Technical Trading Strategy

จาก Technical Analysis สู่ Quantitative Trading ด้วย Python

วิชานี้เป็นส่วนหนึ่งของ Technical Trading Strategy — GPA Learning Track 1
ของ GroundUp Academy
เรียนผ่าน Python และ Jupyter Notebook โดยใช้ Google Colab หรือรันบนเครื่องตัวเองได้

การมองกราฟแล้วเห็นแนวโน้ม แนวรับแนวต้าน หรือสัญญาณซื้อขาย ไม่ได้หมายความว่ากลยุทธ์เหล่านั้นมีความได้เปรียบจริง

วิชานี้สอนให้เปลี่ยนแนวคิด Technical Analysis ให้เป็นกฎที่วัดและทดสอบได้ด้วย Python
เริ่มจาก Momentum, Mean Reversion, Breakout และ Candlestick Patterns
ต่อด้วย Volatility Bands, Market Regimes, การออกแบบ Entry/Exit และ Position Sizing
ปิดท้ายด้วยการรวมสัญญาณ วิเคราะห์ข้อผิดพลาดของ Backtest และพัฒนากลยุทธ์บนข้อมูล Crypto 20 เหรียญ

ทุก Module มีตัวอย่างโค้ด การทดลองกับข้อมูลตลาดจริง และแบบฝึกหัดให้ลงมือทำ

เมื่อเรียนจบวิชานี้ คุณจะ
• เปลี่ยนแนวคิด Technical Analysis ให้เป็นกฎ True/False ที่คอมพิวเตอร์ตรวจสอบและ Backtest ได้
• สร้างและทดสอบ Momentum, Mean Reversion, Breakout และ Candlestick Strategies ด้วย Python
• วิเคราะห์ Signal ด้วย Forward Returns, Hit Rate และ Payoff Ratio ก่อนนำไป Backtest
• ใช้ Bollinger Bands, Keltner Channel และ Market Regime เพื่อศึกษาว่ากลยุทธ์เหมาะกับตลาดแบบไหน
• ออกแบบ Entry/Exit, Stop Loss, Trailing Stop และ Position Sizing เพื่อควบคุมความเสี่ยง
• รวมหลาย Trading Signals ด้วย Voting, Scoring และ Confirmation พร้อมวิเคราะห์ Correlation
• ตรวจสอบ Look-ahead Bias, Survivorship Bias, Parameter Overfitting และ Multiple Testing
• พัฒนาและเปรียบเทียบกลยุทธ์บน Crypto 20 เหรียญ พร้อมแยกช่วงออกแบบและช่วงทดสอบ

เนื้อหา 6 Modules · 14 บทเรียนย่อย

Module 1: From Technical Analysis to Quant

1.1 From TA to Quant Rules
• เปลี่ยนแนวคิด เช่น Trend Strength, Overextended Price และ Breakout เป็นกฎ True/False
• สร้าง Trading Rules จาก SMA, Standard Deviation และ Rolling High/Low
• เข้าใจเวลาปิดแท่งเทียนและการใช้ข้อมูลที่ทราบจริง ณ เวลาตัดสินใจ

1.2 Price, Returns & Indicator Features
• Simple Return เทียบกับ Log Return และคุณสมบัติของการรวมผลตอบแทนข้ามเวลา
• วิเคราะห์ Fat Tails, Z-score และการกระจายตัวของผลตอบแทน
• สร้าง Rolling Features เช่น Moving Average, Rolling High/Low และ Annualized Volatility
• จัดการ Lag, Warm-up Period และ NaN เพื่อไม่ให้ใช้ข้อมูลอนาคต

1.3 Signal → Position → P&L
• สร้าง Backtest พื้นฐานจาก Signal, Position, Return และ Transaction Cost
• ใช้ shift(1) เพื่อป้องกัน Look-ahead Bias และทดสอบผลของ Execution Delay
• วัด CAGR, Sharpe Ratio, Max Drawdown, Volatility และ Time in Market
• เปรียบเทียบ Strategy กับ Buy & Hold และศึกษาผลของค่าธรรมเนียม

Module 2: Momentum & Mean Reversion

2.1 Momentum Strategies
• สร้าง Momentum Signals ด้วย Rate of Change (ROC), Moving Average Crossover และ Trend Strength
• วิเคราะห์ Forward Returns หลายช่วงเวลา ก่อนนำ Signal ไป Backtest
• ประเมิน Hit Rate, Payoff Ratio และ Expected Return หลังเกิดสัญญาณ
• เปรียบเทียบ Momentum Strategies กับ Buy & Hold บน BTC และ Crypto 20 เหรียญ

2.2 Mean Reversion Strategies
• วัดความเบี่ยงเบนของราคาด้วย Z-score และ Relative Strength Index (RSI)
• ทดสอบสัญญาณ Oversold/Overbought ว่าราคามีแนวโน้มกลับตัวหรือไปต่อ
• สร้างกฎ Entry/Exit แบบถือ Position จนกว่าเงื่อนไขออกจะเกิดขึ้น
• เปรียบเทียบ Long-only กับ Long/Short บน Perpetual Futures พร้อมคำนวณ Trading Fees และ Funding Rate

Module 3: Breakout & Candlestick Patterns

3.1 Breakout Strategies
• สร้าง Donchian Channel 20/10 สำหรับกำหนดจุดเข้าและออกจากการทะลุกรอบราคา
• คำนวณ Average True Range (ATR) เพื่อวัดขนาดการเคลื่อนไหวของราคา
• ทดสอบ ATR Breakout Filter และ Volume Confirmation เพื่อลด False Breakout
• วิเคราะห์ Forward Returns, จำนวนสัญญาณ และผล Backtest บน Crypto 20 เหรียญ

