุนแบบวิเคราะห์เชิงปริมาณ (quantitative investing – การลงทุนแบบ quant) ได้กลายเป็นองค์ประกอบที่สำคัญของอุตสาหกรรมการบริหารจัดการสินทรัพย์ ซึ่งการลงทุนสไตล์ quant นี้ได้พัฒนาขึ้นไปสู่อีกระดับด้วยการใช้ A.I. และ Big Data ความก้าวหน้านี้ได้เปิดทางใหม่ ๆ ในการสร้าง alpha (ผลตอบแทนให้เหนือตลาด) ได้อย่างไม่มีที่สิ้นสุด

วิวัฒนาการของการบริหารจัดการสินทรัพย์ (Evolution of asset management) 

อุตสาหกรรมการบริหารจัดการสินทรัพย์ได้วิวัฒนาขึ้นมาในสามด้าน คือ ด้านการลงทุน ด้านการบริหารจัดการพอร์ตโฟลิโอ (portfolio management) และด้านเทคโนโลยี โดยที่บ่อยครั้งวิวัฒนาการในด้านหนึ่งจะช่วยให้อีกด้านหนึ่งสามารถก้าวหน้าขึ้นไปอีกขั้นได้ ในช่วงก่อนยุคปี 1950 คนส่วนใหญ่มีเพียงทางเลือกเดียวเท่านั้นคือการเปิดบัญชีซื้อขายหุ้นกับนายหน้า โดยลูกค้าจะเป็นคนเลือกหุ้นที่จะลงทุนเอง บริหารจัดการพอร์ตเอง หรือว่าจะให้นายหน้าเลือกให้ บริหารให้ก็ได้

ถึงแม้ว่างานวิจัยเกี่ยวกับพฤติกรรมหุ้นและการบริหารพอร์ตจะเริ่มมีมาตั้งแต่ยุคปี 1930-1940 แต่การบริหารพอร์ตนั้นก็เพิ่งจะมีพัฒนาการกันอย่างจริงจังตั้งแต่ในช่วงยุคปี 1950 นี้เอง อีกกว่าสามทศวรรษต่อมาถึงจะค่อยมีโมเดลและทฤษฎีต่าง ๆ เกิดขึ้นมากมายที่รู้จักกันในนามว่า ทฤษฎีพอร์ตโฟลิโอสมัยใหม่ (modern portfolio theory)

การกำเนิดขึ้นของทฤษฎีพอร์ตโฟลิโอสมัยใหม่

ทฤษฎีพอร์ตโฟลิโอสมัยใหม่ (modern portfolio theory) นั้นข้องเกี่ยวกับการหาความสัมพันธ์ระหว่างความเสี่ยงและผลตอบแทน ทฤษฎีนี้เน้นย้ำถึงคุณประโยชน์ของการกระจายความเสี่ยงและการจัดพอร์ตให้เหมาะสม (diversification and portfolio optimization) โมเดลการจัดสรรสินทรัพย์ (asset allocation) ต่าง ๆ ได้ขยายขอบเขตให้ครอบคลุมถึงพันธบัตร อสังหาริมทรัพย์ และเงินสด เพื่อช่วยให้จัดลักษณะความเสี่ยง (risk profile) ของพอร์ตได้ดียิ่งขึ้น งานวิจัยที่เกี่ยวข้องส่วนใหญ่นี้เพิ่งมาเกิดขึ้นได้ก็ตอนที่คอมพิวเตอร์เริ่มมีพลังในการประมวลผลที่เพียงพอในยุคปี 1960-1970

กราฟแสดงผลตอบแทนที่คาดหวัง (Expected Return) กับความผันผวน (Volatility) สำหรับทำ Portfolio Optimization สีของแต่ละจุดแสดงถึง Sharpe Ratio (ตามแถบสีด้านขวามือ) ซึ่งเป็นอัตราส่วนระหว่างผลตอบแทนกับความผันผวน

