🤖 บทที่ 7: Trading Bot & Automation

AI กับการเทรดอัตโนมัติ

ใช้ Machine Learning + Python + API ต่อกับ MetaTrader

25 นาทีบทเรียนที่ 21

AI/Machine Learning กับการเทรดคืออะไร

AI Trading คือการใช้ ปัญญาประดิษฐ์ (Artificial Intelligence) และ Machine Learning เข้ามาช่วยในกระบวนการเทรด ไม่ว่าจะเป็นการวิเคราะห์ข้อมูล ทำนายทิศทางราคา หรือตัดสินใจเปิด/ปิด Trade โดยอัตโนมัติ

ในปัจจุบัน Hedge Fund และสถาบันการเงินขนาดใหญ่ ใช้ AI ในการเทรดอย่างแพร่หลาย แต่ด้วยเทคโนโลยีที่เข้าถึงง่ายขึ้น เทรดเดอร์รายย่อยก็สามารถนำ AI มาใช้ได้เช่นกัน

ทำไมเทรดเดอร์สนใจ AI

ข้อมูลมหาศาล: ตลาด Forex มีข้อมูลมากมาย ทั้งราคา ข่าว Sentiment ที่มนุษย์วิเคราะห์ไม่ทัน
ไม่มีอารมณ์: AI ไม่กลัว ไม่โลภ ไม่ Revenge Trade
ทำงาน 24/7: ไม่ต้องนอน ไม่ต้องพัก
หา Pattern ที่มนุษย์มองไม่เห็น: Machine Learning สามารถค้นพบ Pattern ซับซ้อนในข้อมูลได้
ทดสอบได้เร็ว: ทดสอบกลยุทธ์หลายพันแบบในเวลาสั้น

แต่ข้อสำคัญ: AI ไม่ใช่เครื่องพิมพ์เงิน ถ้า AI เทรดได้กำไรง่ายๆ ทุกคนก็จะรวยหมด ซึ่งเป็นไปไม่ได้ในตลาดที่เป็น Zero-sum Game

ประเภทของ AI ในการเทรด

1. Supervised Learning — ทำนายทิศทางราคา

Supervised Learning คือการ สอน Model ด้วยข้อมูลที่มีคำตอบแล้ว (Labeled Data)

ตัวอย่าง:

Input: ราคาย้อนหลัง 50 วัน, ค่า RSI, ค่า MACD, Volume

Output: ราคาจะขึ้นหรือลงในวันถัดไป (Classification) หรือจะเปลี่ยนแปลงกี่ % (Regression)

Algorithm ที่นิยม:

Random Forest: เข้าใจง่าย ทำงานดี ไม่ Over-fit ง่าย

Gradient Boosting (XGBoost, LightGBM): แม่นยำสูง

Neural Network / Deep Learning: จับ Pattern ซับซ้อนได้ แต่ต้องข้อมูลเยอะ

Support Vector Machine (SVM): ดีสำหรับ Classification

ข้อจำกัด: ตลาดเปลี่ยนแปลงตลอด Pattern ในอดีตอาจไม่เกิดขึ้นซ้ำ

2. Reinforcement Learning — Agent เรียนรู้เอง

Reinforcement Learning (RL) คือการที่ Agent เรียนรู้จากการลองผิดลองถูก โดยได้ Reward เมื่อทำถูก และ Penalty เมื่อทำผิด

วิธีการ:

Agent (Bot) เริ่มเทรดแบบสุ่ม

ได้ Reward เมื่อทำกำไร

ได้ Penalty เมื่อขาดทุน

เรียนรู้ไปเรื่อยๆ จนหา Strategy ที่ดี

Algorithm:

DQN (Deep Q-Network)

PPO (Proximal Policy Optimization)

A3C (Asynchronous Advantage Actor-Critic)

ข้อจำกัด: ใช้เวลาฝึกนาน และอาจ Over-fit กับสภาพตลาดในอดีต

3. NLP (Natural Language Processing) — วิเคราะห์ข่าว/Sentiment

NLP ใช้ วิเคราะห์ข้อความ เพื่อวัด Sentiment ของตลาด:

แหล่งข้อมูล:

ข่าวเศรษฐกิจ (Reuters, Bloomberg)

Social Media (Twitter/X, Reddit)

รายงานจากธนาคารกลาง (Fed, ECB)

Forum การเทรด

สิ่งที่ NLP ทำได้:

วิเคราะห์ว่าข่าวเป็น Positive / Negative / Neutral

วัด Fear & Greed ของตลาด

ดูว่าเทรดเดอร์ส่วนใหญ่ Bullish หรือ Bearish

แจ้งเตือนเมื่อมีข่าวสำคัญ

ตัวอย่าง: ถ้า NLP วิเคราะห์แล้วพบว่าข่าวส่วนใหญ่เกี่ยวกับ USD เป็น Negative → อาจส่ง Signal ให้ Sell USD

เครื่องมือที่ใช้

Python — ภาษาหลักสำหรับ AI Trading

Python เป็นภาษาที่นิยมที่สุดสำหรับ AI/ML เพราะ:

มี Library มากมาย

เรียนรู้ง่าย

Community ใหญ่

Libraries สำคัญ

pandas: จัดการข้อมูลตาราง (DataFrame)
numpy: คำนวณตัวเลข Array/Matrix
scikit-learn: Machine Learning พื้นฐาน (Random Forest, SVM, etc.)
TensorFlow / PyTorch: Deep Learning (Neural Network)
matplotlib / plotly: สร้างกราฟ
ta-lib / pandas-ta: คำนวณ Technical Indicator
yfinance: ดึงข้อมูลราคาจาก Yahoo Finance
MetaTrader5: เชื่อมต่อ Python กับ MT5 โดยตรง

Data Sources

MetaTrader5 Python package: ดึงข้อมูลราคาจาก MT5 ได้โดยตรง
yfinance: ข้อมูลฟรีจาก Yahoo Finance
Alpha Vantage: API ข้อมูลราคา (มี Free tier)
OANDA API: ข้อมูลราคา Forex
Quandl: ข้อมูลเศรษฐกิจ

ตัวอย่าง Python: ดึงข้อมูลจาก MT5

import MetaTrader5 as mt5
import pandas as pd
เชื่อมต่อ MT5
if not mt5.initialize():
    print("MT5 initialization failed!")
    mt5.shutdown()
ดึงข้อมูลราคา EURUSD H1 ย้อนหลัง 1000 แท่ง
rates = mt5.copy_rates_from_pos("EURUSD", mt5.TIMEFRAME_H1, 0, 1000)
แปลงเป็น DataFrame
df = pd.DataFrame(rates)
df['time'] = pd.to_datetime(df['time'], unit='s')
ดูข้อมูล
print(df.head())
print(f"\nTotal rows: {len(df)}")
print(f"Columns: {list(df.columns)}")
print(f"Date range: {df['time'].min()} to {df['time'].max()}")
ปิดการเชื่อมต่อ
mt5.shutdown()

Output จะได้ DataFrame ที่มี:

time — เวลา

open — ราคาเปิด

high — ราคาสูงสุด

low — ราคาต่ำสุด

close — ราคาปิด

tick_volume — Volume

spread — Spread

real_volume — Volume จริง

ตัวอย่าง: สร้าง Simple ML Model

นี่คือตัวอย่างการสร้าง Model ที่ทำนายทิศทางราคาด้วย Random Forest:

import MetaTrader5 as mt5
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, accuracy_score
--- 1. ดึงข้อมูล ---
mt5.initialize()
rates = mt5.copy_rates_from_pos("EURUSD", mt5.TIMEFRAME_H1, 0, 5000)
df = pd.DataFrame(rates)
df['time'] = pd.to_datetime(df['time'], unit='s')
mt5.shutdown()
--- 2. Feature Engineering ---
สร้าง Features จาก Technical Indicators
df['returns'] = df['close'].pct_change()
df['ma_10'] = df['close'].rolling(10).mean()
df['ma_50'] = df['close'].rolling(50).mean()
df['ma_ratio'] = df['ma_10'] / df['ma_50']
df['rsi'] = compute_rsi(df['close'], 14)  # ฟังก์ชัน RSI แยก
df['volatility'] = df['returns'].rolling(20).std()
df['high_low_range'] = (df['high'] - df['low']) / df['close']
สร้าง Target: ราคาจะขึ้นหรือลงในแท่งถัดไป
df['target'] = (df['close'].shift(-1) > df['close']).astype(int)
ลบแถวที่มี NaN
df.dropna(inplace=True)
--- 3. เตรียมข้อมูล ---
features = ['returns', 'ma_ratio', 'rsi', 'volatility', 'high_low_range']
X = df[features]
y = df['target']
แบ่ง Train/Test (80/20) ตามลำดับเวลา
split = int(len(X) * 0.8)
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]
--- 4. สร้างและฝึก Model ---
model = RandomForestClassifier(
    n_estimators=100,
    max_depth=5,
    random_state=42
)
model.fit(X_train, y_train)
--- 5. ประเมินผล ---
y_pred = model.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))
print("\nClassification Report:")
print(classification_report(y_test, y_pred))
--- 6. Feature Importance ---
importance = pd.Series(
    model.feature_importances_,
    index=features
).sort_values(ascending=False)
print("\nFeature Importance:")
print(importance)

