Best Books for Technical Analysis —

Technical Analysis คืออะไรและทำไมต้องอ่านหนังสือ

Technical Analysis คือการวิเคราะห์ราคาหลักทรัพย์โดยใช้ข้อมูลในอดีตเช่น ราคา ปริมาณการซื้อขาย และ chart patterns เพื่อคาดการณ์ทิศทางราคาในอนาคต แตกต่างจาก Fundamental Analysis ที่ดูข้อมูลทางการเงินของบริษัทเช่นงบกำไรขาดทุนและอัตราส่วนทางการเงิน

หลักการพื้นฐานของ Technical Analysis มี 3 ข้อคือ ราคาสะท้อนทุกอย่างแล้ว (price discounts everything) ราคาเคลื่อนที่เป็นแนวโน้ม (price moves in trends) และ ประวัติศาสตร์มักซ้ำรอยเดิม (history tends to repeat itself)

การอ่านหนังสือมีความสำคัญเพราะ Technical Analysis มีทฤษฎีและเครื่องมือจำนวนมากที่ต้องเข้าใจอย่างลึกซึ้ง การดูแค่วิดีโอหรือบทความสั้นๆอาจทำให้เข้าใจผิดหรือใช้เครื่องมือไม่ถูกวิธี หนังสือให้ context ที่ครบถ้วนกว่าและมีตัวอย่างที่ละเอียดกว่า

เครื่องมือหลักของ Technical Analysis ได้แก่ Chart Patterns เช่น Head and Shoulders, Double Top/Bottom, Candlestick Patterns เช่น Doji, Hammer, Engulfing, Indicators เช่น Moving Average, RSI, MACD, Bollinger Bands และ Volume Analysis เช่น OBV, Volume Profile

หนังสือ Technical Analysis ที่ดีที่สุด 10 เล่ม

รายชื่อหนังสือที่แนะนำสำหรับทั้งผู้เริ่มต้นและผู้มีประสบการณ์

หนังสือ Technical Analysis แนะนำ (เรียงตามระดับ)

=== ระดับเริ่มต้น ===

1. "Technical Analysis of the Financial Markets" — John J. Murphy

• หนังสือ classic ที่ครอบคลุมที่สุด
• ครอบคลุม chart patterns, indicators, intermarket analysis
• เหมาะเป็นเล่มแรกสำหรับทุกคน
• ISBN: 978-0735200661

2. "Japanese Candlestick Charting Techniques" — Steve Nison

• ผู้นำ Candlestick charts มาเผยแพร่ในตะวันตก
• อธิบาย candlestick patterns ครบทุกรูปแบบ
• ISBN: 978-0735201811

3. "Getting Started in Technical Analysis" — Jack Schwager

• เขียนง่ายเข้าใจง่าย เหมาะสำหรับผู้เริ่มต้น
• มีตัวอย่างจริงจากตลาด
• ISBN: 978-0471295426

=== ระดับกลาง ===

4. "Technical Analysis Explained" — Martin Pring

• ลงลึกเรื่อง momentum indicators และ market cycles
• อธิบาย intermarket relationships
• ISBN: 978-0071825177

5. "Encyclopedia of Chart Patterns" — Thomas Bulkowski

• รวบรวม chart patterns กว่า 60 รูปแบบ
• มีสถิติ success rate ของแต่ละ pattern
• ISBN: 978-1119739685

6. "Trading for a Living" — Dr. Alexander Elder

• รวม psychology, trading method, money management
• เน้นเรื่อง discipline และ risk management
• ISBN: 978-0471592242

=== ระดับสูง ===

เนื้อหาเกี่ยวข้อง — อ่านต่อ: Ubuntu Pro Serverless Architecture

7. "Evidence-Based Technical Analysis" — David Aronson

• ใช้วิธีทาง statistical สำหรับทดสอบ TA
• ท้าทาย myths ใน Technical Analysis
• ISBN: 978-0470008744

8. "Advances in Financial Machine Learning" — Marcos Lopez de Prado

• ใช้ ML สำหรับ financial analysis
• เน้น feature engineering จาก market data
• ISBN: 978-1119482086

9. "Quantitative Trading" — Ernest Chan

• สร้าง automated trading systems
• backtesting, risk management, execution
• ISBN: 978-1119800064