ในช่วงเวลาไล่เลี่ยกันนี้เอง กองทุนรวมก็ได้ถือกำเนิดขึ้น กองทุนรวมช่วยขยายฐานลูกค้าให้แก่บริษัทบริหารจัดการสินทรัพย์เพิ่มขึ้นเป็นอย่างมาก การทดลองกลยุทธ์แบบเฮดจ์ฟัน (hedge fund strategies) ก็ได้ถือกำเนิดขึ้นในยุคปี 1960 เช่นกัน แต่เพิ่งมาเริ่มเป็นที่นิยมขึ้นหลังจากนั้น

การบริหารจัดการการลงทุนแบบวิเคราะห์เชิงปริมาณ

เฟสถัดมาของวิวัฒนาการอุตสาหกรรมการบริหารจัดการสินทรัพย์ได้เริ่มมีแรงส่งอย่างจริงจังในช่วงยุคปี 1990 นี่เป็นยุคที่การบริหารจัดการการลงทุนแบบวิเคราะห์เชิงปริมาณ (quantitative investment management) ได้เข้ามามีบทบาทที่สำคัญในการลงทุน ยุคนั้นคอมพิวเตอร์ตั้งโต๊ะ (desktop PCs) ทั่วไปก็เริ่มสามารถที่จะนำมาใช้ทำงานวิจัยการลงทุนได้อย่างครอบคลุม อีกทั้งยังช่วยวิเคราะห์และจัดพอร์ตให้เหมาะสมได้อีกด้วย สไตล์การลงทุนแบบ quant นี้ใช้หลักฐานข้อมูลจากเหตุการณ์ที่เกิดขึ้นจริง (empirical evidence) มาช่วยจัดพอร์ตโฟลิโอแทนการใช้วิธีวิเคราะห์ปัจจัยพื้นฐาน (fundamental analysis) ที่ผู้จัดการกองทุนเชิงรุก (active fund) นิยมใช้กัน 

งานสัมมนาหัวข้อ “Quantitative Investing 101 : ทำไมต้องลงทุนอย่างเป็นระบบ” โดยคุณเกิดเก้า พีรติยุทธ์ นักวิจัยการลงทุนเชิงปริมาณ (Quantitative Research) บริษัทวิจัยออกแบบระบบการลงทุน SiamQuant

การบริหารการลงทุนแบบ passive (คือเน้นลงทุนให้ได้ผลตอบแทนตามเกณฑ์มาตรฐานตามดัชนีที่ตั้งไว้) ซึ่งมีหลายด้านที่คาบเกี่ยวกันกับการลงทุนแบบ quant นั้นได้ถือกำเนิดขึ้นในยุคปี 1990 ก็ในตอนที่มีการนำ exchange traded funds (ETFs) มาใช้ ในขณะเดียวกันนั้นก็เริ่มมีความชัดเจนขึ้นเรื่อย ๆ ว่า ผู้จัดการกองทุนเชิงรุก (active fund managers) หลายคนไม่สามารถลงทุนให้ได้ผลตอบแทนที่ชนะตลาดได้  ETFs เข้ามามีบทบาทช่วยให้นักลงทุนได้รับผลตอบแทนเท่ากับตลาด (ซึ่งก็เหนือกว่าที่กองทุนเชิงรุกส่วนใหญ่ทำได้) แต่มีค่าธรรมเนียมที่ต่ำกว่ากองทุนเชิงรุกมาก แถมยังมีการกระจายความเสี่ยงอีกด้วย การกำเนิดขึ้นของการลงทุนแบบ passive นี้ทำให้เกิดแนวความคิดความเข้าใจ (concepts) ที่เรียกว่า alpha และ beta 

การลงทุนแบบโฟกัสเพื่อให้ได้ผลตอบแทนที่เหนือกว่าตลาด

พอร์ตของลูกค้ากองทุนต่าง ๆ เริ่มที่จะแบ่งแยกออกเป็นสองฝั่ง คือ ฝั่งที่เน้นลงทุนให้ได้ผลตอบแทนเท่ากับตลาด (beta) กับอีกฝั่งนึงที่มุ่งหวังให้สร้างผลตอบแทนได้เหนือกว่าตลาด (alpha) สิ่งนี้ผนวกกับเทคโนโลยีที่ดีขึ้นและผนวกกับการลงทุนแบบ quant ที่ขับเคลื่อนด้วยข้อมูล (data driven) เป็นหลัก ทำให้เกิดการลงทุนแบบโฟกัสเพื่อสร้าง alpha

