ระบบซื้อขาย AI แบบหลายเอเจนต์คืออะไร

ระบบซื้อขาย AI แบบหลายเอเจนต์แบ่งการตัดสินใจซื้อขายหนึ่งครั้งออกเป็นหลายอินสแตนซ์ของโมเดลภาษาขนาดใหญ่ โดยกำหนดบทบาทให้แต่ละอินสแตนซ์ แล้วรวมผลลัพธ์เป็นคำสั่งซื้อขายเดียว องค์ประกอบปกติประกอบด้วยเอเจนต์อ่านข่าว เอเจนต์วิเคราะห์ปัจจัยพื้นฐาน เอเจนต์วิเคราะห์กราฟแท่งเทียน เอเจนต์ตรวจสอบความเสี่ยง และเอเจนต์ผู้จัดการที่ทำหน้าที่เป็นคนกลาง ณ เดือนกรกฎาคม 2026 เฟรมเวิร์กโอเพนซอร์สหลายตัวในรูปแบบนี้ปรากฏอยู่ในหัวข้อ algorithmic-trading บน GitHub โดยแต่ละตัวมีดาวไม่กี่ร้อยดวง หน้านี้อธิบายสถาปัตยกรรม แยกหลักฐานที่ตีพิมพ์ออกจากคำกล่าวอ้างใน README และนำเสนอข้อมูลตลาดเกี่ยวกับต้นทุนที่ระบบทุกรูปแบบต้องแบกรับ

ระบบซื้อขาย AI แบบหลายเอเจนต์ที่แท้จริงคืออะไร

สถาปัตยกรรมคือคณะกรรมการที่มีประธาน เอเจนต์แต่ละตัวประกอบด้วยเทมเพลตพรอมต์ ฟีดข้อมูล และโครงร่างผลลัพธ์ เอเจนต์ข่าวรับพาดหัวข่าวและส่งคืนป้ายกำกับ เอเจนต์ปัจจัยพื้นฐานรับข้อมูลจากเอกสารยื่นต่อหน่วยงานและส่งคืนคะแนน เอเจนต์ประธานรับป้ายกำกับและคะแนนเหล่านั้นและส่งคืนคำสั่งซื้อขาย

คุณสมบัติสามประการตามมาจากการออกแบบนั้น และแต่ละประการสมควรได้รับการระบุชื่อก่อนที่จะมีการกล่าวอ้างประสิทธิภาพใดๆ

เอเจนต์ทุกตัวมักใช้โมเดลพื้นฐานเดียวกัน พรอมต์ห้าตัวที่ใช้น้ำหนักเดียวกันให้ผลลัพธ์ที่มีความสัมพันธ์กัน ดังนั้นการลงคะแนนของห้าเอเจนต์จึงไม่ใช่การประมาณค่าอิสระห้าค่า กรอบแนวคิดแบบคณะกรรมการบ่งชี้ถึงการกระจายความเสี่ยงที่การนำไปใช้งานไม่ได้มอบให้

ระบบคือไปป์ไลน์ข้อความที่ห่อหุ้มการตัดสินใจเชิงตัวเลข โมเดลอ่านคำและปล่อยโทเค็น การกำหนดขนาดสถานะ ประเภทคำสั่งซื้อขาย การวางจุดหยุดขาดทุน และตรรกะการออกจากสถานะเป็นโค้ดธรรมดาที่อยู่เบื้องหลัง และสิ่งที่กำหนดผลลัพธ์ส่วนใหญ่อยู่ในโค้ดนั้นมากกว่าในพรอมต์

การทำงานครบรอบของคณะกรรมการใช้เวลาไม่กี่วินาที ซึ่งใช้การได้สำหรับการปรับสมดุลรายสัปดาห์และไม่เกี่ยวข้องกับความเร็วภายในวัน ซึ่ง ผู้สร้างตลาด เสนอราคาและเสนอราคาใหม่ในหน่วยไมโครวินาที

งานวิจัยสนับสนุนอะไรและไม่สนับสนุนอะไร

งานวิจัยที่ตีพิมพ์เกี่ยวกับโมเดลภาษาในด้านการเงินแบ่งออกเป็นสามข้อกล่าวอ้างที่มีจุดแข็งแตกต่างกันมาก

