เปลี่ยนโลกการลงทุนด้วย Machine Learning

แต่เมื่อพัฒนาการทางเทคโนโลยีทำให้เครื่องมือสื่อสารแบบไร้สายมีราคาที่จับต้องได้ และกลายมาเป็นเครื่องมือพื้นฐานที่ทุกคนจำเป็นต้องมี อีกทั้งข้อมูลจำนวนมหาศาลหลั่งไหลเข้าสู่ระบบเกิดเป็นเทคโนโลยี Big Data ที่ใช้กันอย่างทั่วกว้าง นอกจากนี้การระบาดของโรค  COVID-19 ยิ่งทำให้ทุกคนจำเป็นต้องต้องรักษาระยะห่างในการสื่อสารกันมากขึ้น จึงทำให้การติดต่อสื่อสารออนไลน์เป็นเพียงช่องทางเดียวที่ยังคงให้รักษาความเป็นชุมชนอยู่ได้ และเมื่อทุกคนต่างใช้ช่องทางสื่อสารเหล่านี้พร้อม ๆ กันจึงยิ่งทำให้ข้อมูลยิ่งมากล้นเท่าทวี

ในขณะที่โลกฝั่งอุปกรณ์การคำนวณมีชิปCPU ที่มีขนาดเล็กลง แต่สามารถคำนวณด้วยความเร็วสูงในราคาที่จับต้องได้ และโลกฝั่งการสื่อสารสายส่งสัญญาณต่าง ๆ สามารถขนถ่ายข้อมูลได้ด้วยความเร็วสูงมากขึ้น รวมถึงโลกของสื่อบันทึกข้อมูลก็มีความจุสูงในราคาที่คุ้มค่ามากอย่างน่าตกใจ ซึ่งเมื่อสามองค์ประกอบนี้มารวมตัวกันในเวลาที่เหมาะสม จึงทำให้เกิด Big Data อันนำไปสู่เทคนิคการคำนวณเพื่อสร้างระบบปัญญาประดิษฐ์ (Artificial Intelligence) ที่จะช่วยทุ่นแรง มีความแม่นยำ และรับปริมาณงานจำนวนมากแทนคนได้ โดยเครื่องมือสำคัญในการเข้าถึงปัญญาประดิษฐ์ และเป็นเครื่องมือที่่กระแสนิยมร้อนแรงที่สุดในปัจจุบันคือ การเรียนรู้ด้วยเครื่อง หรือที่เรามักได้ยินกับคำว่า Machine Learning

Machine Learning เป็นเครื่องมือที่อาศัยการเรียนรู้จากข้อมูลจำนวนมาก เพื่อสร้างระบบ AI ที่มีความฉลาดในการคาดการณ์ตัดสินใจ ซึ่งปัจจุบันการใช้งาน Machine Learning มาถึงจุดที่ใช้งานง่ายมาก และแนวโน้มว่าในปีถัดๆ ไปจะยิ่งใช้ง่ายขึ้นไปอีกมาก โดย 4 ปรากฎการณ์สำคัญที่จะพลิกโฉมโลก Machine Learning ที่กำลังเกิดขึ้นในปีนี้ถึงปีหน้า ได้แก่

• No-Code Machine Learning: ก็คือการสร้างระบบ Machine Learning ได้โดยเพียงนำขั้นตอนการคำนวณข้อมูลเรียงต่อกันโดยไม่ต้องเขียน code และเมื่อเทคโนโลยีนี้มาเต็มตัวจะทำให้ในอีกไม่กี่ปีข้างหน้านี้ "ใคร ๆ" ก็สามารถใช้งาน Machine Learning ได้ง่ายและสะดวกขึ้นซึ่งเหมาะกับบริษัทเล็กๆที่ที่มีทีม Data science ที่จำกัดลักษณะงานไม่ได้มีความซับซ้อนมาก
• TinyML: เป็นการสร้างระบบ Machine Learning ขนาดเล็กพอที่จะฝังไว้ในอุปกรณ์ IoT ต่างๆ และกินพลังงานต่ำมากในการเปิดระบบให้ทำงานต่อเนื่องยาวนานได้ ซึ่งการคำนวณทั้งหมดเสร็จสิ้นสมบูรณ์อยู่ภายในตัวอุปกรณ์ที่มีขนาดเล็กโดยไม่จำเป็นต้องส่งข้อมูลเข้าออกอุปกรณ์ไปยังโลกภายนอกเลยแม้แต่น้อย เช่น อุปกรณ์ทางการแพทย์สำหรับเฉพาะบุคคล, รถยนต์ขับเคลื่อนอัตโนมัติ
• AutoML: คือ Machine Learning ที่เรียนรู้วิธีการดัดแปลงโครงสร้างภายในของตัวเองเพื่อให้ได้ระบบ Machine Learning ที่เรียนข้อมูลได้เก่งขึ้น และใช้งานได้ง่ายในระดับที่ผู้ใช้แทบไม่ต้องสนใจกระบวนการคำนวณภายในเลย  ผู้ใช้เพียงแค่ป้อนข้อมูลในรูปแบบที่พร้อมประมวลผลได้ให้แก่ AutoML แล้วหลังจากนั้นระบบจะสร้าง Machine Learning Model ที่เหมาะกับโจทย์ให้โดยอัตโนมัติ
• MLOps: คือกระบวนการพัฒนา นำไปใช้ และการดูแลรักษา ระบบ Machine Learning เพื่อให้งาน Production เป็นไปอย่างมีประสิทธิภาพรวมถึงการควบคุมคุณภาพของระบบดังกล่าว

