หลงมาฟัง Claude Code For Investment

ที่เรียกว่าหลงมาฟัง เพราะว่าผมมีความรู้สึกว่างานนี้มันอารมณ์แบบงาน Tech ใหญ่ๆ คนเยอะจนล้นห้องจัด และตอนแรกคิดว่า dev จะมาเยอะ ไม่เลย 5555 เหมือนกลุ่มสายมางานลงทุน และพวกเพจการเงินต่างๆมารวมกันนี่แหละ สำหรับอันนี้ ผมอาจจะจดมาแบบงงๆ ตามความเข้าใจเลยนะ

Before you Build: Rethinking AI Investment

Speaker ดร.โกเมษ จันทวิมล

งานนี้เอาจริงๆ ผมตาม อจ แกมานะเห็นไปพูดในงานของ Microsoft บ่อยๆ และสนใจ Claude Code เลยลองมาฟัง และจดๆดูครับ มาดูที่จดๆกันครับ

ตอนนี้เราใช้ AI ทำอะไร การเงิน ชีวิต ประจำวัน แล้วเราใช้ในระดับไหน มี Trend มาเล่าง

• reactive chat งานที่เน้นุาม ask ยังมีการทำ manual data extraction หรือ ผลลัพธ์ copy paste
• autonomous execution (Next Gen) ลดงาน Manual ลง โดยที่ต้องเน้น
  - Outcome - รู้ก่อนว่าเอามาทำอะไร
  - Execute workflow - มีขั้นตอนยังไง
  - Output + Validate Artifacts - ผลลัพธ์เราตรวจได้ยังไง

การที่จุดนั้นไต้ต้องไปทีละ Step อจ เลยแนะนำ 3+1 Step

📌 Level 1: Assist

• เรายังทำงานเหมือนเดิม แต่มี AI เข้ามาช่วยให้งานไวขึ้น อาทิ เช่น
  - ช่วยสรุปเอกสาร
  - อธิบายความรู้ หรือ ทำแผนภาพ (Flowchart) //เห็นใน Claude แล้วสุดๆ ถามปุบแผนภาพขึ้นให้เลย
  - หรือ หาแหล่งข้อมูลที่เกี่ยวข้องเพิ่ม ย่อย และเราตัดสินใจตอนท้ายได้
• Mindset - Foundation ที่แข็ง Biz Domain + รับเครื่องมือใหม่ๆ ต่อยอดได้

📌 Level 2: WorkFlow

• AI เริ่มทำงานที่มีหลายขั้นตอนได้ตามที่เรากำหนดไว้ โดยขั้นตอนพวกนี้ จะเรียกว่าเป็น Step ใน n8n หรือ ถ้า update มานิดนึงจะเป็นสิ่งที่เรียกว่า Skills
• ในตัว Claude มีวิธีการสร้าง Skill 3 แบบ
  1. Mind you chat อ่านจาก Chat เรา แล้วให้มันสร้าง ลอง Prompt ถามมันดู เช่น Can you help me to create skill based on my chat history
  2. Skill Creator - บอกว่าเรา Task Role อะไร แล้วมันจะสร้าง Skill มาให้
  3. Deploy & Expand - เอาจาก Market Place ที่เหมาะกับงาน 9 กลุ่ม มาใช้กับงานเรา หรือ ถ้าไม่มีสร้าง Custom Skill ข้อมูลในองค์กร แล้วโยนมา

