Algorithmic Trading พื้นฐาน — เมื่อ Algorithm เทรดแทนคน

Algo Trading คืออะไร?

Algorithmic Trading (Algo Trading) คือการใช้ โปรแกรมคอมพิวเตอร์ ตัดสินใจซื้อขายสินทรัพย์แทนคน โดยอิงจากกฎและเงื่อนไขที่กำหนดไว้ล่วงหน้า

ทำไมต้องใช้ algorithm?

• เร็วกว่าคน — ส่งคำสั่งได้ใน milliseconds
• ไม่มีอารมณ์ — ไม่ FOMO, ไม่กลัว, ไม่โลภ
• ทำงาน 24/7 — ไม่ต้องนอน (สำคัญมากสำหรับ crypto)
• Backtest ได้ — ทดสอบ strategy กับข้อมูลในอดีต ก่อนใช้เงินจริง
• Consistent — ทำตาม rule เดิมทุกครั้ง ไม่มี "วันนี้ขอเปลี่ยนใจ"

องค์ประกอบหลักของ Trading System

1. Data Feed (ข้อมูลราคา)

รับข้อมูลราคา real-time จาก Exchange ผ่าน API

• REST API — ดึงข้อมูลเป็นครั้งๆ (polling)
• WebSocket — ข้อมูล real-time แบบ stream (แนะนำ)
• FIX Protocol — มาตรฐานสำหรับ institutional trading (เร็วที่สุด)

ข้อมูลที่ต้องการ: Order Book (bid/ask), Trade History, Candlestick/OHLCV, Ticker

2. Strategy Logic (สมองของ bot)

ตัดสินใจว่า เมื่อไหร่ซื้อ เมื่อไหร่ขาย จากข้อมูลที่ได้รับ

ทุก strategy ต้องตอบ 4 คำถาม:

• Entry: เข้าเมื่อไหร่?
• Exit: ออกเมื่อไหร่?
• Position size: ซื้อเท่าไหร่?
• Risk: ยอมขาดทุนเท่าไหร่?

3. Execution (ส่งคำสั่ง)

ส่งคำสั่งซื้อขายไปยัง Exchange

• Market Order — ซื้อ/ขายทันทีที่ราคาตลาด (เร็ว แต่ slippage)
• Limit Order — ตั้งราคาที่ต้องการ (ไม่ slippage แต่อาจไม่ match)
• Stop Order — trigger เมื่อราคาถึงจุดที่กำหนด

4. Risk Management (จัดการความเสี่ยง)

• Position sizing — ไม่เกิน X% ของ portfolio ต่อ trade
• Stop loss — ตัดขาดทุนอัตโนมัติ
• Max drawdown — หยุดเทรดถ้าขาดทุนสะสมเกินกำหนด
• Rate limiting — จำกัดจำนวน trade ต่อช่วงเวลา

ประเภท Strategy ที่นิยม

Trend Following

แนวคิด: "The trend is your friend" — ตามแนวโน้มราคา

Moving Average Crossover:

• ใช้ MA 2 เส้น (เช่น MA20 กับ MA50)
• ซื้อ เมื่อ MA สั้นตัดขึ้นเหนือ MA ยาว (Golden Cross)
• ขาย เมื่อ MA สั้นตัดลงใต้ MA ยาว (Death Cross)

Breakout:

• ดู Support/Resistance
• ซื้อ เมื่อราคาทะลุ Resistance + Volume สูง
• ขาย เมื่อราคาทะลุ Support

ข้อดี: ทำกำไรได้มากเมื่อ trend ชัดเจน

ข้อเสีย: ขาดทุนในตลาด sideway (ไม่มี trend) เพราะ false signals เยอะ

Mean Reversion

แนวคิด: ราคาจะกลับสู่ค่าเฉลี่ย — ถ้าไกลจากค่าเฉลี่ยมากจะดีดกลับ

RSI Strategy:

