สรุป AI FOR INVESTORS Online Series: ติดอาวุธนักลงทุนด้วย AI EP.8 Masterclass AI สร้างระบบวิเคราะห์การลงทุนด้วย AI ขั้นสูง

ในโลกการลงทุนที่ข้อมูลเปลี่ยนแปลงอย่างรวดเร็ว ความท้าทายของนักลงทุนไม่ใช่แค่การเข้าถึงข้อมูล แต่คือการจัดการและวิเคราะห์ข้อมูลมหาศาล ทั้งงบการเงิน ผลประกอบการ ข่าวเศรษฐกิจ และแนวโน้มอุตสาหกรรม เพื่อนำไปประกอบการตัดสินใจลงทุนอย่างมีประสิทธิภาพ

การนำ Artificial Intelligence หรือ AI เข้ามาประยุกต์ใช้ จึงไม่ได้จำกัดอยู่เพียงการตั้งคำถามเพื่อให้ AI ช่วยค้นหาข้อมูลหรือสรุปบทความอีกต่อไป แต่สามารถพัฒนาไปสู่การสร้างระบบที่ช่วยรวบรวม จัดระเบียบ เชื่อมโยง วิเคราะห์ และนำเสนอข้อมูลได้อย่างเป็นขั้นตอน

คำถามสำคัญจึงไม่ใช่เพียงว่า “เราจะใช้ AI วิเคราะห์หุ้นได้อย่างไร?” แต่คือ “เราจะสร้างระบบ AI ที่ช่วยทำงานวิเคราะห์การลงทุนให้เราได้อย่างไร?”

หัวใจสำคัญของตอนสุดท้ายของ AI FOR INVESTORS คือการเปลี่ยนบทบาทของ AI จากเครื่องมือที่รอรับคำสั่งเป็นครั้ง ๆ ไปสู่ระบบผู้ช่วยวิเคราะห์ที่สามารถทำงานร่วมกันหลายส่วน ขณะเดียวกันก็ยังคงให้นักลงทุนเป็นผู้กำหนดเป้าหมาย ตรวจสอบผลลัพธ์ และตัดสินใจในขั้นตอนสุดท้าย โดยนำองค์ความรู้จากบทเรียนก่อนหน้ามาต่อยอด ตั้งแต่การรวบรวมข้อมูล การสร้างระบบจัดเก็บความรู้ ไปจนถึงการใช้ AI Agent และ Sub-Agent ทำงานร่วมกัน เพื่อพัฒนาเป็นระบบวิเคราะห์การลงทุนที่สามารถนำไปประยุกต์ใช้ได้จริง

สร้าง Second Brain เปลี่ยนข้อมูลกระจัดกระจายให้กลายเป็นฐานความรู้การลงทุน

หนึ่งในพื้นฐานสำคัญของการสร้างระบบวิเคราะห์การลงทุนด้วย AI คือการมีฐานข้อมูลที่เป็นระบบ สามารถจัดเก็บ ค้นคืน และเชื่อมโยงองค์ความรู้จากหลายแหล่งเข้าด้วยกัน ซึ่งแนวคิดนี้เรียกว่า Second Brain หรือสมองที่สอง

โดยทั่วไป นักลงทุนอาจติดตามข้อมูลจากหลายช่องทาง ไม่ว่าจะเป็นงบการเงิน รายงานประจำปี บทวิเคราะห์ บทความเศรษฐกิจ คลิปวิดีโอ หรือการประชุม Opportunity Day แต่ปัญหาที่เกิดขึ้นบ่อยครั้งคือ ข้อมูลเหล่านี้ถูกจัดเก็บแยกกัน ทำให้ต้องเสียเวลาค้นหาใหม่เมื่อต้องการนำมาใช้งาน

Second Brain จึงเข้ามาช่วยแก้ปัญหาดังกล่าว ด้วยการสร้างระบบที่สามารถรวบรวมข้อมูล จัดหมวดหมู่ และเชื่อมโยงความสัมพันธ์ระหว่างข้อมูลแต่ละชุด เพื่อให้ AI สามารถนำความรู้ที่สะสมไว้กลับมาใช้วิเคราะห์ต่อยอดได้

