Sell in May และ Go Away ใช้ได้ผลจริงหรือไม่

Sell in May and go away เป็นกฎตามปฏิทินที่รู้จักกันดีที่สุดในตลาดหุ้น โดยให้ขายหุ้นเมื่อสิ้นเดือนเมษายน ถือเงินสดตลอดช่วงฤดูร้อน และซื้อกลับเมื่อสิ้นเดือนตุลาคม เมื่อวัดจากราคาของกองทุนที่ติดตามดัชนี S&P 500 ตั้งแต่ราคาปิดวันสุดท้ายของเดือนเมษายน 2005 ถึงราคาปิดวันสุดท้ายของเดือนเมษายน 2026 ผลตอบแทนเฉลี่ยในช่วงครึ่งปีพฤศจิกายนถึงเมษายนสูงกว่าช่วงครึ่งปีพฤษภาคมถึงตุลาคมจริง ส่วนต่างดังกล่าวมีอยู่จริง แต่แคบกว่าที่คำกล่าวนี้สื่อไว้ ช่วงครึ่งปีฤดูร้อนก็มีผลตอบแทนเฉลี่ยเป็นบวกเช่นกัน ซึ่งเป็นจุดที่กฎนี้ไม่เหมาะจะใช้เป็นแผนการลงทุน

กฎนี้ระบุว่าอย่างไร และทดสอบอย่างไร

วลีนี้มาจากธรรมเนียมเก่าในลอนดอนที่ผู้คนออกจากเมืองหลังการแข่งขันม้าในฤดูใบไม้ผลิ และกลับมาในฤดูใบไม้ร่วง ในรูปแบบสมัยใหม่ที่ทดสอบได้ กฎนี้เป็นกลยุทธ์สลับการลงทุนที่มีวันที่กำหนดสองวัน โดยถือดัชนีหุ้นแบบกระจายตัวตั้งแต่วันซื้อขายสุดท้ายของเดือนตุลาคมถึงวันซื้อขายสุดท้ายของเดือนเมษายน และไม่ถือสินทรัพย์ใดในช่วงหกเดือนที่เหลือ

การทดสอบต้องใช้ข้อมูลสองอย่างที่สุภาษิตนี้ไม่ได้ระบุไว้ ได้แก่ ชุดข้อมูลราคาและช่วงเวลาที่กำหนด ตัวเลขทั้งหมดด้านล่างใช้ SPY ซึ่งเป็น ETF ที่อ้างอิง S&P 500 ที่เก่าแก่ที่สุด โดยใช้ราคาจากข้อมูลแท่งราคาแบบนาทีในช่วงเวลาซื้อขายปกติจากตาราง global_markets.delayed_stocks_minute_aggs ตั้งแต่ราคาปิดสุดท้ายของเดือนเมษายน 2005 ถึงราคาปิดสุดท้ายของเดือนเมษายน 2026 ผลตอบแทนรายเดือนในที่นี้คำนวณจากราคาช่วงเวลาซื้อขายปกติล่าสุดของเดือน เทียบกับราคาของเดือนก่อนหน้า และพิจารณาเฉพาะราคา เงินปันผลจะกล่าวถึงในหัวข้อถัดไป ส่วน วิธีวัดผลตอบแทนรายเดือน อธิบายว่าเหตุใดความแตกต่างนี้จึงทำให้ผลลัพธ์เปลี่ยนไป

กลยุทธ์ sell in May and go away ใช้ได้ผลหรือไม่? สถิติระหว่าง 2005 ถึง 2026

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
)
SELECT toYear(apr_m.month_start) AS year,
       round(100 * (toFloat64(oct_m.month_close) / toFloat64(apr_m.month_close) - 1), 2) AS may_oct_pct,
       round(100 * (toFloat64(apr_next.month_close) / toFloat64(oct_m.month_close) - 1), 2) AS nov_apr_pct
FROM monthly AS apr_m
INNER JOIN monthly AS oct_m ON oct_m.month_start = addMonths(apr_m.month_start, 6)
INNER JOIN monthly AS apr_next ON apr_next.month_start = addMonths(apr_m.month_start, 12)
WHERE toMonth(apr_m.month_start) = 4
ORDER BY year

