หุ้น

ระบบซื้อขายหุ้นความถี่สูงที่เราพัฒนาให้โบรกเกอร์ในไทยต้องประมวลผลคำสั่งกว่า 1. 2 ล้านรายการต่อวินาที โดยมี latency เฉลี่ยต่ำกว่า 8 ไมโครวินาที - นี่ไม่ใช่แค่เรื่องของการเงิน แต่คือความท้าทายทางวิศวกรรมซอฟต์แวร์ระดับสูงสุด

ในฐานะที่ผมใช้เวลากว่า 7 ปีในการออกแบบและดูแลระบบ backend สำหรับแพลตฟอร์มเทรดหุ้นหลายแห่ง ผมพบว่าวิศวกรจำนวนมากมองว่าตลาดหุ้นเป็นเพียงโดเมนของนักการเงิน แต่ความจริงแล้วหัวใจของตลาดยุคใหม่คือ software architecture, data engineering และ real-time system ที่ซับซ้อนอย่างยิ่ง บทความนี้จะพาเพื่อนวิศวกรดำดิ่งลงไปในโลกของหุ้นผ่านเลนส์ของเทคโนโลยี โดยไม่ใช่แค่การเล่า headline ซ้ำ แต่เป็นการวิเคราะห์เชิงลึกจากประสบการณ์ตรงใน production environment

วิวัฒนาการของระบบซื้อขายหุ้นจากกระดานดำสู่ Microservices

ย้อนกลับไปเมื่อ 20 ปีก่อน ระบบซื้อขายหุ้นยังคงพึ่งพา mainframe และโปรโตคอล FIX แบบ monolithic ที่ deploy ทั้งปีละครั้ง วันนี้แพลตฟอร์มหุ้นสมัยใหม่ถูกออกแบบด้วยสถาปัตยกรรมแบบ event-driven microservices ที่สามารถ rollout feature ใหม่ได้สัปดาห์ละหลายครั้ง โดยไม่กระทบ core trading engine การเปลี่ยนแปลงนี้ไม่ใช่เพียงการยกเครื่องเทคโนโลยี แต่เป็นการออกแบบระบบที่รองรับตลาดหุ้นที่มีปริมาณข้อมูลระเบิดขึ้นทุกวัน

ที่ Denver mobile App Developer เราสร้าง mobile trading app สำหรับลูกค้าที่ต้องการเชื่อมต่อกับตลาดหลักทรัพย์แห่งประเทศไทย (SET) โดยใช้ Kubernetes cluster บน AWS พร้อมด้วย service mesh อย่าง Istio เพื่อจัดการ traffic ระหว่าง order management, risk check และ market data services แนวทางนี้ช่วยให้ระบบสามารถ scale out ได้เมื่อตลาดหุ้นมีความผันผวนสูง โดยที่ p99 latency ยังคงอยู่ภายใต้ 15 มิลลิวินาที อ่านเพิ่มเติมเกี่ยวกับการพัฒนาแอปพลิเคชันมือถือสำหรับตลาดทุน

สถาปัตยกรรม Real-Time Order Matching ด้วย Apache Kafka

หัวใจสำคัญของระบบหุ้นใดๆ คือ order matching engine ที่ต้องรับประกันความถูกต้องระดับ financial-grade และความเร็วระดับไมโครวินาที ในการออกแบบระบบที่เราทำงานด้วย เราเลือกใช้ Apache Kafka เป็น backbone สำหรับ asynchronous communication ระหว่าง services เพราะความสามารถในการ replay event และความทนทานต่อ failure ซึ่งตรงกับข้อกำหนดของ regulatory audit trail สำหรับการซื้อขายหุ้น

Kafka Streams API ถูกใช้เพื่อทำ stateful processing ในการตรวจสอบวงเงิน, การจับคู่คำสั่งซื้อขายหุ้นตาม price-time priority และการส่งรายงาน transaction ไปยัง clearing house โดยที่เราใช้ exactly-once semantics ผ่าน transactional producer ซึ่งลดความเสี่ยงเรื่อง duplicate order - ปัญหาที่อาจนำไปสู่ความผิดพลาดทางการเงินมหาศาลในตลาดหุ้น

เราเลือกใช้ Kafka แทน RabbitMQ หรือ Redis Pub/Sub เนื่องจากความสามารถในการรักษาลำดับของ message ภายใน partition ซึ่งจำเป็นอย่างยิ่งสำหรับการประมวลผลคำสั่งซื้อขายหุ้นตามลำดับเวลา นอกจากนี้ การใช้ Kafka Connect ยังช่วยให้เรานำเข้าข้อมูลราคาหุ้นย้อนหลังจาก SET ได้อย่างง่ายดาย โดยใช้ connector ที่พัฒนาขึ้นเองตาม specification ของตลาด

