Download

วารสาร : ปีที่ 5 ฉบับที่ 2 กรกฎาคม-ธันวาคม 2561
ชื่องานวิจัย (TH): การพยากรณ์แนวโน้มอัตราแลกเปลี่ยนเงินตราต่างประเทศโดยใช้อนุกรมเวลา
ชื่องานวิจัย (EN) : Forecasting the Trend of Foreign Exchange Rates Using Time Series Analysis Techniques
ผู้วิจัย : สมร เหล็กกล้า* และจารี ทองคำ
บทคัดย่อ (TH) : 

การพยากรณ์อัตราแลกเปลี่ยนเงินตราจากการอ้างอิงราคาจากตลาดการแลกเปลี่ยนเงินตราต่างประเทศนั้นเป็นงานวิจัยที่ท้าทาย เพราะการพยากรณ์อัตราแลกเปลี่ยนเงินตราจะทำประโยชน์อย่างยิ่งต่อนักลงทุน ปัจจุบันเทคนิคอนุกรมเวลาเข้ามามีบทบาทในการพยากรณ์ข้อมูลที่จะเกิดขึ้นในอนาคต ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์อัตราการแลกเปลี่ยนเงินตราต่างประเทศ โดยใช้ข้อมูล แนวโน้มขาขึ้นของอัตราแลกเปลี่ยนเงินตรา ตั้งแต่เดือนกุมภาพันธ์ ค.ศ. 2014 ถึง เดือน มกราคม ค.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 ถูกนำมาใช้เพื่อลด
ความแปรปรวนของผลการทดลอง ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Error: 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

Abstract : 

Forecasting exchange rates from the foreign exchange market is a challenging research. The exchange rate forecast will be very beneficial to investors. Currently, time series techniques play a role in forecasting future data. The purpose of this research is to study and compare the efficiency of the models for predicting foreign exchange rates.In this paper, Using the upward trend of exchange rates. From February 2014 to January 2017 were used. four techniques including Linear Regression (LR), Multi-Layer 9 Perceptron (MLP), Support Vector Machine Regression (SVMR) and Sequential Minimal Optimization Regression (SMOR) were employed.
Sliding Windows was used to divide data into learning and testing sets. In this paper, 12 rounds of sliding windows were used to reduce the variance of experiment results. Moreover, Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) were used to measure performance of the models. The experiment result showed that SVMR technique is superior to LR, MLP and SMOR. The MAE and RMSE values of SVMR are the lowest which are were as low as 1.11 ± 2.10 and 1.13 ± 2.14, respectively.

Keywords : Currency Exchange Rates; Time Series; Time Series Techniques
Full Paper : Download

<< ย้อนกลับ | |