16/10/2026
🔍 ผมให้ AI ช่วยหา RMF ที่ "คุ้มความเสี่ยง" ที่สุด จากเกือบ 300 กอง ในเวลาราวครึ่งชั่วโมง ทำยังไง
ผลที่ได้น่าสนใจกว่าที่คิดครับ
7 ใน 10 อันดับแรกเป็นกองตราสารหนี้ ที่ได้ผลตอบแทนแค่ราว 3% ต่อปี 😮
และยังสอนเรื่องการอ่านตัวเลขกองทุนได้อีกหลายเรื่อง โพสต์นี้ยาวหน่อย แต่ถ้ากำลังเลือก RMF ช่วงปลายปีนี้ น่าจะได้ใช้ครับ
━━━━━━━━━━
📂 ① ข้อมูลมาจากไหน
━━━━━━━━━━
ก.ล.ต. มีระบบ Open Data ที่เปิดให้ดึงข้อมูลกองทุนผ่าน API ได้ฟรี
✅ NAV รายวันของทุกกอง
✅ ข้อมูลกองทุน
✅ ตัวเลขจาก factsheet
ใครก็สมัครรับคีย์ได้
💡 API คืออะไร
ปกติเราดูข้อมูลกองทุนผ่านหน้าเว็บ เปิดทีละกอง ทีละหน้า ถ้าจะเทียบ 300 กองคงใช้เวลาหลายวัน
API คือช่องทางที่ให้โปรแกรมขอข้อมูลจากระบบของ ก.ล.ต. ได้โดยตรง
เราส่งคำขอ เช่น "ขอ NAV ของกองนี้ ตั้งแต่ 15 ต.ค. 2566 ถึง 15 ต.ค. 2569"
ระบบก็ส่งตัวเลขกลับมาเป็นตาราง ไม่ต้องเปิดเว็บ ไม่ต้องคลิก จึงสั่งทีละหลายร้อยกองได้
ส่วนคีย์ที่สมัครไว้ ใช้ยืนยันว่าใครเป็นคนขอ
🤖 ส่วนที่ AI ช่วย
เขียนโค้ดส่งคำขอไปที่ API ของ ก.ล.ต. ดึง NAV ย้อนหลัง 3 ปีของ RMF ทุกกอง แล้วคำนวณผลตอบแทน ความผันผวน และ Sharpe ratio ให้
ได้กองที่มีข้อมูลครบ 3 ปี 291 กอง/ชนิดหน่วย ตัวโค้ดใช้เวลาดึงและคำนวณราวครึ่งชั่วโมง
⚠️ แต่ AI ก็พลาดได้
ระหว่างทำ AI อ่านรหัสประเทศที่ลงทุนของ ก.ล.ต. กลับด้าน กองหุ้นไทยหลายสิบกองเลยไปอยู่กลุ่มหุ้นต่างประเทศ
ที่เจอได้เพราะดูตัวเลขรายกลุ่มแล้วผิดสังเกต (กลุ่มหุ้นต่างประเทศมีผลตอบแทนใกล้หุ้นไทยเกินไป)
ถ้าไม่ตรวจ ตารางทั้งหมดจะผิดโดยไม่มีใครรู้
━━━━━━━━━━
📐 ② Sharpe ratio คืออะไร
━━━━━━━━━━
Sharpe = (ผลตอบแทนต่อปี − ดอกเบี้ยไร้ความเสี่ยง) ÷ ความผันผวน
แปลเป็นภาษาง่าย ๆ คือ เรารับความเสี่ยงไป 1 หน่วย ได้ผลตอบแทนเกินดอกเบี้ยแบบแทบไม่เสี่ยงกลับมากี่หน่วย
ตัวเลขยิ่งสูง ยิ่งคุ้มกับความเสี่ยงที่รับ
📌 ตัวอย่างจริง BSIRIRMF ย้อนหลัง 3 ปี
• ผลตอบแทนเฉลี่ย 11.3% ต่อปี
• ดอกเบี้ยไร้ความเสี่ยงเฉลี่ย 1.86%
• ความผันผวน 12.4%
👉 (11.3 − 1.86) ÷ 12.4 = 0.76
ทำไมถึงมีประโยชน์?
