Big Data Analytics กับการลงทุนแบบ Quant

*บทความนี้ แปลและดัดแปลงมาจากบทความบน LinkedIn ที่เขียนโดย Peter Hafez ซึ่งเป็น Chief Data Scientist บริษัท RavenPack

ผู้แปลไม่มีส่วนได้ส่วนเสียกับผู้เขียนและ RavenPack แต่อย่างใด

ในงาน “Battle of the Quants” ปี 2017 ที่ New York นั้นผู้เขียน (Peter Hafez) ได้บรรยายเรื่อง “Exploiting Alternative Data in the Investment Process” ข้อเสนอแนะที่ได้รับจากงานนั้น ทำให้ผู้เขียนอยากที่จะแชร์ความเห็นเพิ่มเติมว่า มีอะไรบ้างที่จะช่วยให้ประสบความสำเร็จในการลงทุนแบบ quant ในยุคปัจจุบัน

RavenPack (บริษัทที่ Peter Hafez ทำงานอยู่) เป็นหนึ่งในบริษัทที่คลุกคลีอยู่ในวงการการลงทุนแบบ quant มาเกือบ 15 ปี และได้ตระหนักเห็นในจุดเด่นของการลงทุนแบบ quant มาโดยตลอด รายงานของ TABB Group กล่าวว่ากองทุน hedge funds ที่เน้นการลงทุนแบบ quant (quantitative hedge funds) ในยุคปัจจุบันนี้นั้นโดยรวมแล้วมีปริมาณการเทรด (ซื้อ ขาย) หุ้นเป็นสัดส่วนที่สูงถึง 27% ของมูลค่าทั้งหมด ซึ่งสูงกว่านักลงทุนและกองทุนสถาบันการลงทุนประเภทอื่น ๆ เมื่อนำปัจจัยนี้มาผนวกร่วมกันกับการเติบโตของปริมาณข้อมูล digital อย่างมหาศาล และปริมาณเงินที่ไหลเข้ามาลงทุนในกองทุน quants ที่เพิ่มมากขึ้นเรื่อย ๆ ด้วยแล้วนั้น ยิ่งทำให้เห็นว่า วงการการลงทุนได้มีการเปลี่ยนแปลงไปแล้วอย่างมีนัยสำคัญ ส่งผลให้มีแรงกดดันต่อผู้ที่ยังใช้วิธีการลงทุนแบบเดิม ๆ (traditional quantitative investors) ให้ต้องปรับตัว ปรับเปลี่ยนวิธีการลงทุนกันขนานใหม่ให้ประสบความสำเร็จ

ปริมาณข้อมูลกำลังเติบโตขึ้นอย่างรวดเร็วมหาศาล

90% ของข้อมูล digital ทั่วโลกทั้งหมดที่มีอยู่ ณ วันนี้เพิ่งถูกสร้างขึ้นใน 2 ปีที่ผ่านมานี้เอง

จากรายงานของ IDC (International Data Corporation) กล่าวว่า 90% ของข้อมูล digital ทั่วโลกทั้งหมดที่มีอยู่ ณ วันนี้เพิ่งถูกสร้างขึ้นใน 2 ปีที่ผ่านมานี้เอง ซึ่งในข้อมูลเหล่านี้ 80% เป็นข้อมูลแบบไม่มีโครงสร้าง (unstructured content) จึงทำให้เกิดโอกาสอย่างมหาศาลสำหรับนักลงทุนในการหาสิ่งใหม่ ๆ มาสร้างผลตอบแทน (new alpha sources) ให้เหนือตลาดได้มากกว่าการลงทุนแบบที่ใช้กันในอดีตหลายปีที่ผ่านมา ที่ใช้เพียงปัจจัยเชิงพื้นฐานและข้อมูลตลาดแบบดั้งเดิม ซึ่งเริ่มมีประสิทธิภาพที่ลดลงเรื่อย ๆ

แหล่งข้อมูลทางเลือกใหม่ ๆ นี้มีตั้งแต่ ข้อมูลธุรกรรมบัตรเครดิต ข้อมูลดาวเทียม ข้อมูลสาธารณะที่สร้างขึ้นจากกลุ่มคนจำนวนมาก ข้อมูลตำแหน่งการเดินทาง และ ข้อมูลอารมณ์ความรู้สึก (sentiment) ของผู้คนใน social media ฯลฯ