3.2 Candlestick Pattern Quantification
• แปลง Body, Range, Upper Wick และ Lower Wick เป็นตัวแปรเชิงปริมาณ
• สร้างกฎตรวจจับ Pin Bar, Engulfing, Inside Bar, Outside Bar และ Momentum Candle
• ทดสอบ Forward Returns หลังเกิด Candlestick Patterns พร้อมหัก Transaction Cost
• ศึกษาผลของเวลาปิดแท่งเทียน (Candle Boundary) ต่อรูปแบบสัญญาณในตลาด Crypto ที่ซื้อขายตลอด 24 ชั่วโมง

Module 4: Volatility Bands & Market Regimes

4.1 Volatility Band Strategies
• สร้าง Bollinger Bands ด้วย SMA และ Standard Deviation
• สร้าง Keltner Channel ด้วย EMA และ ATR
• เปรียบเทียบการใช้ Volatility Bands แบบ Mean Reversion กับ Breakout
• ทดสอบ Bollinger Squeeze และตรวจสอบความได้เปรียบของกลยุทธ์บน Crypto 20 เหรียญ

4.2 Market Regime Filters
• แบ่ง Market Regime ด้วย SMA200 และระดับ Rolling Volatility
• จำแนกตลาดเป็น Bull/Calm, Bull/Volatile, Bear/Calm และ Bear/Volatile
• วิเคราะห์ Performance ของ Momentum และ Mean Reversion ในแต่ละ Regime
• ทดลอง Switching Strategy ระหว่าง Momentum และ RSI Dip ตามสภาวะตลาด
• ตรวจสอบว่า Regime Filter ที่ให้ผลดีบน BTC ยังใช้ได้กับเหรียญอื่นหรือไม่

Module 5: Trading Rules, Risk & Combining Signals

5.1 Entry & Exit Design
• เปรียบเทียบจุดออก 5 รูปแบบ ได้แก่ Signal Exit, Time Exit, Stop Loss/Take Profit, ATR Stop และ Trailing ATR Stop
• สร้าง Trade Management ที่ติดตาม Entry Price, Holding Period และ Trailing Stop
• ทดสอบผลของ Exit Rules ที่แตกต่างกันภายใต้ Entry Signal เดียวกัน
• ศึกษาข้อจำกัดของ Stop Loss ใน Backtest รายวัน เทียบกับการส่งคำสั่งจริง

5.2 Position Sizing & Risk Rules
• เปรียบเทียบ Fixed Position, Volatility Targeting และ ATR-based Risk Sizing
• ปรับขนาด Position ตามความผันผวน เพื่อควบคุม Portfolio Exposure และ Drawdown
• คำนวณ Order Quantity ตามข้อกำหนด Step Size และ Minimum Notional ของ Exchange
• ทดสอบ Position Sizing แบบเดียวกันกับหลายเหรียญ เพื่อเปรียบเทียบความเสี่ยงและผลตอบแทน

5.3 Combining Trading Signals
• รวม Momentum, Donchian Breakout และ Keltner Breakout เป็น Multi-signal Strategy
• เปรียบเทียบ Voting, Signal Scoring และ Confirmation Rules
• วิเคราะห์ Correlation ระหว่าง Strategy Returns เพื่อประเมินประโยชน์จากการรวมสัญญาณ
• ทดสอบ Combined Strategies เทียบกับ Individual Signals บน Crypto หลายเหรียญ

Module 6: Backtesting Pitfalls & Mini Strategy Project

6.1 Common Backtesting Pitfalls
• ศึกษา Parameter Overfitting ผ่าน Heatmap และ Parameter Plateau ของ Moving Average Crossover
• วิเคราะห์ Multiple Testing Bias ด้วยการเปรียบเทียบ Momentum กับ Random Strategies 300 แบบ
• ตรวจสอบ Survivorship Bias โดยเปรียบเทียบ Universe ของเหรียญที่ยังซื้อขายอยู่กับ Universe ที่เลือกได้จริงในอดีต
• ทบทวน Look-ahead Bias, Transaction Costs, Warm-up Period และข้อจำกัดของการทดสอบจากข้อมูลย้อนหลัง

6.2 Mini Quant Strategy Project
• พัฒนา Strategy Pipeline: Price Data → Features → Signals → Entry/Exit → Position Sizing → Backtest
• รวม Momentum, Breakout, Keltner Channel, RSI และ Trend Score เป็นกลยุทธ์ที่ทดสอบได้
• ทดสอบ Strategy บน Crypto 20 เหรียญ และรวมผลเป็น Portfolio
• แบ่งช่วง Design Period (2020–2023) และ Test Period (2024–กันยายน 2026) เพื่อเปรียบเทียบ Performance
• วิเคราะห์ CAGR, Sharpe Ratio และ Max Drawdown ทั้งรายกลยุทธ์และระดับ Portfolio
• เขียนฟังก์ชัน my_strategy() จากแนวคิดของตัวเอง แล้วนำไปทดสอบบนข้อมูลชุดเดียวกัน

เครื่องมือและข้อมูลที่ใช้
Python, pandas, NumPy, Matplotlib, Jupyter Notebook, Google Colab, Binance Historical Data และ Binance Perpetual Futures Data

ใบรับรอง
ผู้เรียนที่เรียนครบทุกวิชาในหลักสูตรและส่งโปรเจกต์ Backtest ระบบเทรด 1 ระบบ
จะได้รับใบรับรองจาก GroundUp Academy