ผลตอบแทนอย่างเดียวไม่ได้บอกว่าระหว่างทางต้องทนอะไรบ้าง
สองกองที่ได้ 10% เท่ากัน กองหนึ่งแกว่งเบา ๆ อีกกองขึ้นลงแรงจนนอนไม่หลับ
Sharpe ช่วยให้เทียบสองกองนี้ด้วยไม้บรรทัดเดียวกันได้
🏦 ดอกเบี้ยไร้ความเสี่ยงคิดจากไหน
คือผลตอบแทนที่ได้แบบแทบไม่มีความเสี่ยง เช่น ตั๋วเงินคลังหรือพันธบัตรรัฐบาลระยะสั้น
ผมใช้ดอกเบี้ยนโยบายของ ธปท. แทน เพราะเป็นตัวเลขทางการ ตรวจย้อนได้ และผลตอบแทนพันธบัตรระยะสั้นมักเคลื่อนไปใกล้ ๆ กัน
แต่ 3 ปีที่ผ่านมา ดอกเบี้ยนโยบายลดลงหลายครั้ง
2.50% → 2.25% → 2.00% → 1.75% → 1.50% → 1.25% → 1.00%
ใช้ตัวเลขเดียวทั้งช่วงไม่ได้ ผมจึงเฉลี่ยตามจำนวนวันที่แต่ละอัตรามีผล ตั้งแต่ 15 ต.ค. 2566 ถึง 15 ต.ค. 2569 ได้ 1.86% ต่อปี
━━━━━━━━━━
🧮 ③ ทำไมผมคำนวณเอง ไม่ใช้ตัวเลขใน factsheet
━━━━━━━━━━
factsheet ของทุกกองมีค่า Sharpe ให้อยู่แล้ว แต่ผมเลือกคำนวณเอง ด้วยเหตุผล 3 ข้อ
1️⃣ ไม่รู้ว่าคิดจากช่วงเวลาไหน
ตัวเลขเปลี่ยนตามช่วงเวลามาก
• K-VALUERMF คิด 1 ปีได้ 2.71 คิด 3 ปีเหลือ 0.15
• BSIRIRMF คิด 1 ปีได้ 3.19 คิด 3 ปีเหลือ 0.76
เพราะปีนี้หุ้นไทยขึ้นแรง Sharpe 1 ปีจึงสูงทั้งตลาด
ข้อมูลที่ดึงมาไม่ได้ระบุว่าแต่ละกองคิดจากกี่ปี ถ้าเผลอเอาตัวเลขต่างช่วงเวลามาเรียงรวมกัน อันดับจะเพี้ยนทันที
2️⃣ ดอกเบี้ยไร้ความเสี่ยงที่ใช้อาจไม่เท่ากัน
ข้อนี้กระทบกองตราสารหนี้มาก เพราะความผันผวนต่ำ ตัวหารเล็ก เปลี่ยนตัวตั้งนิดเดียว ผลก็เปลี่ยนเยอะ
• PRINCIPAL FIRMF ใช้ดอกเบี้ย 1.86% ได้ 1.53 ใช้ 2.50% เหลือ 0.67
• BSIRIRMF (กองหุ้น) เปลี่ยนแค่จาก 0.76 เป็น 0.71
3️⃣ ตัวเลขที่ดึงผ่านระบบผิดได้
กองของ บลจ. แห่งหนึ่ง 13 กอง แสดง Sharpe เท่ากันทุกกองที่ 0.1726 ทั้งกองตราสารหนี้ ทองคำ และหุ้น ซึ่งเป็นไปไม่ได้
พอเปิด PDF factsheet ของกองหนึ่งในนั้นดู เขียนไว้ 1.20
✅ ผมจึงคิดเองทุกกองด้วยสูตร ช่วงเวลา และดอกเบี้ยชุดเดียวกัน แล้วใช้ factsheet เป็นตัวเทียบ
ผลคือ 166 จาก 229 กองต่างจาก factsheet ไม่เกิน 0.15 แปลว่าวิธีคิดใกล้เคียงกัน
ส่วนกองที่ต่างมากที่สุด มักเป็นกองที่ผันผวนต่ำ ซึ่งไวต่อตัวเลขดอกเบี้ยตามข้อ 2 และบางกองต่างเพราะตัวเลขในระบบผิดตามข้อ 3
━━━━━━━━━━
🏆 ④ ผล: RMF 10 กอง Sharpe 3 ปีสูงสุด
━━━━━━━━━━
(ผลตอบแทนต่อปี · ความผันผวน · Sharpe)
1. KKP INRMF FUND · ตราสารหนี้ · 3.6% · 0.7% · 2.60
2. PRINCIPAL FIRMF · ตราสารหนี้ · 3.0% · 0.8% · 1.53
3. ES-ABRMF · ตราสารหนี้ · 2.8% · 0.6% · 1.50
4. M-FIX · ตราสารหนี้ · 2.7% · 0.6% · 1.31
5. RMF2 · ตราสารหนี้ · 2.8% · 0.8% · 1.21
6. KKP TECH RMF-H · หุ้นเทคโนโลยีโลก · 32.8% · 25.8% · 1.20
