1. หลักการทำงานของ Support Vector Machines (SVM) และการนำไปใช้งานจริง

หลักการของ SVM: SVM เป็นหนึ่งในอัลกอริธึม Machine Learning ที่ใช้สำหรับงาน Classification และ Regression โดยมีหลักการสำคัญคือการหาขอบเขต (Decision Boundary) ที่ดีที่สุดในการแยกข้อมูลออกจากกัน หรือหาความสัมพันธ์ของข้อมูลในรูปแบบที่เหมาะสมที่สุดสำหรับการทำนายข้อมูลเชิงต่อเนื่อง

การทำงานของ SVM:

1. Hyperplane: SVM สร้างเส้น (สำหรับ 2 มิติ) หรือระนาบ (สำหรับหลายมิติ) ที่แยกข้อมูลออกเป็นกลุ่มอย่างเหมาะสม
2. Support Vectors: ข้อมูลที่อยู่ใกล้กับ Hyperplane มากที่สุด ซึ่งใช้เป็นตัวกำหนดตำแหน่งของ Hyperplane
3. Kernel Trick: สำหรับข้อมูลที่ไม่สามารถแยกกันได้ในมิติเดิม SVM ใช้ Kernel Function (เช่น Linear, Polynomial, Gaussian RBF) เพื่อเปลี่ยนข้อมูลไปในมิติที่สูงขึ้นและแยกได้ง่ายกว่า
4. Optimization Problem: SVM จะพยายามเพิ่ม Margin หรือระยะห่างระหว่างข้อมูลสองกลุ่มให้มากที่สุด

การนำไปใช้งานจริง:

• สำหรับงานด้านการเงิน: SVM ถูกใช้ในงานวิเคราะห์แนวโน้มราคาหุ้น อัตราแลกเปลี่ยน หรือการพยากรณ์ข้อมูลราคาในอนาคต
• กระบวนการทั่วไป:
  • เก็บข้อมูลราคาในอดีต (Historical Data)
  • แปลงข้อมูลให้อยู่ในรูปที่เหมาะสม เช่น การสร้าง Features เช่น EMA, RSI, MACD
  • แบ่งข้อมูลเป็น Training และ Testing Set
  • ใช้ SVM ในการเรียนรู้ข้อมูล Training และตรวจสอบผลลัพธ์ด้วย Testing
  • นำโมเดลไปใช้พยากรณ์ในอนาคต (Forecasting)

2. Code MQL4 สำหรับ EA ด้วยอัลกอริธึม SVM

การเขียน SVM ใน MQL4 ค่อนข้างท้าทาย เนื่องจาก MQL4 ไม่มีไลบรารี Machine Learning โดยตรง เราจะต้อง:

1. นำโมเดล SVM ที่ผ่านการเทรน (Training) มาใช้ใน MQL4
2. แปลงโมเดลที่เทรนไว้ให้อยู่ในรูปคณิตศาสตร์ เช่น Hyperplane และ Weight Coefficients

ตัวอย่างด้านล่างนี้จะแสดงโค้ดพื้นฐานที่ใช้การคำนวณ SVM ในการทำนายแนวโน้มราคา:

Code MQL4: SVM EA

//+------------------------------------------------------------------+

//|                                                                @ML SVM.mq4 |

//|                                                           Thana Supamanop |

//|                                                      https://www.mql5.com |

//+------------------------------------------------------------------+

#property copyright "Thana Supamanop"

#property link      "https://www.mql5.com"

#property version   "1.00"

#property strict

//+------------------------------------------------------------------+

//| Expert initialization function                                   |

//+------------------------------------------------------------------+

int OnInit()

  {

   Print("SVM Expert Advisor Initialized");

   return(INIT_SUCCEEDED);

  }

//+------------------------------------------------------------------+

//| Expert tick function                                                          |

//+------------------------------------------------------------------+

void OnTick()

  {

   double closePrice = iClose(NULL, 0, 1);  // ราคาปิดล่าสุด

   double features[];                       // Feature ที่ต้องใช้

   double prediction;                       // ผลลัพธ์ที่คาดการณ์

   // สร้าง Features (ตัวอย่างเช่น RSI และ EMA)

   ArrayResize(features, 2);

   features[0] = iRSI(NULL, 0, 14, PRICE_CLOSE, 1);

   features[1] = iMA(NULL, 0, 50, 0, MODE_SMA, PRICE_CLOSE, 1);