ในสมัยก่อนนั้น กองทุนส่วนใหญ่ที่มีวิสัยทัศน์ มักจะทำให้ตัวเองได้เปรียบเหนือคู่แข่งในด้านข้อมูลด้วยวิธีการจ้างทีมตามล่าหาข้อมูลใหม่ ๆ ที่น่าสนใจรอบโลก เพื่อนำมาใช้ประกอบการตัดสินใจลงทุน อย่างไรก็ดี เมื่อวันเวลาผ่านไป ตลาดนี้เริ่มพัฒนาขึ้นมาจนถึงจุดอิ่มตัว มีงานวิจัยและบทความมากมายตีพิมพ์นำเสนอข้อมูลต่าง ๆ ที่ครอบคลุมรอบด้านมากขึ้น ผู้ลงทุนทุกคนเข้าถึงข้อมูลได้เหมือน ๆ กัน จึงทำให้เกมการลงทุนนั้นแทบไม่มีความได้เปรียบในด้านการเข้าถึงข้อมูลอีกต่อไป

การซื้อข้อมูลที่ไม่เปิดเผยต่อสาธารณะนั้นจะทำให้เราอยู่เหนือชั้นนักลงทุนคนอื่นมั้ย ?

ในปัจจุบันนี้ ความเหนือชั้นนั้นไม่สามารถเกิดขึ้นได้จากการที่เราเพียงแค่มีข้อมูลชุดใดชุดนึงที่คนอื่นไม่มีอีกต่อไปแล้ว แต่ความเหนือชั้นนั้นจะเกิดขึ้นจาก ความสามารถในการประมวลผลของข้อมูลต่าง ๆ ที่ทุกคนมีอยู่เหมือนกัน ได้อย่างมีประสิทธิภาพเหนือผู้อื่น ความคิดที่ว่า ถ้าคุณมีข้อมูลบางอย่างอยู่เพียงผู้เดียว แล้วจะทำให้คุณจะได้เปรียบคู่แข่งนั้น เป็นความคิดที่ตกยุคไปเสียแล้ว (เว้นเสียแต่ว่าคุณเป็นหนึ่งใน Alphabet Facebook Amazon Apple และ Microsoft) เพราะถึงแม้ว่าเราจะสามารถเข้าถึงชุดข้อมูลใดชุดหนึ่งที่ไม่เปิดเผยต่อสาธารณะได้ แต่ก็อาจจะยังมีข้อมูลสาธารณะอื่น ๆ อีกมากมายที่สามารถสกัดเอาความรู้ที่เหมือนกันออกมาได้อยู่ดี ยกตัวอย่างเช่น ทั้งข้อมูลการใช้บัตรเครดิต ข้อมูลการเคลื่อนที่และสถานที่ของผู้คนต่างก็สามารถนำมาใช้พยากรณ์รายได้ของบริษัทได้ เป็นต้น สุดท้ายแล้วข้อมูลต่าง ๆ ที่ใช้สำหรับการลงทุนส่วนใหญ่นั้น จะเน้นไปที่ชุดข้อมูลที่สามารถสกัดเอาปัจจัยเชิงพื้นฐานออกมาได้

ความเหนือชั้นนั้นจะเกิดขึ้นจาก ความสามารถในการประมวลผลของข้อมูลต่าง ๆ ที่ทุกคนมีอยู่เหมือนกัน ได้อย่างมีประสิทธิภาพเหนือผู้อื่น

วิธีเอาชนะตลาด (alpha) นั้นได้เปลี่ยนไปแล้ว!

ตามที่ได้กล่าวไปข้างต้น ชี้ให้เราเห็นได้ว่า big data และการปฏิวัติวงการ quant นั้นได้เปลี่ยนแปลงวิธีการเอาชนะตลาดไปอย่างมีนัยสำคัญ ดังที่แสดงให้เห็นถึงปริมาณข้อมูลและจำนวนชุดข้อมูลที่มีการเพิ่มขึ้นอย่างรวดเร็วในรูปข้างล่างนี้

