การพยากรณ์ข้อมูลอนุกรมเวลาราคาปิดหุ้นของบริษัทจดทะเบียนด้วยตัวแบบ ARIMA [Time Series Forecasting Stock Closing Prices of Listed Company Using ARIMA Model]
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์ข้อมูลอนุกรมเวลาราคาปิดหุ้นที่ซื้อขายในตลาดหลักทรัพย์แห่งประเทศไทย ด้วยตัวแบบ ARIMA (3,0,2) เนื่องจากมีความเหมาะสมสำหรับการทำนายชุดข้อมูลแบบอนุกรมเวลาที่มีการจัดเก็บอย่างเป็นระบบแบบรายวันอย่างต่อเนื่อง และมีความแม่นยำสูงกว่าวิธีอื่น ๆ ใช้ชุดข้อมูลของบริษัท ซีพี ออลล์ จำกัด (มหาชน) มาทำการศึกษา ซึ่งเป็นข้อมูลการซื้อขายแบบรายวันจริง ตั้งแต่วันที่ 14 เดือนตุลาคม พ.ศ. 2546 ถึงวันที่ 24 เดือนตุลาคม พ.ศ. 2560 นับเป็นจำนวน 3,429 วัน โดยใช้ข้อมูลสำหรับเป็นชุดข้อมูลฝึกสอน จำนวน 3,399 วัน และสำหรับการพยากรณ์ จำนวน 30 วัน งานวิจัยนี้ใช้โปรแกรม R ซึ่งเป็น Open Source ในการประยุกต์เพื่อพยากรณ์และประมวลผลข้อมูลวิจัย ผลจากการวิจัยพบว่า ค่า RMSE, MAPE และ MAE มีค่าต่ำสุดจากการพยากรณ์ล่วงหน้า 30 วัน โดยมีค่า RMSE, MAPE และ MAE เท่ากับ 0.189, 0.893 และ 0.148 ตามลำดับ ตัวแบบ ARIMA มีค่า RMSE ต่ำกว่าร้อยละ 3 แสดงให้เห็นถึงประสิทธิภาพในการพยากรณ์อยู่ในระดับสูงสุด
Article Details
References
จิตติ ตันเสนีย์. (2549). การเปรียบเทียบความแม่นยำในการพยากรณ์ ราคาหลักทรัพย์ระหว่างแบบจำลองนิวรอลเน็ตเวิร์คกับ แบบจำลองอารีมาและอีการ์ชเอ็ม. ภาคนิพนธ์ ศ.ม., มหาวิทยาลัยเชียงใหม่, เชียงใหม่.
ชยกร สมศิลา สิรภัทร เชี่ยวชาญวัฒนา และคำรณ สุนัติ. (2553). ตัวแบบผสมสำหรับการพยากรณ์คุณภาพอากาศ กรณีศึกษา ข้อมูลคุณภาพอากาศในประเทศไทย. การประชุมวิชาการเสนอผลงานวิจัยระดับบัณฑิตศึกษาครั้งที่ 11 มหาวิทยาลัยขอนแก่น.
ชญานิน บุญมานะ และนัท กุลวานิช. (2560). การเปรียบเทียบความแม่นยำของการพยากรณ์ด้วยตัวแบบอนุกรมเวลาแบบผสม. วารสารวิทยาศาสตร์และเทคโนโลยี, 25(2), 177-190.
นรเศรษฐ ศรีธานี. (2559). ประสิทธิภาพของการพยากรณ์อัตราผลตอบแทนของหลักทรัพย์ในตลาดหลักทรัพย์แห่งประเทศไทยของแบบจาลองอารีมา. การประชุมทางวิชาการระดับชาติ ด้านวิทยาการจัดการ สาขาวิชาวิทยาการจัดการ มหาวิทยาลัยสุโขทัยธรรมาธิราช.
บริษัท ซีพีออลล์ จำกัด (มหาชน). (2560). เกี่ยวกับซีพีออลล์. สืบค้นเมื่อ 1 ตุลาคม 2560, จาก https://www.cpall.co.th//Corporate/about-cp-all
เมธินี กวินภาส ประสิทธิ์ พยัคฆพงษ์ และบุญอ้อม โฉมที. (2558). การเปรียบเทียบการพยากรณ์ระหว่างวิธีเครือข่ายเบย์เซียนและวิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียลสำหรับดัชนีราคาหุ้นกลุ่มอสังหาริมทรัพย์และก่อสร้างในประเทศไทย. วารสารวิทยาศาสตร์และเทคโนโลยี, 23(2), 204-211.
