แบบจำลองการพยากรณ์ผลการดำเนินงานทางการเงินของบริษัทจดทะเบียนในกลุ่มอุตสาหกรรมอาหารและเครื่องดื่ม
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้มีวัตถุประสงค์เพื่อ 1) ศึกษาความสัมพันธ์ระหว่างอัตราส่วนทางการเงิน ปัจจัยภายในของกิจการ และปัจจัยมหภาคทางเศรษฐกิจกับอัตรากำไรสุทธิของบริษัทในกลุ่มอุตสาหกรรมอาหารและเครื่องดื่มในตลาดหลักทรัพย์แห่งประเทศไทย 2) เปรียบเทียบประสิทธิภาพของแบบจำลอง Multiple Linear Regression และ Random Forest ในการพยากรณ์อัตรากำไรสุทธิ และ 3) วิเคราะห์ตัวแปรที่มีความสำคัญต่อการพยากรณ์ผลการดำเนินงานของบริษัท การวิจัยนี้เป็นการวิจัยเชิงปริมาณ โดยใช้ข้อมูลทุติยภูมิจากงบการเงินของบริษัทจดทะเบียนในกลุ่มอุตสาหกรรมอาหารและเครื่องดื่ม จำนวน 40 บริษัท ครอบคลุมช่วงปี พ.ศ. 2562–2567 คัดเลือกกลุ่มตัวอย่างแบบเจาะจง และวิเคราะห์ข้อมูลด้วยสถิติเชิงพรรณนา ค่าสัมประสิทธิ์สหสัมพันธ์แบบสเปียร์แมน แบบจำลอง Multiple Linear Regression และแบบจำลอง Random Forest โดยประเมินประสิทธิภาพของแบบจำลองด้วยค่า MAE, MSE, RMSE และ R² ผลการวิจัยพบว่า ตัวแปรอิสระจำนวน 41 ตัวแปร จากทั้งหมด 86 ตัวแปร มีความสัมพันธ์กับอัตรากำไรสุทธิอย่างมีนัยสำคัญทางสถิติ โดยตัวแปรที่มีความสัมพันธ์สูงสุด คือ อัตราค่าใช้จ่ายดำเนินงาน ปี 2566 ผลการเปรียบเทียบแบบจำลองพบว่า Random Forest มีประสิทธิภาพในการพยากรณ์สูงกว่า Multiple Linear Regression โดยมีค่า R² เท่ากับ 0.776 ค่า MAE เท่ากับ 4.082 และค่า RMSE เท่ากับ 9.569 ขณะที่แบบจำลอง Multiple Linear Regression มีค่า R² ติดลบ ตัวแปรที่มีความสำคัญสูงสุดต่อการพยากรณ์ ได้แก่ อัตราค่าใช้จ่ายดำเนินงาน อัตรากำไรจากการดำเนินงาน และอัตรากำไรสุทธิในปี 2566 องค์ความรู้จากงานวิจัยนี้ชี้ให้เห็นว่า การบูรณาการข้อมูลทางการเงินกับแบบจำลองการเรียนรู้ของเครื่องสามารถใช้เป็นแนวทางในการพยากรณ์ผลการดำเนินงาน และสนับสนุนการตัดสินใจของผู้บริหาร นักลงทุน และนักวิเคราะห์ทางการเงินได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
ธนวัฒน์ ศรีสมบูรณ์ และ วรรณา จันทร์เพ็ง. (2566). การเปรียบเทียบประสิทธิภาพแบบจำลอง Machine Learning แบบ Tree-based Ensemble ในการพยากรณ์ผลการดำเนินงานของบริษัทจดทะเบียนในตลาดหลักทรัพย์. วารสารเศรษฐศาสตร์และบริหารธุรกิจ, 15(2), 45–63.
นริศรา ประไพ, ธนกฤต วงศ์ศิริภากร และ พิมพ์ชนก เนตรศิริ. (2565). การเปรียบเทียบประสิทธิภาพของแบบจำลอง Random Forest และ Multiple Linear Regression ในการพยากรณ์กำไรสุทธิของบริษัทในตลาดหลักทรัพย์แห่งประเทศไทย. วารสารการเงิน การบัญชี และการจัดการ, 13(2), 78–95.
วิชัย อนันต์โกศล. (2567). การเปรียบเทียบประสิทธิภาพแบบจำลองทางสถิติและ Machine Learning ในการพยากรณ์กำไรสุทธิของบริษัทในกลุ่มอุตสาหกรรมเกษตรและอาหาร ตลาดหลักทรัพย์แห่งประเทศไทย. วารสารบริหารธุรกิจและสังคมศาสตร์ มหาวิทยาลัยรามคำแหง, 7(1), 85–102.
วิศรุต แก้วมหา และวริศ ปัญญาฉัตรพร. (2564). การคาดการณ์ผลตอบแทนในอนาคตของตราสารทุนหุ้นสามัญโดยการใช้ระบบคอมพิวเตอร์เรียนรู้ได้ด้วยตนเอง. วารสารนวัตกรรมธุรกิจ การจัดการ และสังคมศาสตร์, 2(3), 108–123.
Biau, G., & Scornet, E. (2016). A random forest guided tour. TEST, 25(2), 197–227.
Cao, J., Chen, X., & Wang, Y. (2020). Cross-validated machine learning models for earnings forecasting in emerging markets. Journal of Emerging Market Finance, 19(3), 301–325.
Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263.
Fernandez-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15(1), 3133–3181.
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273.
Hezam, Y., Luong, H., & Anthonysamy, L. (2025). Machine learning in predicting firm performance: A systematic review. China accounting and finance review, 27(3), 309-339.
Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67.
Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques: A review. European Journal of Operational Research, 180(1), 1–28.
Lakonishok, J., Shleifer, A., & Vishny, R. W. (1994). Contrarian investment, extrapolation, and risk. The Journal of Finance, 49(5), 1541–1578.
Nissim, D., & Penman, S. H. (2001). Ratio analysis and equity valuation: From research to practice. Review of Accounting Studies, 6(1), 109–154.
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259–268.
Porter, M. E. (1985). Competitive advantage: Creating and sustaining superior performance. New York: Free Press.
Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, 71(3), 289–315.
Soliman, M. T. (2008). The use of DuPont analysis by market participants. The Accounting Review, 83(3), 823–853.
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
Tutcu, B., Kayakuş, M., Terzioğlu, M., Ünal Uyar, G. F., Talaş, H., & Yetiz, F. (2024). Predicting financial performance in the IT industry with machine learning: ROA and ROE analysis. Applied Sciences, 14(17), 7459.
Wasserbacher, H., & Spindler, M. (2022). Machine learning for financial forecasting, planning and analysis: Recent developments and pitfalls. Digital Finance, 4(1), 63–88.
