ระบบซื้อขายหุ้นอัตโนมัติ 100% ที่นำ LLM 31 ตัวมาเชื่อมเป็นระบบตรวจสอบไขว้

 (t.me)
19 คะแนน โดย cjb9452 2026-03-28 | 8 ความคิดเห็น | แชร์ทาง WhatsApp

สวัสดีครับ ผมเป็นนักพัฒนานักศึกษาที่เริ่มต้นจากโปรเจกต์เล็ก ๆ เพื่อจัดการพอร์ตส่วนตัวของตัวเอง ก่อนที่มันจะค่อย ๆ ขยายใหญ่ขึ้นจนกลายเป็นระบบเอเจนต์ LLM 31 ตัว

ในช่วงแรก ผมวางแผนให้มันเป็นเว็บบริการแนะนำหุ้นแบบ B2C เพื่อดึงผู้ใช้เข้ามา แต่ก็ต้องเจอกับปัญหาค่าใช้จ่ายด้านการสื่อสารผ่าน API ที่สูงมาก และปัญหาเรื่องการพิสูจน์ประโยชน์ใช้งานจริง สุดท้ายจึงเลิกโฟกัสที่การหาผู้ใช้ (การตลาด) ถอด UI/UX ออกทั้งหมด แล้ว pivot มาเป็น pipeline ที่เชื่อมต่อกับบัญชีจริงของผมเอง (10 ล้านวอน) โดยให้ AI ตัดสินใจและส่งคำสั่งซื้อขายทั้งหมดด้วยตัวเอง และกำลังรันใช้งานอยู่ในตอนนี้

ผมอยากแบ่งปันทั้งสถาปัตยกรรมและประสบการณ์ลองผิดลองถูกทางเทคนิคที่สร้างขึ้นมาตลอดช่วงที่ผ่านมาให้กับทุกคนใน GeekNews ครับ

🧠 สถาปัตยกรรมระบบ: 6 ขั้นตอน, เอเจนต์ 31 ตัวตรวจสอบไขว้กัน

ระบบนี้ (K-Agent Alpha) ไม่ได้ทำงานด้วยพรอมป์ต์เดียว แต่ทำงานเป็น Multi-Agent relay pipeline ที่จำลองแนวทางการลงทุนแบบ Top-Down อย่างครบถ้วน โดยจะรันตามลำดับต่อเนื่องประมาณ 1 ชั่วโมง

  1. วิเคราะห์พอร์ตและจิตวิทยาการลงทุน (Phase 0~1):

    • ดึงยอดคงเหลือจริงผ่าน KIS (Korea Investment & Securities) API และวิเคราะห์อัตราชนะของการซื้อขายที่ผ่านมาเพื่อช่วยสร้าง feedback loop
    • กำหนด market stance จากตัวชี้วัด 5 ตัว เช่น ความผันผวน (VIX), อัตราแลกเปลี่ยน, การขึ้นลงของ KOSPI

  2. ทีมเศรษฐกิจมหภาค (Phase 2 - 7 เอเจนต์):

    • เอเจนต์ด้านดอกเบี้ย, อัตราแลกเปลี่ยน, อนุพันธ์ วิเคราะห์สภาพคล่องโลกผ่าน FRED, API ของธนาคารกลางเกาหลี เป็นต้น
    • ออกแบบให้ต้องสรุป 3 ฉากทัศน์คือ Base/Bull/Bear แบบบังคับ เพื่อป้องกันการคิดทางเดียว

  3. ทีมอุตสาหกรรม/เซกเตอร์ (Phase 3 - 10 เอเจนต์):

    • เป็น pipeline ที่ซับซ้อนที่สุดในระบบ คัดกรองอุตสาหกรรมที่มีแนวโน้มดีจากกระแสเงินซื้อขายแบบเรียลไทม์ของนักลงทุนต่างชาติ/สถาบัน, PER รายอุตสาหกรรม, และข่าวจากการค้นหา
    • เพื่อจับอาการหลอนของ LLM ที่มักแนะนำหุ้นที่ไม่มีอยู่จริง จึงวาง Validator agent ไว้คอยกรองเชิงกลไกว่าเพิกถอนจากตลาดแล้วหรือมีมูลค่าตลาดไม่ถึงเกณฑ์หรือไม่

  4. ทีมวิเคราะห์บริษัทและความเสี่ยง (Phase 4 - 8 เอเจนต์):

    • แยกดูงบการเงิน DART, กราฟ (ตัวชี้วัดทางเทคนิค), และข่าว เพื่อคัดรายชื่อหุ้นเข้าชิง ขณะที่ risk manager จะตรวจสอบแรงกดดันจากการขายชอร์ตและ MDD

