25/07/2026
AI-assisted Coding สำหรับ Quant Lab: Code ที่รันได้ ไม่ได้แปลว่า Model ถูก
สวัสดีเพื่อนๆทุกคนนะครับ
ต่อจาก note ก่อนหน้าที่ผมได้แชร์เรื่อง Research Memory และการใช้ AI เข้ามาช่วยจัดระบบความรู้ในงาน research ไป วันนี้ผมอยากมา note ต่ออีกหนึ่ง topic ที่ผมคิดว่าน่าจะเกี่ยวข้องกับหลายๆคนที่กำลังใช้ AI ในการทำงานสาย research, coding, trading model หรือ quantitative development มากขึ้น
หัวข้อวันนี้คือเรื่องของ AI-assisted Coding หรือการใช้ AI เข้ามาช่วยเขียน code, review logic, debug, generate test case และช่วยจัด structure ของ project ให้เป็นระบบมากขึ้น
แต่เหมือนเดิมนะครับ บทความนี้จะไม่ได้เป็น technical tutorial ว่าต้องใช้ library ตัวไหน, framework อะไร, หรือเขียน code ยังไงแบบลงลึก เพราะส่วนหนึ่ง detail พวกนี้เปลี่ยนไวมาก และอีกส่วนหนึ่งงานของแต่ละคนก็มี objective ไม่เหมือนกัน
ผมอยากแชร์ในมุมของ principle based thinking มากกว่า ว่าในงาน quant research หรือ Alpha Lab development การใช้ AI เข้ามาช่วย code มีประโยชน์มากก็จริง แต่ถ้าเราไม่มี testing framework และ validation process ที่ดีพอ AI อาจจะไม่ได้แค่ทำให้เราทำงานเร็วขึ้น แต่อาจจะทำให้เราผิดพลาดเร็วขึ้นด้วยเหมือนกัน
ช่วงหลังๆ ผมคิดว่าหลายคนคงเริ่มใช้ AI เข้ามาช่วยเขียน code กันมากขึ้น ไม่ว่าจะเป็นการให้ AI ช่วยเขียน function, refactor code, อธิบาย error, ช่วยออกแบบ class structure, ช่วยเขียน documentation, ช่วยสร้าง unit test หรือแม้แต่ช่วยวาง workflow สำหรับ data pipeline และ backtesting engine เบื้องต้น
อันนี้ต้องยอมรับว่า AI ช่วยลด friction ในการทำงานได้เยอะมากจริงๆ
เมื่อก่อนเวลาเราเจอ error บางอย่าง เราอาจจะต้องนั่งไล่ stack trace, search documentation, เปิด forum, ลองแก้หลายรอบ กว่าจะเจอจุดที่ผิด แต่ตอนนี้ AI สามารถช่วยชี้จุดที่น่าจะมีปัญหาได้เร็วขึ้น หรืออย่างน้อยก็ช่วยให้เราเห็นมุมที่เราอาจจะมองข้ามไป
แต่ในงาน quant model สิ่งที่อันตรายที่สุดไม่ใช่ code ที่ error แล้วรันไม่ผ่านนะครับ
เพราะ code ที่รันไม่ผ่าน เรารู้ทันทีว่ามันผิด
สิ่งที่อันตรายกว่าคือ code ที่รันผ่านทุกอย่าง
ไม่มี error
equity curve สวย
Sharpe ratio ดูดี
drawdown ต่ำ
แต่ logic ข้างในผิด
อันนี้คือจุดที่ผมคิดว่าคนทำ model ต้องระวังมากเป็นพิเศษ
ในงาน quantitative trading หรือ portfolio model บางครั้ง bug เล็กๆสามารถสร้าง fake alpha ได้ง่ายมาก
เช่น
data มี look-ahead bias
timestamp ไม่ align กัน
ใช้ราคาปิดของวันนั้นไปตัดสินใจ trade ในวันเดียวกัน
fee/slippage ใส่ต่ำเกินจริง
funding rate ไม่ได้ถูกคำนวณ
liquidity assumption ดีเกินไป
position sizing ผิด
leverage calculation ไม่ตรงกับตลาดจริง
rebalance logic มีปัญหา
missing data ถูก fill แบบผิดวิธี
หรือ short/hedge leg ถูกจำลองแบบไม่ realistic
พอสิ่งเหล่านี้เกิดขึ้นใน backtest ผลลัพธ์ที่ออกมาอาจจะดูดีมากจนเรารู้สึกว่า model นี้มี edge
แต่จริงๆแล้ว edge ที่เห็นอาจจะไม่ได้มาจาก market inefficiency หรือ alpha จริงๆ แต่มาจาก bug, wrong assumption หรือ data leakage ที่เรายังจับไม่ได้
