เทรดเดอร์สถาบันหา edge จากที่ไหน — ไปป์ไลน์ 6 ขั้นจากงานวิจัยสู่ระบบที่เทรดจริง

ทำไมเราเลือกคลิปนี้เป็นหน้าแรกของคลังความรู้ — เพราะมันตอบคำถามที่บทเรียนชุดนี้ถามใน M11 ด้วยเสียงของคนที่ทำงานอยู่ในฟลอร์เทรดจริง: อะไรคือความต่างระหว่างคนที่กำไรสม่ำเสมอกับคนที่ไม่ คำตอบของเขาไม่ใช่ตัวชี้วัดลับหรือข้อมูลวงใน แต่เป็นกระบวนการตรวจสอบที่ทำซ้ำได้ และเป็นกระบวนการเดียวกับที่เราใช้ตัดสินว่าระบบของเราตัวไหนได้ไปต่อ ตัวไหนถูกทิ้ง

ผู้พูดคือ Matteo Conti เข้าทำงานในธนาคารใหญ่ของยุโรปปี 2018 ได้ดูแลพอร์ตของตัวเองปี 2019 ตอนออกจากธนาคารมีปริมาณการซื้อขายผ่านมือราว 1.5 หมื่นล้านยูโรต่อปี และรันกลยุทธ์พร้อมกันกว่า 400 ชุด ปัจจุบันรันเองราว 25–100 ระบบแล้วแต่สภาพตลาด 00:00

ความต่างข้อเดียวที่อธิบายทุกอย่าง

03:05 ประโยคที่เป็นแกนของทั้งคลิป: รายย่อยไล่หา “เทรด” ส่วนสถาบันไล่หา “กลยุทธ์ที่ผ่านการตรวจสอบแล้ว”

ความต่างนี้ฟังดูเหมือนเรื่องเดียวกัน แต่ไม่ใช่ เขาอธิบายด้วยตัวเลขเดียวกัน 05:09

• ถ้ามีคนบอกว่า “setup นี้ชนะ 70%” แล้วคุณเอาไปเทรดครั้งเดียว — เลข 70% ไม่ได้ให้อะไรคุณเลย ครั้งนี้คุณอาจอยู่ใน 30% ก็ได้
• แต่ถ้าเป็นกลยุทธ์ที่ผ่านการตรวจสอบ แล้วคุณทำซ้ำอย่างเป็นระบบทุกครั้ง 100 ครั้ง — ทางสถิติคุณจะชนะราว 70 ครั้ง

เลขเดียวกัน แต่ความหมายต่างกันสิ้นเชิง เพราะเลขนั้นจะเป็นจริงก็ต่อเมื่อคุณทำซ้ำเหมือนเดิมทุกครั้งจนครบจำนวนที่มากพอ นี่คือเหตุผลที่เขาบอกว่ารายย่อยกำไรไม่สม่ำเสมอ ขณะที่สถาบันกำไรได้แทบทุกเดือน

“คุณไม่ได้ความแน่นอน — ผมไม่อยากให้เข้าใจผิด — แต่มันคือสิ่งที่ใกล้เคียงความแน่นอนที่สุดเท่าที่จะหาได้ในตลาด” Matteo Conti · 05:09

ไปป์ไลน์ที่เทรดเดอร์สถาบันทุกคนเดินตาม

04:09 ทั้งกระบวนการมีหกขั้น และห้ามข้าม:

1. ไอเดีย — มาจากไหนคือหัวใจ (หัวข้อถัดไป)
2. กฎ — ต้องเฉพาะเจาะจงจนป้อนให้เครื่องทำแทนได้ ถ้ายังต้อง “ใช้ดุลยพินิจ” แปลว่ากฎยังไม่เสร็จ
3. เข้ารหัส — แปลงกฎเป็นโปรแกรม
4. Backtest — เล่นประวัติศาสตร์ซ้ำ ทุกครั้งที่เงื่อนไขเข้าก็จำลองเทรด ได้เส้นทุนหนึ่งเส้นและชุดสถิติ (กำไรสุทธิ อัตราชนะ กำไรเฉลี่ยต่อเทรด drawdown)
5. ตรวจสอบ (validation) — สองชั้น รายละเอียดอยู่หัวข้อถัดไป
6. เทรดจริง — ซึ่งหมายถึงการทำงานอัตโนมัติ ไม่ใช่การนั่งเฝ้าจอ

07:13 เขาย้ำว่าอย่า backtest ด้วยมือ เพราะจุดประสงค์ของขั้นที่ 3 คือทำให้ขั้นที่ 4 ทำซ้ำได้เป็นหมื่นครั้ง

06:12 ข้อสังเกตที่น่าสนใจ: ขั้น “เข้ารหัส” เคยเป็นกำแพงที่กั้นรายย่อยออกจากวิธีทำงานแบบนี้มานาน จนกระทั่งโมเดลภาษาขนาดใหญ่แพร่หลายในปี 2023 กำแพงนั้นจึงหายไป

18:53 และคำถามที่ตามมาคือ “ถ้าเครื่องเทรดแทน แล้วงานของคุณคืออะไร” คำตอบ: งานของเทรดเดอร์สถาบันคือการวิจัยเพื่อให้แน่ใจว่ากลยุทธ์ที่เทรดอยู่มีค่าคาดหวังเป็นบวกจริง ระหว่างที่ระบบทำงานมีหน้าที่สองอย่างเท่านั้น — เฝ้าดูผลงาน และเฝ้าดูความเสี่ยง แล้ววนกลับไปเริ่มไปป์ไลน์ใหม่กับกลยุทธ์ตัวถัดไป

การตรวจสอบสองชั้น — ขั้นที่รายย่อยข้ามเสมอ

ชั้นที่ 1 — แยกข้อมูล in-sample / out-of-sample

09:18 สมมติมีข้อมูล 10 ปี ให้แบ่งราว 80% เป็น in-sample และ 20% เป็น out-of-sample

• ตอนพัฒนา คุณทำงานเฉพาะกับ in-sample เท่านั้น — เพิ่มกฎ ลดกฎ ปรับพารามิเตอร์ ปรับจนกว่าจะดูดี
• จากนั้นแช่แข็งกฎไว้ แล้วเอาไปทดสอบกับ out-of-sample ที่โมเดลไม่เคยเห็น

11:26 ถ้า in-sample สวยแต่ out-of-sample พัง แปลว่า overfitting — คุณใส่กฎหรือพารามิเตอร์มากเกินไปเพียงเพื่อให้เส้นทุนในอดีตสวย ถ้าทั้งสองส่วนดีทั้งคู่ แปลว่ามีโอกาสสูงที่มันจะทำงานกับข้อมูลจริงด้วย

ชั้นที่ 2 — Monte Carlo

11:26 เขาบอกว่าคำนี้ดูน่ากลัวบนอินเทอร์เน็ต แต่แก่นเรียบง่ายมาก และมีสองแบบที่ต้องแยกให้ออก