ตัวอย่างเช่น หากนักลงทุนกำลังศึกษาธุรกิจ Semiconductor ข้อมูลของ Intel อาจมีความเชื่อมโยงกับ NVIDIA หรือ Arm รวมถึงบริษัทอื่นในห่วงโซ่อุตสาหกรรม เมื่อจัดเก็บข้อมูลพร้อมสร้างความสัมพันธ์ระหว่างหัวข้อต่าง ๆ AI ก็สามารถใช้ข้อมูลที่เกี่ยวข้องเหล่านี้ประกอบการวิเคราะห์ได้ ไม่จำกัดเฉพาะข้อมูลของบริษัทเดียว

ข้อได้เปรียบของแนวทางนี้คือ นักลงทุนไม่จำเป็นต้องเริ่มต้นค้นหาข้อมูลใหม่ทุกครั้ง แต่สามารถสะสมความรู้และพัฒนาฐานข้อมูลให้ครอบคลุมมากขึ้นอย่างต่อเนื่อง

รู้จัก Obsidian เครื่องมือจัดเก็บและเชื่อมโยงองค์ความรู้สำหรับนักลงทุน

เครื่องมือสำคัญที่นำมาใช้ในการสร้าง Second Brain ในบทเรียนนี้คือ Obsidian ซึ่งเป็นโปรแกรมสำหรับจัดเก็บและจัดการบันทึกความรู้ โดยมีจุดเด่นอยู่ที่การรองรับไฟล์ Markdown หรือไฟล์นามสกุล .md ซึ่งเป็นรูปแบบไฟล์ข้อความที่มีโครงสร้างเรียบง่าย สามารถจัดหัวข้อ เนื้อหา และรายการต่าง ๆ ได้อย่างเป็นระเบียบ โดยไม่จำเป็นต้องใช้รูปแบบเอกสารที่ซับซ้อน ข้อดีของการจัดเก็บข้อมูลในรูปแบบนี้คือ สามารถอ่าน แก้ไข และนำข้อมูลไปใช้งานร่วมกับเครื่องมือ AI ได้สะดวก อีกทั้งยังช่วยลดความซับซ้อนของข้อมูลที่ไม่จำเป็นเมื่อเทียบกับไฟล์ที่มีองค์ประกอบด้านการจัดรูปแบบจำนวนมาก

อีกหนึ่งแนวคิดสำคัญของ Obsidian คือ File over Software หรือการให้ความสำคัญกับไฟล์ข้อมูลมากกว่าการผูกข้อมูลทั้งหมดไว้กับโปรแกรมเพียงตัวเดียว เนื่องจากข้อมูลถูกจัดเก็บเป็นไฟล์ภายในเครื่อง ผู้ใช้งานจึงยังสามารถนำไฟล์เหล่านั้นไปเปิดหรือใช้งานกับเครื่องมืออื่นที่รองรับได้ แม้ในอนาคตจะเปลี่ยนโปรแกรมจัดการข้อมูลก็ตาม

สำหรับการใช้งานร่วมกับระบบ Second Brain สามารถเริ่มต้นด้วยการติดตั้ง Obsidian บนคอมพิวเตอร์ จากนั้นเชื่อมต่อกับโฟลเดอร์ของโปรเจกต์ที่สร้างไว้ โดยภายในระบบอาจแบ่งโฟลเดอร์ออกเป็นส่วนต่าง ๆ เช่น พื้นที่รับข้อมูลดิบ ฐานความรู้ และส่วนจัดเก็บดัชนีข้อมูล

เมื่อมีข้อมูลใหม่เข้ามา ระบบ AI สามารถช่วยประมวลผล จัดหมวดหมู่ และสร้าง Index เพื่อให้ค้นหาและเรียกใช้ข้อมูลในอนาคตได้ง่ายขึ้น และจุดเด่นอีกประการคือการเชื่อมโยงข้อมูลผ่าน Tags และ Links ซึ่งช่วยสร้างความสัมพันธ์ระหว่างบันทึกต่าง ๆ

ตัวอย่างเช่น เมื่อมีบทวิเคราะห์ใหม่เกี่ยวกับ NVIDIA ระบบอาจเชื่อมโยงข้อมูลดังกล่าวเข้ากับหัวข้อ AI Infrastructure, Semiconductor หรือบริษัทอื่นที่เกี่ยวข้อง ทำให้เมื่อต้องการวิเคราะห์ประเด็นหนึ่ง AI สามารถเข้าถึงข้อมูลแวดล้อมที่มีความสัมพันธ์กันได้ การเชื่อมโยงข้อมูลลักษณะนี้จึงไม่ได้มีประโยชน์เพียงการสร้างแผนภาพความสัมพันธ์ แต่ยังช่วยให้ AI มีเส้นทางในการค้นหาและอ่านข้อมูลที่เกี่ยวข้องได้อย่างเป็นระบบ