• ซื้อ เมื่อ RSI < 30 (oversold — ราคาลงมากเกินไป)
• ขาย เมื่อ RSI > 70 (overbought — ราคาขึ้นมากเกินไป)

Bollinger Bands:

• ซื้อ เมื่อราคาแตะ Lower Band
• ขาย เมื่อราคาแตะ Upper Band

ข้อดี: ทำงานดีในตลาด sideway

ข้อเสีย: ขาดทุนหนักเมื่อ trend แรง (ราคาไม่กลับมา)

Market Making

แนวคิด: วาง order ทั้ง bid (ซื้อ) และ ask (ขาย) พร้อมกัน ทำกำไรจาก spread

• วาง Buy ที่ 99,900
• วาง Sell ที่ 100,100
• ถ้า match ทั้งคู่ → กำไร 200

ข้อดี: กำไรสม่ำเสมอ ไม่ต้องพึ่ง trend

ข้อเสีย:

• ต้องการ inventory management — ถ้าราคาวิ่งทางเดียว จะติด position
• ต้อง เร็วมาก — แข่งกับ market maker คนอื่น
• ต้อง volume สูง — กำไรต่อ trade น้อย ต้องทำเยอะ

Grid Trading

แนวคิด: วาง Buy/Sell orders เป็น grid ตามช่วงราคา

• กำหนดช่วงราคา เช่น 90,000 - 110,000
• วาง Buy ทุกๆ 1,000 (90K, 91K, 92K, ...)
• วาง Sell ทุกๆ 1,000 (101K, 102K, 103K, ...)
• ราคาวิ่งขึ้นลง → match orders → ทำกำไรจากทุก grid

ข้อดี: ทำงานดีในตลาด sideway, ตั้งแล้วลืมได้

ข้อเสีย: ขาดทุนถ้าราคาหลุดออกจาก grid range

VWAP / TWAP

แนวคิด: แบ่ง order ใหญ่เป็นชิ้นเล็กๆ เพื่อ ลด market impact

• VWAP (Volume-Weighted Average Price) — ซื้อ/ขายตาม proportion ของ volume
• TWAP (Time-Weighted Average Price) — ซื้อ/ขายเท่าๆ กันตามเวลา

ใช้โดย institutional traders ที่ต้องซื้อขาย จำนวนมาก โดยไม่อยากดันราคา

เครื่องมือ / Tech Stack

ภาษาที่นิยม

Python:

• ดีที่สุดสำหรับ prototyping + backtesting
• Library: ccxt (Exchange API), pandas (data), backtrader (backtesting), ta-lib (indicators)
• ไม่เร็วพอสำหรับ HFT แต่เพียงพอสำหรับ strategy ทั่วไป

Go:

• ดีสำหรับ production bot — เร็ว, concurrent, deploy ง่าย
• เหมาะกับ bot ที่ต้องจัดการ หลาย connection พร้อมกัน
• ใช้ goroutines สำหรับ parallel data processing

Rust:

• เร็วที่สุด — เหมาะกับ HFT (High-Frequency Trading)
• Memory safety ไม่ต้องกังวล memory leak ในระบบที่ run 24/7
• ยากกว่า Go/Python แต่ performance คุ้ม

Exchange APIs

Exchange หลักๆ ที่มี API ดี:

• Binance — API ครบ, volume สูง, documentation ดี
• Bybit — API เร็ว, Futures ดี
• OKX — API หลากหลาย
• Coinbase — เหมาะตลาด US

Backtesting

ทดสอบ strategy กับ historical data ก่อนใช้เงินจริง

สิ่งที่ต้องระวัง:

• Overfitting — strategy ทำงานดีกับ historical data แต่ fail ใน live
• Survivorship bias — ทดสอบแค่เหรียญที่ยังอยู่ ลืมเหรียญที่ตายไปแล้ว
• Slippage + Fee — ต้องรวมค่า fee และ slippage ใน backtest ด้วย