10. "Market Wizards" — Jack Schwager

แนะนำเพิ่มเติม — อ่านเพิ่มเติมที่ SiamCafeBook

• สัมภาษณ์ traders ระดับโลก
• เรียนรู้จากประสบการณ์จริง
• ISBN: 978-1118273050

เครื่องมือ Technical Analysis ที่ต้องรู้

สรุปเครื่องมือหลักที่ใช้ใน Technical Analysis พร้อมสูตรคำนวณ

Technical Indicators สูตรคำนวณ

1. Simple Moving Average (SMA)

SMA(n) = (P1 + P2 + ... + Pn) / n

ใช้หาแนวโน้มเฉลี่ย เช่น SMA(50), SMA(200)

2. Exponential Moving Average (EMA)

EMA(t) = Price(t) * k + EMA(t-1) * (1-k)

k = 2 / (n + 1)

ให้น้ำหนักกับราคาล่าสุดมากกว่า SMA

3. RSI (Relative Strength Index)

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน LVM Thin Provisioning Microservices Architecture

RS = Average Gain / Average Loss (over n periods)

RSI = 100 - (100 / (1 + RS))

RSI > 70: overbought, RSI < 30: oversold

4. MACD (Moving Average Convergence Divergence)

MACD Line = EMA(12) - EMA(26)

Signal Line = EMA(9) of MACD Line

Histogram = MACD Line - Signal Line

5. Bollinger Bands

แนะนำเพิ่มเติม — iCafeForex

Middle Band = SMA(20)

Upper Band = SMA(20) + 2 * StdDev(20)

Lower Band = SMA(20) - 2 * StdDev(20)

ราคาอยู่นอก bands = overbought/oversold

6. Stochastic Oscillator

%K = (Close - Low(14)) / (High(14) - Low(14)) * 100

เนื้อหาเกี่ยวข้อง — บทความที่เกี่ยวข้อง: งาน ux/ui designer คือ — ทุกสิ่งที่ต้องรู้ในปี 2026

%D = SMA(3) of %K

%K > 80: overbought, %K < 20: oversold

7. ATR (Average True Range)

True Range = max(High-Low, |High-PrevClose|, |Low-PrevClose|)

ATR = SMA(14) of True Range

ใช้วัด volatility

8. Volume Indicators

OBV (On-Balance Volume):

ถ้า Close > PrevClose: OBV = PrevOBV + Volume

ถ้า Close < PrevClose: OBV = PrevOBV - Volume

ยืนยัน trend ด้วย volume

9. Fibonacci Retracement Levels

Key levels: 23.6%, 38.2%, 50%, 61.8%, 78.6%

ใช้หา support/resistance levels

สร้างระบบ Technical Analysis ด้วย Python

ใช้ Python คำนวณ Technical Indicators จากข้อมูลราคาจริง

เนื้อหาเกี่ยวข้อง — WebSocket Scaling Monitoring และ Alerting — คู่มือฉบับสมบูรณ์ 2026

#!/usr/bin/env python3


# technical_analysis.py — คำนวณ Technical Indicators ด้วย Python


import pandas as pd


import numpy as np


import yfinance as yf





def download_data(symbol, period="1y"):


    """ดาวน์โหลดข้อมูลราคาจาก Yahoo Finance"""


    df = yf.download(symbol, period=period)


    return df





def sma(series, window):


    return series.rolling(window=window).mean()





def ema(series, window):


    return series.ewm(span=window, adjust=False).mean()





def rsi(series, window=14):


    delta = series.diff()


    gain = delta.where(delta > 0, 0)


    loss = (-delta).where(delta < 0, 0)


    avg_gain = gain.rolling(window=window).mean()


    avg_loss = loss.rolling(window=window).mean()


    rs = avg_gain / avg_loss


    return 100 - (100 / (1 + rs))





def macd(series, fast=12, slow=26, signal=9):


    ema_fast = ema(series, fast)


    ema_slow = ema(series, slow)


    macd_line = ema_fast - ema_slow


    signal_line = ema(macd_line, signal)


    histogram = macd_line - signal_line


    return macd_line, signal_line, histogram





def bollinger_bands(series, window=20, num_std=2):


    middle = sma(series, window)


    std = series.rolling(window=window).std()


    upper = middle + num_std * std


    lower = middle - num_std * std


    return upper, middle, lower





def atr(high, low, close, window=14):


    tr1 = high - low


    tr2 = abs(high - close.shift())


    tr3 = abs(low - close.shift())


    tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)


    return tr.rolling(window=window).mean()





def stochastic(high, low, close, k_window=14, d_window=3):


    lowest_low = low.rolling(window=k_window).min()


    highest_high = high.rolling(window=k_window).max()


    k_pct = ((close - lowest_low) / (highest_high - lowest_low)) * 100


    d_pct = k_pct.rolling(window=d_window).mean()


    return k_pct, d_pct





def analyze(symbol="AAPL"):


