การพัฒนาอัลกอริทึมการจัดการพอร์ตแบบ Event-Driven สำหรับกลยุทธ์ Funding Rate Arbitrage เพื่อเพิ่มประสิทธิภาพ Sharpe Ratio ในตลาดสกุลเงินดิจิทัล
Article Sidebar
Main Article Content
บทคัดย่อ
การจัดการพอร์ตสำหรับกลยุทธ์ Funding Rate Arbitrage ในตลาด Perpetual Futures ของสกุลเงินดิจิทัลในปัจจุบัน ยังคงมีข้อจำกัดสำคัญ คือ กลยุทธ์แบบน้ำหนักคงที่ไม่สามารถตอบสนองต่อความผันผวนของตลาดได้ทันท่วงที ขณะที่แนวทาง Machine Learning ที่พึ่งพาการทำนายค่า Funding Rate ซึ่งมีลักษณะ Mean-Reverting ทำให้ยากต่อการคาดการณ์อย่างมีกำไร งานวิจัยนี้จึงพัฒนาอัลกอริทึม Event-Driven Portfolio แบบขับเคลื่อนด้วยเหตุการณ์ โดยใช้ Mean-Variance Optimization เปรียบเทียบกับ 3 กลยุทธ์พื้นฐาน ได้แก่ Static Equal-Weight, Ridge Regression และ XGBoost ด้วย Walk-Forward Validation ทดสอบบนข้อมูลจริงจาก Binance Futures สำหรับสินทรัพย์ 8 ตัว ในช่วง 4 ปี ผลลัพธ์แสดงว่าวิธีที่เสนอให้ผลตอบแทน 10.97% ต่อปี โดย Sharpe Ratio 30.47 ซึ่งสูงกว่าแบบ Static 22.4% ขณะที่ Machine Learning ทั้งสองไม่สามารถเอาชนะ Static ได้ (Cohen's d น้อยกว่า 0.2) วิธีที่นำเสนอไม่เคยขาดทุนรายเดือน (ผลบวก 43 จาก 43 เดือน) และมี Max Drawdown เพียง 0.18% ซึ่งนัยสำคัญถูกยืนยันด้วย 8 วิธีทางสถิติ โดย Monte Carlo Bootstrap P (>0) เท่ากับ 99.63% Sensitivity Analysis ซึ่งสามารถยืนยัน Robustness และ Breakeven Fee อยู่ที่ 5.4 ถึง 7.3 bps สูงกว่าค่าธรรมเนียมจริงอย่างน้อย 2 เท่า
Article Details
เอกสารอ้างอิง
Ackerer, D., Hugonnier, J., & Jermann, U. (2026). Perpetual futures pricing. Mathematical Finance, 36(3), 481-499. https://doi.org/10.1111/mafi.70018
Alexander, C., Choi, J., Park, H., & Sohn, S. (2020). BitMEX bitcoin derivatives: Price discovery, informational efficiency, and hedging effectiveness. Journal of Futures Markets, 40(1), 23-43. https://doi.org/10.1002/fut.22050
Bailey, D. H., Borwein, J. M., López de Prado, M., & Zhu, Q. J. (2017). The probability of backtest overfitting. Journal of Computational Finance, 20(4), 39-69. https://doi.org/10.21314/JCF.2016.322
Binance. (2026, 06 March). Introduction to Binance Futures Funding Rate. Binance Academy. https://www.binance.com/en/support/faq/detail/360033525031
Bouri, E., Shahzad, S. J. H., Roubaud, D., Kristoufek, L., & Lucey, B. (2020). Bitcoin, gold, and commodities as safe havens for stocks: New insight through wavelet analysis. The Quarterly Review of Economics and Finance, 77, 156-164. https://doi.org/10.1016/j.qref.2020.03.004
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
CoinGecko. (2024). 2024 Annual Cryptocurrency Report. https://www.coingecko.com/research/publications/2024-annual-crypto-report
De Prado, M. L. (2018). Advances in Financial Machine Learning. Wiley.
