ค่า t 17.8 ก็ยังทิ้งไป

# t値17.8แม้จะทิ้งไป ก็ยังมีประเด็นอยู่ “มีประสิทธิผลทางสถิติ” และ “สามารถซื้อขายได้” ไม่เทียบกัน

มีบางกรณีที่กล่าวถึงในบทความครั้งที่ 1 เพียงเล็กน้อย

ใน USDJPY สมัยก่อนสามารถยืนยันได้ค่อนข้างชัดเจน แต่ในช่วงหลังๆ แทบหายไป และยิ่งไปกว่านั้นไม่ถึงกับมีต้นทุนการซื้อขายสูงมากนัก

**กรณีนี้ที่ได้พูดถึงในครั้งที่ 1 สักเล็กน้อย จะเขียนละเอียดในครั้งนี้**

ระหว่างการตรวจสอบ

**t = −17.8**

มีค่าที่ค่อนข้างใหญ่เกิดขึ้น

และนี่ไม่ใช่ตัวเลขที่คำนวณด้วยความคลาดเคลื่อนมาตรฐานแบบธรรมดา

**ค่าที่คำนวณด้วยวิธี Newey-West ที่ปรับอธิบายอัตลักษณ์ข้อมูลเอง (-self-correlation) แล้ว**

ถึงกระนั้นสุดท้ายฉันก็ยังคิดว่า

**ไม่ได้นำสมมุตินี้ไปใช้เป็นกลยุทธ์การซื้อขาย**

เหตุผลคือ

**การมีอยู่ทางสถิติไม่เท่ากับการทำเงินจริง**

---

## ทดลองสมมติฐานที่มาจากงานเขียนในตลาดจริงยืนยันได้

การทดสอบทำโดย

ขึ้นอยู่กับสภาพของการเปลี่ยนแปลงราคา ความผันผวนในระยะสั้นจะกลับทิศทางยากขึ้นหรือตามลำดับ

เป็นสมมติฐานประเภทนี้

ไม่เชื่อทันทีจากไอเดียที่ได้จากบทความหรือการวิจัย แต่ย้ายเข้าสู่ข้อมูลตลาดที่ใช้งานจริงและตรวจสอบ

สิ่งที่อยากเห็นคือ

- มีอยู่จริงหรือไม่

- ถึงยุคสมัยจะเปลี่ยนไปยังคงอยู่หรือไม่

- มากกว่าโคสต์ในการซื้อขายจริงหรือไม่

สามจุดนี้

“เพราะอยู่ในบทความจึงจะชนะ”

ไม่ใช่

เราจะตรวจสอบจนถึงจุดที่ใช้งานได้จริงในตลาด

---

## ในสมัยก่อน USDJPY เด่นมาก

เมื่อดูข้อมูล USDJPY

ในช่วงปี 2000 ถึง 2013

**β = −0.049**

**t = −17.8**

ผลลัพธ์ออกมา

(ที่มา: `design_A1_vol_regime_reversal_20260902.md:384`)

ค่าต่างๆ นี้คือ

**ค่าที่คำนวณด้วย Newey-West (ปรับ Self-correlation ด้วย Bartlett, lag=10)**

เพราะมีการเลื่อนหน้าต่าง 10 นาทีมาซ้อนทับกัน การสังเกตที่ติดกันจึงไม่อิสระอย่างสมบูรณ์

แม้พิจารณาผลกระทบนี้แล้ว ก็พบผลลัพธ์ที่ค่อนข้างแข็งแกร่งในทางประวัติศาสตร์

นั่นคือ

“ไม่ได้เป็นเพียงเพราะมองข้อมูลติดกันว่าเป็นอิสระ แล้วทำให้ t ค่าใหญ่ผิดปกติ”

ไม่ใช่ตัวเลขแบบนั้น

จนถึงตอนนี้ ถือเป็นผลลัพธ์ที่ดีสำหรับสมมติฐาน

---

## อย่างไรก็ตาม ล่าสุดหายไปแทบหมด

เมื่อดูเหตุการณ์ในแต่ละยุค จะเห็นสภาพความเปลี่ยนแปลง

ตั้งแต่ 2020 ถึง 2025

**β = −0.004**

**t = −0.6**

ลดลงจนถึงระดับนี้

(ที่มา: `design_A1_vol_regime_reversal_20260902.md:384`)

ปรากฏการณ์ที่เคยรุนแรงมากในอดีต

ขณะนี้แทบไม่พบ

สิ่งนี้เป็นปัญหาสำคัญในการทดสอบการซื้อขายอัตโนมัติ

เมื่อสรุปทั้งหมดเป็นตัวเลขเดียว จะมีว่า

**ยุคที่แข็งแกร่งในอดีตปกปิดยุคที่อ่อนในปัจจุบัน**

บางครั้ง

ดังนั้นฉันจึง

“ไม่ใช่แค่ดูว่ามีผลอย่างไรในระยะยาว”