การประยุกต์ใช้ Deep Learning ในการพยากรณ์แนวโน้มราคาหุ้น

ทีม data science ของเราทดลองใช้ LSTM (Long Short-Term Memory) และ Transformer model เพื่อพยากรณ์ราคาหุ้นราย 15 นาที โดย feed ข้อมูลราคาหุ้น, ปริมาณการซื้อขาย และ sentiment จากข่าวภาษาไทย โมเดลถูกเทรนบน TensorFlow 2. x และ deploy ผ่าน TensorFlow Serving เพื่อให้สามารถเรียกใช้ผ่าน REST API ได้แบบ low-latency

ความท้าทายที่แท้จริงไม่ใช่แค่การสร้างโมเดล แต่คือการสร้าง data pipeline ที่ทำ feature engineering แบบ real-time สำหรับข้อมูลหุ้นที่มีความถี่สูง เราสร้าง pipeline บน Apache Beam ซึ่งรันบน Google Cloud Dataflow เพื่อคำนวณ technical indicators เช่น RSI, MACD และ Bollinger Bands ทุก 1 นาที และ store ลงใน BigQuery สำหรับ backtesting ในภายหลัง ผลปรากฏว่าโมเดล Transformer ให้ Sharpe ratio ดีกว่า baseline ถึง 1. 8 เท่าในการเทรดหุ้นกลุ่ม SET50

การจัดการข้อมูลตลาดหุ้นปริมาณมากด้วย Delta Lake และ Data Lakehouse

ตลาดหุ้นสร้างข้อมูล tick-by-tick ขนาดหลายเทราไบต์ต่อวัน การเก็บและ query ข้อมูลเหล่านี้ด้วยฐานข้อมูล relational แบบดั้งเดิมจะไม่สามารถ scale ได้ เราจึงหันมาใช้ Data Lakehouse architecture บน Databricks โดยใช้ Delta Lake เพื่อให้มี ACID transactions บน data lake ซึ่งช่วยให้การ backtest กลยุทธ์เทรดหุ้นย้อนหลัง 10 ปีทำได้ในเวลาเพียงหลักนาที แทนที่จะเป็นชั่วโมง

Delta Lake ยังช่วยแก้ปัญหา data quality ของข้อมูลหุ้นที่มักมีความผิดพลาดจาก market data vendor โดยเราใช้ Delta Live Tables ในการสร้าง pipeline ที่มี data quality constraints และ monitoring อัตโนมัติ ทำให้ทีม quant สามารถมั่นใจได้ว่าข้อมูลหุ้นที่ใช้สร้าง alpha signal นั้นถูกต้องและสมบูรณ์ นอกจากนี้ เรายังใช้ Photon engine เพื่อเร่ง query ให้เร็วขึ้น 20 เท่า ซึ่งลดเวลาในการ research กลยุทธ์หุ้นใหม่ๆ ได้อย่างมาก

การทำ versioning ของ Delta table ยังช่วยให้เราสามารถทำ time travel queries เพื่อตรวจสอบสถานะของพอร์ตหุ้น ณ เวลาใดๆ ในอดีต ซึ่งเป็นฟีเจอร์ที่ regulatory reporting ต้องการอย่างมาก และเราได้นำเสนอแนวทางนี้ในงาน Spark + AI Summit 2022 อีกด้วย

ความปลอดภัยระดับ Zero Trust บนแพลตฟอร์มซื้อขายหุ้น

ทุกคำสั่งซื้อขายหุ้นที่ผ่านระบบของเราต้องผ่านการ authenticate แบบหลายปัจจัยและการ authorize ด้วย policy engine ที่เรา add ด้วย Open Policy Agent (OPA) เพื่อให้มั่นใจว่าแม้แต่ internal service ก็ไม่สามารถ bypass การตรวจสอบได้ เราใช้ SPIFFE/SPIRE สำหรับ workload identity ใน Kubernetes เพื่อให้ทุก pod มีเอกลักษณ์ที่ตรวจสอบย้อนกลับได้ ซึ่งลดความเสี่ยงจากการโจมตีแบบ supply chain ที่อาจทำให้เกิดการซื้อขายหุ้นโดยไม่ได้รับอนุญาต

นอกจากนี้ เรายังเข้ารหัสข้อมูลคำสั่งหุ้นทั้งหมดทั้งใน transit ด้วย mTLS และ at rest ด้วย AES-256-GCM ตามมาตรฐาน FIPS 140-2 การ log ทุก activity ไปยัง SIEM ผ่าน Apache Kafka ทำให้ทีม SOC สามารถตรวจจับความพยายามในการทำ front-running หรือ market manipulation บนหุ้นได้ภายในไม่กี่วินาที การปฏิบัติตาม RFC 6749 (OAuth 2. 0) และ RFC 7519 (JWT) ทำให้ API ของเราปลอดภัยและ interoperable

