กลยุทธ์ ETF Relative Strength และการวิเคราะห์ Alpha

กลยุทธ์ ETF relative strength จัดอันดับกองทุนในกลุ่มตัวอย่างโดยพิจารณาจากส่วนต่างของผลตอบแทนเมื่อเทียบกับดัชนีอ้างอิง แล้วเลือกถือครองกองทุนที่อยู่ในอันดับสูงสุด กฎที่บทความนี้จะนำมาวิเคราะห์มีเพียงบรรทัดเดียว คือ ทุก 20 รอบการซื้อขาย ให้จัดอันดับกลุ่มกองทุนด้วยผลตอบแทนย้อนหลัง 20 รอบการซื้อขาย หักลบด้วยผลตอบแทนของ SPY ในช่วงเวลาเดียวกัน จากนั้นให้ถือครองกองทุนสองอันดับแรกในรูปแบบพอร์ตแบบเหลื่อมเวลา (overlapping sleeves) การวิเคราะห์ที่มาของผลตอบแทน (attribution) คือขั้นตอนที่ใช้ทดสอบกลยุทธ์ลักษณะนี้ ในการทดสอบจริงที่เผยแพร่ตามรูปแบบนี้ ค่า intercept ที่ถูกรายงานว่าเป็น alpha อยู่ที่ร้อยละ 0.38 ต่อปี เมื่อแบบจำลอง regression รวมเอาปัจจัยความเสี่ยง (exposures) ที่กฎดังกล่าวเข้าไปลงทุนอยู่แล้วเข้าไว้ด้วย

กลไกการทำงานของกฎ ETF relative strength

Relative strength คือการเปรียบเทียบ ไม่ใช่ผลตอบแทน กองทุนที่ให้ผลตอบแทนร้อยละ 3 ในช่วง 20 รอบการซื้อขาย ขณะที่ดัชนีอ้างอิงให้ผลตอบแทนร้อยละ 5 จะมีค่า relative strength เป็นลบ ส่วนกองทุนที่ติดลบร้อยละ 1 ขณะที่ดัชนีอ้างอิงติดลบร้อยละ 4 จะมีค่า relative strength เป็นบวก ตัวเลขที่ใช้ในการจัดอันดับคือผลตอบแทนส่วนเกิน (excess return) ซึ่งคำนวณจากเปอร์เซ็นต์การเปลี่ยนแปลงของกองทุนในช่วงเวลาที่กำหนด หักลบด้วยเปอร์เซ็นต์การเปลี่ยนแปลงของดัชนีอ้างอิงในช่วงเวลาเดียวกัน โดยวัดแบบรอบต่อรอบ

มีสองทางเลือกที่อยู่เหนือขั้นตอนดังกล่าว คือ ช่วงเวลาที่ใช้ย้อนหลัง (lookback) ซึ่งกำหนดว่าการจัดอันดับจะมองเห็นข้อมูลย้อนหลังมากน้อยเพียงใด โดย 20 รอบการซื้อขายคิดเป็นเวลาประมาณหนึ่งเดือนตามปฏิทินการซื้อขาย และระยะเวลาการถือครอง (holding period) ซึ่งกำหนดว่ากองทุนที่ชนะจะอยู่ในพอร์ตนานเท่าใด เมื่อทั้งสองค่าเท่ากัน พอร์ตทั้งหมดจะถูกปรับเปลี่ยนในวันเดียวต่อเดือน และผลลัพธ์ทั้งหมดจะขึ้นอยู่กับว่าคุณเริ่มลงทุนในวันใด การใช้พอร์ตแบบเหลื่อมเวลา (overlapping sleeves) จะช่วยลดการพึ่งพาปัจจัยดังกล่าว โดยการรันกฎเดียวกันหลายชุดที่เหลื่อมเวลากันเล็กน้อย แบ่งเงินลงทุนเป็นส่วนย่อย และพอร์ตแบบผสมจะถือครองสินทรัพย์ที่หมุนเวียนไปเรื่อย ๆ แทนที่จะเป็นการเดิมพันในวันเริ่มต้นเพียงวันเดียว

ตารางด้านล่างแสดงขั้นตอนการจัดอันดับกลุ่มกองทุน 9 กองทุน ซึ่งประกอบด้วย ETF ตลาดกว้าง, กลุ่มอุตสาหกรรม, ต่างประเทศ และโลหะ โดยใช้ราคาปิดรายวันย้อนหลัง 21 วัน เพื่อให้ได้ผลตอบแทนที่ครอบคลุม 20 รอบการซื้อขายพอดี