ในสองทศวรรษที่ผ่านมา วิธีเฟ้นหา alpha นั้นจะเน้นหนักไปที่การเลือกหุ้นรายตัว การใช้กลยุทธ์ market neutral และ long/short คู่กัน และการเทรดโดยใช้อัลกอริทึม (algorithmic trading) อย่างไรก็ดี กลยุทธ์ที่ใช้กันแทบทั้งหมดนี้ใช้ข้อมูลแบบเดียวกัน คือ งบการเงินของบริษัท ราคาหุ้นย้อนหลังในอดีต และข้อมูลเศรษฐกิจ

ความก้าวหน้าในเทคโนโลยีการเงิน (fintech – financial technology) ได้นำไปสู่การเกิดบริษัทบริหารจัดการสินทรัพย์หลากหลายประเภท บริษัทเหล่านี้ถูกสร้างขึ้นมาด้วยเทคโนโลยี เสมือนเป็น Uber หรือ AirBNB ของอุตสาหกรรมการบริหารสินทรัพย์ ยกตัวอย่างเช่น social trading ซึ่งเป็นแพลตฟอร์มที่อนุญาตให้นักลงทุนสามารถเห็นและลอกเลียน (copy) การซื้อขายของนักลงทุนคนอื่น ๆ ที่ประสบความสำเร็จบนแพลตฟอร์มได้ อีกตัวอย่างหนึ่งคือ robo investing ซึ่งเป็นแพลตฟอร์มที่สร้างและปรับสมดุลพอร์ต (rebalance) ให้เองโดยอัตโนมัติ

วิวัฒนาการเฟสปัจจุบันของการบริหารจัดการสินทรัพย์ยังคงดำเนินต่อไป Algorithm trading (การเทรดแบบใช้อัลกอริทึม) กำลังถูกพัฒนาไปสู่อีกขั้นที่เหนือกว่าโดยการนำ A.I. และ Big Data เข้ามาประยุกต์ใช้

A.I. คืออะไร

A.I. – artificial intelligence (ปัญญาประดิษฐ์) เป็นคำที่มักถูกใช้สลับกันกับ machine learning, deep learning, neural networks หรือแม้กระทั่ง fuzzy logic แต่อันที่จริงนั้น machine learning เป็นแขนงย่อยหนึ่งของ A.I. และ deep learning ก็เป็นแขนงย่อยหนึ่งของ machine learning อีกที คำว่า A.I. ไม่ได้มีการบัญญัติความหมายไว้อย่างชัดเจน แต่โดยทั่วไปมักจะหมายถึงวิทยาศาสตร์และวิศวกรรมศาสตร์ที่อยู่เบื้องหลังของเครื่องหรือโปรแกรมที่สามารถตัดสินใจได้อย่างชาญฉลาด (make intelligent decisions)

Machine learning หมายถึงโปรแกรมที่สามารถเรียนรู้เพื่อปรับปรุงตัวเองให้มีการตัดสินใจที่ดีขึ้นได้ ในขณะที่ deep learning และ neural networks จะเป็นการนำหลักการทางคณิตศาสตร์และวิทยาศาสตร์ที่ซับซ้อนมากยิ่งขึ้นมาใช้ใน machine learning  แต่ไม่ว่าจะจำกัดความคำเหล่านี้กันอย่างไรก็ตาม วิธีการของ A.I. ส่วนใหญ่ก็คือการหาความสัมพันธ์ (ทั้งแบบเส้นตรง และไม่เป็นเส้นตรง) ระหว่างจุดข้อมูลต่าง ๆ เพื่อที่จะนำมาใช้ในการตัดสินใจ วิธีการคือนำข้อมูลในอดีตมาเรียนรู้และหารูปแบบ (patterns) เพื่อที่จะนำมาตัดสินใจ (make decisions) หรือทำนายอนาคต (make predictions)

