กับดักของรายละเอียดในตลาดหุ้น

หลังจากที่ผมเคยได้พูดอยู่บ่อยๆรวมถึงได้เขียนบทความ “เหตุใดระบบการลงทุนของคุณจึงควรง่ายเข้าไว้?” ผ่านมาสัก 2 ปีเห็นจะได้ หลังๆมานี้ก็เห็นหลายๆคนเริ่มมีความเข้าใจถึงข้อดีของความง่ายของระบบกันมากขึ้น แต่ในอีกมุมหนึ่งก็ยังมีคนที่สงสัยและติดใจว่าเราไม่จำเป็นต้องสนใจปัจจัยอื่นๆอีกมากมายด้วยจริงๆหรือ? วันนี้เลยขอกลับมาเขียนภาคต่อของบทความนี้ เพื่อให้หลายๆคนที่ยังไม่คุ้นกับการวิจัยตลาด หรือทดสอบระบบการลงทุนได้เห็นภาพกันชัดเจนยิ่งขึ้นครับ

ความเดิมตอนที่แล้ว

ในบทความภาคแรกนั้นผมได้พยายามชี้ให้เห็นไปแล้วว่าสูตรวิเคราะห์ที่พิสดารหรือการเพิ่ม Indicator เป็นกระบุงเข้าไปในระบบของคุณเพื่อการ Confirm นั้นมักไม่ได้ช่วยให้อะไรดีขึ้นมาสักเท่าไหร่ นั่นก็เพราะสิ่งที่คุณทำเป็นเพียงการจับรายละเอียดของราคาหุ้นมากจนเกินไป (Overfitting) จนทำให้ผลกำไรที่ได้มาจากการทดสอบระบบเป็นเพียงภาพลวงตาที่เกิดขึ้นจากการที่ระบบบังเอิญไปลงรอยกับรายละเอียดปลีกย่อยหรือ Noise ในข้อมูล ซึ่งไม่มีคุณค่าในการพยากรณ์ถึงการเคลื่อนไหวของราคาหุ้นจริงๆออกมา

ผมเองเชื่อว่าสำหรับคนที่เคยได้ทำการวิจัยตลาดหรือ Backtest ระบบมาแล้วอย่างโชกโชนคงไม่ใช่เรื่องที่น่าประหลาดใจหรือเข้าใจได้ยากอะไรนัก อย่างไรก็ตามสำหรับคนที่พึ่งเริ่มศึกษาการสร้างและทดสอบระบบการลงทุน รวมถึงคนที่ยังไม่เคยได้มีโอกาสเกี่ยวข้องกับกระบวนการตรงนี้อาจเป็นเรื่องที่เข้าใจได้ … แต่ยังไม่เห็นภาพกันอย่างชัดเจนสักเท่าไหร่นัก ดังนั้นในวันนี้ผมจะแสดงให้เห็นถึงตัวอย่างและผลกระทบจากการที่คุณมัวแต่ไปจับรายละเอียดเล็กๆน้อยๆของราคาหุ้นกันอย่างชัดเจนยิ่งขึ้นครับ

สถานการณ์สมมติ

เพื่อที่จะแสดงตัวอย่างให้พวกเราได้เห็นภาพกันอย่างชัดเจนนั้น ผมจะขอสมมติสถานการณ์สุดฮิตต่อจากในบทความที่แล้ว ซึ่งถือเป็นตัวแทนของความเม่าและหลงผิดในการทำการ Backtesting ขึ้นมาสักเล็กน้อย