และถ้าเราใช้ AI ช่วยเขียน code โดยที่เราไม่ได้เข้าใจ logic ทั้งหมด หรือไม่ได้มี validation process ที่ดีพอ เราก็อาจจะเผลอ deploy model ที่ดูดีใน backtest แต่เปราะบางมากในตลาดจริง
ตรงนี้ผมมองว่า AI คล้ายกับ junior developer หรือ junior research assistant ที่ทำงานเร็วมากๆ แต่ยังต้องมี senior คอย review
AI สามารถช่วยเขียน code ได้
AI สามารถช่วย generate idea ได้
AI สามารถช่วยอธิบาย math บางส่วนได้
AI สามารถช่วย refactor project ได้
AI สามารถช่วยเขียน test case เบื้องต้นได้
แต่ AI ยังไม่ควรถูกปล่อยให้เป็น final validator ของ trading model
เพราะในตลาดจริง เงินที่เสียไปไม่ได้เสียใน simulation
และ error ที่เกิดขึ้นจาก model บางครั้งไม่ได้กระทบแค่ code แต่กระทบกับ portfolio, risk exposure, liquidity, counterparty และ confidence ของทีมด้วย
ถ้ามองในมุมของการพัฒนา quant model ผมคิดว่า workflow ที่ดีควรแยกเป็นหลาย layer ไม่ใช่เขียน code เสร็จแล้ว backtest ดู equity curve อย่างเดียว
อย่างแรกคือ Idea validation
ก่อนจะเขียน code เราต้องตอบให้ได้ก่อนว่า idea นี้มี economic intuition หรือ market intuition อะไรอยู่เบื้องหลัง
เราเชื่ออะไรกับตลาด
model นี้พยายาม capture inefficiency แบบไหน
ทำไม inefficiency นี้ถึงควรมีอยู่
ใครเป็นคนจ่าย return ให้เรา
ถ้า model ทำกำไรได้จริง เงินมาจากไหน
และมี condition อะไรที่ทำให้ idea นี้ fail ได้
คำถามพวกนี้สำคัญมาก เพราะถ้า idea ข้างในไม่มี logic ที่ดี ต่อให้ AI ช่วยเขียน code ได้เร็วแค่ไหน สุดท้ายเราก็แค่ backtest noise ให้เร็วขึ้นเท่านั้น
อย่างที่สองคือ Data validation
ผมคิดว่าหลายครั้งปัญหาของ model ไม่ได้อยู่ที่ algorithm แต่อยู่ที่ data
data สะอาดจริงหรือเปล่า
มี missing value เยอะไหม
timestamp ตรงกันไหม
ราคา bid/ask กับ last price ใช้ปนกันหรือเปล่า
ใช้ adjusted data หรือ raw data
asset ที่ delist ไปแล้วถูกนับหรือไม่
มี survivorship bias หรือเปล่า
time zone ตรงกับ exchange จริงไหม
fee/funding/liquidation rule ถูก model เข้าไปหรือยัง
ตรงนี้ AI อาจจะช่วยเราเขียน script เพื่อตรวจ data quality ได้ดีมาก เช่น ช่วยหา missing period, ช่วยเช็ค duplicate timestamp, ช่วย generate report หรือช่วยเขียน validation rule
แต่สุดท้ายคนที่ทำ model ต้องเข้าใจ data source และ market microstructure เองอยู่ดี
เพราะถ้า data ผิด ต่อให้ model ฉลาดแค่ไหน output ก็ผิดได้เหมือนกัน
อย่างที่สามคือ Code validation
อันนี้เป็นจุดที่ AI ช่วยได้เยอะมาก
เช่น ช่วยเขียน unit test
ช่วยเขียน integration test
ช่วยทำ regression test
ช่วย review edge case
ช่วยอธิบาย function ที่ซับซ้อน
ช่วย refactor code ให้ maintain ง่ายขึ้น
ช่วยเช็คว่า function มี side effect หรือเปล่า
ช่วยเขียน documentation ให้คนในทีมอ่านเข้าใจง่ายขึ้น
แต่สิ่งที่ผมอยากเน้นคือ test case ต้องออกแบบจากความเข้าใจของเรา ไม่ใช่ปล่อยให้ AI คิดทั้งหมด
เพราะ AI อาจจะเขียน test case ที่ดูดี แต่ไม่ได้ cover จุดที่เป็น risk จริงของ model
