Backtesting ช่วยให้คุณทดสอบโมเดลและปรับแต่งได้โดยไม่ต้องเสี่ยงกับเงินทุนในการซื้อขายรวมถึงเข้าใจถึงปัญหาต่างๆ เช่น ต้นทุนการทำธุรกรรม สภาพคล่อง รวมถึงผลตอบแทนและความเสี่ยงสำหรับการเพิ่มประสิทธิภาพและสามารถปรับปรุงความแม่นยำของกลยุทธ์หรือแบบจำลองการลงทุนได้โดยการระบุจุดอ่อนหรืออคติที่อาจส่งผลให้ประสิทธิภาพไม่ดีในอดีต
การทดสอบย้อนหลังให้เฟรมเวิร์กที่คุณสามารถเพิ่มประสิทธิภาพกลยุทธ์ของคุณโดยการปรับเปลี่ยนปริมาณหรือค่าของพารามิเตอร์ที่เกี่ยวข้องกับกลยุทธ์นั้น จากนั้นจึงคำนวณประสิทธิภาพใหม่ น่าเสียดายที่การปรับกลยุทธ์ของคุณให้เหมาะสม คุณมีความเสี่ยงที่จะทำให้เกิดอคติมากเกินไปในโมเดลของคุณ ซึ่งเราจะพูดถึงในภายหลัง ถึงตอนนี้ คุณคงทราบดีถึงประโยชน์ทั้งหมดที่คุณจะได้รับจากการทดสอบแบบจำลองของคุณย้อนหลัง ดังนั้นการออกแบบระบบ Backtesting ได้อย่างเหมาะสมจึงมีความสำคัญอย่างมากในงานด้าน Quant Investment
Backtesting Design
การออกแบบระบบ backtesting เกี่ยวข้องกับการกำหนดกลยุทธ์การซื้อขาย รวบรวมและจัดการข้อมูล เราใช้ backtesting เพื่อวิเคราะห์ผลลัพธ์ และปรับกลยุทธ์ให้เหมาะสมตามความจำเป็นและช่วงระยะเวลาที่เลือกก็มีผลกับผลของการทดสอบย้อนหลังของเราดังนั้นสิ่งแรกที่เราต้องคำนึงถึงคือการเลือกช่วงเวลาทดสอบย้อนหลัง
การเลือกช่วงเวลา
เป็นธรรมดาที่เราทดสอบข้อมูลที่ยาวที่สุดเพื่อให้ได้ผลลัพธ์ที่ดีที่สุดแต่ไม่ใช่กับการทำการทดสอบกลยุทธ์การลงทุน ในการทำการทดสอบกลยุทธ์ของเราควรเลือกสภาพตลาดที่มีโครงสร้างเหมือนตลาดปัจจุบันเช่นในตลาดหุ้นไทยก่อนปี 40 และหลังปี 40 พฤติกรรมตลาดมีลักษณะที่แตกต่างกันอย่างชัดเจนในหลากหลายจุด ดังนั้นเราไม่ควรเลือกข้อมูลก่อนปี 40 มาทดสอบ
จุดต่อไปที่ควรพิจารณาคือข้อมูลต้องยาวเพียงพอให้ครอบคลุมในทุกวัฏจักรการลงทุนแม้ว่าเรื่องนี้อาจพิจารณาโดยการนิยามแนวโน้มตลาดเพื่อทดสอบกลยุทธ์การลงทุนแบบโมเมมตัมที่นิยมใช้ทั่วไป แต่สำหรับผู้จัดการลงทุนที่ต้องสร้างกลยุทธ์การลงทุนที่ซับซ้อนอาจจะต้องพิจารณากรอบที่กว้างขึ้นเช่นภาวะของอัตราดอกเบี้ย วัฏจักรเศรษฐกิจ หรือผู้เล่นที่มีอิทธิพลที่หลากหลาย
อีกหนึ่งวิธีที่ใช้เพื่อไม่ให้แบบจำลองของเราเกิด Over fitting คือ split window Split window backtesting เป็นเทคนิคที่สำคัญสำหรับการประเมินประสิทธิภาพของกลยุทธ์การซื้อขาย เนื่องจากช่วยให้มั่นใจได้ว่ากลยุทธ์นั้นแข็งแกร่ง สมจริง และสรุปได้ สิ่งนี้สามารถช่วยให้นักลงทุนตัดสินใจลงทุนได้อย่างมีข้อมูลและมีประสิทธิภาพมากขึ้น