ลองดูเพิ่มได้จาก https://code.claude.com/docs/en/skills

• Why Skill - Token Saving เจ้า Token มองเป็นพื้นที่ประมวลผลให้หัวเรา ถ้ายัดของลงมาเยอะ จะทำงานช้า และสับสน แต่ถ้าเลือกมาถูกจะประหยัด และไว โดยเจ้า Skill มันมีโครงสร้างแบบ Lookup มี metadata บอกว่าทำอะไร จากนั้น claude มา matching ถ้าตรงให้ Claude มัน Execute
• ถึงแม้ว่าจะมี Skill การใช้ต้องดูความเหมาะสมด้วย เช่น Financail Skill เค้าทำสำหรับ US Market / Thai
• แต่ยังมี Human อยู่นะ ตรวจในแต่ละชั้นตอนว่ามี Process Drift ไหม ในขั้นตอนนี้ เอาง่ายๆ เรารู้วิธีตรวจมัน เคสนี้ Speaker 3 Statement Model มันจะมีวิธีตรวจมือ แต่สรุปภาพรวม Human In the Loop ตามนี้
  - Data Integrity & Permission: สิทธิการเข้าถึงข้อมูล
  - Read Only Operation: ไม่ให้ AI มันไปโมข้อมูลดิบต้นทาง
  - Cross-validation (Verification) - การตรวจสอบ เช่บ งบ A มันจะมีจุดเชื่อมกับงบ B เราหาจุดตรวจได้ว่ามันทำงานถูก
  นอกจากนี้มี Idea LLM As A Judge: เป็นเทคนิคการนำ AI อีกตัวหนึ่งมาทำหน้าที่เป็น "กรรมการ"

Finance มี FAB (Financial Agent Benchmark) เอามาวัด AI / Human ตอนนี้เก่งคนละด้าน AI (Optimization / Flow) / Human (Decision Making/Intuition) เราต้อง Balance ด้วยกัน

📌 Level 3: System (Autonomous) - คล้ายกับ Skill แต่อันนี้จากเดิมที่ทำอยู่คนเดียว AI เดียว งานจะ Auto มากขึ้น

• มองว่าเหมือนเราให้ Dev มาทำ Internal Apps จาก Input > Process > Output
• ส่วน Process จะช่องที่ให้ AI ทำ ข้างใน Claude มีวิธีเลิอก

user intent > claude core --> Use Skill --> Execute/ Call Agent --> Human Check
                          --> Use MCP   -->

• Use Case Report Pipeline และ Step ให้ Skill มาทำงาน

Extract ----------> Analyze ----------> Generate (Excel/ PPT/ PDF)
|----------------------- Human In Loop --------------------|

• แต่มีสิ่งที่ต้องระวัง Security / Access

📌 Leve 3+1 - Sub Agent / Agent Team เป็น ต่อยอดจาก Level 3 มาแหละให้ มี AI ย่อยๆมาแบ่งงานกันไปทำ ถ้าเป็นคน AWS ทีมที่ดี Pizza 1 ถาด / Anthropic 3 คน ถ้าแยก Agent ออกมาข้อดี แต่ละตัวย่อยใช้ Context แยกด้วยนะ ผมมีฟังตารางสรุปประมาณนี้

Type	Single	Sub Agent	Agent Team
Communication	N/A	Main > Sub Agent	P2P / Main > Sub Agent
Visibility	Full	Limited เราไม่รู้ว่า Sub Agent ทำอะไร	Full + Share Context
Intervention	Human Review (Post Result)	Human Review (Post Result)	Human in the Loop แต่ละ Step ที่ทีมคุยกัน
Sample	Chat	Specific Domain - วิเคราะห์งบการเงิน - หรือเช็คราคาหุ้นประจำวัน	High Complexity & Coordination: งานซับซ้อน เช่น - การสร้าง Dashboard การลงทุน - ดึงข้อมูล - วิเคราะห์ความเสี่ยง - และสรุปผลไปพร้อมกัน

Agent Team มีการทำงานย่ออยๆอีกอย่าว Autonomous Coordination (ทำงานเป็นทีม) / Autonomous Execution (ทำงานในส่วนที่ได้รับมอบหมาย) / Parallel Execution ถ้ามันช้า เราให้ AI ทำขนานกันได้

Key Take Away เราต้องมี

• Domain Knowledge
• Key สำหรับ Validation
• Flow Visibility Explainable ที่มีทั้ง Data Integrity / Read Only Operation

เพื่อที่ Human เข้าไปตรวจสอบได้ และ อย่า Switch off the brain AI มันทำพัง แต่มันมีผลกับงานเรา เงินเรานะ !!!
ในงานมี Demo Flow ให้ดูนะ ถ้าอยากใช้ Agent Team ดูได้ตามนี้

How to automate alpha research with Claude Code?

