การพยากรณ์ราคาหุ้นโดยใช้การวิเคราะห์อนุกรมเวลา SARIMA

ซัลมาน  สาเล็ง; มูฮัยมีน  เจะนะ; สมศรี  จารุผดุง; วรารัตน์  จักรหวัด; ศิริรัตน์  วณิชโยบล

ผู้แต่ง

ซัลมาน สาเล็ง สาขาวิชาวิทยาการคอมพิวเตอร์ สาขาวิทยาศาสตร์การคำนวณ คณะวิทยาศาสตร์ มหาวิทยาลัยสงขลานครินทร์
มูฮัยมีน เจะนะ สาขาวิชาวิทยาการคอมพิวเตอร์ สาขาวิทยาศาสตร์การคำนวณ คณะวิทยาศาสตร์ มหาวิทยาลัยสงขลานครินทร์
สมศรี จารุผดุง สาขาวิชาวิทยาการคอมพิวเตอร์ สาขาวิทยาศาสตร์การคำนวณ คณะวิทยาศาสตร์ มหาวิทยาลัยสงขลานครินทร์
วรารัตน์ จักรหวัด สาขาวิชาวิทยาการคอมพิวเตอร์ สาขาวิทยาศาสตร์การคำนวณ คณะวิทยาศาสตร์ มหาวิทยาลัยสงขลานครินทร์
ศิริรัตน์ วณิชโยบล สาขาวิชาวิทยาการคอมพิวเตอร์ สาขาวิทยาศาสตร์การคำนวณ คณะวิทยาศาสตร์ มหาวิทยาลัยสงขลานครินทร์

คำสำคัญ:

อนุกรมเวลา , SARIMA, การพยากรณ์ราคาหุ้น , RMSE

บทคัดย่อ

บทความนี้นำเสนอการพยากรณ์ราคาหุ้นโดยใช้การวิเคราะห์อนุกรมเวลาแบบ SARIMA ซึ่งเหมาะสำหรับข้อมูลที่มีลักษณะตามฤดูกาล การศึกษานี้ใช้ข้อมูลราคาปิดรายวันของหุ้นบริษัทซีพี ออลล์ จำกัด (มหาชน) ในช่วงปี 2557 ถึง 2567 โดยขั้นตอนการวิเคราะห์ประกอบด้วยการเก็บรวบรวมข้อมูล การจัดรูปแบบและทำความสะอาดข้อมูล การวิเคราะห์ข้อมูลก่อนสร้างแบบจำลอง และการสร้างและทดสอบแบบจำลอง SARIMA โดยใช้ภาษา Python บน Google Colab ผลการวิจัยแสดงให้เห็นว่าแบบจำลอง SARIMA(0,1,1)(0,0,2,12) สามารถพยากรณ์แนวโน้มราคาหุ้นได้อย่างมีประสิทธิภาพ โดยมีค่า RMSE เท่ากับ 6.226 บาท ซึ่งแสดงถึงความคลาดเคลื่อนเฉลี่ยระหว่างราคาที่พยากรณ์และราคาจริงอยู่ในระดับต่ำ สะท้อนความแม่นยำของแบบจำลองในการจับแนวโน้มราคาหุ้น ผลการวิจัยนี้ช่วยในการสนับสนุนการตัดสินใจของนักลงทุนระยะยาวได้อย่างมีประสิทธิภาพ

เอกสารอ้างอิง

Artley, B. (2022, April 26). Time series forecasting with ARIMA, SARIMA and SARIMAX. Towards Data Science. https://towardsdatascience.com/time-series-forecasting-with-arima-sarima-and-sarimax-ee61099e78f6

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons.

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427–431.

Google Colab. (2024). Google Colaboratory. https://colab.research.google.com

Handayani, N. R. W. T., Maslim, M., & Mudjihartono, P. (2020). Forecasting of catfish sales by time series using the SARIMA method. Jurnal Buana Informatika, 11(2), 84–93.

Microsoft Power BI. (2024). Microsoft Power BI. https://powerbi.microsoft.com

Saadeddin, Z. (2024). ARIMA for time series forecasting: Complete guide. DataCamp. https://www.datacamp.com/tutorial/arima

Selvakumar, S., Renugadevi, G., Vinishah, N., & Yashwanth, R. (2024). Sales forecasting based on time series analysis. In Proceedings of the 2024 International Conference on Science and Technology Engineering and Management (ICSTEM 2024) (pp. 658–664).

Sirisha, U. M., Belavagi, M. C., & Attigeri, G. (2022). Profit prediction using ARIMA, SARIMA and LSTM models in time series forecasting: A comparison. IEEE Access, 10, 124715–124727.

Subhash. (2023, February 27). Augmented Dickey-Fuller test in time-series analysis. AskPython. https://www.askpython.com/python/examples/augmented-dickey-fuller-test-time-series

Szostek, K., Mazur, D., Drałus, G., & Kusznier, J. (2024). Analysis of the effectiveness of ARIMA, SARIMA, and SVR models in time series forecasting: A case study of wind farm energy production. Energies, 17(19), 4803. https://doi.org/10.3390/en17194803

Tibshirani, R. (2023). Lecture 1: Characteristics and examples of time series data. https://www.stat.berkeley.edu/~ryantibs/timeseries-f23/lectures/characteristics.pdf