เมื่อเทียบกับยุคปี 1950-1970s ที่ในขณะนั้นการลงทุนให้ชนะตลาด (alpha) สามารถอธิบายได้ด้วยปัจจัยแค่เพียงไม่กี่ปัจจัยที่มักไม่ค่อยเปลี่ยนแปลง แต่ในวันนี้กลับมีหลายร้อยหลายพันปัจจัยที่มีผลต่อการขับเคลื่อน alpha (ผลตอบแทนที่เหนือตลาด) และปัจจัยส่วนใหญ่ก็มักจะเกิดขึ้นแค่ในระยะสั้น ๆ เท่านั้น สิ่งเหล่านี้สร้างแรงกดดันให้แก่กองทุนต่าง ๆ อย่างมากมาย เพราะ มันทำให้พวกเขาต้องเปิดรับข้อมูลในปริมาณที่มากขึ้นเพื่อที่จะยังคงสามารถเติบโตต่อไปได้ หรืออย่างน้อยก็ขอเพียงแค่ยังรักษาผลตอบแทนให้เหมือนเดิมได้ก็ดีพอแล้ว แต่ที่กดดันยิ่งไปกว่านั้นก็คือ การที่ปัจจัยต่าง ๆ แต่ละปัจจัยมีผลต่อ alpha น้อยลง แต่มีจำนวนหลายปัจจัย หลายชุดข้อมูลมากขึ้น ทำให้กองทุนเหล่านี้ต้องหาวิธีสกัดเอาสัญญาณ alpha ออกมาให้ได้ด้วยต้นทุนในอัตรา (ราคาต่อหนึ่งชุดข้อมูล) ที่ถูกลง เพราะจะต้องใช้จำนวนชุดข้อมูลที่มากขึ้นเพื่อให้ได้ alpha ที่เท่าเดิม

สงครามแก่งแย่งคนเก่งนั้นจะยังคงดำเนินต่อไป…

การจะลงทุนให้ประสบความสำเร็จได้นั้น กลายเป็นเกมเชิงตัวเลขไปเสียแล้ว ถ้าจะพูดในภาษาที่คนทั่วไปใช้กันก็คือ เราจำเป็นที่จะต้องใช้พลังการคำนวณของคอมพิวเตอร์ที่สูงขึ้น พื้นที่เก็บข้อมูลที่ใหญ่ขึ้น และที่ขาดไม่ได้เลยก็คือ data scientists ที่มีฝีมือ แต่เราก็ยังไปไม่ถึงจุดที่ง่ายสุด ๆ ขั้นที่เพียงแค่โยนข้อมูลเข้า AI ปุ๊บก็จะได้สัญญาณ alpha ออกมาปั๊บ (ผู้เขียนเองก็ยังไม่คิดว่าเราจะไปถึงจุดนั้นในเร็ว ๆ นี้ครับ)

จึงทำให้เกิดความท้าทายเพิ่มขึ้นมาอีกหนึ่งอย่าง คือ กองทุนต่าง ๆ จะต้องทำยังไงให้สามารถรวบรวม data scientists ได้เพียงพอที่จะสามารถสกัดเอา alpha ออกมาจากข้อมูลได้ ซึ่งแน่นอนว่ามันไม่ใช่แค่ในวงการการเงินเท่านั้นที่ต้องการจ้าง data scientists เป็นจำนวนมาก อุตสาหกรรมอื่น ๆ ก็อยากใช้ data scientists เช่นกัน ทำให้สงครามแก่งแย่งคนเก่งนั้นมีความดุเดือดจริง ๆ

เราจำเป็นที่จะต้องใช้พลังการคำนวณของคอมพิวเตอร์ที่สูงขึ้น พื้นที่เก็บข้อมูลที่ใหญ่ขึ้น และที่ขาดไม่ได้เลยก็คือ data scientists ที่มีฝีมือ

ในทุกวันนี้ การมองหาคนเก่ง ๆ จากแค่ในเขตพื้นที่เล็ก ๆ ที่กองทุนตั้งอยู่คงไม่เพียงพออีกต่อไปแล้ว เราจำเป็นที่จะต้องเสาะแสวงหา รวบรวมคนสุดเทพมาจากทั่วทุกมุมโลก เพื่อที่จะได้อยู่เหนือชั้นผู้อื่นทั้งหมด วิธีการที่มีความสร้างสรรค์ในการรวบรวมคนเก่ง ๆ หลากหลายวิธีได้ถูกคิดค้นขึ้นมาในสมรภูมินี้ ยกตัวอย่างเช่น Worldquant (หนึ่งในกองทุน hedge funds) ได้ใช้วิธีเปิดออฟฟิศเพิ่มขึ้นในหลากหลายประเทศเพื่อรวบรวมคนเก่ง ๆ จากทั่วทุกมุมโลก และในกองทุนอื่น ๆ อย่าง Two Sigma และ Winton Capital ก็ได้จัดให้มีการแข่งขันเขียนโค้ดบน Kaggle อยู่บ่อยครั้งเพื่อที่จะเฟ้นหา ดึงตัวคนเก่งจากอุตสาหกรรมอื่น ๆ เข้ามาทำงานด้วย

หา alpha โดยใช้คนจำนวนมากมาช่วยกันแบบสาธารณะ (crowd-sourced) ดีมั้ย ?