การสกัดและการจำแนกประเภทเป็นข้อกล่าวอ้างที่แข็งแกร่ง โมเดลระบุความรู้สึก ดึงตัวเลขออกจากเอกสารยื่น และบีบอัดเอกสารยาวด้วยความแม่นยำที่ต้องใช้โมเดลที่สร้างขึ้นโดยเฉพาะเมื่อไม่กี่ปีก่อน ซึ่งวัดได้จากข้อความที่ไม่ได้ใช้ฝึกและยังคงใช้ได้

การอธิบายสถานะตลาดเป็นข้อกล่าวอ้างแบบผสม โมเดลเขียนคำอธิบายที่คล่องแคล่วเกี่ยวกับสภาวะตลาด และคำอธิบายเหล่านั้นมักจะสอดคล้องกับข้อมูลที่โมเดลได้รับ ไม่ว่าคำอธิบายนั้นจะมีข้อมูลที่ราคายังไม่มีอยู่หรือไม่นั้นเป็นคำถามอีกข้อหนึ่ง และเอกสารที่ทดสอบอย่างระมัดระวังรายงานผลกระทบเล็กน้อยโดยมีช่วงความคลาดเคลื่อนกว้าง

ความสามารถในการทำกำไรเป็นข้อกล่าวอ้างที่อ่อนแอ README ของพื้นที่เก็บข้อมูลส่วนใหญ่รายงานการทดสอบย้อนหลังมากกว่าประวัติการซื้อขายจริงที่มีเงินทุน และระยะห่างระหว่างเส้น equity curve ในตัวอย่างกับบัญชีจริงคือระยะทางที่เก่าแก่ที่สุดในการซื้อขายเชิงปริมาณ การนำโมเดลภาษามาใช้ในวงจรไม่ได้ทำให้ระยะทางนั้นสั้นลง

พื้นต้นทุนที่สัญญาณต้องเอาชนะ

ทุกการซื้อขายต้องผ่านสเปรด และการผ่านนั้นคือพื้นต้นทุนที่กลยุทธ์ต้องเอาชนะก่อนสิ่งอื่นใด ค่ามัธยฐานของสเปรดเสนอซื้อเสนอขายในช่วงเวลาทำการปกติ ตั้งแต่วันที่ 22 มิถุนายน ถึง 26 มิถุนายน 2026 สำหรับหกหลักทรัพย์ที่จดทะเบียนในสหรัฐฯ:

SELECT ticker,
       round(quantileExactIf(0.5)(toFloat64(ask_price - bid_price) / (toFloat64(ask_price + bid_price) / 2), bid_price > 0 AND ask_price > bid_price) * 10000, 2) AS spread_bps,
       round(2 * quantileExactIf(0.5)(toFloat64(ask_price - bid_price) / (toFloat64(ask_price + bid_price) / 2), bid_price > 0 AND ask_price > bid_price) * 10000, 2) AS round_trip_bps,
       round(count() / 1e6, 1) AS quote_updates_m
FROM global_markets.cache_stocks_quotes
WHERE ticker IN ('SPY', 'AAPL', 'MSFT', 'KO', 'F', 'RIOT')
  AND sip_timestamp >= toDateTime('2026-06-22 00:00:00')
  AND sip_timestamp < toDateTime('2026-06-27 00:00:00')
  AND (toHour(sip_timestamp) * 60 + toMinute(sip_timestamp)) BETWEEN 810 AND 1199
GROUP BY ticker
HAVING countIf(bid_price > 0 AND ask_price > bid_price) > 0
ORDER BY spread_bps

หนึ่ง basis point คือหนึ่งในร้อยของเปอร์เซ็นต์พอยต์ หลักทรัพย์ที่แคบที่สุดในกลุ่มคือ SPY มีค่ามัธยฐานสเปรด 0.27 basis points ในสัปดาห์นั้น หลักทรัพย์ที่กว้างที่สุดคือ RIOT มีค่า 7.09 การซื้อขายครบรอบจ่ายสเปรดสองครั้ง ดังนั้นการเข้าและออกในหลักทรัพย์แรกเริ่มต้นที่ 0.55 basis points ข้างหลัง และคู่เดียวกันในหลักทรัพย์สุดท้ายเริ่มต้นที่ 14.19 ข้างหลัง เอเจนต์ที่หมุนพอร์ตสัปดาห์ละสองครั้งจ่ายค่าผ่านทางนั้นประมาณร้อยครั้งต่อปี และค่าผ่านทางนั้นถูกเรียกเก็บไม่ว่าการคาดการณ์จะถูกหรือผิด ต้นทุนในการซื้อขายหุ้น แสดงรายละเอียดค่าใช้จ่ายที่เหลือ

