การศึกษาเทคนิคการจัดกลุ่มโดย Machine Learning ในหุ้น SET100 ของตลาดหลักทรัพย์แห่งประเทศไทย

บทคัดย่อ

การซื้อขายหลักทรัพย์เป็นหนึ่งในช่องทางในการลงทุน ที่นำมาซึ่งผลตอบแทนมหาศาลแต่ผลตอบแทนดังกล่าวก็มาพร้อมกับความเสี่ยงที่สูงมากเช่นเดียวกัน ดังนั้นภารกิจหลักของนักลงทุนที่สำคัญอีกสิ่งหนึ่งก็คือการกระจายความเสี่ยงในการลงทุนโดยมีเป้าหมายเพื่อลดความเสี่ยง บทความนี้นำเสนอวิธีการจัดกลุ่ม            โดย Machine Learning ในหุ้น SET 100 ของตลาดหลักทรัพย์แห่งประเทศไทย เป็นเทคนิคแบบ Unsupervised Learning ประกอบด้วยเทคนิค K-means, Hierarchical, DBSCAN และ Fuzzy C-means โดยเทคนิคเหล่านี้สามารถนำมาประยุกต์ใช้ในการจัดกลุ่มหลักทรัพย์ที่มีการเปลี่ยนแปลงคล้ายกันได้ ในการศึกษาครั้งนี้ได้ทำการเก็บรวบรวมข้อมูลย้อนหลังหุ้น SET 100 ของตลาดหลักทรัพย์แห่งประเทศไทย ซึ่งเป็นหุ้นสามัญ 100 บริษัทที่มีมูลค่าตลาดสูงและการซื้อขายมีสภาพคล่องสูงอย่างสม่ำเสมอถือว่าเป็นหุ้นที่มีปัจจัยพื้นฐานดี มีอัตราการเติบโตของบริษัทอย่างต่อเนื่อง เป็นที่สนใจของนักลงทุนทั่วไป ในการจัดกลุ่มได้นำเอา อัตราส่วนเงินปันผลตอบแทน (Dividend Yield) และ ค่าความเสี่ยงของหุ้น (BETA) ระยะเวลา 3 ปี 274 ตัว ผลการจัดกลุ่มทั้ง 4 วิธี พบว่า K-means สามารถจัดออกมาได้ 3 กลุ่มได้แก่กลุ่มที่ หุ้นปลอดภัยแต่ให้ปันผลต่ำ 192 ตัว หุ้นปันผลสูง ความเสี่ยงต่ำ 4 ตัว และ หุ้นเติบโตและมีความเสี่ยงสูง 78 ตัวส่วนเทคนิค Hierarchical สามารถจัดกลุ่มได้ 3 กลุ่ม ได้แก่กลุ่มที่ หุ้นปลอดภัยแต่ให้ปันผลต่ำ 163 ตัว หุ้นปันผลสูง ความเสี่ยงต่ำ 4 ตัว และ หุ้นเติบโตและมีความเสี่ยงสูง 107 ตัวส่วนเทคนิค DBSCAN แบ่งเป็น 2 กลุ่มได้แก่กลุ่มหลัก 266 ตัว นอกกลุ่ม 8 ตัวส่วนเทคนิค Fuzzy C-means แบ่งเป็น 3 กลุ่ม ได้แก่หุ้นปันผลสูงและความเสี่ยงต่ำ 89 ตัว หุ้นที่มีความสมดุลระหว่างความเสี่ยงและผลตอบแทน 138 ตัว และหุ้นที่มีความผันผวนสูง 47 ตัว