6  การจัดการข้อมูลจริงและการเชื่อมต่อแหล่งข้อมูลภายนอก

Keywords

Python for Economics, Computational Economics, Applied Econometrics, Python สำหรับเศรษฐศาสตร์, เศรษฐศาสตร์คำนวณ, เศรษฐมิติเชิงประยุกต์

ในบทก่อนหน้า เราได้เรียนรู้การจัดการข้อมูลด้วย Pandas ผ่านชุดข้อมูลตัวอย่างที่ถูกคัดสรรมาอย่างดี อย่างไรก็ตาม ในการทำงานจริง นักเศรษฐศาสตร์ไม่ได้เริ่มต้นจากข้อมูลที่ “สะอาดและพร้อมใช้งาน” เสมอไป

❗ The 80/20 Rule of Data Science: นักเศรษฐศาสตร์ส่วนใหญ่มักใช้เวลาถึง 80% ของโครงการไปกับการดึงข้อมูลและทำความสะอาดข้อมูล (Data Cleaning) และเหลือเวลาเพียง 20% สำหรับการวิเคราะห์เชิงลึก

6.1 แหล่งที่มาของข้อมูลทางเศรษฐศาสตร์ในยุคดิจิทัล

ข้อมูลทางเศรษฐศาสตร์และการเงินในปัจจุบันไม่ได้จำกัดอยู่เพียงแค่ไฟล์ Excel ในรายงานประจำปี แต่กระจายตัวอยู่ในรูปแบบที่หลากหลาย:

• สถาบันระดับมหภาค: ข้อมูล GDP, อัตราเงินเฟ้อ และนโยบายการเงิน จากธนาคารแห่งประเทศไทย (BOT), สำนักงานสภาพัฒนาการเศรษฐกิจและสังคมแห่งชาติ (สศช.), หรือระดับโลกอย่าง World Bank และ IMF

• ตลาดการเงินและสินทรัพย์ดิจิทัล: ข้อมูลราคาหุ้นรายนาที, ดัชนีความผันผวน (VIX), หรือแม้แต่อัตราแลกเปลี่ยนสกุลเงินดิจิทัล ซึ่งเข้าถึงได้ผ่าน API (Application Programming Interface)

• Alternative Data: ข้อมูลทางเลือกใหม่ๆ เช่น ดัชนีราคาจากเว็บบอร์ดค้าปลีก, ข้อมูลการเคลื่อนย้ายประชากร หรือข้อมูลจากดาวเทียมที่สะท้อนกิจกรรมทางเศรษฐกิจ

6.1.1 ลักษณะและข้อจำกัดของข้อมูลในโลกของการทำงานจริง

ก่อนจะเริ่มเขียนโค้ดบรรทัดแรก นักเศรษฐศาสตร์ต้องตระหนักถึง “ธรรมชาติ” ของข้อมูลจริง ซึ่งมักจะมีลักษณะดังนี้:

1. ความไม่สมบูรณ์ (Missingness): ข้อมูลบางช่วงอาจหายไปเนื่องจากวันหยุดทำการของตลาด หรือความล่าช้าในการรายงานผลของหน่วยงาน

2. ความไม่สอดคล้อง (Inconsistency): เช่น ข้อมูลรายได้สะสมถูกรายงานเป็นรายไตรมาส แต่ข้อมูลราคาหุ้นถูกรายงานรายวัน การนำมารวมกันต้องใช้เทคนิคการปรับความถี่ (Resampling)

3. ปัญหาด้านมาตราส่วน (Scale Issues): ตัวแปรหนึ่งอาจมีหน่วยเป็น “ล้านล้านบาท” (GDP) ในขณะที่อีกตัวแปรมีหน่วยเป็น “เปอร์เซ็นต์” (Interest Rate) การจัดการ Scale จึงสำคัญมากต่อความแม่นยำของแบบจำลอง

6.1.2 จากข้อมูลดิบสู่บทสรุปทางนโยบาย: Pipeline การทำงาน

กระบวนการทำงานจริงของนักเศรษฐศาสตร์สมัยใหม่สามารถสรุปเป็นลำดับขั้นตอน (Workflow) ที่เป็นระบบได้ดังนี้:

flowchart TD
    A[<b>1. Data Fetching</b><br/>ดึงข้อมูลผ่าน API/Web Scraping] --> B[<b>2. Cleaning</b><br/>จัดการค่าว่างและ Outliers]
    B --> C[<b>3. Transformation</b><br/>Log Transform / Seasonal Adjustment]
    C --> D[<b>4. Analysis & Modeling</b><br/>ทดสอบสมมติฐานทางเศรษฐมิติ]
    D --> E[<b>5. Communication</b><br/>สร้าง Visualisation เพื่อการตัดสินใจ]

    style A fill:#e1f5fe,stroke:#01579b
    style E fill:#fff3e0,stroke:#e65100

Tipการเตรียมความพร้อมและการติดตั้ง

ก่อนจะเริ่มดึงข้อมูล เราจำเป็นต้องติดตั้งไลบรารี yfinance ในระบบก่อน โดยเปิด Terminal แล้วใช้คำสั่งดังนี้:

สำหรับผู้ใช้ Conda:

conda install -c conda-forge yfinance

สำหรับผู้ใช้ Python ทั่วไป (pip):

pip install yfinance

6.2 yfinance: ประตูสู่ฐานข้อมูลการเงินระดับโลก

ในบทก่อนหน้า เราได้ทำความรู้จักกับโครงสร้างข้อมูลและการจัดการ DataFrame ไปแล้ว แต่คำถามสำคัญสำหรับนักเศรษฐศาสตร์คือ “เราจะเอาข้อมูลจริงจำนวนมหาศาลเหล่านั้นมาใส่ใน Python ได้อย่างไรโดยไม่ต้องนั่งพิมพ์เอง?”

คำตอบที่เป็นมาตรฐานสากลสำหรับผู้เริ่มต้นจนถึงระดับมืออาชีพคือการใช้ไลบรารี yfinance ครับ

6.2.1 yfinance คืออะไร?

yfinance เป็น Open-source Library ที่ทำหน้าที่เป็น “สะพานเชื่อม” (API Wrapper) ระหว่าง Python กับฐานข้อมูลมหาศาลของ Yahoo Finance ซึ่งครอบคลุมข้อมูลสินทรัพย์เกือบทุกประเภททั่วโลก

สิ่งที่นักเศรษฐศาสตร์จะได้รับจากเครื่องมือนี้: * Historical Data: ราคาเปิด-ปิด (Open/Close), ราคาสูงสุด-ต่ำสุด (High/Low) และราคาที่ปรับปรุงแล้ว (Adjusted Close) ซึ่งสำคัญมากในการคำนวณผลตอบแทนที่แท้จริง

• Global Coverage: ไม่ใช่แค่หุ้นในสหรัฐฯ แต่รวมถึงหุ้นในตลาดหลักทรัพย์แห่งประเทศไทย (เช่น PTT.BK), อัตราแลกเปลี่ยน (USDTHB=X), และดัชนีระดับโลก เช่น S&P 500 (^GSPC)

• Financial Fundamentals: ข้อมูล งบการเงิน, งบกระแสเงินสด และอัตราส่วนทางการเงินเบื้องต้น

6.2.2 ทำไมต้องใช้ yfinance ในงานวิจัยเศรษฐศาสตร์?

นักเศรษฐศาสตร์ยุคใหม่ใช้ yfinance ในสถานการณ์ที่ต้องการ ความรวดเร็วและความแม่นยำ (Efficiency & Precision):

1. การวิเคราะห์ผลตอบแทน (Return Analysis): เพื่อศึกษาความสัมพันธ์ระหว่างนโยบายการเงินกับราคาหลักทรัพย์

2. การศึกษาความผันผวน (Volatility Study): เช่น การประเมินความเสี่ยงในช่วงวิกฤตเศรษฐกิจ หรือช่วงที่มีการเปลี่ยนแปลงทางการเมือง

3. การสร้างพอร์ตโฟลิโอจำลอง (Portfolio Optimization): เพื่อทดสอบทฤษฎีการลงทุนด้วยข้อมูลจริงย้อนหลังหลายสิบปี

6.2.3 บทบาทของ yfinance ในการทำงานอัตโนมัติ (Automation Workflow)

หนึ่งในจุดเด่นที่อาจารย์ควรเน้นย้ำคือนักศึกษาจะไม่ได้แค่ “ดึงข้อมูล” แต่กำลังสร้าง “ท่อส่งข้อมูล” (Data Pipeline):

flowchart TD
    A[Yahoo Finance Database] -- "yfinance.download()" --> B{Python Environment}
    B --> C[<b>Pandas DataFrame</b><br/>จัดระเบียบข้อมูล]
    C --> D[<b>Analysis</b><br/>คำนวณ Return / Risk]
    D --> E[<b>Visualization</b><br/>สร้างกราฟเทรนด์เศรษฐกิจ]