Speaker WorldQuant (แมน) / TQF (Nut)

📌 WorldQuant - Hedge Fund ที่มี AUM ใหญ่ๆมาก โดยไม่มี Fundmanager ใช้ Researcher + Engineering ทำอะไรสิ่งที่เรียกว่า alpha ไปลงทุน

📌 Alpha คือ อะไร

• Return ที่ได้จากการตัดความเสี่ยงออกไปหมดแล้ว
• ถ้าตามสูตรมันมาจาก สูตรนี้บอกว่า ผลตอบแทน มาจาก 2 ส่วน คือ Skill (Alpha) + ความเสี่ยงที่รับจากตลาด (Beta × Market Premium) ตามรูป

• ถ้ารูปตกหล่นมีพิมพ์ไว้นะ E(R_i) - R_f = α_i + β_i(E(R_m)-R_f) //ถาม Claude ต่อได้
• มีพวก Value Factor - หุ้นที่มีValue เยอะๆ หรือ PE Ratio ต่ำๆ โดยในทาง Quant อาจใช้ค่า EP Ratio (1/PE) มาจัดลำดับ (Rank) มาทำได้ โดยเจ้า Value Factor สมมติฐานที่ Warren Buffett ใช้

📌 Alpha Creation Step

1. Idea Sourcing: หาไอเดียจากข่าว, หนังสือ, งานวิจัย หรือการจับคู่ตัวแปรในงบการเงินมาทำเป็นอัตราส่วน (Financial Ratio) หรือจากอันนี้ ไป Map Feature หา Alpha เช่น
   - บริษัทหนี้น้อย vs หนี้เยอะ: ควรลงทุน?
   - บริษัทที่มี Sales ต่ำกว่าคู่แข่ง อะไรที่เป็นปัจจัยควรลงุทน
2. Data & Feature Engineering: ตรวจสอบความพร้อมและความถูกต้องของข้อมูล / หา Feature
3. Modeling: เอา Hypothesis มาเข้า ML อย่างพวก Random Forest / Linear Regression เพื่อดูว่า Factor)ไหนมีค่า P-value ต่ำ หรือการจัดลำดับ (Ranking)
4. Backtesting: การนำไอเดียไปทดสอบกับข้อมูลย้อนหลัง (เช่น 5-10 ปี) เพื่อพิสูจน์ว่าไอเดียนั้นทำกำไรได้จริงหรือไม่ก่อนจะลงทุนจริง
5. Execution Design - Order Placement Strategy + Optimization
6. Live Simulation - ลองเทียบกันสนามจริง
7. Deployment (Scale / Retire)

📌 WorldQuant Platform

• ที่ผมฟังเป็น Data Platform ขนาดใหญ่ที่รวมพวก Data & Feature Engineering พวก Financial Ratio ต่างๆ และมีข้อมูลตามตลาด
• แล้วที่นี้มันมีส่วน Simulate ให้เอา Feature มาจับคู่ เข้าสูตรของตัวเอง เพื่อมาดู Alpha ดูจากผมเข้าใจว่า α > 0 ดีกว่า / α = 0 พอดี / α < 0 ต่ำกว่าตลาด เค้าไปไวอ่า ผมฟังแล้วห๊ะๆ 555
• ปีนี้มีแข่ง https://www.worldquant.com/brain/iqc/ เผื่อใครอยากลอง

📌 Claude Code เอามาทำอะไร ?