สัญญาณรบกวนที่การคาดการณ์ทิศทางต้องเอาชนะ

การคาดการณ์ทิศทางถูกวัดเทียบกับการแจกแจงที่ส่วนใหญ่เป็นตัวเลขขนาดเล็ก ทุกเซสชันของ SPY ในปีปฏิทิน 2025 เรียงตามขนาดการเคลื่อนไหวจากราคาปิดถึงราคาปิด:

WITH daily AS (
    SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS d,
           argMax(close, window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2025-01-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2025-12-31')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY d
),
paired AS (
    SELECT d, close_px,
           any(close_px) OVER (ORDER BY d ASC ROWS BETWEEN 1 PRECEDING AND 1 PRECEDING) AS prev_px
    FROM daily
),
rets AS (
    SELECT d, round(100 * (toFloat64(close_px) / toFloat64(prev_px) - 1), 3) AS ret_pct
    FROM paired
    WHERE prev_px > 0
)
SELECT multiIf(abs(ret_pct) < 0.25, 'under 0.25%',
               abs(ret_pct) < 0.5, '0.25 to 0.5%',
               abs(ret_pct) < 1.0, '0.5 to 1%',
               abs(ret_pct) < 2.0, '1 to 2%',
               '2% and up') AS move_bucket,
       count() AS sessions,
       round(100 * count() / sum(count()) OVER (), 1) AS pct_of_sessions
FROM rets
GROUP BY move_bucket
ORDER BY min(abs(ret_pct))

ครึ่งปีอยู่ในช่วงครึ่งเปอร์เซ็นต์ แถบ under 0.25% ครอบคลุม 24.9% ของเซสชัน และแถบ 0.25 to 0.5% ครอบคลุมอีก 24.1% ในอีกด้านหนึ่ง 13 เซสชันเคลื่อนไหว 2% and up คิดเป็น 5.2% ของปี

จับคู่กับตารางสเปรด หนึ่ง basis point คือ 0.01% การเคลื่อนไหวของเซสชันโดยทั่วไปที่ 0.3% นั้นมากกว่าสเปรดแคบถึงสามสิบเท่าและประมาณสี่เท่าของสเปรดกว้าง เลขคณิตเหลือพื้นที่สำหรับการคาดการณ์ที่ถูกต้องและอดทน และน้อยมากสำหรับการคาดการณ์ที่รวดเร็วและมีส่วนต่างน้อย

จักรวาลที่ซื้อขายได้อยู่ที่ไหนจริงๆ

เฟรมเวิร์กเอเจนต์โฆษณาความครอบคลุม ซึ่งมักจะสแกนหลายร้อย ticker ทุกเช้า ปริมาณดอลลาร์แสดงให้เห็นว่าส่วนใดของรายการนั้นสามารถรองรับขนาดได้ ทุกหลักทรัพย์ที่จดทะเบียนในสหรัฐฯ ที่ซื้อขายในช่วงเวลาทำการปกติในวันที่ 30 มิถุนายน 2026 จัดกลุ่มตามอันดับในปริมาณดอลลาร์ของเซสชันนั้น:

WITH tv AS (
    SELECT ticker,
           sum(toFloat64(close) * toFloat64(volume)) AS dollar_volume
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE toDate(toTimeZone(window_start, 'America/New_York')) = toDate('2026-06-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY ticker
    HAVING sum(toFloat64(close) * toFloat64(volume)) > 0
),
ranked AS (
    SELECT ticker, dollar_volume,
           row_number() OVER (ORDER BY dollar_volume DESC) AS rk
    FROM tv
)
SELECT multiIf(rk <= 10, 'top 10 names',
               rk <= 50, 'ranks 11 to 50',
               rk <= 200, 'ranks 51 to 200',
               rk <= 1000, 'ranks 201 to 1000',
               'ranks beyond 1000') AS liquidity_tier,
       count() AS tickers,
       round(sum(dollar_volume) / 1e9, 2) AS dollar_volume_bn,
       round(100 * sum(dollar_volume) / (SELECT sum(dollar_volume) FROM tv), 1) AS pct_of_dollar_volume
FROM ranked
GROUP BY liquidity_tier
ORDER BY min(rk)