เช่น model ที่เกี่ยวกับ options อาจจะต้อง test เรื่อง delta, gamma, vega, theta, implied volatility, expiry, exercise rule, liquidity และ margin requirement
model ที่เกี่ยวกับ futures อาจจะต้อง test เรื่อง funding rate, basis, rollover, liquidation, fee tier และ leverage
model ที่เกี่ยวกับ pair trading หรือ market neutral อาจจะต้อง test เรื่อง hedge ratio, correlation breakdown, cointegration decay, spread widening, liquidity shock และ rebalance timing
ถ้า test case ไม่ได้สะท้อน risk จริงของ model ผลลัพธ์จากการ test ก็อาจจะทำให้เรามั่นใจผิดๆได้
อย่างที่สี่คือ Backtest validation
ตรงนี้เป็นส่วนที่หลายคนให้ความสำคัญ แต่บางครั้งอาจจะดูแค่ performance metric แล้วจบ
สำหรับผม backtest ที่ดีไม่ได้ดูแค่ return, Sharpe ratio, max drawdown หรือ win rate อย่างเดียว
เราควรดูด้วยว่า
return มาจากช่วงไหน
model ทำงานดีใน regime แบบไหน
drawdown เกิดจากอะไร
มี concentration risk หรือเปล่า
asset ไหน contribute return มากเกินไปไหม
performance ขึ้นกับ parameter บางตัวมากเกินไปหรือเปล่า
ถ้า fee/slippage เพิ่มขึ้น model ยังอยู่รอดไหม
ถ้า delay ex*****on 1-2 bar ผลเปลี่ยนมากไหม
ถ้าตัดช่วง market ที่ดีที่สุดออก performance ยังดีอยู่ไหม
ถ้า volatility regime เปลี่ยน model ยังพอ handle ได้หรือเปล่า
ตรงนี้ AI อาจจะช่วย summarize backtest result ได้ดีมาก หรือช่วย generate report ให้เราอ่านง่ายขึ้น
แต่ AI ไม่ได้รู้ว่า performance แบบไหน “น่าเชื่อ” ถ้าเราไม่ได้สอน framework และ context ให้มันดีพอ
บางครั้ง equity curve ที่สวยเกินไปก็อาจจะเป็น warning sign ไม่ใช่สิ่งที่ควรดีใจทันที
อย่างที่ห้าคือ Forward test และ Walk-forward testing
ส่วนตัวผมมองว่า backtest อย่างเดียวไม่เคยพอ
เพราะ backtest คือการทดสอบกับข้อมูลในอดีตที่เรารู้ผลลัพธ์ไปแล้ว ต่อให้เราแบ่ง train/test set ดีแค่ไหน มันก็ยังมีโอกาสที่เราจะเผลอ optimize บางอย่างให้เข้ากับอดีตมากเกินไป
ดังนั้น model ที่ดูดีใน backtest ควรถูกเอามาทดสอบต่อใน forward test หรือ walk-forward testing เพื่อดูว่า logic ยัง work กับข้อมูลใหม่ที่ model ไม่เคยเห็นหรือเปล่า
AI สามารถช่วยจัด experiment log ได้ดีมาก เช่น ช่วยเก็บว่า version ไหนใช้ parameter อะไร, test ช่วงไหน, result เป็นยังไง, ต่างจาก version ก่อนหน้ายังไง
แต่ decision ว่า model ผ่านหรือไม่ผ่าน ยังควรเป็นของคนที่เข้าใจ model และเข้าใจ market condition ในช่วงนั้นจริงๆ
อย่างที่หกคือ Live small-size testing
ผมคิดว่าไม่ว่า backtest หรือ forward test จะดูดีแค่ไหน สุดท้าย model ควรถูก test ในตลาดจริงด้วย size ที่เล็กก่อนเสมอ
เพราะตลาดจริงมีสิ่งที่ simulation อาจจะ capture ได้ไม่ครบ เช่น
order fill ไม่ได้ตามที่คิด
latency มีผลมากกว่าที่คาด
liquidity หายตอนที่ต้องการ exit
spread กว้างขึ้นตอน market stress
exchange rule เปลี่ยน
API มีปัญหา
margin requirement เปลี่ยน
หรือ ex*****on logic เจอ edge case ที่ไม่เคยเกิดใน backtest
AI อาจจะช่วย monitor log, summarize error, alert anomaly หรือช่วยเขียน post-trade analysis ได้ดี