หลักๆ ให้มันไปอ่าน WorldQuant Platform แล้วมาทำเป็น Skills + Tools อย่างที่ Demo

• จะมีสร้าง Markdown ขึ้นมา Brain.md (น่าจะอารมณ์แบบ llm.txt) / system.md (System Prompt) / principle.md (Guard บอกว่าอะไรควรทำไม่ทำ เช่น ไม่เอา Alpha มาคิดซ้ำ / Make Sense - ตามหลักการเงิน / ตัวแปรไม่ได้มโน ต้องไปอ้างจาก field.py)
• Tools field.py (Financial Ratio ที่เก็บใน WorldQuant) / operation.py (BlackTest) / call_llm.py (เผื่อย้าย่ายไปใช้ Gemini ให้ Claude Gen มาให้)
• Sample Prompt

Create me alpha making machine that take input from human, then give alpha expression and send those expression to simlualtion and after receive that simulation result, Loop to improve idea. to make it cheaper, see on how to call llm_api from path xxx, and simlation path yyy, understand context from prompt in path zzz

📌 ทำไม Quant ในไทยยังรู้น้อย มากกว่าเกาหลี เคนย่า ไปลอง WorldQuant จะได้ท้าย

• Community ยังเล็ก > เลยทำให้ขาดกระแส
• ทักษะ Software Dev > AI มาช่วยตรงนี้
• จังหวะเวลาการสมัคร > เมื่อก่อนจะตรงกับสอบ ตอนนี้ไม่แล้ว

แต่ผมว่าที่ฟังมาน่าจะภาษาอังกฤษนี้แหละ และพวก How to on WorldQuant Platform / Quant

Claude Code For Investment

Speaker รศ. ดร.คณิสร์ แสงโชติ (อ.ไผ่)

-Claude Skill / MCP

• MCP - สาย Dev นิดนึง ช่วยให้ AI ได้ข้อมูล Realtime มาขึ้น sample with claude / หากอยากรู้ mcp มาขึ้น
• Skill ตาม Session แรกเลย สำหรับอันนี้มาลอง https://github.com/anthropics/financial-services-plugins

-การใช้งานพวก Skill ทำได้ 4 แบบ

• IDE (Antigravity / VSCode) เราลง Extension ก่อนข้างในมันมีขั้นตอน แล้วที่นี้เรียกใช้ผ่าน slash command ได้เลย /<your-skill-name>
• Claude Code (CLI) - install skill แล้วใช้ /<your-skill-name>
• Cowork - GUI ของ Claude Code เค้าจะเรียกว่า plugin (set of skill) /<your-skill-name>
• เหมือนมี mobile ด้วยนะ เชื่อมได้ด้วย แต่ใช้ slash-command พิมพ์ชื่อ Skill ตรง

ตัวไหนเหมาะกับอะไรลองไปอ่านได้จาก ตารางสรุปว่า Claude Chat / Cowork / Code ต่างกันยังไงกันแน่? ของเพจ เทพเอ็กเซล : Thep Excel

- Skill Tips

• พวกไฟล์เอา markdown ดีสุด ถ้า
• ภาษาไทยใช้ Token เยอะ เสียเงินเยอะ ถ้าเสี่ยงได้ภาษาอังกฤษดีสุดทั้ง prompt + data
• Skill / Plugin Load เข้า Context เท่าที่จำเป็น เพื่อป้องกันมันหลอน และ Context Window (กระดาษทด/RAM) ไม่พอ จริงๆ ตัว Claude มันมี Compact Feature แต่มันจะเอาอะไรมาให้ก็ไม่รู้ คุมเองดีสุด
• ข้างใน Skill เป็น Markdown ที่มี metadata / description / guideline / scope การทำงานข้อห้ามต่างๆ รวมถึง script ที่จำเป็นสำหรับงานนั้นๆ อย่างในนี้ https://github.com/anthropics/financial-services-plugins

-มาเล่า Financial Modeling & DCF Valuation

📌Workflow มาเล่าจากอิงเคสจากหุ้น Palantir (PLTR) ซึ่งมีการใช้ Skill / Agent / Sub Agent