    """วิเคราะห์หุ้นด้วย Technical Indicators"""


    df = download_data(symbol)


    close = df["Close"]


    


    # คำนวณ indicators


    df["SMA_50"] = sma(close, 50)


    df["SMA_200"] = sma(close, 200)


    df["EMA_20"] = ema(close, 20)


    df["RSI_14"] = rsi(close, 14)


    df["MACD"], df["MACD_Signal"], df["MACD_Hist"] = macd(close)


    df["BB_Upper"], df["BB_Middle"], df["BB_Lower"] = bollinger_bands(close)


    df["ATR_14"] = atr(df["High"], df["Low"], close)


    df["Stoch_K"], df["Stoch_D"] = stochastic(df["High"], df["Low"], close)


    


    # สรุปสัญญาณ


    latest = df.iloc[-1]


    print(f"\n=== Technical Analysis: {symbol} ===")


    print(f"Price: {latest['Close']:.2f}")


    print(f"SMA 50: {latest['SMA_50']:.2f}")


    print(f"SMA 200: {latest['SMA_200']:.2f}")


    print(f"RSI(14): {latest['RSI_14']:.1f}")


    print(f"MACD: {latest['MACD']:.3f}")


    print(f"ATR(14): {latest['ATR_14']:.2f}")


    


    # สัญญาณซื้อขาย


    signals = []


    if latest["Close"] > latest["SMA_50"] > latest["SMA_200"]:


        signals.append("BULLISH: Price above SMA 50 & 200 (Golden Cross)")


    elif latest["Close"] < latest["SMA_50"] < latest["SMA_200"]:


        signals.append("BEARISH: Price below SMA 50 & 200 (Death Cross)")


    


    if latest["RSI_14"] > 70:


        signals.append("OVERBOUGHT: RSI above 70")


    elif latest["RSI_14"] < 30:


        signals.append("OVERSOLD: RSI below 30")


    


    if latest["MACD"] > latest["MACD_Signal"]:


        signals.append("BULLISH: MACD above Signal line")


    


    print("\nSignals:")


    for s in signals:


        print(f"  - {s}")


    


    return df





if __name__ == "__main__":


    df = analyze("AAPL")


    # pip install yfinance pandas numpy

Backtesting Strategy ด้วย Historical Data

สร้าง backtesting framework สำหรับทดสอบ trading strategy

#!/usr/bin/env python3


# backtest.py — Simple Backtesting Framework


import pandas as pd


import numpy as np


import yfinance as yf





class Backtest:


    def __init__(self, data, initial_capital=100000):


        self.data = data.copy()


        self.initial_capital = initial_capital


        self.positions = []


        self.trades = []





    def run_sma_crossover(self, fast=20, slow=50):


        """SMA Crossover Strategy"""


        df = self.data


        df["SMA_Fast"] = df["Close"].rolling(fast).mean()


        df["SMA_Slow"] = df["Close"].rolling(slow).mean()


        


        capital = self.initial_capital


        shares = 0


        buy_price = 0


        


        for i in range(slow, len(df)):


            # Buy signal: fast SMA ตัด slow SMA ขึ้น


            if (df["SMA_Fast"].iloc[i] > df["SMA_Slow"].iloc[i] and


                df["SMA_Fast"].iloc[i-1] <= df["SMA_Slow"].iloc[i-1] and


                shares == 0):


                buy_price = df["Close"].iloc[i]


                shares = int(capital / buy_price)


                capital -= shares * buy_price


                self.trades.append({


                    "date": df.index[i], "action": "BUY",


                    "price": buy_price, "shares": shares


                })


            


            # Sell signal: fast SMA ตัด slow SMA ลง


            elif (df["SMA_Fast"].iloc[i] < df["SMA_Slow"].iloc[i] and


                  df["SMA_Fast"].iloc[i-1] >= df["SMA_Slow"].iloc[i-1] and


                  shares > 0):


                sell_price = df["Close"].iloc[i]


                capital += shares * sell_price


                pnl = (sell_price - buy_price) * shares


                self.trades.append({


                    "date": df.index[i], "action": "SELL",


                    "price": sell_price, "shares": shares, "pnl": pnl


                })


                shares = 0


        