WITH bounds AS
(
    SELECT
        min(d) AS first_day,
        max(d) AS last_day
    FROM
    (
        SELECT date AS d
        FROM global_markets.stocks_daily_aggs
        WHERE ticker = 'SPY'
          AND date >= today() - 120
        GROUP BY d
        ORDER BY d DESC
        LIMIT 21
    )
)
SELECT
    sleeve.ticker                            AS etf,
    sleeve.ret_pct                           AS return_pct,
    round(sleeve.ret_pct - bench.ret_pct, 2) AS excess_vs_spy_pct
FROM
(
    SELECT
        ticker,
        round((argMax(toFloat64(close), date) / argMin(toFloat64(close), date) - 1) * 100, 2) AS ret_pct
    FROM global_markets.stocks_daily_aggs
    WHERE ticker IN ('QQQ', 'IWM', 'XLK', 'XLE', 'XLF', 'XLV', 'XLU', 'GLD', 'EFA')
      AND date >= (SELECT first_day FROM bounds)
      AND date <= (SELECT last_day FROM bounds)
    GROUP BY ticker
) AS sleeve
CROSS JOIN
(
    SELECT
        round((argMax(toFloat64(close), date) / argMin(toFloat64(close), date) - 1) * 100, 2) AS ret_pct
    FROM global_markets.stocks_daily_aggs
    WHERE ticker = 'SPY'
      AND date >= (SELECT first_day FROM bounds)
      AND date <= (SELECT last_day FROM bounds)
) AS bench
ORDER BY excess_vs_spy_pct DESC

ที่อันดับสูงสุด GLD ให้ผลตอบแทน 8.69% ในช่วง 20 รอบการซื้อขายดังกล่าว คิดเป็น 6.34 จุดเมื่อเทียบกับ SPY ส่วนที่อันดับต่ำสุด XLU อยู่ที่ -5.81 จุด แต่ละแถวแสดงแนวคิดทั้งหมดผ่านแท่งกราฟสองแท่ง คือ ผลตอบแทนของกองทุน และผลตอบแทนที่เหลืออยู่หลังจากหักลบการเคลื่อนไหวของ SPY ในช่วงเวลาเดียวกันออกไป ระยะห่างระหว่างแท่งกราฟทั้งสองเป็นตัวเลขเดียวกันในทุกแถว 9 เนื่องจากกองทุนทุกตัวถูกวัดเทียบกับดัชนีอ้างอิงเดียวกันในช่วงเวลาเดียวกัน

สิ่งที่การวิเคราะห์ Alpha attribution วัดผลจริง

Alpha attribution คือการทำ regression โดยนำชุดผลตอบแทนของกลยุทธ์มาเทียบกับชุดผลตอบแทนของดัชนีอ้างอิงหนึ่งตัวหรือมากกว่า แล้วลากเส้นตรงผ่านจุดข้อมูล ค่าความชัน (slope) ของดัชนีอ้างอิงแต่ละตัวคือ exposure ซึ่งบอกว่ากลยุทธ์นั้นเคลื่อนไหวไปในทิศทางเดียวกับสินทรัพย์นั้นมากน้อยเพียงใด ส่วนค่า intercept คือสิ่งที่เหลืออยู่หลังจากชำระค่า exposure เหล่านั้นแล้ว ซึ่งส่วนที่เหลือนี้นี่เองที่ถูกเรียกว่า alpha ส่วน R squared คือตัวเลขที่สาม ซึ่งแสดงสัดส่วนความผันผวนของกลยุทธ์ที่ดัชนีอ้างอิงสามารถอธิบายได้ โดยมีค่าตั้งแต่ร้อยละ 0 (ดัชนีอ้างอิงอธิบายอะไรไม่ได้เลย) ไปจนถึงร้อยละ 100 (กลยุทธ์คือดัชนีอ้างอิงบวกด้วยค่าคงที่)