Obsidian Web Clipper เปลี่ยนบทความและวิดีโอให้กลายเป็นฐานข้อมูลการลงทุน

เมื่อสร้างพื้นที่จัดเก็บข้อมูลเรียบร้อยแล้ว ขั้นตอนต่อไปคือการนำข้อมูลจากภายนอกเข้าสู่ระบบ Second Brain โดยบทเรียนนี้แนะนำการใช้งาน Obsidian Web Clipper ซึ่งเป็นส่วนขยายสำหรับเว็บเบราว์เซอร์ เครื่องมือนี้ช่วยให้ผู้ใช้งานสามารถบันทึกข้อมูลจากเว็บไซต์เข้าสู่ Obsidian ได้โดยตรง ไม่จำเป็นต้องคัดลอกข้อความและนำมาจัดรูปแบบใหม่ทุกครั้ง

ตัวอย่างเช่น หากนักลงทุนกำลังอ่านบทวิเคราะห์จาก Yahoo Finance แล้วพบข้อมูลที่น่าสนใจ ก็สามารถใช้ Web Clipper บันทึกเนื้อหาเข้าสู่ระบบได้ทันที รวมถึงเก็บรายละเอียดประกอบ เช่น แหล่งที่มา ลิงก์อ้างอิง และองค์ประกอบของบทความที่เครื่องมือรองรับ

นอกจากนี้ ยังสามารถนำมาใช้กับข้อมูลจาก YouTube ได้ในบางกรณี เช่น วิดีโอการนำเสนอผลประกอบการหรือ Earnings Call ที่มีข้อความถอดเสียงให้เข้าถึงได้ โดยเครื่องมือสามารถช่วยนำข้อมูลข้อความเหล่านั้นเข้าสู่ระบบสำหรับวิเคราะห์ต่อ

กระบวนการทำงานสามารถแบ่งเป็น 4 ขั้นตอนสำคัญ ได้แก่

ยกตัวอย่าง หากนักลงทุนบันทึกข้อมูล Earnings Call ของบริษัทหนึ่งเข้าสู่ RAW Folder ก็สามารถกำหนดให้ AI อ่านข้อมูลดังกล่าว สร้างดัชนี และย้ายข้อมูลไปจัดเก็บในโฟลเดอร์ของบริษัทนั้นได้ เมื่อมีข้อมูลใหม่เข้ามาอีก ระบบก็สามารถนำไปเชื่อมโยงกับข้อมูลเดิม ทำให้ฐานความรู้สะสมและขยายตัวอย่างต่อเนื่อง

สิ่งนี้ช่วยลดภาระงานที่เคยต้องใช้เวลามาก ทั้งการค้นหาแหล่งข้อมูล การจัดระเบียบเอกสาร การทำ Data Cleansing และการเตรียมโครงสร้างข้อมูล ที่สำคัญเมื่อผู้ลงทุนพบข้อมูลที่มีคุณค่า ก็สามารถเก็บไว้ในฐานความรู้เพื่อใช้ประกอบการวิเคราะห์ครั้งต่อไปได้ โดยไม่จำเป็นต้องเริ่มต้นค้นหาข้อมูลทั้งหมดใหม่ทุกครั้ง

จากข้อมูล Opportunity Day กว่า 400 บริษัท สู่ Dashboard คัดกรองหุ้นด้วย AI

หนึ่งในตัวอย่างการประยุกต์ใช้ AI ที่น่าสนใจในบทเรียนนี้ คือการนำข้อมูลจาก Opportunity Day ของบริษัทจดทะเบียนมาพัฒนาต่อยอดเป็น Dashboard สำหรับวิเคราะห์และคัดกรองหุ้น Opportunity Day เป็นกิจกรรมที่บริษัทจดทะเบียนนำเสนอข้อมูลผลประกอบการ ความคืบหน้าทางธุรกิจ และแนวโน้มการดำเนินงาน ซึ่งถือเป็นแหล่งข้อมูลสำคัญสำหรับนักลงทุนที่ต้องการศึกษาพื้นฐานของกิจการ