แบบที่ 1 — Reshuffle (สลับลำดับ) 12:30 เอาเทรดทั้งหมดจาก backtest มาสลับลำดับใหม่ แล้วสร้าง “ประวัติศาสตร์ทางเลือก” ขึ้นมาหลายพันเส้น จุดเริ่มและจุดจบเหมือนเดิมเสมอ (เพราะเทรดชุดเดียวกัน) แต่เส้นทางระหว่างทางต่างกัน

วิธีอ่านผล: ถ้าเส้นทั้งหมดกระจายตัวแคบรอบค่าเฉลี่ย = edge แข็งแรง ไม่ว่าเทรดจะมาลำดับไหนผลก็คล้ายเดิม · ถ้ากระจายกว้างมากจากบนสุดถึงล่างสุด = edge อ่อน ผลลัพธ์ของคุณขึ้นกับโชคของลำดับเทรด

13:31 ตัวอย่างที่พิธีกรยกให้เห็นภาพ: ถ้าใน backtest จริงแพ้ติดกันสูงสุด 15 ครั้ง แต่พอสลับลำดับแล้วมีเส้นที่แพ้ติดกัน 45 ครั้ง — นั่นคือสิ่งที่คุณต้องรู้ก่อนใส่เงิน ไม่ใช่หลังจากเจอเข้าจริง

แบบที่ 2 — Bootstrapping / Resampling 15:34 ต่างจากแบบแรกตรงที่ไม่ใช่แค่สลับ แต่สุ่มหยิบเทรดขึ้นมาใหม่ บางเทรดถูกหยิบซ้ำหลายครั้ง บางเทรดไม่ถูกหยิบเลย ทำให้จุดจบของแต่ละเส้นต่างกัน ได้ภาพที่เรียกกันว่ากราฟเส้นสปาเกตตี

16:34 ประโยชน์ที่ใช้ได้จริงคือมันให้ การกระจายของผลลัพธ์ ไม่ใช่ตัวเลขเดียว จากตรงนั้นคุณตอบได้ว่า กำไรที่คาดหวังเท่าไร และ ความน่าจะเป็นที่จะเจอ drawdown เกินระดับหนึ่งเป็นเท่าไร

17:39 แล้วเอาไปใช้ตอนเทรดจริงได้ด้วย — ถ้าการจำลองบอกว่าหลัง 10 เทรดมีโอกาสเพียง 5% ที่จะขาดทุนเกิน 10,000 ดอลลาร์ แล้วคุณเจอมันเข้าจริง นั่นคือสัญญาณเตือนให้หยุดระบบและกลับไปตรวจ ไม่ใช่เพราะรู้สึกไม่ดี แต่เพราะมันอยู่นอกช่วงที่ระบบควรจะเป็น

ไอเดียมาจากไหน — คำตอบที่เขาบอกว่า “ให้ขโมยไปเลย”

25:14 สิ่งที่ทำให้เขาประหลาดใจตอนเริ่มงานคือ เทรดเดอร์สถาบันจำนวนมากไปหาไอเดียจากที่เดียวกัน — คลังงานวิจัยสาธารณะอย่าง Social Science Research Network ซึ่งเปิดให้อ่านฟรี เขาประเมินว่า 90–95% ของไอเดียกลยุทธ์บนฟลอร์เทรดมาจากงานวิจัย ทั้งสายวิชาการ (อาจารย์ นักวิจัย) และสายอุตสาหกรรม (ผู้จัดการกองทุน เทรดเดอร์)

26:19 คำค้านที่เขาเจอบ่อยคือ “อ่านยาก” และ “edge หมดอายุไปแล้ว” (alpha decay) คำตอบของเขาคือกฎข้อเดียวที่สำคัญที่สุดของหัวข้อนี้:

อย่าลอกงานวิจัย — ให้ดูที่ข้อค้นพบ แล้วหา “ทำไม” เบื้องหลังมัน สรุปใจความจาก 26:19

เหตุผลว่าทำไมกลยุทธ์ควรได้เงินในอนาคต คือสิ่งที่จุดประกายให้คุณตั้งกฎของตัวเอง ส่วนตัวงานวิจัยเป็นเพียงจุดตั้งต้น 28:30 และไม่ต้องอ่านครบ 30–60 หน้าเองด้วย — ป้อนให้โมเดลภาษาช่วยสกัดว่า ข้อค้นพบคืออะไร และ ทำไมมันถึงควรได้เงิน

กฎสามข้อที่ทุกกลยุทธ์ต้องมี

29:32 ไม่ว่ากลยุทธ์จะมาจากไหน ต้องเติมสามช่องนี้ให้ครบ

ช่อง	คำถามที่ต้องตอบ
Entry	เงื่อนไขอะไรที่ทำให้เปิดสถานะ
Exit	ปิดที่ไหน — โดยปกติคือ take profit กับ stop loss และ 30:38 เงื่อนไขเวลา ที่พบบ่อยมาก เช่น ปิดหลังผ่านไปหนึ่งชั่วโมง หรือปิดที่ 15:00 ถ้ายังไม่โดนทั้ง TP และ SL
Position sizing	ขนาดเท่าไร — ช่องที่เขาบอกว่ารายย่อยแทบไม่พูดถึงเลย ทั้งที่มันลดโอกาสล้างพอร์ตและปรับผลตอบแทนต่อความเสี่ยงได้มาก

Position sizing ตามความผันผวน

40:31 ระหว่างพัฒนา ให้ใช้ขนาดคงที่ (เช่น 1 สัญญา) เพื่อให้อ่านผลง่าย แต่ไม่ควรเทรดจริงแบบนั้น เพราะขนาดคงที่แปลว่าวันผันผวนสูงคุณเสี่ยงเป็นหมื่น ส่วนวันผันผวนต่ำคุณเสี่ยงแค่หลักพัน วันที่เหวี่ยงแรงจะกลายเป็นตัวกำหนดผลของทั้งระบบ

ทางแก้ที่ใช้กันบนฟลอร์เทรดคือ volatility targeting — ตรึงจำนวนเงินที่เสี่ยงต่อเทรดให้เท่ากันเสมอ แล้วให้จำนวนสัญญาผันตามความผันผวน วันผันผวนสูงใช้สัญญาน้อยลง วันผันผวนต่ำใช้มากขึ้น ผลคือเส้นทุนเรียบขึ้นและผลตอบแทนต่อความเสี่ยงดีขึ้นตามนิยาม เขาอ้างงานวิจัยสองชิ้นที่ชื่อว่าด้วย volatility managed portfolios และ the impact of volatility targeting

ตัวอย่างที่ 1 — จาก “market intraday momentum” สู่ opening range breakout

33:49 งานวิจัยปี 2018

ข้อค้นพบ 35:02 — ผลตอบแทนของช่วงกลางคืน (gap) บวกกับ 30 นาทีแรกของการซื้อขาย (9:30–10:00 เวลาสหรัฐ) เปิดเผยความไม่สมดุลระหว่างผู้ซื้อกับผู้ขาย และทำนายผลตอบแทนของ 30 นาทีสุดท้ายของวัน ได้