Efron, B., & Hastie, T. (2016). Computer Age Statistical Inference: Algorithms, Evidence, and Data Science. Cambridge University Press.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. https://doi.org/10.2307/2325486
García-Medina, A., & Aguayo-Moreno, E. (2024). LSTM-GARCH hybrid model for the prediction of volatility in cryptocurrency portfolios. Computational Economics, 63, 1511-1542. https://doi.org/10.1007/s10614-023-10373-8
Hanif, W., Ko, H. U., Pham, L., & Kang, S. H. (2023). Dynamic connectedness and network in the high moments of cryptocurrency, stock, and commodity markets. Financial Innovation, 9(1), 84. https://doi.org/10.1186/s40854-023-00474-6
He, S., Manela, A., Ross, O., & von Wachter, V. (2022). Fundamentals of perpetual futures. SSRN. https://doi.org/10.2139/ssrn.4301150
Hull, J. C. (2022). Options, Futures, and Other Derivatives (11th ed.). Pearson.
Iqbal, R., Riaz, M., Sorwar, G., & Qadir, J. (2024). Cryptocurrency market volatility and forecasting: A comparative analysis of modern machine learning models for cryptocurrencies predicting accuracy . Review of Pacific Basin Financial Markets and Policies, 27(4), 2450028. https://doi.org/10.1142/S0219091524500280
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning with Applications in Python. Springer. https://doi.org/10.1007/978-3-031-38747-0
Jeleskovic, V., Latini, C., Younas, Z. I., & Al-Faryan, M. A. S. (2024). Cryptocurrency portfolio optimization: Utilizing a GARCH-copula model within the Markowitz framework. Journal of Corporate Accounting & Finance, 35(4), 139-155. https://doi.org/10.1002/jcaf.22721
Makarov, I., & Schoar, A. (2020). Trading and arbitrage in cryptocurrency markets. Journal of Financial Economics, 135(2), 293-319. https://doi.org/10.1016/j.jfineco.2019.07.001
Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7(1), 77-91. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
Montgomery, D. C., & Runger, G. C. (2018). Applied Statistics and Probability for Engineers (7th ed.). Wiley.
Muteba Mwamba, J. W., Mbucici, L. M., & Mba, J. C. (2025). Multi-objective portfolio optimization: An application of the non-dominated sorting genetic algorithm III. International Journal of Financial Studies, 13(1), Article 15. https://doi.org/10.3390/ijfs13010015
Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System. https://bitcoin.org/bitcoin.pdf
Sahu, S., Ochoa Vázquez, J. H., Fonseca Ramírez, A., & Kim, J.-M. (2024). Analyzing portfolio optimization in cryptocurrency markets: A comparative study of short-term investment strategies using hourly data approach. Journal of Risk and Financial Management, 17(3), Article 125. https://doi.org/10.3390/jrfm17030125
Sharpe, W. F. (1966). Mutual fund performance. The Journal of Business, 39(1), 119-138. https://doi.org/10.1086/294846
Werapun, W., Karode, T., Suaboot, J., Arpornthip, T., & Sangiamkul, E. (2025). Exploring risk and return profiles of funding rate arbitrage on CEX and DEX. Blockchain: Research and Applications, 7(4), 100354. https://doi.org/10.1016/j.bcra.2025.100354
Yang, J. (2024). Portfolio construction based on XGBoost-CAPM model: Evidence from the cryptocurrency market. Proceedings of the 2024 9th International Conference on Social Sciences and Economic Development (ICSSED 2024), 127-136. https://doi.org/10.2991/978-94-6463-459-4_16
Zhang, Z., Zohren, S., & Roberts, S. (2020). Deep reinforcement learning for trading. The Journal of Financial Data Science, 2(2), 25-40. https://doi.org/10.3905/jfds.2020.1.030
