Skip to content
Fintrix Markets

อคติจากข้อมูลอนาคตในการทดสอบย้อนหลังคืออะไร

อคติจากข้อมูลอนาคต (Look-ahead bias) เกิดเมื่อการทดสอบย้อนหลัง (Backtest) ใช้ข้อมูลที่ยังไม่มีในขณะตัดสินใจจำลองการเทรด เช่น ใช้ราคาปิดของแท่งราคาก่อนที่แท่งนั้นจะปิด ผลทดสอบจึงออกมาดีเกินกว่าที่กลยุทธ์ใดจะทำได้ในการเทรดจริง ในการทดสอบ EUR/USD ของเรา การเทรดเร็วไป 1 แท่งทำให้กฎที่ได้ผลรวม 555 pip ก่อนหักต้นทุน กลายเป็นได้ 10,782 pip โดย pip คือหน่วยวัดการเปลี่ยนแปลงของราคา

Fintrix trading desk •

อคติจากข้อมูลอนาคตคืออะไร

อคติจากข้อมูลอนาคตเป็นข้อผิดพลาดในการทดสอบย้อนหลัง การตัดสินใจจำลองใช้ข้อมูลที่ยังไม่มี ณ เวลานั้น ไม่มีใครตั้งใจใส่ข้อมูลนี้เข้าไป ค่าจากอนาคตอยู่ในตารางเดียวกับข้อมูลอื่น เพียงถัดลงไป 1 แถวหรือข้ามไป 1 คอลัมน์ แล้วโค้ดก็อ่านค่านั้นมาใช้

ข้อผิดพลาดนี้ต่างจากการปรับแบบจำลองให้เข้ากับอดีตมากเกินไป (Overfitting) ซึ่งเกิดจากการปรับกลยุทธ์จนเข้ากับความผันผวนที่ไร้แบบแผนในอดีต กลยุทธ์แบบนั้นใช้เฉพาะข้อมูลที่มีได้จริง แต่เรียนรู้บทเรียนที่ผิดจากข้อมูล ส่วนกลยุทธ์ที่มีอคติจากข้อมูลอนาคตใช้ข้อมูลที่ไม่มีทางรู้ได้ในเวลานั้น ปัญหาจากการปรับแบบจำลองมากเกินไปมักค่อย ๆ ปรากฏเมื่อเทรดจริง แต่อคติจากข้อมูลอนาคตมักแสดงผลทันที เพราะข้อมูลอนาคตที่ใช้ในการทดสอบไม่มีให้ใช้อีกแล้ว

ต่างกันเพียง 1 แท่ง ส่งผลได้มากแค่ไหน

เราทดสอบกฎง่าย ๆ 1 ข้อกับข้อมูลรายชั่วโมง Fintrix Markets MT5 EUR/USD รวม 4,980 แท่ง ตั้งแต่ 13 มกราคม ถึง 29 ตุลาคม 2569

  • หากราคาปิดรายชั่วโมงสูงกว่าค่าเฉลี่ยเคลื่อนที่แบบง่าย (Simple moving average) 20 แท่ง ให้ถือสถานะซื้อ (Long) หากต่ำกว่า ให้ถือสถานะขาย (Short)

เราทดสอบกฎนี้ 2 ครั้ง ต่างกันเพียงว่าใช้แต่ละสถานะกับแท่งใด

แบบที่มีข้อมูลอนาคตรั่วไหลแบบที่แก้ไขแล้ว
คำนวณสัญญาณจากราคาปิดของแท่ง Nราคาปิดของแท่ง N
ใช้สถานะกับแท่ง N เอง ตั้งแต่ราคาเปิดถึงราคาปิดแท่ง N+1 ตั้งแต่ราคาเปิดถึงราคาปิด
ผลรวมก่อนหักต้นทุน+10,782 pip+555 pip
ค่าเฉลี่ยต่อแท่ง+2.17 pip+0.11 pip
สัดส่วนแท่งที่ถือสถานะถูกทิศทาง59.0%48.4%

