ใช้ Deep Learning + วิเคราะห์ข่าว (News Sentiment) ทำนายราคาหุ้น

การทำนายราคาหุ้นเป็นโจทย์ที่ท้าทาย ทั้งจากความผันผวนของตลาด ข้อมูลที่ซับซ้อน และอารมณ์ของนักลงทุน แต่ด้วยความก้าวหน้าด้าน Deep Learning และ News Sentiment Analysis ทำให้เราสามารถสร้างระบบคาดการณ์ที่ละเอียด แม่นยำ และตอบสนองต่อเหตุการณ์ได้ดีกว่าเดิม

บทความนี้อธิบายตั้งแต่เหตุผลสำคัญ ระบบที่ควรสร้าง ฟีเจอร์ข้อมูล เทคนิคที่ใช้ในงานจริง และตัวอย่างโค้ดเบื้องต้น เหมาะสำหรับนักลงทุน นักพัฒนาระบบเทรด และผู้ที่ต้องการสร้าง AI วิเคราะห์การเงินแบบมืออาชีพ

1. ทำไม Deep Learning ถึงเหมาะกับการทำนายราคาหุ้น

ตลาดหุ้นเต็มไปด้วยความสัมพันธ์ที่ไม่เป็นเชิงเส้น (Non-linear)
Deep Learning เหมาะกับลักษณะข้อมูลแบบนี้เพราะ:

เรียนรู้ความสัมพันธ์ซับซ้อนระหว่างหลายฟีเจอร์
ตรวจจับรูปแบบซ้ำของราคา เช่น Trend, Momentum
ปรับตัวตาม Regime ของตลาดที่เปลี่ยนไป
รวมข้อมูลหลายชนิด (ราคา, ตัวชี้วัดทางเทคนิค, ข่าว, เหตุการณ์) ได้ดี

โมเดลที่นิยมใช้ เช่น
LSTM, GRU, 1D CNN, TCN, และ Transformer

2. ทำไมต้องเพิ่ม News Sentiment

ราคาเพียงอย่างเดียวไม่เพียงพอในการคาดการณ์ โดยเฉพาะในตลาดที่ตอบสนองต่อข่าวเร็วมาก

News Sentiment ช่วยให้โมเดลเข้าใจ:

อารมณ์ตลาด (ความกลัว/ความมั่นใจ)
ปฏิกิริยาต่อข่าวสำคัญ
เหตุการณ์กระทบพื้นฐาน
ความรุนแรงของข่าวลบหรือข่าวบวก
กระแสสังคมออนไลน์ที่ผลักราคา

ระบบที่มี sentiment มักแม่นยำกว่าระบบที่ใช้เฉพาะข้อมูลราคา 5–20%

3. สถาปัตยกรรมระบบ (Top-Down Mermaid Diagram)

flowchart TD
    A["แหล่งข่าว: News API / RSS / Social Media"] --> B["โมเดลวิเคราะห์ Sentiment (FinBERT / LLM)"]
    B --> C["สร้างฟีเจอร์ Sentiment รายวัน"]

    D["ข้อมูลราคา OHLCV + Technical Indicators"] --> E["Feature Engineering & รวมข้อมูล"]
    C --> E

    E --> F["โมเดล Deep Learning (LSTM / CNN / Transformer)"]
    F --> G["ผลลัพธ์: ทำนายราคา / ทิศทาง / ผลตอบแทน"]
    G --> H["Backtesting & การประเมินกลยุทธ์เทรด"]

4. ฟีเจอร์ข้อมูลที่ควรมี

ข้อมูลราคา (OHLCV)

Open, High, Low, Close
Volume
Returns, Log Returns
Indicators เช่น RSI, MACD, EMA, ATR

ข้อมูลจากข่าว (Sentiment Features)

ฟีเจอร์ที่สร้างได้ เช่น:

ฟีเจอร์	ความหมาย
sentiment_mean	ค่าเฉลี่ยอารมณ์ข่าวต่อวัน
sentiment_max	ข่าวบวกที่สุด
sentiment_min	ข่าวลบที่สุด
sentiment_volume	จำนวนข่าว
risk_keywords	คีย์เวิร์ดข่าวเสี่ยง เช่น fraud, downgrade

ฟีเจอร์เชิงเวลา

lag sentiment (t-1, t-2, t-3)
volatility ของ sentiment
event flags เช่น วันประกาศงบ

5. โมเดลเรียนรู้อย่างไร

ระบบจะอ่านข้อมูลย้อนหลัง 60 วัน (หรือปรับได้)
แล้วทำนาย:

ราคาวันถัดไป
ทิศทางขึ้น/ลง
หรือผลตอบแทนแบบเปอร์เซ็นต์

ประเภทโมเดลที่เหมาะสม

LSTM → ดีสำหรับระยะยาว มีความต่อเนื่อง
CNN/TCN → เก่งกับแพทเทิร์นระยะสั้น เช่น Breakout
Transformer → ผสานข้อมูลหลายมิติและ sequence ยาวได้ดีที่สุด

6. ตัวอย่างโค้ด (ย่อ)

รวมข้อมูลราคา + Sentiment

df = pd.merge(price_df, sentiment_df, on="Date", how="left")
df.fillna(0, inplace=True)

สร้าง Sequence ให้โมเดล

def create_sequences(data, w=60):
    X, y = [], []
    for i in range(w, len(data)):
        X.append(data[i-w:i])
        y.append(data[i, df.columns.get_loc("Close")])
    return np.array(X), np.array(y)

โมเดล LSTM

model = Sequential([
    LSTM(128, return_sequences=True, input_shape=(60, n_features)),
    LSTM(64),
    Dense(32, activation="relu"),
    Dense(1)
])
model.compile(optimizer="adam", loss="mse")