หากทำ regression ของกฎการหมุนเวียนสินทรัพย์กับดัชนีตลาดกว้างเพียงตัวเดียว มักจะดูเหมือนเป็นกลยุทธ์ที่มีเอกลักษณ์ ในการวิเคราะห์ที่เผยแพร่สำหรับกฎลักษณะนี้ ซึ่งเปิดเผยข้อมูลในเดือนมิถุนายน 2026 และรันบนราคาจำลองแบบกำหนดค่าได้ (deterministic synthetic prices) การใช้ดัชนีอ้างอิงเดียวให้ค่า R squared ที่ร้อยละ 14.0 ซึ่งหมายความว่า 6 ใน 7 ของความผันผวนของกลยุทธ์ยังไม่มีคำอธิบาย ทำให้ดูเหมือนเป็นกลยุทธ์ที่มีเอกลักษณ์ แต่เมื่อเปลี่ยนมาใช้ตัวแทนของ exposure ที่กฎนั้นถือครองอยู่จริง เช่น momentum tilt และการกระจุกตัวในอุตสาหกรรมของพอร์ตที่ถือสองตัว ค่า R squared ก็เพิ่มขึ้นเป็นร้อยละ 63.6 และค่า intercept ลดลงเหลือร้อยละ 0.38 ต่อปี โดยใช้ชุดผลตอบแทนและโค้ดชุดเดิม แต่เปลี่ยนชุดเปรียบเทียบ กลยุทธ์นี้เพียงแค่ไปเช่าใช้ exposure ที่เป็นที่รู้จักกันดีอยู่แล้วเท่านั้น

การศึกษานั้นสร้างราคาขึ้นเองจากค่าเริ่มต้น (fixed seed) ดังนั้นผู้อ่านที่ไม่มีผู้ให้บริการข้อมูลก็สามารถทำซ้ำตัวเลขทุกตัวที่ปรากฏได้ นอกจากนี้โครงการดังกล่าวยังเพิ่งเริ่มต้นได้เพียงไม่กี่วัน ณ เวลาที่เขียน และโครงการที่ยังใหม่มักมีการเปลี่ยนแปลงทุกสัปดาห์ โปรดระบุ commit หรือเวอร์ชันที่แน่นอนที่คุณใช้ก่อนที่จะอ้างอิงตัวเลขจากโครงการนั้น เพราะค่า attribution จะเปลี่ยนไปทุกครั้งที่ตัวแทนปัจจัย (factor proxies) หรือช่วงเวลาตัวอย่างเปลี่ยนไป บันทึกของเราเกี่ยวกับ เครื่องมือ backtest ที่ทำซ้ำได้ ครอบคลุมถึงแนวทางปฏิบัติเดียวกันในมุมกลับ

บทเรียนนี้ยังคงอยู่แม้ไม่มีคำศัพท์เฉพาะทางของแบบจำลองปัจจัย ดัชนีอ้างอิงที่คุณใช้ทำ regression เป็นตัวกำหนดว่าคุณดูเหมือนจะมี alpha มากน้อยเพียงใด ดังนั้นควรเลือกดัชนีอ้างอิงก่อนที่จะดูค่า intercept และจดบันทึกไว้ว่าเหตุใดจึงเป็นการเปรียบเทียบที่เหมาะสม การเลือกชุดเปรียบเทียบหลังจากเห็นผลลัพธ์แล้ว เป็นเพียงการวัดผลของการเลือกชุดเปรียบเทียบเท่านั้น

สัดส่วนของ ETF ที่เป็นดัชนีอ้างอิงอยู่แล้ว

คุณไม่จำเป็นต้องใช้แบบจำลองปัจจัยเต็มรูปแบบเพื่อมองเห็นปัญหาที่กำลังจะเกิดขึ้น ให้นำผลตอบแทนรายวันของกองทุนหนึ่งมาเทียบกับผลตอบแทนรายวันของ SPY ในรอบการซื้อขายเดียวกัน แล้วนำค่าสหสัมพันธ์ (correlation) มายกกำลังสอง นั่นคือสัดส่วนความผันผวนรายวันของกองทุนที่ดัชนีตลาดกว้างได้อธิบายไว้แล้ว

