ไม่ต้องพยายามชนะผู้เล่นที่แข็งแกร่งที่สุด แต่เก็บส่วนที่เหลือของกระแสที่เขาสร้างขึ้น

1. จุดเริ่มต้น: เมลเอมใช้ “การเรียนรู้” แบบใดกับเนเทโร

หากต้องเลือกคำศัพท์ด้านแมชชีนเลิร์นนิงเพียงคำเดียว วิธีของเมลเอมใกล้เคียงกับ การสร้างแบบจำลองคู่ต่อสู้ออนไลน์ มากที่สุด เขาสังเกตเนเทโรระหว่างต่อสู้และปรับการคาดการณ์ตลอดเวลาว่า ในสถานการณ์นี้อีกฝ่ายมีแนวโน้มเลือกท่าใดต่อไป[1]

การเรียกว่า reinforcement learning อย่างเดียวกว้างเกินไป เมลเอมทำหลายอย่างพร้อมกัน ได้แก่

1. สังเกตระยะ ทิศทาง จังหวะ เวลา และการกระทำก่อนหน้า
2. ประเมินความเอนเอียงที่เกิดโดยไม่รู้ตัวในการเลือกของเนเทโร
3. ทำนายการกระทำถัดไป
4. เปลี่ยนการโจมตีของตนเพื่อชักให้เกิดปฏิกิริยาบางอย่าง
5. ค้นหาเส้นทางเจาะแนวป้องกันล่วงหน้าหลายก้าว

คำอธิบายที่แม่นกว่าคือ การสร้างแบบจำลองคู่ต่อสู้＋การเรียนรู้ออนไลน์＋การทำนายลำดับ＋การวางแผน เขานำทักษะจากกุนงิในการอ่านแนวโน้มการเลือกและเปรียบเทียบกิ่งอนาคตมาใช้ในการต่อสู้

2. แม้เป็นตัวต่อตัว รูปแบบก็มีมากเกินไป แล้วทำไมจึงอ่านได้

สมมติว่าทั้งสองฝ่ายมีเพียงห้าตัวเลือก: โจมตี ป้องกัน หลบ เคลื่อนที่ และหลอก หนึ่งรอบที่เคลื่อนไหวพร้อมกันก็มี 25 คู่ความเป็นไปได้ สิบรอบเท่ากับ 25^10 หรือประมาณ 95 ล้านล้านลำดับ การต่อสู้จริงยังมีมุม ความเร็ว ระยะ แรง และเวลาแบบต่อเนื่อง ทำให้พื้นที่จริงแทบไร้ขอบเขต

เมลเอมไม่ได้จำทุกลำดับ ประเด็นสำคัญคือ มนุษย์ไม่ได้ใช้ทุกตัวเลือกด้วยความน่าจะเป็นเท่ากัน

แม้เนเทโรมีวิธีป้องกัน 100 แบบ แต่ในระยะหนึ่งถ้าเลือก A 50%, B 30%, C 15% ปัญหาที่มีประโยชน์ก็ถูกย่อเหลือ A, B, C เป็นหลัก และถ้าเมลเอมโจมตีในแบบที่ทำให้ A มีโอกาสออกมากขึ้น พื้นที่ค้นหาก็ยิ่งแคบ

แก่นแท้จึงไม่ใช่การลองทุกอย่าง แต่คือ

จำกัดสถานการณ์ หาอคติของพฤติกรรม และใช้การกระทำของตนเพื่อบีบช่วงปฏิกิริยาของคู่ต่อสู้

3. ในตลาด ปกติเรามองไม่เห็นว่า “ผู้แข็งแกร่ง” คือใคร

การต่อสู้ตัวต่อตัวมีคู่ต่อสู้ชัดเจนหนึ่งคน แต่ตลาดมีสถาบัน โบรกเกอร์ ผู้ดูแลสภาพคล่อง ผู้ค้า HFT มืออาชีพที่ใช้ดุลยพินิจ และรายย่อยพร้อมกัน สมุดคำสั่งสาธารณะมักไม่บอกว่าแต่ละคำสั่งเป็นของใคร

ดังนั้นกรอบคิดว่า “คัดลอกสแกลเปอร์เก่งที่สุด” จึงอันตราย สิ่งที่เห็นไม่ใช่คน แต่เป็น ร่องรอยในข้อมูลสาธารณะ เช่น