โดยสมมติว่าหลังจากในบทความที่แล้วนั้นนายเม่าได้กลับไปศึกษาหลักการวิเคราะห์ทางเทคนิคเพิ่มเติมมาอีกสักพักหนึ่ง เขาได้เรียนรู้รูปแบบการเคลื่อนไหวของราคา (Price Pattern) รวมถึง Indicator ต่างๆมาเพิ่มเติมอีกพอสมควร เขาได้ค้นพบจากคำแนะนำว่าการเคลื่อนไหวของราคาหุ้น (Price Action) คือสิ่งที่มีการตอบสนองอย่างไวที่สุดต่อการเคลื่อนไหวของตลาด แต่ต้องใช้ Indicator ต่างๆช่วยยืนยัน และการใช้ Idicator ต่างๆนั้นจะใช้แบบมั่วๆก็ไม่ได้ เพราะ Indicator แต่ละประเภทแต่ละตัวนั้นจะมีประโยชน์ที่แตกต่างกันไป การใช้ Indicator ซ้ำซ้อนกันก็อาจไม่ช่วยอะไร ดังนั้นเขาจึงควรที่จะเลือกใช้ Indicator แต่ละชนิดประกอบกันเพื่อทำให้การวิเคราะห์นั้นสมเหตุสมผลยิ่งขึ้น

ภาพที่ 1: ชนิดของ Indicator แบ่งตามลักษณะของการวัด (Credit-Futuresmag.com)

สำหรับเรื่องของ Indicator นั้น นายเม่าได้เรียนรู้มาว่า Indicator นั้นมีอยู่ 4 ชนิดใหญ่ๆ แต่ละชนิดประกอบไปด้วย Indicator เป็นร้อยๆตัว เขาจึงตัดสินใจที่จะนำ Indicator ยอดฮิตที่ดูจะมี Logic ในการออกแบบที่ดูเข้าท่ามาอย่างละตัวสองตัว เพื่อที่จะใช้ประกอบการวิเคราะห์ราคาหุ้นของเขา

ทฤษฎีของนายเม่า

หลังจากที่เขาได้คาดการณ์ถึงชุดรวม Frame work ของ Indicator ที่น่าจะตอบโจทย์การหาจังหวะในการซื้อขายหุ้นของเขาได้แล้วนั้น นายเม่าได้ทำการบ้านอย่างหนักเพื่อพิสูจน์ความคิดของเขาโดยการเปิดกราฟหุ้นที่ให้ผลตอบแทนสูงๆแต่ละตัวเพื่อสังเกตุออกมาว่าก่อนที่มันจะวิ่งขึ้นไปนั้น Indicator ต่างๆนั้นมีลักษณะการอย่างไรกัน (ในสถานการณ์นี้ผมจะสมมติว่านายเม่าพยายามจะใช้กราฟช่วยหาจังหวะและเลือกหุ้นที่จะให้ผลตอบแทนสูงๆ) และในที่สุดหลังจากการนั่งมองกราฟหุ้นตัวจี้ดๆแทบจะทั้งตลาดเป็นเวลาหลายสัปดาห์แล้ว เขาก็ได้จดบันทึกสิ่งต่างๆที่น่าจะเป็นปัจจัยร่วมของพวกมันไว้ แล้วก็ได้ข้อสรุปคร่าวๆออกมาดังนี้

ภาพในด้านล่างนี้ก็คือหุ้นหนึ่งในดวงใจตัวหนึ่งที่นายเม่าเชื่อว่า Character ของมันสามารถที่จะนำไปสู่หุ้นที่จะให้ผลตอบแทนสุดยอดๆตัวต่อไปได้อีกเรื่อยๆ

ภาพที่ 2 : หุ้นในดวงใจจากการค้นคว้าสังเกตุกราฟราคาและ Indicator ต่างๆย้อนหลังในช่วงที่พึ่งผ่านมา

(ความซับซ้อนของระบบอยู่ในระดับปานกลาง สังเกตจากที่คุณจะรู้สึกว่าดูกราฟแล้วไม่ปวดตับเท่าไหร่)

ผลลัพท์ของความพยายาม

ในคราวนี้เราจะมาดูกันต่อว่าหลังจากที่คุณเม่าได้สร้างสูตรเด็ดของเขาขึ้นมาเรียบร้อยแล้วนั้น ผลลัพธ์ของมันจะเป็นอย่างไรกันบ้าง โดยผมจะขอสมมติต่อไปอีกหน่อยว่าเขามีเพื่อนชื่อนายเมพ ซึ่งพอที่จะทำการ Backtesting เป็นบ้างแบบงูๆปลาๆแต่ก็มีน้ำใจเพียงพอที่จะช่วยเพื่อนโดยไม่คิดอะไร และนี่ก็คือผลลัพธ์การ Backtest ที่นายเมพทดสอบให้กับนายเม่าย้อนหลังไปประมาณ 1 ปี (ผมขอสมมติระยะเวลาเพียงเท่านี้เพื่อให้คล้ายกับสถานการณ์จริงที่หลายๆคนยังทำการ Backtesting ไม่ค่อยเป็น ดังนั้นจึงต้องกะจากความรู้สึกหรือทำบัญชีย้อนหลังด้วยมือตัวเอง)

