jusikai.com - บริการแนะนำหุ้นแบบ Multi-Agent
(jusikai.com)สวัสดีครับ ผมเป็นวิศวกร AI ที่ลงทุนหุ้นเป็นงานอดิเรกมา 10 ปี
ทุกครั้งที่ค้นคว้าหุ้นเป็นการส่วนตัว ผมรู้สึกไม่สะดวกมากที่ต้องสลับไปมาระหว่างแอปของบริษัทหลักทรัพย์หลายเจ้าและข่าวจากพอร์ทัลต่าง ๆ เพื่อรวบรวมข้อมูลแบบกระจัดกระจาย หลังจากมี AI เข้ามา ทุกอย่างก็สะดวกขึ้นมาก แต่ก็ยังมีปัญหาเรื่อง hallucination และความสดใหม่ของข้อมูล จนต้องถาม AI หลายตัวแล้วนำมาสรุปรวมกัน ซึ่งเป็นกระบวนการที่สิ้นเปลืองมาก
เพื่อแก้ปัญหาความไม่สะดวกส่วนตัวนี้ ผมจึงได้ร่วมกับคนรู้จักสร้างบริการที่ทำให้สามารถดูข้อมูลเกี่ยวกับหุ้นและผลการวิเคราะห์จาก AI หลายตัว (GPT, Gemini, Claude, DeepSeek) ได้ในที่เดียว
เข้าใช้บริการได้ที่
• หุ้น AI : https://jusikai.com.
ช่วงเวลาที่ต้องขบคิด
ระหว่างสร้างบริการนี้ เรามีประเด็นให้คิดและต้องตัดสินใจด้านนโยบายมากกว่าด้านเทคนิคเสียอีก
• การเลือกโมเดลและพรอมป์ต์: จริงอยู่ที่มีงานศึกษามากมายว่าโมเดลไหนวิเคราะห์หุ้นได้ดี แต่ในยุคที่โมเดลใหม่ ๆ ออกมาอย่างต่อเนื่อง การเลือกโมเดลและพรอมป์ต์ที่เหมาะสมไม่ใช่เรื่องง่ายเลย ผมกับทีมได้สร้างข้อมูล backtesting แยกตามหุ้นและนำมาใช้เชิงรุกเพื่อคัดเลือกโมเดลที่ให้ผลดีที่สุด สิ่งที่น่าสนใจคือ โมเดลที่ดีไม่ได้ทำนายได้ดีเสมอไป
• เกณฑ์การแนะนำหุ้น: หุ้นที่ดีไม่ได้แปลว่าวันนี้จะขึ้นเสมอไป นี่อาจเป็นเหตุผลที่ Warren Buffett เน้นการลงทุนระยะยาว แต่เงื่อนไขนั้นไม่สอดคล้องกับบริการของเราที่ต้องแนะนำทุกวัน เราจึงออกแบบเงื่อนไขเป็นระยะสั้น (1 สัปดาห์) และระยะกลางถึงยาว (1 เดือนขึ้นไป) ซึ่งเป็นวิธีแนะนำที่เข้าใจง่ายและดีมากสำหรับผู้ใช้จริง
• การเปิดเผยแดชบอร์ด: เราเปิดเผยผลตอบแทนของผลการแนะนำในรูปแบบแดชบอร์ดแยกตามโมเดลอย่างโปร่งใสตลอดเวลา (โชคดีที่ในช่วงเดือน 4~5 แสดงผลตอบแทนได้ดี)
• การพัฒนาทักษะของเอเจนต์: เราให้โมเดลประเมินการวิเคราะห์ของตนเองเป็นระยะ เพื่อพัฒนาทักษะแยกตามตลาด/หุ้น ช่วยให้ LLM เข้าใจลักษณะเฉพาะของแต่ละตลาดและแต่ละหุ้นมากขึ้น และทำให้ประสิทธิภาพดีขึ้น
• ข้อจำกัดด้านจำนวนหุ้นและต้นทุนการดูแล LLM: ตอนนี้ด้วยปัญหาการปรับ pipeline ให้เหมาะสม บริการจึงยังรองรับเฉพาะหุ้นบางกลุ่มอย่างจำกัด นอกจากนี้ แม้จะพยายามลดการใช้โทเค็นให้มากที่สุดด้วยการปรับพรอมป์ต์ให้เหมาะสมและใช้ Context Caching แล้ว ก็ยังมีค่าใช้จ่ายในการดูแลระบบเดือนละหลายแสนวอนอยู่ดี จึงกังวลเรื่องความยั่งยืนเช่นกัน T_T
รบกวนช่วยวิจารณ์อย่างตรงไปตรงมาด้วยครับ
• อยากขอคำแนะนำจากมุมมองของวิศวกรและเมกเกอร์ฝีมือดีใน GeekNews
• ในแง่การใช้งาน: อยากรู้ว่าวิธีการแนะนำและ UI ของเราทำให้ผู้ใช้จริงรู้สึกว่าไม่เป็นมิตรเกินไปหรือไม่
• นอกจากนี้ ไม่ว่าจะเป็นรายงานบั๊กหรือคำวิจารณ์หนักแค่ไหน ผมก็ยินดีรับทั้งหมด ผมจะคอยติดตามตลอดช่วงสุดสัปดาห์ และถ้าเป็นบั๊กที่แก้ได้จะรีบแก้และนำขึ้นใช้งานทันที ขอบคุณที่อ่านจนจบครับ!
8 ความคิดเห็น
หรือว่าพื้นฐานของการคาดการณ์ระยะสั้นและระยะกลางถึงยาว มาจากรายงานของนักวิเคราะห์ใช่ไหมครับ?
