การพยากรณ์ข้อมูลอนุกรมเวลาราคาปิดหุ้นของบริษัทจดทะเบียนด้วยตัวแบบ ARIMA [Time Series Forecasting Stock Closing Prices of Listed Company Using ARIMA Model]
Article Sidebar
Main Article Content
Abstract
This study aims to investigate the stock closing prices time series forecasting using ARIMA model (3,0,2) because it is suitable for predicting time series data set that is systematically collected on a continuous basis and it is more acuurate than other methods. The data set from CP All public company limited, an actual daily price from October 14, 2003 to October 24, 2017 is 3,429 days. The training set is 3,399 days. The test data set used for predicting is 30 days. The study used the R program for forecasting and processing data, which is an open source application. The results found the lowest value of RMSE, MAPE and MAE in the 30 days’ prediction. The RMSE, MAPE and MAE value were 0.189, 0.893 and 0.148, respectively. ARIMA model’s RMSE showed the lower value than 3%, the model was found to have the highest prediction accuracy.
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.