    style B fill:#f9f,stroke:#333
    style C fill:#e1f5fe,stroke:#01579b

6.2.4 การปฏิวัติกระบวนการทำงาน: จาก Manual สู่ Programmatic

งความแตกต่างระหว่าง “นักเศรษฐศาสตร์ยุคเก่า” กับ “นักเศรษฐศาสตร์ยุคใหม่” ได้

ลักษณะการทำงาน	วิธีแบบเดิม (Traditional)	วิธีแบบใหม่ (Modern)
การดึงข้อมูล	เข้าเว็บ -> กดโหลด CSV -> เซฟลงเครื่อง	เขียนโค้ด 1 บรรทัดดึงเข้าเมมโมรี่ทันที
ความต่อเนื่อง	ข้อมูลจบที่วันที่โหลด ต้องโหลดใหม่เพื่ออัปเดต	รันสคริปต์เดิม ข้อมูลจะอัปเดตถึงวันล่าสุดอัตโนมัติ
ความผิดพลาด	อาจคัดลอกผิด (Human Error)	ข้อมูลส่งตรงจาก Server แม่นยำตามแหล่งข่าว
การส่งต่องาน	ต้องส่งไฟล์ Excel หลายๆ ไฟล์	ส่งแค่สคริปต์ Python ไฟล์เดียว เพื่อนรันได้ผลเหมือนกัน

6.3 การดึงข้อมูลหุ้น (Download Financial Data)

หัวใจสำคัญของการวิเคราะห์เศรษฐศาสตร์การเงินคือการเข้าถึงข้อมูลที่แม่นยำ ในส่วนนี้เราจะเปลี่ยนจากการใช้ข้อมูลสมมติ มาเป็นการดึง “ข้อมูลจริงจากตลาดโลก” โดยใช้เทคนิคการดึงข้อมูลผ่าน Ticker Symbol

6.3.1 โจทย์ทางเศรษฐศาสตร์: การศึกษาพฤติกรรมราคาสินทรัพย์

ในทางเศรษฐศาสตร์ เรามักตั้งคำถามว่า: > “ปัจจัยภายนอก (เช่น นโยบายดอกเบี้ย) ส่งผลต่อราคาหุ้น Apple (AAPL) อย่างไรในช่วง 5 ปีที่ผ่านมา?”

ก่อนจะตอบคำถามนั้นได้ เราต้องมีชุดข้อมูล Time Series ที่สมบูรณ์เสียก่อน

Noteขั้นตอนการดึงข้อมูลด้วยคำสั่ง yf.download()

import yfinance as yf

# ดึงข้อมูลหุ้น Apple (AAPL) ย้อนหลัง 5 ปี
# โดยระบุวันที่เริ่ม (start) และสิ้นสุด (end) ในรูปแบบ YYYY-MM-DD
data = yf.download("AAPL", start="2018-01-01", end="2025-12-31")

# ตรวจสอบความถูกต้องเบื้องต้น
display(data.head())

Price	Close	High	Low	Open	Volume
Ticker	AAPL	AAPL	AAPL	AAPL	AAPL
Date
2018-01-02	40.304180	40.313541	39.602261	39.812839	102223600
2018-01-03	40.297157	40.839976	40.233987	40.367350	118071600
2018-01-04	40.484337	40.587286	40.262063	40.369689	89738400
2018-01-05	40.945263	41.031832	40.489016	40.580266	94640000
2018-01-08	40.793179	41.087983	40.694907	40.793179	82271200

6.3.2 เจาะลึกองค์ประกอบของ Financial DataFrame

ข้อมูลที่ yfinance ส่งกลับมานั้นไม่ใช่แค่ตารางธรรมดา แต่เป็น Multi-column Time Series ที่มีโครงสร้างดังนี้:

คอลัมน์	คำอธิบายเชิงเศรษฐศาสตร์
Open / Close	ราคาเปิดและปิดตลาด สะท้อนการประมวลผลข้อมูลของนักลงทุนในช่วงเริ่มต้นและสิ้นสุดวัน
High / Low	ราคาสูงสุดและต่ำสุด สะท้อนความผันผวน (Volatility) และช่วงการซื้อขาย (Trading Range)
Adj Close	ราคาปิดที่ปรับปรุงแล้ว (Adjusted Close) คือคอลัมน์ที่สำคัญที่สุดสำหรับนักเศรษฐศาสตร์ เพราะมีการปรับมูลค่าจากการแตกหุ้น (Stock Splits) และการจ่ายปันผล (Dividends) แล้ว
Volume	ปริมาณการซื้อขาย สะท้อนสภาพคล่อง (Liquidity) และความเชื่อมั่นของตลาด

6.3.3 การจัดการข้อมูลหลายชุด (Multiple Tickers)

ในการวิเคราะห์เปรียบเทียบ (Comparative Analysis) เช่น การศึกษาความสัมพันธ์ระหว่างหุ้นกลุ่มเทคโนโลยี เราสามารถดึงข้อมูลพร้อมกันได้:

import yfinance as yf

assets = ["AAPL", "MSFT"]
# เพิ่ม auto_adjust=False เพื่อให้แสดงคอลัมน์ Adj Close แยกออกมาชัดเจน
data_multi = yf.download(assets, start="2020-01-01", auto_adjust=False)