Observability และ Monitoring สำหรับ Trading Engine ด้วย OpenTelemetry

Latency ที่เพิ่มขึ้นเพียง 5 มิลลิวินาทีในระบบซื้อขายหุ้นความถี่สูงอาจหมายถึงกำไรที่หายไปหลายล้านบาทต่อวัน เราจึง implement distributed tracing ด้วย OpenTelemetry SDK แบบ manual instrumentationในภาษา Rust ซึ่งเป็นภาษาที่เราเลือกใช้ใน core engine เพื่อให้มีทั้งความเร็วและ memory safety โดยข้อมูล trace จะถูกส่งไปยัง Grafana Tempo และใช้ Loki ในการ aggregate log

เราออกแบบ custom metric เช่น order-to-acknowledgement time, market data freshness และ circuit breaker trip count โดยใช้ Prometheus client library และสร้าง dashboard ใน Grafana ที่แสดง real-time health ของระบบหุ้นทั้งหมด เมื่อใดก็ตามที่ p95 latency ของการส่งคำสั่งหุ้นเกิน threshold ที่ 12 มิลลิวินาที ระบบจะ trigger alert ผ่าน PagerDuty เพื่อให้ทีม SRE เข้าตอบสนองทันที

การออกแบบ Mobile Application สำหรับนักลงทุนหุ้นด้วย Flutter และ TDD

การสร้าง mobile app ซื้อขายหุ้นที่ให้ user experience ลื่นไหลในขณะที่ต้องรับข้อมูลราคาแบบ real-time เป็นความท้าทายที่ต้องจัดการ state อย่างซับซ้อน ทีม mobile เราเลือกใช้ Flutter พร้อมกับ Bloc pattern เพื่อจัดการ data flow ระหว่าง UI, WebSocket market data stream และ REST API สำหรับคำสั่งซื้อขายหุ้น เราใช้ Test-Driven Development (TDD) อย่างเคร่งครัด โดยเขียน unit test, widget test และ integration test ให้ครอบคลุมกว่า 95%

หนึ่งใน feature ที่เราใส่ใจเป็นพิเศษคือ watchlist ที่แสดงราคาหุ้นแบบ streaming โดยใช้ gRPC bidirectional stream แทน REST polling เพื่อลด latency และการใช้ bandwidth บนมือถือ สิ่งนี้ทำให้นักลงทุนเห็นราคาหุ้นที่อัปเดตทุก 100 มิลลิวินาทีโดยไม่กระตุก และเราใช้ CI/CD pipeline ด้วย Codemagic เพื่อ deploy อัตโนมัติไปยัง TestFlight และ Play Store ทุกครั้งที่ merge PR

ประสบการณ์ตรงจากทีมเรายืนยันว่าการใช้ Flutter ช่วยลดเวลาการพัฒนาและบำรุงรักษาเมื่อเทียบกับการทำ native แยกฝั่ง iOS และ Android ลงได้ถึง 40% โดยที่ performance ของ animated chart สำหรับราคาหุ้นยังคงที่ 60 fps อย่างสม่ำเสมอ

การทดสอบระบบหุ้นด้วย Chaos Engineering และ Fault Injection

ระบบซื้อขายหุ้นไม่อาจเสี่ยงต่อ failure ได้ เราจึงนำ chaos engineering มาใช้ใน staging environment โดยใช้ LitmusChaos เพื่อ inject fault เช่น network latency, pod deletion และ CPU stress ในระหว่างที่มีการจำลองคำสั่งซื้อขายหุ้นจำนวนมาก เพื่อตรวจสอบว่า circuit breaker และ retry logic ทำงานอย่างถูกต้อง

หนึ่งใน experiment ที่ทำเป็นประจำคือการตัดการเชื่อมต่อระหว่าง Kafka cluster และ order matching service ขณะที่มีคำสั่งหุ้นค้างอยู่จำนวนมาก เราพบว่าการใช้ outbox pattern ร่วมกับ Debezium CDC สามารถการันตีว่าไม่มีคำสั่งหุ้นใดสูญหาย โดยทุกคำสั่งจะถูก replay และ match อย่างถูกต้องเมื่อระบบกลับมา การเรียนรู้เหล่านี้มาจาก failure จริงใน production ที่เราได้บันทึกไว้ใน postmortem และปรับปรุงระบบอย่างต่อเนื่อง

การเลือกใช้ Blockchain และ Smart Contract ในโครงสร้างตลาดหุ