แต่ละจุดจับคู่ช่วงฤดูร้อนหนึ่งช่วงกับช่วงฤดูหนาวที่ตามมา กราฟนี้มีคู่ข้อมูลที่สมบูรณ์ทั้งหมด 21 คู่ โดยเริ่มจากฤดูร้อนปี 2005 และสิ้นสุดที่ฤดูหนาวซึ่งจบลงในเดือนเมษายน 2026

เส้นทั้งสองให้ผลต่างกันในปีส่วนใหญ่ และให้ผลสอดคล้องกันในปีที่แย่ที่สุด ระหว่างสิ้นเดือนเมษายนถึงสิ้นเดือนตุลาคม 2008 ช่วงฤดูร้อนให้ผลอยู่ที่ -29.81% ซึ่งเป็นค่าต่ำสุดในชุดข้อมูลนี้ ส่วนช่วงฤดูหนาวที่ตามมาให้ผลอยู่ที่ -10.03% ผู้ถือที่ขายในเดือนเมษายนหลีกเลี่ยงการปรับตัวลงอย่างหนักในช่วงแรก แต่กลับเข้าซื้ออีกครั้งในช่วงขาลงระยะสุดท้าย ปฏิทินและความเสียหายสอดคล้องกันเพียงครึ่งหนึ่งของช่วงเวลาทั้งหมด

ช่องว่างช่วงฤดูร้อนลดลงหรือไม่ตั้งแต่ปี 2015?

ค่าเฉลี่ยคือสิ่งที่คำกล่าวนี้อ้างถึงจริง ๆ และช่วงเวลาคือพื้นฐานของค่าเฉลี่ยเหล่านั้น การแบ่งช่วงข้อมูลที่ปี 2015 ทำให้ได้สองช่วงที่มีความยาวใกล้เคียงกันและคำนวณด้วยวิธีเดียวกัน

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
),
pairs AS (
    SELECT toYear(apr_m.month_start) AS season_year,
           toFloat64(oct_m.month_close) / toFloat64(apr_m.month_close) - 1 AS may_oct,
           toFloat64(apr_next.month_close) / toFloat64(oct_m.month_close) - 1 AS nov_apr
    FROM monthly AS apr_m
    INNER JOIN monthly AS oct_m ON oct_m.month_start = addMonths(apr_m.month_start, 6)
    INNER JOIN monthly AS apr_next ON apr_next.month_start = addMonths(apr_m.month_start, 12)
    WHERE toMonth(apr_m.month_start) = 4
),
tagged AS (
    SELECT may_oct,
           nov_apr,
           arrayJoin(['All seasons 2005-2025',
                      if(season_year <= 2014, 'First half 2005-2014', 'Second half 2015-2025')]) AS era
    FROM pairs
)
SELECT era,
       count() AS season_count,
       round(100 * avg(may_oct), 2) AS avg_may_oct_pct,
       round(100 * avg(nov_apr), 2) AS avg_nov_apr_pct,
       round(100 * (avg(nov_apr) - avg(may_oct)), 2) AS winter_minus_summer_pct,
       countIf(may_oct > 0) AS summers_positive
FROM tagged
GROUP BY era
ORDER BY era

ตลอดทั้ง 21 ฤดูกาล ผลตอบแทนเฉลี่ยตั้งแต่เดือนพฤษภาคมถึงตุลาคมอยู่ที่ 3.88% ขณะที่ช่วงเดือนพฤศจิกายนถึงเมษายนอยู่ที่ 6.06% ต่างกัน 2.18 จุดเปอร์เซ็นต์ ส่วนต่างนี้คือหลักฐานทั้งหมดที่สนับสนุนกฎดังกล่าว ลองพิจารณาคอลัมน์ฤดูร้อนควบคู่กัน: ฤดูร้อน 16 จบลงด้วยระดับที่สูงกว่าจุดเริ่มต้น ดังนั้นการงดลงทุนโดยเฉลี่ยจึงทำให้พลาดกำไร มากกว่าหลีกเลี่ยงการขาดทุน