แบบที่มีข้อมูลรั่วไหลรู้ราคาปิดของแท่ง N ก่อนเทรดแท่ง N แท่งที่ปิดสูงมีแนวโน้มปิดเหนือค่าเฉลี่ยมากกว่า กฎจึงเปิดสถานะซื้อบนแท่งที่ราคาขึ้นไปแล้ว วิธีนี้อธิบายอดีตได้ดี แต่ไม่มีใครเทรดแบบนั้นได้จริง

ผลที่แก้ไขแล้วแสดงความได้เปรียบหรือไม่

ไม่ใช่ และตัวเลขอธิบายได้ว่าทำไม การเปลี่ยนแปลงรายชั่วโมงของ EUR/USD ในชุดตัวอย่างนี้มีส่วนเบี่ยงเบนมาตรฐาน 8.51 pip สำหรับ 4,980 แท่ง กฎที่ไม่มีความได้เปรียบเลยจะให้ผลอยู่ในช่วงประมาณ ±600 pip จากศูนย์ ราว 2 ใน 3 ครั้ง (8.51 × √4,980 ≈ 600) ผลรวม +555 pip อยู่ในช่วงนี้ จึงอาจเกิดจากความบังเอิญล้วน ๆ

ต้นทุนทำให้ข้อสรุปชัดเจน กฎนี้สลับทิศทาง 557 ครั้ง แต่ละครั้งต้องปิดสถานะเดิมและเปิดสถานะใหม่ โดยการเปิดและปิดสถานะครบแต่ละรอบมีต้นทุนสเปรด หรือส่วนต่างระหว่างราคาซื้อและขาย หากคิดต้นทุน 0.5 pip ต่อการสลับทิศทาง ผลรวมจะเหลือประมาณ +277 pip หากคิด 1 pip จะเหลือประมาณ −2 pip แบบที่แก้ไขแล้วเป็นการทดสอบที่ตรงตามจริง และคำตอบตามจริงคือ กฎนี้ไม่ได้ทำกำไรตลอด 10 เดือนดังกล่าวเมื่อรวมต้นทุนแล้ว

อคติจากข้อมูลอนาคตเกิดจากอะไร

แหล่งที่พบบ่อยในการทดสอบย้อนหลังของรายย่อยและโปรแกรมเทรดอัตโนมัติ (EA) ได้แก่

แหล่งที่มาข้อผิดพลาดที่เกิดขึ้นวิธีแก้ไขที่ใช้ทั่วไป
ราคาปิดของแท่งปัจจุบันใช้สัญญาณจากราคาปิดแท่ง N แต่เปิดสถานะที่ราคาเปิดของแท่ง Nดำเนินการที่ราคาเปิดของแท่ง N+1
ราคาสูงสุดและต่ำสุดของแท่งเดียวกันทั้งจุดจำกัดขาดทุนและจุดทำกำไรอยู่ในแท่งเดียวกัน แต่สมมติว่าราคาแตะจุดเหล่านี้ตามลำดับที่ให้ผลดีกว่าทดสอบด้วยกรอบเวลาที่สั้นลงหรือข้อมูล tick จริง ซึ่งบันทึกการเปลี่ยนแปลงราคาแต่ละครั้ง หรือสมมติลำดับที่ให้ผลแย่กว่า
อินดิเคเตอร์ที่เปลี่ยนค่าย้อนหลังZigZag, fractals หรือ pivots ยืนยันค่าหลังผ่านไปหลายแท่ง แต่แสดงค่าย้อนกลับไปที่แท่งก่อนหน้าใช้ค่าตามที่ปรากฏอยู่จริงตอนแท่งนั้นปิด
สถิติจากข้อมูลตัวอย่างทั้งชุดปรับสเกลหรือปรับข้อมูลให้อยู่ในมาตรฐานเดียวกัน โดยใช้ค่าเฉลี่ยหรือพิสัยจากข้อมูลทั้งชุด ซึ่งรวมข้อมูลอนาคตคำนวณจากข้อมูลอดีตเท่านั้น โดยใช้ช่วงข้อมูลแบบเลื่อน
ข้อมูลเศรษฐกิจที่ปรับปรุงแล้วใช้ตัวเลขที่ปรับปรุงแล้วในปัจจุบัน แทนตัวเลขที่เผยแพร่ในเวลานั้นใช้ข้อมูลฉบับเผยแพร่ครั้งแรก หรือข้อมูลตามรุ่นที่เผยแพร่ (Vintage)
เขตเวลาไม่ตรงกันรวมข้อมูลรายวันจากเขตเวลาหนึ่งกับข้อมูลระหว่างวันจากอีกเขตเวลา ทำให้ราคาปิดปรากฏก่อนถึงเวลาปิดจริงแปลงข้อมูลทั้งหมดเป็น UTC ก่อนรวมข้อมูล