โดยส่วนใหญ่แล้วอัลกอริทึมที่ใช้ A.I. จะต้องมีการคำนวณที่หลากหลายบนปริมาณข้อมูลที่มากมาย วิวัฒนาการของ A.I. ในอดีตที่ผ่านมานั้นจึงถูกจำกัดด้วยพลังการคำนวณของคอมพิวเตอร์ที่มีไม่เพียงพอ แต่ในสองสามทศวรรษที่ผ่านมาล่าสุดนี้ พลังการคำนวณของคอมพิวเตอร์ได้เติบโตขึ้นอย่างทบต้นทวีคูณ ทำให้ในปัจจุบันแม้แต่ A.I. ที่ซับซ้อนมาก ๆ ก็ยังแทบที่จะสามารถรันบนคอมพิวเตอร์ตั้งโต๊ะธรรมดา ๆ เพียงเครื่องเดียวได้เลย

และถึงแม้จะใช้อัลกอริทึมประเภทไหน หรือว่าพลังในการประมวลผลที่มากมายเพียงไร แต่ความสามารถในการทำนาย/ตัดสินใจของอัลกอริทึมก็จะยังขึ้นอยู่กับสองปัจจัยหลัก ๆ คือ 1. ข้อมูลจะต้องมี pattern หรือความสัมพันธ์อะไรบางอย่างอยู่ และ 2. ปริมาณของข้อมูลที่ใช้จะต้องใหญ่เพียงพอ กล่าวคือ ปริมาณของข้อมูล ประเภทของข้อมูล และคุณภาพของข้อมูล นั้นเป็นปัจจัยหลักที่สำคัญของการสร้าง A.I. ซึ่งนี่เป็นจุดที่ทำให้ Big Data เข้ามามีบทบาทอย่างมีนัยสำคัญ

Big Data คืออะไร

Big Data เป็นคำที่ใช้กล่าวถึงกระบวนการในการรวบรวม เก็บรักษา จัดการ และวิเคราะห์ชุดข้อมูลขนาดใหญ่ เทคโนโลยีสมัยใหม่ได้ก่อให้เกิดข้อมูลปริมาณมหาศาลในอัตราเร่งที่เพิ่มขึ้น ถ้าดูจากข้อมูลทั้งหมดที่มีอยู่ ณ ปัจจุบัน กว่า 90% ได้ถูกสร้างขึ้นใน 2 ปีที่ผ่านมานี้เอง โดยในต้นปี 2018 แต่ละวันจะมีข้อมูลถูกสร้างขึ้นใหม่ในปริมาณมากถึง 2.5 ล้านล้านล้าน (คำว่า “ล้าน” 3 ครั้ง!) ไบต์ (quintillion bytes) และตัวเลขนี้นับวันก็มีแต่จะเพิ่มขึ้นไปเรื่อย ๆ

ข้อมูลที่น่าจะมีประโยชน์ที่นำมาใช้ได้ ได้ถูกสร้างขึ้นบนสื่อ social media บน Google บนอุปกรณ์มือถือ และอุปกรณ์อื่น ๆ ที่รวมไปถึงยานยนต์ โดรน และกล้องถ่ายรูป แหล่งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างเหล่านี้ สามารถนำมาใช้ในการวิเคราะห์ Big Data เพื่อใช้ทำนายและตัดสินใจสิ่งต่าง ๆ ได้ในหลากหลายอุตสาหกรรม

ชุดข้อมูลขนาดใหญ่เหล่านี้ต้องมีการจัดการ (ซึ่งจัดเป็นอีกหนึ่งสายงานได้เลย) ตามด้วยการประมวลผลโดยใช้ซอฟต์แวร์ Big Data และพลังการคำนวณที่มหาศาล การจัดการที่ดีร่วมกับซอฟต์แวร์ A.I. ที่มีประสิทธิผลจะสามารถสกัดเอาองค์ความรู้ (insights) ที่ไม่เคยมีมาก่อนออกมาจากข้อมูลได้ สายงานเทคโนโลยี Big Data ได้เติบโตขึ้นอย่างรวดเร็วไปพร้อม ๆ กันกับ A.I. สาเหตุก็เนื่องมาจากปริมาณแหล่งข้อมูลที่เติบโตขึ้น และการนำไปประยุกต์ใช้ในเครื่องจักรและโปรแกรมอัตโนมัติที่มากมายหลากหลายขึ้น