Cost
ต้นทุนและค่าธรรมเนียมเป็นข้อพิจารณาที่สำคัญในการออกแบบ backtesting เนื่องจากอาจส่งผลกระทบอย่างมากต่อประสิทธิภาพของกลยุทธ์การลงทุน เมื่อออกแบบ backtesting framework สิ่งสำคัญคือต้องคำนึงถึงต้นทุนและค่าธรรมเนียมต่างๆ ที่จะเกิดขึ้นระหว่างการจำลอง
ต้นทุนการทำธุรกรรม เช่น ค่าธรรมเนียมนายหน้าและค่าคอมมิชชั่น อาจส่งผลกระทบอย่างมากต่อประสิทธิภาพของกลยุทธ์การซื้อขาย ในการทดสอบย้อนกลับ ควรคำนึงถึงค่าใช้จ่ายเหล่านี้โดยการจำลองการซื้อขายด้วยต้นทุนการทำธุรกรรมจริง ตัวอย่างเช่น หากกลยุทธ์การซื้อขายเกี่ยวข้องกับการซื้อและขายหลักทรัพย์บ่อยครั้ง การทดสอบย้อนหลังควรรวมต้นทุนของธุรกรรมแต่ละรายการไว้ด้วย
Slippage เป็นอีกหนึ่งต้นทุนที่ควรพิจารณาในการทดสอบย้อนหลัง Slippage เกิดขึ้นเมื่อราคาการดำเนินการของการซื้อขายแตกต่างจากราคาที่คาดไว้ สิ่งนี้สามารถเกิดขึ้นได้เนื่องจากความผันผวนของตลาดหรือข้อจำกัดด้านสภาพคล่อง ในการทดสอบย้อนหลัง สามารถจำลองการเลื่อนหลุดได้โดยการปรับราคาการดำเนินการของการซื้อขายให้สะท้อนถึงผลกระทบของลื่นไถลในโลกแห่งความเป็นจริง
นอกจากต้นทุนการทำธุรกรรมและ Slippage แล้ว นักลงทุนควรพิจารณาผลกระทบของค่าธรรมเนียมอื่นๆ เช่น ค่าธรรมเนียมการจัดการ ค่าธรรมเนียมการดูแล และค่าใช้จ่ายกองทุน ค่าธรรมเนียมเหล่านี้สามารถลดผลตอบแทนสุทธิของกลยุทธ์การลงทุน และควรรวมอยู่ในกรอบการทดสอบย้อนหลัง
ตัวแปรที่เราใช้ประเมินกลยุทธ์เทรด
Win rate
Win rate คือเปอร์เซ็นต์ของการเทรดที่ชนะค่าที่กำหนด เป็นเมตริกที่ใช้กันทั่วไปในการประเมินประสิทธิภาพของกลยุทธ์การซื้อขาย
ตัวอย่างเช่น หากกลยุทธ์การซื้อขายสร้างการซื้อขาย 100 รายการและ 50 รายการทำกำไรชนะตลาดได้ Win rate คือ 50% อัตราการชนะที่สูงขึ้นอาจบ่งบอกถึงกลยุทธ์การซื้อขายที่ประสบความสำเร็จมากกว่า แต่สิ่งสำคัญคือต้องพิจารณาเมตริกอื่นๆ เช่น กำไรและขาดทุน (P&L) และอัตราส่วน Sharpe ด้วย
สิ่งสำคัญคือต้องทราบว่า Win rate สูงไม่ได้รับประกันความสำเร็จเสมอไป กลยุทธ์ที่มีอัตรา Win rate อาจยังสร้างการสูญเสียได้หากขนาดของการสูญเสียมากกว่าขนาดของผลกำไร ในทำนองเดียวกัน กลยุทธ์ที่มีอัตราการชนะต่ำอาจยังประสบความสำเร็จได้หากขนาดของกำไรมากกว่าขนาดของการขาดทุนอย่างมาก นอกจากนี้ สิ่งสำคัญคือต้องพิจารณาการยอมรับความเสี่ยงและวัตถุประสงค์ในการลงทุนของเทรดเดอร์เมื่อประเมินกลยุทธ์การซื้อขาย กลยุทธ์ที่มีอัตรา Win rate อาจไม่เหมาะกับนักเทรดทุกคน เนื่องจากอาจมีความเสี่ยงสูงหรืออาจไม่สอดคล้องกับวัตถุประสงค์ในการลงทุนของนักเทรด
