การประยุกต์ใช้โมเดลการเรียนรู้แบบรวมกลุ่มเพื่อพยากรณ์แนวโน้มของราคาหลักทรัพย์ในตลาดหลักทรัพย์แห่งประเทศไทย

Main Article Content

ปรเมษฐ์ ธันวานนท์
ชัยกร ยิ่งเสรี
วรพล พงษ์เพ็ชร
ธนภัทร ฆังคะจิตร3

บทคัดย่อ

- การลงทุนในตลาดหลักทรัพย์เป็นเรื่องที่น่าสนใจของเหล่านักลงทุนทั้งในและต่างประเทศ มีนักวิเคราะห์ มากมายพยายามปรับปรุงโมเดลการพยากรณ์เพื่อเพิ่มประสิทธิภาพความถูกต้องและผลตอบแทนการลงทุน แต่อย่างไรก็ตามพบว่างานวจิจัยส่วนมากจะใช้ข้อมูลราคาซื้อขายหลักทรัพย์ (stock prices data) เป็นปัจจัยหลักในการสร้างโมเดลและใช้โมเดลเชิงเดี่ยวในการวิเคราะห์ แต่ผลการพยากรณ์ดังกล่าวยังไม่มีความถูกต้องมากพอ ดังนั้นงานวิจัยนี้มีวัตถุประสงค์เพื่อเพิ่มประสิทธิภาพการพยากรณ์และผลตอบแทนการลงทุน โดยศึกษาปัจจัย 4 ปัจจัยคือ ข้อมูลราคาซืJอขายหลักทรัพย์, ข้อมูลดัชนีชี้วัดทางเทคนิค(indicators data), จำนวนวันที่ถือ(holding days) และจำนวนวันที่ใช้ในการคำนวณค่าดัชนีชี้วัดทางเทคนิค (indicator days) นอกจากนี้ได้ประยุกต์ใช้เทคนิคการวิเคราะห์การเรียนรู้ของเครื่อง (Machine Learning) 4 เทคนิค และเทคนิคการเรียนรู้แบบรวมกลุ่ม (Ensemble Model) เพื่อพยากรณ์แนวโน้มของราคาหลักทรัพย์ โดยใช้ข้อมูลของตลาดหลักทรัพย์แห่งประเทศไทยในช่วง มกราคม 2554 - ธันวาคม 2559 จากผลการวิจัยพบว่าเทคนิค Ensemble Model ด้วยวิธีการถ่วงน้ำหนักสามารถเพิ่มประสิทธิในการพยากรณ์ได้ถึง 5% - 14 % เพิ่มผลตอบแทนการลงทุน 1% - 3% นอกจากนี้ข้อมูลดัชนีชี้วัดทางเทคนิคและจำนวนวันที่ถือเป็นปัจจัยสำคัญในการเพิ่มประสิทธิภาพในการพยากรณ์และผลตอบแทนในการลงทุน

Article Details

How to Cite
[1]
ธันวานนท์ ป., ยิ่งเสรี ช., พงษ์เพ็ชร ว., และ ฆังคะจิตร3 ธ., “การประยุกต์ใช้โมเดลการเรียนรู้แบบรวมกลุ่มเพื่อพยากรณ์แนวโน้มของราคาหลักทรัพย์ในตลาดหลักทรัพย์แห่งประเทศไทย”, JIST, ปี 7, ฉบับที่ 1, น. 12–21, มิ.ย. 2017.
บท
บทความวิจัย Soft Computing:

References

1. A.C. Charu, Outlier Analysis, 2nd ed. New York: IBM T.J. Watson Research Center Yorktown Heights, 2016.

2. B. Narayanon and M. Govindarajan, ”Prediction on Stock Market using Ensemble Model”, International Journal of Computer Applications, vol. 128, no. 1, pp. 18-21, Oct 2015.

3. B.V. Dasarathy, Nearest Neighbor Pattern Classification Techniques. California: IEEE Computer Society Press, 1991.

4. G. Shakhnarovich, T. Darrel and P. Indyk, Nearest Neighbor Methods in Learning and Vision, MIT Press, 2006.

5. H. Jiawei and K. Micheline, Data Mining Concepts and Techniques, 2nd ed. USA: Morgan Kaufmann, 2006.

6. J.T. Barkoulas and C.F. Baum, “Long-term dependence in stock returns”, Economics Letter, pp.253-259, Oct. 1996.

7. L. Khaidem, S. Saha and S.R. Dey, “Predicting the direction of stock market prices using random forest”, Applied Mathematical Finance, vol. 0, no. 0, pp. 1-20, May. 2015.

8. P. Sanguansat, Machine Learning. Thailand: Panyapiwat Instutute of Management, 2015.

9. P. Sutheebanjard and W. Premchaiswadi. “Stock Exchange of Thailand Index prediction using Back Propagation Neural Network”, Second International Conference on Computer and Network Technology, pp. 377-380, Apr. 2010.

10. S. Chaigusin, C. Chirathamjaree and J. Clayden. “The Use of Nueral Networks in the Prediction of the Stcok Exchange of Thailand (SET) Index”, International Conference on Computational Intelligence for Modeling Control & Automation, pp.670-673, Dec. 2008.

11. S. Nootyaskool, M. Attasiripanya and W. Prasidtichaikul. “Stock Forecasting with Candlestick Chart and Hidden Markov Models”, National Conference on Computing and Information Technology, 2014.

12. W. Huang, Y. Nakamori and S.Y. Wang, “Forecasting stock market movement direction with support vector machine”, Computers & Operations Research, vol. 32, no.10, pp. 2513-2522, Oct. 2005.

13. W. Qiang, C. Yuehui and L. Zhen, “Ensemble model of Intelligent Paradigms for stock Market Forecasting”, Knowledge Discovery and Data Mining, pp. 205-208, Jan. 2008.

14. Z. H. Zhou, Ensemble Methods Foundations and Algorithms, New York: CRC Press, 2012.