แต่การตัดสินใจว่าจะ scale model หรือไม่ ยังต้องดูจาก live behavior จริงๆ ไม่ใช่ดูแค่ simulation
ตรงนี้ผมอยากแชร์มุมหนึ่งที่ผมคิดว่าสำคัญมาก
AI ทำให้เราสร้าง model ได้เร็วขึ้น
แต่ไม่ได้แปลว่าเราควร deploy model เร็วขึ้นเสมอไป
ความเร็วในการ develop ต้องมาพร้อมกับความเข้มข้นของ validation
ถ้าเมื่อก่อนเราใช้เวลา 2 เดือนในการพัฒนา model 1 ตัว แต่ตอนนี้ AI ช่วยให้เราทำได้ใน 2 สัปดาห์ สิ่งที่เราควรทำไม่ใช่รีบเอา model ไปใช้ทันที แต่ควรเอาเวลาที่ประหยัดได้ไปเพิ่ม quality ของ testing, documentation, review และ risk analysis
เพราะในงานสายนี้ การเร็วขึ้นแต่ไม่รอบคอบ อาจจะไม่ได้สร้าง alpha เพิ่ม แต่อาจจะสร้าง model risk เพิ่มแทน
อีกเรื่องที่ผมคิดว่าน่าสนใจคือ AI สามารถช่วยให้เราเขียน documentation ได้ดีขึ้นมาก
หลายคนอาจจะมองว่า documentation เป็นเรื่องน่าเบื่อ แต่ในงาน research ระยะยาว documentation สำคัญมาก
เพราะถ้าเราไม่มี documentation ที่ดี อีก 3 เดือนหรือ 6 เดือนกลับมาดู code ตัวเอง เราอาจจะจำไม่ได้ว่า logic นี้เขียนขึ้นมาเพื่ออะไร parameter นี้มีที่มายังไง หรือทำไมตอนนั้นเราถึง reject model บาง version ออกไป
AI สามารถช่วยแปลง code comment, experiment note, backtest summary และ risk checklist ให้กลายเป็น research documentation ที่อ่านง่ายขึ้นได้
อันนี้ผมมองว่ามี value มาก เพราะมันเชื่อมกับ Research Memory ที่ผมเคยเขียนไปก่อนหน้า
ถ้า code เรามี documentation ที่ดี
experiment log เราเป็นระบบ
backtest result ถูกเก็บพร้อม context
และ model limitation ถูกเขียนไว้ชัดเจน
อนาคต AI ก็จะช่วยเราดึงความรู้เก่ากลับมาใช้ได้ดีขึ้น
แต่ก็เหมือนเดิมครับ ทุกอย่างมีข้อดีข้อเสีย
AI-assisted coding เองก็มี risk ที่ต้องระวัง
ข้อแรกคือ overconfidence risk
พอ AI เขียน code ได้เร็วและอธิบายได้ดูดี เราอาจจะเผลอเชื่อว่ามันถูก ทั้งที่จริงๆ logic บางส่วนอาจจะผิด
ข้อสองคือ hidden bug risk
code ที่ AI เขียนบางครั้งอาจจะดู clean มาก แต่มี bug ที่ซ่อนอยู่ใน assumption หรือ edge case ที่เราไม่ได้ test
ข้อสามคือ overfitting risk
ถ้าเราใช้ AI ช่วย optimize model ไปเรื่อยๆ โดยไม่มี discipline เราอาจจะกำลังสร้าง model ที่ fit กับอดีตมากเกินไป
ข้อสี่คือ dependency risk
ถ้าเราให้ AI เขียน code ให้ตลอด แต่เราไม่เข้าใจ structure ของระบบเอง สุดท้ายเราจะ debug model ของตัวเองไม่เป็น
ข้อห้าคือ confidentiality risk
ถ้า codebase หรือ model logic มี proprietary information เราต้องคิดให้ดีว่าอะไรควรส่งให้ AI และอะไรไม่ควรส่ง โดยเฉพาะถ้าใช้ cloud AI
ดังนั้น workflow ที่ผมคิดว่าเหมาะสมกว่าคือ ใช้ AI เป็นตัวช่วยเร่ง process แต่ต้องมี human-in-the-loop ตลอด
ให้ AI ช่วยเขียน draft code ได้
แต่เราต้อง review logic เอง
ให้ AI ช่วย generate test case ได้
แต่เราต้องกำหนด risk scenario เอง
ให้ AI ช่วย summarize backtest ได้
แต่เราต้องตีความ performance เอง
ให้ AI ช่วยหา bug ได้
แต่เราต้องเข้าใจว่าบั๊กนั้นกระทบ portfolio ยังไง
ให้ AI ช่วย document model ได้
แต่เราต้องเป็นคนยืนยันว่า documentation นั้นสะท้อนสิ่งที่ model ทำจริงๆ
