การวิเคราะห์เชิงกลยุทธ์ของกองทุน ETF ที่ขับเคลื่อนด้วย AI และกองทุน ETF แบบดั้งเดิม โดยมีหลักฐานเชิงประจักษ์ในช่วงปี พ.ศ. 2563–2567
คำสำคัญ:
กองทุน ETF ที่ขับเคลื่อนด้วย AI , กองทุน ETF แบบดั้งเดิม, การวิเคราะห์เชิงกลยุทธ์, ตัวแปรปฏิสัมพันธ์, ผลตอบแทนที่ปรับด้วยความเสี่ยงบทคัดย่อ
การวิจัยนี้มุ่งศึกษาประสิทธิภาพเชิงกลยุทธ์ของกองทุน ETF ที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) เปรียบเทียบกับกองทุนแบบดั้งเดิม โดยอ้างอิงข้อมูลจากกองทุนที่จดทะเบียนและซื้อขายในตลาดทุนสหรัฐอเมริกา ภายใต้บริบทของความผันผวนทางเศรษฐกิจในช่วงปี พ.ศ. 2563–2567 ซึ่งเป็นช่วงเวลาที่เต็มไปด้วยความไม่แน่นอนและการเปลี่ยนแปลงเชิงนโยบายอย่างรวดเร็ว โดยเฉพาะด้านอัตราดอกเบี้ยและสภาพคล่องของตลาด การศึกษานี้มีวัตถุประสงค์เพื่อเปรียบเทียบผลตอบแทนและความเสี่ยงของกองทุน และตรวจสอบผลกระทบของปัจจัยเชิงเดี่ยวและเชิงปฏิสัมพันธ์ที่มีต่อประสิทธิภาพการลงทุน โดยเน้นความสัมพันธ์ระหว่างค่าใช้จ่ายกับความเสี่ยง และระหว่างสัญญาณโมเมนตัมกับผลตอบแทน ตลอดจนเสนอกรอบการวิเคราะห์ที่รองรับตรรกะเชิงสัมพันธ์ของตัวแปรในระดับแบบจำลอง
ผลการศึกษาจากข้อมูลรายเดือนของกองทุนตัวแทนชี้ให้เห็นว่า กองทุนที่ขับเคลื่อนด้วย AI มีประสิทธิภาพด้านผลตอบแทนที่ปรับด้วยความเสี่ยงเหนือกว่ากองทุนแบบดั้งเดิมในหลายช่วงเวลา โดยเฉพาะภายใต้ภาวะความผันผวนและการเปลี่ยนแปลงเชิงนโยบาย ปัจจัยด้านค่าใช้จ่ายและระดับความเสี่ยงมีบทบาทร่วมกันต่อความสามารถในการสร้างผลตอบแทน ขณะที่สัญญาณโมเมนตัมสัมพันธ์กับพฤติกรรมผลตอบแทนของกองทุน นอกจากนี้ สภาพคล่องของตลาดยังมีความเชื่อมโยงกับความสมดุลระหว่างผลตอบแทนและความเสี่ยงของพอร์ต แบบจำลองเชิงตรรกะที่ใช้ในการวิเคราะห์ให้ค่าความน่าเชื่อถือทางสถิติอยู่ในเกณฑ์ที่ยอมรับได้ และสนับสนุนข้อสรุปเชิงกลยุทธ์ว่าการผสานตรรกะที่ตระหนักถึงความสัมพันธ์ระหว่างตัวแปรช่วยให้กองทุนที่ขับเคลื่อนด้วย AI ปรับกลยุทธ์ได้มีประสิทธิภาพมากขึ้นเมื่อเทียบกับกองทุนแบบดั้งเดิม
เอกสารอ้างอิง
Acharya, V. V., & Pedersen, L. H. (2005). Asset pricing with liquidity risk. Journal of Financial Economics, 77(2), 375–410. https://doi.org/10.1016/j.jfineco.2004.06.007
Amihud, Y. (2002). Illiquidity and stock returns: Cross-section and time-series effects. Journal of Financial Markets, 5(1), 31–56. https://doi.org/10.1016/S1386-4181(01)00024-6
Barredo Arrieta, A., Díaz‑Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. https://doi.org/10.1016/j.inffus.2019.12.012
Barroso, P., & Santa‑Clara, P. (2015). Momentum has its moments. Journal of Financial Economics, 116(1), 111–120. https://doi.org/10.1016/j.jfineco.2014.11.010
Bertani, F., Ponta, L., Raberto, M., Teglio, A., & Cincotti, S. (2021). The complexity of the intangible digital economy: An agent-based model. Journal of Business Research, 129, 527–540. https://doi.org/10.1016/j.jbusres.2020.03.041
Carhart, M. M. (1997). On persistence in mutual fund performance. The Journal of Finance, 52(1), 57–82. https://doi.org/10.1111/j.1540-6261.1997.tb03808.x
Cho, J., Lee, G. H., Lee, W., & Kim, B. (2023). Machine learning approach for predicting U.S. ETFs’ tracking errors–Implications on U.S. invested fund. http://dx.doi.org/10.2139/ssrn.4726993
Chow, G., Jacquier, E., Kritzman, M., & Lowry, K. (1999). Optimal portfolios in good times and bad. Financial Analysts Journal, 55(3), 65–73. https://doi.org/10.2469/faj.v55.n3.2273
