การพยากรณ์ดัชนีหุ้นตลาดหลักทรัพย์แห่งประเทศไทยและดัชนีหุ้นบริษัท ปตท. สำรวจและผลิตปิโตรเลียม จำกัด (มหาชน) โดยเครือข่ายความเชื่อเบส์
คำสำคัญ:
พยากรณ์ดัชนีหุ้น, เครือข่ายความเชื่อเบส์, การจัดกลุ่มบทคัดย่อ
การพยากรณ์ข้อมูลอนุกรมเวลาโดยเทคนิควิธีการพยากรณ์เชิงสถิติจะพบปัญหาด้านความแม่นยำหากข้อมูลไม่เป็นไปตามข้อสมมติฐาน กล่าวคือข้อมูลต้องมีการแจกแจงแบบปกติ จากการศึกษาข้อมูลดัชนีหุ้นโดยทั่วไปไม่ใช่การแจกแจงแบบปกติ ทำให้มีข้อสงสัยว่าเทคนิควิธีการพยากรณ์เชิงสถิติไม่น่าจะให้ความแม่นยำในการพยากรณ์ดัชนีหุ้น ดังนั้นงานวิจัยนี้ได้นำเสนอแบบจำลองการเรียนรู้เครื่องเชิงสถิติ เครือข่ายความเชื่อเบส์ (Bayesian belief networks : BBN) เพื่อพยากรณ์ดัชนีหุ้นตลาดหลักทรัพย์แห่งประเทศไทย (SET) และดัชนีหุ้นบริษัท ปตท.สำรวจและผลิตปิโตรเลียม จำกัด (มหาชน) (PTTEP) เพื่อเปรียบเทียบกับวิธีบ็อกซ์-เจนกินส์ 3 วิธี ได้แก่ แบบจำลอง AR (Auto Regressive model) แบบจำลอง MA (Moving Average model) และแบบจำลอง ARMA (Auto Regressive Moving Average model) สำหรับเครือข่ายความเชื่อเบส์จะนำข้อมูลดัชนีหุ้น SET และดัชนีหุ้น PTTEP มาแปลงเป็น ค่า P/E ratio แล้วทำให้ค่าไม่ต่อเนื่องโดยใช้เทคนิคการจัดกลุ่มข้อมูลเพื่อการเปรียบเทียบ 3 วิธี ได้แก่ การจัดกลุ่มแบบเคมีน (K-means clustering) การจัดกลุ่มแบบฟัซซี่ซีมีน (Fuzzy C-Means clustering) และการจัดกลุ่มแบบยูนิฟอร์ม (Uniform clustering) ค่าที่ได้จากการจัดกลุ่มนำไปหาโครงสร้างเครือข่ายความเชื่อเบส์ด้วยอัลกอริทึม K2 จากการทดลองกับข้อมูลดัชนีหุ้นตัวอย่างที่รวบรวมระหว่างเดือนมกราคม 2556 ถึงเดือนกรกฎาคม 2562 แบบจำลองเครือข่ายความเชื่อเบส์โดยใช้การจัดกลุ่มแบบเคมีนให้ประสิทธิภาพความถูกต้องดีสุด ให้ค่ารากที่สองของความผิดพลาดกำลังสองเฉลี่ย (Root mean square error : RMSE) ของดัชนีหุ้น SET เท่ากับ 12.7344 และ ดัชนีหุ้น PTTEP เท่ากับ 2.1901 ส่วนวิธี บ็อกซ์-เจนกินส์ แบบจำลอง ARMA (3,3) และ ARMA (3,2) ให้ประสิทธิภาพความถูกต้องดีสุด โดยให้ค่ารากที่สองของความผิดพลาดกำลังสองเฉลี่ย (Root mean square error : RMSE) ของดัชนีหุ้น SET เท่ากับ 13.0714 และดัชนีหุ้น PTTEP เท่ากับ 2.3579 ตามลำดับ จากการเปรียบเทียบประสิทธิภาพพบว่าแบบจำลองเครือข่ายความเชื่อเบส์ให้ความแม่นยำสูงกว่าเทคนิควิธีเชิงสถิติ ซึ่งเป็นไปตามสมมติฐาน
เอกสารอ้างอิง
Gandhmal DP, Kumar K. Systematic analysis and review of stock market prediction techniques. Computer Science Review. 2019 Nov 1; 34: 100-190.
Box G, Jenkins GM, Reinsel GC, Ljung GM. Time Series Analysis Forecasting and Control. New Jersey: rentice Hall; 1994.
Brockwell PJ, Davis RA. Introduction to time series and forecasting. 2nd ed. New York: Springer; 2002.
Cheng J, Greiner R. Learning Bayesian Belief Network Classifiers: Algorithms and System. In: Stroulia E, Matwin S, editors. Advances in Artificial Intelligence. Berlin, Heidelberg: Springer; 2001; 141–151.
Liang Wang, Libert GA. Combining pattern recognition techniques with Akaike’s information criteria for identifying ARMA models. IEEE Transactions on Signal Processing. 1994 Jun; 42(6): 1388–1396.
Xu S, Shao M, Qiao W, Shang P. Generalized AIC method based on higher-order moments and entropy of financial time series. Physica A: Statistical Mechanics and its Applications. 2018 Sep 1; 505: 1127–1138.
Cooper GF, Herskovits E. A Bayesian method for the induction of probabilistic networks from data. Mach Learn. 1992 Oct; 9(4): 309–347.
Heckerman D, Geiger D, Chickering DM. Learning Bayesian Networks: The Combination of Knowledge and Statistical Data. Machine Learning. 1995 Sep 1; 20(3): 197–243.
Zuo Y, Kita E. Up/Down Analysis of Stock Index by Using Bayesian Network. Engineering Management Research. 2012 Jul 10; 1(2): p 46-52.
Tan CS, Yong CK, Tay YH. Modeling financial ratios of Malaysian plantation stocks using Bayesian Networks. In: 2012 IEEE Conference on Sustainable Utilization and Development in Engineering and Technology (STUDENT). 2012. p. 7–12.
Malagrino LS, Roman NT, Monteiro AM. Forecasting stock market index daily direction: A Bayesian Network approach. Expert Systems with Applications. 2018 Sep 1; 105: 11–22.
Jang H, Lee J. An Empirical Study on Modeling and Prediction of Bitcoin Prices with Bayesian Neural Networks Based on Blockchain Information. IEEE Access. 2018; 6: 5427–5437.
Rajeswari K, Acharya O, Sharma M, Kopnar M, Karandikar K. Improvement in k-Means Clustering Algorithm Using Data Clustering. In: 2015 International Conference on Computing Communication Control and Automation. 2015. p. 367–369.
Aruna Kumar SV, Harish BS, Mahanand BS, Sundararajan N. An efficient Meta-cognitive Fuzzy C-Means clustering approach. Applied Soft Computing. 2019 Dec 1; 85: 105-838.