เมื่อมีฐานข้อมูลแล้ว เราสร้าง "ผลิตภัณฑ์" ใหม่บนฐานนั้นได้ทันที ตัวอย่างแรกคือการนำบทสรุป Opportunity Day ของทุกบริษัทที่ออกอากาศในไตรมาสล่าสุด รวม 412 บริษัท มาสร้าง Dashboard แล้วให้ AI วิเคราะห์ตามคำสั่งต่าง ๆ เช่น

• คำนวณค่ามัธยฐานการเติบโตของรายได้และกำไรของบริษัททั้งหมด
• สรุปว่ากลุ่มอุตสาหกรรมไหนกำไรโตเด่นกว่ากลุ่มอื่น
• คัดเฉพาะบริษัทที่ทั้งรายได้และกำไรโตสูงกว่ามัธยฐาน (มีทั้ง Earning Momentum และ Revenue Momentum) ซึ่งได้มา 106 ราย
• สรุปสั้นๆ ว่า Gross Margin และ Net Margin ดีขึ้นเพราะอะไร

จากเดิมที่ต้องฟังทั้ง 400 กว่าบริษัท ตอนนี้ AI คัดกรองให้ก่อน แล้วเราค่อยเจาะลึกรายตัว ข้อควรระวังคือ สำหรับหุ้นที่สนใจจริง ยังควรไปฟังคลิปจริงเอง เพราะข้อมูลที่ป้อนให้ AI เป็นตัวหนังสือ AI จึงจับน้ำเสียง ความรู้สึก หรือโทนของผู้บริหารไม่ได้

อีกประเด็นที่ย้ำมาตั้งแต่ตอนแรกคือ Human Gate การประเมินมูลค่า (Valuation) เป็นทั้งศาสตร์และศิลป์ ผูกกับคุณภาพของกำไรและโมเมนตัมของธุรกิจ ซึ่งเป็นเรื่องเชิงคุณภาพ AI ช่วยคัดหุ้นที่ Valuation ต่ำได้เพราะเป็นตัวเลข แต่การตัดสินใจขั้นสุดท้ายต้องมีมนุษย์อยู่ในลูปเสมอ

เชื่อมต่อข้อมูล SETSMART สร้างระบบวิเคราะห์งบการเงินด้วย AI

นอกจากข้อมูลเชิงคุณภาพจาก Opportunity Day แล้ว บทเรียนยังนำเสนอการใช้ AI ร่วมกับข้อมูลทางการเงินจาก SETSMART เพื่อพัฒนา Dashboard สำหรับวิเคราะห์บริษัทจดทะเบียนได้อีกด้วย ข้อดีของการใช้ข้อมูลที่ผ่านการจัดโครงสร้างมาแล้ว คือช่วยลดภาระในการเตรียมข้อมูลก่อนนำไปวิเคราะห์

เนื่องจากงบการเงินของแต่ละบริษัทอาจมีรูปแบบและรายละเอียดแตกต่างกัน แม้แต่บริษัทเดียวกันก็อาจมีการเปลี่ยนแปลงรูปแบบการนำเสนอข้อมูลระหว่างไตรมาสได้ หากต้องนำข้อมูลจากเอกสารเหล่านั้นมาประมวลผลโดยตรง ก็อาจต้องใช้เวลาในการจัดรูปแบบและทำ Data Cleansing ก่อนเริ่มต้นวิเคราะห์ การใช้ฐานข้อมูลที่มีโครงสร้างชัดเจนจึงช่วยให้การพัฒนาระบบทำได้สะดวกขึ้น

ตัวอย่างในบทเรียนมีการใช้ Codex เพื่อช่วยพัฒนาเครื่องมือวิเคราะห์ โดยเชื่อมต่อข้อมูลผ่าน API ของ SETSMART ภายใต้สิทธิ์การใช้งานที่มีอยู่ จากนั้นนำข้อมูลทางการเงินมาจัดแสดงในรูปแบบ Dashboard 

