ปีนี้ก็เหลือเวลาไม่มากแล้ว ผมอยากย้อนดูปี 2024 ของการพัฒนา AI กันนะครับ

บันทึกความพยายามที่เริ่มเมื่อไม่นานมานี้ยังไม่จบยังไม่เริ่มนับเป็นบทสรุปทั้งหมด โปรดทราบนะครับว่าเป็นส่วนรวม

การทำงานร่วมกันระหว่าง EA และ Generative AI

ต้นปีนี้ ผมได้สร้าง EA ที่วิเคราะห์ข้อมูลเศรษฐกิจโดยใช้ API ของ OpenAI เพื่อทำการเทรด

ด้าน EA ที่เปี่ยมด้วยนวัตกรรม มีบางประเด็นที่ท้าทายอยู่

① ความท้าทายผ่าน API

การใช้งาน API ต้องมีการดำเนินการและการซื้อเครดิต ซึ่งสำหรับผู้เริ่มต้นถือเป็นอุปสรรคสูง

เครดิตที่ใช้งานรอบหนึ่งในช่วงเวลานั้นคิดประมาณ 5 เยนสำหรับ GPT-4 หากเปลี่ยนเป็นระดับโมเดล 3.5 จะประมาณ 1 เยน

การทดสอบย้อนหลัง (backtest) มีต้นทุนสูงมาก เพื่อยืนยันประเด็นได้เปรียบจึงมีทางเลือกเพียง Forward Real เท่านั้น

② ความสามารถในการทำซ้ำของ Generative AI

แม้ส่ง Prompt เดียวกัน บางครั้งคำตอบก็ต่างกันและมีปัญหาในการทำซ้ำ

ด้วยเหตุนี้บางครั้งการจับท่าทางการเปิดสถานะจึงแตกต่างกัน

เราคาดหวังว่า ความสามารถในการทำซ้ำของ Generative AI จะดีขึ้นเมื่อโมเดลพัฒนาขึ้นในอนาคต

③ การเลือกโมเดล

Generative AI ใช้ OpenAI สำหรับข้อความและภาพ และใช้ Perplexity AI สำหรับการค้นเว็บ

Machine Learning: ความท้าทายครั้งแรก

ประมาณกุมภาพันธ์มีปัญหาการทดสอบย้อนหลังเกิดขึ้นภายใน EA ให้การเรียนรู้และพยากรณ์เสร็จสิ้นภายในตัวเองจึงเริ่มพิจารณาให้ทำงานภายใน EA!

สิ่งที่สร้าง EA machine learning ฉบับแรกคือ EA ที่เรียนรู้จาก chart ย้อนหลังเป็นระยะและอัปเดตโมเดลพยากรณ์เพื่อทำการเทรด แต่

ข้อมูล chart ก่อนการเริ่ม Backtest ประมาณ 1000 ชุดเท่านั้น ทำให้ข้อมูลการเรียนรู้ถูกจำกัด ไม่สามารถตรวจสอบได้อย่างพอเพียง

อันนี้เป็นงานของ Random Forest ที่สามารถบันทึกและโหลดโมเดลได้

รูปแบบการเรียนรู้ด้วยเครื่องในสไตล์นี้เจออุปสรรคจากจำนวนประวัติศาสตร์ในช่วงเริ่มต้นของการ Backtest

การตั้งรูปแบบปัจจุบันให้มั่นคง

เมื่อเมษายน เริ่มศึกษาแนวทางการใช้งาน Onnx function ของฟังก์ชันมาตรฐานใน MQL5 อย่างละเอียด

ชื่อ Onnx ก็เคยสงสัยว่า “มันคืออะไร?” มาก่อน แต่ไม่คิดว่าจะใช้งานจริงในที่นี้

Onnx คือฟอร์แมตไฟล์สำหรับนำโมเดล AI ที่ฝึกด้วย Python มาอ่านใน EA

จากการวิจัย Onnx ทำให้สามารถใช้ GPU ร่วมกับ Python ได้ และด้วยความถนัดของ Generative AI ที่ใช้ Python ทำให้สร้างโมเดลที่ซับซ้อนได้มากขึ้น

จากนี้จึงตั้งรูปแบบถอดออกมาจากไฟล์ Onnx สู่ MQL อย่างมั่นคง

ข้อเสียคือไม่ใช่การเรียนรู้แบบออนไลน์ในขณะเดียวกันกับ chart ย้อนหลังที่กล่าวมาก่อนหน้านี้หรือไม่?

การเดินทางในการรวบรวมข้อมูล

การใช้งาน Onnx และความเข้าใจเกี่ยวกับ AI model เริ่มชัดขึ้นในมิถุนายน

จากนั้นจึงต้องการศึกษาเพิ่มเติมด้วยการซื้อ GPU หนังสือและสื่อการเรียนรู้ และลงทุนเกี่ยวกับ AIมูลค่าการลงทุนประมาณ 1 ล้านบาทใกล้ถึงจุดนั้นแล้วใช่ไหมครับ?