WITH daily AS
(
    SELECT
        ticker,
        date,
        toFloat64(close) AS px,
        lagInFrame(toFloat64(close)) OVER (PARTITION BY ticker ORDER BY date ROWS BETWEEN 1 PRECEDING AND CURRENT ROW) AS prev_px
    FROM global_markets.stocks_daily_aggs
    WHERE ticker IN ('SPY', 'QQQ', 'IWM', 'XLK', 'XLE', 'XLF', 'XLV', 'XLU', 'GLD', 'EFA')
      AND date >= today() - 760
)
SELECT
    sleeve.ticker                                                AS etf,
    round(pow(corr(sleeve.fund_ret, bench.spy_ret), 2) * 100, 1) AS r_squared_vs_spy_pct
FROM
(
    SELECT ticker, date, px / prev_px - 1 AS fund_ret
    FROM daily
    WHERE prev_px > 0
      AND ticker != 'SPY'
) AS sleeve
INNER JOIN
(
    SELECT date, px / prev_px - 1 AS spy_ret
    FROM daily
    WHERE prev_px > 0
      AND ticker = 'SPY'
) AS bench USING (date)
GROUP BY sleeve.ticker
ORDER BY r_squared_vs_spy_pct DESC

ในช่วงสองปีที่ผ่านมา QQQ มีค่า R squared สูงที่สุดเมื่อเทียบกับดัชนีอ้างอิงเดียวในกลุ่มนี้ที่ 90.3% และ GLD มีค่าต่ำที่สุดที่ 3.1% พอร์ตที่ประกอบขึ้นจากส่วนบนของแผนภูมินี้แทบจะเป็นการนำดัชนีอ้างอิงมาปรับน้ำหนักใหม่ และค่า intercept ใด ๆ ที่วัดเทียบกับสิ่งอื่นที่ไม่ใช่ดัชนีอ้างอิงจะดูดซับความแตกต่างนั้นไปอย่างเงียบ ๆ ส่วนด้านล่างของแผนภูมิคือจุดที่การหมุนเวียนสินทรัพย์สามารถเพิ่มกระแสผลตอบแทนที่ตลาดกว้างไม่มี และยังเป็นจุดที่พอร์ตที่ถือสินทรัพย์สองตัวเริ่มไม่เหมือนพอร์ตที่กระจายความเสี่ยง

ความถี่ในการเปลี่ยนกองทุนนำตลาด

กฎการจัดอันดับจะมีสิ่งที่ต้องคัดเลือกก็ต่อเมื่อกองทุนมีความเห็นต่างกัน ตารางด้านล่างวัดผลตอบแทนรายเดือนตามปฏิทินของแต่ละกองทุนเทียบกับ SPY ในเดือนเดียวกัน จากนั้นจะเก็บชุดข้อมูลที่แข็งแกร่งที่สุดและอ่อนแอที่สุดในแต่ละเดือนไว้

WITH monthly AS
(
    SELECT
        toStartOfMonth(date)           AS m,
        ticker,
        argMin(toFloat64(close), date) AS first_close,
        argMax(toFloat64(close), date) AS last_close
    FROM global_markets.stocks_daily_aggs
    WHERE ticker IN ('SPY', 'QQQ', 'IWM', 'XLK', 'XLE', 'XLF', 'XLV', 'XLU', 'GLD', 'EFA')
      AND date >= toStartOfMonth(today() - 400)
      AND date <  toStartOfMonth(today())
    GROUP BY m, ticker
)
SELECT
    formatDateTime(x.m, '%Y-%m')   AS month,
    argMax(x.ticker, x.excess_pct) AS leading_etf,
    round(max(x.excess_pct), 2)    AS leader_excess_pct,
    round(min(x.excess_pct), 2)    AS laggard_excess_pct
FROM
(
    SELECT
        sleeve.m      AS m,
        sleeve.ticker AS ticker,
        (sleeve.last_close / sleeve.first_close - 1) * 100
          - (bench.spy_last / bench.spy_first - 1) * 100 AS excess_pct
    FROM monthly AS sleeve
    INNER JOIN
    (
        SELECT
            m,
            first_close AS spy_first,
            last_close  AS spy_last
        FROM monthly
        WHERE ticker = 'SPY'
    ) AS bench USING (m)
    WHERE sleeve.ticker != 'SPY'
) AS x
GROUP BY x.m
ORDER BY x.m

