LightGBM คืออะไร ทำไมโครงข่ายประสาทเทียมจึงอาจแพ้ในการทำนายหุ้น

ทำความเข้าใจ LightGBM เหตุผลที่วิธีแบบต้นไม้เหมาะกับตารางตัวเลข และวิธีทดสอบข้อมูลหุ้นให้ยุติธรรม

ระบบซับซ้อนกว่ากลับแพ้?

“รุ่นที่ใช้โครงข่ายประสาทเทียมทำคะแนนได้ไม่ดีกว่า LightGBM” ฟังแล้วชวนงง เครื่องคำนวณหลายชั้นลงแข่ง แต่กลุ่มต้นไม้เล็ก ๆ คว้าถ้วยไป พัดลมคอมพิวเตอร์หมุนดังแค่ไหนก็ไม่ได้คะแนนเพิ่ม

ประโยคนี้ไม่มีข้อมูลและตัวเลขผลทดสอบ จึงตรวจสอบการแข่งขันครั้งนั้นแยกต่างหากไม่ได้ แต่มีงานวิจัยรองรับว่าวิธีแบบต้นไม้แข็งแกร่งเมื่อใช้ตัวเลขที่เรียงเป็นตาราง^[1][2]

LightGBM ทำอะไร?

LightGBM เป็นวิธีเรียนรู้จากตัวอย่างเก่าเพื่อทำนายผลใหม่ งานวิจัยสำคัญเผยแพร่ในปี 2017^[3]

ลองนึกถึงตารางการเติบโตของกำไร ปริมาณซื้อขายที่พุ่งขึ้น ขนาดบริษัท และราคาหุ้นภายหลัง ต้นไม้ต้นแรกถามว่า “กำไรโตเกินระดับนี้หรือไม่?” ต้นต่อไปแก้ข้อผิดพลาดของคำทำนายก่อนหน้า เมื่อนำการแก้ไขเล็ก ๆ มารวมกันจึงได้คำตอบสุดท้าย

ต้นไม้เดี่ยวเรียบง่าย แต่เมื่อทั้งป่าช่วยกันทำงานก็แข็งแกร่งมาก

ทำไมจึงชนะได้?

ตัวเลขทางการเงินมีทั้งค่าที่พุ่งสูง ช่องที่ไม่ค่อยมีประโยชน์ และรูปแบบที่เกิดขึ้นเมื่อผ่านเกณฑ์บางอย่าง วิธีแบบต้นไม้ถนัดแบ่งข้อมูลตามเกณฑ์

งานปี 2022 พบว่าวิธีนี้ยังทำได้ดีมากกับตารางขนาดกลาง^[1] งานปี 2023 พบว่าการปรับการตั้งค่าอาจสำคัญกว่าการเปลี่ยนประเภทของระบบ^[2]

เสียงพัดลมดังเหมือนเครื่องบินไม่ได้รับประกันความแม่นยำ

ต้นไม้ชนะเสมอหรือไม่?

การเปรียบเทียบครั้งใหญ่ในปี 2025 พบว่าโครงข่ายประสาทเทียมตามทันได้ในบางกรณีเมื่อมีเวลาเรียนรู้มากขึ้นและรวมหลายคำทำนาย^[4] การดูรูปภาพกับการอ่านผลประกอบการเป็นคนละงาน

ทดสอบกับหุ้นอย่างไร?

ทั้งสองวิธีต้องเห็นข้อมูลที่เผยแพร่แล้วในวันทำนายเท่านั้น ใช้งบการเงินที่ออกภายหลังเหมือนแอบอ่านข่าววันพรุ่งนี้

ควรทดสอบจากอดีตไปอนาคต นับค่าธรรมเนียม ส่วนต่างราคาซื้อขายจริง และการขาดทุนหนัก ทายทิศทางราคาถูกกับทำกำไรหลังหักค่าใช้จ่ายเป็นคนละเรื่อง

สรุป

โครงข่ายประสาทเทียมแพ้ LightGBM ได้จริง วิธีที่เผยแพร่ตั้งแต่ปี 2017 ยังเก่งได้เมื่อเจองานที่เหมาะ อย่าประมาทป่าต้นไม้เล็ก ๆ

เอกสารอ้างอิง (4 รายการ)

1. Grinsztajn, Oyallon & Varoquaux (2022), “Why do tree-based models still outperform deep learning on typical tabular data? papers.nips.cc
2. McElfresh et al. (2023), “When Do Neural Nets Outperform Boosted Trees on Tabular Data? proceedings.neurips.cc
3. Ke et al. (2017), “LightGBM: A Highly Efficient Gradient Boosting Decision Tree. proceedings.neurips.cc
4. Erickson et al. (2025), “TabArena: A Living Benchmark for Machine Learning on Tabular Data. proceedings.nips.cc