หลายกองทุน เช่น Numerai, Quantaics และ Quantopian ได้ใช้วิธีที่แตกต่างออกไปจากที่กล่าวไว้ข้างบน วิธี (business model) ของพวกเขาก็คือ เปิด platform สาธารณะให้คนจำนวนมากมาช่วยกัน (crowd-sourcing) ตามหา alpha เพื่อที่จะส่งต่อให้ hedge funds นำสัญญาณ alpha ไปใช้ในการลงทุน วิธีนี้ช่วยประหยัดต้นทุนในการวิเคราะห์ข้อมูล เพราะพวกเขา (กองทุน hedge funds เหล่านี้) เพียงแค่ต้องเปิด platform เปิดข้อมูล และเปิดระบบทดสอบประสิทธิภาพย้อนหลัง (back testing) ให้ผู้คนเข้ามาใช้ฟรีเพื่อหวังให้ data scientists เก่ง ๆ เข้ามาหาสัญญาณ alpha ให้แก่พวกเขาฟรี ๆ

แต่ถึงแม้ว่าวิธีนี้จะดูน่าสนใจ อย่างไรก็ตาม ยังติดปัญหาและมีคำถามหลายประการ หนึ่งในคำถามนั้นก็คือว่า data scientists สมัครเล่นที่เข้ามาใช้ platforms เหล่านี้จะมีฝีมือสู้นักลงทุนมืออาชีพได้หรือ ? ยกตัวอย่างเช่น กองทุน Quantopian ที่มีผู้เข้ามาใช้งาน platform มากถึง 130,000 กว่าคน แต่ก็มีเพียง 50 คน จากใน 130,000 คนนี้เท่านั้นที่ Quantopian กล้าพอที่จะใส่เงินลงทุนให้พวกเขาลองเอาไปบริหารได้ ก็ไม่แน่ครับ ในอนาคต จำนวนคนเก่ง ๆ ที่เข้ามาใช้ platforms ก็อาจจะเพิ่มขึ้นเกิน 50 คนก็เป็นได้ แต่ก็ยังถือว่าเป็นจำนวนที่น้อยอยู่ดี ซึ่งเหตุผลนี้ทำให้วิธี crowd-sourcing ดูไม่น่าจะดีไปกว่าการจ้างคนเก่ง ๆ มืออาชีพให้เข้ามาทำงานในกองทุนเลยดีกว่า

จะทำยังไงให้บริษัทที่ขายข้อมูลต่าง ๆ เหล่านี้ ยอมที่จะเปิดเผยข้อมูลให้แก่ผู้คนจำนวนมากสาธารณะใน crowd-sourced platform ในราคาที่ไม่แพง ?

และเนื่องจากกองทุน hedge funds ที่ใช้วิธี crowd-sourcing นั้นจะต้องซื้อข้อมูลจากบริษัทขายข้อมูล เพื่อนำข้อมูลเหล่านี้มาเปิดสาธารณะให้ผู้คนใน platform ได้เข้าถึงเพื่อวิเคราะห์หา alpha ทำให้มีความท้าทายตามมาคือ จะทำยังไงให้บริษัทที่ขายข้อมูลต่าง ๆ เหล่านี้ ยอมที่จะเปิดเผยข้อมูลให้แก่ผู้คนจำนวนมากสาธารณะใน crowd-sourced platform ในราคาที่ไม่แพง ? Numerai (หนึ่งในกองทุน hedge funds) ได้ทดลองแก้ปัญหานี้ด้วยการแปลง (encrypt) โจทย์และข้อมูลด้านการเงินทั้งหมดให้อยู่ในรูปของโจทย์และข้อมูลประเภทอื่นที่ผู้ใช้ไม่สามารถรู้ได้ว่าเกี่ยวข้องกับด้านการเงิน กล่าวคือ เอาข้อมูลที่แปลงแล้วไปตั้งโจทย์ data science ใหม่ที่ไม่เกี่ยวข้องกับการเงิน แล้วให้ผู้ใช้ใน crowd-sourced platform เข้ามาเล่นแข่งกันโดยที่พวกเขาไม่รู้ว่ากำลังเล่นกับข้อมูลการเงินอยู่ ข้อเสียของวิธีนี้ก็คือ ด้วยความที่ผู้ใช้ไม่รู้ว่าตัวเองกำลังเล่นอยู่กับข้อมูลด้านการเงิน จึงใช้เพียงสถิติบริสุทธิ์ (pure statistics) ในการวิเคราะห์ข้อมูลเท่านั้น ทำให้เสียโอกาสที่จะนำความรู้ทางด้านการเงินมาผสมผสาน มาประยุกต์ใช้วิเคราะห์ข้อมูลการเงินเพื่อสกัดเอา alpha ออกมาได้โดยตรง