ทำไม 36:04 — หลังตลาดปิด มีข้อมูลใหม่ไหลเข้ามาตลอด ทั้งข่าว ผลประกอบการ และการปรับสถานะทั่วโลก คำสั่งเหล่านี้มาปะทะกันใน 30 นาทีแรก ทำให้ความไม่สมดุลปรากฏออกมา และเพราะตลาดย่อยมันไม่หมดใน 30 นาที แรงที่เหลือจึงถูกส่งต่อไปทั้งวัน

การแปลงเป็นกฎ 38:12 — ไม่ลอกกฎในงานวิจัย (ถ้าลอกจะได้เส้นทุนสวยถึงปี 2018 แล้วแย่หลังจากนั้น เพราะ alpha decay) แต่เอาแนวคิดเรื่องความไม่สมดุลที่เปิดเผยใน 30 นาทีแรก มาตั้งเป็น opening range breakout:

• Entry — เปิด long เมื่อราคาปิดเหนือ high ของกรอบ 9:30–10:00
• Exit — stop ที่ low ของกรอบ · take profit ที่ 1:1 หรือ 1:2 · เพิ่มเงื่อนไขเวลา เช่น ปิดที่ 15:30 ถ้ายังไม่โดนอะไร
• Position sizing — ตามหัวข้อก่อนหน้า

41:31 ข้อสังเกตจากประสบการณ์: กลยุทธ์ประเภทนี้ทำงานได้ดีกว่าฝั่ง long เพราะเมื่อราคาหลุดขอบล่าง มักมีผู้ซื้อเข้ามารับจนความไม่สมดุลหายไป ต่างจากฝั่งขึ้นที่แรงมักลากต่อ

46:48 และนี่คือส่วนที่ผมคิดว่ามีค่าที่สุดของตัวอย่างนี้ — เหตุผลเชิงโครงสร้างที่ทำให้ opening range breakout ใช้ได้มาหลายปี: ผู้เล่นสถาบันจำนวนมากถูกกำหนดให้ซื้อขายได้หลัง 9:30 เท่านั้น พวกเขาไม่ได้เลือกจะไม่ส่งคำสั่งก่อนหน้า แต่ส่งไม่ได้ ถ้าวันหนึ่งกฎนี้เปลี่ยน ความไม่สมดุลที่เปิดเผยใน 30 นาทีแรกก็จะหายไปด้วย

การรู้ “ทำไม” จึงไม่ใช่เรื่องปรัชญา แต่บอกคุณว่าเมื่อไรกลยุทธ์นี้จะตาย

ตัวอย่างที่ 2 — VWAP และเหตุผลที่การข้ามเส้นสร้างการเคลื่อนไหวแรง

48:55 งานวิจัยสายอุตสาหกรรมที่ตั้งชื่อไว้ทำนองว่า VWAP คือ “holy grail” ของระบบเทรดรายวัน

ข้อค้นพบ 52:09 — เปิด long เมื่อราคาปิดเหนือ VWAP เปิด short เมื่อปิดใต้ VWAP และปิดสถานะเมื่อราคาข้ามกลับ ทดสอบบน QQQ กราฟ 1 นาที ให้ผลตอบแทนระดับ 671% ในห้าปี ตามที่รายงานในงานวิจัย

53:16 เขาบอกทันทีว่า “เราไม่สนพาดหัว” สิ่งที่ต้องหาคือเหตุผล

ทำไม 54:23 — เทรดเดอร์สถาบันแทบทุกคนใช้ VWAP algo ในการส่งคำสั่ง อย่างน้อยครั้งหนึ่ง หรือแทบทุกวัน มันคืออัลกอริทึมที่พยายามให้ราคาเติมของตัวเองใกล้ VWAP มากที่สุด และเป็นอัลกอริทึมแบบ volume participation คือถ้าช่วงไหนมีปริมาณซื้อขายมาก มันก็ส่งคำสั่งมากตามไปด้วย

55:27 เมื่อผู้เล่นจำนวนมากใช้ตรรกะเดียวกันพร้อมกัน การที่ราคาข้ามเส้น VWAP จึงถูกขยายแรงขึ้นไปอีก นี่คือกลไก ไม่ใช่ความบังเอิญ

การแปลงเป็นกฎ 55:27 — ไม่จำเป็นต้องใช้ QQQ เพราะเขียนโค้ดครั้งเดียวแล้วเอาไปทดสอบกับอะไรก็ได้: NQ, ES, น้ำมันดิบ, หุ้นรายตัว ตราบใดที่คุณรู้ว่ามีสถาบันใช้อัลกอริทึมแบบนี้กับสินค้านั้น · 57:34 เรื่องพารามิเตอร์ เขาแนะนำให้เริ่ม VWAP จากเวลาเปิดตลาด แล้วค่อยทดสอบว่าต้องผ่านไปกี่นาทีหรือกี่ชั่วโมงจึงได้ผลดีที่สุด

ตัวอย่างที่ 3 — post-earnings announcement drift: ความผิดปกติที่อยู่มา 60 ปี

59:39 ตัวอย่างนี้ต่างจากสองอันแรกตรงที่มาจากงานวิจัยหลายชิ้นต่อยอดกัน

แนวคิด 61:51 — ถ้าผลประกอบการออกมาดีเกินคาดและราคาตอบรับเป็นบวก หุ้นมักจะไหลขึ้นต่ออีกหลายวันถึงหลายสัปดาห์ และกลับกันสำหรับผลที่ต่ำกว่าคาด

พัฒนาการของงานวิจัยสามชั้น 62:55

ปี	สิ่งที่เพิ่มเข้ามา
1968	การสังเกตครั้งแรกว่ามีการไหลต่อหลังประกาศผลประกอบการจริง
1989	วัดได้ว่าการไหลนั้นกินเวลา ราว 60 วันทำการ (ประมาณสามเดือน)
2006	เพิ่มแนวคิด analyst consensus — เทียบกำไรต่อหุ้นจริงกับที่นักวิเคราะห์คาด ไม่ใช่ดูแค่ปฏิกิริยาราคา ซึ่งกลายเป็นมาตรฐานปัจจุบัน

ทำไมข้อมูลไม่ถูกสะท้อนในราคาทันที 68:14 — ขัดกับสมมติฐานตลาดมีประสิทธิภาพที่สอนในมหาวิทยาลัย แต่มีงานวิจัย 60 ปียืนยัน เหตุผลสองข้อ:

1. ข้อมูลเดินทางช้า — หุ้นเล็กและกลางมีนักวิเคราะห์ติดตามน้อยกว่าหุ้นใหญ่ 69:16 มีงานวิจัยปี 2021 พบว่าถ้าเอากลยุทธ์นี้ไปใช้กับ mega cap จะไม่เหลือ edge เลย เพราะข้อมูลถูกสะท้อนทันที
2. ข้อจำกัดด้านสภาพคล่อง 70:27 — ผู้จัดการกองทุนที่อยากสร้างสถานะใหญ่อาจทำไม่ได้ในวันเดียวเพราะสภาพคล่องไม่พอ จึงกระจายคำสั่งไปอีกสิบวันหรือสองสัปดาห์ — และนั่นเองคือสิ่งที่สร้าง “การไหล”

