สองขนบในการพยากรณ์: ตลาดกับการเรียนรู้ของเครื่อง

การพยากรณ์ได้พัฒนาขึ้นตามสองแนวทางที่ทรงพลัง ได้แก่ ตลาดการพยากรณ์ที่รวบรวมความเชื่อมั่นของมนุษย์แบบเรียลไทม์ และแบบจำลองทางสถิติที่เรียนรู้จากข้อมูลในอดีต ก้าวต่อไปไม่ใช่การเลือกอย่างใดอย่างหนึ่ง แต่เป็นการรวมทั้งสองเข้าด้วยกันเพื่อสร้างระบบการตัดสินใจที่แข็งแกร่งยิ่งขึ้น

มีแนวคิดสองรูปแบบที่แตกต่างกันอย่างสิ้นเชิงในการพยากรณ์

1) แนวคิดแบบตลาด: ราคาคือความน่าจะเป็น

แนวคิดแรกมาจากตลาด ในตลาดพยากรณ์ (prediction market) ราคาจะเคลื่อนไหวเมื่อผู้คนวางเงินเดิมพันตามความเชื่อของตน หากสัญญาซื้อขายอยู่ที่ 0.63 นั่นหมายความว่ากลุ่มคนในตลาดกำลังบอกว่ามีโอกาส 63% ที่ผลลัพธ์นั้นจะเกิดขึ้น

แนวคิดนี้ไม่ใช่เรื่องใหม่ ในศตวรรษที่ 19 ชาวอเมริกันมีการวางเดิมพันผลการเลือกตั้งอย่างหนักหน่วง ซึ่งบางครั้งมีสภาพคล่องสูงกว่าการสำรวจความคิดเห็นในยุคแรกเสียด้วยซ้ำ ในช่วงปลายทศวรรษ 1980 ตลาดอิเล็กทรอนิกส์ไอโอวา (Iowa Electronic Markets) แสดงให้เห็นว่าตลาดขนาดเล็กที่มีโครงสร้างดีสามารถทำผลงานได้ดีกว่าการทำโพลแบบดั้งเดิม และล่าสุด แพลตฟอร์มอย่าง Polymarket ได้ทำให้โมเดลนี้กลายเป็นระดับโลกด้วยการซื้อขายออนไลน์แบบเรียลไทม์

และในหลายกรณีที่ผ่านมา ตลาดเหล่านี้มีความแม่นยำอย่างน่าทึ่ง ในช่วงการเลือกตั้งสหรัฐฯ ปี 2020 ตลาดพยากรณ์ปรับตัวตามความน่าจะเป็นที่เปลี่ยนแปลงไปได้เร็วกว่าโพลสาธารณะจำนวนมาก ในปี 2022 ตลาดได้สะท้อนราคาความเป็นไปได้ที่ธนาคารกลางรายใหญ่จะปรับขึ้นอัตราดอกเบี้ยได้ล่วงหน้าก่อนการประกาศอย่างเป็นทางการ และในปี 2024 ตลาดที่ใช้คริปโตเคอร์เรนซีได้ตอบสนองภายในไม่กี่นาทีต่อข่าวลือเรื่องการถอนตัวทางการเมืองและสัญญาณเหตุการณ์ขององค์กร โดยมักจะลู่เข้าหาผลลัพธ์สุดท้ายก่อนที่บทวิเคราะห์กระแสหลักจะออกมาเสียอีก ในสภาพแวดล้อมที่เคลื่อนไหวเร็วและอ่อนไหวต่อข้อมูล ราคาได้รวมเอาสัญญาณใหม่ๆ เข้าไปเกือบจะในทันที

2) แนวคิดแบบวิทยาศาสตร์ข้อมูล: แบบจำลองในฐานะเครื่องมือสกัดรูปแบบ

อีกแนวคิดหนึ่งมาจากสถิติและการเรียนรู้ของเครื่อง (machine learning) ในแนวคิดนี้ การพยากรณ์จะถูกสร้างขึ้นจากข้อมูลในอดีต เช่น แบบจำลองอนุกรมเวลา (time-series), การถดถอย (regression), gradient boosting และโครงข่ายประสาทเทียม (neural networks) แทนที่จะถามผู้คนว่าพวกเขาเชื่ออะไร แบบจำลองจะสกัดรูปแบบจากสิ่งที่เคยเกิดขึ้นมาแล้ว

ตลาดมักจะโดดเด่นเมื่อข้อมูลกระจัดกระจายอยู่ในตัวบุคคลจำนวนมาก และเมื่อคำถามเป็นแบบสองทาง (binary) หรือขับเคลื่อนด้วยเหตุการณ์ ส่วนวิทยาศาสตร์ข้อมูลจะทำได้ดีเยี่ยมเมื่อมีโครงสร้างข้อมูลย้อนหลังที่ลึกซึ้งให้เรียนรู้ เช่น รายได้ อุปสงค์ และตัวชี้วัดการดำเนินงาน

ไม่ใช่ตัวแทน — แต่เป็นส่วนเสริม

ทั้งสองไม่ใช่สิ่งที่จะมาแทนที่กัน

แนวคิดหนึ่งรวบรวมข้อมูลจากมนุษย์แบบเรียลไทม์ อีกแนวคิดหนึ่งสกัดความสม่ำเสมอทางสถิติจากข้อมูล

พรมแดนใหม่ที่น่าสนใจไม่ใช่การเลือกระหว่างอย่างใดอย่างหนึ่ง แต่คือการรวมสัญญาณทั้งสองเข้าด้วยกันเป็นระบบพยากรณ์เดียว

โปรดทราบว่าเวอร์ชันภาษาไทยได้รับการช่วยเหลือจาก AI ดังนั้นอาจมีข้อผิดพลาดเล็กน้อย

ผู้เขียน

Ai Base Network (ABN), ABN ASIA ถูกก่อตั้งขึ้นโดยคนที่มีรากฐานลึกในวงการวิชาการ มีประสบการณ์การทำงานในสหรัฐอเมริกา ดัตช์ ฮังการี ญี่ปุ่น เกาหลีใต้ สิงคโปร์ และเวียดนาม ABN Asia เป็นที่เราพบกันของวิทยาลัยและเทคโนโลยี ด้วยโซลูชันขั้นสูงและบริการพัฒนาซอฟต์แวร์ที่มีความสามารถ เราช่วยธุรกิจเติบโตและเข้าสู่ฉากโลก ความมุ่งมั่นของเรา: ด่วนขึ้น ดีขึ้น น่าเชื่อถือมากขึ้น ในกรณีส่วนมาก: ราคาถูกด้วย

หากคุณต้องการบริการ IT การให้คำปรึกษาดิจิทัล โซลูชันซอฟต์แวร์ใช้ได้หรือหากคุณต้องการส่งคำขอข้อเสนอ (RFPs) อย่าลังเลที่จะติดต่อเรา คุณสามารถติดต่อเราได้ที่ [email protected] เราพร้อมช่วยเหลือคุณด้านทุกความต้องกรทางเทคโนโลยีของคุณทุกเมื่อ