# ลองตรวจสอบชื่อคอลัมน์ทั้งหมดก่อน
print(data_multi.columns)

# เรียกใช้ Adj Close
display(data_multi['Adj Close'].head())

MultiIndex([('Adj Close', 'AAPL'),
            ('Adj Close', 'MSFT'),
            (    'Close', 'AAPL'),
            (    'Close', 'MSFT'),
            (     'High', 'AAPL'),
            (     'High', 'MSFT'),
            (      'Low', 'AAPL'),
            (      'Low', 'MSFT'),
            (     'Open', 'AAPL'),
            (     'Open', 'MSFT'),
            (   'Volume', 'AAPL'),
            (   'Volume', 'MSFT')],
           names=['Price', 'Ticker'])

Ticker	AAPL	MSFT
Date
2020-01-02	72.400513	152.158386
2020-01-03	71.696648	150.263733
2020-01-06	72.267944	150.652145
2020-01-07	71.928062	149.278549
2020-01-08	73.085106	151.656281

โครงสร้างข้อมูลที่ควรสังเกต

graph TD
    A[<b>Datetime Index</b><br/>วันที่ที่ตลาดเปิดทำการ] --- B[<b>Ticker 1: AAPL</b><br/>Open, Close, Adj Close...]
    A --- C[<b>Ticker 2: MSFT</b><br/>Open, Close, Adj Close...]
    
    style A fill:#fff3e0,stroke:#e65100
    style B fill:#e1f5fe,stroke:#01579b
    style C fill:#e1f5fe,stroke:#01579b

Warningข้อควรระวัง

1. Missing Business Days: ข้อมูลหุ้นจะหายไปในวันเสาร์-อาทิตย์ และวันหยุดนักขัตฤกษ์ของแต่ละประเทศ (เช่น ตลาดไทยหยุด ตลาดเมกาเปิด) การรวมข้อมูล (Merge) ต้องระวังเรื่องวันที่ไม่ตรงกัน
2. Survival Bias: ข้อมูลที่ดึงได้มักเป็นหุ้นที่ยังคงอยู่ในตลาด (Active) หุ้นที่ล้มละลายหรือออกจากตลาดไปแล้วอาจหาไม่ได้จาก yfinance ซึ่งอาจทำให้เกิดอคติในการวิเคราะห์ได้
3. Data Delay: ข้อมูลจาก yfinance อาจมีความล่าช้า (Delayed) เล็กน้อยเมื่อเทียบกับข้อมูล Real-time จากหน้าจอเทรดเดอร์มืออาชีพ แต่เพียงพอสำหรับการวิเคราะห์เชิงเศรษฐศาสตร์

6.4 การดึงข้อมูลหลายประเภท (Ticker Symbols)

หัวใจของการใช้ yfinance คือการรู้จักรหัส (Ticker) ของสิ่งที่เราต้องการ นักเศรษฐศาสตร์มักใช้รหัสมาตรฐานดังนี้:

• หุ้นไทย: ชื่อหุ้นตามด้วย .BK เช่น PTT.BK, CPALL.BK

• อัตราแลกเปลี่ยน: USDTHB=X (ดอลลาร์เทียบเงินบาท)

• สินค้าโภคภัณฑ์: CL=F (น้ำมันดิบ Crude Oil), GC=F (ราคาทองคำ)

• ดัชนีตลาด: ^SET.BK (ดัชนีตลาดหุ้นไทย), ^GSPC (S&P 500)

Noteคำสั่ง yf.download()

โครงสร้างคำสั่งพื้นฐาน

data = yf.download(tickers, start, end, period, interval, group_by, ...)

Argument ที่สำคัญและต้องใช้บ่อย

Argument	คำอธิบาย	ตัวอย่างการใช้งาน
tickers	ชื่อย่อหลักทรัพย์ (String หรือ List)	"PTT.BK" หรือ ["PTT.BK", "CPALL.BK"]
period	ช่วงเวลาที่ต้องการ (แทนการระบุวันที่)	1d, 5d, 1mo, 1y, 5y, max
start	วันเริ่มต้น (YYYY-MM-DD)	"2023-01-01"
end	วันสิ้นสุด (YYYY-MM-DD)	"2023-12-31"
interval	ความถี่ของข้อมูล	1d (วัน), 1wk (สัปดาห์), 1mo (เดือน)
group_by	จัดกลุ่มข้อมูลตาม Ticker หรือ Column	'ticker' หรือ 'column' (ค่าเริ่มต้น)
auto_adjust	ปรับราคาหุ้นตามการแตกหุ้น/ปันผลอัตโนมัติ	True หรือ False

6.4.1 การดึงข้อมูลหลายหลักทรัพย์ (Multi-Asset Analysis)

