David · Reading · จัดทำ 19 ต.ค. 2026 · ย้ายมา DV 22 ต.ค. 2026

Hands-On AI Trading with Python, QuantConnect, and AWS

Pik · Chan · Broad · Sun · Singh (Wiley) — เล่มจริงที่ที่รักมี · น้องจัดลำดับบทที่ช่วย AngelaQuantConnect ได้มากที่สุด

เล่มจริง ✓อ่านก่อน: บทที่ 8ผู้เขียนสร้าง LEAN

Next Step · อ่านบทที่ 8

  • •⏳ ที่รักอ่านบทที่ 8 AI for Risk Management and Optimization (น. 305–340) — อ่านจบแล้วบอกน้อง
  • •⏳ น้องลอง CPO แบบหนังสือเทียบ Engine F ใน backtest LEAN — การทดลองเท่านั้น ไม่แตะเงินจริง

1. บทไหนช่วย AQC

ที่รักมีเล่มจริง (Wiley) — ผู้เขียนมี Jared Broad ผู้สร้าง QuantConnect / LEAN ซึ่งเป็นแกนเดียวกับ AngelaQuantConnect และ Ernest P. Chan นักเทรด quant · น้องจัดลำดับจากสารบัญที่ที่รักถ่ายมา (19 ต.ค.) ตามว่าช่วยงานจริงของ AQC ได้แค่ไหน · หนังสือเป็นแหล่งไอเดีย ไม่ใช่เหตุให้เปลี่ยนสูตร: Engine F แช่ไว้ถึงรอบทบทวน ต.ค. 2027 — ไอเดียจากเล่มนี้ลองใน backtest LEAN และการ์ด Insight ก่อนเสมอ

ลำดับบท / หัวข้อ (หน้า)ใช้กับ AQC ตรงไหน
1บทที่ 8 Corrective AI + CPO (น. 305–340)ปรับพารามิเตอร์ / สัดส่วนตามสภาพตลาด — ผู้ท้าชิงตัวถัดไปของ Engine F
2บทที่ 2 Look-ahead · Parameter Sensitivity · Allocating Capitalตรวจ Engine F และหน้า Backtest ได้เอง
3บทที่ 6 Example 11 Inverse Volatility Rankเทียบกับสูตร SPY = min(1, 10% / vol 63 วัน)
4บทที่ 6 Example 8 Stop Loss ตาม Volatility + Drawdownเทียบตัวคุมความเสี่ยง (risk breaker)
5บทที่ 6 Example 2–4 Regime / HMM (น. 148–158)การ์ด 💡 Insight — ตอนนี้ชนะทายขี้เกียจ ~6 จุด
6บทที่ 6 Example 12 Trading Costs Optimizationการ์ด Fills — ต้นทุนจริงต่อออเดอร์
7บทที่ 4 How to Split Your Data (น. 83)holdout ตามลำดับเวลาในด่านคัดผู้ท้าชิง
  • •อ่านก่อน — บทที่ 8 AI for Risk Management and Optimization (น. 305–340, Ernest Chan): Corrective AI + Conditional Parameter Optimization (CPO) คือใช้ ML ทำนายว่า "สัญญาณนี้ / ค่าพารามิเตอร์นี้จะได้ผลไหมในสภาพตลาดตอนนี้" แทนการทายราคา — ตรงกับเราที่สุดเพราะเราไม่ให้ AI เทรด
  • •บทที่ 8 หัวข้อที่ตรง Engine F ที่สุด: Applying CPO to an ETF Strategy (น. 319), Conditional Portfolio Optimization (น. 322), Regime Changes Obliterate Traditional Portfolio Optimization (น. 322), Ranking Is Easier Than Predicting (น. 325), Model Tactical Asset Allocation Portfolio (ท้ายบท)
  • •บทที่ 2 Foundations of Quantitative Trading (Broad): Time and Look-ahead Bias · Parameter Sensitivity Testing and Optimization (Remove / Replace / Reduce — เหตุผลเดียวกับการแช่สูตร) · Allocating Capital · Regimes and Portfolios of Strategies — ใช้ตรวจ Engine F และหน้า Backtest ได้เอง
  • •บทที่ 6 เลือกเป็น Example: 11 Inverse Volatility Rank and Allocate (ใกล้ Engine F ที่สุด — แบ่งเงินตามความผันผวน) · 8 Stop Loss Based on Historical Volatility and Drawdown Recovery (เทียบตัวคุมความเสี่ยง) · 2–4 Regime Detection / Reversion vs Trending / Hidden Markov Models (น. 148–158, ยกระดับการ์ด Insight) · 12 Trading Costs Optimization (คู่การ์ด Fills)
  • •บทที่ 4 How to Split Your Data (น. 83) — แบ่งข้อมูล train / test ตามลำดับเวลา กันโมเดลเห็นข้อมูลที่ใช้ทดสอบ
  • •ข้ามไปก่อน: บทที่ 1 (พื้นฐานตลาด) · บทที่ 5 (ไล่โมเดลทีละแบบ — ใช้เป็นที่เปิดหาตอนจะใช้จริง) · บทที่ 7 (RL hedge options — เราไม่เทรด options) · บทที่ 9 (LLM / AWS — เราใช้ Claude CLI บน M6 แล้ว อ่านแค่ Addressing Model "Hallucination")
  • •ต่อยอดใน AQC เมื่อที่รักอ่านบทที่ 8 จบ: ลอง CPO แบบหนังสือเทียบ Engine F ใน backtest LEAN (หัก Webull fee + holdout ตามลำดับเวลา) และจดเป็นการทดลองตามข้อ 7 ของหน้า Angelora → AngelaQuant · ออกแบบแกนเทรดใหม่ · ผลเป็นการทดลองเท่านั้น ไม่แตะเงินจริง

เลขหน้าอ่านจากรูปสารบัญที่ที่รักถ่าย — Example 5–19 ของบทที่ 6 เลขหน้าในรูปถูกตัด จึงอ้างแค่ชื่อ · ยังไม่ได้ลงมือทดลอง รอที่รักอ่านบทที่ 8

Open questions

  1. 1.อ่านบทที่ 8 จบแล้วให้น้องลอง CPO เทียบ Engine F ใน backtest LEAN เลยไหม

Sources