Coding: แล้วเราทำนายถูกกี่เปอร์เซ็น Hit Rate

Python for Finance

Introduction and installation V2

Introduction V2 (39:42)
ทำไมเลือกใช้ภาษา Python (3:10)
ติดตั้ง Anaconda (4:59)
Course Resource

Section 1 Data Management

Lecture: ดูภาพรวมข้อมูล (5:20)
Coding: import Library และ อ่าน CSV (7:42)
Coding: ดูภาพรวมข้อมูลด้วย .info() และ .descrive() (7:34)
Lecture: การทำงานกับ DataFrame (4:22)
Coding: ใช้ .iloc() เลือกช่วงเวลาข้อมูล (5:03)
Coding: ใช้ .loc() เลือกช่วงเวลาข้อมูล (2:01)
Coding: การเข้าถึง Column (2:41)
Coding: การเข้าถึง Column แบบมีเงื่อนไข (7:00)
Lecture: การ Resample Lead Lag และ Moving Average (3:29)
Coding: ปรับเปลี่ยน Time Frame ข้อมูลด้วย .Resample() (8:06)
Coding: Lead Lag ข้อมูลด้วย .shift() (1:51)
Coding: สร้าง Moving Average (3:42)
Coding: สร้าง Subplot (5:06)
Coding: สร้างกราฟแท่งเทียน และ แนวรับแนวต้านด้วย mplfinance (6:13)

Section 2 Data Source

Lecture: เราจะหาข้อมูลการลงทุนได้ที่ไหนบ้าง (3:16)
Coding: ลง package yfinance (2:50)
Coding: รู้จัก yahoo finance และ ทดลองดึงข้อมูล (8:22)
Coding: ดึงข้อมูลงบการเงิน (4:46)
Coding: ข้อมูลแนะนำการลงทุน (4:25)
Coding: ดึงข้อมูลหุ้นทีละหลายตัว (2:17)
Coding: ดึงเฉพาะข้อมูลราคา Open High Low Close Volume (7:17)
Coding: ดึงข้อมูลราคาหลายตัว (2:55)
Coding: ดึงข้อมูลหุ้นในกลุ่ม Dow Jones Industrial Average และ SET 100 (3:48)
Coding: ติดตั้ง package Quandl (Nasdaq Data Link) (1:47)
Lecture: รู้จักกับ Nasdaq Data Link (3:52)
Coding: ดึงช้อมูล Quandl ผ่าน API (6:52)
Coding: ดึงข้อมูลจาก Siamchart (3:29)
Coding: ดึงข้อมูลจาก Siamcahrt มาเป็น DataFrame (7:48)
Coding: เขียนฟังก์ชั่นเลือกหุ้นรายตัวจาก DataFrame (6:48)
Lecture: รู้จักกับ Library 2 แบบ (2:38)
Coding: ดึงข้อมูลผ่าน Function ใน util.py (2:52)
Coding: Export CSV (4:17)
Lecture: การจัดการกับ Missing Value และการ Normalization ข้อมูล (1:56)
Coding: Missing Value (4:06)
Coding: Normalization ข้อมูล (2:39)

Section 3 Statistics

Lecture: รู้จักกับ Return 2 ประเภท (4:31)
Coding: ว่าด้วย Simple Return (5:58)
Coding: ว่าด้วย Log Return (6:50)
Lecture: การแจกแจงปรกติ(Normal Distribution) (6:42)
Coding: ว่าด้วยการ Random และ Histogram (8:05)
Coding: การแจกแจงของข้อมูลจริงเทียบกับทฤษฎี เหมือนหรือต่างกันอย่างไร (5:00)
Lecture: ว่าด้วย Mean Median และทำความเข้าใจความแปรปรวน(Variance) และ ส่วนเบี่ยงเบนมาตรฐาน(Standard Deviation) (6:06)
Coding: ค่าเฉลี่ย(Mean) เปรียบเทียบ ค่ามัธยฐาน(Median) และการตีความ (6:24)
Coding: ดูตำแหน่งของข้อมูลด้วย Quartile และ Percentile (7:59)
Coding: รู้จักความเสี่ยงของการลงทุนด้วยการเข้าใจความแปรปรวน (Variance) (9:10)
Coding: ส่วนเบี่ยงเบนมาตราฐาน (Standard Deviation)หรือ Volatility (1:33)
Coding: ดูความเสี่ยงของข้อมูลจริง (3:28)
Coding: mini project หา outlier ของ return ด้วย z-score 1 (3:17)
Coding: mini project หา outlier ของ return ด้วย z-score 2 (7:57)
Lecture: หุ้นสองตัวมันขึ้นลงตามกันแค่ไหน? รู้จักกับ Covariance และ Correlation (10:45)
Coding: ความแปรปรวนร่วม (Co-variance) (10:37)
Coding: Correlation (4:04)
Coding: ดู Correlation บนข้อมูลจริง (5:26)
Coding: ดู correlation ระหว่างกลุ่มหุ้น (7:18)
Coding: ดูความสัมพันธ์ของหุ้นและตัวมันเองด้วย Autocorrelation (3:31)
Coding: ดูการแจกแจงข้อมูลจริงที่เป็น Fat tail กับข้อมูลที่แจกแจงตาม ทฤษฎี (7:07)