การวิเคราะห์ความสัมพันธ์ระหว่างตัวแปร เช่น ผลกระทบของราคาน้ำมันต่อค่าเงินบาท หรือดัชนีตลาดหุ้นต่างประเทศ

Argument ที่สำคัญ:

• tickers: ใส่เป็น List ของรหัสที่ต้องการ

• period: กำหนดช่วงเวลาย้อนหลัง (เช่น 2y)

• group_by: ตั้งเป็น 'column' (ค่าเริ่มต้น) เพื่อให้ได้ตารางที่เปรียบเทียบราคาปิดของทุกตัวได้ง่าย

import yfinance as yf
import pandas as pd

# ดึงข้อมูลราคาน้ำมันโลก (CL=F), ดัชนีหุ้นสหรัฐฯ (^GSPC) และหุ้นไทย (PTT.BK)
assets = ["CL=F", "^GSPC", "PTT.BK"]
df = yf.download(tickers=assets, period="2y")

# เลือกเฉพาะราคาปิด (Close) มาแสดงผล
display(df['Close'].tail())

Ticker	CL=F	PTT.BK	^GSPC
Date
2026-04-23	95.849998	35.00	7108.399902
2026-04-24	94.400002	34.75	7165.080078
2026-04-27	96.370003	35.25	7173.910156
2026-04-28	99.930000	35.25	7138.799805
2026-04-29	105.019997	35.25	7140.470215

6.4.2 การกำหนดช่วงเวลาแบบเจาะจง (Event Study)

ใช้เมื่อต้องการวิเคราะห์เหตุการณ์เฉพาะช่วง เช่น วิกฤตการณ์เศรษฐกิจ หรือช่วงที่มีนโยบายสำคัญ

Argument ที่สำคัญ:

• start และ end: กำหนดวันที่เริ่มต้นและสิ้นสุดในรูปแบบ YYYY-MM-DD

# ดึงข้อมูลดัชนี SET ช่วงปี 2023 เพื่อวิเคราะห์ความผันผวน
df_event = yf.download(
             tickers="^SET.BK", 
             start="2023-01-01", 
             end="2023-12-31")
             
display(df_event.head())

Price	Close	High	Low	Open	Volume
Ticker	^SET.BK	^SET.BK	^SET.BK	^SET.BK	^SET.BK
Date
2023-01-03	1678.969971	1683.380005	1673.290039	1675.699951	4618100
2023-01-04	1673.250000	1685.109985	1668.069946	1680.069946	5777500
2023-01-05	1663.859985	1676.819946	1659.900024	1674.810059	6321200
2023-01-06	1673.859985	1677.790039	1665.489990	1667.140015	4912600
2023-01-09	1691.119995	1693.420044	1684.900024	1685.300049	4677700

6.4.3 การปรับความถี่ข้อมูล (Macro Analysis)

ข้อมูลรายวันอาจมี Noise มากเกินไป นักเศรษฐศาสตร์มักใช้ข้อมูลรายสัปดาห์หรือรายเดือนเพื่อดูภาพรวมเชิงโครงสร้าง

Argument ที่สำคัญ: * interval: กำหนดความถี่ เช่น 1wk (รายสัปดาห์) หรือ 1mo (รายเดือน)

# ดึงข้อมูลอัตราแลกเปลี่ยน USD/THB ย้อนหลัง 5 ปี แบบรายเดือน
usd_thb = yf.download(
            tickers="USDTHB=X", 
            period="5y", 
            interval="1mo")
            
display(usd_thb.tail())

Price	Close	High	Low	Open	Volume
Ticker	USDTHB=X	USDTHB=X	USDTHB=X	USDTHB=X	USDTHB=X
Date
2025-12-01	31.450001	32.139999	30.990000	32.020000	0
2026-01-01	31.230000	31.600000	30.820000	31.500000	0
2026-02-01	31.080000	31.879999	30.920000	31.375000	0
2026-03-01	32.849998	33.056999	31.110001	31.135000	0
2026-04-01	32.730000	32.801998	31.724001	32.529999	0

6.4.4 การดึงข้อมูลราคาที่ปรับแล้ว (True Return Calculation)

สำหรับการคำนวณผลตอบแทนที่แท้จริง ต้องใช้ราคาที่ปรับปรุงผลจากการจ่ายปันผลและการแตกหุ้นแล้วเท่านั้น

Argument ที่สำคัญ:

• auto_adjust=True: ระบบจะคำนวณราคาปิดที่ปรับแล้ว (Adjusted Close) ให้โดยอัตโนมัติ

# ดึงข้อมูลหุ้นที่จ่ายปันผลสูง (เช่น ADVANC.BK) แบบปรับราคาอัตโนมัติ
advanc = yf.download(
           tickers="ADVANC.BK", 
           period="5y", 
           auto_adjust=True)
           