แต่

**ดูว่า effect นั้นยังมีอยู่ถึงปัจจุบันหรือไม่**

ด้วย

---

## “เมื่อก่อนมันจริง แต่ตอนนี้ไม่ใช่เหตุผลในการชนะ”

ผลลัพธ์นี้ไม่ใช่เรื่องว่าเหตุการณ์ในอดีตทั้งหมดเป็นของปลอม

ตรงกันข้าม

2000 ถึง 2013 มีความเป็นไปได้ที่มันอยู่ในรูปแบบที่ชัดเจน

แต่

**สิ่งที่เคยมีจริงในอดีตกับการที่สามารถซื้อขายได้ในขณะนี้เป็นคนละเรื่องกัน**

ในตลาดนั้น

ผู้เข้าร่วม สภาพคล่อง ค่าใช้จ่ายในการซื้อขาย อัลกอริทึม โครงสร้างตลาด ฯลฯ

เปลี่ยนแปลงไปตามเวลา

ด้วยเหตุนี้

ปรากฏการณ์ที่เคยแข็งแรงอาจไม่ยังคงความแข็งแรงดังเดิมในอนาคต

---

## ยิ่งมีปัญหาอีกข้อหนึ่ง ผลกระทบยังเล็กมาก

อย่างไรก็ตามเหตุผลที่ปิดกรอบสมมติฐานนี้ไม่ใช่แค่เพราะอ่อนลงในช่วงล่าสุด

ยังมีปัญหาที่ชัดเจนมากกว่า

แม้ในช่วงที่แข็งแกร่งที่สุดในประวัติศาสตร์

เมื่อแปลงค่าการกลับตัวที่คาดการณ์เป็นค่าเปลี่ยนแปลงจริง จะได้

**ประมาณ 0.15〜0.3 pip**

ในทางกลับกัน สเปรดจริงที่สังเกตได้คือ

**ประมาณ 0.2〜1.0 pip**

(ที่มา：`design_A1_vol_regime_reversal_20260902.md:390`)

นี่คือความจริงที่ค่อนข้างโหดร้าย

**ค่าที่สามารถทำนายได้เองกลับมีค่าผลตอบแทนในการเทรดเท่ากับหรือต่ำกว่าต้นทุนการเทรด**

นั่นคือเหตุผล

---

## แม้ว่าจะถูกต้องทางสถิติ แต่เมื่อตลาดเทรดจะหายไป

นี่คือส่วนที่ฉันอยากเขียนมากที่สุดในครั้งนี้

สมมติว่า

“การเคลื่อนไหวครั้งถัดไปมีแนวโน้มสะท้อนกลับเล็กน้อยโดยเฉลี่ย”

แม้จะเป็นจริงทางสถิติ

หากค่าการเปลี่ยนแปลงนั้นมากกว่าค่าต้นทุนการซื้อขาย จะไม่สามารถใช้งานในการซื้อขายได้

พูดให้ชัดขึ้น

**แม้จะพยากรณ์อนาคตได้บ้าง แต่การซื้อขายทำให้แพ้**

เป็นไปได้

สิ่งที่จำเป็นสำหรับการซื้อขายอัตโนมัติคือ

ไม่ใช่เพียงการทำนายได้เท่านั้น

สิ่งที่จำเป็นคือ

**ความสามารถในการทำนายค่าเปลี่ยนแปลงที่สูงกว่าค่าฝืดในการซื้อขายอย่างเพียงพอ**

หากไม่ถึงจุดนั้น

โมเดลสถิติแม้จะน่าสนใจ แต่ก็ไม่สามารถนำมาใช้เป็นกลยุทธ์การซื้อขายได้

---

## t-value ที่สูงไม่เท่ากับกำไรที่สูง

เมื่อ t-value สูง หลายคนอาจคิดว่า

“ปรากฏการณ์นี้รุนแรงมากใช่ไหม?”

อย่างไรก็ดี t-value ไม่ใช่ตัวบ่งชี้กำไรจริงๆ

พูดง่ายๆ คือ

**ค่าที่ประมาณผลกระทบเทียบกับความคลาดเคลื่อนที่ประมาณว่าใหญ่ขนาดไหน**

เป็นตัวเลขที่ดู

มีข้อมูลจำนวนมาก และเหตุการณ์เล็กๆ ที่เกิดซ้ำอย่างมั่นคงจะทำให้ t-value ใหญ่ขึ้นได้