สำหรับอุตสาหกรรมการเงินและการลงทุน ก็ได้มีการนำ Machine Learning เข้ามาช่วยในการลงทุนตั้งแต่ประมาณปี 1990 อย่างไรก็ตามการลงทุนด้วย Machine Learning นั้นไม่ได้รับความนิยมมากนัก จนกระทั่งในช่วงประมาณปี 2015 คำว่า Machine Learning กลับถูกพูดถึงเป็นอย่างมากอีกครั้งในแวดวงการเงินและลงทุน ด้วยเหตุผลที่กล่าวมาข้างต้นว่า อุปกรณ์การคำนวณที่มีคุณภาพที่สูงขึ้นมาก มีความสามารถในการคำนวณที่เร็วมากขึ้น ยิ่งไปกว่านั้นคือข้อมูลที่มีขนาดใหญ่มากขึ้น ไม่ว่าจะเป็นข้อมูลด้านการลงทุนหรือข้อมูลทางเลือก (Alternative Data) เช่น ข้อมูลจาก Social media, ภาพถ่ายทางดาวเทียม หรืออื่น ๆ อีกมากมายที่สามารถนำมาใช้เป็นข้อประกอบในการลงทุนได้ และสิ่งที่สำคัญที่สุดอีกประการหนึ่งคือ การพัฒนา Algorithm ต่าง ๆ ของ Machine Learning ที่เพิ่มและมีประสิทธิภาพมากขึ้นด้วย

ทั้งนี้ Machine Learning ถูกพูดถึงในธุรกิจการลงทุนทั้งในด้านการวิเคราะห์ข้อมูลการลงทุน และข้อมูลทางเลือกโดยนำมาใช้ในการคัดเลือกหลักทรัพย์, การวิเคราะห์เครดิต, การจัดพอร์ตในการลงทุน, การคัดเลือกผู้จัดการกองทุน รวมถึงการวิเคราะห์ความเสี่ยงต่าง ๆ โดยการใช้ Machine Learning ในทางการลงทุนนั้นอาจแตกต่างจากในด้านอื่น ๆ เนื่องจากข้อมูลในการลงทุนนั้นมีความผันผวนค่อนข้างสูงและเปลี่ยนแปลงอยู่ตลอดเวลา รวมถึงธุรกิจการลงทุนเป็นธุรกิจที่มีการแข่งขันสูง ประสิทธิภาพในการพยากรณ์ผลตอบแทนในอนาคตของชุดข้อมูลต่าง ๆ ลดลงไปตามเวลา ทำให้การนำ Machine Learning มาใช้ในการลงทุนต้องการทั้งความเร็ว ความแม่นยำ และประสิทธิภาพในการวิเคราะห์ข้อมูล

ดังนั้นการใช้เทคโนโลยี AutoML รวมถึง Machine Learning Operations (MLOps) ก็จะช่วยลดระยะเวลาในการพัฒนาแบบจำลอง Machine Learning ที่เก่งและซับซ้อน รวมถึงลดอคติในการเลือกแบบจำลองต่าง ๆ โดยการนำแบบจำลองไปใช้ในการลงทุนรวมถึงการติดตามตรวจสอบและการปรับปรุงแบบจำลองนั้นเพื่อให้ทันท่วงที และแข่งกับเวลาที่เร่งเร้าในโลกการเงินได้

สำหรับ บลจ.ไทยพาณิชย์ นั้น ได้พัฒนาและใช้ Machine Learning มาตั้งแต่ปี 2017 โดยได้วางรากฐานลงทุนสร้างระบบ จัดหาข้อมูล เตรียมความพร้อมบุคลากรเพื่อรองรับการจัดตั้งหน่วยงานพิเศษที่บริหารกองทุนโดยใช้วิธีทาง Quantitative รวมถึง Machine Learning ในการลงทุน อย่างไรก็ตาม เมื่อมีเทคโนโลยีใหม่ ๆ ที่ประสิทธิภาพสูง เช่น AutoML ถูกนำออกมาใช้ เราก็ไม่รีรอที่จะทดลองถึงความเป็นไปได้ และพัฒนาปรับใช้อย่างเต็มที่ ถ้า AutoML ให้ประโยชน์โดดเด่นในด้านการลดเวลาการพัฒนาให้สั้นลง อาจจะทำให้เราได้เห็นผลิตภัณฑ์กองทุนใหม่ ๆ ที่ผลตอบแทนดียิ่งขึ้น และมีความแตกต่างจากรูปแบบเดิมอย่างชัดเจน

(อ้างอิง : https://mobidev.biz/blog/future-machine-learning-trends-impact-business)