Section 4 Value at Risk

Lecture: ประเมินความเสี่ยงของการลงทุนด้วย Value at Risk (6:34)
Coding: Value at Risk(VaR) แบบไม่ใช้พารามิเตอร์ (8:05)
Coding: Value at Risk(VaR) แบบใช้พารามิเตอร์ (7:00)
Lecture: Conditional Value at Risk หาความเสี่ยงหลังจากจุดหนึง VaR กัน (1:43)
Coding: Conditional Value at Risk (Expected Shortfall) (4:17)
Lecture: มาใช้ Cornish-Fisher expansion มาเพิ่มประสิทธิภาพให้ VaR แบบมีพารามิเตอร์กันครับ (7:40)
Coding: Cornish-Fisher Value at Risk (9:02)

Section 5 Time Series

Coding: แยกองค์ประกอบของ Time Series ด้วย Decompose (9:07)
Coding: ก้าวแรกของการทำนายด้วยการโมเดลราคาทองคำด้วย exponentially weighted moving average (EWMA) (8:58)
Coding: Holt Linear Trend และ Holt-Winter (6:20)
Coding: ทดสอบความเป็น stationary ของข้อมูลด้วย Augmented Dickey–Fuller test(ADF test) (6:14)
Coding: ทำให้ Non-stationary เป็น Stationary (3:38)
Coding: รู้จักกับความสหสัมพันธ์กับตัวเองบางส่วน partial autocorrelation function ( PACF) (7:19)
Coding: ทำนายราคาทองคำด้วย Autoregressive integrated moving average (ARIMA) 1 (6:17)
Coding: ทำนายราคาทองคำด้วย Autoregressive integrated moving average (ARIMA) 2 (10:12)
Coding: ไม่ต้องเลิกพารามิเตอร์ P,D,Q เองโดยการใช้ Auto ARIMA (9:01)

Section 6 Backtesting and Performance matrix

Lectue: ขั้นตอนการทำ Backtesting (6:34)
Coding: เตรียมข้อมูล (2:08)
Coding: สร้างกลยุทธ์ซื้อขายอย่างง่ายด้วย vertorization (7:32)
Coding: Backtesting กลยุทธ์ของเรา (3:12)
Lecture: ว่าด้วยการวัดผล Performance Metric (5:19)
Coding: วัดความเสี่ยงด้วย Drawdown 1 (7:21)
Coding: วัดความเสี่ยงด้วย Drawdown 2 (8:57)
Coding: ว่าด้วยความเสี่ยง Volatility (3:22)
Coding: ว่าด้วยอัตราความเสี่ยงและกำไร Sharpe Ratio (8:13)
Coding: กำไร Profit (2:54)
Coding: Compound Annual Growth Rate (CAGR) (5:25)
Coding: ความแม่นยำ Hit Rate (7:27)
Coding: Performance Matrix (11:37)
Coding: สร้างฟังก์ชั่น get_report() เพื่อวัดผล (12:37)
Coding: ลง package Pyfolio (1:18)
Coding: เปรี่ยบเทียบการวัดผลของเราเองกับ Pyfolio (7:52)

Section 7 Optimization and Mean Reversal

Coding: หาพารามิเตอร์ที่เหมาะสมที่สุดด้วย Optimization 1 (8:38)
Coding: หาพารามิเตอร์ที่เหมาะสมที่สุดด้วย Optimization 2 (12:21)
Coding: Mean reversal 01 (7:38)
Coding: Mean Reversal 2 (10:10)
Coding: Mean Reversal Optimization (2:38)