การแปลงเป็นกฎ 71:35 — entry: ราคาตอบรับบวก และ กำไรต่อหุ้นจริงสูงกว่าที่คาด → เปิด long ตอนเปิดตลาดวันถัดไป · exit: เริ่มจากเงื่อนไขเวลา 60 วันตามงานวิจัย แล้วค่อยทดลองเพิ่ม stop loss ใน in-sample · position sizing: สัดส่วนของพอร์ตต่อหุ้น หรือผูกกับขนาดของ surprise

76:53 ข้อควรระวังที่อัปเดตแล้ว: ฝั่ง short ได้ผลน้อยลงเรื่อยๆ เพราะบริษัทที่รู้ว่าตัวเลขจะออกมาแย่มักจะประกาศล่วงหน้า เพื่อลดแรงกระแทก ราคาจึงตอบรับไปก่อนแล้ว — กลยุทธ์นี้ต้องการความประหลาดใจ เมื่อไม่มีความประหลาดใจก็ไม่มีการไหล

ตัวอย่างที่ 4 — overnight anomaly และคำสารภาพเรื่องความเรียบง่าย

81:03 ก่อนเข้าตัวอย่างสุดท้าย เขาพูดประโยคที่ผมคิดว่าควรอยู่ในหัวคนอ่านทุกคน:

ความซับซ้อนไม่ได้แปลว่ากำไรมากกว่า — บ่อยครั้งมันแปลว่าเปราะบางกว่า เพราะมีจุดที่พังได้มากขึ้น สรุปใจความจาก 81:03 — เขาบอกว่ากำไรราว 80% ที่ทำให้ธนาคารมาจากกลยุทธ์ที่เรียบง่ายมาก

82:17 งานวิจัยปี 2008 ว่าด้วยความต่างของผลตอบแทนระหว่างชั่วโมงที่ตลาดเปิดกับชั่วโมงที่ตลาดปิด พบว่าเมื่อแยกผลตอบแทนของดัชนีออกเป็นสองส่วน ราว 90% ของผลตอบแทนมาจากการถือข้ามคืน ส่วนช่วง 9:30–16:00 แทบไม่ให้อะไรเลย

83:21 เขาชวนให้ทดสอบเองง่ายๆ: กลยุทธ์ที่เปิด long ตอน 16:00 และปิดตอน 9:30 วันรุ่งขึ้น ถ้าเอาไปรันบน NQ ตั้งแต่ปี 2015 ถึงกลางปี 2026 จะเห็นสัดส่วนราว 90/10 แบบเดียวกัน และไม่ใช่แค่ NASDAQ แต่เห็นในหลายดัชนี

ทำไม 85:31 — ยังไม่มีทฤษฎีเดียวที่อธิบายได้หมด มีสองแนวคิดหลัก: overnight risk premium (คนที่ยอมถือข้ามคืนในภาวะสภาพคล่องต่ำต้องได้รับผลตอบแทนชดเชย — แต่หลายคนแย้งว่า 90% สูงเกินกว่าจะอธิบายด้วยเหตุผลนี้อย่างเดียว) และ overnight liquidity 86:32 (ข่าวออกตอนสภาพคล่องบาง ราคาจึงตอบสนองแรงเกินจริง แล้วค่อยกลับเข้าหามูลค่าที่เหมาะสมในเวลาทำการ)

87:32 และเขาปิดด้วยการต่อจิ๊กซอว์ให้ดู: ถ้า 90% ของผลตอบแทนเกิดตอนกลางคืน แล้วทำไมไม่ลองสร้าง opening range breakout ที่ทำงานในช่วงกลางคืน ล่ะ — นี่คือตัวอย่างของการเอา “ทำไม” จากงานวิจัยสองชิ้นมาชนกันเพื่อสร้างไอเดียใหม่

การเข้ารหัสด้วยโมเดลภาษา — ทำทีละขั้น อย่าสั่งรวดเดียว

88:35 เขาเตือนว่า อย่าคาดหวังว่าโมเดลภาษาคือวิศวกรอาวุโส ให้ทำแบบวนซ้ำทีละชั้น:

1. สั่งให้เขียนเฉพาะ entry ก่อน — “เปิด long ตอน 16:00” แล้วตรวจว่าทำงานถูก
2. เพิ่ม exit — “ปิดตอน 9:30” แล้วตรวจอีกครั้ง
3. เพิ่ม position sizing — ผูกขนาดกับความผันผวน แล้วตรวจอีกครั้ง

90:49 เขาชี้ว่าเครื่องมืออย่าง MultiCharts (ภาษา EasyLanguage) หรือ Pine Script บน TradingView ใช้ได้ทั้งคู่ และเทคนิคที่ได้ผลคือป้อนคู่มือของภาษานั้นให้โมเดลอ่านก่อน

91:53 จุดที่ผมคิดว่าสำคัญและมักถูกมองข้าม: คุณไม่จำเป็นต้องทำระบบอัตโนมัติทั้งหมด ถ้าเรียนรู้แค่การเขียนโค้ดเวอร์ชันพื้นฐานเพื่อ backtest ให้ถูกวิธี คุณอาจเลือกทำอัตโนมัติแค่บางส่วน หรือใช้มันเป็นเพียงตัวยืนยันแล้วยังเทรดด้วยมือต่อไปก็ได้

เป้าหมายปลายทาง — พอร์ตของกลยุทธ์ที่ไม่สัมพันธ์กัน

92:55 เป้าหมายไม่ใช่การมีกลยุทธ์เดียวที่ดีที่สุด แต่คือการรันกลยุทธ์ที่ไม่สัมพันธ์กันหลายตัวพร้อมกัน เพราะกลยุทธ์ที่เก่งในตลาดเทรนด์จะแย่ในตลาดกลับสู่ค่ากลาง และกลับกัน เมื่อรวมกันจึงได้เส้นทุนที่เรียบขึ้น — นี่คือเหตุผลที่สถาบันกำไรได้แทบทุกเดือน

93:56 คำแนะนำเชิงปริมาณสำหรับรายย่อย: อย่างน้อยสาม–สี่กลยุทธ์พร้อมกัน เพราะถ้าเป็นระบบอัตโนมัติ การดูสี่ตัวพร้อมกันไม่ได้ยากเหมือนเฝ้าด้วยมือ · ส่วนตัวเขาทบทวนกลยุทธ์ที่รันอยู่เดือนละครั้ง และยอมรับว่ากลยุทธ์ย่อมหมดอายุ งานจริงจึงเป็นวงจรที่ไม่จบ: วิจัย → ปรับ → ตรวจสอบ → ปล่อย → วนกลับ