หมายเหตุ:

ฟังก์ชัน compute_rsi() ต้องเขียนเพิ่มเอง หรือใช้ library เช่น pandas-ta

ตัวอย่างนี้เป็น จุดเริ่มต้น ยังต้องพัฒนาอีกมากก่อนใช้งานจริง

อย่า แบ่ง Train/Test แบบ Random เพราะข้อมูลเรียงตามเวลา (Time Series)

Architecture: Python กับ MT5 ทำงานร่วมกัน

Python → Signal → API/File → MT5 EA อ่านสัญญาณ

เนื่องจาก Python ไม่สามารถเทรดบน MT5 ได้โดยตรงอย่างเต็มรูปแบบ จึงมี Architecture ที่นิยมคือ:

วิธีที่ 1: File-based Communication

Python (วิเคราะห์/ทำนาย) → เขียนไฟล์ signal.csv → EA ใน MT5 อ่านไฟล์ → เปิด Trade

วิธีที่ 2: Socket Communication

Python (วิเคราะห์/ทำนาย) → ส่ง Signal ผ่าน Socket → EA ใน MT5 รับ Signal → เปิด Trade

วิธีที่ 3: MetaTrader5 Python Package (ง่ายที่สุด)

Python ทำทุกอย่าง: วิเคราะห์ + ส่งคำสั่งเทรดผ่าน mt5.order_send()

ตัวอย่าง: ส่งคำสั่งเทรดจาก Python

import MetaTrader5 as mt5
mt5.initialize()
สร้าง Request
request = {
    "action": mt5.TRADE_ACTION_DEAL,
    "symbol": "EURUSD",
    "volume": 0.01,
    "type": mt5.ORDER_TYPE_BUY,
    "price": mt5.symbol_info_tick("EURUSD").ask,
    "sl": mt5.symbol_info_tick("EURUSD").ask - 0.0050,
    "tp": mt5.symbol_info_tick("EURUSD").ask + 0.0100,
    "deviation": 20,
    "magic": 99999,
    "comment": "AI Signal Buy",
    "type_time": mt5.ORDER_TIME_GTC,
    "type_filling": mt5.ORDER_FILLING_IOC,
}
ส่งคำสั่ง
result = mt5.order_send(request)
if result.retcode != mt5.TRADE_RETCODE_DONE:
    print(f"Order failed: {result.retcode}")
else:
    print(f"Order placed successfully! Ticket: {result.order}")
mt5.shutdown()

ข้อจำกัดของ AI ในการเทรด

1. Overfitting

ปัญหาเดียวกับ EA Optimization แต่ รุนแรงกว่ามาก
ML Model สามารถ "จำ" ข้อมูลอดีตได้อย่างสมบูรณ์แบบ แต่ใช้ไม่ได้ในอนาคต
Neural Network ยิ่ง Over-fit ง่ายถ้าข้อมูลไม่เพียงพอ

2. ตลาดเปลี่ยนแปลงตลอด (Non-stationary)

ตลาดการเงินไม่ได้มี Pattern คงที่
สิ่งที่ทำงานในปี 2020 อาจไม่ทำงานในปี 2025
Regime Change: สภาพตลาดเปลี่ยน เช่น จาก Low Volatility เป็น High Volatility
Model ต้อง Retrain อยู่เสมอ

3. Data Quality

Garbage in, garbage out: ข้อมูลไม่ดี = Model ไม่ดี
ข้อมูลราคาจาก Broker อาจมี Spread/Gap ที่ต่างกัน
Tick Data อาจไม่สมบูรณ์
ข้อมูลข่าว/Sentiment อาจมี Noise เยอะ

4. ไม่ใช่ "เงินฟรี"

ถ้า AI เทรดได้กำไรง่ายๆ ทุกคนจะทำ แล้วโอกาสก็จะหายไป
ตลาดเป็น Adaptive: ถ้าคนใช้ Strategy เดียวกันเยอะ มันจะหยุดทำงาน
ต้นทุนสูง: Server, Data, เวลาในการพัฒนา
ความเสี่ยงเทคนิค: Bug ในโค้ดอาจทำให้ขาดทุนมหาศาล

