การเปรียบเทียบวิธีพยากรณ์ราคาทองคำภายใต้สถานการณ์สงครามรัสเซีย-ยูเครน

สุรเมศวร์ ฮาชิม; กฤต ขติฌานัง; นวภพ ลิ่มสกุล; รัชพล สม่าหลี

ผู้แต่ง

สุรเมศวร์ ฮาชิม ผู้ช่วยศาสตราจารย์ สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์
กฤต ขติฌานัง นักศึกษา สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์
นวภพ ลิ่มสกุล นักศึกษา สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์
รัชพล สม่าหลี นักศึกษา สาขาวิชาคณิตศาสตร์และสถิติ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์

คำสำคัญ:

สงครามรัสเซีย-ยูเครน, ราคาทองคำ, การพยากรณ์อนุกรมเวลา, การเรียนรู้ของเครื่อง

บทคัดย่อ

ภายใต้สถานการณ์สงครามรัสเซีย-ยูเครนที่ปะทุขึ้นตั้งแต่เดือนกุมภาพันธ์ พ.ศ. 2565 ส่งผลให้ราคาทองคำในตลาดโลกมีแนวโน้มสูงขึ้นเนื่องจากบางประเทศมีการประกาศใช้นโยบายสะสมทองคำเพื่อความมั่นคงทางเศรษฐกิจ และนักลงทุนที่มองหาสินทรัพย์ปลอดภัยจะเพิ่มสัดส่วนการลงทุนในทองคำ งานวิจัยนี้จึงมุ่งประเมินความสามารถในการพยากรณ์ราคาทองคำรายวัน (XAU/USD) ผ่านการนำวิธีการพยากรณ์ 3 วิธีมาทดสอบเปรียบเทียบ ได้แก่ การทำให้เรียบแบบเอกซ์โพเนนเชียลของ Holt วิธี ARIMA ตามแนวทางของ Box-Jenkins และวิธีการเรียนรู้ของเครื่องแบบ XGBoost ที่ประยุกต์ใช้ร่วมกับกลยุทธการพยากรณ์ล่วงหน้าหลายช่วงเวลาแบบ Direct เพื่อสร้างตัวแบบพยากรณ์ราคาทองคำ ในการการศึกษานี้ใช้ข้อมูลราคาทองคำรายวันจำนวน 773 วัน โดยแบ่งข้อมูล 80% แรก (618 วัน) สำหรับสร้างและฝึกตัวแบบ และ 20% ที่เหลือ (155 วัน) สำหรับประเมินประสิทธิภาพและเปรียบเทียบผลลัพธ์ ผลการศึกษาพบว่า XGBoost มีประสิทธิภาพสูงสุดทั้ง 3 ตัวชี้วัด โดยมีค่า MAD เท่ากับ 132.55 RMSE เท่ากับ 156.49 และ MAPE เท่ากับ 4.96% ผลการศึกษาชี้ให้เห็นว่าแม้วิธีอนุกรมเวลาจะสามารถพยากรณ์แนวโน้มภาพรวมได้ แต่มีข้อจำกัดในการตรวจจับความผันผวนระยะสั้นเนื่องจากมีข้อจำกัดของตัวแบบ ในขณะที่การเรียนรู้ของเครื่องแบบ XGBoost ที่ประยุกต์ใช้ร่วมกับกลยุทธการพยากรณ์ล่วงหน้าหลายช่วงเวลาแบบ Direct มีความสามารถในการจัดการกับความสัมพันธ์ที่ไม่เป็นเชิงเส้นของข้อมูลได้ดีกว่า จึงมีความเหมาะสมมากกว่าสำหรับการพยากรณ์ราคาของสินทรัพย์ที่มีความผันผวนสูงในช่วงวิกฤตการณ์ทางภูมิรัฐศาสตร์

เอกสารอ้างอิง

M. Czech and B. Puszer, “Inflation and the price changes of selected gold futures during the COVID-19 pandemic and the war in Ukraine, 2020–2023,” Ruch Prawniczy, Ekonomiczny i Socjologiczny., vol. 86, no. 4, pp. 209-230, 2024.

สำนักงานนโยบายและยุทธศาสตร์การค้า, “รายงานสถานการณ์ความขัดแย้งระหว่างรัสเซีย–ยูเครน ประจำวันที่ 16 สิงหาคม 2566,” [ออนไลน์]. แหล่งที่มา: https://www.tpso.go.th/news/2308-0000000048. [วันที่เข้าถึง 8 มิถุนายน 2568].

F. Morina, V. Misiri, S. Dinaj and S. Grima, “The impact of the COVID-19 pandemic and the Russian invasion of Ukraine on gold markets,” Business, Management and Economics Engineering., vol. 22, no. 1, pp. 17–32, 2024.

N. A. Khalid and N. A. Halim, “Gold price forecasting using Box-Jenkins method,” Universiti Malaysia Terengganu Journal of Undergraduate Research., vol. 1, no. 3, pp. 15–27, 2019.

B. Rama, B. Chandrakala, K. Srujana and B. Sravanthi, “ARIMA model for gold price prediction,” International Research Journal on Advanced Engineering and Management., vol. 2, pp. 3462-3466, 2024.

A. Ariffin, M. Haiqal, N. A. Mohamad Nor, M. Hamid and M. Samian, “A comparative analysis of Holt's, ARIMA, and Prophet methods in forecasting Kijang gold prices,” International Journal of Entrepreneurship and Management Practices., vol. 7, pp. 325-338, 2024.

D. Makala and Z. Li, “Prediction of gold price with ARIMA and SVM,” Journal of Physics: Conference Series., vol. 1767, no. 1, p. 012022, 2021.

H. Fawzy, H. El, A. Rady, A. M. Fattah, and A. Mohamed, “Comparison between support vector machines and K-nearest neighbor for time series forecasting,” Journal of Mathematical and Computational Science., pp. 2342-2359, 2020.

S. Liu, “A gold and Bitcoin trading model based on XGBoost prediction,” in Proceedings of the 2024 Guangdong-Hong Kong-Macao Greater Bay Area International Conference on Digital Economy and Artificial Intelligence (DEAI), Hongkong, China, 2024.

R. S. Tsay, Analysis of Financial Time Series, 2nd ed., Hoboken, NJ, USA: John Wiley & Sons, 2005.

J. Amat Rodrigo and J. Escobar Ortiz, “skforecast,” version 0.19.1, Dec. 2025. [Online]. Available: https://skforecast.org/. [Accessed 12 April 2025].

G. Bontempi, S. Ben Taieb, and Y.-A. Le Borgne, “Machine learning strategies for time series forecasting,” in Lecture Notes in Business Information Processing, vol. 138. Springer, Berlin, Heidelberg, 2013.

X. Wang, R. Hu, and X. Chen, “A comparative study on gold future forecasting based on time series large models and classic models,” Computer Fraud and Security., vol. 2025, no. 1, pp. 547–558, 2025.

S. R. Masud, A. Imtiaz, S. M. Hossain and M. S. U. Miah, “A comprehensive approach to gold price prediction using machine learning and time series models,” in 2025 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (IATMSI), Gwalior, India, 2025.