ในระยะยาวแล้ว ผู้เขียนก็ยังอยากเห็นว่า crowd-sourced hedge funds เหล่านี้จะยังไปได้ดีอยู่มั้ย หรือว่าจะเกิดปรากฏการณ์สมองไหล ที่คนเก่ง ๆ จะทยอยย้ายไปทำงานให้กับกองทุนที่มีเงินหนา ๆ อย่าง Worldquant และ Two Sigma แทน เพราะในปัจจุบันนี้กองทุน crowd-sourced hedge fund ที่ดีที่สุดก็ยังมีขนาดเพียงแค่ 250 ล้านเหรียญดอลลาร์สหรัฐเท่านั้น ซึ่งเล็กมากเมื่อเทียบกับทั้งอุตสาหกรรมที่มีขนาดเป็นล้านล้านเหรียญดอลลาร์สหรัฐ แต่ก็น่าสนใจครับที่ Worldquant เองก็ได้พัฒนา crowd-sourced platform ของตัวเองขึ้นมาเช่นกันเพื่อ เผื่อไว้ในกรณีที่ crowd-sourced platforms ทั่วโลกดันไปได้ดี พุ่งกระฉูดขึ้นมา Worldquant ก็จะไม่ตกรถครับ

แปลงข้อมูลที่ไม่มีโครงสร้าง (unstructured) ให้มีโครงสร้าง (structured): จะลงมือทำเองเลยหรือควรจ้างคนอื่นทำแทนดี ?

มาถึงตรงนี้ เรายังไม่ได้คุยกันเลยครับว่า มีอะไรบ้างที่จำเป็นต้องใช้ในการแปลงข้อมูลแบบไม่มีโครงสร้าง (unstructured) ให้มีโครงสร้าง (structured) ซึ่งกระบวนการแปลงข้อมูลเหล่านี้เราจะมองว่าเป็นขั้นตอนที่เป็นอิสระจากขั้นตอนการสกัดข้อมูลเพื่อหาสัญญาณ alpha ครับ คำถามก็คือว่า เราควรที่จะแปลงข้อมูลเองหรือจ้างคนอื่นมาทำแทนดี ? ผู้เขียนจะขอไม่ลงลึกในรายละเอียดเพราะว่าผู้เขียนเอง (ซึ่งทำงานใน RavenPack ซึ่งเป็นผู้ให้บริการแปลงข้อมูลให้มีโครงสร้าง) นั้นมี bias อย่างแน่นอน แต่อย่างไรก็ดี ผู้เขียนก็อยากที่จะกล่าวเน้นในสิ่งสำคัญที่ผู้อ่านควรพิจารณาก่อนที่จะลงมือพัฒนา NLP (Natural Language Processing) เอง สิ่งที่จะต้องคำนึงถึงก็คือ

- โครงสร้างพื้นฐาน IT: ในขั้นตอนนี้จะต้องใช้เงินลงทุนค่อนข้างมากเพื่อที่จะได้ระบบที่สามารถรองรับข้อมูลไม่มีโครงสร้าง (unstructured) ในปริมาณมากได้ ถึงแม้ปัจจุบันจะมีระบบคลาวด์ (cloud) มาช่วยอำนวยให้สามารถขยายขนาดความจุข้อมูลและระบบประมวลผลได้สะดวกยิ่งขึ้น แต่ก็ยังคิดเป็นต้นทุนที่ค่อนข้างสูงอยู่ดี

- การทำความสะอาดข้อมูล (และการซ่อมบำรุง): คุณภาพของข้อมูลถือเป็นสิ่งที่สำคัญ คุณอาจจะอึ้งตะลึงได้กับหลากหลายปัญหาที่คุณจะเจอ ตั้งแต่ encoding ที่ไม่ดี การไม่มีย่อหน้าหรือเว้นวรรค การสะกดคำผิด การลงเวลาผิดบิดเบือน ข้อมูลย้อนหลังแหว่งหายไป metadata ไม่ดี เป็นต้น และถ้าเกิดระบบล่มในตอนกลางดึกแล้วคุณจะโทรตามช่างที่ไหนมาแก้ไขให้ดีครับ ?