ข้อมูลของทั้งสองช่วงแตกต่างกัน ช่วงแรกมีส่วนต่าง 4.84 จุด ขณะที่ช่วงหลังมีส่วนต่าง -0.24 จุด การบอกเล่าที่แพร่หลายมักอ้างช่องว่างโดยไม่ระบุปีที่อยู่เบื้องหลัง และปีเหล่านั้นคือประเด็นสำคัญ สถิติตามฤดูกาลทุกตัวเป็นข้ออ้างเกี่ยวกับช่วงหนึ่งของประวัติศาสตร์ และช่วงเวลาดังกล่าวเป็นสิ่งที่ผู้หยิบยกสถิติมาใช้เป็นผู้เลือกเอง

นี่เป็นผลกระทบจากเดือนสิงหาคมและกันยายนจริงหรือไม่?

หกเดือนเป็นช่วงเวลาที่กว้างเกินไป การแยกปฏิทินออกเป็นรายเดือนช่วยตอบว่า ช่วงฤดูร้อนอ่อนตัวลงอย่างสม่ำเสมอหรือมีเพียงบางเดือนที่เป็นตัวขับเคลื่อนผลลัพธ์ทั้งหมด

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
),
month_returns AS (
    SELECT m1.month_start AS month_start,
           100 * (toFloat64(m1.month_close) / toFloat64(m0.month_close) - 1) AS ret_pct
    FROM monthly AS m1
    INNER JOIN monthly AS m0 ON m0.month_start = addMonths(m1.month_start, -1)
)
SELECT formatDateTime(month_start, '%b') AS label,
       count() AS readings,
       round(avg(ret_pct), 2) AS avg_return_pct,
       round(quantileDeterministic(0.5)(ret_pct, cityHash64(month_start)), 2) AS median_return_pct,
       countIf(ret_pct > 0) AS positive_readings
FROM month_returns
GROUP BY label
ORDER BY min(toMonth(month_start))

จุดอ่อนอยู่ที่เดือนกันยายน โดยมีค่าเฉลี่ย -0.75% และปิดสูงขึ้นใน 12 จากทั้งหมด 21 ปี โดยมีค่ามัธยฐานอยู่ที่ 0.38% เดือนสิงหาคมมีค่าเฉลี่ย 0.28% ส่วนเดือนกรกฎาคม ซึ่งอยู่ตรงกลางช่วงเวลาที่ผู้ขายหลีกเลี่ยง มีค่าเฉลี่ย 2.63% และเดือนตุลาคม ซึ่งเป็นเดือนสุดท้ายก่อนที่กฎดังกล่าวจะกลับเข้าซื้อ มีค่าเฉลี่ย 0.97%

รูปแบบของผลกระทบในช่วงเวลานี้ค่อนข้างจำกัด คือมีช่วงอ่อนตัวช่วงหนึ่งในปลายฤดูร้อน ขณะที่เดือนโดยรอบมีลักษณะใกล้เคียงกับเดือนอื่น ๆ ในปฏิทิน การออกจากตลาดเมื่อสิ้นเดือนเมษายนเพื่อหลีกเลี่ยงเดือนกันยายน ยังทำให้พลาดเดือนพฤษภาคม มิถุนายน กรกฎาคม และสิงหาคมด้วย

ต้นทุนที่แท้จริงของการสลับการลงทุน

ส่วนต่างตามฤดูกาลเป็นตัวเลขก่อนหักต้นทุน กลยุทธ์ต้องรับมือกับต้นทุนที่เกิดจากการใช้งานจริงได้