สิบหลักทรัพย์มี 22.5% ของปริมาณดอลลาร์ของเซสชัน คิดเป็นประมาณ 205.04 พันล้านดอลลาร์ 40 ถัดไปมี 20.5% ในอีกด้านหนึ่ง 10966 หลักทรัพย์ที่อยู่อันดับเกิน 1000 มีส่วนแบ่ง 12.9% รวมกัน คิดเป็นประมาณ 117.83 พันล้านดอลลาร์กระจายทั่วทั้งส่วนท้าย

ความกว้างนั้นโฆษณาได้ถูกแต่ซื้อขายได้แพง คณะกรรมการที่จัดอันดับสามพันหลักทรัพย์ใช้ความพยายามในการจัดอันดับส่วนใหญ่ในส่วนท้ายนั้น ซึ่งตารางสเปรดด้านบนเป็นต้นทุนจริง ไม่ใช่ข้อผิดพลาดในการปัดเศษ

เหตุใดการทดสอบย้อนหลังเหล่านี้จึงทำให้ระบบดูดีเกินจริง

แหล่งที่ใหญ่ที่สุดของการทดสอบย้อนหลังที่ดูดีเกินจริงคือการเลือกช่วงเวลา SPY ตามปีปฏิทิน 2016 ถึง 2025 พร้อมกับช่องว่างระหว่างราคาปิดสูงสุดและต่ำสุดของปี:

WITH daily AS (
    SELECT toDate(toTimeZone(window_start, 'America/New_York')) AS d,
           argMax(close, window_start) AS close_px
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2016-01-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2025-12-31')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY d
),
yr AS (
    SELECT toYear(d) AS year,
           argMin(close_px, d) AS first_close,
           argMax(close_px, d) AS last_close,
           max(close_px) AS high_close,
           min(close_px) AS low_close,
           count() AS sessions
    FROM daily
    GROUP BY year
)
SELECT year,
       sessions,
       round(100 * (toFloat64(last_close) / toFloat64(first_close) - 1), 1) AS price_return_pct,
       round(100 * (toFloat64(high_close) / toFloat64(low_close) - 1), 1) AS high_low_range_pct
FROM yr
ORDER BY year

ระบบที่ทดสอบเฉพาะกับ 2021 ซึ่งเป็นปีที่ปิด 28.7% สูงขึ้น สืบทอดแนวโน้มขาขึ้น ระบบเดียวกันที่ทดสอบเฉพาะกับ 2022 ซึ่งปิด -20% สืบทอดแนวโน้มขาลง ช่องว่างภายในปีระหว่างราคาปิดสูงสุดและต่ำสุดถึง 68% ใน 2020 และยังคงสูงกว่า 25.3% แม้ในปีที่สงบกว่า

กับดักสี่อย่างอยู่เหนือปัญหาช่วงเวลา และหนึ่งในนั้นเป็นของโมเดลภาษาแต่เพียงผู้เดียว

• การมองไปข้างหน้าผ่านข้อมูลฝึก โมเดลที่ฝึกบนข้อความจนถึงปี 2025 ได้อ่านแล้วว่าผลการซื้อขายในปี 2023 เป็นอย่างไร การทดสอบย้อนหลังในปี 2023 ถามคำถามที่โมเดลรู้คำตอบแล้ว และการสับเปลี่ยนอนุกรมราคาไม่สามารถลบความรู้นั้นได้
• การอยู่รอดในรายการ ticker จักรวาลที่รวบรวมจากหลักทรัพย์ในปัจจุบันละเว้นชื่อที่ถูกเพิกถอนระหว่างทาง
• สมมติฐานการเติมคำสั่งซื้อขาย การทดสอบย้อนหลังที่เติมทุกคำสั่งซื้อขายที่จุดกึ่งกลางจะลบตารางต้นทุนทั้งหมดด้านบน
• การเลือกจากรูปแบบพรอมต์ที่แตกต่างกัน พรอมต์ยี่สิบรูปแบบที่ลองใช้และรายงานเฉพาะรูปแบบที่ดีที่สุดคือการ overfitting แบบเดียวกับที่รบกวนการปรับพารามิเตอร์มานานก่อนที่โมเดลภาษาจะมีอยู่