วิธีการนี้แสดงให้เห็นว่า นักลงทุนสามารถใช้ AI ช่วยพัฒนาเครื่องมือเฉพาะทางตามความต้องการได้ โดยไม่จำเป็นต้องเริ่มต้นเขียนระบบทั้งหมดด้วยตนเอง ตัวอย่างเช่น หากต้องการวิเคราะห์ผลประกอบการย้อนหลังของบริษัทหนึ่ง ก็สามารถกำหนดให้ระบบดึงข้อมูลที่เกี่ยวข้องมาจัดแสดงในรูปแบบที่เข้าใจง่าย พร้อมนำไปต่อยอดเป็นการเปรียบเทียบแนวโน้มทางการเงินได้

อย่างไรก็ตาม การพัฒนาระบบลักษณะนี้ยังต้องคำนึงถึงความถูกต้องของข้อมูล สิทธิ์ในการเข้าถึง API และการตรวจสอบผลลัพธ์ที่ AI ประมวลผลออกมา

Agent และ Sub-agent: แบ่งงาน ทำงานขนาน และตรวจทานกันเอง

Sub-agent มีไว้เพื่อแยกหน้าที่ ให้งานเสร็จเร็วขึ้น และขยายงานปริมาณมากได้ งานที่ทำซ้ำๆ หรือทำพร้อมกันได้ (Parallel) เหมาะกับการกระจายให้ Agent หลายตัว บางครั้งเราไม่ต้องสั่งเอง AI จะเสนอให้ หรือเราถามมันได้ว่างานนี้ทำแบบขนานได้ไหม

ต้นทุนที่ต้องแลกคือ Token ที่ใช้มากขึ้น และเครื่องที่ต้องมี CPU กับ RAM เพียงพอ ข้อดีที่สำคัญคือแก้ปัญหา Context Overload ถ้าโยนงานทั้งหมดให้ AI ตัวเดียว เมื่อทำไปนานๆ มันจะเริ่มลืมและทำงานแย่ลง การแบ่งงานให้ Agent แต่ละตัวรับผิดชอบเฉพาะส่วน แล้วส่งให้ "หัวหน้างาน" สรุป จะได้ผลลัพธ์ที่แม่นยำกว่า ถ้ามี Agent ที่คอยค้านในระบบด้วย รายงานจะไม่โน้มเอียงไปทางเดียว

การสร้าง Sub-agent ไม่ได้ยากอย่างที่คิด มันคือไฟล์ .md อีกไฟล์ที่กำหนดว่า Agent ตัวนั้นเป็นใคร ทำอะไร และไม่ทำอะไร ไม่จำเป็นต้องสร้างเป็นร้อยตัว ระบบที่ใช้จริงมีราวสิบกว่าตัวก็พอ ปัจจุบันโมเดล AI ฉลาดพอจะตัดสินใจเองว่าควรสร้าง Agent กี่ตัว จากการสังเกต ถ้าตั้งระดับ Effort ไว้สูง AI มีแนวโน้มจะแตก Sub-agent มาช่วยมากขึ้น 

ออกแบบ Multi-Agent Workflow ให้ AI ทำงานร่วมกันอย่างเป็นระบบ

เมื่อเข้าใจหลักการของ Agent และ Sub-Agent แล้ว ขั้นตอนต่อไปคือการออกแบบ Workflow หรือกระบวนการทำงานร่วมกันของ AI บทเรียนยกตัวอย่างระบบ Deep Research สำหรับวิเคราะห์หุ้น โดยแบ่งการทำงานออกเป็นหลายระดับ ตั้งแต่การวางแผน การรวบรวมข้อมูล การวิเคราะห์ การตรวจสอบคุณภาพ ไปจนถึงการจัดทำรายงาน

ขั้นตอนที่ 1: วางแผนและควบคุมการทำงานด้วย Orchestrator

Orchestrator เปรียบเสมือนผู้ประสานงานหลักของระบบ มีหน้าที่วางแผนภาพรวม กำหนดลำดับงาน และส่งมอบภารกิจให้ Agent แต่ละตัว

ตัวอย่างเช่น เมื่อได้รับโจทย์ให้วิเคราะห์บริษัทหนึ่งแห่ง ระบบจะกำหนดว่าต้องใช้ข้อมูลใดบ้าง ต้องวิเคราะห์ประเด็นใด และควรแบ่งหน้าที่ให้ Agent แต่ละกลุ่มอย่างไร