Cilingiroglu, E. (2023). Artificial intelligence in the stock market: Quantitative technical analysis, model weight optimization, and financial sentiment evaluation to predict stock prices. Intersect: The Stanford Journal of Science, Technology, and Society, 17(1), 1-19. https://ojs.stanford.edu/ojs/index.php/intersect/article/view/3031/
DeMiguel, V., Garlappi, L., Nogales, F. J., & Uppal, R. (2009). A generalized approach to portfolio optimization: Improving performance by constraining portfolio norms. Journal of Management Science, 107, 592-606.
Enke, B., Schwerter, F., & Zimmermann, F. (2024). Associative memory, beliefs and market interactions. Journal of Financial Economics, 157, Article 103853. https://doi.org/10.1016/j.jfineco.2024.103853
Goel, A., Pasricha, P., Magris, M., & Kanniainen, J. (2022). Foundation time-series AI model for realized volatility forecasting. ArXiv. Advanced online publications. https://arxiv.org/abs/2505.11163
Gowani, R., & Kanjiani, Z. (2024). Advanced LSTM Neural networks for predicting directional changes in sector-specific ETFs using machine learning techniques. ArXiv. https://doi.org/10.48550/arXiv.2409.05778
Gudelek, M. U., Boluk, S. A., & Ozbayoglu, A. M. (2017). A deep-learning based stock-trading model with 2-D CNN trend detection. In Proceedings of the IEEE International Conference on Social Sciences and Computing (SSCI) (pp. 1-8). IEEE. https://doi.org/10.1109/SSCI.2017.8285188
Hanauer, M. X., & Windmüller, S. (2019). Enhanced momentum. Technische Universität München. https://wp.lancs.ac.uk/mhf2019/files/2019/09/MHF-2019-076-Matthias-Hanauer.pdf
Hong, M., Chen, Z., Soliman, W. M., & Zhang, K. (2024). A comparative study of LSTM, LightGBM, and autoregressive model in narrow-based ETF market prediction with multi-ticker models. In MLMI '23: Proceedings of the 6th International Conference on Machine Learning and Machine Intelligence (pp. 10-16). https://doi.org/10.1145/3635638.3635640
James, C. (2021, February). Comparative analysis of traditional vs. AI-based financial forecasting techniques. Stanford University. https://www.researchgate.net/publication/386874402_Comparative_Analysis_of_Traditional_vs_AI-Based_Financial_Forecasting_Techniques
Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency. The Journal of Finance, 48(1), 65–91. https://doi.org/10.1111/j.1540-6261.1993.tb04702.x
Kacperczyk, M., Sialm, C., & Zheng, L. (2005). On the industry concentration of actively managed equity mutual funds. The Journal of Finance, 60(4), 1983–2011. https://doi.org/10.1111/j.1540-6261.2005.00785.x
Khattak, M. A., Ali, M., Azmi, W., & Rizvi, S. A. R. (2023). Digital transformation, diversification and stability: What do we know about banks? Economic Analysis and Policy, 78, 122–132. https://doi.org/10.1016/j.eap.2023.03.004
Kumari, S. (2024). AI‑enhanced portfolio management: Leveraging machine learning for optimized investment strategies in 2024. Journal of Informatics Education and Research, 4(3), 1542-1554. https://doi.org/10.52783/jier.v4i3.1487
Liew, J. K.-S., & Mayster, B. (2018). Forecasting ETFs with machine learning algorithms. The Journal of Alternative Investments, 20(3), 58–78. https://doi.org/10.3905/jai.2018.20.3.058
