ระบอบอยู่ได้นานแค่ไหน — ตัวเลขความคงอยู่ที่ตอบคำถามว่าควรวัดผลไปข้างหน้ากี่แท่ง

หน้านี้ตอบคำถามเชิงตัวเลขที่ค้างอยู่ในแผนสร้างเครื่องมือของเรา — เราต้องเลือกว่าจะวัดผลไปข้างหน้ากี่แท่ง และจะให้ตัวจำแนกทำงานบนกรอบเวลาไหน ก่อนหน้านี้เราไม่มีเหตุผลใดๆ ที่จะเลือกค่าเหล่านั้น มีแต่ความรู้สึก

1. ⭐ ตัวเลขความคงอยู่

ผู้เขียนสร้างแบบจำลองห้าสถานะ แล้วรายงานความน่าจะเป็นที่สถานะจะคงอยู่ต่อในวันถัดไป

สถานะ	ความคงอยู่รายวัน
ความผันผวนต่ำ	95.5%
ขาขึ้น	92.7%
เป็นกลาง	92.5%
ความเครียดเชิงมหภาค	81.7%
วิกฤต	73.0%

และข้อสรุปที่ตามมา — สถานะโดยทั่วไปกินเวลาหลายสัปดาห์ถึงหลายเดือน ไม่ใช่การสลับไปมาถี่ๆ

นี่แปลตรงเป็นข้อกำหนดของเครื่องมือเราได้เลย

• ตัวจำแนกต้องอยู่บนกรอบเวลาสูง ถ้าเอาไปวางบนกราฟสามนาที เราจะได้การสลับสถานะที่เป็นสัญญาณรบกวนล้วน
• หน้าต่างวัดผลไปข้างหน้าต้องยาวพอที่จะอยู่ในระบอบเดียวกัน ไม่ใช่ยาวจนคร่อมหลายระบอบ
• จำนวนตัวอย่างต่อระบอบจะน้อยกว่าที่คิดมาก ถ้าระบอบหนึ่งกินเวลาเป็นเดือน ข้อมูลหลายปีก็ให้ระบอบแค่ไม่กี่สิบช่วง ซึ่งเป็นข้อจำกัดที่ต้องยอมรับตั้งแต่ต้น

2. วิธีเลือกจำนวนสถานะที่ไม่ใช่การเดา

ส่วนที่เราคิดว่าควรลอกวิธีมาใช้

เขาไม่ได้เลือกจำนวนสถานะตามความรู้สึก แต่กวาดค่าตั้งแต่สามถึงเก้า โดยรันหลายเมล็ดสุ่มต่อค่า แล้วคัดด้วยสองเกณฑ์พร้อมกัน

1. เกณฑ์ทางสถิติสำหรับเลือกแบบจำลอง
2. เงื่อนไขว่าสถานะที่ได้ต้องมีขนาดที่เสถียร

และผลคือ ค่าที่สูงเกินไปให้สถานะจิ๋วที่กินเวลาเพียงไม่กี่วัน ซึ่งเขาระบุว่าใช้กับการตัดสินใจจริงไม่ได้

บทเรียนที่ใช้ได้กว้างกว่านั้น: เวลาแบ่งอะไรเป็นหมวด ยิ่งแบ่งละเอียดยิ่งดูเหมือนอธิบายข้อมูลได้ดี แต่หมวดที่เล็กเกินไปคือหมวดที่ไม่มีตัวอย่างพอจะเชื่อถือ — ซึ่งเป็นปัญหาเดียวกับที่เครื่องมือของเราจะเจอถ้าแบ่งช่องมากเกินไป

3. รายละเอียดที่น่าสนใจ

ไม่มีการกระโดดจากสถานะสงบไปสถานะวิกฤตโดยตรงในกลุ่มตัวอย่าง — ตลาดผ่านสถานะกลางก่อนเสมอ ซึ่งสอดคล้องกับวิธีที่ความปั่นป่วนคลี่คลายจริง และแปลว่าสถานะกลางมีค่าในฐานะสัญญาณเตือน

การเพิ่มข้อมูลจากตลาดสินเชื่อช่วยยืดเวลาเตือนล่วงหน้าได้มาก ในเหตุการณ์หนึ่ง — แต่ผู้เขียนระบุเองอย่างตรงไปตรงมาว่าตัวเลขนั้นเฉพาะกับเหตุการณ์นั้น และไม่ควรถือว่าจะได้ระยะเตือนเท่ากันในอนาคต ความซื่อสัตย์แบบนี้หายาก และควรได้เครดิต