ภาพที่ 3 : ลักษณะการเติบโตของเงินทุนและค่าอัตราส่วนสำคัญของระบบ

ระหว่าง 1/6/2012 – 1/6/2013 (In-Sample Performance)

ในที่สุดแล้วเมื่อผลการ Backtest ออกมานายเม่าก็ต้องถึงกับตะโกนออกมาว่า What a Crap!! นั่นก็เพราะผลลัพธ์ของมันดูเป็นที่น่าพอใจสำหรับนายเม่าเป็นอย่างมาก และมันยังสามารถเอาชนะผลตอบแทนจากดัชนี SET Index ที่่ 37.47% ได้อย่างขาดลอย โดยเขาพบว่าจากสัญญาณซื้อขายที่เขาได้ค้นคว้ามานั้น หากเทรดคราวละ 10% ของพอร์ท (แบ่งเงินเป็น 10 กอง) จะให้ผลกำไรในปีที่ผ่านมาถึงกว่า 51% โดยมี Maximum Drawdown เพียง –7.2% เท่านั้น นี่คิดเป็นค่า Reward to Risk (MAR Ratio) ที่กว่า 7.16 เท่าเลยทีเดียว นอกจากนี้อัตราความแม่นยำหรือ %Win ยังสูงมากๆถึง 86.67% อีกด้วย ตัวเลขเหล่านี้ทำให้นายเม่ามีความสุขและภูมิใจกับผลการค้นคว้าของเขาเอามากๆ เพราะนี่หมายถึงว่าความ โค-ตะ-ระ รวยกำลังจะตกอยู่ในมือของเขาในไม่ช้า!

กับดักของรายละเอียดในตลาดหุ้น (Overfitting Effect)

คำถามก็คือคุณคิดว่าผลการลงทุนของนายเม่าในอนาคตจะเป็นอย่างไร, เขาจะสามารถร่ำรวยจากระบบการลงทุนของเขาอย่างมหาศาลได้หรือไม่, และระบบการลงทุนที่เขาออกแบบนั้นมีประสิทธิภาพสักแค่ไหน?

คำถามเหล่านี้สามารถตอบสั้นๆคำเดียวได้เลยครับว่า เขามีโอกาสสูงมากๆที่จะต้องผิดหวังจากความคาดหวังที่สูงจนเกินไป เพราะสิ่งที่เกิดขึ้นเป็นเพียงผลจากการพยายามสร้างเงื่อนไขบางอย่างขึ้นกับข้อมูล In-Sample Data ที่คุณได้เห็นรายละเอียดของมันไปแล้ว … ซึ่งมันก็คือสิ่งที่เรียกว่ากับดักของรายละเอียดหรือ Overfitting Effect นั่นเอง

เพื่อที่จะให้คุณได้เห็นถึงความหมายของสิ่งที่ผมกำลังพูดถึงอยู่นั้น ในภาพและตารางด้านล่างนี้คือผลลัพธ์เมื่อผมเอาระบบของนายเม่าไปทำการทดสอบกับฐานข้อมูลที่อยู่นอกเหนือจากฐานข้อมูลเดิม (Out of Sample) โดยในคราวนี้ผมจะใช้ฐานข้อมูลในช่วงที่ไม่ซ้อนทับกับช่วงเวลาที่พึ่งผ่านมา นั่นก็คือตั้งแต่วันที่ 1/6/2000 – 1/6/2012 ซึ่งกินเวลา 12 ปีโดยประมาณ และนี่ก็คือผลลัพธ์ที่ออกมาครับ