avg win และ avg loss
avg win และ avg loss เป็นเมตริกที่วัดขนาดของการเทรดที่ได้กำไรและไม่ได้กำไรในกลยุทธ์การเทรด สามารถคำนวณได้โดยการหารกำไรหรือขาดทุนทั้งหมดด้วยจำนวนการเทรดที่ชนะหรือแพ้ตามลำดับ ตัวอย่างเช่น หากกลยุทธ์การเทรดสร้างการเทรด 100 รายการและมีกำไรรวม 5,000 ดอลลาร์ โดยมีการเทรดที่ชนะ 50 รายการ และเทรดที่แพ้ 50 รายการ การชนะโดยเฉลี่ยคือ 5,000 / 50 = 100 และการสูญเสียโดยเฉลี่ยคือ 0 / 50 = $0
อัตราส่วนของการชนะโดยเฉลี่ยต่อการสูญเสียโดยเฉลี่ย หรือที่เรียกว่าอัตราส่วนผลตอบแทนต่อความเสี่ยง สามารถเป็นตัวชี้วัดที่มีประโยชน์สำหรับการประเมินประสิทธิภาพของกลยุทธ์การซื้อขาย อัตราส่วนที่สูงขึ้นบ่งชี้ว่ากลยุทธ์สร้างผลกำไรได้มากกว่าเมื่อเทียบกับการขาดทุน ซึ่งอาจดึงดูดใจผู้ค้ามากกว่า สิ่งสำคัญคือต้องทราบว่าการชนะโดยเฉลี่ยและการขาดทุนโดยเฉลี่ยเป็นเพียงตัวชี้วัดที่มีประโยชน์ หากจำนวนการเทรดที่ชนะและแพ้ค่อนข้างสมดุลกัน หากจำนวนการซื้อขายที่ชนะหรือแพ้มีมากขึ้น การชนะหรือขาดทุนเฉลี่ยอาจไม่ได้สะท้อนประสิทธิภาพของกลยุทธ์อย่างถูกต้อง นอกจากนี้ สิ่งสำคัญคือต้องพิจารณาการยอมรับความเสี่ยงและวัตถุประสงค์ในการลงทุนของเทรดเดอร์เมื่อประเมินกลยุทธ์การซื้อขาย กลยุทธ์ที่มีการชนะโดยเฉลี่ยสูงหรืออัตราส่วนผลตอบแทนต่อความเสี่ยงสูงอาจไม่เหมาะสำหรับนักเทรดทุกคน เนื่องจากอาจมีความเสี่ยงในระดับที่สูงกว่าหรืออาจไม่สอดคล้องกับวัตถุประสงค์ในการลงทุนของนักเทรด
ปัญหา look ahead bias
ปัญหา look ahead bias หรือที่เรียกว่าอคติแบบแอบดูหรือแอบดู เป็นความเอนเอียงประเภทหนึ่งที่เกิดขึ้นเมื่อกลยุทธ์หรือแบบจำลองการซื้อขายใช้ข้อมูลที่ไม่มีอยู่ในขณะที่ทำการซื้อขาย สิ่งนี้สามารถนำไปสู่ผลลัพธ์ที่มองโลกในแง่ดีเกินไปเมื่อทดสอบกลยุทธ์หรือแบบจำลองย้อนหลัง เนื่องจากไม่ได้สะท้อนถึงเงื่อนไขที่การซื้อขายเกิดขึ้นจริงอย่างถูกต้อง มีหลายวิธีที่look ahead bias สามารถเกิดขึ้นได้ในการซื้อขายแบบอัลกอริทึม:
การใช้ข้อมูลในอนาคต: หากกลยุทธ์หรือโมเดลการซื้อขายใช้ข้อมูลที่ไม่มีอยู่ในเวลาที่ซื้อขาย มันมีแนวโน้มที่จะให้ผลลัพธ์ที่มองโลกในแง่ดีเกินไปเมื่อทดสอบย้อนหลัง กรณีนี้อาจเกิดขึ้นได้หากกลยุทธ์หรือแบบจำลองใช้ข้อมูลจากอนาคตในการตัดสินใจซื้อขาย เช่น โดยดูที่ราคาในอนาคตหรือตัวบ่งชี้ทางเศรษฐกิจ