ชุดข้อมูลขนาดใหญ่เหล่านี้ต้องมีการจัดการ (ซึ่งจัดเป็นอีกหนึ่งสายงานได้เลย) ตามด้วยการประมวลผลโดยใช้ซอฟต์แวร์ Big Data และพลังการคำนวณที่มหาศาล การจัดการที่ดีร่วมกับซอฟต์แวร์ A.I. ที่มีประสิทธิผลจะสามารถสกัดเอาองค์ความรู้ (insights) ที่ไม่เคยมีมาก่อนออกมาจากข้อมูลได้ สายงานเทคโนโลยี Big Data ได้เติบโตขึ้นอย่างรวดเร็วไปพร้อม ๆ กันกับ A.I. สาเหตุก็เนื่องมาจากปริมาณแหล่งข้อมูลที่เติบโตขึ้น และการนำไปประยุกต์ใช้ในเครื่องจักรและโปรแกรมอัตโนมัติที่มากมายหลากหลายขึ้น

A.I. และ Big Data เข้ามาเปลี่ยนแปลงอุตสาหกรรมการบริหารจัดการสินทรัพย์ (asset management)อย่างไร

ความเข้าใจผิดที่มักจะพบบ่อยในเรื่อง A.I. กับการลงทุน คือ คอมพิวเตอร์จะเข้ามาแทนที่มนุษย์ โดยจะทำงานแทนในสิ่งที่มนุษย์เคยทำอยู่เดิมทั้งหมด ตรงนี้เป็นเรื่องจริงแค่เพียงบางส่วนเท่านั้น แต่ในความเป็นจริงแล้ว ถ้าเรานำ A.I. มาใช้กับแหล่งข้อมูลใหม่ ๆ จะทำให้เกิดวิธีการใหม่ ๆ สิ่งใหม่ ๆ ในอุตสาหกรรมการลงทุน ที่ต่างไปจากเดิมโดยสิ้นเชิง ในบทความนี้ ถึงแม้ว่าเราจะโฟกัสไปที่การประยุกต์ใช้ A.I. เพื่อเลือกหลักทรัพย์ลงทุนและเพื่อบริหารจัดการพอร์ต แต่ A.I. ก็ยังถูกนำไปใช้ในการดำเนินงานบริหารจัดการลูกค้าสัมพันธ์ (CRM – Client Relationship Management) และใช้ในการประเมินลักษณะความเสี่ยง (risk profile) และความต้องการของลูกค้าอีกด้วย

หุ่นยนต์แนะนำการลงทุน (robo advisors) เป็นหนึ่งตัวอย่างของการใช้ A.I. เพื่อช่วยค้นหาความต้องการของลูกค้า A.I. ยังได้ถูกใช้ในการบริหารจัดการข้อมูล (data management) อีกด้วยเนื่องจากปริมาณข้อมูลของลูกค้าได้เติบโตเพิ่มมากขึ้น ส่วนในเรื่องของการใช้ A.I. เพื่อลงทุนนั้น วัตถุประสงค์หลัก ๆ เลยก็คือการหารูปแบบ (patterns) หรือความสัมพันธ์ (relationships) ระหว่างราคาหุ้นกับปัจจัยอื่น ๆ ซึ่งถ้ายึดตามวิธีการลงทุนแบบดั้งเดิมนั้น “ปัจจัยอื่น ๆ” ที่ว่านี้จะหมายถึง ข้อมูลพื้นฐานธุรกิจ การเงิน และเศรษฐกิจ เท่านั้น แต่เมื่อนำ Big Data เข้ามาใช้แล้ว “ปัจจัยอื่น ๆ” นี้สามารถที่จะเป็นอะไรก็ได้ไม่มีที่สิ้นสุด