ภาพที่ 4 : ลักษณะการเติบโตของเงินทุนและค่าอัตราส่วนสำคัญของระบบ

ระหว่าง 1/1/2000 – 1/1/2012 Out of Sample Performance

จากภาพที่เห็นนั้น สำหรับคนทั่วๆไปแล้วในแว่บแรกก็อาจจะรู้สึกว่า … “ก็ไม่เห็นจะเป็นอะไรนี่นา! เพราะผลตอบแทนก็ยังชนะ SET Index อยู่ดี” แต่นี่แหละครับที่เป็นเหตุผลที่ว่าทำไมผมจึงเรียกมันว่า “กับดัก” นั่นก็เพราะมันมักจะหลอกตาคนที่เข้าใจผลลัพธ์ของมันอย่างผิวเผินเสมอ

หากคุณสังเกตให้ดีคุณจะพบว่าผลลัพธ์การ Backtest ระบบในส่วนที่อยู่นอกเหนือข้อมูลเดิมนั้น (Out of Sample) มีความผิดเพี้ยนไปจากผลลัพธ์จากผลการทดสอบในฐานข้อมูลที่ใช้วิจัยอยู่พอสมควร (In-Sample Data) โดยในกรณีนี้ในเบื้องต้นเราจะพบว่าอย่างน้อยที่สุดแล้ว ผลกำไรต่อปีหรือ CAR กลับลดลงเหลือแค่เพียงที่ 9.83% จากเดิมที่ 51.61% ต่อปี ส่วนค่า %Win ของระบบก็กลับลดลงมาเหลืออยู่ที่ 43.31% จากเดิมที่ 86.67% เท่านั้น

อันที่จริงแล้วสาเหตุที่ทำให้ผลลัพธ์จากระบบในข้อมูล Out of Sample นั้นผิดเพี้ยนไปจากข้อมูลใน In-Sample Data ที่เราใช้ทดสอบในคราวแรกนั้นมีมาได้จากหลายประการ (เช่น Data Mining Bias, Crime of Small Numbers, Backtesting Time Window, System Complexity … etc. ซึ่งวันหลังมีโอกาสจะเขียนให้อ่านแบบละเอียดๆอีกทีครับ) อย่างไรก็ตามในเบื้องต้นนี้ เราจะสังเกตได้เลยว่านายเม่านั้นตกเป็นเหยื่อของตลาดด้วยสาเหตุหลักๆก็คือ

1. ความหลงผิดจากจำนวนกลุ่มตัวอย่างที่น้อยเกินไป (Crime of Small Numbers) ซึ่งเราจะเห็นได้ว่าผลลัพธ์จากการ Backtest ใน In-Sample Data รอบแรกนั้น เขามีจำนวนผลการเทรดอยู่เพียง 15 ครั้งเท่านั้นจากการที่มีเงื่อนไขในการ Entry เข้มงวดเกินไปรวมถึงกำหนดระยะเวลาในการ Backtest สั้นเกินไป ซึ่งในทางสถิติแล้วจำนวนการเทรดที่เขามีนั้นถือว่าน้อยเกินไปเป็นอย่างมากในการที่จะสามารถสรุปผลลัพธ์ของระบบในอนาคตได้ (น้อยเกินไปที่เราจะสรุปลักษณะของ Population จาก Sample ที่เรามี)

2. ความหลงผิดจากสภาวะตลาดในช่วงที่ทำการ Backtest (Backtesting Time Window) โดยเราจะเห็นได้ว่านายเม่ามีสายตาที่สั้นจนเกินไป เขาหลงผิดโดยการนำเอาผลลัพธ์จากเฉพาะช่วยเวลาที่ตลาดเป็นขาขึ้นมาสรุปผล ซึ่งผลการทดสอบไม่ได้ครอบคลุมไปถึงช่วงเวลาที่ตลาดเป็นช่วงออกข้าง (Sideway) และเป็นขาลง เข้ามาอยู่ในการทดสอบ