WITH monthly AS (
    SELECT toStartOfMonth(toDate(toTimeZone(window_start, 'America/New_York'))) AS month_start,
           argMax(close, window_start) AS month_close
    FROM global_markets.delayed_stocks_minute_aggs
    WHERE ticker = 'SPY'
      AND toDate(toTimeZone(window_start, 'America/New_York')) >= toDate('2005-04-01')
      AND toDate(toTimeZone(window_start, 'America/New_York')) <= toDate('2026-04-30')
      AND (toHour(toTimeZone(window_start, 'America/New_York')) * 60
           + toMinute(toTimeZone(window_start, 'America/New_York'))) BETWEEN 570 AND 959
    GROUP BY month_start
),
pairs AS (
    SELECT toYear(apr_m.month_start) + 1 AS year,
           toFloat64(oct_m.month_close) / toFloat64(apr_m.month_close) AS summer_ratio,
           toFloat64(apr_next.month_close) / toFloat64(oct_m.month_close) AS winter_ratio
    FROM monthly AS apr_m
    INNER JOIN monthly AS oct_m ON oct_m.month_start = addMonths(apr_m.month_start, 6)
    INNER JOIN monthly AS apr_next ON apr_next.month_start = addMonths(apr_m.month_start, 12)
    WHERE toMonth(apr_m.month_start) = 4
)
SELECT year,
       round(exp(sum(log(summer_ratio * winter_ratio)) OVER (ORDER BY year)), 2) AS buy_and_hold_growth,
       round(exp(sum(log(winter_ratio)) OVER (ORDER BY year)), 2) AS winter_only_growth
FROM pairs
ORDER BY year

เงินหนึ่งดอลลาร์ที่ลงทุนต่อเนื่องตลอดทุกฤดูกาลตั้งแต่สิ้นเดือนเมษายน 2005 เติบโตเป็น $6.21 ณ สิ้นเดือนเมษายน 2026 เงินหนึ่งดอลลาร์เดียวกันที่ลงทุนในตลาดเฉพาะช่วงพฤศจิกายนถึงเมษายน และพักเงินไว้ในช่วงที่เหลือ เติบโตเป็น $3.14 เส้นทั้งสองแสดงเฉพาะการเปลี่ยนแปลงของราคา โดยยังไม่หักต้นทุนใด ๆ จึงทำให้กลยุทธ์สลับการลงทุนดูดีเกินจริง ต้นทุนต่อไปนี้ไม่ได้รวมอยู่ในกราฟ

• การซื้อขายปีละสองครั้งในแต่ละช่วงฤดูกาลทั้ง 21 ช่วง ปัจจุบันโบรกเกอร์ส่วนใหญ่ไม่คิดค่าคอมมิชชั่นสำหรับการส่งคำสั่งซื้อขาย แต่ Bid-ask spread ที่ต้องจ่ายในแต่ละรอบการซื้อขายยังคงมีอยู่
• ภาษี ในบัญชีที่ต้องเสียภาษี การขายในเดือนเมษายนจะทำให้กำไรที่สะสมตั้งแต่เดือนพฤศจิกายนถูกรับรู้ ระยะเวลาถือครองตั้งแต่พฤศจิกายนถึงเมษายนโดยโครงสร้างแล้วสั้นกว่าหนึ่งปี ทำให้ผู้เสียภาษีในสหรัฐฯ ต้องเสียภาษีในอัตรากำไรระยะสั้น
• เงินสดที่พักไว้ กลยุทธ์ที่ลงทุนเฉพาะฤดูหนาวถือว่าเงินที่ไม่ได้ลงทุนมีผลตอบแทนเป็นศูนย์ ในทางปฏิบัติผู้ลงทุนอาจนำเงินไปพักไว้ในสินทรัพย์อื่น และ แนวทางพักเงินสดที่ไม่ได้ใช้งาน จะอธิบายตราสารที่ผู้ลงทุนใช้สำหรับกรณีนี้
• เงินปันผล ซึ่งแผงถัดไปจะแสดงต้นทุนดังกล่าว