1. Data (การดึงข้อมูล): ใช้ Data API ดึงข้อมูลดิบจากหลายแหล่ง เช่น งบการเงินจาก edgartools, ข้อมูล Segment, Valuation Factors ทำเป็น แบบ Markdown, CSV และ JSON มากที่สุด ไม่แนะนำให้ส่ง PDF หรือ Excel (XLSX) ให้ AI โดยตรง เพราะจะเสีย Token ในการแปลงไฟล์และอาจเกิดความผิดพลาดได้
2. Financial Modeling: financial-services-plugins:Statement Financial Modeling เพื่อสร้างโครงสร้างงบการเงินพื้นฐาน โดยเน้นการตรวจสอบ Formula ทุกจุด และ Human Feedback
3. DCF Valuation: นำโมเดลจาก Phase 2 มาคำนวณมูลค่าต่อด้วย DCF Skill ซึ่งจะมีการตั้งสมมติฐานเรื่อง Terminal Value (เช่น Perpetual Growth หรือ Exit Multiple) และการคำนวณ WACC,
4. Investment: ใช้ /competitive-analysis-skill มาดึงข้อมูลคุ่แข่ง เอาจาก yahoo finance และทำ recommedation
5. QA (Quality Assurance):
   • Style Guide Enforcer: เป็น Agent ที่คอยตรวจดูว่ารูปแบบรายงาน สี และ Layout เป็นไปตามที่กำหนดไว้ในไฟล์ Style Guide หรือไม่ อันนี้ อจ สร้างเอง - เข้ามาช่วยกำหนดโครงสร้างรายงาน (Structure Report) และถอดนิสัยการเขียนจากบริษัทจัดการลงทุนชั้นนำ
   • Super Power Plugin: อาจารย์แนะนำให้ใช้ปลั๊กอินนี้เพื่อทำ Brainstorm, Plan และเป็น Code Reviewer เพื่อตรวจสอบว่า Workflow และ Logic ต่างๆ ครบถ้วนถูกต้อง
6. Remediation (การแก้ไข): เป็นขั้นตอนการแก้ Bug หรือข้อผิดพลาดที่พบจากขั้นตอน QA เพื่อให้ระบบทำงานต่อจนจบกระบวนการได้
7. PowerPoint: สั่งให้ Agent สร้างสไลด์นำเสนอผลงาน โดยอาจมีการเขียน Python Script เพื่อช่วยในการสร้างไฟล์ให้ได้ตาม Template ที่เตรียมไว้
8. Rebuild Report: ขั้นตอนสุดท้ายคือการ "รันใหม่ทั้งหมด" โดยเปลี่ยนจาก Sonnet มาเป็น Opus เพื่อให้ได้งานที่ดีขึ้น มีความซับซ้อนของเนื้อหามากขึ้น และจัดรูปแบบได้สวยงามกว่าเดิม
9. Visual Polish - Style Guide Enforcer จัดการอีกรอบ

📌การเลือกใช้โมเดล (Sonnet + Opus):

• Sonnet: ใช้ในช่วงแรกสำหรับงานที่เป็น Routine หรือการวางโครงสร้างเบื้องต้นเพราะทำงานเร็วและประหยัด Token ตอนทำ
  - Plan Mode ก่อน เพื่อ AI มันคิด และทวนก่อนว่าเราเข้าใจตรงกันไหม
  - Assumptions - AI มันทำได้ แต่เราอย่าเชื่อมัน เราต้องมีพื้นฐานก่อน
• Opus: ใช้ในขั้นตอน Rebuild เพื่อยกระดับคุณภาพงาน เพราะ Opus มีความสามารถในการ Reasoning ที่ซับซ้อนกว่า และให้ผลลัพธ์ในเชิง Visual และ Logic ที่ดีกว่า Sonnet มาก แม้จะใช้ Token และค่าใช้จ่ายที่สูงกว่าก็ตาม อาทิ เช่น Reverse DCF เพื่อดูว่าราคาหุ้นปัจจุบันสะท้อนการเติบโต (Imply Growth Rate) ไว้ที่เท่าไหร่ Opus แนะนำมาตอน Process Rebuild

Skill ที่ใช้ / Resource ตาม QR นะ

https://github.com/ajarnpai/agentic-ai-resources/blob/main/guide/notebooklm-claude-guide.md

พยายามทำ Draft ด้วย markdown ก่อน ถ้า OK แล้วค่อยขยับไป Export Work Power Point และพวก Cowork เวลาทำของออกมามันจะสวยกว่าพวก Claude / Claude Code นะ เพราะน่าจะมี Prompt หรือ Agent พิเศษทำงานด้วย Visual