Section 8 More Backtesting

Coding: สร้าง Backtest แบบ Non-Vectorization (14:58)
Coding: เพิ่มจุดตัดขาดทุน Stoploss (11:20)
Coding: ทำการคิดกำไรให้เป็นฟังก์ชั่น (8:15)
Coding: ทำการหา Signal ให้เป็นฟังก์ชั่น (3:52)
Coding: เพิ่มรายละเอียดให้ Signal Creator เพื่อประโยชน์ทางการคำนวณ (7:33)
Coding: ปรับการคำนวณราคาเข้าซื้อ-ขาย ให้สมจริงยิ่งขึ้น (10:09)
Coding: เก็บ Log การเทรดแต่ละครั้ง (7:11)
Coding: อัพเดต log หลังการปิดสัญญาซื้อขาย (10:37)
Coding: หาสถิติจาก Log ที่เราเก็บมา (7:55)
Coding: Assumption ของการคิดกำไร backtest ที่อาจจะมีปัญหา มาแก้ความผิดพลาดในการคำนวณกำไรกันครับ (8:57)

Section 9 Porfolio Allocation

Lecture: ว่าด้วยการถือหุ้นเป็น Portfolio: การคิดกำไรของ Portfolio (2:57)
Coding: Portfolio Return (5:42)
Lecture: การคำนวณความเสี่ยงของ Portfolio: Portfolio Variance (15:15)
Coding: Potfolio Variance (7:28)
Coding: ทดลองวัด Portfolio Variance จากหุ้นที่มี Correlation ต่างๆกัน (5:54)
Lecture: Modern Portfolio Theory (14:50)
Coding: 2 Asset Efficient Frontier (16:15)
Coding: Modern Portfolio Theory: ว่าด้วย Static และ Radom Weight (7:29)
Coding: จำลองการถือหุ้นหลายรูปแบบ(น้ำหนัก)ด้วย Modern Portfolio Theory (11:53)
Coding: หาจุดของการลงทุนที่มีประสิทธิภาพ Efficient Frontier (5:20)
Coding: หาน้ำหนักของ Portfolio ที่เราอยากลงทุนด้วย (11:29)
Coding: plot ตำแหน่งของ Max Shape Ratio, Return Min Volatility Portfolio และเข้าใจ Shape ของการแจกแจงใน MPT (7:11)
Coding: ลองเลือกหุ้นเข้า MPT ด้วย Correlation (10:07)

Section 10 Monte Carlo Simulation

Lecture: ทำไมเราต้องการ Monter Carlo (3:54)
Lecture: Monte Carlo สำหรับจำลองการเคลื่อนไหวของราคาหลักทรัพย์ (3:43)
Lecture: ว่าด้วย Driff (2:56)
Lecture: ว่าด้วย Random Shock(Volatility) (4:35)
Lecture: ประกอบสมการทั้งหมด (4:35)
Coding: Monte Carlo 1 (6:12)
Coding: Monte Carlo 2 Drift and Shock (6:40)
Coding: Monte Carlo 3 Simulation (7:32)
Coding: Monte Carlo 4 Value at Risk (4:54)

(จากตรงนี้ลงไปจะเป็นของเก่านะครับ) Introduction and environment preparation

Intro to the Course (9:56)
ทำไมเลือกใช้ภาษา Python (3:10)
เตรียม Python ให้พร้อม สำหรับใช้งาน (7:51)
ลง Quandl ด้วย Anaconda Navigator (5:28)
ถ้าไม่มีความรู้ด้านการเขียนโปรแกรมทำยังไง? (1:12)
ความรู้พื้นฐานที่จำเป็นก่อนเริ่มเรียน (Prerequisite)
ดาวโหลดซอสโค้ดได้จากที่ไหน? (2:32)
Course Resource

Section 1) การได้มาซึ่งข้อมูล และการสร้าง Function ในการดึงข้อมูลและการ Export เป็น CSV (ของเก่า)