• ราคาขยับกี่ tick หลังแรงซื้อเชิงรุก
• มีแรงขายเชิงรุกแต่ราคาลงไม่ได้หรือไม่
• ask ที่ถูกกินถูกเติมกลับเร็วเพียงใด
• bid ขยับขึ้นสู่ระดับสูงขึ้นหรือไม่
• หลังทำจุดสูงใหม่ยังมีการซื้อขายต่อหรือไม่
• spread แคบต่อหรือกว้างขึ้นฉับพลัน

คำถามที่ใช้ได้ไม่ใช่ “ใครกำลังซื้อ” แต่คือ

ในสภาพที่มองเห็นนี้ ฝั่งใดกำลังขยับราคาได้จริง

4. เหตุใดกลยุทธ์แบบปลาเหาฉลามจึงอาจเป็นไปได้

แนวคิดไม่แย่งการเคลื่อนไหวแรก แต่พยายามเก็บส่วนที่เหลือของกระแสต่อเนื่อง มีฐานจากงานวิจัยบางส่วน

ประการแรก คำสั่งใหญ่ถูกแบ่งเป็นส่วนย่อยบ่อยครั้ง การส่งทั้งหมดทีเดียวทำให้ราคาของตนแย่ลง จึงอาจแบ่ง parent order เป็น child order จำนวนมาก งานศึกษาข้อมูลระดับบัญชีกว่าเก้าปีจากตลาดหลักทรัพย์โตเกียวสนับสนุนเชิงปริมาณว่า การแบ่งคำสั่งช่วยสร้างความต่อเนื่อง: ซื้อแล้วมีซื้ออีก ขายแล้วมีขายอีก[2]

ประการที่สอง รูปแบบ child order ที่คาดเดาง่ายถูกผู้เล่นอื่นอ่านได้ งานวิจัยพบว่า ยิ่งรูปแบบการดำเนินคำสั่งใหญ่คาดเดาง่าย กิจกรรม anticipatory trading ต้นทุนดำเนินการ และผลกระทบราคาที่ล่าช้าอาจยิ่งมากขึ้น[6][7] สิ่งนี้เกี่ยวข้องกับ back-running คือใช้ order flow ในอดีตคาดว่าผู้ลงทุนรายใหญ่จะทำอะไรต่อ แล้วซื้อขายตามหลัง

ประการที่สาม การแข่งขันช่วงแรกเร็วเกินมนุษย์ งานศึกษาข้อความตลาดอังกฤษพบว่าการแข่ง latency arbitrage แบบทั่วไปใช้เพียงประมาณ 5–10 ไมโครวินาที และมากกว่า 20% ของปริมาณซื้อขายเกี่ยวข้องกับการแข่งขันบางรูปแบบ[9]

สิ่งที่รายย่อยพอศึกษาได้จึงเป็นผลที่ยาวกว่า: การแบ่งคำสั่ง คำสั่งตาม และการขาดสภาพคล่องชั่วคราวในระดับวินาทีหรือนาที

แต่นี่ไม่ได้พิสูจน์ว่า “คลื่นที่สอง” ทุกครั้งทำกำไรได้ เมื่อคำสั่งใหญ่จบ ผลกระทบราคาอาจย้อนกลับบางส่วน และผู้ซื้อก่อนอาจขายให้ผู้ตามที่มาช้า เงื่อนไขหลักไม่ใช่ราคาขึ้นแล้ว แต่คือ กระแสยังไม่จบ

5. ร่องรอยสี่ชนิดที่สังเกตได้

5-1. Order Flow Imbalance (OFI)

OFI รวมการซื้อขายเชิงรุก การเพิ่ม limit order และการยกเลิกที่ bid/ask ดีที่สุด เพื่อวัดส่วนต่างแรงซื้อกับแรงขาย ในหุ้นสหรัฐ 50 ตัว การเปลี่ยนราคาระยะสั้นสัมพันธ์กับ OFI อย่างเสถียรกว่าปริมาณซื้อขายดิบ และแรงเท่าเดิมทำให้ราคาขยับมากกว่าเมื่อความลึกตลาดบาง[3]

ในตัวอย่างชักเย่อ OFI ไม่ได้แค่นับจำนวนคน แต่ดูว่า เชือกขยับไปทางใดจริง และใครเข้าหรือออกจากแต่ละฝั่ง

5-2. ความไม่สมดุลของคิว

ให้ B เป็นจำนวนที่ bid ดีที่สุด และ A เป็นจำนวนที่ ask ดีที่สุด

QI = (B - A) / (B + A)