SELECT toYear(ex_dividend_date) AS year,
       round(sumIf(cash_amount, toMonth(ex_dividend_date) >= 5 AND toMonth(ex_dividend_date) <= 10), 3) AS may_oct_dividends_usd,
       round(sumIf(cash_amount, toMonth(ex_dividend_date) < 5 OR toMonth(ex_dividend_date) > 10), 3) AS nov_apr_dividends_usd
FROM global_markets.stocks_dividends
WHERE ticker = 'SPY'
  AND cash_amount > 0
  AND ex_dividend_date >= toDate('2005-01-01')
  AND ex_dividend_date <= toDate('2025-12-31')
GROUP BY year
ORDER BY year

วันขึ้นเครื่องหมาย XD ของ SPY อยู่ในเดือนมีนาคม มิถุนายน กันยายน และธันวาคม ดังนั้นสองในสี่วันดังกล่าวอยู่ในช่วงหกเดือนที่ผู้ลงทุนไม่ได้ถือกองทุน ใน 2025 เงินจ่าย $3.592 ต่อหน่วยเกิดจากรายการที่มีวันขึ้นเครื่องหมาย XD ระหว่างเดือนพฤษภาคมถึงตุลาคม เทียบกับ $3.689 ในอีกหกเดือนที่เหลือ คอลัมน์ทั้งสองเคลื่อนไหวสอดคล้องกันตลอดกราฟ การไม่ลงทุนเป็นเวลาครึ่งปีทำให้สูญเสียรายได้ของกองทุนไปประมาณครึ่งหนึ่งในแต่ละปี นอกเหนือจากผลกระทบของการเปลี่ยนแปลงราคาที่เกิดขึ้นในช่วงดังกล่าว วันขึ้นเครื่องหมาย XD คือเส้นตัดสินว่าผู้ลงทุนรายใดมีสิทธิได้รับเงินจ่าย

ยังมีต้นทุนอีกประการหนึ่งที่ไม่ปรากฏเป็นรายการในกราฟ ผลตอบแทนของดัชนีมักเกิดขึ้นเป็นช่วง ๆ และ การพลาดวันที่ให้ผลตอบแทนดีที่สุด แสดงให้เห็นว่าช่วงการซื้อขายเพียงไม่กี่วันที่ขาดหายไปส่งผลต่อมูลค่าพอร์ตระยะยาวอย่างไร การไม่ได้ลงทุนเป็นเวลาหกเดือนในทุกปีหมายถึงการพลาดช่วงการซื้อขายจำนวนมาก นี่คือหลักการเดียวกับ การทยอยลงทุนด้วยเงินจำนวนเท่ากัน ซึ่งเน้นระยะเวลาที่อยู่ในตลาดมากกว่าการจับจังหวะตลาด

เหตุใดกฎปฏิทินที่มีชื่อเสียงจึงควรได้รับการตรวจสอบอย่างระมัดระวัง

ช่วงเวลา 12 เดือนเปิดให้เลือกชุดเดือนที่จะลงทุนได้ 4,095 รูปแบบที่ไม่ใช่เซตว่าง เมื่อนำรูปแบบเหล่านี้ไปค้นหาจากประวัติราคาเพียงชุดเดียว ย่อมมีบางรูปแบบที่ดูโดดเด่น นี่เป็นคุณสมบัติของการค้นหาเอง

Sell in May มีข้อได้เปรียบที่ชัดเจนกว่ากฎที่เพิ่งค้นพบจากข้อมูลเมื่อสัปดาห์ก่อนอยู่ประการหนึ่ง นั่นคือกฎนี้มีชื่อเสียงมานานก่อนช่วงข้อมูลตัวอย่างดังกล่าวจะเริ่มต้น ดังนั้นปีต่าง ๆ ที่แสดงในหน้านี้จึงทำหน้าที่เป็นการทดสอบนอกกลุ่มตัวอย่าง แทนที่จะเป็นผลลัพธ์จากการปรับให้เข้ากับข้อมูล การทดสอบให้ส่วนต่างในระดับปานกลาง โดยกระจุกตัวอยู่ในเดือนเดียว และใช้กฎสลับการลงทุนที่ให้ผลตอบแทนตามหลังกลยุทธ์ซื้อและถือในช่วงเวลาเดียวกัน อคติจากการใช้ข้อมูลอนาคต อธิบายวิธีที่ backtest เรียนรู้คำตอบล่วงหน้าอย่างแนบเนียน และกฎปฏิทินเป็นตัวอย่างตามตำรา เพราะเดือนต่าง ๆ ถูกเลือกหลังจากทราบผลตอบแทนแล้ว