จากเดือนที่สมบูรณ์ทั้งหมด 13 เดือน ซีรีส์เริ่มต้นใน 2025-07 โดยมี XLK เป็นผู้นำ ในเดือนล่าสุดที่สมบูรณ์ 2026-07 ชุดที่แข็งแกร่งที่สุดคือ XLE ที่ 12.59 จุดเมื่อเทียบกับ SPY ในขณะที่ชุดที่อ่อนแอที่สุดวัดได้ -5.7 ระยะห่างระหว่างเส้นทั้งสองคือความแตกต่าง (dispersion) ที่กฎการจัดอันดับใช้เป็นเชื้อเพลิง เดือนที่เส้นทั้งสองบีบเข้าหากันคือเดือนที่การจัดอันดับแทบจะไม่มีนัยสำคัญ และกฎที่เทรดตามการจัดอันดับทุกครั้งจะต้องจ่ายค่าธรรมเนียมการหมุนเวียน (turnover) ในทุกเดือนเหล่านั้น ขอบเขตของเดือนมีความสำคัญในที่นี้ วิธีการวัดผลตอบแทนรายเดือน จะอธิบายถึงธรรมเนียมปฏิบัติในเรื่องนี้

ความเสี่ยงจากการกระจุกตัวในสินทรัพย์สองตัวคือความเสี่ยงจริงหรือไม่?

ความผันผวนคือคำถามที่ตรงไปตรงมาที่สุดในเรื่องนี้ ตารางนี้แสดงค่าความผันผวนของผลตอบแทนรายวันของแต่ละกองทุนแบบรายปีในช่วงสองปีเดียวกัน โดยมี SPY เป็นแท่งอ้างอิง ควบคู่ไปกับผลตอบแทนที่แย่ที่สุดในรอบการซื้อขายเดียวของแต่ละกองทุน

WITH daily AS
(
    SELECT
        ticker,
        date,
        toFloat64(close) AS px,
        lagInFrame(toFloat64(close)) OVER (PARTITION BY ticker ORDER BY date ROWS BETWEEN 1 PRECEDING AND CURRENT ROW) AS prev_px
    FROM global_markets.stocks_daily_aggs
    WHERE ticker IN ('SPY', 'QQQ', 'IWM', 'XLK', 'XLE', 'XLF', 'XLV', 'XLU', 'GLD', 'EFA')
      AND date >= today() - 760
)
SELECT
    ticker                                                   AS etf,
    round(stddevSamp(px / prev_px - 1) * sqrt(252) * 100, 1) AS annual_vol_pct,
    round(min(px / prev_px - 1) * 100, 2)                    AS worst_day_pct
FROM daily
WHERE prev_px > 0
GROUP BY ticker
ORDER BY annual_vol_pct DESC

XLK อยู่ในฝั่งที่มีความผันผวนสูงที่ 27.7% ต่อปี โดยมีผลตอบแทนที่แย่ที่สุดในรอบเดียวที่ -6.82% และ XLU อยู่ในฝั่งที่มีความผันผวนต่ำที่ 15.8% กฎที่ถือครองสินทรัพย์สองตัวในแต่ละครั้งจะดึงข้อมูลจากช่วงนี้โดยไม่มีการเฉลี่ย และการขาดทุนที่ลึกกว่าซึ่งมาพร้อมกับฝั่งที่มีความผันผวนสูงจะถูกบันทึกในการวิเคราะห์ attribution ว่าเป็น exposure แทนที่จะเป็นทักษะ บันทึกเรื่อง ความผิดปกติของความผันผวนต่ำ ครอบคลุมถึงสถิติระยะยาวในฝั่งที่มีความผันผวนต่ำของแผนภูมิเดียวกัน