7. ES-BRMF · ตราสารหนี้ · 2.6% · 0.6% · 1.18
8. KFMTFIRMF · ตราสารหนี้ · 3.0% · 0.9% · 1.17
9. TTECHRMF · หุ้นเทคโนโลยีโลก · 31.2% · 25.1% · 1.17
10. ES-EGRMF · หุ้นยุโรป · 16.0% · 12.1% · 1.16
🤔 อันดับ 1 ได้แค่ 3.6% ต่อปี แต่ Sharpe สูงกว่ากองหุ้นเทคที่ได้ 32.8% ต่อปี
เพราะผันผวนเพียง 0.7% ตัวหารเล็กมาก
ข้อมูลไม่ได้ผิดครับ เป็นธรรมชาติของสูตร Sharpe ที่ให้คะแนนกองผันผวนต่ำได้สูงเสมอ
━━━━━━━━━━
🧭 ⑤ Sharpe สูง ไม่ได้แปลว่าทุกคนควรเลือกกองเดียวกัน
━━━━━━━━━━
Sharpe บอกว่ากองไหน "คุ้มความเสี่ยง" แต่ไม่ได้บอกว่าเรารับความเสี่ยงแบบนั้นไหวหรือเปล่า
ลองดูกองที่ Sharpe สูงสุดของแต่ละกลุ่ม (ภาพที่ 3)
🔵 ตราสารหนี้ · KKP INRMF FUND · 3.6%/ปี · ลงหนักสุดใน 3 ปี −0.8%
🟡 ผสม · BCAP-2050 RMF · 9.8%/ปี · ลงหนักสุด −7.0%
🔴 หุ้นไทย · THDRMF · 16.8%/ปี · ลงหนักสุด −19.7%
🔴 หุ้นต่างประเทศ · KKP TECH RMF-H · 32.8%/ปี · ลงหนักสุด −26.3%
🔴 ทองคำ · BGOLDRMF · 23.7%/ปี · ลงหนักสุด −22.8%
นอกจากตราสารหนี้ อีก 4 กลุ่มมี Sharpe อยู่แถว 1.0–1.2 ใกล้กันมาก แต่ประสบการณ์ระหว่างทางต่างกันคนละเรื่อง
ก่อนดู Sharpe ผมแนะนำให้ถามตัวเอง 3 ข้อ 👇
1️⃣ ถ้ากองลง 26% ระหว่างทาง ยังถือต่อไหวไหม หรือจะขายทิ้งตอนที่ราคาต่ำที่สุด
2️⃣ อีกกี่ปีจะใช้เงินก้อนนี้ RMF ต้องถืออย่างน้อย 5 ปีและจนอายุ 55 ปี คนที่เหลือเวลาน้อย กับคนที่เพิ่งเริ่มทำงาน รับความผันผวนได้ไม่เท่ากัน
3️⃣ พอร์ตเดิมมีสินทรัพย์นี้อยู่แล้วเท่าไร Sharpe ดูทีละกอง ไม่ได้ดูว่าใส่เพิ่มแล้วทั้งพอร์ตจะเป็นอย่างไร
และทุกตัวเลขในโพสต์นี้เป็นผลในอดีต 3 ปีข้างหน้าอาจเป็นอีกแบบครับ
━━━━━━━━━━
💬 ⑥ ใช้ AI ช่วยหากองที่เหมาะกับตัวเอง
━━━━━━━━━━
ไม่ต้องเขียนโค้ดก็ใช้ AI ช่วยได้ ลองถามแบบนี้ 👇
"ผมอายุ __ ปี จะลงทุน RMF ต่อไปอีก __ ปี รับการขาดทุนระหว่างทางได้ไม่เกิน __% พอร์ตตอนนี้มี ______
ช่วยบอกว่าควรดูกองทุนกลุ่มไหน และควรใช้เกณฑ์อะไรคัดกอง เช่น Sharpe ช่วงกี่ปี ความผันผวน ช่วงที่ลงหนักสุด ค่าธรรมเนียม พร้อมบอกว่าข้อมูลแต่ละตัวหาได้จากที่ไหน"
จากนั้นเปิด factsheet ของกองที่สนใจเอง แล้วเทียบ 3 อย่าง
✅ ช่วงเวลาที่ใช้คิด
✅ วันที่ของข้อมูล
✅ กลุ่มของกอง
ถ้า AI ยกตัวเลขมาให้ ถามกลับเสมอว่ามาจากแหล่งไหน วันที่เท่าไร
AI ช่วยลงทุนได้มากกว่าที่คิดครับ ถ้ารู้ว่าต้องถามอะไร และต้องเช็กตรงไหน 🙂
📎 ที่มา: ก.ล.ต. Open Data (NAV รายวัน, factsheet) · ข้อมูลถึง 15 ต.ค. 2569 · คำนวณโดย อ.ใหม่
เพื่อการศึกษาการใช้ AI และการอ่านข้อมูลกองทุน ไม่ใช่คำแนะนำให้ซื้อขายหน่วยลงทุน ผลการดำเนินงานในอดีตไม่ได้ยืนยันผลในอนาคต ศึกษาหนังสือชี้ชวนก่อนตัดสินใจลงทุน