ราคาสูงสุดและต่ำสุดในแท่งเดียวทำให้ทดสอบผิดได้อย่างไร

วันที่ 14 ตุลาคม 2569 แท่งรายชั่วโมง EUR/USD เวลา 12.00 น. UTC (19.00 น. เวลาประเทศไทย GMT+7) เปิดที่ 1.11926 ขึ้นไปถึง 1.11986 และลงไปถึง 1.11271 นั่นคือชั่วโมงที่สหรัฐฯ ประกาศ CPI หรือดัชนีราคาผู้บริโภค

สมมติเปิดสถานะขายที่ราคาเปิด 1.11926 กำหนด Stop Loss หรือจุดปิดสถานะเพื่อจำกัดผลขาดทุนที่ 1.11980 (5.4 pip) และ Take Profit หรือจุดปิดสถานะทำกำไรที่ 1.11826 (10 pip) แท่งรายชั่วโมงแสดงว่าราคาแตะทั้ง 2 ระดับ การทดสอบที่เห็นเฉพาะแท่งรายชั่วโมงต้องเดาว่าระดับใดเกิดก่อน หากเดาในทางที่เป็นผลดีต่อสถานะ ก็จะบันทึกกำไร 10 pip

แท่ง 15 นาทีแสดงเหตุการณ์ที่เกิดขึ้นจริง ราคาขึ้นถึง 1.11986 ในแท่งเวลา 12.15 น. UTC (19.15 น. เวลาประเทศไทย GMT+7) และแตะ Stop Loss ส่วนราคาที่ลดลงเกิดในแท่งเวลา 12.30 น. UTC (19.30 น. เวลาประเทศไทย GMT+7) หลังปิดสถานะแล้ว ผลจริงจึงเป็นขาดทุน 5.4 pip เอกสารอ้างอิง MQL5 อธิบายประเด็นเดียวกันเกี่ยวกับเครื่องมือทดสอบกลยุทธ์ของ MT5 หากผลจากโหมดที่ทำงานเร็วกว่าอย่าง "1 minute OHLC" หรือ "Open prices only" ดูดีเกินไป ให้ทดสอบซ้ำในโหมด "Every tick" ข้อมูล tick และ tick จริงเมื่อมีให้ใช้ เป็นวิธีเดียวที่จะทราบลำดับเหตุการณ์ภายในแท่ง

ทำไมข้อมูลที่ปรับปรุงแล้วจึงทำให้เกิดอคติ

เพราะตัวเลขในฐานข้อมูลวันนี้มักไม่ใช่ตัวเลขที่เทรดเดอร์เห็นในวันนั้น US Bureau of Labor Statistics เผยแพร่ประมาณการการจ้างงานนอกภาคเกษตรครั้งแรกราว 3 สัปดาห์หลังสิ้นเดือน จากนั้นปรับปรุงอีก 2 ครั้งใน 2 เดือนถัดไป นับตั้งแต่ปี 2546 ผลต่างสัมบูรณ์เฉลี่ยระหว่างประมาณการครั้งแรกกับครั้งที่ 3 ที่ปรับฤดูกาลแล้ว อยู่ที่ 51,000 ตำแหน่ง