สี่ขั้นตอนตรวจสอบสำหรับการทำ rotation backtest ของคุณ

1. การรั่วไหลของสัญญาณในวันเดียวกัน หากการจัดอันดับ 20 รอบการซื้อขายคำนวณจนถึงราคาปิดของรอบนั้น และการซื้อขายถูกบันทึกที่ราคาปิดเดียวกัน การทดสอบนั้นจะเทรดโดยใช้ข้อมูลที่ยังไม่มีในขณะที่ทำการเทรด ให้จัดอันดับโดยใช้ข้อมูลจนถึงรอบที่ t แล้วทำการซื้อขายที่รอบที่ t บวกหนึ่ง จากนั้นเปรียบเทียบทั้งสองเวอร์ชัน ช่องว่างระหว่างทั้งสองคือขนาดของการรั่วไหล Look-ahead bias แสดงให้เห็นว่าช่องว่างนั้นใหญ่เพียงใด
2. การอยู่รอดในรายชื่อกองทุน กลุ่มตัวอย่างที่ประกอบขึ้นจากกองทุนที่มีอยู่ในปัจจุบันจะตัดกองทุนที่ปิดตัวหรือควบรวมกิจการระหว่างทางออกไปทั้งหมด และการปิดตัวมักกระจุกตัวอยู่ในผลิตภัณฑ์ที่มีผลการดำเนินงานแย่ที่สุด Survivorship bias ใช้กับรายชื่อ ETF เช่นเดียวกับที่ใช้กับรายชื่อหุ้น
3. ดัชนีอ้างอิงที่เลือกไว้ล่วงหน้า ให้ระบุชุดเปรียบเทียบก่อนการทำ regression ครั้งแรก รวมถึงตัวแทนของ exposure ที่คุณคาดว่ากฎนั้นจะถือครอง ค่า intercept จะมีความหมายก็ต่อเมื่อเทียบกับดัชนีอ้างอิงที่คุณกำหนดไว้ล่วงหน้าเท่านั้น
4. การวัดการกระจุกตัวโดยตรง ให้รันการจัดอันดับเดิมโดยถือครองสินทรัพย์สองตัวแรก จากนั้นสี่ตัวแรก และจากนั้นถ่วงน้ำหนักเท่ากันทั้งกลุ่มตัวอย่าง หากผลตอบแทนส่วนใหญ่ที่รายงานมาอยู่ในเวอร์ชันที่ถือสองตัว การกระจุกตัวคือตำแหน่งการลงทุน และการจัดอันดับเป็นเพียงวิธีการเลือกว่าจะกระจุกตัวในสินทรัพย์ใด

คำถามที่พบบ่อย

ETF relative strength คืออะไร?

Relative strength คือผลตอบแทนของกองทุนในช่วงเวลาที่กำหนด หักลบด้วยผลตอบแทนของดัชนีอ้างอิงในช่วงเวลาเดียวกัน การจัดอันดับที่เรียงตามค่านี้จะนำกองทุนที่ทำผลงานได้ดีกว่าดัชนีอ้างอิงมาไว้ด้านบน ไม่ว่าผลตอบแทนดิบของกองทุนจะเป็นบวกหรือไม่ก็ตาม

Alpha attribution คืออะไร?

คือการทำ regression ของผลตอบแทนของกลยุทธ์เทียบกับชุดผลตอบแทนของดัชนีอ้างอิงหนึ่งตัวหรือมากกว่า ค่าความชันจะวัด exposure ที่กลยุทธ์นั้นถือครองอยู่ และค่า intercept คือผลตอบแทนที่เหลืออยู่หลังจากหักลบ exposure เหล่านั้นแล้ว ค่า intercept นี้คือตัวเลขที่มักถูกรายงานว่าเป็น alpha

ค่า R squared สูงหมายความว่ากลยุทธ์นั้นไม่ดีใช่หรือไม่?

ไม่ ค่า R squared ที่สูงหมายความว่าดัชนีอ้างอิงสามารถอธิบายความผันผวนส่วนใหญ่ของกลยุทธ์ได้ ซึ่งเป็นการระบุถึงความทับซ้อน (overlap) ไม่ใช่คุณภาพ สิ่งที่เปลี่ยนไปคือค่า intercept โดย exposure ที่แบบจำลอง regression มองเห็นได้จะไม่ถูกนับว่าเป็นเอกลักษณ์อีกต่อไป

ทำไมต้องถือพอร์ตแบบเหลื่อมเวลา (overlapping sleeves) แทนที่จะเป็นพอร์ตเดียว?

พอร์ตเดียวที่ปรับสมดุลทุก 20 รอบการซื้อขายจะทำให้ผลลัพธ์ขึ้นอยู่กับวันที่เริ่มต้น การรันกฎเดียวกันหลายชุดที่เหลื่อมเวลากันจะช่วยเฉลี่ยผลลัพธ์นั้นออกไป และกระจายการหมุนเวียนสินทรัพย์ไปตลอดทั้งเดือน แทนที่จะไปกระจุกตัวอยู่ในวันเดียว

ทุกตารางที่นี่มาพร้อมกับ SQL ที่ใช้สร้างขึ้น เปิดตารางหนึ่งขึ้นมา แทนที่ด้วยรายชื่อกองทุนของคุณเอง และรันการจัดอันดับใหม่บนเทอร์มินัล Strasmore เพื่อดูการเปลี่ยนแปลงของลำดับ