4. ⚠ ข้อที่ต้องตั้งความคาดหวังให้ถูก

ผลการทดสอบแบบเลื่อนหน้าต่างพร้อมฝึกแบบจำลองใหม่เป็นระยะ ได้ค่า Sharpe 0.881 เทียบกับการถือยาวที่ 0.859

นั่นคือดีขึ้นเพียงเล็กน้อยมาก

ผู้เขียนเองก็ระบุว่า เป้าหมายไม่ใช่การทำนายตลาด แต่คือการปรับความเสี่ยงให้เข้ากับระบอบที่เปลี่ยนไป ซึ่งเป็นการวางกรอบที่ซื่อสัตย์

และนี่คือความคาดหวังที่เราควรตั้งไว้กับเครื่องมือของเราเอง — มันจะช่วยเรื่องขนาดของความเสียหาย มากกว่าเรื่องขนาดของกำไร และถ้าผลออกมาแบบเดียวกัน นั่นไม่ใช่ความล้มเหลว

5. ⚠ อ่านอย่างระแวง

• เป็นเปเปอร์ทำงาน ยังไม่ผ่าน peer review
• ⚠ ผู้เขียนแจ้งเองว่ากำลังพัฒนาผลิตภัณฑ์เชิงพาณิชย์จากวิธีการนี้ ซึ่งเป็นความขัดแย้งทางผลประโยชน์ที่เขาระบุไว้ตรงๆ — การแจ้งเป็นเรื่องดี แต่ผู้อ่านควรถ่วงน้ำหนักตัวเลขที่นำเสนอ
• ทดสอบกับดัชนีหุ้นสหรัฐและสินทรัพย์ที่เกี่ยวข้อง ไม่ใช่ทองคำโดยตรง แม้จะมีทองเป็นหนึ่งในตัวแปรนำเข้า
• ตัวเลขความคงอยู่เป็นของสินทรัพย์และช่วงเวลานั้น ทองอาจมีความคงอยู่ต่างออกไป — เราต้องวัดของเราเอง ไม่ใช่ยืมตัวเลขนี้มาใช้ ซึ่งเป็นบทเรียนเดียวกับตัวคูณ AVR ที่ยืมมาจากดัชนีหุ้น
• แบบจำลองประเภทนี้ต้องฝึกใหม่เป็นระยะ ซึ่งเป็นสิ่งที่ทำบน TradingView ไม่ได้ — ข้อจำกัดนี้กำหนดว่าเราต้องใช้วิธีที่เรียบง่ายกว่าในเครื่องมือของเรา

6. สิ่งที่เอาไปใช้จริง

1. หน้าต่างวัดผลไปข้างหน้า ต้องมาจากความคงอยู่ของระบอบที่เราวัดได้บนทองเอง — และหน้านี้ให้วิธีวัดกับกรอบตัวเลขคร่าวๆ ไว้เทียบ
2. ตัวจำแนกอยู่บนกรอบเวลาสูงเท่านั้น
3. จำนวนสถานะต้องน้อย และต้องผ่านเงื่อนไขว่าแต่ละสถานะมีขนาดเสถียร ไม่ใช่เลือกเพราะดูสวย
4. ตั้งความคาดหวังว่าประโยชน์อยู่ที่ความเสี่ยง ไม่ใช่ผลตอบแทน

7. ตั้งคำถามกับเปเปอร์นี้ — และคำตอบว่าทำไม

ทำไมความคงอยู่ 95% ถึงแปลว่า “ตัวอย่างต่อระบอบน้อย” ไม่ใช่ “ระบอบเชื่อถือได้” — เพราะความคงอยู่รายวัน 0.955 → ระบอบเฉลี่ยยาว 1/(1−0.955) ≈ 22 วันซื้อขาย · แปดปี = ~2,000 วัน = ~90 ช่วงระบอบรวมทุกประเภท · แบ่งห้าประเภทเหลือ ~18 ช่วงต่อประเภท · สถิติใดที่คำนวณต่อระบอบมี n ที่แท้จริง = จำนวนช่วง ไม่ใช่จำนวนวัน — cluster-by-day ที่เราใช้ทุกงานคือการยอมรับข้อนี้