เดือนพฤษภาคม 2569 เป็นตัวอย่างที่ชัดเจน ประมาณการครั้งแรกระบุว่าจ้างงานเพิ่ม 172,000 ตำแหน่ง ครั้งที่ 2 อยู่ที่ 129,000 และครั้งที่ 3 อยู่ที่ 63,000 เท่ากับปรับลด 109,000 ตำแหน่ง หากการทดสอบย้อนหลังใช้ตัวเลข 63,000 จากฐานข้อมูลวันนี้แทนตัวเลขที่ประกาศในเดือนมิถุนายน ก็เท่ากับเทรดด้วยข้อมูลที่ไม่มีใครรู้ในเวลานั้น นี่คือเหตุผลที่มีคลังข้อมูลซึ่งเก็บแต่ละประกาศตามฉบับเผยแพร่ครั้งแรก เช่น ALFRED ของ St. Louis Fed

ทำไมกลยุทธ์ AI และแมชชีนเลิร์นนิงจึงเสี่ยงกว่า

แบบจำลองแมชชีนเลิร์นนิง หรือการเรียนรู้ของเครื่อง เก่งมากในการค้นหาข้อมูลนำเข้าที่ทำนายค่าเป้าหมายได้ รวมถึงข้อมูลที่ไม่ควรอยู่ในชุดนั้นด้วย คนที่อ่านโค้ดอาจสังเกตว่าตัวแปรนำเข้าถูกสร้างจากราคาปิดของวันพรุ่งนี้ แต่แบบจำลองจะนำไปใช้ทันที และผลทดสอบจะดูดีมาก

ข้อผิดพลาด 4 แบบที่ควรรู้

  • สุ่มแบ่งข้อมูลฝึกและทดสอบ การตรวจสอบไขว้ (Cross-validation) แบบมาตรฐานจะสลับแถวข้อมูล แบบจำลองจึงอาจฝึกด้วยข้อมูลวันพุธแล้วทดสอบด้วยข้อมูลวันอังคาร ด้วยเหตุนี้ เอกสาร scikit-learn จึงระบุว่าการตรวจสอบไขว้ทั่วไปไม่เหมาะกับข้อมูลที่เรียงตามเวลา และมี TimeSeriesSplit ซึ่งฝึกด้วยข้อมูลก่อนหน้าและทดสอบด้วยข้อมูลภายหลังเสมอ ส่วนการตั้งค่า gap จะเว้นช่วงคั่นระหว่างข้อมูลทั้ง 2 ชุด
  • ค่าเป้าหมายซ้อนทับกับตัวแปรนำเข้า หากค่าเป้าหมายคือ "การเปลี่ยนแปลงราคาใน 10 แท่งถัดไป" และตัวแปรนำเข้ารวมข้อมูลใด ๆ จาก 10 แท่งนั้น แบบจำลองก็เห็นคำตอบบางส่วนแล้ว
  • เตรียมข้อมูลทั้งชุดในครั้งเดียว การปรับสเกล เติมข้อมูลที่ขาดหาย หรือเลือกตัวแปรนำเข้าโดยใช้ข้อมูลทั้งชุด ทำให้สถิติของช่วงทดสอบรั่วไหลเข้าไปในการฝึก
  • แบบจำลองภาษาที่รู้ผลลัพธ์อยู่แล้วแบบจำลองภาษาขนาดใหญ่ (LLM) ฝึกด้วยข้อความจนถึงวันที่ตัดข้อมูล หากถามถึงการประชุมชี้แจงผลประกอบการหรือการเคลื่อนไหวของตลาดก่อนวันนั้น แบบจำลองอาจกำลังเรียกคืนความจำถึงสิ่งที่เกิดขึ้นถัดมา แทนที่จะใช้เหตุผลจากข้อมูลที่รู้ได้ในเวลานั้น Sarkar และ Vafa (2567) สร้างการทดสอบประเด็นนี้โดยตรง และพบหลักฐานในการคาดการณ์จากการประชุมชี้แจงผลประกอบการบริษัท Didisheim, Fraschini และ Somoza (Economics Letters, 2568) วัดว่า LLM จดจำผลตอบแทนหุ้นในอดีตมากเพียงใด พบว่าอคติมากขึ้นในแบบจำลองขนาดใหญ่ ข้อมูลความถี่ต่ำ และดัชนี ส่วนแบบจำลองขนาดเล็กที่ใช้ข้อมูลความถี่สูงมีอคติน้อยมากจนแทบไม่มีนัยสำคัญ

