การพยากรณ์แนวโน้มอัตราแลกเปลี่ยนเงินตราต่างประเทศโดยใช้อนุกรมเวลา
Article Sidebar
Main Article Content
บทคัดย่อ
การพยากรณ์อัตราแลกเปลี่ยนเงินตราจากการอ้างอิงราคาจากตลาดการแลกเปลี่ยนเงินตราต่างประเทศนั้นเป็นงานวิจัยที่ท้าทาย โดยการพยากรณ์อัตราแลกเปลี่ยนเงินตราจะทำประโยชน์อย่างยิ่งต่อนักลงทุน ปัจจุบันเทคนิคอนุกรมเวลาเข้ามามีบทบาทในการพยากรณ์ข้อมูลที่จะเกิดขึ้นในอนาคต ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์อัตราการแลกเปลี่ยนเงินตราต่างประเทศ โดยใช้ข้อมูล แนวโน้มขาขึ้นของอัตราแลกเปลี่ยนเงินตรา ตั้งแต่เดือนกุมพาพันธ์ พ.ศ.2014 ถึง เดือนมกราคม พ.ศ. 2017 ในงานวิจัยนี้ 4 เทคนิคที่มีประสิทธิภาพในการสร้างแบบจำลองเพื่อพยากรณ์ คือ Linear Regression (LR), Multi-Layer 9 Perceptron (MLP), Support Vector Machine Regression (SVMR) และ Sequential Minimal Optimization Regression (SMOR)
ในการทดสอบประสิทธิภาพของแบบจำลองที่สร้างขึ้น Sliding Windows ได้ถูกนำมาใช้ในการแบ่งกลุ่มข้อมูลเป็นชุดข้อมูลการเรียนรู้ และชุดข้อมูลทดสอบ 12 รอบของ Sliding Windows ถูกนำมาใช้เพื่อลดความแปรปรวนของผลการทดลอง ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean AbsoluteError: MAE) และ Root Mean Square Error (RMSE) ได้ถูกนำมาใช้การวัดประสิทธิภาพของแบบจำลอง ผลการทดลองพบว่า เทคนิค SVMR ดีกว่า LR,MLP and SMOR โดยมีค่ามี MAE และค่า RMSE ต่ำสุดถึง 1.11±2.10 และ 1.13±2.14 ตามลำดับ
Article Details
References
Chih-Chung Chang, C.-J. L. (March 4, 2013). LIBSVM: A Library for Support Vector Machines. Department of Computer Science National Taiwan University.
Forex-Thailand. (2017). แนวโน้มคืออะไร. Retrieved 10 มกราคม 2018, from http://forex-thailand.in.th/index.php?page_id=47701
forexinthai.blogspo. (2016). LEARNING FOREX. Retrieved 10 October, 2017, from http://forexinthai.blogspot.com/
Frank, E. (04/2014). Fully Supervised Training of Gaussian Radial
Basis Function Networks in WEKA. Department of Computer Science, The University of Waikato.
Jin-Fang Yang, Y.-J. Z., Da-Ping Xu. (2007). SMO Algorithm Applied in Time Series Model Building and Forecast. IEEE. doi: 10.1109/ICMLC.2007.4370546
Nurul Asyikin Zainal, Z. M. (2016a). Developing a gold price predictive analysis using Grey Wolf Optimizer. IEEE. doi: 10.1109/SCORED.2016.7810031
Nurul Asyikin Zainal, Z. M. (2016b). Developing a gold price predictive analysis using Grey Wolf Optimizer. Research and Development (SCOReD), 2016 IEEE Student Conference on. doi: 10.1109/SCORED.2016.7810031
S.K. Shevade, S. S. K., C. Bhattacharyya,K.R.K. Murthy. (Sep 2000). Improvements to the SMO algorithm for SVM regression. IEEE Transactions on Neural Networks, 11(5), 1188 - 1193. doi: 10.1109/72.870050
Yazdani-Chamzini, H. M. a. A. (2015). Modeling Gold Price via Artificial Neural Network Journal of Economics Business and Management, 3(7), 703.
นิตยา เกิดแย้ม. (2559). การพยากรณ์ปริมาณการใช้บัตรเครดิตเพื่อการใช้จ่ายโดยใช้การวิเคราะห์อนุกรมเวลาด้วยเทคนิคเหมืองข้อมูล.