        # ปิดตำแหน่งสุดท้าย


        if shares > 0:


            capital += shares * df["Close"].iloc[-1]


        


        return self._calculate_stats(capital)





    def _calculate_stats(self, final_capital):


        total_return = (final_capital - self.initial_capital) / self.initial_capital * 100


        winning_trades = [t for t in self.trades if t.get("pnl", 0) > 0]


        losing_trades = [t for t in self.trades if t.get("pnl", 0) < 0]


        total_trades = len([t for t in self.trades if t["action"] == "SELL"])


        


        stats = {


            "initial_capital": self.initial_capital,


            "final_capital": round(final_capital, 2),


            "total_return_pct": round(total_return, 2),


            "total_trades": total_trades,


            "winning_trades": len(winning_trades),


            "losing_trades": len(losing_trades),


            "win_rate": round(len(winning_trades) / max(total_trades, 1) * 100, 1),


        }


        


        print("\n=== Backtest Results ===")


        for k, v in stats.items():


            print(f"  {k}: {v}")


        


        print("\nTrades:")


        for t in self.trades[-10:]:


            pnl = f" P&L: {t['pnl']:.2f}" if "pnl" in t else ""


            print(f"  {t['date'].strftime('%Y-%m-%d')} {t['action']} {t['shares']}@{t['price']:.2f}{pnl}")


        


        return stats





if __name__ == "__main__":


    data = yf.download("AAPL", period="5y")


    bt = Backtest(data)


    stats = bt.run_sma_crossover(fast=20, slow=50)

สร้าง Dashboard แสดง Technical Indicators

สร้าง interactive dashboard ด้วย Plotly

#!/usr/bin/env python3


# ta_dashboard.py — Technical Analysis Dashboard


import plotly.graph_objects as go


from plotly.subplots import make_subplots


import pandas as pd


import yfinance as yf





def create_dashboard(symbol="AAPL", period="6mo"):


    df = yf.download(symbol, period=period)


    


    # คำนวณ indicators


    df["SMA_20"] = df["Close"].rolling(20).mean()


    df["SMA_50"] = df["Close"].rolling(50).mean()


    df["EMA_12"] = df["Close"].ewm(span=12).mean()


    df["EMA_26"] = df["Close"].ewm(span=26).mean()


    df["MACD"] = df["EMA_12"] - df["EMA_26"]


    df["Signal"] = df["MACD"].ewm(span=9).mean()


    df["Histogram"] = df["MACD"] - df["Signal"]


    


    delta = df["Close"].diff()


    gain = delta.where(delta > 0, 0).rolling(14).mean()


    loss = (-delta).where(delta < 0, 0).rolling(14).mean()


    df["RSI"] = 100 - (100 / (1 + gain / loss))


    


    bb_mid = df["Close"].rolling(20).mean()


    bb_std = df["Close"].rolling(20).std()


    df["BB_Upper"] = bb_mid + 2 * bb_std


    df["BB_Lower"] = bb_mid - 2 * bb_std


    


    # สร้าง Dashboard


    fig = make_subplots(


        rows=4, cols=1, shared_xaxes=True,


        vertical_spacing=0.03,


        row_heights=[0.5, 0.15, 0.15, 0.2],


        subplot_titles=[f"{symbol} Price", "Volume", "RSI", "MACD"]


    )


    


    # Candlestick


    fig.add_trace(go.Candlestick(


        x=df.index, open=df["Open"], high=df["High"],


        low=df["Low"], close=df["Close"], name="Price"


    ), row=1, col=1)


    


    fig.add_trace(go.Scatter(x=df.index, y=df["SMA_20"], name="SMA 20",


        line=dict(color="blue", width=1)), row=1, col=1)


    fig.add_trace(go.Scatter(x=df.index, y=df["SMA_50"], name="SMA 50",


        line=dict(color="orange", width=1)), row=1, col=1)


    fig.add_trace(go.Scatter(x=df.index, y=df["BB_Upper"], name="BB Upper",


        line=dict(color="gray", width=1, dash="dash")), row=1, col=1)


    fig.add_trace(go.Scatter(x=df.index, y=df["BB_Lower"], name="BB Lower",


        line=dict(color="gray", width=1, dash="dash"), fill="tonexty"), row=1, col=1)