Lecture: เราจะหาข้อมูลจากที่ไหนบ้าง (2:53)
รู้จักกับ Quandl (4:27)
Coding: โหลดข้อมูลจาก Quandl (6:01)
โหลดข้อมูลจาก Siamchart (2:53)
Coding: ดึงข้อมูลจาก Siamchart มาเป็น Dataframe (19:23)
Coding: Export CSV (2:00)
Coding: เขียน Function เรียกหุ้นรายตัวจาก Dataframe (11:21)
Lecture: Library 2 แบบ (5:03)
Coding: Import function จาก ไฟล์ .py ของเราเอง (4:23)
Coding: Export หุ้นรายตัวออกเป็น CSV (5:44)

Section 2) การจัดการข้อมูลเบื้องต้น (ของเก่า)

Lecture: ดูภาพรวมข้อมูล (5:20)
Coding: ดูภาพรวมข้อมูล .info() .Describe() (6:37)
Lecture: การจัดการ Dataframe (5:45)
Coding: เลือกช่วงเวลา (4:24)
Coding: การเข้าถึง Column (2:13)
Coding: การเข้าถึง Column แบบมีเงื่อนไข (7:09)
Lecture: การ Resample ข้อมูล (2:47)
Coding: Resample (8:30)
Lecture: การทำ Lead/Lag ช้อมูล และ Moving Average (2:53)
Coding: Lead/Lag (3:43)
Coding: Moving Average (3:34)
Coding: Subplot (5:07)
Coding: อธิบาย Subplot เพิ่มเติม (4:30)
Install Mpl Finance package (1:27)
Coding: Candlestick Plot (7:55)

Section 3) Clean&Normalization ข้อมูล (ของเก่า)

Lecture: การจัดการกับ Missing Value และการ Normalization ข้อมูล (3:30)
Coding: Missing Value (7:43)
Coding: Normalization (4:09)

Section 4) รู้จักกับหุ้นให้มากขึ้นด้วยทำความเข้าใจค่า Return, การแจกแจงของราคา และ ค่าทางสถิติอื่นๆ (ของเก่า)

Lecture: ว่าด้วย Return (6:27)
Coding: Simple Return (6:04)
Coding: Log Return (7:18)
Lecture: การแจงแจงปกติ(Normal Distribution) (10:47)
Coding: ว่าด้วยการ Random และ Histogram (10:11)
Lecture: สถิติว่าด้วยค่าเฉลี่ย(Mean) และ ค่ามัธยฐาน(Median) (2:50)
Coding: ค่าเฉลี่ย(Mean) และ ค่ามัธยฐาน(Median) (6:10)
Coding: ค่าเฉลี่ย(Mean) เปรียบเทียบ ค่ามัธยฐาน(Median) และการตีความ (4:23)
Coding: ตีความค่าเฉลี่ยและค่ามัธยฐานกับข้อมูลจริง (5:06)
Coding: Quartile และ Percentile (7:21)
Lecture: เข้าใจความแปรปรวน(Variance) และ ส่วนเบี่ยงเบนมาตรฐาน(Standard Deviation) (6:24)
Coding: ความแปรปรวน(Variance) และ ส่วนเบี่ยงเบนมาตรฐาน(Standard Deviation) (19:09)

Section 5) การวิเคราะห์ทิศทางการเคลื่อนที่ของราคาหุ้น ด้วยค่า Covariance และ Correlation (ของเก่า)

Lecture: ความแปรปรวนร่วมเกี่ยว(Covariance) และ สหสัมพันธ์(Correlation) (12:47)
Coding: Covariance (17:25)
Coding: Correlation (6:29)
Coding: ดูความสัมพันธ์ของหุ้นในตลาดหลักทรัพย์ด้วย Correlation (20:01)

Section 6) ดูการแจกแจงแบบ Fat Tail ด้วย Violion และ QQ Plot (ของเก่า)

Coding: QQ plot และ Violin plot (8:47)
Coding: ดูการแจกแจงข้อมูลจริงที่เป็น Fat tail กับข้อมูลที่แจกแจงตาม ทฤษฎี (4:06)

Section 7) เข้าใจ Finance ในการลงทุน (ของเก่า)

Lecture: Time Value of Money (5:05)
Coding: time value of money (13:02)
Lecture: Benchmark (2:01)
Lecture: Beta (2:43)
Lecture: Alpha (1:15)
Coding: มาคำนวณ Beta กัน (15:08)
Coding: Beta ไม่ใช่เป้านิ่ง (5:27)