การปรับปรุงกลยุทธ์หรือแบบจำลองตามข้อมูลในอนาคต: หากกลยุทธ์หรือแบบจำลองได้รับการปรับปรุงหรือปรับปรุงตามข้อมูลที่ไม่มีอยู่ในเวลาที่ซื้อขาย ก็อาจสร้างผลลัพธ์ในแง่ดีมากเกินไปเมื่อทดสอบย้อนกลับ สิ่งนี้สามารถเกิดขึ้นได้หากกลยุทธ์หรือโมเดลได้รับการปรับให้เหมาะสมโดยใช้ข้อมูลจากอนาคต หรือหากมีการอัปเดตตามการเปลี่ยนแปลงของสภาวะตลาดที่ไม่ทราบในขณะที่ทำการซื้อขาย
Data snooping: การสอดแนมข้อมูลเกิดขึ้นเมื่อกลยุทธ์หรือรูปแบบการซื้อขายได้รับการพัฒนาโดยใช้ข้อมูลที่เลือกตามผลลัพธ์ที่ต้องการ ตัวอย่างเช่น หากกลยุทธ์หรือแบบจำลองได้รับการพัฒนาโดยใช้เฉพาะข้อมูลจากช่วงเวลาที่ทำงานได้ดี ก็มีแนวโน้มที่จะให้ผลลัพธ์ที่มองโลกในแง่ดีเกินไปเมื่อทดสอบย้อนกลับ
เพื่อหลีกเลี่ยง look ahead bias สิ่งสำคัญคือต้องใช้เฉพาะข้อมูลที่มีอยู่ในขณะที่ทำการซื้อขายเมื่อทำการทดสอบกลยุทธ์หรือแบบจำลองการซื้อขายย้อนหลัง ซึ่งอาจเกี่ยวข้องกับการใช้ข้อมูลนอกกลุ่มตัวอย่างหรือเทคนิคการตรวจสอบข้ามเพื่อตรวจสอบความถูกต้องของผลลัพธ์ สิ่งสำคัญคือต้องตระหนักถึงการเปลี่ยนแปลงหรืออัปเดตกลยุทธ์หรือโมเดลที่อาจอิงตามข้อมูลที่ไม่มีอยู่ในขณะที่ทำการซื้อขาย
simplification
Simplification problem เป็นปัญหาทั่วไปในการทดสอบกลยุทธ์การซื้อขายแบบอัลกอริทึมย้อนหลัง มันหมายถึงข้อเท็จจริงที่ว่าการทดสอบย้อนกลับนั้นจำเป็นต้องเกี่ยวข้องกับการทำให้ง่ายขึ้นและการตั้งสมมติฐานเกี่ยวกับแง่มุมบางประการของกระบวนการซื้อขาย เช่น ต้นทุนการทำธุรกรรมหรือการคลาดเคลื่อน การทำให้เข้าใจง่ายเหล่านี้อาจส่งผลต่อความแม่นยำของผลลัพธ์ และอาจนำไปสู่ผลลัพธ์ที่มองโลกในแง่ดีหรือมองโลกในแง่ดีเกินไป การลดความซับซ้อนทั่วไปบางอย่างที่อาจนำไปสู่ปัญหาการลดความซับซ้อนในการทดสอบย้อนหลัง ได้แก่:
ต้นทุนการทำธุรกรรม: การซื้อขายเกี่ยวข้องกับค่าใช้จ่าย เช่น ค่าคอมมิชชั่น ค่าธรรมเนียม และสเปรด ซึ่งอาจส่งผลต่อความสามารถในการทำกำไรของการซื้อขาย เมื่อทดสอบกลยุทธ์หรือโมเดลการซื้อขายย้อนหลัง มักจำเป็นต้องลดความซับซ้อนของต้นทุนเหล่านี้และตั้งสมมติฐานเกี่ยวกับผลกระทบที่มีต่อการค้า สิ่งนี้สามารถนำไปสู่การประเมินความสามารถในการทำกำไรของการเทรดสูงหรือต่ำเกินไป
