Taking too long? Close loading screen.

ผลกระทบของ A.I. และ Big Data ต่อการลงทุน และอุตสาหกรรม การบริหารจัดการสินทรัพย์

Jul 19, 2021

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

Isarapong Eksinchol, PhD

Data Scientist Government Big Data Institute (GBDi)

Nontawit Cheewaruangroj, PhD

Project Manager and Senior Data Scientist at Government Big Data Institute (GBDi)

Sign up to join Big Data Community Thailand

Make comments, write articles, and contribute to our community.