ขั้นตอนที่ 2: รวบรวมข้อมูลจากหลายแหล่งด้วย Data Collection Agents

Agent กลุ่มนี้ทำหน้าที่ค้นหาและรวบรวมข้อมูลจากแหล่งต่าง ๆ เช่น งบการเงิน ข้อมูลจากตลาดหลักทรัพย์ รายงานบริษัท ข่าวสาร และเนื้อหาจาก Opportunity Day

การแบ่งหน้าที่ช่วยให้สามารถรวบรวมข้อมูลหลายประเภทพร้อมกัน โดยไม่จำเป็นต้องรอให้กระบวนการหนึ่งเสร็จสิ้นก่อนเริ่มอีกกระบวนการ

ขั้นตอนที่ 3: วิเคราะห์ข้อมูลด้วย Specialized Analysis Agents

เมื่อรวบรวมข้อมูลได้แล้ว ระบบจะส่งข้อมูลต่อไปยัง Agent ที่รับผิดชอบการวิเคราะห์เฉพาะด้าน เช่น การวิเคราะห์ธุรกิจ แนวโน้มการเติบโต การจัดทำ Research Report หรือการประเมินมูลค่าหุ้น

การแยกหน้าที่ลักษณะนี้ช่วยให้การวิเคราะห์มีโครงสร้างชัดเจน และสามารถกำหนดหลักเกณฑ์เฉพาะสำหรับแต่ละงานได้

ขั้นตอนที่ 4: ตรวจสอบข้อสรุปด้วย Quality Gate

หนึ่งในขั้นตอนที่สำคัญที่สุดคือการใช้ Agent อีกกลุ่มทำหน้าที่ตรวจสอบความสมเหตุสมผลของข้อมูลและผลการวิเคราะห์ Quality Gate อาจตรวจสอบว่าตัวเลขสอดคล้องกับแหล่งข้อมูลหรือไม่ สมมติฐานที่ใช้มีข้อจำกัดอย่างไร หรือมีปัจจัยใดที่อาจทำให้ผลลัพธ์แตกต่างจากที่คาดการณ์ไว้

ตัวอย่างเช่น หากการวิเคราะห์ตั้งอยู่บนสมมติฐานว่าบริษัทจะเติบโตตามเป้าหมายที่ประกาศไว้ ระบบอาจต้องพิจารณาสถานการณ์ทางเลือกในกรณีที่ผลประกอบการไม่เป็นไปตามคาดด้วย

ขั้นตอนที่ 5: สรุปผลและจัดเก็บกลับเข้าสู่ฐานความรู้

เมื่อผ่านการวิเคราะห์และตรวจสอบแล้ว ระบบจะรวบรวมผลลัพธ์เป็นรายงานหรือ Dashboard และนำข้อมูลที่มีประโยชน์กลับไปจัดเก็บใน Second Brain

กระบวนการนี้ทำให้การวิเคราะห์แต่ละครั้งไม่ได้จบลงเพียงการสร้างรายงานหนึ่งฉบับ แต่ยังสามารถนำข้อมูลไปต่อยอดในการวิเคราะห์ครั้งต่อไปได้

Dashboard ที่ใช้งานจริง: One Page, Kill Switch และ Watchlist

ตัวอย่าง Dashboard ที่รวมทุกอย่างของหุ้นหนึ่งตัวไว้ในหน้าเดียว ได้แก่ ข่าวอัปเดต บทวิเคราะห์และเป้าหมายราคาจากโบรกเกอร์ (พร้อม Consensus) สรุป Opportunity Day พร้อมจุดที่ต้องระวัง คำอธิบายงบการเงินทีละบรรทัดว่าแต่ละรายการเป็นบวกหรือลบ เช่น อายุลูกหนี้ หรือการเติบโต QoQ ที่อาจมาจากฤดูกาล และ Valuation คร่าวๆ

ส่วนที่น่าสนใจคือระบบติดตามพอร์ตสองแบบ

• Kill Switch สำหรับหุ้นที่ถืออยู่ ตั้งเงื่อนไขจากการทำ Deep Research ไว้ล่วงหน้า เช่น ถ้าธุรกิจคลาวด์โตต่ำกว่า 20% ทั้งที่ยังลงทุน CapEx หนัก หรือ Free Cash Flow ติดลบ ไฟจะเปลี่ยนเป็นสีแดง ถ้าแดงหลายข้อ คือสัญญาณให้ทบทวนการถือ
• Watchlist สำหรับหุ้นที่สนใจแต่ยังไม่ซื้อ ตั้ง Margin of Safety ไว้ เมื่อราคาลงมาถึงจุดที่ต้องการ ไฟจะเปลี่ยนเป็นสีเขียว 