3. ความหลงผิดจากการจับรายละเอียดของตลาดมากจนเกินไป (Overfitting) ในข้อสุดท้ายนี้ผมกำลังจะทำให้พวกเราได้เห็นว่าด้วยความเชื่อของนายเม่าที่ว่ายิ่งระบบซับซ้อนมากเท่าไหร่ หรือยิ่ง Indicator ต่างๆยืนยันกันมากเท่าไหร่ ผลลัพธ์ก็น่าที่จะดีขึ้นเท่านั้นเป็นสิ่งที่ไม่จริงเสมอไป! โดยขอให้พิจารณาจากภาพและตารางด้านล่างนี้อีกครั้งหนึ่ง

ภาพที่ 4 : เปรียบเทียบลักษณะการเติบโตของเงินทุนและค่าอัตราส่วนสำคัญของระบบต่างๆ

ระหว่าง 1/1/2000 – 1/1/2012 Out of Sample Performance

จากภาพและตารางด้านบนนั้น คุณจะเห็นได้ว่าความเชื่อของนายเม่ารวมถึงคนส่วนใหญ่นั้นเป็นสิ่งที่ไม่จริงเสมอไป และในหลายๆกรณีแล้วถือเป็นสิ่งที่ผิดได้เลยด้วยซ้ำ! เราจะเห็นได้ว่าระบบผลจากการตัดเงื่อนไขตัวแปรหรือ Indicator ต่างๆทิ้งไปบ้างนั้นส่งผลอย่าง … มหาศาล!!

จากตัวอย่างที่ผมได้ทำการทดสอบระบบในข้อมูล Out of Sample ให้ดูนั้น คุณจะเห็นว่าการลดระดับเงื่อนไขหรือระดับความเรื่องมากในการเข้าซื้อจาก 9 กฏลงมาเหลือเพียงแค่ 4 กฏนั้น (# Entry Rules) ส่งผลให้ผลตอบแทน CAR, Max System Drawdown และค่า MAR Ratio (CAR/MDD) จากระบบอยู่ในระดับที่ดีที่สุด นั่นก็เพราะมันเพียงพอแล้วกับการจับภาพใหญ่หรือคุณลักษณะร่วมที่แท้จริงของการเคลื่อนไหวของราคาหุ้น โดยที่ไม่ไปเข้มงวดจนเบียดเบียนให้ประสิทธิภาพของระบบลดลงนั่นเอง

คุณต้องเข้าใจว่าถึงแม้ตลาดหุ้นนั้นมักที่จะซ้ำรอยในภาพใหญ่ แต่ตลาดนั้นมักมีรายละเอียดปลีกย่อยหรือ “เปลือก” ที่เปลี่ยนแปลงไปอยู่เสมอ ระบบหรือกลยุทธ์การลงทุนที่ใส่ใจในรายละเอียดหยุมหยิมเล็กน้อยมากเกินไปมักที่จะทำให้คุณหลงผิดจับเอา Noise ของราคาหุ้นมาอยู่ในระบบและแผนการของคุณเอาไว้ สิ่งนี้เองส่งผลให้เมื่อตลาดเกิดการเปลี่ยนแปลงในรายละเอียดของมันไปตามช่วงเวลา ระบบซึ่งมีกฏเข้มงวดมากเกินไปจะไม่สามารถรองรับการเปลี่ยนแปลงที่เกิดขึ้นได้ และจะค่อยๆตายลงหากว่ามันไม่มีกฏที่สามารถจะจับเอาแก่นสารของตลาดเอาไว้ได้จริงๆ

ในทางกลับกันแล้วคุณจะเห็นได้ว่าระบบที่ไม่เข้มงวดเลยนั้นก็อาจส่งผลเสียให้กับคุณได้เช่นกัน โดยในกรณีนี้นั้นคุณจะพบว่าเมื่อตัดเงื่อนไขการ Entry เข้าทำเหลือเพียง 2 ตัว ระบบ System 3 กลับให้ Performance ที่ลดลงจาก System 2 นั่นก็เพราะมันได้ทำการตัดเอากฏซึ่งสำคัญกับระบบออกไป โดยตัดเอาส่วนของ Long Term Trend Filter ซึ่งก็คือการที่เส้น MA 20 วันต้องอยู่เหนือเส้น MA 100 วัน เพื่อให้ระบบเล่นเฉพาะสัญญาณที่เกิดขึ้นในแนวโน้มขาขึ้นใหญ่เท่านั้น นอกจากนี้แล้วระบบยังตัดส่วนของการเลือกสรรค์ Trading Universe หรือตะกร้ากรองหุ้นของระบบออกไปอีกด้วย