# ราคาในคอลัมน์ Close จะเป็นราคาที่รวมผลตอบแทนจากปันผลแล้ว
display(advanc['Close'].tail())

Ticker	ADVANC.BK
Date
2026-04-23	345.0
2026-04-24	349.0
2026-04-27	348.0
2026-04-28	349.0
2026-04-29	348.0

6.4.5 การดึงข้อมูลพื้นฐานและเงินปันผล (Fundamental & Corporate Actions)

นอกเหนือจากราคา ข้อมูลการจ่ายปันผลเป็นดัชนีชี้วัดสุขภาพของบริษัทในมุมมองเศรษฐศาสตร์จุลภาค

วิธีการ: ใช้ yf.Ticker เพื่อเข้าถึง Metadata ของบริษัท

ticker_info = yf.Ticker("CPALL.BK")

# ดึงประวัติการจ่ายเงินปันผล (Dividends)
dividends = ticker_info.dividends
display(dividends.tail())

Date
2021-05-05 10:00:00+07:00    0.90
2022-04-28 10:00:00+07:00    0.60
2023-05-02 10:00:00+07:00    0.75
2024-05-07 10:00:00+07:00    1.00
2025-05-06 10:00:00+07:00    1.35
Name: Dividends, dtype: float64

# ดึงข้อมูลผู้ถือหุ้นรายใหญ่ (Major Holders)
holders = ticker_info.major_holders
display(holders)

Breakdown	Value
insidersPercentHeld	0.43845
institutionsPercentHeld	0.12196
institutionsFloatPercentHeld	0.21718
institutionsCount	61.00000

6.5 การจัดการข้อมูลจาก yfinance (Data Wrangling)

ข้อมูลดิบที่ดึงมาจาก yfinance มักอยู่ในรูปของ “ระดับราคา” (Price Level) ซึ่งในทางเศรษฐมิติมักจะมีปัญหาความไม่นิ่ง (Non-stationary) เราจึงต้องเรียนรู้วิธีการแปลงข้อมูลให้อยู่ในรูปของผลต่างหรือผลตอบแทนก่อนนำไปวิเคราะห์

6.5.1 การคำนวณผลตอบแทนและผลต่าง (Returns & Differences)

ในงานวิจัยเรานิยมแปลงราคาให้เป็นค่าที่สามารถเปรียบเทียบกันได้ข้ามเวลา ดังนี้:

# ดึงข้อมูลดัชนีหุ้นไทย และอัตราแลกเปลี่ยน
df = yf.download(["^SET.BK", "USDTHB=X"], period="1y")['Close']

# 1. การหาผลต่างธรรมดา (First Difference) - ใช้คำสั่ง .diff()
# เหมาะสำหรับตัวแปรอย่าง อัตราดอกเบี้ย หรือเพื่อกำจัดแนวโน้ม (Trend)
df_diff = df.diff()
# แสดงผลลัพธ์เบื้องต้น
display(df_diff.head())

Ticker	USDTHB=X	^SET.BK
Date
2025-04-29	NaN	NaN
2025-04-30	0.090000	26.140015
2025-05-01	-0.010002	NaN
2025-05-02	0.090000	NaN
2025-05-05	-0.419998	NaN

# 2. การคำนวณผลตอบแทนปกติ (Simple Return) - ใช้คำสั่ง .pct_change()
# คิดเป็นเปอร์เซ็นต์ส่วนเปลี่ยนแปลงเทียบกับวันก่อนหน้า
df_return = df.pct_change() * 100
# แสดงผลลัพธ์เบื้องต้น
display(df_return.tail())

Ticker	USDTHB=X	^SET.BK
Date
2026-04-23	0.217525	-1.242787
2026-04-24	0.713177	-0.359257
2026-04-27	-0.184733	1.581624
2026-04-28	-0.215915	0.072336
2026-04-29	1.174656	0.779627

import numpy as np
# 3. การคำนวณ Log Return (นิยมที่สุดในงานวิจัยเศรษฐศาสตร์)
# สูตร: ln(Pt) - ln(Pt-1) ช่วยให้ข้อมูลมีการกระจายตัวที่ดีขึ้น
df_log_return = np.log(df).diff()
# แสดงผลลัพธ์เบื้องต้น
display(df_log_return.tail())

Ticker	USDTHB=X	^SET.BK
Date
2026-04-23	0.002173	-0.012506
2026-04-24	0.007106	-0.003599
2026-04-27	-0.001849	0.015692
2026-04-28	-0.002161	0.000723
2026-04-29	0.011678	0.007766

6.5.2 การจัดการค่าว่าง (Handling Missing Values)