  5. CIO ผู้ตัดสินใจขั้นสุดท้าย (Phase 5 - 1 เอเจนต์):

    • ผลลัพธ์จาก 30 ตัว (Gemini Flash) จะถูกรวบรวมโดยโมเดลตัวท็อป gemini-3.1-pro-preview ที่ฉลาดที่สุด
    • เพื่อป้องกันความผิดพลาดแบบ Sunk Cost Fallacy เป็นต้น จึงใช้พรอมป์ต์แบบ 'Bounded Autonomy' ที่บังคับให้ระบุ "Bear Case scenario เมื่อฉันเป็นฝ่ายผิด" และ "เงื่อนไขที่ทำให้การลงทุนเป็นโมฆะ" เสมอ จากนั้น JSON ที่สร้างได้ที่นี่จะถูกส่งเข้า KIS API ของผม

💡 การแก้ปัญหา: อคติทางความคิดของ LLM และทราฟฟิกถล่ม

ระหว่างรันระบบ ผมเจอและแก้ปัญหาหนักอยู่ 2 เรื่อง

  1. LLM ตัดขาดทุนไม่เป็น (Disposition Effect):
    • AI จำลองอคติทางความคิดของมนุษย์ออกมาเหมือนกันเป๊ะ คืออยากขายหุ้นที่กำไรทันทีแม้ขึ้นนิดเดียว แต่กลับปล่อยหุ้นที่ติดลบไว้พร้อมคิดว่า "เดี๋ยวมันก็ขึ้น" เพื่อแก้ปัญหานี้ ผมจึงแก้ logic ให้เมื่อคำตัดสินของเมื่อวานกับวันนี้ขัดกัน ระบบต้องอธิบายว่าทำไม stance ถึงเปลี่ยน และให้มันประเมินอัตราชนะในอดีตของตัวเองพร้อมโต้แย้งตัวเอง (Red-Teaming)
  2. ข้อจำกัดทราฟฟิก API ของเอเจนต์ 31 ตัว (Rate Limit & Context Limits):
    • เมื่อวิเคราะห์หุ้นเชิงลึก 20~30 ตัวต่อรอบ ปัญหา token overflow หรือการชน limit ของ API ภายนอกก็เกิดขึ้นต่อเนื่อง สุดท้ายจึงปรับสถาปัตยกรรมใหม่ให้ข้อมูลปริมาณมากอย่างงบการเงินและตัวชี้วัดกราฟ ถูก backend รวบทีเดียวแล้วยัดเข้ามาในรูปแบบ Batch processing architecture เช่น get_fundamental_batch_all ทำให้เวลารันนิ่งเสถียรอยู่ภายใน 1 ชั่วโมง

📊 ตัวอย่าง log ที่ AI สร้างออกมาจริง

เมื่อกระบวนการด้านบนเสร็จสิ้น AI จะพิมพ์ strategy report (log) ที่ลึกพอสมควรออกมาในลักษณะนี้

(ตัดบางส่วนจาก log วินิจฉัยเศรษฐกิจมหภาคจริงที่ AI เขียนเมื่อวาน)
"ขนาดการดีดกลับของ PPI (ดัชนีราคาผู้ผลิต) (2.43%) แซงหน้า CPI (2.0%) แล้ว ทำให้ภาวะ Margin Squeeze ของบริษัทต่าง ๆ กำลังเกิดขึ้นจริง...
ตลาดฟิวเจอร์สบันทึกภาวะ backwardation ลึกที่ -1112.61
ราคาน้ำมันทะลุ 100 ดอลลาร์ และอัตราแลกเปลี่ยนทะลุ 1,520 วอน ทำให้ความเป็นไปได้ในการเข้าสู่ช่วง 'Sudden Stop' ชัดเจนขึ้น
→ ปรับสัดส่วนเงินสดเพิ่มขึ้นอย่างมากสู่ระดับ 34% พร้อมเพิ่มน้ำหนักกลุ่มอุปกรณ์ต่อเรือที่โดดเด่นด้านความน่าสนใจเชิงมูลค่าต่ำในวงกว้าง"

💻 ดูผลการรันและ log การตัดสินใจ

ตอนนี้ซอร์สโค้ดทั้งหมดยังพันอยู่กับคีย์ความปลอดภัยและ logic สำหรับบัญชีเงินจริงของผม จึงยังไม่สามารถเปิดเป็นโอเพนซอร์สให้ git clone ไปลองรันได้ทันที (ภายหลังมีแผนจะ整理พรอมป์ต์หลักและ pipeline แล้วอัปขึ้น GitHub)

แต่แทนที่จะเปิดโค้ด ผมได้เชื่อมช่อง Telegram เฉพาะไว้ เพื่อให้ทุกคนสามารถประเมินได้ว่า pipeline พรอมป์ต์ทั้ง 31 ตัวนี้ถกเถียงกันวันละ 1 ชั่วโมงจริง ๆ อย่างไร และ ปล่อย log การตัดสินใจ (ผลลัพธ์) แบบไหนออกมา

  • ไม่ใช่หน้า landing page, ไม่มีการเก็บอีเมล และไม่มีเป้าหมายทางการตลาดใด ๆ
  • รายงานการลงทุนระดับสถาบันที่ LLM สร้างอัตโนมัติ 100% โดยไม่มีมนุษย์แทรกแซง พร้อมรายการซื้อขายแบบเรียลไทม์ที่เชื่อมกับบัญชีจริง จะถูกสตรีมขึ้นทุกวันเวลา 15:05 น.