Slippage: Slippage เกิดขึ้นเมื่อราคาที่ดำเนินการซื้อขายแตกต่างจากราคาที่ตั้งใจจะดำเนินการ ซึ่งอาจเกิดจากปัจจัยต่างๆ เช่น ความผันผวนของตลาดหรือขนาดของการซื้อขาย เมื่อทดสอบกลยุทธ์หรือแบบจำลองการซื้อขายย้อนหลัง มักจำเป็นต้องตั้งสมมติฐานเกี่ยวกับการเลื่อนหลุดและผลกระทบต่อการซื้อขาย สิ่งนี้สามารถนำไปสู่การประเมินความสามารถในการทำกำไรของการเทรดสูงหรือต่ำเกินไป
ผลกระทบต่อตลาด: ขนาดและลักษณะของการซื้อขายอาจส่งผลต่อราคาตลาดของสินทรัพย์ เมื่อทดสอบกลยุทธ์หรือโมเดลการซื้อขายย้อนหลัง มักจำเป็นต้องตั้งสมมติฐานเกี่ยวกับผลกระทบต่อตลาดของการค้าและผลกระทบต่อความสามารถในการทำกำไรของการค้า สิ่งนี้สามารถนำไปสู่การประเมินความสามารถในการทำกำไรของการเทรดสูงหรือต่ำเกินไป
เพื่อลดผลกระทบของ simplification problem ในการทดสอบย้อนกลับ สิ่งสำคัญคือต้องทำให้การทำให้เข้าใจง่ายและตั้งสมมติฐานให้น้อยที่สุดเท่าที่จะเป็นไปได้ และใช้ข้อมูลและแบบจำลองที่สมจริงที่สุดเท่าที่จะเป็นไปได้ สิ่งสำคัญคือต้องตรวจสอบความถูกต้องของผลลัพธ์โดยใช้ข้อมูลนอกกลุ่มตัวอย่างหรือเทคนิคการตรวจสอบข้ามเพื่อให้แน่ใจว่าผลลัพธ์นั้นแข็งแกร่งและไม่ได้รับอิทธิพลมากเกินไปจากการทำให้เข้าใจง่ายที่ทำขึ้น
Survivorship Bias
ปัญหา Survivorship Bias เป็นปัญหาที่ควรส่วนใหญ่มักลืมคำนึงถึงและเป็นปัญหาที่ยากที่สุดในการจัดการด้วยข้อจำกัดของฐานข้อมูล ในการสร้างกลยุทธ์การลงทุนส่วนใหญ่เรามักจะทดสอบกลยุทธ์ของเรากับหลักทรัพย์ที่มีอยู่ในปัจจุบันโดยละเลยหลักทรัพย์ที่เคยมีอยู่ในอดีตและปัจจุบันไม่มีอยู่แล้ว
ตัวอย่างเช่น หากมีการทดสอบย้อนหลังกับตัวอย่างหุ้นจากดัชนี SET แต่รวมเฉพาะหุ้นที่อยู่ในดัชนีในปัจจุบัน การทดสอบย้อนหลังจะได้รับผลกระทบจาก Survivorship Bias การทดสอบย้อนหลังจะไม่สะท้อนถึงประสิทธิภาพของหุ้นที่ถูกลบออกจากดัชนีเนื่องจากการล้มละลายหรือเหตุผลอื่นๆ
เพื่อหลีกเลี่ยงอคติการอยู่รอด ควรทำการทดสอบย้อนหลังกับตัวอย่างหลักทรัพย์ที่มีหลักทรัพย์ที่ล้มละลายหรือไม่มีตัวตน ซึ่งสามารถทำได้โดยใช้ข้อมูลในอดีตซึ่งรวมถึงหลักทรัพย์ที่ถูกเพิกถอน หรือโดยใช้ฐานข้อมูลที่ปราศจากอคติของผู้รอดชีวิตซึ่งอธิบายถึงประสิทธิภาพของหลักทรัพย์ที่ถูกเพิกถอน
Optimization Bias
Optimization Bias เกิดขึ้นเมื่อพารามิเตอร์ของกลยุทธ์การซื้อขายได้รับการปรับให้เหมาะสมเพื่อเพิ่มประสิทธิภาพสูงสุดของข้อมูลประวัติ แต่ไม่แข็งแกร่งพอที่จะทำงานได้ดีกับข้อมูลใหม่ที่มองไม่เห็น