ภาพที่ 5 : เปรียบเทียบค่า MAR Ratio (CAR/MDD) จากระบบต่างๆซึ่งทำให้เห็นผลลัพธ์ของการ Underfit, Optimal Fit และ Overfit ระบบการลงทุนกับฐานข้อมูล

อย่างไรก็ตาม เราจะเห็นได้ว่าทุกระบบไม่ว่าจะ Underfit, Optimal Fit หรือ Overfit ก็ยังสามารถที่จะเอาชนะผลตอบแทนแบบ Buy & Hold ของ SET Index ซึ่งเป็น Benchmark เปรียบเทียบของเราได้อยู่พอสมควร สาเหตุก็เพราะอย่างน้อยที่สุดแล้ว ตัวแก่น Channel Breakout ซึ่งเปรียบเสมือนกระดูกสันหลังของระบบก็ยังมีประสิทธิภาพเพียงพอที่จะนำพาให้ทุกระบบสามารถทำกำไรชนะตลาดได้ นอกจากนี้แล้วข้อสังเกตที่ผมอยากจะฝากเอาไว้อีกอย่างหนึ่งก็คือ ความเข้าใจที่ว่า “สุดท้ายแล้วตลาดหุ้นจะขึ้นในระยะยาว” ก็อาจไม่ใช่สุภาษิตแบบ Safe Heaven อย่างที่หลายคนคิด เพราะสิ่งที่ค่า MAR Ratio ได้บอกกับเราก็คือคุณต้องแบกรับต้นทุนความเสี่ยงของ Drawdown เพื่อให้ได้มาซึ่งผลตอบแทนที่สูงมากๆอยู่ที่ 0.11 เท่าหรือพูดง่ายๆก็คือหากคุณดันเข้ามาติดอยู่บนยอดดอยพอดี คุณอาจต้องใช้เวลาโดยเฉลี่ยถึง 7 ปีในการที่จะกลับมาคืนทุนเลยทีเดียว ดังนั้นแล้วคำว่าระยะยาวจึงอาจจะยาวนานมากกว่าที่คุณคิด และนั่นก็มักจะทำให้หลายๆคนทนไม่ไหวยอมแพ้ไปเลยเสียด้วยซ้ำ

ความเรียบง่ายคือคำตอบในเชิงปฏิบัติ

เอาล่ะครับสำหรับวันนี้ผมก็ขอจบบทความเพียงเท่านี้ก่อนที่จะยาวเกินไป แถมท้ายสำหรับคนที่สงสัยว่าแล้วเราจะพอมีวิธีไหมในการที่จะทดสอบความเสถียรและความ Overfit ของระบบการลงทุน? คำตอบสั้นๆก็คือมี! ด้วยการทำ Robustness Test เพียงแต่อาจต้องใช้ความรู้ความเข้าใจ, เวลา, ความพยายาม และการเรียนรู้การเขียนโปรแกรมบางอย่างเพิ่มเติมอีกสักหน่อยก็จะสามารถทำได้ครับ (วันหลังเดี๋ยวจะเขียนให้อ่านต่อครับ)  แต่ในเบื้องต้นนี้ก็หวังว่าทุกคนจะได้เข้าใจและเห็นภาพว่าอัตรายของการ Overfitting ระบบเป็นอย่างไร และทำไมความเรียบง่ายจึงมีเสน่ห์ของมันในตลาดหุ้นที่มีรายละเอียดเปลี่ยนแปลงไปอยู่ตลอดเวลา อย่าหลงผิดติดกับดักของการที่ว่าคุณต้องรอให้ทุกอย่างมันยืนยันกันเสมอ เพราะสุดท้ายแล้วคำตอบของคุณจะตกอยู่กับเงื่อนไขที่เกิดขึ้นได้ช้าและยากที่สุดแต่อาจไม่จำเป็นที่สุดก็ได้