   // เรียกฟังก์ชัน SVM เพื่อตัดสินใจ

   prediction = SVM_Predict(features);

  // ตัดสินใจซื้อหรือขาย

if (prediction > 0)

{

   // สัญญาณซื้อ

   if (OrdersTotal()==0) // ไม่มีออเดอร์เปิดอยู่

   {

      int ticket = OrderSend(Symbol(), OP_BUY, 0.1, Ask, 3, 0, 0, "SVM Buy", 0, 0, Blue);

      if (ticket < 0) // ตรวจสอบว่า OrderSend ส่งคำสั่งสำเร็จหรือไม่

      {

         Print("Error opening buy order: ", GetLastError());

      }

      else

      {

         Print("Buy order opened successfully. Ticket: ", ticket);

      }

   }

}

else if (prediction < 0)

{

   // สัญญาณขาย

   if (OrdersTotal()==0) // ไม่มีออเดอร์เปิดอยู่

   {

      int ticket = OrderSend(Symbol(), OP_SELL, 0.1, Bid, 3, 0, 0, "SVM Sell", 0, 0, Red);

      if (ticket < 0) // ตรวจสอบว่า OrderSend ส่งคำสั่งสำเร็จหรือไม่

      {

         Print("Error opening sell order: ", GetLastError());

      }

      else

      {

         Print("Sell order opened successfully. Ticket: ", ticket);

      }

   }

}

  }

//+------------------------------------------------------------------+

//| SVM Prediction Function                                                   |

//+------------------------------------------------------------------+

double SVM_Predict(double &features[])

  {

   // ค่า Weights และ Bias ที่ได้จากการเทรนโมเดล SVM

   double weights[] = {0.3, -0.5};  // ตัวอย่างน้ำหนักจากโมเดล

   double bias = 0.2;               // Bias ที่ได้จากโมเดล

   double result = 0.0;

   // คำนวณผลลัพธ์จากสมการ SVM

   for (int i = 0; i < ArraySize(features); i++)

      result += features[i] * weights[i];

   result += bias;

   // แปลงเป็น -1 หรือ 1 (Threshold = 0)

   if (result >= 0)

      return(1);   // แนวโน้มขึ้น

   else

      return(-1);  // แนวโน้มลง

  }

//+------------------------------------------------------------------+

คำอธิบายโค้ด:

1. OnInit: ฟังก์ชันนี้เริ่มต้นการทำงานของ EA
2. OnTick: ฟังก์ชันนี้ทำงานทุกครั้งที่มีการเปลี่ยนแปลงราคา
   • ดึงข้อมูล Feature (เช่น RSI และ EMA)
   • เรียกฟังก์ชัน SVM_Predict เพื่อคำนวณแนวโน้มราคา
   • เปิดคำสั่งซื้อ (BUY) หรือขาย (SELL) ตามผลลัพธ์
3. SVM_Predict: ฟังก์ชันนี้คำนวณผลลัพธ์ SVM จากน้ำหนัก (Weights) และ Bias ที่ได้จากการเทรนโมเดล
4. OrderSend: ใช้ส่งคำสั่งซื้อขายเมื่อได้รับสัญญาณจาก SVM

วิธีการใช้งาน:

1. นำโค้ดไปวางใน MetaEditor (MQL4 IDE) และบันทึกเป็นไฟล์ .mq4
2. คอมไพล์ไฟล์และติดตั้ง EA ใน MetaTrader 4
3. เปิดใช้งาน EA บนกราฟ โดยตั้งค่าช่วงเวลา (Timeframe) และเงินทุนตามความเหมาะสม
4. ตรวจสอบผลการเทรดใน Strategy Tester เพื่อปรับแต่งโมเดล SVM หรือค่าพารามิเตอร์

ข้อสังเกต:

• การเทรน SVM: ควรเทรนโมเดลใน Python หรือ R และนำค่า Weights/Bias มาปรับใน MQL4
• การสร้าง Features: เพิ่ม Feature อื่น ๆ เพื่อเพิ่มความแม่นยำ เช่น MACD, Volume
• การปรับแต่ง: ปรับแต่งค่าพารามิเตอร์ เช่น Period ของ RSI หรือ EMA ให้เหมาะสมกับตลาด