ตัวอย่างเช่น หากกลยุทธ์การซื้อขายได้รับการปรับให้ทำงานได้ดีกับข้อมูลในอดีตชุดหนึ่งๆ แต่ไม่ได้ทดสอบกับข้อมูลใหม่ที่มองไม่เห็น กลยุทธ์นั้นอาจทำงานได้ไม่ดีในอนาคต ทั้งนี้เนื่องจากพารามิเตอร์ที่ปรับให้เหมาะสมอาจเหมาะสมกับข้อมูลประวัติมากเกินไป และอาจไม่มีประสิทธิภาพเพียงพอที่จะทำงานได้ดีกับข้อมูลใหม่ที่มีลักษณะแตกต่างกัน
เพื่อหลีกเลี่ยงอคติในการเพิ่มประสิทธิภาพ ควรออกแบบกรอบการทดสอบย้อนหลังเพื่อทดสอบความแข็งแกร่งของกลยุทธ์การซื้อขาย ซึ่งสามารถทำได้โดยใช้ข้อมูลนอกกลุ่มตัวอย่างเพื่อทดสอบประสิทธิภาพของกลยุทธ์กับข้อมูลใหม่ที่ไม่ได้ใช้ในกระบวนการปรับให้เหมาะสม นอกจากนี้ ควรจำกัดจำนวนพารามิเตอร์ที่ปรับให้เหมาะสมเพื่อลดความเสี่ยงของการโอเวอร์ฟิต
ส่งท้าย
Backtesting ไม่ใช่เครื่องมือการวิจัย Backtesting ไม่สามารถพิสูจน์ได้ว่ากลยุทธ์เป็นผลบวกจริง และอาจให้หลักฐานว่ากลยุทธ์เป็นผลบวกลวงเท่านั้น อย่าพัฒนากลยุทธ์ผ่าน Backtesting เพียงอย่างเดียว กลยุทธ์ต้องได้รับการสนับสนุนจากทฤษฎี ไม่ใช่การจำลองตามอดีต
กลยุทธ์การลงทุนที่มีประสิทธิภาพไม่ใช่แค่การสร้างแผนสำหรับการจัดสรรสินทรัพย์ แต่ยังสามารถอธิบายและให้เหตุผลเบื้องหลังได้ด้วย การทดสอบย้อนกลับ ซึ่งเป็นการจำลองว่ากลยุทธ์การลงทุนจะดำเนินการอย่างไรในอดีต อาจมีประโยชน์สำหรับการทำความเข้าใจความเสี่ยงและผลตอบแทนที่อาจเกิดขึ้นจากกลยุทธ์ แต่สิ่งสำคัญคือต้องตระหนักว่าเป็นเพียงการจำลองและอาจไม่ได้สะท้อนอย่างถูกต้อง ประสิทธิภาพในโลกแห่งความเป็นจริง
เพื่อให้เข้าใจประสิทธิผลของกลยุทธ์การลงทุนอย่างแท้จริง สิ่งสำคัญคือต้องมุ่งเน้นไปที่ทฤษฎีพื้นฐานที่ขับเคลื่อนกลยุทธ์นั้น ทฤษฎีที่ได้รับการวิจัยมาอย่างดีควรจะสามารถระบุกลไกของเหตุและผลที่เกิดขึ้นได้ และให้หลักฐานที่เป็นข้อเท็จจริงว่าเหตุใดกลยุทธ์จึงคาดว่าจะประสบความสำเร็จ สิ่งนี้สามารถช่วยผู้จัดการสินทรัพย์ในการตัดสินใจอย่างชาญฉลาดยิ่งขึ้นเกี่ยวกับวิธีการจัดสรรสินทรัพย์ของพวกเขาและดึงผลกำไรจากภูมิปัญญาโดยรวมของตลาด
แน่นอน หากคุณลงทุนด้วยเงินของคุณเอง คุณอาจไม่จำเป็นต้องกังวลมากเท่ากับการพัฒนาทฤษฎีที่ครอบคลุมหรืออธิบายเหตุผลที่อยู่เบื้องหลังกลยุทธ์ของคุณ อย่างไรก็ตาม การพิจารณาความเสี่ยงและผลตอบแทนที่อาจเกิดขึ้นจากการลงทุนนั้นยังคงมีความสำคัญ และทำการตัดสินใจบนพื้นฐานของความเข้าใจอย่างถ่องแท้เกี่ยวกับตลาด
Comments