ระบบนี้ไม่ได้ตัดสินใจแทนเรา แต่ทำให้เห็นภาพทั้งหมดในแวบเดียว และติดตามหุ้นได้มากขึ้นหลายเท่า

Human Gate จุดสำคัญที่ AI ยังไม่สามารถทดแทนนักลงทุนได้

แม้ AI จะสามารถรวบรวมข้อมูล คัดกรองหุ้น วิเคราะห์ผลประกอบการ และสร้างรายงานได้อย่างรวดเร็ว แต่บทเรียนเน้นย้ำว่า การตัดสินใจลงทุนขั้นสุดท้ายยังต้องอาศัยวิจารณญาณของมนุษย์ หรือ Human Gate

ตัวอย่างที่เห็นได้ชัดคือการประเมินมูลค่าหุ้น หรือ Valuation ซึ่งไม่ได้ขึ้นอยู่กับตัวเลขเพียงอย่างเดียว แต่ยังเกี่ยวข้องกับสมมติฐานเกี่ยวกับอนาคตของธุรกิจ คุณภาพกำไร ความสามารถในการแข่งขัน และความเสี่ยงที่อาจเกิดขึ้น

แม้นักวิเคราะห์ที่มีประสบการณ์จะใช้ข้อมูลชุดเดียวกัน ก็อาจประเมินมูลค่าที่เหมาะสมของบริษัทแตกต่างกันได้ เนื่องจากมีมุมมองและสมมติฐานที่ไม่เหมือนกัน

AI จึงสามารถช่วยเตรียมข้อมูล คำนวณตัวชี้วัด และประเมินสถานการณ์เบื้องต้นได้ แต่ยังจำเป็นต้องมีมนุษย์เข้ามาตรวจสอบความสมเหตุสมผลของสมมติฐานและผลลัพธ์

เช่นเดียวกับการสรุปเนื้อหา Opportunity Day แม้ AI จะช่วยย่อข้อมูลจากการนำเสนอจำนวนมากได้ แต่บางครั้งอาจละเลยประเด็นสำคัญ หรือไม่สามารถถ่ายทอดน้ำเสียงและบริบทของการสื่อสารได้ครบถ้วน

สำหรับบริษัทที่นักลงทุนสนใจเป็นพิเศษ การกลับไปศึกษาข้อมูลต้นฉบับหรือรับฟังการนำเสนอด้วยตนเองจึงยังมีความสำคัญ

บทบาทที่เหมาะสมของ AI จึงไม่ใช่การตัดสินใจแทนนักลงทุนทั้งหมด แต่เป็นการช่วยลดภาระงานที่ใช้เวลามาก เพื่อให้นักลงทุนมีเวลาวิเคราะห์ประเด็นเชิงคุณภาพและใช้วิจารณญาณกับการตัดสินใจได้มากขึ้น

จากเครื่องมือวิเคราะห์ สู่ระบบติดตามโอกาสลงทุนอย่างต่อเนื่อง

มื่อสามารถเชื่อมโยง Second Brain, Automation, Dashboard และ Multi-Agent Workflow เข้าด้วยกัน นักลงทุนก็สามารถพัฒนาระบบที่ช่วยติดตามข้อมูลบริษัทที่สนใจได้อย่างต่อเนื่อง

ตัวอย่างเช่น การสร้าง Dashboard เพื่อติดตามตัวชี้วัดทางการเงิน แนวโน้มการเติบโต และระดับมูลค่าหุ้น พร้อมกำหนดเงื่อนไขสำหรับค้นหาบริษัทที่เริ่มมีคุณสมบัติตรงกับเกณฑ์การลงทุน

บทเรียนยังกล่าวถึงการใช้แนวคิด Margin of Safety หรือส่วนเผื่อความปลอดภัยในการลงทุน เป็นหนึ่งในเกณฑ์ที่สามารถนำมาประกอบการติดตามหุ้น

เมื่อข้อมูลของบริษัทเปลี่ยนแปลง ระบบสามารถช่วยนำเสนอผลลัพธ์ที่เกี่ยวข้อง เพื่อให้นักลงทุนกลับมาพิจารณาว่าบริษัทนั้นยังมีความน่าสนใจตามหลักเกณฑ์ที่กำหนดหรือไม่