สัญญาณเตือนเหมือนกันทุกกรณี ผลทดสอบดีกว่าสิ่งที่เทียบเคียงกันมาก แต่พังลงทันทีเมื่อเจอข้อมูลชุดแรกที่แบบจำลองยังไม่เคยเห็น

ตรวจหาอคติจากข้อมูลอนาคตใน EA อย่างไร

  1. เลื่อนทุกสัญญาณไปช้าลง 1 แท่ง กลยุทธ์ที่ไม่ใช้ข้อมูลอนาคตควรเปลี่ยนไปเพียงเล็กน้อย หากผลลดฮวบเหมือนการทดสอบของเราที่ลดจาก 10,782 เหลือ 555 pip แสดงว่าการทดสอบเดิมใช้ข้อมูลอนาคต
  2. ตรวจว่า EA อ่านข้อมูลจากแท่งใด ใน MQL4/5 ข้อมูลอนุกรมเวลาเรียงดัชนีจากใหม่สุดไปเก่าสุด ดัชนี 0 จึงเป็นแท่งที่ยังก่อตัว ส่วนดัชนี 1 คือแท่งล่าสุดที่ปิดแล้ว ตามคำอธิบายในเอกสารอ้างอิง MQL5 การอ่านสัญญาณจากดัชนี 0 ในการทดสอบที่จำลองเฉพาะราคาปิดของแท่งเป็นสาเหตุที่พบบ่อย
  3. ใช้โหมดทดสอบให้เหมาะสม เครื่องมือทดสอบกลยุทธ์ MT4/5 จำลองได้ทุก tick หรือเฉพาะราคาเปิดของแท่ง กลยุทธ์ที่วางจุดจำกัดขาดทุนและจุดทำกำไรภายในแท่งต้องใช้ข้อมูล tick ไม่เช่นนั้นก็กำลังเดาลำดับราคาสูงสุดกับต่ำสุด
  4. คำนวณค่าสถิติใหม่จากข้อมูลอดีตเท่านั้น ค่าเฉลี่ย พิสัย คะแนนมาตรฐาน z-score และตัวปรับสเกลของแมชชีนเลิร์นนิง ควรใช้ช่วงข้อมูลแบบเลื่อนที่สิ้นสุด ณ แท่งปัจจุบัน
  5. ทดสอบเดินหน้าในบัญชีทดลอง ใช้กลยุทธ์เป็นเวลา 2-3 สัปดาห์ แล้วเทียบรายการเทรดกับผลที่การทดสอบย้อนหลังระบุว่าจะทำในวันเดียวกัน หากการทดสอบย้อนหลังเปิดรายการที่เวอร์ชันใช้งานจริงเปิดไม่ได้ นั่นชี้ว่ามีข้อมูลรั่วไหล
  6. ตั้งข้อสงสัยเมื่อกฎง่าย ๆ มีอัตราถูกทิศทางสูง การทดสอบที่มีข้อมูลรั่วไหลของเราถือสถานะถูกทิศทางใน 59% ของแท่งรายชั่วโมง โดยใช้ค่าเฉลี่ยเคลื่อนที่ 20 ช่วงเวลา กฎง่าย ๆ บนคู่เงินที่มีสภาพคล่องสูงอย่าง EUR/USD แทบไม่ให้ผลใกล้เคียงระดับนั้นเมื่อตัดข้อมูลรั่วไหลออก แบบที่แก้ไขแล้วทำได้ 48.4%