แนวทางที่ Realistic

AI เป็น "ผู้ช่วย" ไม่ใช่ "พระเจ้า"

วิธีใช้ AI ในการเทรดที่ เป็นไปได้จริง:

1. AI ช่วย Filter Signal:

ใช้ ML Model คัดกรอง Trade Setup

ไม่ได้ใช้ AI ตัดสินใจ 100%

เทรดเดอร์ยังเป็นคนตัดสินใจสุดท้าย

2. AI ช่วยวิเคราะห์ข่าว:

ใช้ NLP สรุปข่าวสำคัญ

วัด Sentiment ของตลาด

แจ้งเตือนเมื่อ Sentiment เปลี่ยนทิศ

3. AI ช่วย Optimize Parameters:

ใช้ ML หา Parameter ที่ดีสำหรับ EA

ปรับ Parameter ให้เข้ากับสภาพตลาดปัจจุบัน

4. AI ช่วย Risk Management:

ทำนาย Volatility เพื่อปรับ Position Size

วิเคราะห์ Correlation ระหว่างคู่เงิน

แจ้งเตือนเมื่อ Risk สูงผิดปกติ

ใช้ AI + กฎ Risk Management

กฎเหล็ก: ไม่ว่า AI จะบอกอะไร ยังต้องมี:

Stop Loss ทุก Trade

Risk per Trade ไม่เกิน 1-2%

Max Drawdown Limit

Daily Loss Limit

การ Monitor ทุกวัน

ทดสอบย้อนหลังเสมอ

ขั้นตอนเหมือนกับ EA:
1. Train Model ด้วยข้อมูล In-sample
2. Test ด้วยข้อมูล Out-of-sample
3. Walk-Forward Test เพื่อจำลองสถานการณ์จริง
4. Demo Account อย่างน้อย 3 เดือน
5. Small Real ก่อนเพิ่ม Size

โปรเจค AI Trading ของ iJam Studio

ที่ iJam Studio เรากำลังพัฒนาโปรเจค AI Trading ที่เน้น:

1. Educational AI Tools:

เครื่องมือที่ช่วยให้เทรดเดอร์เรียนรู้ AI ได้ง่ายขึ้น

Template Python Code สำหรับเริ่มต้น

ตัวอย่าง Model ที่ Backtest แล้ว

2. Sentiment Analysis Bot:

วิเคราะห์ข่าว Forex อัตโนมัติ

สรุป Sentiment รายวัน

แจ้งเตือนเมื่อ Sentiment เปลี่ยนทิศ

3. Signal Enhancement:

AI ช่วยคัดกรอง Signal จาก EA

เพิ่ม Win Rate ด้วย ML Filter

ลด False Signal

ติดตามความคืบหน้าได้ที่เว็บไซต์ iJam Studio

สรุป

AI และ Machine Learning เป็น เครื่องมือที่ทรงพลัง สำหรับการเทรด แต่ต้องใช้อย่างมีสติและเข้าใจข้อจำกัด

สิ่งสำคัญที่ต้องจำ:

AI ไม่ใช่เงินฟรี: ต้องพัฒนา ทดสอบ และบำรุงรักษา

Overfitting คืออันตรายหลัก: ทดสอบด้วย Out-of-sample เสมอ

ตลาดเปลี่ยนแปลง: Model ต้อง Retrain อยู่เสมอ

AI เป็นผู้ช่วย: ใช้ร่วมกับ Risk Management ไม่ใช่แทนที่

เริ่มจากง่ายๆ: เรียนรู้ Python พื้นฐาน แล้วค่อยเพิ่มความซับซ้อน

เส้นทางการเรียนรู้ที่แนะนำ:
1. เรียนรู้ Python พื้นฐาน
2. เรียนรู้ pandas และ numpy
3. ดึงข้อมูลจาก MT5 ด้วย Python
4. สร้าง Simple Model (Random Forest)
5. Backtest และ Evaluate Model
6. ค่อยๆ พัฒนาเป็น Strategy ที่สมบูรณ์

"AI is the most powerful tool in a trader's arsenal, but only when wielded with discipline and understanding."

บทก่อนหน้า

Backtesting & Optimization

จบคอร์สแล้ว!

กลับไปหน้าสารบัญ