คุณคงจะได้เห็นกันแล้วว่าความเรียบง่ายไม่ใช่เพียงแค่คำที่มีไว้พูดเท่ห์ๆเท่านั้น แต่มันคือคำตอบในเชิงปฏิบัติในสถานการณ์ที่ซับซ้อนและเปลี่ยนแปลงไปอย่างรวดเร็ว นอกจากนี้แล้วผมยังอยากให้หลายๆคนลองคิดดูอีกมุมหนึ่งว่า ความจริงแล้วตัวแปรเงื่อนไขหรือ Indicator ที่เราใช้ในการตัดสินใจนั้น ยิ่งน้อยแล้วยิ่งได้ผลมากก็ยิ่งดี เพราะมันหมายถึงว่ามันมีประสิทธิภาพในตัวของมันเองจริงๆ ถ้าระบบของเราจะต้องใช้เงื่อนไขหรือ Indicator เยอะเป็นสิบๆตัวก็โยนมันทิ้งไปบ้างเถอะครับ เพราะนั่นแปลว่ามันแทบไม่มีมูลค่าอะไรเลยด้วยตัวของมันเองเลย มิหนำซ้ำยังอาจไปจับเอาพวกสัญญาณขยะหรือ Noise ใน Data Set  แล้วหลงผิดคิดว่าเป็นทองไปก็ได้ครับ!

ปล.1 ระบบต่างๆที่นำมาทดสอบมีจุดประสงค์เพียงเพื่ออธิบายถึง Overfitting Effect ในระดับจำนวนของกฏการลงทุนเท่านั้น ผมจึงตัดปัจจัยในเรื่องของการ Optimization และ Money Management ออกไป คุณจึงไม่ควรนำไปใช้โดยไม่รู้และเข้าใจ Profile ในเชิงลึกของระบบเด็ดขาด นอกจากนี้แล้วบางท่านอาจสงสัยว่าผมใช้ Universe เป็น SET100 จะเหมาะสมหรือไม่เพราะตัวหุ้นที่อยู่ใน SET100 เปลี่ยนไปทุกๆปี ในกรณีนี้นั้นผมต้องขอบอกว่าผมใช้เพื่อเป็นตัวอย่างง่ายๆเท่านั้น ซึ่งในความเป็นจริงถึงแม้หุ้นใน SET100 จะวนไปวนมา แต่เราก็ควรที่จะมีเงื่อนไขบางอย่างที่กำหนดขึ้นมาเพื่อสร้าง Trading Universe ของเราเองครับ

ปล.2 หลายคนสงสัยว่าการ Curve-Fitting ต่างกับคำว่า Over-Fitting หรือไม่อย่างไร? คำตอบก็คือคำว่า Curve-Fitting นั้นเป็นศัพท์ที่มักใช้เกี่ยวกับการสร้างแบบจำลองหรือสมการถดถอยที่ไม่เป็นเชิงเส้น (Non-linear Regression) เพื่อหา Series ที่ Fit กับ Data Points ในฐานข้อมูลที่สุด ส่วนคำว่า Over-fitting นั้นเป็นคำที่เกิดมาจากวิชาสถิติสาขา Machine Learning ซึ่งหมายความว่าระบบนั้นมีประสิทธิภาพในการวิเคราะห์หาปัจจัยร่วมที่ค่อนข้างแย่ (Generalize Poorly) นอกจากนี้แล้วมันยังสามารถมีความหมายในทางตรงข้ามเช่น Underfitting และ Optimal fit หรือ Good fit ได้อีกด้วย ดังนั้นคำว่า Overfitting จึงเหมาะสมที่จะใช้กับการสร้างระบบการลงทุนมากกว่าคำว่า Curve-fitting นั่นเอง

แมงเม่าคลับ.คอม หนังสือหุ้นน่าอ่าน, วิธีการเล่นหุ้น, การวิเคราะห์หุ้นทางเทคนิค, จิตวิทยาการลงทุน และการบริหารเงินทุน Money Management