ยกตัวอย่างเช่น ภาพถ่ายจากดาวเทียมสามารถนำมาใช้ติดตามดูจำนวนรถยนต์ที่เข้ามาจอดในห้างสรรพสินค้า (เพื่อนับจำนวนลูกค้าเข้า-ออกห้างในแต่ละวันได้) ข้อมูลจากเว็บข่าวและจากบนแพลตฟอร์ม social media ต่าง ๆ สามารถนำมาวิเคราะห์เพื่อวัดอารมณ์ความรู้สึกของผู้คน (sentiment) ที่มีต่อหุ้นตัวหนึ่ง ๆ ได้ เทรนด์การ search บนอินเตอร์เน็ต และ traffic การเข้าชมเว็บไซต์ต่าง ๆ สามารถนำมาใช้ทำนาย/ติดตามดูพฤติกรรมของผู้บริโภคได้ ข้อมูลต่าง ๆ เหล่านี้สามารถนำมาใช้หาความสัมพันธ์ง่าย ๆ ที่เป็นที่รู้จักกันอยู่ก่อนแล้วก็ได้ (obvious relationships) แต่ในหลาย ๆ ครั้ง รูปแบบ (patterns) ที่เราไม่เคยรู้ ไม่เคยคาดคิดมาก่อน ที่ซ่อนอยู่ในข้อมูลนี่แหล่ะคือ สิ่งที่มีมูลค่ามหาศาลที่อาจจะไม่สามารถมองเห็นได้ง่าย ซึ่งรูปแบบ (patterns) เหล่านี้สามารถถูกสกัดออกมาได้ด้วย A.I.

Fear & Greed Index – A Sentiment Indicator

ผู้จัดการกองทุนเชิงรุกแบบดั้งเดิมจะลงทุนโดยยึดตามหลักทฤษฎี (theory-based) ที่เชื่อมโยงกันระหว่างราคาหุ้นกับการดำเนินงานของบริษัท แต่ในอีกฝั่งหนึ่ง การลงทุนแบบ quant จะเป็นแบบ evidence-based กล่าวคือการตัดสินใจลงทุนจะยึดตามโมเดลที่ถูกสร้างขึ้นมาตามหลักฐานข้อมูล (empirical evidence) จากเหตุการณ์ที่ได้เกิดขึ้นแล้วจริง ๆ แทนการยึดตามสิ่งที่ผู้คน (ที่สร้างทฤษฎีขึ้นมา) คิดว่ามันจะเกิดขึ้น การลงทุนแบบ quant ยังได้เน้นย้ำถึงความสำคัญของความเข้าใจถึงเรื่องความน่าจะเป็น (probabilities) สิ่งใด ๆ บนโลกนี้ล้วนแล้วแต่ไม่แน่นอน แต่ถ้ากลุ่มตัวอย่างมีขนาดที่ใหญ่พอ ก็จะมีความน่าจะเป็นที่ค่อนข้างเสถียร การใช้ A.I. และ Big Data จะเป็นตัวช่วยเสริมพลังของการใช้โมเดลแบบ evidence-based และการเทรดบนพื้นฐานของความน่าจะเป็น

บริษัทบริหารจัดการสินทรัพย์ในปัจจุบันกำลังเผชิญการแข่งขันกับบริษัท fintech ที่ใช้วิธีการใหม่ ๆ ที่แตกต่างไปอย่างสิ้นเชิงในการบริหารจัดการพอร์ตและเงินทุน กลยุทธ์การลงทุนที่ดีที่ใช้แหล่งข้อมูลกรรมสิทธิ์ของบริษัทเอง (proprietary) และไม่ได้เปิดเผยให้แก่สาธารณะ จะเป็นสิ่งที่มีคุณค่ายิ่ง ดังนั้นในปัจจุบันผู้บริหารกองทุนขนาดใหญ่จึงกำลังพยายามสร้างแหล่งชุดข้อมูลกรรมสิทธิ์ของตนเองขึ้นมาเพื่อสร้างมูลค่าเพิ่ม