ข้อควรระวังจาก Demo หุ้น Palantir (PLTR) ราคาตลาด 143 ดอลลาร์ แต่การประเมินมูลค่าตามสมมติฐานพื้นฐานได้ AI เพียงประมาณ 18-19 ดอลลาร์ ต้องเอ๊ะ อย่าเชื่อมันหมดนะ Fundamental สำคัญ

-Factor Investing

📌ช่วงสุดท้ายอาจารย์ได้แชร์เรื่องการทำวิจัยด้าน Factor Investing เพื่อวิเคราะห์ผลตอบแทนของกองทุน

• Performance Attribution: ใช้ AI ช่วยแยกแยะว่าผลตอบแทนของกองทุน (เช่น 12%) มาจากปัจจัยใดบ้าง เช่น Market Beta, Size (SMB), Value (HML) หรือ Momentum
• โดยอันนี้ต่างกับของ Warren Buffett มี decode มาจะได้เป็น หุ้นที่มีความผันผวนต่ำ (Low Volatility), หุ้นที่มีกำไรดี (Quality) และหุ้นที่มีค่า Beta ต่ำ
• การหา Alpha: เมื่ออธิบายผลตอบแทนด้วยปัจจัยต่างๆ ได้หมดแล้ว ส่วนที่เหลือที่ไม่สามารถอธิบายได้ก็คือ Alpha หรือฝีมือของผู้จัดการกองทุนนั่นเอง
• Workflow เตรียม Workflow ในรูปแบบ Markdown ให้ AI ไปดึงข้อมูลผลตอบแทนกองทุน (Data Blinding แล้ว) และปัจจัยต่างๆ มาวิเคราะห์และทำ Visualization เพื่อดูการเปลี่ยนแปลงของปัจจัยในช่วงเวลาต่างๆ (Rolling Data) มีเว็บให้เล่น https://dashboard.factorlibrary.app/

วันนี้โคตรเปิดโลก ทุกคนเปิด antigravity / vscode ไม่ได้เขียน code เราเองเป็น dev มายืนงงให้งานนี้ 55 คนไปงานสัมมนากองทุน การเงิน น้องมาจากไหนไม่คุยหน้าเลย คุยๆปั๊ม skill แล้วมันมีพวก markdown python นี้แหละ ดึงๆ ให้มาทำ analysis report ให้คนข้างๆมาสอน finance 55 เราไป

• เห็นมุมการใช้อีกแบบ ปกติสาย Dev ใช้ Model แพงก่อนสร้าง Pattern แล้วตัวถูกมาปั๊ม อันนี้กลับกัน
• และเรื่อง MCP ผมไปงาน dotnet week ก่อนเค้าบอกเหมือนกันว่าบทบาทลดลง เอาไปใช้มุมองค์กรมากขึ้น เห็น Sample Skill แล้วอ่อมันมี code python วางไว้ ให้ execute ได้เลย บางงานเลยย้ายจาก MCP มาได้
• Super Power Plugin - มันทำมา เพื่อ Code Review นะ แต่ Core Context ใช้กับวงการอื่นได้ด้วย
• มุมของ Dev มีทางรอดอยู่นะ อย่างใช้ช่วงใช้ Tool backtest ถ้าทำให้ integrate กับ Skill / MCP ง่ายๆ มันก็ win win นะ เพราะถ้า Vibe ให้มัน Gen ยาก Proof ว่า Tools ทำงานถูก และ Fundamental สำคัญ มันทำให้เราเอ๊ะ รู้วิธีตรวจงานจาก AI ได้

Blog ท่านอื่น

• รวมสรุปจากงาน Claude Code For Investment ทั้ง 3 พาร์ท เพจวัคซีนหุ้น
• สรุปเนื้อหาการบรรยาย "Claude Code for Investment" โดย อจ ไผ่ เพจ Seminar knowledge by Amorn
• Palantir ถ้าคุณซื้อที่ราคาปัจจุบัน!! (Earthh Evans)

Reference

• https://www.facebook.com/photo/?fbid=877792881903061&set=a.118480271167663