เนื่องจากตลาดหุ้นในแต่ละประเทศมีวันหยุดไม่ตรงกัน ข้อมูลที่ดึงมาพร้อมกันจึงมักเกิดค่าว่าง (NaN) เราสามารถจัดการได้ดังนี้:

# 1. การลบแถวที่มีค่าว่างทิ้ง (dropna)
# ใช้เมื่อข้อมูลมีจำนวนมากและต้องการความแม่นยำสูง
df_dropped = df_log_return.dropna()

# 2. การเติมค่าว่างด้วยวิธี Forward Fill (ffill)
# คือการใช้ราคาล่าสุดที่มีอยู่มาเติมในวันหยุด (วิธีมาตรฐานสำหรับ Time Series)
df_filled = df.ffill()

# 3. การแทนที่ค่าว่างด้วยค่าคงที่ (เช่น 0)
# มักใช้กับข้อมูลผลตอบแทน (Return) ในวันหยุดที่ถือว่าไม่มีการเปลี่ยนแปลง
df_zero = df_log_return.fillna(0)

display(df_filled.tail())

Ticker	USDTHB=X	^SET.BK
Date
2026-04-23	32.250000	1461.349976
2026-04-24	32.480000	1456.099976
2026-04-27	32.419998	1479.130005
2026-04-28	32.349998	1480.199951
2026-04-29	32.730000	1491.739990

Tipคำอธิบาย Argument และฟังก์ชันที่สำคัญสำหรับการจัดการข้อมูล:

• .diff(): คำนวณผลต่างระหว่างแถวปัจจุบันกับแถวก่อนหน้า (\(y_t - y_{t-1}\))

• .pct_change(): คำนวณอัตราการเปลี่ยนแปลงในรูปแบบทศนิยม (\(\frac{y_t - y_{t-1}}{y_{t-1}}\))

• np.log(df).diff(): การทำ Log Difference ซึ่งเป็นวิธีมาตรฐานในการเตรียมข้อมูลสำหรับการทำแบบจำลองทางสถิติ

• .ffill(): ย่อมาจาก Forward Fill คือการนำค่าในวันก่อนหน้า (ที่ตลาดเปิด) มาใส่ในวันถัดไป (ที่ตลาดปิด) เพื่อไม่ให้ข้อมูลขาดตอน

6.6 การรวมข้อมูลจากต่างตลาดและต่างช่วงเวลา

ความท้าทายสำคัญของการวิเคราะห์เศรษฐกิจระหว่างประเทศ คือการจัดการข้อมูลที่มาจากตลาดคนละแห่งซึ่งมี “วันหยุดไม่ตรงกัน” เช่น ในวันที่ 13-15 เมษายน (วันสงกรานต์) ตลาดหลักทรัพย์ไทยปิดทำการ แต่ตลาดหลักทรัพย์นิวยอร์กยังคงเปิดซื้อขายปกติ ใน Python เราสามารถจัดการปัญหานี้ได้อย่างง่ายดายผ่านการใช้ Index (วันที่) เป็นตัวเชื่อม

6.6.1 การดึงข้อมูลหลายตลาดพร้อมกัน

เมื่อเราใช้ yf.download() ดึงข้อมูลหลาย Ticker พร้อมกัน ระบบจะสร้างตารางที่มี “วันที่” ครอบคลุมทุกวันที่อย่างน้อยหนึ่งตลาดมีการเคลื่อนไหว (Union Index)

# ดึงข้อมูลหุ้นไทย (PTT.BK) และหุ้นสหรัฐฯ (AAPL)
# ตลาดสองแห่งนี้มีวันหยุดและโซนเวลาที่แตกต่างกัน
assets = ["PTT.BK", "AAPL"]
df_merged = yf.download(assets, period="1mo")['Close']

# แสดงข้อมูล 10 แถวแรก เพื่อดูร่องรอยของค่าว่าง (NaN) ที่เกิดจากวันหยุดไม่ตรงกัน
display(df_merged.head(10))

Ticker	AAPL	PTT.BK
Date
2026-03-30	246.630005	35.25
2026-03-31	253.789993	35.00
2026-04-01	255.630005	34.75
2026-04-02	255.919998	35.50
2026-04-03	NaN	34.25
2026-04-06	258.859985	NaN
2026-04-07	253.500000	34.75
2026-04-08	258.899994	35.00
2026-04-09	260.489990	35.50
2026-04-10	260.480011	34.75

6.6.2 กลยุทธ์การจัดการข้อมูลหลังการรวม (Merging Strategy)

หลังจากรวมข้อมูลแล้ว เราจะพบค่าว่าง (NaN) ในวันที่ตลาดแห่งหนึ่งปิดแต่เทรดอีกแห่งหนึ่งเปิด นักเศรษฐศาสตร์มี 2 วิธีหลักในการจัดการ:

วิธีที่ 1: การใช้ข้อมูลล่าสุดที่มี (Forward Fill) เป็นวิธีที่นิยมที่สุดในงานวิจัย เพราะถือว่าในวันที่ตลาดปิด ราคาสินทรัพย์นั้นยังคงมีมูลค่าเท่ากับราคาปิดล่าสุดที่ปรากฏ

# เติมค่าว่างด้วยค่าล่าสุดก่อนหน้า (Forward Fill)
df_ready = df_merged.ffill().dropna()

display(df_ready.head())

Ticker	AAPL	PTT.BK
Date
2026-03-30	246.630005	35.25
2026-03-31	253.789993	35.00
2026-04-01	255.630005	34.75
2026-04-02	255.919998	35.50
2026-04-03	255.919998	34.25

วิธีที่ 2: การเลือกเฉพาะวันที่เปิดทำการร่วมกัน (Inner Join) ใช้เมื่อต้องการวิเคราะห์เฉพาะวันที่ทั้งสองตลาดมีการเคลื่อนไหวพร้อมกันเท่านั้น

# ลบแถวที่มีค่าว่างออกทั้งหมด
df_intersect = df_merged.dropna()

display(df_intersect.head())

Ticker	AAPL	PTT.BK
Date
2026-03-30	246.630005	35.25
2026-03-31	253.789993	35.00
2026-04-01	255.630005	34.75
2026-04-02	255.919998	35.50
2026-04-07	253.500000	34.75

6.7 สรุปท้ายบท

บทนี้ได้นำเสนอการดึงข้อมูลเศรษฐกิจและการเงินแบบอัตโนมัติผ่านไลบรารี yfinance ซึ่งช่วยให้ผู้ใช้งานสามารถเข้าถึงข้อมูลจากแหล่งระดับโลกได้อย่างสะดวก รวดเร็ว และไม่มีค่าใช้จ่าย โดยข้อมูลที่ได้อยู่ในรูปแบบที่พร้อมนำไปวิเคราะห์ต่อด้วยเครื่องมือทางสถิติหรือสร้างแบบจำลองได้ทันที

เนื้อหาสำคัญของบทนี้ประกอบด้วยการทำความเข้าใจรหัสสินทรัพย์ (Ticker Symbols) สำหรับสินทรัพย์ประเภทต่าง ๆ เช่น หุ้น อัตราแลกเปลี่ยน สินค้าโภคภัณฑ์ และดัชนีตลาด รวมถึงการใช้งานฟังก์ชัน yf.download() เพื่อดึงข้อมูลย้อนหลังในช่วงเวลาที่ต้องการ

นอกจากนี้ ยังได้กล่าวถึงความท้าทายในการรวมข้อมูลจากหลายตลาดที่มีวันหยุดและเวลาทำการแตกต่างกัน ซึ่งอาจทำให้เกิดค่าว่าง (NaN) ในชุดข้อมูล และเสนอแนวทางการจัดการข้อมูลดังกล่าว เช่น การเติมค่าด้วยข้อมูลล่าสุด (Forward Fill) หรือการเลือกเฉพาะวันที่มีข้อมูลครบทุกตลาด (Inner Join)

โดยสรุป การใช้ yfinance ไม่เพียงช่วยลดภาระในการรวบรวมข้อมูล แต่ยังเป็นเครื่องมือสำคัญที่ช่วยให้นักเศรษฐศาสตร์สามารถทำงานกับข้อมูลจริงได้อย่างมีประสิทธิภาพ และพร้อมต่อยอดสู่การวิเคราะห์เชิงลึกในขั้นต่อไป

Géron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. 2nd ed. O’Reilly Media.

Greene, William H. 2018. Econometric Analysis. 8th ed. Pearson.

Hamilton, James D. 1994. Time Series Analysis. Princeton University Press.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2009a. The Elements of Statistical Learning. Springer.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2009b. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer.

Hyndman, Rob J., and George Athanasopoulos. 2021. Forecasting: Principles and Practice. 3rd ed.

McKinney, Wes. 2022. Python for Data Analysis. 3rd ed. O’Reilly Media.

Quarto Team. 2024. Quarto Documentation. https://quarto.org.

Stock, James H., and Mark W. Watson. 2020. Introduction to Econometrics. 4th ed. Pearson.

VanderPlas, Jake. 2016. Python Data Science Handbook. O’Reilly Media.

Wickham, Hadley, Mine Cetinkaya-Rundel, and Garrett Grolemund. 2023. R for Data Science. 2nd ed.

Wooldridge, Jeffrey M. 2020. Introductory Econometrics: A Modern Approach. 7th ed. Cengage Learning.

Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Chapman; Hall/CRC.