วิเคราะห์เปรียบเทียบการใช้แมชชีนเลิร์นนิ่งในการเลือกหุ้นในตลาดหลักทรัพย์แห่งประเทศไทย (SET)

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาเปรียบเทียบการใช้เครื่องมือแมชชีนเลิร์นนิ่ง ในรูปแบบที่แตกต่างกัน ได้แก่ K-mean clustering, Hierarchy clustering, Affinity propagation clustering, Random Forest Model เปรียบเทียบกับการใช้ Low-correlation strategy ในการเลือกหุ้นสร้างกลุ่มหลักทรัพย์ (Portfolio) ในตลาดหลักทรัพย์แห่งประเทศไทย (SET) โดยให้น้ำหนักหุ้นแต่ละตัวเท่า ๆ กัน (Equally weighted) มีตัวชี้วัดคืออัตราผลตอบแทนต่อความเสี่ยง (Sharp ratio) โดยใช้ข้อมูลราคาปิดที่ปรับปรุงแล้ว (Adjusted Close) และข้อมูลอัตราส่วนทางการเงินจำนวน 6 อัตรา ได้แก่ อัตราผลตอบแทนต่อสินทรัพย์รวม (ROA), อัตราส่วนผลตอบแทนผู้ถือหุ้น (ROE), อัตรากำไรสุทธิ (Net Profit Margin), อัตราส่วนกำไรต่อหุ้น (EPS), อัตราผลตอบแทนจากเงินปันผล (Dividend Yield), อัตราส่วนหนี้สินต่อส่วนผู้ถือหุ้น (D/E Ratio) ตั้งแต่วันที่ 1 มกราคม พ.ศ. 2563 ถึง วันที่ 31 ธันวาคม พ.ศ. 2565 รวมทั้งสิ้น 3 ปี เพื่อใช้ในการทำ In-sample period และข้อมูลราคาปิดที่ปรับปรุงแล้ว ตั้งแต่วันที่ 1 มกราคม พ.ศ. 2566 ถึง วันที่ 31 ธันวาคม พ.ศ. 2566 รวมทั้งสิ้น 1 ปี เพื่อใช้ในการทำ In-sample forecast จากการศึกษาวิจัยพบว่าในช่วง In-sample period การใช้แมชชีนเลิร์นนิ่ง เพื่อเลือกหุ้น ทั้ง Unsupervised Learning และ Supervised Learning สามารถสร้างพอร์ตโฟลิโอที่มีค่า Sharp ratio สูงกว่าการเลือกหุ้นด้วย Low-correlation Strategy โดยพอร์ตโฟลิโอจาก Random Forest Model มีค่า Sharp ratio อยู่ที่ 1.08 ซึ่งมากที่สุดจากทุกพอร์ตโฟลิโอ ส่วนพอร์ตโฟลิโอจาก Low-correlation strategy ทำได้เพียง 0.48 ในทางกลับกันเมื่อนำข้อมูล In-sample forecast มาทดสอบเพื่อหา Sharp ratio ของปี พ.ศ. 2566 พบว่า Sharp ratio ของพอร์ตโฟลิโอจาก Unsupervised Learning มีค่าติดลบทุกพอร์ต และค่า Sharp ratio ของพอร์ตโฟลิโอ Random Forest ก็มีค่าลดลงเป็น 0.24 ส่วนค่า Sharp ratio ของพอร์ตโฟลิโอ Low-correlation strategy กลับมีค่าเพิ่มขึ้นเป็น 0.61 ทำให้ได้ผลสรุปว่าการนำแมชชีนเลิร์นนิ่ง ทั้ง Supervised Learning และ Unsupervised Learning มาเลือกหุ้นสร้างกลุ่มหลักทรัพย์ ทำให้ได้ Portfolio ที่มี Sharp ratio สูงกว่าการเลือกหุ้นด้วย Low-correlation strategy เพียงแค่ช่วง In-sample period แต่เมื่อนำการเลือกหุ้นแบบเดิมมาใช้ในช่วง In-sample forecast กลับให้ผลตรงกันข้าม คือพอร์ตโฟลิโอที่เลือกหุ้นโดยแมชชีนเลิร์นนิ่งทั้ง 2 แบบ ให้ค่า Sharp ratio น้อยกว่าพอร์ตโฟลิโอ Low-correlation strategy อย่างไรก็ตาม Random Forest Model ของการศึกษาวิจัยนี้ยังมีค่าความคลาดเคลื่อนสูงเนื่องจากปัจจัยทางข้อมูล และเศรษฐกิจ