จากข้อมูลที่ได้มาตลอด ทำให้เห็นได้ชัดว่าความเรียบง่ายของโมเดลดีสุด และ Gradient Boosting เป็นที่ยอมรับในวงการ AI การลงทุนด้วย AI ก็มีข้อมูลน้อยมาก

รู้สึกถึงความขาดแคลนข้อมูลเกี่ยวกับ AI เพื่อการลงทุน

บึงแห่งการ overfitting

หลังจากผ่านการเรียนรู้มาพอสมควร ก็มุ่งมั่นที่จะนำไปใช้งานจริงในเทรด

แต่ไม่ว่า AI จะถูกสร้างขึ้น หรือโมเดลถูกปรับปรุง หรือคุณลักษณะถูกเปลี่ยนแปลง ข้อมูล validation กลับไม่ดีขึ้น

ติดกับบ่อการ overfit อย่างสมบูรณ์

เมื่อโมเดลยังคงเลือกด้วย gradient boosting แบบเรียบง่าย ความสามารถในการปรับปรุงมีเพียงคุณลักษณะเท่านั้นที่เหลืออยู่

ในช่วงนั้นเชื่อว่าคุณลักษณะเป็นสิ่งสำคัญจริงๆ และจึงออกแบบกลไก EA อย่างจริงจังเพื่อปรับคุณลักษณะ

(ถ้าอย่างนั้นการสร้าง EA ด้วยมือจะมีประสิทธิภาพมากกว่า)

ความช่วยเหลือจากผู้ช่วยลงมา

ในเดือนตุลาคม ผมได้รับคำเชิญพูดคุยกับคุณไรซากิที่ทำงานด้านสร้างระบบเทรดผ่าน ZOOM ซึ่งหากท่านทำงานด้านนี้คงรู้จัก

ได้ข้อมูลล่าสุดและไอเดียสำคัญเกี่ยวกับการเรียนรู้ของเครื่องในด้านการเงิน

รายละเอียดมากเกินกว่าจะบรรยายทั้งหมด และบทความ บล็อก และหนังสือของคุณไรซากิอธิบายไว้อย่างละเอียด จึงขอเว้นไว้ตรงนี้

ไปสู่ก้าวหน้ากว่าการ overfitting

พฤศจิกายนในที่สุด เราเริ่มก้าวพ้นปัญหาที่เคยเป็น overfitting ได้

ค่า評估ของข้อมูลการฝึกไม่ใช่ข้อมูลจริง แต่ค่า validation และ test เห็นได้ชัดว่าดีขึ้น

การก้าวผ่านกำแพงนี้ ทำให้สนใจเรียนรู้เกี่ยวกับแมชชีนเลิร์นนิ่งมากขึ้น

ขั้นต่อไปในเวทีถัดไป

เกี่ยวกับ Decision Tree และ Deep Learning ในปีที่ผ่านมา ผมได้ศึกษาตั้งแต่เช้าจรดถึงเที่ยงคืนทุกวัน

สูตรคำนวณซับซ้อนไม่มากนัก แต่สามารถเรียนรู้กระบวนการยิบย่อยได้มากพอและเข้าใจได้โดยรวม

ส่วนที่เหลือคืออยากนำไปพัฒนาเป็น EA จริงๆ

แต่ยังมีส่วนที่ยังไม่พัฒนาอยู่ นั่นคือการเรียนรู้เสริมยังไม่ได้ดำเนินการครบถ้วน

ปัจจุบันการเรียนรู้ Q-learning และ DQN อยู่ในขั้นตอนการทดลองแนวทางต่างๆ ครบถ้วนแล้ว

เพื่อให้บรรลุเป้าหมายการเทรด AI ที่เหนือชั้น การเรียนรู้เสริมถือเป็นส่วนสำคัญ

การเรียนรู้ที่เป็นแบบ supervised เช่น deep learning ยังเป็นการทำนายการเทรดอยู่

แน่นอนว่า entry จะเกิดขึ้นเมื่อมีความน่าจะเป็นสูง แต่

แต่การ Close position ไม่จำเป็นต้องสอดคล้องกับสัญญาณตรงกันข้ามเสมอไป

คิดว่าการควบคุมการ Close ด้วยการเรียนรู้เสริมจะช่วยได้

เป้าหมายปีหน้า

ปีหน้าจะสืบค้นการเรียนรู้แบบ supervise และจะเริ่มศึกษา reinforcement learning อย่างจริงจังด้วย

เป้าหมายคือในวงการ FXAlphaZeroใช่ไหมครับ?

สรุปท้ายสุด

ปีนี้เหลือเวลาอีกไม่มาก แต่ขอขอบคุณทุกท่านที่ให้การ support ตลอดปี

ขอบคุณ PEACE, MQLCAMP, และผู้ช่วยสร้าง EA ในการใช้งานมากมายจริงๆ

ปีหน้าขอฝากความสัมพันธ์ที่ดีเช่นเดิมด้วยนะครับ

สวัสดีปีใหม่ครับ