ปรับใช้กับบทเรียนและงานของเรา

นี่คือส่วนที่เราเขียนเอง ไม่ได้มาจากคลิป

สิ่งที่ตรงกับสิ่งที่เราทำอยู่แล้ว

• ไปป์ไลน์ของเขา = M11 ของบทเรียนชุดนี้เกือบทั้งหมด · การแยก in-sample/out-of-sample คือสิ่งที่ DeskTrend_H4 ผ่านมาแล้วในรูปของ anchored walk-forward (OOS PF 1.39)
• “อย่าลอกงานวิจัย ให้หา why” คือสิ่งที่เราเจอกับตัวเองในโมดูล AVR: ตัวคูณเดิมยืมมาจาก NQ พอวัดกับทองจริง 948 เซสชันพบว่ากว้างเกินไป 2–2.5 เท่าและความไม่สมมาตรกลับด้าน (ดูตารางคาลิเบรต)
• Volatility targeting = สิ่งที่ DeskTrend ทำอยู่แล้ว (เสี่ยง 0.75% ต่อระยะ stop) และเป็นเหตุผลที่มันไม่ระเบิดในปีที่ผันผวนสูง
• พอร์ตกลยุทธ์ที่ไม่สัมพันธ์กัน = การกระจายทิศทางที่เราวางไว้ระหว่างระบบตามเทรนด์กับระบบ retest ที่ระดับ cluster

สิ่งที่เรายังไม่ได้ทำ และควรทำ

• Monte Carlo บนรายการเทรดของ DeskTrend — เรามีไฟล์เทรด 290 รายการอยู่แล้ว การสลับลำดับหลายพันครั้งจะตอบคำถามที่ยังค้างอยู่ได้ตรงๆ ว่า “กำไรที่กระจุกใน 2023–25 และ 10 เทรดใหญ่ที่คิดเป็น 142% ของกำไรสุทธิ เป็น edge จริงหรือเป็นโชคของลำดับ” — นี่คืองานชิ้นถัดไปที่ชัดเจนที่สุดจากคลิปนี้
• การกระจายของ drawdown เพื่อใช้ตอนเทรดจริง — ตัวเลข “หลัง n เทรด ควรเจอ drawdown ไม่เกินเท่าไร” คือเกณฑ์หยุดระบบที่มีที่มา ต่างจากการหยุดเพราะรู้สึกไม่ดี

สิ่งที่ใช้กับทองคำไม่ได้ตรงๆ

• ตัวอย่างที่ 1 และ 4 พึ่งพาเวลาเปิดปิดตลาดหุ้นสหรัฐ ทองคำ spot ซื้อขายเกือบ 24 ชั่วโมงและไม่มี “gap ข้ามคืน” แบบดัชนี ความไม่สมดุลจึงไม่ได้กระจุกที่ 9:30 แบบเดียวกัน (สิ่งที่ใกล้เคียงที่สุดของเราคือกรอบเซสชัน Asia ในโมดูล AVR)
• ตัวอย่างที่ 3 ใช้กับหุ้นรายตัวเท่านั้น ทองไม่มีผลประกอบการ
• ตัวอย่างที่ 2 พอมีเหตุผลรองรับบนทอง เพราะ VWAP algo ถูกใช้กับสินค้าที่มีสภาพคล่องสูงทั่วไป แต่ยังไม่มีใครในบทเรียนชุดนี้ทดสอบมัน จึงยังเป็นเพียงสมมติฐาน

ข้อจำกัดและสิ่งที่ควรตั้งคำถาม

• ตัวเลขทั้งหมดเป็นของผู้พูดและงานวิจัยที่เขาอ้าง เราไม่ได้ตรวจสอบซ้ำ ตัวเลขอย่าง 671% ในห้าปี หรือ 90% ของผลตอบแทนมาจากกลางคืน เป็นผลก่อนหักต้นทุนและอยู่บนสินค้าและช่วงเวลาที่กำหนดไว้ ต้นทุนการเทรดบนกราฟ 1 นาทีนั้นสูงมากและสามารถกลืน edge ได้ทั้งหมด
• alpha decay เป็นเรื่องจริง เขาเองก็ยอมรับ — กลยุทธ์ที่เผยแพร่แล้วย่อมถูกใช้จนอ่อนลง เหตุผลที่เขาเน้น “why” ก็เพราะมันบอกว่าเมื่อไรกลไกจะหายไป
• การรันหลายกลยุทธ์พร้อมกันต้องการทุน ข้อจำกัดขนาดล็อตขั้นต่ำทำให้พอร์ตเล็กไม่สามารถกระจายได้จริงอย่างที่ทฤษฎีบอก — เป็นข้อเดียวกับที่รายงาน DeskTrend ของเราระบุไว้
• คลิปมีสปอนเซอร์และลิงก์แนะนำหลายราย (แพลตฟอร์ม prop firm เครื่องมือ) ซึ่งเป็นเรื่องปกติของช่อง แต่ควรแยกระหว่างเนื้อหาที่เป็นความรู้กับส่วนที่เป็นโฆษณา เมื่อรับฟัง

ปรับปรุง 2026-09-10 — คำถามที่หน้านี้ตั้งไว้เอง ตอบไปแล้วสามข้อ

หน้านี้เขียนไว้ก่อนงานทดลอง S27–S38 ของโปรแกรม EDGE · ระหว่างนั้นมีสามข้อที่หน้านี้ ระบุว่า “ยังไม่ได้ทำ” หรือ “ยังเป็นเพียงสมมติฐาน” ซึ่งตอนนี้มีคำตอบแล้ว

① Monte Carlo บนรายการเทรดของ DeskTrend — เราทำสิ่งที่แรงกว่านั้น

หน้านี้เคยระบุว่านี่คืองานชิ้นถัดไปที่ชัดเจนที่สุด · สิ่งที่เราทำจริงคือคำถามที่ใหญ่กว่า: เทียบกับการถือทองเฉย ๆ ที่ความเสี่ยงเท่ากัน บนทุน 2,000$ ตลอด 13.7 ปี

	CAGR	Sharpe	MaxDD	Calmar
DeskTrend_H4	2.47%	0.14	33.3%	0.07
ถือทองเฉย ๆ	7.01%	0.44	38.2%	0.18
เงินฝาก	1.87%	—	0%	—

ระบบแพ้การถือทองทุกตัวชี้วัด และดีกว่าเงินฝากเพียง 0.60%/ปี โดยแลกกับการขาดทุนสูงสุด 33% (ตารางเต็มที่ DeskTrend — สัญญาณหรือการคุมความเสี่ยง) · Monte Carlo คงบอกได้ว่าลำดับไม้สำคัญแค่ไหน แต่ตอบไม่ได้ว่า ทางเลือกที่ง่ายกว่าดีกว่าหรือเปล่า ซึ่งเป็นคำถามที่สำคัญกว่า

② VWAP บนทอง — ทดสอบแล้ว และผลไม่เหมือนบน QQQ

หน้านี้เคยระบุว่า “ยังไม่มีใครในบทเรียนชุดนี้ทดสอบมัน จึงยังเป็นเพียงสมมติฐาน” ตอนนี้ทดสอบแล้ว: VWAP ผ่านชุดควบคุมแบบยาหลอกทั้งสามชุด แต่แพ้ป้ายที่ถูกกว่าและโง่กว่า — คือ “ราคาอยู่เหนือหรือใต้กึ่งกลางกรอบเซสชัน” ซึ่งให้สัญญาณตรงกัน 450 จาก 472 ไม้ (บันทึกที่ VWAP)