ทำไม Sharpe 0.881 vs 0.859 ถึงเป็นผลที่ซื่อสัตย์ ไม่ใช่ผลที่อ่อน — เพราะเป้าคือปรับความเสี่ยงให้เข้ากับระบอบ ไม่ใช่ทำนาย · ถ้าทำได้ถูก Sharpe จะดีขึ้นเล็กน้อยและ DD จะลดลงมาก · เปเปอร์รายงานอย่างแรก และเราควรดูอย่างหลัง — ซึ่งคือสิ่งเดียวกับที่ vol-sizing ทำให้ DeskTrend (return/DD 1.35 → 1.95 โดย Sharpe แทบไม่ขยับ)

ทำไม “ไม่กระโดดจากสงบไปวิกฤต” ถึงมีค่ากับทองโดยเฉพาะ — เพราะทองคือสินทรัพย์ที่รับแรงจากวิกฤตของสินทรัพย์อื่น · สถานะกลางของหุ้น/เครดิตคือสัญญาณเตือนล่วงหน้าของการไหลเข้าทอง — เป็นชั้นมหภาคที่ Cimi บอกว่าโอนมาทองได้เต็ม และเรายังไม่ได้ทดสอบ

8. ที่มาของเนื้อหา — ใครพูด และมีอะไรจะขาย

ใครเขียน	Sumanth Polavarapu — นักวิจัย/ผู้พัฒนา · แจ้งเองว่ากำลังสร้างผลิตภัณฑ์เชิงพาณิชย์ · SSRN
ทำอะไร	HMM ห้าสถานะข้ามสินทรัพย์ · กวาด 3–9 สถานะด้วยเกณฑ์สถิติ + ขนาดเสถียร · walk-forward retrain
ที่ไหน	ดัชนีหุ้นสหรัฐ + เครดิต + ทองเป็นตัวแปรนำเข้า
อย่างไร	HMM Gaussian · เลือกจำนวนสถานะ · วัดความคงอยู่ · ทดสอบเตือนล่วงหน้า
หลักฐาน	ความคงอยู่ 73–95.5% · Sharpe 0.881 vs 0.859 · ไม่กระโดดสงบ→วิกฤต
แรงจูงใจ	เชิงพาณิชย์ (แจ้งไว้)

9. ใคร ทำอะไร ที่ไหน อย่างไร — ถอดเหตุการณ์ในตลาดจากบทเรียนนี้

เปเปอร์นี้ให้ตัวเลขที่ตอบคำถามเชิงปฏิบัติ — ระบอบหนึ่ง ๆ มีคนอยู่ในนั้นนานแค่ไหน

ใคร/สถานะ	ทำอะไร — และถูกบังคับด้วยอะไร	ที่ไหน (ความคงอยู่รายวัน)	อย่างไร (กลไก)
ความผันผวนต่ำ	ผู้เล่นที่คุมอยู่ไม่เปลี่ยนใจง่าย ๆ	95.5%	อยู่ต่อวันถัดไป 95.5% = ระบอบเฉลี่ยยาว ~22 วันซื้อขาย
ขาขึ้น	กระแสไหลทางเดียว	92.7%	ต่อเนื่องเป็นเดือน ไม่ใช่สลับรายวัน
เป็นกลาง	ช่วงรอยต่อที่ยังไม่มีใครคุม	92.5%	ทำหน้าที่เป็นสัญญาณเตือน — ไม่มีการกระโดดจากสงบไปวิกฤตโดยตรง
ความเครียดเชิงมหภาค	คนเริ่มถูกบังคับให้ปรับพอร์ต	81.7%	แรงขายที่ไม่ได้เลือกเอง — จึงสั้นกว่าระบอบสงบ
วิกฤต	ทุกคนต้องลดความเสี่ยงพร้อมกัน	73.0%	สั้นที่สุด — แต่เป็นช่วงที่ทองรับแรงจากสินทรัพย์อื่น

อ่านเป็นประโยคเดียว — ระบอบกินเวลาหลายสัปดาห์ถึงหลายเดือน ไม่ใช่สลับไปมาถี่ ๆ · แปลว่า n ที่แท้จริงคือจำนวนช่วงระบอบ ไม่ใช่จำนวนวัน — แปดปีให้แค่ ~90 ช่วง แบ่งห้าประเภทเหลือ ~18 ช่วงต่อประเภท