ข้อได้เปรียบของกลยุทธ์การเทรดที่เน้นใช้ A.I. เป็นหลัก

ผู้จัดการกองทุนเชิงรุกแบบดั้งเดิมจะตัดสินใจลงทุนโดยอาศัยทฤษฎีที่บอกว่าราคาหุ้นจะเคลื่อนไหวอย่างไรถ้าอนาคตของบริษัทและเศรษฐกิจเป็นไปในลักษณะต่าง ๆ ซึ่งการใช้ทฤษฎีนั้นจะใช้อย่างไร และใช้ทฤษฎีใดบ้างก็ขึ้นอยู่กับแต่ละบุคคล ไม่สามารถทดสอบความถูกต้องได้ แต่ในสายงาน A.I. และการลงทุนแบบ quant นั้นจะตัดสินใจลงทุนโดยอาศัยหลักฐานข้อมูลจากเหตุการณ์ที่เกิดขึ้นจริง ซึ่งเป็นวิธีที่มีหลักเกณฑ์ทางวิทยาศาสตร์มากกว่าการใช้แค่ทฤษฎีแต่เพียงอย่างเดียว วิธีนี้ช่วยส่งเสริมการลงทุนให้มีความแน่นอนมากขึ้น และทำให้เรามีความเข้าใจความสัมพันธ์ระหว่างความเสี่ยงและผลตอบแทนที่ดีขึ้นได้

จุดเริ่มต้นของ A.I. และ Big Data ช่วยให้การลงทุนนั้นสามารถที่จะตัดสินใจโดยอาศัยข้อมูลได้จากหลากหลายแหล่งมากกว่าแหล่งข้อมูลที่เคยใช้อยู่โดยวิธีการลงทุนแบบดั้งเดิม และที่ยิ่งไปกว่านั้นคือข้อมูลใหม่ที่หลากหลายนี้สามารถเข้าถึงได้แบบทันทีตลอดเวลา (real time) ไม่เหมือนกับข้อมูลดั้งเดิมจำพวกงบการเงิน ที่จะถูกเผยแพร่แค่รายสัปดาห์ รายเดือน หรือรายไตรมาสเท่านั้น 

อัลกอริทึมสามารถประมวลผลข้อมูลได้รวดเร็วมาก ทำให้เราสามารถวิเคราะห์ข้อมูลได้ในปริมาณที่มากขึ้น ตัดสินใจได้เร็วขึ้น และทำให้กระบวนการทั้งหมดมีต้นทุน (ต่อหุ้น) ที่ถูกลง ผลที่ตามมาก็คือกองทุนสามารถที่จะขยายขอบเขตและโอกาสในการลงทุนได้กว้างขึ้น อีกประเด็นสุดท้ายที่อยากจะกล่าวถึงก็คือ ศาสตร์ของพฤติกรรมทางการเงิน (behavioral finance) ได้พิสูจน์ให้เราเห็นแล้วว่านักลงทุนไม่ได้มีเหตุมีผล 100% ตามที่แนวคิดความมีประสิทธิภาพของตลาด (efficient market) ได้กล่าวเอาไว้ให้เราเชื่อในวิชาการเงิน ความไม่มีเหตุมีผล 100% ของนักลงทุนนี้เองที่ทำให้หลาย ๆ ครั้งเกิดความผิดปกติและโอกาสในการลงทุน ซึ่ง A.I. จะมาช่วยเราค้นหาโอกาสเหล่านี้ได้

ตัวอย่างของการใช้ A.I. และ Big Data ต่อการบริหารจัดการสินทรัพย์ (asset management)

Catana Capital เป็นตัวอย่างบริษัทหนึ่งที่ใช้ A.I. และ Big Data มาบริหารจัดการกลยุทธ์การ long/short (ซื้อ/ขาย) หลักทรัพย์ กองทุน Data Intelligence Fund (หนึ่งในกองทุนของ Catana Capital) ใช้กลยุทธ์การ long/short โดยอาศัยข้อมูลที่ถูกรวบรวมด้วยวิธีประมวลผลภาษาธรรมชาติ (NLP – Natural Language Processing) จากเว็บไซต์แหล่งข่าวการเงิน และข้อมูลจาก social media ต่าง ๆ การลงทุนโดยใช้ A.I. มากำหนดกลยุทธ์จะประสบความสำเร็จหรือไม่นั้นขึ้นอยู่กับคุณภาพของข้อมูลที่ใช้ เหตุนี้เองทำให้ Catana Capital พยายามที่จะรวบรวมข้อมูลที่เกี่ยวข้องจากหลากหลายแหล่งให้มากที่สุดเท่าที่จะเป็นไปได้