เหตุผลน่าจะเป็นว่า ทองสปอตไม่มีปริมาณรวมศูนย์ให้ VWAP algo อ้างอิง — กลไกที่ทำให้กลยุทธ์นี้ได้ผลบน QQQ จึงไม่มีอยู่บนทองสปอตตั้งแต่แรก

③ Volatility targeting — ของเราไม่ผ่าน

หน้านี้เคยเขียนว่ามันคือสิ่งที่ DeskTrend ทำอยู่แล้วและเป็นเหตุผลที่มันไม่ระเบิด · แต่เมื่อทดสอบมันเป็นตระกูลเดี่ยว (F4) บนสนามวิจัยของเรา มันไม่ผ่านการตรวจรับ เหมือนอีกสี่ตระกูล ⇒ เป็นเทคนิคที่ต้องทดสอบบนของตัวเอง ไม่ใช่รับมาได้เลย

⚠ และข้อที่เราอยากเติมให้การตรวจรับในคลิป

Monte Carlo แบบสลับลำดับ ทดสอบว่าผลขึ้นกับ ลำดับ ของไม้หรือไม่ · มันไม่ได้ทดสอบว่าสัญญาณชนะ สมมติฐานว่าง หรือไม่

กลยุทธ์ที่ไม่มีขอบเลย แต่บังเอิญอยู่ในสินทรัพย์ที่มีดริฟต์ขาขึ้น จะผ่าน Monte Carlo แบบสลับลำดับสบาย ๆ เพราะไม้ทุกไม้ยังเป็นไม้เดิม · ในงานของเรามีผลบวกที่ตายเมื่อเพิ่มแขนควบคุมที่คลิปไม่ได้พูดถึง:

แขนควบคุม	ตอบคำถามว่า
เข้าสุ่มที่จำนวนไม้เท่ากัน	ดีกว่าการโยนเหรียญที่ความถี่เดียวกันไหม
จับคู่เวลาของวัน	ดีกว่าการเข้าเวลานี้ของวันเฉย ๆ ไหม
เลื่อนระดับ / เลื่อนเวลา	ระดับสำคัญ หรือแค่ความผันผวนสำคัญ
สับเป้าหมายทั้งไปป์ไลน์	เราวัดความสามารถของ ตลาด หรือของ ไปป์ไลน์
เทียบกับทางเลือกที่ฟรี	ดีกว่า ถือสินทรัพย์นั้นเฉย ๆ ไหม

แถวสุดท้ายคือบทเรียนที่แพงที่สุดของเรา และเป็นที่มาของข้อ ① ข้างบน — Monte Carlo วัดเทียบศูนย์ แต่ศูนย์ไม่ใช่ทางเลือกจริงของเงินก้อนนั้น

ตั้งคำถามกับคลิปนี้ — และคำตอบว่าทำไม

ทำไม “อย่าลอกงานวิจัย ให้หาทำไม” ถึงเป็นกฎที่แพงที่สุดถ้าไม่ทำตาม — เพราะพารามิเตอร์คือคำตอบของตลาดหนึ่งในช่วงเวลาหนึ่ง ส่วนกลไกคือเหตุผลที่คำตอบนั้นมีอยู่ · ถ้ากลไกยังอยู่ในตลาดใหม่ คำตอบใหม่หาได้ · ถ้ากลไกไม่อยู่ พารามิเตอร์เดิมคือตัวเลขสุ่ม · เราจ่ายค่าเรียนข้อนี้แล้วสองครั้ง: ตัวคูณ AVR จาก NASDAQ (กว้างเกินทอง 2–2.5 เท่า · ความไม่สมมาตรกลับด้าน) และตัวคูณ 3.1 ของคลิป Trader MNQ ที่วัดบนทองแล้วติดลบทุกกรอบเวลา

ทำไมไปป์ไลน์หกขั้นถึงห้ามข้าม — และขั้นไหนที่รายย่อยข้ามจริง — เพราะแต่ละขั้นตัดความผิดพลาดคนละชนิด: ขั้น 2 ตัดความคลุมเครือ · ขั้น 3 ตัดความไม่สม่ำเสมอของมนุษย์ · ขั้น 4 ตัดความจำที่เลือกได้ · ขั้น 5 ตัดการฟิตทับ · ขั้นที่ถูกข้ามคือขั้น 5 เสมอ เพราะเป็นขั้นเดียวที่บอกข่าวร้าย — สี่ขั้นแรกทุกขั้นจบด้วยตัวเลขที่ดูดีขึ้น ขั้นที่ห้าคือขั้นเดียวที่พรากมันไป

ทำไม Monte Carlo แบบสลับลำดับถึงไม่พอ — ทั้งที่ฟังดูเข้มงวด — เพราะมันเก็บไม้เดิมไว้ทุกไม้ แล้วถามแค่ว่าลำดับสำคัญไหม · กลยุทธ์ที่ไม่มีขอบเลยแต่อยู่ในสินทรัพย์ที่มีดริฟต์ขาขึ้น (เช่นการซื้อทองมั่ว ๆ ใน 2015–2022 ที่ทองขึ้น 3.7 เท่า) จะผ่านสบาย ๆ เพราะไม้ทุกไม้ยังกำไร · สิ่งที่ต้องเพิ่มคือแขนควบคุมที่เปลี่ยนไม้ — เข้าสุ่ม เลื่อนระดับ สับเป้าหมาย และเทียบกับการถือ

งานวิจัยที่แสดงบนจอ — ชื่อที่ตามไปอ่านต่อได้

เพิ่มเมื่อ 21 ก.ย. 2026 — ฉบับก่อนเล่าตัวอย่างทั้งสี่โดยไม่ระบุชื่องาน ทั้งที่คลิปเปิดหน้าแรกของงานแต่ละชิ้นบนจอ · ชื่อด้านล่างอ่านจากเฟรมความละเอียดเต็ม

เวลา	ตัวอย่าง	งานที่แสดง
34:00	1 · intraday momentum	Gao · Han · Li — Market Intraday Momentum
41:40	ขนาดสถานะตามความผันผวน	Moreira & Muir — Volatility-Managed Portfolios · Harvey, Hoyle, Korgaonkar, Rattray, Sargaison, Van Hemert — The Impact of Volatility Targeting (ฉบับ 25 มิ.ย. 2018)
50:40	2 · VWAP	Zarattini & Aziz — Volume Weighted Average Price (VWAP): The Holy Grail for Day Trading Systems (Concretum Research · 13 พ.ย. 2023)
60:30	3 · PEAD	Ball & Brown — An Empirical Evaluation of Accounting Income Numbers · Bernard & Thomas — Post-Earnings-Announcement Drift: Delayed Price Response or Risk Premium? (Journal of Accounting Research) · Fink — A review of the Post-Earnings-Announcement Drift (Journal of Behavioral and Experimental Finance)
82:50	4 · overnight	Return Differences between Trading and Non-trading Hours: Like Night and Day (ชื่อผู้เขียนไม่อยู่ในเฟรม)