    


    # Volume


    colors = ["green" if c >= o else "red" for c, o in zip(df["Close"], df["Open"])]


    fig.add_trace(go.Bar(x=df.index, y=df["Volume"], name="Volume",


        marker_color=colors), row=2, col=1)


    


    # RSI


    fig.add_trace(go.Scatter(x=df.index, y=df["RSI"], name="RSI",


        line=dict(color="purple")), row=3, col=1)


    fig.add_hline(y=70, line_dash="dash", line_color="red", row=3, col=1)


    fig.add_hline(y=30, line_dash="dash", line_color="green", row=3, col=1)


    


    # MACD


    fig.add_trace(go.Scatter(x=df.index, y=df["MACD"], name="MACD",


        line=dict(color="blue")), row=4, col=1)


    fig.add_trace(go.Scatter(x=df.index, y=df["Signal"], name="Signal",


        line=dict(color="orange")), row=4, col=1)


    hist_colors = ["green" if v >= 0 else "red" for v in df["Histogram"]]


    fig.add_trace(go.Bar(x=df.index, y=df["Histogram"], name="Histogram",


        marker_color=hist_colors), row=4, col=1)


    


    fig.update_layout(height=900, title=f"{symbol} Technical Analysis Dashboard",


        xaxis_rangeslider_visible=False, showlegend=True)


    fig.show()





if __name__ == "__main__":


    create_dashboard("AAPL")


    # pip install plotly yfinance pandas

FAQ คำถามที่พบบ่อย

Q: Technical Analysis ใช้ได้จริงไหม?

A: มีงานวิจัยทั้งที่สนับสนุนและคัดค้าน TA ใช้ได้ดีสำหรับ identify trends และ support/resistance levels แต่ไม่ใช่ crystal ball ที่ทำนายราคาได้ 100% ควรใช้ร่วมกับ risk management และ money management ที่ดี traders ที่ประสบความสำเร็จมักใช้ TA เป็นเพียงส่วนหนึ่งของ trading system ทั้งหมด

Q: ควรเริ่มอ่านเล่มไหนัก่อน?

A: เริ่มที่ Technical Analysis of the Financial Markets ของ John Murphy เพราะครอบคลุมทุกหัวข้อตั้งแต่พื้นฐานจนถึงขั้นสูง ตามด้วย Japanese Candlestick Charting Techniques ของ Steve Nison สำหรับเรียนรู้ candlestick patterns และ Trading for a Living ของ Alexander Elder สำหรับเรื่อง psychology และ money management

Q: RSI กับ Stochastic ต่างกันอย่างไร?

A: RSI วัดความเร็วและขนาดของการเปลี่ยนแปลงราคา (momentum) ส่วน Stochastic วัดตำแหน่งของราคาปิดเทียบกับช่วงราคาในอดีต RSI ตอบสนองช้ากว่าเหมาะสำหรับ trending market ส่วน Stochastic ตอบสนองเร็วกว่าเหมาะสำหรับ ranging market ใช้ทั้งสองตัวร่วมกันจะได้สัญญาณที่น่าเชื่อถือกว่า

Q: Python Library ที่ดีที่สุดสำหรับ Technical Analysis คืออะไร?

A: TA-Lib เป็น library ที่ครบที่สุดมี indicators กว่า 150 ตัว แต่ติดตั้งยากบน Windows ทางเลือกคือ pandas-ta ที่ใช้ง่ายกว่าและรองรับ indicators มากกว่า 130 ตัว สำหรับ backtesting แนะนำ Backtrader หรือ Zipline สำหรับ visualization ใช้ mplfinance หรือ Plotly

Q: Backtesting มีข้อจำกัดอะไรบ้าง?

A: Backtesting มีข้อจำกัดหลายอย่างเช่น Survivorship Bias ที่ใช้เฉพาะหุ้นที่ยังอยู่ในตลาด, Look-Ahead Bias ที่ใช้ข้อมูลในอนาคตโดยไม่ตั้งใจ, Overfitting ที่ optimize strategy ให้เข้ากับข้อมูลอดีตมากเกินไป และ Slippage/Commission ที่ไม่ได้คิดค่าใช้จ่ายในการซื้อขายจริง ผลลัพธ์จาก backtesting จึงไม่ guarantee ผลลัพธ์ในอนาคต