ในมุมของผม AI-assisted coding จะมีประโยชน์มากที่สุดเมื่อเราใช้มันกับ workflow ที่มี structure อยู่แล้ว
ถ้าเราไม่มี process
ไม่มี test
ไม่มี validation
ไม่มี documentation
ไม่มี risk framework
AI ก็อาจจะทำให้เราสร้างความยุ่งเหยิงได้เร็วขึ้นเท่านั้น
แต่ถ้าเรามี framework ที่ดี AI จะช่วยให้เราทำงานได้เป็นระบบขึ้นมาก
มันช่วยให้เรา iterate idea ได้เร็วขึ้น
ช่วยให้เรา prototype ได้เร็วขึ้น
ช่วยให้เราเขียน test ได้ครอบคลุมขึ้น
ช่วยให้เรา maintain codebase ได้ดีขึ้น
ช่วยให้เรา review experiment ได้ง่ายขึ้น
และช่วยให้ research process มี continuity มากขึ้น
ท้ายที่สุด ผมมองว่าในอนาคต คนที่ใช้ AI ในงาน quant ได้ดี อาจจะไม่ใช่คนที่ prompt เก่งที่สุด หรือให้ AI เขียน code ได้เร็วที่สุด
แต่คือคนที่ออกแบบ process ได้ดีที่สุด
เพราะในงาน financial markets สิ่งที่เราต้องการไม่ใช่แค่ code ที่รันได้ แต่คือ model ที่เรารู้ว่า
มันทำงานยังไง
มัน fail ได้ตรงไหน
มันเหมาะกับ market regime แบบไหน
มันมี hidden risk อะไร
มันรับ capacity ได้แค่ไหน
และมันควรถูก allocate ใน portfolio ยังไง
AI ช่วยเราได้เยอะมากในส่วนของ speed และ productivity
แต่ judgment, risk awareness และความเข้าใจใน model ยังเป็นสิ่งที่คนทำ research ต้องรับผิดชอบเองอยู่ดี
สำหรับผม code ที่ดีในงาน quant ไม่ใช่ code ที่ดูสวยที่สุด หรือรันเร็วที่สุดอย่างเดียว
แต่คือ code ที่ test ได้
ตรวจสอบได้
อธิบายได้
reproduce ได้
และไม่ทำให้เราเข้าใจผิดว่า noise คือ alpha
Keywords ที่เพื่อนๆอาจจะลองไปศึกษาเพิ่มเติมนะครับ
AI-assisted coding
Backtesting framework
Unit testing
Integration testing
Walk-forward testing
Look-ahead bias
Data leakage
Model validation
Experiment tracking
Model risk management
Human-in-the-loop
Research documentation
ก็หวังว่าจะพอเป็นไอเดียให้เพื่อนๆที่กำลังศึกษา AI, quantitative research, trading model หรือ portfolio management ได้ลองเอาไปต่อยอดกันนะครับ
บทความนี้ก็ยังเป็นการแชร์ในมุม general framework เหมือนเดิมนะครับ ไม่ได้ลงลึกใน proprietary logic หรือรายละเอียดของ model ที่ใช้จริง เพราะหลายๆส่วนเป็น internal research process ของทางฝั่งเรา
สำหรับวันนี้ก็ประมาณนี้ก่อนครับ เดี๋ยวครั้งหน้าถ้ามีเวลา ผมอาจจะมา note ต่อในเรื่องของ AI กับ Model Risk ว่าทำไม hallucination ใน AI บางมุมถึงคล้ายกับ overfitting ใน quant model มากกว่าที่หลายคนคิด
ขอบคุณครับ
แล้วพบกันใหม่
Disclaimer
The content shared on this page is intended for educational and informational purposes only. It is based on personal research, experience, and general observations, and should not be considered financial advice, investment advice, or a recommendation to buy, sell, or trade any financial instrument, cryptocurrency, or derivative product. All investments and trading strategies involve risk, and past performance or research observations may not be applicable to future performance. Please conduct your own research and seek professional advice where appropriate.