ตัวเลขในบทคัดย่อของงาน VWAP ที่เห็นบนจอ — QQQ 2 ม.ค. 2018 ถึง 28 ก.ย. 2023 · ทุน 25,000$ โตเป็น 192,656$ หลังค่าคอม (+671%) · ดรอว์ดาวน์สูงสุด 9.4% · Sharpe 2.1 เทียบการถือ QQQ ช่วงเดียวกัน +126% ดรอว์ดาวน์ 37% Sharpe 0.7 · ตัวเลขเหล่านี้เป็นของผู้เขียนงาน ไม่ใช่ของผู้พูด และเป็นหน้าต่างเดียวบนสินทรัพย์เดียว · บนทองเราวัดแล้วได้คนละภาพ (ดูหัวข้อ “VWAP บนทอง” ด้านบน และหน้าบันทึก VWAP)

งาน overnight ที่แสดง — บทคัดย่อบอกว่าผลตอบแทนส่วนเกินของหุ้นสหรัฐในทศวรรษที่ศึกษามาจากช่วงนอกเวลาเทรด (ปิดถึงเปิด) ทั้งหมด ส่วนช่วงในเวลาเทรดใกล้ศูนย์หรือติดลบ และผลนี้ถือทั้งหุ้นรายตัว ดัชนี และฟิวเจอร์สดัชนี

ที่มาของเนื้อหา — ใครพูด และมีอะไรจะขาย

ใครพูด	Matteo Conti — อดีตเทรดเดอร์เชิงปริมาณสถาบัน · สัมภาษณ์โดย Chart Fanatics
ทำอะไร	อธิบายไปป์ไลน์หกขั้นจากงานวิจัยสู่ระบบอัตโนมัติ · การตรวจสอบสองชั้น · ที่มาของไอเดีย (SSRN) · สามช่องบังคับ (เข้า/ออก/ขนาด)
ที่ไหน	หุ้นและดัชนีสหรัฐเป็นหลัก · ตัวอย่างสี่ชิ้นจากวรรณกรรม (intraday momentum · VWAP · PEAD · overnight)
อย่างไร	เล่าจากประสบการณ์ฟลอร์เทรด · อ้างงานวิจัยสาธารณะ · ไม่แสดงข้อมูลดิบของตัวเอง
หลักฐาน	ตัวเลขทั้งหมดเป็นของงานวิจัยที่อ้าง ไม่ใช่ผลของเขาเอง · ไม่มีการตรวจสอบซ้ำในคลิป
แรงจูงใจ	สื่อ/การศึกษา · คลิปมีสปอนเซอร์และลิงก์แนะนำ (แยกส่วนความรู้กับส่วนโฆษณาเมื่อฟัง)

ใคร ทำอะไร ที่ไหน อย่างไร — ถอดเหตุการณ์ในตลาดจากบทเรียนนี้

คลิปนี้สอนกระบวนการ ไม่ใช่ตลาด — แต่ตัวอย่างทั้งสี่ที่เขายกมาล้วนเป็นเรื่องของคนที่ถูกบังคับให้ซื้อขาย และนั่นคือเหตุผลว่าทำไมขอบเหล่านั้นถึงมีอยู่

ใคร	ทำอะไร — และถูกบังคับด้วยอะไร	ที่ไหน	อย่างไร (กลไก)
ผู้ที่ต้องปรับสถานะเมื่อตลาดเปิด	คำสั่งที่สะสมมาข้ามคืนถูกปล่อยพร้อมกัน	30 นาทีแรกของตลาดหุ้นสหรัฐ	ความไม่สมดุลกระจุกที่ระฆังเปิด → กรอบช่วงแรกกลายเป็นจุดอ้างอิงของทั้งวัน (ตัวอย่างที่ 1)
อัลกอริทึมที่ถูกวัดด้วย VWAP	ต้องเติมของให้ราคาเฉลี่ยใกล้ VWAP · ข้อบังคับจากการวัดผลงาน	รอบเส้น VWAP	มีคำสั่งจริงเกาะเส้นนี้ → การข้ามเส้นทำให้อัลกอทั้งกองต้องเปลี่ยนพฤติกรรมพร้อมกัน (ตัวอย่างที่ 2)
นักวิเคราะห์และผู้จัดการกองทุนที่ปรับประมาณการช้า	ทยอยปรับมุมมองหลังผลประกอบการ ไม่ปรับทีเดียว	หลังประกาศงบ	ราคาจึงดริฟต์ต่อเป็นสัปดาห์ — ความผิดปกติที่อยู่มา 60 ปีเพราะข้อจำกัดเชิงองค์กร ไม่ใช่เพราะไม่มีใครรู้ (ตัวอย่างที่ 3)
ผู้ที่ไม่อยากถือความเสี่ยงข้ามคืน	ปิดก่อนปิดตลาด เปิดใหม่ตอนเช้า	ช่วงกลางคืน	ผลตอบแทนส่วนใหญ่ของดัชนีเกิดนอกเวลาทำการ — เพราะคนที่รับความเสี่ยงตอนนั้นมีน้อยกว่า (ตัวอย่างที่ 4)
ผู้จัดการที่มีข้อบังคับ vol-target	ปรับขนาดเมื่อความผันผวนเปลี่ยน · ไม่ได้มีมุมมองอะไร	ทุกกองทุน CTA	แรงที่คาดเดาได้และไม่เกี่ยวกับราคา — เป็นทั้งขอบและเป็นทั้งเครื่องมือคุมความเสี่ยงของเราเอง

อ่านเป็นประโยคเดียว — ทุกขอบในคลิปนี้มีคำตอบเดียวกันสำหรับคำถาม “ทำไมเงินก้อนนี้ถึงวางอยู่ตรงนั้นให้เราเก็บ” — เพราะมีคนที่ต้องทำบางอย่างโดยไม่ได้เลือก · ขอบที่ตอบคำถามนี้ไม่ได้ คือขอบที่ยังไม่ควรเชื่อ

แล้วบนทองคำ ตัวละครเหล่านี้อยู่ตรงไหน

ตัวละคร	มีในทองไหม	สิ่งที่วัดแล้ว
คนที่ต้องปรับสถานะตอนเปิด	ไม่มีระฆังเปิด — ทองเทรดเกือบ 24 ชม. · ที่ใกล้ที่สุดคือกรอบเซสชันเอเชีย	OCO ที่ขอบกล่อง +0.199R ก่อนสลิปเพจ · กล่องปลอม = กล่องจริง
อัลกอ VWAP	มี	VWAP จริงชนะ VWAP เลื่อน 4/4 — แต่เล็กกว่าต้นทุน 0.42 bp
การดริฟต์หลังงบ	ไม่มี — ทองไม่มีผลประกอบการ · ที่เทียบได้คือตัวเลขเศรษฐกิจสหรัฐ ซึ่งตีความได้สองทางทันที	หน้าต่างนิวยอร์กบ่าย −0.58 bp/วัน
ความเสี่ยงข้ามคืน	กลับด้าน — ทองมี swap ฝั่งซื้อ (เว้นบัญชี swap-free) และชั่วโมงกลางคืนของเราคือเซสชันเอเชียซึ่งเป็นเซสชันที่ให้ผลตอบแทนมากที่สุด	เอเชีย +1.29 bp/วัน
vol-target	มี และเป็นชิ้นที่ทำงานจริงในระบบเรา	return/DD 1.35 → 1.95 แต่ระบบยังแพ้การถือ