จุดที่โมเดลภาษาเอเจนต์น่าจะช่วยได้จริง

เวอร์ชันที่ซื่อสัตย์ของข้อเสนอแคบกว่าเวอร์ชัน README และยังคงมีประโยชน์

การอ่านปริมาณข้อมูลเป็นชัยชนะที่ชัดเจนที่สุด เอเจนต์ที่ทำงานผ่านเอกสารยื่นและพาดหัวข่าวทุกฉบับในรายการเฝ้าดูข้ามคืนและส่งคืนสรุปที่มีโครงสร้างช่วยประหยัดเวลาความสนใจของมนุษย์ได้หลายชั่วโมง และผลลัพธ์สามารถตรวจสอบได้กับแหล่งที่มา

การอธิบายสภาวะตลาดด้วยภาษาธรรมดาเป็นประการที่สอง ย่อหน้ารายวันเกี่ยวกับการกระจายตัว ความกว้าง และความผันผวน ซึ่งสร้างจากตัวเลขเดียวกันกับที่มนุษย์จะอ่าน เป็นเอกสารสรุปที่เป็นประโยชน์แม้ว่าจะไม่มีการคาดการณ์ก็ตาม

สุขอนามัยของกระบวนการเป็นประการที่สาม เอเจนต์ที่ปฏิเสธคำสั่งซื้อขายที่ละเมิดขีดจำกัดสถานะที่ระบุ หรือที่แจ้งเตือนกลยุทธ์ที่กำลังจะซื้อขายในช่วงวันประกาศผลประกอบการ บังคับใช้กฎเกณฑ์ที่มนุษย์ที่วอกแวกมองข้าม

ทั้งสามประการนี้ไม่ใช่ความได้เปรียบในตลาด ทั้งหมดเป็นงานวิจัยและงานปฏิบัติการ ซึ่งเป็นจุดที่ผลกำไรที่วัดได้อยู่ในปัจจุบัน ผลกระทบที่มีการบันทึกไว้ เช่น ความผิดปกติของความผันผวนต่ำ ต้องใช้ตัวอย่างขนาดใหญ่และการทำซ้ำนอกตัวอย่างซ้ำแล้วซ้ำเล่าก่อนที่ใครจะถือว่ามันเป็นจริง และเฟรมเวิร์กเอเจนต์ใหม่ต้องผ่านเกณฑ์เดียวกัน มิฉะนั้นก็ไม่ผ่าน การพลาดวันที่ดีที่สุด แสดงให้เห็นว่าการเปลี่ยนกลยุทธ์บ่อยครั้งมีต้นทุนเท่าใดสำหรับผู้ถือระยะยาว

ระเบียบวินัยที่ผู้ปฏิบัติงานอธิบาย

ทีมที่รันระบบเหล่านี้ในที่สาธารณะมักจะอธิบายลำดับเดียวกัน ทดสอบล่วงหน้าด้วยการจำลองการเติมคำสั่งซื้อขายเป็นเดือนๆ ไม่ใช่เป็นวัน เนื่องจากบันทึกบนกระดาษสะสมตามความเร็วของเวลาจริงเท่านั้น เก็บช่วงนอกตัวอย่างที่พรอมต์ไม่เคยเห็น บันทึกทุกพรอมต์ ทุกการตอบสนอง และทุกคำสั่งซื้อขาย เนื่องจากคณะกรรมการที่ไม่สามารถเล่นซ้ำได้ไม่สามารถแก้ไขข้อบกพร่องได้ กำหนดขนาดสถานะด้วยกฎตายตัวที่อยู่นอกโมเดล นับทุกต้นทุนจากตารางด้านบนก่อนที่จะเรียกช่วงเวลาใดว่าทำกำไร

คำถามที่พบบ่อย

ระบบซื้อขาย AI แบบหลายเอเจนต์ทำเงินได้จริงหรือไม่?