Latency & Infrastructure

ทำไมความเร็วสำคัญ

ในตลาด crypto ที่เปิด 24/7 โอกาส arbitrage อยู่ มิลลิวินาที

• Co-location — วางเซิร์ฟเวอร์ใกล้ Exchange (ลด network latency)
• WebSocket — ดีกว่า REST polling (ลด latency 100ms+)
• Connection pooling — reuse connection ไม่ต้อง handshake ใหม่ทุกครั้ง

Infrastructure ที่แนะนำ

เริ่มต้น: VPS (DigitalOcean, AWS) ใกล้ Exchange datacenter

จริงจัง:

• Dedicated server
• Multiple Exchange connections
• Monitoring + alerting
• Automatic failover

ข้อดี vs ข้อเสียของ Algo Trading

ข้อดี

• ไม่มีอารมณ์ ทำตาม rule 100%
• เร็วกว่าคนหลายเท่า
• ทำงาน 24/7
• Backtest ได้ก่อนใช้เงินจริง
• Scale ได้ — เทรดหลาย pair/Exchange พร้อมกัน

ข้อเสีย

• Bug = เสียเงิน — code ผิด 1 บรรทัดอาจขาดทุนหนัก
• Infrastructure cost — เซิร์ฟเวอร์, API, monitoring
• Strategy decay — strategy ที่เคยดีอาจ stop working เมื่อตลาดเปลี่ยน
• Black swan — เหตุการณ์ที่ไม่คาดคิดที่ algorithm ไม่ได้เตรียมรับมือ
• Competitive — แข่งกับ bot ของคนอื่นที่อาจเร็วกว่า

สิ่งที่มือใหม่ต้องระวัง

1. เริ่มจาก Paper Trading

ทดสอบด้วย เงินปลอม ก่อนเสมอ หลาย Exchange มี testnet/sandbox

2. เริ่มจาก Strategy ง่ายๆ

Moving Average Crossover หรือ RSI strategy เพียงพอสำหรับเริ่มต้น อย่าเริ่มจาก Machine Learning

3. อย่า Overfit Backtest

ถ้า backtest สวยเกิน (win rate 90%+) → น่าสงสัย อาจ overfit กับ historical data

4. รวมค่า Fee เสมอ

Strategy ที่กำไร 0.1% ต่อ trade แต่ค่า fee 0.1% → ไม่กำไร

5. มี Kill Switch

ปุ่มปิด bot ฉุกเฉิน + auto-stop เมื่อขาดทุนเกินกำหนด ต้องมีเสมอ

6. Monitor ตลอด

แม้ bot จะ auto แต่ต้อง ตรวจสอบสม่ำเสมอ — Exchange อาจ down, API เปลี่ยน, market condition เปลี่ยน

เส้นทางการเรียนรู้

ขั้นที่ 1: เข้าใจ market basics (order types, candlestick, indicators)

ขั้นที่ 2: เขียน script ดึงข้อมูลราคาจาก Exchange API

ขั้นที่ 3: Backtest strategy ง่ายๆ (MA Crossover) กับ historical data

ขั้นที่ 4: Paper trade — รัน bot กับตลาดจริง แต่ไม่ใช้เงินจริง

ขั้นที่ 5: Live trade — เริ่มด้วยเงินน้อยๆ แล้วค่อยเพิ่ม

ขั้นที่ 6: ปรับปรุง — วิเคราะห์ผลลัพธ์, ปรับ parameter, เพิ่ม strategy

สรุป

Algo Trading ไม่ใช่ "เครื่องพิมพ์เงิน" — มันเป็นเครื่องมือที่ช่วยให้เทรด อย่างมีระบบ ไม่ใช้อารมณ์ สิ่งสำคัญที่สุดคือ strategy ที่ดี + risk management ที่เข้มงวด + infrastructure ที่เสถียร ไม่ใช่ code ที่เร็วที่สุด