สิ่งที่ตามมา — เมื่อไล่ตัวละครทีละตัว จะเห็นว่าทองมีคนที่ถูกบังคับน้อยกว่าหุ้นมาก และคนที่ถูกบังคับมากที่สุดในทองคือผู้ซื้อทางกายภาพและธนาคารกลางในชั่วโมงเอเชีย (Iwatsubo) · นั่นคือที่เดียวที่เราวัดแล้วเจอทิศจริง — และมันยังเล็กกว่าค่าผ่านประตูอยู่ดี

การวิเคราะห์ — ไปป์ไลน์นี้เดินจนครบแล้ว และนี่คือผล

หน้านี้เป็นหน้าแรกของคลัง และเป็นหน้าที่กำหนดวิธีทำงานของทุกงานวิจัยบนเว็บนี้ · หนึ่งปีของการเดินตามมันให้ผลดังนี้

ขั้น	สิ่งที่เราทำจริง
① ไอเดีย	53 หน้าคลังความรู้ — งานวิจัย 19 ชิ้น · วิดีโอ 31 คลิป · บทเรียนภายใน 2 · eBook 1 · ทุกหน้าถอดกลไก ไม่ลอกพารามิเตอร์
② กฎ	แปลงเป็นสมมติฐานที่เขียนโค้ดได้ พร้อมค่าตั้งจริงของเจ้าของชาร์ต
③ เข้ารหัส	พอร์ตอินดิเคเตอร์ทั้งสี่ตัวจาก Pine เป็น Python (VARS ตรวจ 2/2 · CVP k-means ตรวจ 5/5 กับชาร์ตสด)
④ Backtest	Dukascopy M3 2015–2022 · เดินทีละแท่ง · แพ้เมื่อแท่งเดียวแตะสองฝั่ง · ต้นทุน 0.42 bp
⑤ ตรวจสอบ	คลัง 2023–26 ปิดตายที่ loader · ควบคุมสุ่มจับคู่ · เส้นปลอมเลื่อน · ablation · เกณฑ์ √(2 ln N)
⑥ เทรดจริง	ยังไม่มีระบบใดผ่านขั้น ⑤ — ผู้รอดคนเดียวอยู่บนเดโมเพื่อวัดสลิปเพจ

ตัวเลขรวมของขั้น ⑤: 1,029 สมมติฐาน ผ่าน 0

งาน	N	ผ่าน	สิ่งที่เหลือ
ทดสอบซ้ำด้วยค่าจริง	645	0	—
กฎ MR/TF บน M3	216	0	+RD ซื้อ ≈ เท่าทุน ชนะสุ่ม
หน้าต่างเวลา	8	0	เอเชีย +1.29 bp/วัน (t 1.47)
VARS ที่ขอบ VA	12	0	REJ > ACC
MR ตามบริบท	84	0	SL กว้าง > SL แคบ
ตามเทรนด์ที่ VWAP	48	0	VWAP จริงชนะ VWAP เลื่อน 4/4
ออกแบบย้อนกลับจากผลลัพธ์	16	0	OCO +0.199R ก่อนสลิปเพจ · กล่องปลอม = กล่องจริง

• ข้อ ① ที่ค้าง (Monte Carlo บน DeskTrend) ตอบด้วยสิ่งที่แรงกว่า — การแยกชิ้นส่วน: ระบบแพ้การถือทองที่ σ เท่ากันทุกตัวชี้วัด แม้ swap = 0 (Sharpe 0.20 vs 0.46) · vol-sizing คือชิ้นที่ทำงาน (ยก return/DD ของการถือทอง 1.35 → 1.95) ไม่ใช่สัญญาณ
• ข้อ ② VWAP ปิดแล้ว: ผ่านยาหลอกทั้งสามชุด แต่ตรงกับป้ายที่โง่กว่า 450/472 · และรอบใหม่พบว่า VWAP จริงชนะเส้นเลื่อนทั้ง 4 คู่ — มีข้อมูลจริง ขนาดเล็กกว่าต้นทุน 0.42 bp
• ข้อ ③ vol-targeting ไม่ผ่านเป็นตระกูลเดี่ยว และ Quan พบเช่นกันบน XAUUSD tick ว่าการปรับขนาดตามระบอบเป็นเลเวอเรจแฝง
• สิ่งที่เพิ่มเข้าไปในขั้น ⑤ หลังจากหน้านี้เขียน: บัญชีจำนวนครั้งที่ทดสอบ (Delgado PBO 40%) · การพิมพ์ n ต่อกลุ่มก่อนอ่านผล (l44) · การเดินทีละแท่งแทน excursion (l43)

นำไปใช้กับ XAUUSD

• ขั้นที่สำคัญที่สุดคือขั้น ⑤ และมันจะบอกข่าวร้ายเกือบทุกครั้ง — 1,029 ครั้งของเราคือข่าวร้าย 1,029 ครั้ง · นั่นคือระบบทำงาน ไม่ใช่ระบบล้มเหลว
• เกณฑ์เทียบของทองต้องเป็น “ถือทองที่ σ เท่ากัน” ไม่ใช่ศูนย์ — ทองขึ้น 3.7 เท่าในช่วงทดสอบ ระบบที่ชนะศูนย์แต่แพ้การถือทำให้เจ้าของจนลง
• สิ่งที่รอดจากหนึ่งปี: กล่องเอเชีย OCO (+0.199R ก่อนสลิปเพจ · แต่กล่องปลอมเท่ากล่องจริง = เป็นเรื่องของระยะทาง ไม่ใช่ระดับ) และ VWAP ในฐานะบริบท · ทั้งคู่อยู่ระหว่างวัดสลิปเพจจริงบนเดโม Pro
• ถ้าคุณกำลังจะเริ่มไปป์ไลน์นี้เอง ให้เริ่มที่ขั้น ⑤ ก่อน — สร้างเครื่องตัดสินแล้วแช่แข็ง (l35) ก่อนจะมีกลยุทธ์ให้ตัดสิน

สรุป

หน้าแรกของคลังบอกว่าไอเดียมาจากงานวิจัย กลไกสำคัญกว่าพารามิเตอร์ และขั้นตรวจสอบคือขั้นที่ห้ามข้าม · หนึ่งปีต่อมาเราเดินครบทั้งหกขั้นกับสมมติฐาน1,029 ข้อจากทุกแหล่งในคลังนี้ และไม่มีข้อใดผ่านขั้นที่ห้า · สิ่งที่คลังนี้ผลิตได้จริงคือ เครื่องตัดสินกับวินัย ไม่ใช่กลยุทธ์ — ซึ่งเป็นข้อสรุปเดียวกับทุกงานวิจัยที่ซื่อสัตย์ในคลังนี้