Data Intelligence Fund managed by Catana Capital

ข้อมูลที่ใช้นี้ถูกรวบรวมมาจากข่าว งานวิจัย บทวิเคราะห์ ปฏิทินกิจกรรมต่าง ๆ และเนื้อหาข้อความจาก social networks โดยข้อมูลจาก social media อย่าง Twitter, Reddit และ StockTwits นั้นถูกสร้างขึ้นมาอย่างมากมายตลอดเวลา จุดนี้เองที่ มีผู้จัดการกองทุนอยู่เพียงไม่กี่รายเท่านั้นที่สามารถนำข้อมูลเหล่านี้มาใช้ได้อย่างมีประสิทธิผล

นอกจากจะรวบรวมข้อมูลโดยใช้ NLP แล้ว อัลกอริทึมยังเฝ้าติดตามกว่า 45,000 หลักทรัพย์ทั่วโลก แถมยังมีอีกอัลกอริทึมที่ใช้ machine learning มาค้นหาความสัมพันธ์ระหว่างราคาหุ้น กับ สิ่งที่ผู้คนกำลังพูดถึงและเหตุการณ์สำคัญต่าง ๆ ที่เกี่ยวข้องกับหุ้นตัวนี้ จากนั้นก็จะนำความสัมพันธ์ที่ค้นพบนี้มาทำนายราคา และหาสัญญาณเพื่อจับจังหวะเข้าซื้อ/ขายหุ้น

มุมมองต่ออนาคตของการบริหารจัดการสินทรัพย์ (asset management)

การบริหารสินทรัพย์จะยังคงมีวิวัฒนาการต่อไปในอีกหลายด้าน ซึ่งรวมไปถึงผลิตภัณฑ์การลงทุนใหม่ ๆ วิธีบริหารจัดการพอร์ตในรูปแบบใหม่ และวิธีบริหารจัดการลูกค้าสัมพันธ์ (client relationships) ในรูปแบบใหม่อีกด้วย สิ่งหนึ่งที่เรามั่นใจว่าจะได้เห็นแน่นอนก็คือ software จะเข้ามามีบทบาทมากขึ้นในการเฟ้นหา alpha ที่มีความซับซ้อนขึ้นเรื่อย ๆ และเนื่องจากการลงทุนที่ใช้กลยุทธ์ A.I. นี้กำลังดึงดูดเม็ดเงินเข้ามามากขึ้นเรื่อย ๆ จึงส่งผลให้บริษัทต่าง ๆ จะต้องปรับตัวเข้าหาสิ่งนี้มากยิ่งขึ้น ผลลัพธ์ก็คือ เราน่าจะได้เห็นผลิตภัณฑ์การลงทุนใหม่ ๆ ที่เน้นใช้กลยุทธ์ A.I. เพิ่มขึ้น 

บริษัทที่พยายามค้นหาข้อมูลใหม่ ๆ พัฒนาวิธีการใหม่ ๆ ในการใช้ A.I. ให้ดีขึ้นอยู่เสมอเท่านั้นที่จะอยู่รอด นี่จะกลายเป็นอุตสาหกรรมที่มีไว้สำหรับผู้เชี่ยวชาญเท่านั้น และผู้ที่คิดว่า A.I. เป็นเพียงเรื่องแปลกใหม่ที่ผู้คนก็แค่เห่อกันเพียงชั่วครู่ชั่วคราว ก็จะถูกไล่เบี้ยให้ออกจากอุตสาหกรรมนี้ไป

ที่มา

บทความนี้ถูกแปลมาจาก https://catanacapital.com/blog/impact-ai-big-data-asset-management/

แปลโดย อิสระพงศ์ เอกสินชล
ตรวจทานและปรับปรุงโดย นนทวิทย์ ชีวเรืองโรจน์

Data Scientist
Government Big Data Institute (GBDi)

Recommended Posts