ครับ ถูกต้อง! นี่คือผลลัพธ์ที่สะท้อนจากการคำนวณคะแนนแนะนำระยะสั้นและระยะกลางถึงยาวแยกกันตอนจัดทำรายงาน โดยในระยะสั้นจะให้น้ำหนักกับสัญญาณอย่างตัวชี้วัดทางเทคนิคและข่าวมากกว่า ส่วนระยะกลางถึงยาวจะสะท้อนการปรับตัวดีขึ้นของปัจจัยพื้นฐานมากกว่า
ผมลองเข้าไปดูบริการแล้วครับ เห็นได้ชัดว่าทุ่มเททำมา แต่ไหน ๆ ก็บอกว่ายินดีรับคำวิจารณ์แรง ๆ เลยจะเขียนตามตรงครับ
สมมติฐานที่ว่าฉันทามติจากโมเดล 4 ตัวจะช่วยเพิ่มความน่าเชื่อถือ ดูเป็นสิ่งที่เสี่ยงในตัวมันเองครับ เพราะไม่ว่า gpt, gemini, claude, deepseek ท้ายที่สุดก็เป็นโมเดลที่ฝึกจากข้อมูลอินเทอร์เน็ตที่คล้ายกัน พอเห็นหุ้นตัวเดียวกันก็มักจะพูดคล้าย ๆ กัน การที่เห็นพ้องกันไม่ได้แปลว่าความน่าเชื่อถือเพิ่มขึ้น 4 เท่า แต่มีโอกาสมากกว่าว่าเป็นอคติแบบเดียวกันที่ถูกพูดซ้ำ 4 ครั้ง ผลของ ensemble จะเกิดขึ้นเมื่อโมเดลมีความเป็นอิสระต่อกัน แต่ระหว่าง LLM แบบใช้งานทั่วไปนั้นไม่ได้มีอะไรรับประกันเรื่องนี้ครับ
ขอบคุณสำหรับความเห็นครับ! อย่างที่คุณบอกไว้ การมีโมเดล 4 ตัวไม่ได้หมายความว่าความน่าเชื่อถือจะเพิ่มขึ้น 4 เท่าอย่างแน่นอนเลยครับ แต่ขอให้มองว่าอย่างน้อยมันช่วยจับความผิดพลาดของกันและกันได้ สิ่งที่น่าสนใจคือ แม้จะใส่พรอมป์ต์และข้อมูลเดียวกัน แต่แต่ละโมเดลก็มีวิธีวิเคราะห์และมุมมองที่แตกต่างกันมากกว่าที่คิด เราจึงทดสอบมาอย่างมากกับเพอร์โซนา 4 แบบนี้ เพื่อไม่ให้เป็นการยัดเยียดมุมมองเหล่านั้นเข้าไปแบบฝืน ๆ แม้ตอนนี้ยังมีหลายจุดที่ต้องปรับปรุง แต่เราจะพัฒนาต่อไปเพื่อให้เป็นบริการที่น่าเชื่อถือยิ่งขึ้นครับ! ขอบคุณมากจริง ๆ ที่เข้ามาลองใช้บริการและส่งความเห็นให้ครับ
ขอบคุณสำหรับคำตอบครับ! ถ้าจะเสริมสั้น ๆ ในส่วนที่ว่า "ช่วยกันจับความผิดพลาดของกันและกัน" โมเดลแม้มุมมองภายนอกจะต่างกัน แต่เพราะถูกฝึกในช่วงเวลาเดียวกันและด้วยคอร์ปัสเดียวกัน จึงมักพลาดในลักษณะคล้าย ๆ กันได้ครับ แบบนั้นต่อให้ได้ข้อสรุปจากเสียงข้างมาก ความผิดพลาดนั้นก็อาจไม่ถูกกรองออก แต่กลับยิ่งถูกเสริมความมั่นใจแทนได้
ถ้าสะดวก แนะนำให้ลองวัดดูสักครั้งครับ ลองเปรียบเทียบการกระจายของผลตอบแทนหลังเหตุการณ์ในข้อมูล backtest ระหว่างตอนที่ความเห็นของโมเดล 4 ตัว (a) ตรงกัน กับตอนที่ (b) แตกกัน ถ้า (a) ออกมาดีกว่า (b) อย่างมีนัยสำคัญ ก็ถือเป็นหลักฐานเชิงประจักษ์ว่ามีผลของเสียงข้างมากจริง แต่ถ้าไม่ต่างกัน หรือกลับเป็นว่า (b) ดีกว่า ก็อาจเป็นสัญญาณว่าใกล้เคียงกับ noise ที่เห็นพ้องกันมากกว่าครับ เป็นสมมติฐานที่เอาข้อมูลที่คุณมีอยู่แล้วมาลองรันได้ทันที น่าจะลองดูแล้วสนุกดีครับ!
ขอบคุณสำหรับข้อเสนอแนะดีๆ ครับ จริงๆ แล้วไม่ใช่ว่าหุ้นที่ทุกโมเดลแนะนำจะเป็นหุ้นที่ให้ผลตอบแทนสูงเสมอไป ผมเองเคยเชื่อมโยงประเด็นนี้กับลักษณะของหุ้นที่ยิ่งมีความเสี่ยงมาก ผลตอบแทนก็ยิ่งสูง แต่ก็เป็นข้อเสนอที่น่าสนใจมากครับ :)
โอ้.. พอเห็นว่าบอกให้ทุ่มซื้อหมดหน้าตัก ก็รู้สึกคันไม้คันมือเลยนะ~
จะลองใช้งานดูครับ 555
ครับ ขอบคุณครับ 555