Lo, A. W. (2004). The adaptive markets hypothesis. The Journal of Portfolio Management, 30(5), 15–29. https://doi.org/10.3905/jpm.2004.442611
Mehta, P., Pandya, S., & Kotecha, K. (2021). Harvesting social media sentiment analysis to enhance stock market prediction using deep learning. PeerJ Computer Science, 7, Article e476. https://doi.org/10.7717/peerj-cs.476
Nyukorong, R. (2020, July). Exchange-traded funds: What you need to know? European Scientific Journal, 16(19), 1-27. https://eujournal.org/index.php/esj/article/download/13164/13297?utm_source=chatgpt.com
Pastor, L., & Stambaugh, R. F. (2003). Liquidity risk and expected stock returns. Journal of Political Economy, 111(3), 642–685. https://doi.org/10.1086/374184
Phurahong, N. (2021). The impact of intellectual capital reporting on debt capital: An empirical evidence from listed companies in the Stock Exchange of Thailand [Doctoral dissertation, Mahasarakham University]. DSpace at Mahasarakham University. http://202.28.34.124/dspace/handle123456789/1288
Pollet, J. M., & Wilson, M. (2008). How does size affect mutual fund behavior? Journal of Finance, 63(6), 2941–2969. https://doi.org/10.1111/j.1540-6261.2008.01417.x
Servaes, H., & Sigurdsson, K. (2018). The costs and benefits of performance fees in mutual funds. (ECGI - Finance Working Paper No. 588/2018; SSRN Working Paper No. 3250315). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3250315
Sharpe, W. F. (1994). The sharpe ratio. The Journal of Portfolio Management, 21(1), 49–58. https://doi.org/10.3905/jpm.1994.409501
Sutiene, K., Schwendner, P., Sipos, C., Lorenzo, L., Mirchev, M., Lameski, P., Kabasinskas, A., Tidjani, C., Ozturkkal, B., & Cerneviciene, J. (2024). Enhancing portfolio management using artificial intelligence: Literature review. Frontiers in Artificial Intelligence, 7, Article 1371502. https://doi.org/10.3389/frai.2024.1371502
Tiwari, A. K., Abakah, E. J. A., Bonsu, C. O., Karikari, N. K., & Hammoudeh, S. (2022, January). The effects of public sentiments and feelings on stock market behavior: Evidence from Australia. Journal of Economic Behavior & Organization, 193, 443-472. https://doi.org/10.1016/j.jebo.2021.11.026
Truyols-Pont, M. A., Bilbao-Terol, A., & Arenas-Parra, M. (2024). Machine learning for sustainable portfolio optimization applied to a water market. Mathematics, 12(24), Article 3975. https://doi.org/10.3390/math12243975
Vuorela, K. (2024). Assessing the impact of AI-managed ETFs on investment performance and risk compared to benchmark index [Master’s thesis, LUT University]. LUT University. https://urn.fi/URN:NBN:fi-fe202501031204
Zhu, X., Xu, Y., & Liu, T., Sun, J., Zhang, Y., & Tong, X. (2025). Intelligent interaction strategies for context-aware cognitive augmentation. In Proceedings of the 2025 ACM CHI Workshop on Human-AI Interaction for Augmented Reasoning. https://doi.org/10.48550/arXiv.2504.13684
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 มหาวิทยาลัยธุรกิจบัณฑิตย์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารสุทธิปริทัศน์ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารสุทธิปริทัศน์ ถือเป็นลิขสิทธิ์ของวารสารสุทธิปริทัศน์หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารสุทธิปริทัศน์ก่อนเท่านั้น