QI ใกล้ 1 เมื่อ bid ที่เห็นใหญ่กว่า และใกล้ -1 เมื่อ ask ใหญ่กว่า งานศึกษาหุ้น Nasdaq 10 ตัวพบความสัมพันธ์ทางสถิติระหว่าง QI กับทิศทาง mid-price ครั้งถัดไป โดยเด่นกว่าในหุ้น large-tick[4]

แต่ depth ที่เห็นอาจถูกยกเลิก ต้องดูการเพิ่ม การยกเลิก และการจับคู่ ไม่ใช่ภาพนิ่งของ book

5-3. ราคาตอบสนองต่อคำสั่งอย่างไร

สัญญาณที่เข้าใจง่ายที่สุดไม่ใช่ขนาดคำสั่งเพียงอย่างเดียว แต่คือ ราคาตอบสนองอย่างไร

• มีแรงซื้อเชิงรุกมากแต่ราคาไม่ขึ้น อาจมีผู้ขายแข็งแรงดูดซับ
• มีแรงขายเชิงรุกมากแต่ราคาไม่ลง อาจมีผู้ซื้อดูดซับ

สำหรับการตามขึ้น “มีซื้อเยอะ” อ่อนกว่า ตลาดโดนแรงขายสวนแต่ไม่พัง

5-4. ความยืดหยุ่นของ order book

ความยืดหยุ่นคือความเร็วที่ book สร้างกลับหลังถูกกิน งานศึกษาหุ้นหนึ่งตัวในลอนดอนพบว่า book ไม่ได้เติมกลับเสมอ แต่ถ้าเติม เวลาครึ่งชีวิตที่ประเมินได้ประมาณ 20 วินาที และมีหลักฐานของ market order ที่เลียนแบบกัน[5]

นี่ไม่ใช่กฎ 20 วินาทีสากล บทเรียนคือวัดว่า สภาพคล่องฝั่งตรงข้ามกลับมาหรือไม่ในช่วงสั้นหลังช็อกแรก

6. สมมติฐานเข้า: จับการเร่งใหม่หลังตลาดทนแรงสวน ไม่ใช่ระเบิดแรก

สมมติฐานฝั่งซื้อแบบง่ายมีห้าขั้น

1. ช็อก: ราคา ความถี่การซื้อขาย และ OFI บวกเพิ่มผิดปกติ
2. รอ: ไม่ไล่ทันที ปล่อยให้แรงขายสวนปรากฏ
3. ทดสอบความทน: pullback ตื้น bid เติมกลับ และจุดกำเนิดการเคลื่อนไหวยังอยู่
4. เร่งใหม่: OFI บวกกลับมา ask ถูกกิน และ high ล่าสุดถูกทะลุ
5. เข้า: ร่วมเฉพาะส่วนต่อเนื่องสั้นหลังเร่งใหม่

ตัวอย่าง ราคาไปจาก 1,000 เป็น 1,010 ย่อลง 1,007 แต่แรงขายทำให้หลุด 1,007 ไม่ได้ แล้วกลับเหนือ 1,010 ผู้เล่นเร็วได้สิบจุดแรก ปลาเหาฉลามพยายามเก็บเพียงบางส่วนที่เหลือหลังยืนยัน

ลำดับนี้ไม่ใช่กฎชนะสากล งานวิจัยสนับสนุนความต่อเนื่อง ข้อมูลใน OFI/คิว และการ anticipatory trading การรวมเป็นห้าขั้นนี้คือ สมมติฐานกลยุทธ์ที่ต้องทดสอบ

7. การทำกำไรควรตามอายุของเหตุผลที่เข้า

เหตุผลเข้า คือ

“กระแสซื้ออายุสั้นยังอยู่ และแรงซื้อตามอาจมาเร็ว”

ดังนั้นการออกไม่ควรดูเฉพาะกำไรลอยตัว แต่ดูว่าสมมติฐานยังมีชีวิตหรือไม่

7-1. ออกเมื่อสมมติฐานพัง

• ราคากลับต่ำกว่าจุด breakout ทันที
• หลุด low ของ pullback
• OFI พลิกเป็นขาย
• ซื้อเชิงรุกยังมาแต่ราคาไม่ขึ้น
• ask เติมเร็วและซ้ำ
• bid หายและ spread กว้าง