หลักฐานสาธารณะมีน้อย โครงการโอเพนซอร์สส่วนใหญ่เผยแพร่การทดสอบย้อนหลังมากกว่าบันทึกการซื้อขายจริงที่ผ่านการตรวจสอบ และการทดสอบย้อนหลังของกลยุทธ์โมเดลภาษามีข้อบกพร่องเฉพาะ: โมเดลถูกฝึกบนข้อความที่อธิบายช่วงเวลาทดสอบ เส้น equity curve ที่ไม่ผ่านการตรวจสอบแสดงให้เห็นถึงซอฟต์แวร์ ไม่ใช่ความได้เปรียบ

คณะกรรมการของเอเจนต์ LLM ดีกว่าโมเดลเดียวหรือไม่?

คณะกรรมการลดข้อผิดพลาดในการจัดรูปแบบและการแยกวิเคราะห์บางอย่าง และเพิ่มโครงสร้างให้กับผลลัพธ์ มันไม่ได้เพิ่มข้อมูลอิสระเมื่อเอเจนต์ทุกตัวสอบถามโมเดลพื้นฐานเดียวกันบนข้อมูลพื้นฐานเดียวกัน ความคิดเห็นที่มีความสัมพันธ์กันห้าความคิดเห็นลงคะแนนเป็นประมาณหนึ่งความคิดเห็น โดยมีความหน่วงแฝงและต้นทุนโทเค็นเพิ่มเติม

เอเจนต์ AI สามารถซื้อขายได้เร็วกว่าผู้สร้างตลาดหรือไม่?

ไม่ได้ การทำงานครบรอบของโมเดลภาษาใช้เวลาไม่กี่วินาที ในขณะที่ระบบการเสนอราคามืออาชีพทำงานในหน่วยไมโครวินาทีบนฮาร์ดแวร์ที่วางร่วมตำแหน่ง กลยุทธ์ใดๆ ที่ผลกำไรขึ้นอยู่กับความเร็วอยู่นอกเหนือสิ่งที่ระบบเหล่านี้ทำได้ ซึ่งทำให้ระยะเวลาหลายวันและหลายสัปดาห์เป็นพื้นที่ที่เป็นไปได้

กับดักการทดสอบย้อนหลังที่ใหญ่ที่สุดที่เฉพาะเจาะจงกับเอเจนต์ซื้อขาย LLM คืออะไร?

การมองไปข้างหน้าผ่านข้อมูลฝึก การทดสอบย้อนหลังแบบเดิมป้องกันไม่ให้ราคาในอนาคตรั่วไหลเข้าสู่การตัดสินใจ แต่น้ำหนักของโมเดลได้เข้ารหัสความคิดเห็นที่เผยแพร่เกี่ยวกับหน้าต่างทดสอบไว้แล้ว หน้าต่าง walk-forward และการแบ่งนอกตัวอย่างไม่ได้ลบความรู้ที่ฝังอยู่ในน้ำหนัก และการทดสอบที่สะอาดเพียงอย่างเดียวคือช่วงเวลาหลังจากจุดตัดการฝึก

ระยะเวลาการซื้อขายบนกระดาษควรนานเท่าใด?

กรอบที่เป็นประโยชน์คือขนาดตัวอย่างมากกว่าความยาวตามปฏิทิน กลยุทธ์ที่ซื้อขายรายสัปดาห์ให้ข้อสังเกตประมาณห้าสิบครั้งต่อปี ซึ่งเป็นตัวอย่างขนาดเล็กสำหรับข้อกล่าวอ้างใดๆ เกี่ยวกับความได้เปรียบ ผู้ปฏิบัติงานโดยทั่วไปต้องการการซื้อขายมากพอที่จะได้เห็นการขาดทุนสูงสุด ไม่ใช่แค่ช่วงเวลาที่ดี

ทุกตารางในหน้านี้เป็นคำสั่งค้นหาที่จัดเก็บและมีเวอร์ชันเหนือข้อมูลตลาดสหรัฐฯ จริง เปิดตารางใดก็ได้เพื่ออ่าน SQL ที่อยู่เบื้องหลัง หรือรันคำสั่งค้นหาของคุณเองกับตารางเดียวกันบนเทอร์มินัล Strasmore