กรณีนี้คือกรณีที่เกิดขึ้นจริง

สถิติชัดเจนมาก

แต่ผลเปลี่ยนแปลงต่อการซื้อขายต่อหนึ่งครั้งมีขนาดเล็ก

ดังนั้น

**ต้องแยกคิดว่า “สถิติแข็งแกร่ง” กับ “ประโยชน์ทางเศรษฐกิจใหญ่” ออกจากกัน**

ถึงจะเข้าใจ

---

## ตอนนี้แบ่งการประเมินออกเป็นหลายขั้นตอน

หลังประสบการณ์นี้ ฉันมองกลยุทธ์โดยแยกปัญหาตามขั้นตอนดังนี้

- ความสามารถในการทำนายมีหรือไม่

- ความเข้ากันได้กับส่วนออกจากตำแหน่งมีหรือไม่

- สามารถเอาชนะสเปร็ดได้หรือไม่

- ต้นทุนการถือครองสามารถเอาชนะได้หรือไม่

- ความเหมาะสมในข้อกำหนดผลิตภัณฑ์ของโบรกเกอร์ที่ใช้งานจริงได้หรือไม่

รวมทุกอย่างเข้าไว้ด้วยกัน

“PF สูงก็โอเค”

ไม่ใช่ความคิดที่ถูกต้องทั้งหมด

บางขั้นตอนอาจล้มลงในขั้นถัดไป

กรณีของสมมติฐานนี้คือ

**ปรากฏการณ์ทางธรรมชาติถูกยืนยันทางประวัติศาสตร์**

แต่

**ต่อกลยุทธ์การซื้อขายยังไม่รอด**

เป็นกรณีแบบนี้

---

## ผลลัพธ์ที่ “ศูนย์” ก็มีคุณค่า

ในการทดสอบย้อนหลัง

“สิ่งที่สามารถชนะได้”

มักเป็นผลที่โดดเด่นกว่า

แต่ในความเป็นจริง

**การระบุสิ่งที่ไม่สามารถใช้งานได้ก็มีค่าเช่นกัน**

ด้วย

ครั้งนี้ด้วย

หากดูเฉพาะ t-value แล้วหยุดการตรวจสอบไป

อาจทิ้งสมมติฐานที่มีความหวังไว้อย่างมากได้

แต่

- แบ่งตามยุคสมัย

- ดูขนาดเอฟเฟค

- เปรียบเทียบกับต้นทุนการซื้อขายจริง

เมื่อดำเนินถึงขั้นนั้น

ไม่ได้นำมาใช้ในกลยุทธ์ซื้อขาย

---

## ผลสรุปของตอนนี้

ข้อสรุปของการทดสอบครั้งนี้คือ

**ช่องว่างระหว่าง Edge ทางสถิติกับ Edge ที่สามารถซื้อขายได้ไม่เหมือนกัน**

นั่นคือข้อเท็จจริง

ใน USDJPY สมัยก่อน

แม้ว่าจะปรับความสัมพันธ์ด้วยการแก้ไขอัตลักษณ์ข้อมูล

**t = −17.8**

ผลลัพธ์ที่แข็งแกร่งมากก็ยังปรากฏ

อย่างไรก็ตาม ในช่วงล่าสุดผลกระทบจริงๆ แทบหายไป

และแม้ในช่วงเวลาที่เคยแข็งแกร่งที่สุดในประวัติศาสตร์

ค่าการเปลี่ยนแปลงที่สามารถคาดการณ์ได้ยังไม่มากกว่าค่าใช้จ่ายในการซื้อขายเพียงพอ

เพราะฉะนั้นฉันจึง

**ไม่ใช่การปฏิเสธปรากฏการณ์โดยตรง แต่ปิดใช้งานในฐานะกลยุทธ์การซื้อขาย**

---

## สุดท้าย

ในครั้งที่ 1,

เขียนในประเด็น

ว่า “การสร้าง EA ที่ชนะกับการสร้าง EA ที่น่าเชื่อถือมีความต่างกัน”

ครั้งที่ 2,

เขียนว่า

“เหตุผลที่ทิ้งไปถึงแม้จะมีอัตราชนะ 99.5%”

และในครั้งนี้

“เหตุผลที่ทิ้งไปถึงแม้ t ค่าเท่ากับ 17.8”

เป็น

สิ่งที่สอดคล้องกันสามอย่างคือไม่ตั้งเป้าหมายที่ดีจากตัวเลขที่ออกมา

ไม่ใช่แค่ชนะด้วยอัตราชนะ

ทั้ง PF และ t-value และ

และตัวเลขเหล่านั้นต้องถูกแยกแยะ

ให้ดี

การทดสอบการซื้อขายอัตโนมัติคิดว่าอยู่ได้ในระดับนี้

※บทความนี้ไม่ใช่คำแนะนำให้ซื้อขาย EA หรือสินค้าทางการเงินใดๆ หรือให้คำตัดสินการซื้อขายส่วนบุคคล แค่นำผลการทดสอบและวิธีการทดสอบที่ได้บันทึกไว้