Section 8) การวัดผลงานในตลาดหุ้น (ของเก่า)

Lecture: Drawdown and Volatility (2:41)
Coding: DrawDown (10:37)
Lecture: รู้จักกับตัววัดความเสี่ยง Sharpe Ratio (2:31)
Coding: Shape Ratio (11:19)
Lecture: CAGR (2:33)
Coding: CAGR (4:59)
Coding: แล้วเราทำนายถูกกี่เปอร์เซ็น Hit Rate (9:25)

Section 9) Modern Portfolio Theory (ของเก่า)

Lecture: การคำนวณผลงานของพอร์ตฟอลิโอ Portfolio Return (1:48)
Coding: Portfolio Return (9:56)
Lecture: การคำนวณความเสี่ยงของพอร์ตฟอลิโอ Portfolio Variance (5:40)
Coding: Portfolio Variance (6:54)
Lecture: ทฤษฎีพอร์ตโฟลิโอสมัยใหม่ Modern Portfolio Theory คืออะไร (9:22)
Coding: Modern Portfolio Theory(1) คำนวณแบบ Static vs Randoms (12:31)
Coding: Modern Portfolio Theory หาความน่าจะเป็น 1000 รูปแบบ (12:32)
Coding: Modern Portfolio Theory เลือกน้ำหนักของหุ้นในพอร์ตฟอลิโอด้วย Sharpe Ratio, Volatility ต่ำสุด และ กำไรสูงสุด (26:54)
Coding: Modern Portfolio Theory ผลกระทบจากหุ้นที่มี Correlation ต่อกันสูง (12:04)
Coding: Modern Portfolio Theory: ผลกระทบจากหุ้นที่มี Correlation ต่อกันต่ำ (3:53)

Section 10) VaR: Value at Risk (ของเก่า)

Lecture: ประเมินความเสี่ยงด้วย Value at Risk (6:08)
Coding: Value at Risk(Var) แบบไม่ใช้พารามิเตอร์ (9:25)
Coding: Value at Risk(Var) แบบใช้พารามิเตอร์ (9:31)

Section 11) Monte Carlo (ของเก่า)

Coding: Random Walk ดูความพฤติกรรมของข้อมูล Random (9:52)
Coding: Random Walk ดูพฤติกรรมของข้อมูลจริงเพื่อเปรียบเทียบ (3:35)
Lecture: ภาพรวม Monte Carlo (0:57)
Lecture: ทำไมเราต้องใช้ Monte Carlo (3:18)
Lecture: Monte Carlo for stock simulation (5:22)
Lecture: Monte Carlo ว่าด้วย Drift (4:37)
Lecture: Monte Carlo ว่าด้วย Volatility (8:40)
Lecture: Monte Carlo เอาทุกอย่างมารวมกัน (7:11)
Coding: Monte Carlo Part 1 (4:07)
Coding: Monte Carlo Part 2 (23:55)
Coding: Monte Carlo Var (12:12)
Coding: Monte Carlo bias ไบแอสของช่วงเวลาในการเลือกข้อมูล (16:33)

Section 12-13) Backtesting and Optimization (ของเก่า)

Lecture: Simple Backtest Part 1 (3:10)
Lecture: Simple Backtest Part 2 (4:06)
Coding: เตรียมข้อมูล (2:36)
Cooding: สร้างกลยุทธ์ Moving Average Crossover อย่างง่ายด้วยการ Vectorization (7:52)
Coding: คำนวณ Profit และ Loss (4:33)
Coding: วัดประสิทธิภาพในการลงทุน (14:52)
Coding: การใช้เงื่อนไขในการสร้างกลยุทธ์มากกว่า 1 เงื่อนไข Part 1 (6:16)
Coding: การใช้เงื่อนไขในการสร้างกลยุทธ์มากกว่า 1 เงื่อนไข Part 2 (7:09)
Lecture: Optimization (3:36)
Coding: Moving Average optimization Part 1 (16:22)
Coding: Moving Average optimization Part 2 (22:17)
Coding: Mean Reversal Part 1 (5:08)
Coding: Mean Reversal Part 2 (16:46)
Coding: Mean Reversal Optimization Part 1 (10:53)
Coding: Mean Reversal Optimization Part 2 (10:36)
Coding: Mean Reversal Optimization Part 3 (4:25)

Section14: Machine Learning (ของเก่า)