คำถามที่พบบ่อย

กลยุทธ์ sell in May and go away ยังใช้ได้ผลหรือไม่

สำหรับราคา SPY ตั้งแต่เดือนเมษายน 2005 ถึงเดือนเมษายน 2026 ผลตอบแทนเฉลี่ยในช่วงพฤศจิกายนถึงเมษายนอยู่ที่ 6.06% เทียบกับ 3.88% ในช่วงพฤษภาคมถึงตุลาคม ดังนั้นส่วนต่างตามฤดูกาลยังคงปรากฏในข้อมูลตลอดช่วงที่ศึกษา ครึ่งปีฤดูร้อนยังมีผลตอบแทนเฉลี่ยเป็นบวก โดย 16 ของช่วงฤดูร้อนทั้งหมด 21 ช่วงปิดสูงกว่าระดับเริ่มต้น

เดือนใดเป็นช่วงที่อ่อนแอจริง

ในช่วงเวลานี้ ความอ่อนแอกระจุกตัวอยู่ในเดือนกันยายน ซึ่งมีผลตอบแทนเฉลี่ย -0.75% และปิดสูงกว่าระดับต้นปีใน 12 ของ 21 ปี ส่วนเดือนกรกฎาคม ซึ่งเป็นอีกเดือนที่กลยุทธ์นี้ไม่เข้าลงทุน มีผลตอบแทนเฉลี่ย 2.63% ในช่วงเวลาเดียวกัน

การขายในเดือนพฤษภาคมให้ผลดีกว่าการซื้อแล้วถือหรือไม่

ไม่ใช่เมื่อพิจารณาจากข้อมูลตัวอย่างนี้ เงินหนึ่งดอลลาร์ที่ถือครองต่อเนื่องตั้งแต่สิ้นเดือนเมษายน 2005 เติบโตเป็น $6.21 ในเดือนเมษายน 2026 เทียบกับ $3.14 สำหรับกลยุทธ์สลับถือเฉพาะช่วงฤดูหนาว และการเปรียบเทียบนี้ยังไม่รวมต้นทุนการซื้อขาย ภาษี และเงินปันผล

จะเกิดอะไรขึ้นกับเงินปันผลหากขายในเดือนพฤษภาคม

วัน ex-dividend date ของกองทุนไม่ได้หยุดลงในช่วงฤดูร้อน วัน ex-dividend date รายไตรมาสสองในสี่วันของ SPY อยู่ในช่วงพฤษภาคมถึงตุลาคม และผู้ถือที่ไม่ได้ถือกองทุนในวัน ex-dividend date จะไม่ได้รับ distribution งวดนั้น

รูปแบบตามฤดูกาลถือเป็นการคาดการณ์หรือไม่

ไม่ใช่ ค่าเฉลี่ยในอดีตจากฤดูกาลจำนวน 21 ฤดูกาล อธิบายสิ่งที่เกิดขึ้นภายในช่วงเวลาที่กำหนดเท่านั้น ผลลัพธ์ของแต่ละปีกระจายห่างจากค่าเฉลี่ยดังกล่าวอย่างมาก ดังที่แผนภูมิแรกแสดง และการเลือกช่วงเวลาศึกษาเองก็เป็นปัจจัยหนึ่ง

ทุกแผงข้อมูลในที่นี้เป็น stored query ที่แนบ SQL ไว้ สามารถเปลี่ยน ticker ปรับช่วงเวลา และตรวจสอบว่าส่วนต่างตามฤดูกาลยังคงอยู่หรือไม่บน Strasmore terminal