- การบำรุงรักษาข้อมูลอ้างอิง: อีกหนึ่งงานที่สำคัญที่จะทำให้ข้อมูลใด ๆ สามารถนำมาใช้ในการลงทุนได้ก็คือ เราต้องสามารถบอกได้ว่าข้อมูลชุดนั้นเกี่ยวข้องกับหุ้นตัวไหน ตราสารตัวใดบ้าง วิธีทำก็คือเราต้องเชื่อมโยงข้อมูลชุดนี้กับ named entities ที่เกี่ยวข้องทั้งหมดโดยที่ต้องคำนึงถึงเรื่องเวลาด้วย เพราะ entities ต่าง ๆ นั้นเปลี่ยนไปตามวันเวลา คือ บริษัทต่าง ๆ อาจถูกควบรวมกิจการ หรืออาจจะปิดกิจการไป องค์กรรัฐอาจบางแห่งอาจเปลี่ยนชื่อ ผู้คนตายจากหายไป เป็นต้น และข้อมูลการเปลี่ยนแปลง entities เหล่านี้ก็ไม่ได้มีขายแยกกันเสียด้วยสิ

- สร้างทีมที่ชำนาญด้าน NLP: ซึ่งก็ต้องใช้เวลาและเงินทุนมหาศาล คุณจะต้องจ้างคนเก่งที่ตรงกับงาน และนอกจากนั้นแล้ว NLP ก็ยังมีส่วนที่เป็นศิลป์มากพอสมควรผสมอยู่กับส่วนที่เป็นวิทย์ และถึงแม้ว่า word2vec จะเป็น algorithm ที่ดีที่น่าประทับใจ แต่มันก็ไม่ได้เป็นสิ่งที่รับประกันว่าคุณจะประสบความสำเร็จใน finance นะครับ (ผู้เขียนได้ลองใช้มันเองกับมือแล้ว !) มาถึงตรงนี้ คุณยังอยากที่จะสู้ในศึกสงครามแก่งแย่งดึงตัวคนเก่งอยู่อีกหรือ ?

และถ้าเกิดระบบล่มในตอนกลางดึกแล้วคุณจะโทรตามช่างที่ไหนมาแก้ไขให้ดีครับ ?

บทสรุป อะไรบ้าง ที่จะทำให้เราประสบความสำเร็จในสมรภูมินี้

เราได้ครอบคลุมเนื้อหาไปเยอะพอสมควร แต่ก็ยังมีอีกหลายคำถามที่ผู้เขียนยังไม่ได้ตอบ เช่น เราจะนำสัญญาณ alpha ต่าง ๆ มาผนวกรวมกันอย่างไรให้เป็นกลยุทธ์การลงทุนโดยรวม เราจะบริหารจัดการความเสี่ยงอย่างไร และจะใช้อะไรในการส่งคำสั่งซื้อขาย ฯลฯ การจะตอบคำถามเหล่านี้ได้นั้นจะต้องใช้การวิเคราะห์ที่นอกเหนือไปกว่าที่บทความนี้ได้ครอบคลุมถึง จึงขอเก็บไว้คุยกันในคราวหน้าครับ มาถึงตรงนี้ก็ขอสรุปละกันครับว่า มีอะไรบ้างที่จะต้องทำ 1 2 3 4 เพื่อให้ประสบความสำเร็จในการลงทุนแบบ quant โดยใช้ big data analytics:

1. เสพข้อมูลให้มากที่สุดเท่าที่เป็นไปได้ เอาเฉพาะข้อมูลที่มีผลต่อการลงทุนนะครับ

2. จ้าง RavenPack เลยครับ (บริษัทของผู้เขียนเอง โฆษณาเอง นักเลงพอ :D) เราช่วยแปลงข้อมูลที่ไม่มีโครงสร้างให้มีโครงสร้าง

3. รวบรวม data scientists เก่ง ๆ ที่สามารถทำ AI เจ๋ง ๆ ได้ เอาที่แบบว่า โยนข้อมูลเข้าไปปุ๊บ ได้ alpha ออกมาปั๊บ

4. ถ้าทำทั้ง 3 ข้อนี้ได้แล้วก็ กำไรแน่นอนครับ !

อ่านบทความที่น่าสนใจเกี่ยวกับ Big Data ได้ที่