👉 ช่อง log การตัดสินใจของ AI แบบเรียลไทม์ (รายงาน): t.me/K_Agent_Alpha

หากมีใครสนใจระบบ multi-agent หรือ prompt engineering แล้วเข้ามาดู พร้อมให้คำแนะนำแรง ๆ หรือ feedback เชิงเทคนิคเกี่ยวกับสถาปัตยกรรมหรือการแก้ข้อผิดพลาดในการตัดสินใจของ AI ผมจะขอบคุณมากจริง ๆ ครับ!

บทความที่เกี่ยวข้อง

8 ความคิดเห็น

 
github88 2026-03-29

โอ๊ย..
 
dydwls140 2026-03-30

โอ้โห...
 
woonsa 2026-03-30

LLM มีเวลาในการใช้เหตุผล จึงตอบสนองต่อการเทรดแบบเรียลไทม์หรือการเทรดความถี่สูงอย่าง HFT ได้ช้า ทำได้อย่างน้อยก็แค่บนเกณฑ์แท่งเวลา 5 นาทีเท่านั้น อีกทั้งถึงจะผูก LLM หลายตัวเข้าด้วยกัน ก็ไม่ได้หมายความว่าความสามารถจะโดดเด่นขึ้นเสมอไป สู้ใช้ LLM สักประมาณ 5 ตัว มอบหมายให้วิเคราะห์ด้านอารมณ์ของตลาดหรือชุมชน เช่น เป็นภาวะฮึกเหิมหรือความกลัว ซึ่งโมเดลตรรกะหรือโมเดล LSTM จับไม่ได้ แล้วนำไปผสานแบบ ensemble กับดีปเลิร์นนิงอย่าง advanced PPO, CNN, LSTM (วิเคราะห์ข้อมูลกราฟย้อนหลัง) รวมถึงวิธีเทรดตามตรรกะการวิเคราะห์เฉพาะของผู้ใช้จะดีกว่า การเทรดระยะสั้นมากเหมาะกับโมเดลดีปเลิร์นนิงอย่าง LSTM และ CNN มากกว่า
 
cjb9452 2026-03-30

เราคำนึงถึงส่วนนั้นอย่างเพียงพอแล้ว ดังนั้นจึงพยายามหลีกเลี่ยงการเทรดความถี่สูงผ่านการวางเดิมพันที่ราคาปิดตอนตลาดปิดทำการ
 
woonsa 2026-03-31

ขอเสริมทิปอีกนิด ถ้านำโมเดล LLM ขนาดเล็กมาทำ SFT (NTR) tuning ให้เฉพาะทางสำหรับโดเมนหนึ่ง ๆ แล้วรันพวกนั้นบนเครื่องโลคัล ส่วน API ใช้แค่โมเดลภาษาขนาดใหญ่ตัวเดียวก็พอครับ! ถ้าเอาพวกขนาดประมาณ 7B หรือ 3B มาปรับให้เฉพาะทางสำหรับงานวิเคราะห์บางอย่าง จะได้ผลลัพธ์ที่ดียิ่งขึ้นครับ อ้อ! ตอนทำ SFT (NTR) ถ้าใช้ AI Hub อย่างจริงจัง จะช่วยให้ทำชุดข้อมูลได้สะดวกครับ (ผมเองก็เคยลองทำอะไรคล้าย ๆ แบบนี้เหมือนกัน ^^;)
 
woonsa 2026-03-30

อ้อ แล้วจำเป็นต้องทำแบ็กเทสต์อย่างน้อย 1–2 เดือนให้ได้แน่นอน ไม่อย่างนั้นก็อาจได้เห็น llm ทำเรื่องแปลก ๆ จนสินทรัพย์หายไปได้ (ซื้อที่จุดต่ำ ขายที่จุดสูง)
 
galaxy11111 2026-03-30

คุณสร้างก้อนความหลอนที่ประณีตอย่างยิ่งขึ้นมาจริง ๆ นะ... ตลาดนั้นไม่อาจคาดการณ์ได้ หากสิ่งที่คุณสร้างขึ้นมาทำให้สินทรัพย์เพิ่มขึ้นมากกว่าสองเท่าได้ ผมก็จะยอมรับว่าผมคิดผิด
 
cjb9452 2026-03-30

มันอาจเป็นภาพหลอนก็ได้ เพราะอย่างนั้นผมเองก็จะคอยติดตามดูต่อไป ในเมื่อผมลงเงินของตัวเองไปแล้ว ก็คงต้องอัปเดตกันต่อเนื่อง นี่เป็นการทดลองอย่างหนึ่ง