สรุปประเด็นสำคัญ

  • อคติจากข้อมูลอนาคตคือการใช้ข้อมูลใด ๆ ในการทดสอบย้อนหลัง ทั้งที่ข้อมูลนั้นยังไม่มีตอนตัดสินใจจำลองการเทรด
  • ในการทดสอบ EUR/USD ของเรา การใช้สถานะกับแท่งที่วัดสัญญาณแทนแท่งถัดไป ทำให้ผลก่อนหักต้นทุนเพิ่มจาก +555 เป็น +10,782 pip
  • ผลที่แก้ไขแล้วอยู่ในช่วงที่ความบังเอิญสร้างขึ้นได้ และเมื่อคิดต้นทุน 1 pip ต่อการสลับทิศทาง ผลลดเหลือประมาณ −2 pip
  • แท่งรายชั่วโมงบดบังลำดับจริงของการแตะจุดจำกัดขาดทุนและจุดทำกำไรในวันที่ 14 ตุลาคม 2569 กำไร 10 pip ที่บันทึกไว้ แท้จริงเป็นขาดทุน 5.4 pip
  • แบบจำลองแมชชีนเลิร์นนิงและ LLM มีโอกาสเกิดปัญหานี้เป็นพิเศษ จึงต้องแบ่งข้อมูลตามเวลา เตรียมข้อมูลจากอดีตเท่านั้น และคำนึงว่าแบบจำลองภาษาอาจรู้อะไรอยู่แล้ว

บทเรียนที่เกี่ยวข้อง

แหล่งข้อมูล

  • US Bureau of Labor Statistics, "Nonfarm payroll employment: revisions between over-the-month estimates, 1979 to present", Current Employment Statistics: https://www.bls.gov/web/empsit/cesnaicsrev.htm
  • Federal Reserve Bank of St. Louis, ALFRED (Archival FRED), ข้อมูลเศรษฐกิจตามรุ่นที่เผยแพร่: https://alfred.stlouisfed.org/
  • เอกสาร scikit-learn, "TimeSeriesSplit": https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.TimeSeriesSplit.html
  • MQL5 Reference, "Indexing direction in arrays, buffers and timeseries": https://www.mql5.com/en/docs/series/bufferdirection
  • MQL5 Reference, "Testing trading strategies" (โหมดสร้างข้อมูล tick): https://www.mql5.com/en/docs/runtime/testing
  • Sarkar, S. K. และ Vafa, K., "Lookahead bias in pretrained language models", เอกสารวิจัยฉบับทำงาน SSRN, 2567: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4754678
  • Didisheim, A., Fraschini, M. และ Somoza, L., "AI's predictable memory in financial analysis", Economics Letters 256, 2025: https://www.sciencedirect.com/science/article/pii/S0165176525004392
  • การทดสอบของทีมเทรด Fintrix Markets ด้วยข้อมูล MT5 EUR/USD: แท่งรายชั่วโมงตั้งแต่ 13 มกราคม ถึง 29 ตุลาคม 2569 (4,980 แท่ง) ใช้ค่าเฉลี่ยเคลื่อนที่แบบง่ายของราคาปิด 20 แท่ง ถือสถานะซื้อเมื่อราคาอยู่เหนือค่าเฉลี่ย และสถานะขายเมื่ออยู่ต่ำกว่า วัดแต่ละแท่งจากราคาเปิดถึงราคาปิด ไม่รวมต้นทุน พร้อมข้อมูลแท่ง 15 นาทีของวันที่ 14 ตุลาคม 2569

นำความรู้ไปใช้จริง

เปิดบัญชีกับ Fintrix Markets หรือเข้าสู่ระบบเพื่อเทรด CFDs ในฟอเร็กซ์ ทองคำ ดัชนี และอื่น ๆ