Lecture: Introduction to Machine Learning (6:32)
Lecture: Types of Machine Learning (4:41)
Lecture: Regression (3:32)
Lecture: Linear Regression (7:23)
Lecture: Multiple linear regression (2:34)
Coding: Linear Regression รีวิว Part 1 คอนเซ็ป (14:07)
Coding: Linear Regression รีวิว Part 2 ข้อมูลที่มี Noise (5:24)
Coding: Linear Regression รีวิว Part 3 ในมุมมองของ Time Series (13:00)
Coding: Linear Regression รีวิว Part 4 ใช้ SKlearn (8:30)
Coding: Linear Regression ทำนายข้อมูลจริง Part 1 ราคาปิด (5:54)
Coding: Linear Regression ทำนายข้อมูลจริง Part 2 การแบ่งข้อมูล Train/Test (6:03)
Coding: Linear Regression ทำนายข้อมูลจริง Part 3 การวัดผล (11:56)
Lecture: Backtesting ML strategies (6:37)
Coding: Linear Regression ทำนาย Return ของข้อมูลจริง Part 1 ทำนาย Return (5:44)
Coding: Linear Regression ทำนาย Return ของข้อมูลจริง Part 2 แบ่งข้อมูล Train/Test (5:26)
Coding: Linear Regression ทำนาย Return ของข้อมูลจริง Part 3 train model และทำนายผล (12:00)
Coding: Linear Regression ทำนาย Return ของข้อมูลจริง Part 4 Simulation และ การวัดประสิทธิภาพ (12:09)
Lecture: What is Logistic regression? (5:38)
Lecture: How does Logistic regression work? (5:14)
Coding: Logistic Regression รีวิว Part 1 (3:22)
Coding: Logistic Regression รีวิว Part 2 (16:56)
Coding: Logistic Regression ทำนายทิศทางข้อมูลจริง Part 1 เตรียมข้อมูล (4:45)
Coding: Logistic Regression ทำนายทิศทางข้อมูลจริง Part 2 แบ่งข้อมูล Train/Test (5:32)
Coding: Logistic Regression ทำนายทิศทางข้อมูลจริง Part 3 train model และทำนายผล (4:42)
Coding: Logistic Regression ทำนายทิศทางข้อมูลจริง Part 4 Simulation และวัดประสิทธิภาพ (12:17)
Lecture: อะไรคือ K-Nearest Neighbour(KNN) (9:02)
Coding: KNN - รีวิว Part 1 สร้างข้อมูลเสมือน (7:46)
Coding: KNN - รีวิว Part 2 แบ่งข้อมูล Train/Test (2:29)
Coding: KNN - รีวิว Part 3 train model และทำนายผล (11:09)
Coding: KNN - รีวิว Part 4 การวัดผล (4:25)
Coding: KNN - รีวิว Part 5 ข้อมูลที่ Unbalanced (7:06)
Coding: KNN ทำนายทิศทางข้อมูลจริง Part 1 เตรียมข้อมูล และ แบ่งข้อมูล Train/Test (3:37)
Coding: KNN ทำนายทิศทางข้อมูลจริง Part 2 Train model และทำนายผล (4:37)
Coding: KNN ทำนายทิศทางข้อมูลจริง Part 3 Simulation และวัดประสิทธิภาพ (11:06)

Technical Indicator with Talib (ของเก่า)

Install TA-Lib (2:58)
Talib Resource
Coding: Momentum - Simple, Exponential, Double Exponential Moving Average(SMA EMA DEMA) (10:28)
Coding: Momentum - Plus Directional Indicator (+DI), Minus Directional Indicator (-DI) (5:32)
Coding: Momentum - Directional Movement Index (DX), Average Directional Movement Index (ADX) (7:09)
Coding: Oscillator - Relative Strength Index(RSI) (4:44)
Coding: Overlap Studies - Bollinger Bands (6:11)
Coding: Volume - On balance volume (OBV) (5:38)
Coding: Volatility Indicators - True Range(TR) Average true range(ATR) (10:38)
Coding: Candlestick Pattern part1 (11:03)
Coding: Candlestick Pattern part2 (7:38)

Coding: แล้วเราทำนายถูกกี่เปอร์เซ็น Hit Rate

Lecture content locked

If you're already enrolled, you'll need to login.

Enroll in Course to Unlock