หากสมมติฐานพัง ให้ออกแม้ยังไม่ถึงเป้า ถ้านักวิ่งเร็วที่ตามหยุด ก็ไม่มีเหตุผลวิ่งต่อคนเดียวเพียงเพราะตั้งระยะไว้

7-2. Time stop

กลยุทธ์คาดการต่อเนื่องอย่างรวดเร็ว หากไม่มี high ใหม่หรือการเร่งใหม่ในเวลาที่คาด การไม่ขยับก็เป็นข้อมูล

ไม่มี “20 วินาทีสำหรับทุกอย่าง” สัญญาณเสื่อมคนละเร็ว โมเดลการซื้อขายแบบไดนามิกที่มีต้นทุนแสดงว่าการปรับสถานะที่เหมาะสมขึ้นกับความต่อเนื่องและความเร็ว mean reversion ของสัญญาณ[12] ต้องวัดจากข้อมูลของตนว่า trade ที่ชนะเริ่มทำงานภายในกี่วินาทีหรือกี่เหตุการณ์

7-3. เป้าคงที่

เป้าคงที่ใช้ได้ แต่ “3 tick” หรือ 1:2 แบบสากลโดยไม่มีหลักฐานเป็นเพียงตัวเลข ควรเก็บ maximum favorable excursion (MFE) แล้วเปรียบเทียบหลังหัก spread ค่าธรรมเนียม และ slippage

ความคาดหวัง = อัตราชนะ × กำไรเฉลี่ย − อัตราแพ้ × ขาดทุนเฉลี่ย − ต้นทุน

เป้าไกลจ่ายมากเมื่อถึง แต่ถึงน้อยกว่า ต้องดูทั้งสองด้าน

7-4. Trailing และออกบางส่วน

Trailing ยกระดับออกเมื่อราคาขึ้น ทำให้ยังมีส่วนร่วมกับการวิ่งใหญ่ที่เกิดน้อย ภายใต้โมเดล diffusion เฉพาะ งานคณิตศาสตร์แสดงว่า sell limit ร่วมกับ trailing stop อาจเหมาะสมที่สุด[11] ไม่ได้หมายความว่า 2 tick ใช้ได้ทุกตลาด

ออกบางส่วนอาจลดความผันผวนและแรงกดดันทางจิตใจ แต่ขายส่วนหนึ่งของ trade ที่ดีที่สุดเร็วเกินไปและเพิ่มต้นทุน ไม่มีหลักฐานทั่วไปว่าขายครึ่งหนึ่งเสมอดีกว่า

8. Stop แคบกว่าไม่ได้ดีกว่าเสมอ

งานวิจัย stop-loss แสดงว่า หากราคาเป็น random walk กฎ stop เชิงกลลดผลตอบแทนคาดหวัง แต่มีคุณค่าได้เมื่อมีความต่อเนื่องบวกหรือ momentum[10]

เพราะกลยุทธ์นี้เดิมพันการต่อเนื่องระยะสั้น stop เมื่อสมมติฐานพังจึงสมเหตุผล แต่ stop แคบกว่า noise ปกติจะโดนบ่อยและเหลือแต่ต้นทุน

แยกสามหน้าที่ได้ดังนี้

• Stop แรก: ราคา/flow ที่ทำให้ setup ใช้ไม่ได้
• Time stop: การต่อเนื่องไม่มาตามเวลา
• Stop หลังมีกำไร: ตาม pullback ล่าสุดหรือการกลับทิศของ flow

9. มนุษย์มีอคติในการทำกำไร

งานคลาสสิกประมาณ 10,000 บัญชีพบว่านักลงทุนขายตัวที่กำไรเร็วเกินไปและถือตัวขาดทุนนานเกินไป เรียกว่า disposition effect[13]

ในสแกลปก็เกิดได้: กำไร 2 tick รีบปิดเพราะกลัวหาย แต่ขาดทุน 2 tick รอให้กลับ ผลคือชนะเล็ก แพ้ใหญ่