ข้อดีของการมีระบบลักษณะนี้คือช่วยเพิ่มขอบเขตการติดตามหุ้น โดยไม่จำเป็นต้องใช้เวลาเปิดดูข้อมูลทุกบริษัทด้วยตนเองตลอดเวลา

อย่างไรก็ตาม การที่หุ้นผ่านเกณฑ์การคัดกรองไม่ได้หมายความว่าควรเข้าลงทุนทันที นักลงทุนยังต้องตรวจสอบข้อมูลล่าสุด ประเมินความเสี่ยง และพิจารณาความเหมาะสมกับกลยุทธ์การลงทุนของตนเอง

เปลี่ยนเวลาค้นหาข้อมูล ให้กลายเป็นเวลาสำหรับการตัดสินใจที่มีคุณภาพ

ตลอดทั้ง 8 EP ของ AI FOR INVESTORS | Online Series : ติดอาวุธนักลงทุนด้วย AI ได้สะท้อนให้เห็นพัฒนาการของการใช้ AI ตั้งแต่การเริ่มต้นใช้งานเครื่องมือ การค้นคว้าข้อมูล ไปจนถึงการสร้างระบบวิเคราะห์ที่มีความซับซ้อนมากขึ้น

โดยเฉพาะในบทเรียนช่วงท้ายที่นำองค์ความรู้เรื่อง Automation, Second Brain, Dashboard และ Agent มาประยุกต์ใช้ร่วมกัน ทำให้เห็นว่า AI สามารถเข้ามาช่วยสนับสนุนกระบวนการลงทุนได้มากกว่าการตอบคำถามหรือสรุปข้อมูลทั่วไป จากเดิมที่นักลงทุนอาจใช้เวลาส่วนใหญ่ไปกับการเปิดเอกสาร ค้นหาข้อมูล คัดลอกตัวเลข และจัดทำตารางวิเคราะห์ ปัจจุบันสามารถนำ AI มาช่วยลดภาระงานเหล่านี้ เพื่อจัดสรรเวลาให้กับการศึกษาคุณภาพธุรกิจ การประเมินความเสี่ยง และการตัดสินใจเชิงกลยุทธ์มากขึ้น

สิ่งสำคัญที่สุดจึงไม่ใช่การมีเครื่องมือ AI ที่ซับซ้อนที่สุด หรือการสร้าง Agent ให้มีจำนวนมากที่สุด แต่คือการออกแบบระบบที่เหมาะสมกับวิธีคิดและกระบวนการลงทุนของตนเอง

เพราะท้ายที่สุดแล้ว AI ที่ดีไม่ได้มีหน้าที่คิดแทนนักลงทุนทั้งหมด แต่ช่วยให้นักลงทุนมีข้อมูลที่พร้อมใช้ มีเวลาคิดมากขึ้น และสามารถตัดสินใจได้อย่างรอบคอบยิ่งขึ้น

ทุกบทเรียนใน AI FOR INVESTORS | Online Series : ติดอาวุธนักลงทุนด้วย AI ล้วนเป็นส่วนหนึ่งของการยกระดับทักษะที่นักลงทุนสามารถนำไปปรับใช้ให้เหมาะกับแนวทางของตนเอง 

ไม่ว่าคุณจะเป็นมือใหม่ที่อยากเริ่มใช้ AI หรือเป็นนักลงทุนที่ต้องการต่อยอดเครื่องมือวิเคราะห์ ก็สามารถกลับไปเรียนรู้เนื้อหาทั้งหมดได้ตั้งแต่พื้นฐานจนถึงระดับ Masterclass

📺 เรียนย้อนหลังฟรี! ครบทั้ง 8 EP ได้แล้ววันนี้ที่ YouTube Playlist: AI for Investors

👉  https://www.youtube.com/watch?v=JT7ggh-aZjA&list=PLceQCLIBAcpM&index=1 

เพราะ AI ไม่ได้มาแทนการตัดสินใจของนักลงทุน แต่ช่วยให้เรามีเวลาและข้อมูลมากขึ้น เพื่อคิด วิเคราะห์ และตัดสินใจได้อย่างรอบด้านกว่าเดิม