ตลาดหลักทรัพย์แห่งประเทศไทย. (2560). วิเคราะห์ปัจจัยพื้นฐาน. สืบค้นเมื่อ 10 ตุลาคม 2560, จาก https://www.set.or.th/education/th/begin/stock_content04.pdf
ฐกฤต ปานขลิบ. (2556). การพยากรณ์การใช้พลังงานไฟฟ้าในประเทศไทยโดยวิธีการถดถอยเชิงเส้นพหุคูณและโครงข่ายประสาทเทียม. วารสารวิทยาศาสตร์ประยุกต์ มหาวิทยาลัยพระจอมเกล้าพระนครเหนือ, 12(2), 58-67.
ภูริช หิรัญ และวิมล แสนอุ้ม. (2556). การทำนายข้อมูลอนุกรมเวลาแบบไม่เป็นเชิงเส้นด้วยโครงข่ายประสาทเทียมและการประยุกต์ใช้ในการทำนายสมการแม็กกี้กลาสและราคาหุ้น. วารสารวิชาการสถาบันเทคโนโลยีไทย-ญี่ปุ่น, 1(2), 56-61.
พงษ์ศิริ ศิริพานิช. (2550). การพยากรณ์อนุกรมเวลาด้วยตัวแบบผสม ARIMA และเครือข่ายประสาทเทียม. วิทยานิพนธ์ วิทยาศาสตรมหาบัณฑิต สาขาวิชาคณิตศาสตร์และเทคโนโลยีสารสนเทศ, มหาวิทยาลัยศิลปากร.
พัฒนกิจ ศักดิ์บูลยมาลย์ และวินัย หอมสมบัติ. (2559). ความยั่งยืนของบริษัทจดทะเบียนที่ย้ายการจดทะเบียนจากตลาดหลักทรัพย์ เอ็ม เอ ไอ สู่ตลาดหลักทรัพย์แห่งประเทศไทย. วารสารบริหารธุรกิจ เศรษฐศาสตร์และการสื่อสาร, 11(1), 56-68.
รัตติกาล จอมประพันธ์. (2555). การประมาณค่าสูญหายในการวิเคราะห์การถดถอยเชิงเส้นพหุคูณ. วิทยานิพนธ์ วิทยาศาสตรมหาบัณฑิต (สถิติ), คณะสถิติประยุกต์, สถาบันบัณฑิตพัฒนบริหารศาสตร์.
วันชัย ธัญญศิริ. (2560). การวิเคราะห์หลักทรัพย์โดยวิธีทางเทคนิค (Technical Analysis). สืบค้นเมื่อ 10 ตุลาคม 2560, จาก https://swingingtrader.files.wordpress.com/2011/12/technicalanalysis-taladhoondotcom.pdf
สุพรรณี อึ้งปัญสัตวงศ์. (2555). เทคนิคการพยากรณ์เชิงสถิติ. โรงพิมพ์มหาวิทยาลัยขอนแก่น: ขอนแก่น.
Coghlan, A. (2017). Using R for time series analysis. Retrieved October 1, 2017, from http://a-little-book-of-r-for-time-series.readthedocs.io/en/latest/src/timeseries.html
Brockwell, P.J., & Davies, R.A. (1991). Time series: theory and methods (2nd ed.). Springer, New York.
Lu, R.S., Yu, S.W., and Lin, Y.H. (2008). The prediction of applying smooth support vector regression and back propagation network in mutual fund performance”. Neural networks, 2008. IJCNN 2008. (IEEE World Congress on Computational Intelligence). IEEE International Joint Conference; 2008 June 1-8; Hong Kong.
Lewis, C.D. (1982). International and business forecasting Methods. London: Butterworths.
Ma, Y., Chang, Y., and Xia. C. (2011). Applied research on stock forecasting model based on BP neural network. International Conference on Electronic & Mechanical Engineering and Information Technology; 2011 Aug 12-14; Harbin, China
Omidi, A., Nourani, E., and Jalili, M (2011). Forecasting stock prices using financial data mining and neural network. Computer Research and Development (ICCRD), 2011 3rd International Conference; 2011 Mar 11-13; Shanghai, China.
Sutheebanjard, P., and Premchaiswadi, W. (2010). Stock exchange of Thailand index prediction using back propagation neural networks. Computer and Network Technology (ICCNT) 2010 Second International Conference; 2010 April 23-25; Bangkok, Thailand.
Zhang, D., Jiang, Q., and Li, X. (2007). Application of neural networks in financial data mining, International Journal of Computational Intelligence, 1(1), 225-228.