แล้วบนทองคำ ตัวเลขนี้กระทบเราอย่างไร

• นี่คือเหตุผลที่เราใช้ cluster-by-day ในทุกงาน — ชุดที่มี 1,500 ไม้ใน 300 วันมี n ที่แท้จริง ≈ 300 ไม่ใช่ 1,500 · เป็นเหตุผลที่ t ของเราต่ำกว่าที่ “จำนวนไม้” จะให้
• ตัวจำแนกต้องอยู่บนกรอบเวลาสูง — วางบน M3 จะได้การสลับที่เป็นสัญญาณรบกวนล้วน
• ความคาดหวังที่ถูก: Sharpe 0.881 vs ถือ 0.859 = ดีขึ้นเล็กน้อยมาก · ประโยชน์ของระบอบอยู่ที่ความเสี่ยง ไม่ใช่ผลตอบแทน — ยืนยันในทองด้วย DeskTrend: vol-sizing ยก return/DD 44% แต่ระบบยังแพ้การถือ
• สิ่งที่ทองมีและเปเปอร์ชี้ทางไว้: สถานะ “เป็นกลาง” ของหุ้น/เครดิตเป็นสัญญาณเตือนของกระแสที่จะไหลเข้าทอง — ชั้นมหภาคที่คลังเรายังว่างอยู่
• ⚠ ห้ามยืมตัวเลขมาใช้ — ความคงอยู่ของทองต้องวัดเอง (บทเรียนเดียวกับตัวคูณ AVR ที่ยืมมาจากดัชนี)

10. การวิเคราะห์ — ตัวเลขความคงอยู่ของทองที่เรามี

• ระบอบขนาดของทองคงอยู่จริง: ออกแบบย้อนกลับ ρ 0.29 ระหว่างช่วงเอเชียกับช่วงหลังเอเชียในวันเดียวกัน · และ ATR รายวันมี autocorrelation สูงตามที่ทุกตลาดมี — ความคงอยู่รายวันของระบอบความผันผวนทองน่าจะอยู่ในย่านเดียวกับเปเปอร์ (0.9+)
• ผลที่ตามมาสำหรับทุกงานของเรา: n ที่แท้จริงคือจำนวนวัน (cluster-by-day) ไม่ใช่จำนวนไม้ — เป็นเหตุผลที่ t ของเราต่ำกว่าที่ “จำนวนไม้” จะให้ · ชุดที่มี 1,500 ไม้ใน 300 วันมี n ≈ 300
• การปรับความเสี่ยงตามระบอบช่วย DD ไม่ช่วยขอบ: DeskTrend vol-sizing ยก return/DD ของการถือทอง 44% แต่ระบบยังแพ้ถือ · Quan พบเช่นกันว่าเป็นเลเวอเรจแฝง · ตรงกับความคาดหวังที่หน้านี้ตั้ง
• ชั้นมหภาค (เครดิต → ทอง) ยังไม่ทดสอบ — เป็นช่องว่างที่ใหญ่ที่สุดของคลัง

11. นำไปใช้กับ XAUUSD

• ปรับขนาดตามความผันผวนได้เลย โดยไม่ต้องรอตัวจำแนกระบอบ — ATR-based sizing ทำสิ่งเดียวกันโดยไม่ต้อง retrain และทำงานบน TV
• อย่าคาดหวังผลตอบแทนจากตัวจำแนกระบอบ — คาดหวัง DD ที่เล็กลง · ถ้าใครขายตัวจำแนกด้วยตัวเลข Sharpe สูง ให้ถามว่าเทียบกับถือที่ σ เท่ากันแล้วเท่าไร
• นับ n เป็นวัน ทุกครั้งที่อ่านผลของใคร — 10,000 ไม้ใน 2 ปี = n 500

12. สรุป

เปเปอร์ที่ให้ตัวเลขความคงอยู่ และตัวเลขนั้นบอกว่า n ต่อระบอบเล็กกว่าที่คิดสิบเท่า — เราใช้หลักนี้ (cluster-by-day) ทุกงานแล้ว · ประโยชน์ของระบอบอยู่ที่ความเสี่ยงไม่ใช่ผลตอบแทน ยืนยันในทองของเราด้วย DeskTrend · ชั้นที่ยังว่างคือมหภาค