การออกควรผูกกับเหตุผลที่กำหนดไว้

• สมมติฐานพัง
• อายุสัญญาณหมด
• ถึงเป้าที่เลือกจากสถิติ
• แตะเงื่อนไข trailing

10. งานวิจัยสนับสนุนอะไร และไม่สนับสนุนอะไร

สิ่งที่ได้รับการสนับสนุนค่อนข้างดี

• การสร้างแบบจำลองคู่ต่อสู้และปรับนโยบายเป็นสาขาวิจัยจริงจัง[1]
• การแบ่งคำสั่งช่วยสร้าง flow ทิศเดียวต่อเนื่อง[2]
• OFI สัมพันธ์กับการเปลี่ยนราคาระยะสั้นอย่างมาก[3]
• ความไม่สมดุลของคิวอาจมีข้อมูลทิศทางถัดไป[4]
• ผู้เล่นอื่นอาจคาดการณ์การดำเนินคำสั่งใหญ่ที่คาดเดาง่าย[6][7]
• การแข่งที่เร็วที่สุดเกินปฏิกิริยามนุษย์[9]
• คุณค่าของ stop/trailing ขึ้นกับกระบวนการราคา ความต่อเนื่อง และต้นทุน[10][11][12]

สิ่งที่ยังไม่พิสูจน์ทั่วไป

• ย่อตื้นแล้ว breakout รอบสองทำให้รายย่อยได้กำไรสุทธิอย่างเสถียร
• book สาธารณะระบุคำสั่งของสแกลเปอร์เก่งคนหนึ่งได้
• 20 วินาที 3 tick หรือขาย 50% เหมาะที่สุดกับทุกอย่าง
• ความแม่นยำสูงกลายเป็นกำไรสุทธิอัตโนมัติ
• กฎจากระบอบหนึ่งยังอยู่หลังผู้เล่นหรือโครงสร้างตลาดเปลี่ยน

11. แบบทดสอบขั้นต่ำ

บันทึก 100–300 ตัวอย่างของ setup เดียวที่นิยามชัด

ข้อมูลบริบท

• สินทรัพย์ เวลา spread และ tick size
• ขนาด/ระยะเวลาของการเคลื่อนไหวแรก
• ความถี่การซื้อขายและ OFI หรือแรงซื้อขายแบบง่าย
• ขนาด pullback และการตอบสนองต่อคำสั่งสวน
• การเพิ่ม ยกเลิก และความเร็วเติมกลับ
• การเร่งใหม่และ high ใหม่

ข้อมูลหลังเข้า

• P&L ที่ 1, 5, 10, 20, 30 วินาที
• MFE และ MAE
• เวลาไปจุดสูงสุดและเวลา OFI กลับทิศ
• fill จริง slippage spread และค่าธรรมเนียม

เปรียบเทียบวิธีออก

1. เป้าคงที่＋stop คงที่
2. สมมติฐานพัง＋time stop
3. ปิดบางส่วน＋trailing ส่วนที่เหลือ
4. ออกทั้งหมดเมื่อ flow กลับทิศ

สร้างกฎจากช่วงเก่าและทดสอบช่วงใหม่โดยไม่ให้ข้อมูลอนาคตรั่ว ใช้ walk-forward เพราะภาวะตลาดเปลี่ยน

ต้องดูผลหลังต้นทุนเสมอ ความได้เปรียบ 1 tick ไม่ใช่กลยุทธ์ หาก spread และ slippage กิน 1 tick นั้นหมด

สรุป

บทเรียนหลักจากเนเทโรกับเมลเอมไม่ใช่การจำทุกความเป็นไปได้

เรียนรู้อคติจากพฤติกรรมที่มองเห็น จำกัดสถานการณ์ ยืนยันปฏิกิริยาฝั่งตรงข้าม แล้วเข้าเฉพาะเส้นทางสั้นที่ยังเหลือ

ในตลาด ไม่ใช่การหาชื่อ “ยอดฝีมือ” แต่คืออ่านร่องรอยสาธารณะจาก flow ที่แรง ยกช่วงแรกให้ผู้เล่นเร็ว รอให้ตลาดทนแรงสวน และตามเฉพาะเมื่อแรงกดดันเร่งขึ้นอีกครั้ง

การออกต้องตอบว่า

เหตุผลที่ตามยังอยู่หรือไม่? การต่อเนื่องมาภายในอายุที่คาดหรือไม่? หลังหักต้นทุนแล้วยังเหลือระยะหรือไม่?

สั้นที่สุดคือ

อย่าพยายามชนะผู้นำ ยืนยันว่ากระแสที่ผู้นำสร้างยังมีชีวิต ตามสั้น ๆ และลงทันทีเมื่อกระแสหยุด โดยไม่ยึดกับเป้าระยะตามใจ

นี่คือโครงกลยุทธ์สแกลปแบบปลาเหาฉลามที่งานวิจัยรองรับได้อย่างระมัดระวังที่สุด

---