Please use this identifier to cite or link to this item: http://cuir.car.chula.ac.th/handle/123456789/61597
Title: การทำนายแนวโน้มของตลาดหุ้นด้วยแบบจำลองการเรียนรู้เชิงลึกที่เพิ่มประสิทธิภาพร่วมกับข้อมูลเชิงตัวเลขและข้อมูลเชิงตัวอักษร
Other Titles: Stock market movement prediction using enhanced deep learning model with numerical and textual information
Authors: พิศุทธ อ่อนเจริญ
Advisors: พีรพล เวทีกูล
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Issue Date: 2561
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: การทำนายแนวโน้มของตลาดหุ้นเป็นสิ่งที่ยากเนื่องจากตลาดหุ้นมีความผันผวนสูงและได้รับอิทธิพลจากปัจจัยภายนอกอื่น ๆ ในปัจจุบันเริ่มมีการนำเทคนิคการเรียนรู้เชิงลึก (Deep Learning) มาใช้ในการทำนายแนวโน้มของตลาดหุ้น โดยที่ข้อมูลรับเข้าของแบบจำลองสามารถแบ่งออกได้เป็น 2 ประเภทคือ 1) ข้อมูลเชิงตัวเลข เช่น ราคาในอดีตและตัวชี้วัดทางเทคนิค และ 2) ข้อมูลเชิงตัวอักษร ซึ่งได้แก่หัวข้อข่าวและเนื้อข่าว เป็นต้น แต่อย่างไรก็ตามงานวิจัยส่วนใหญ่มักจะมุ่งเน้นไปที่สร้างแบบจำลองโดยใช้ข้อมูลประเภทใดประเภทหนึ่งเท่านั้น ในขณะที่นักลงทุนส่วนใหญ่ทำการวิเคราะห์พฤติกรรมของตลาดโดยพิจารณาจากข้อมูลหลากหลายประเภท งานวิจัยนี้ได้นำเสนอแบบจำลองการเรียนรู้เชิงลึกที่สามารถพิจารณาข้อมูลทั้งสองประเภทเพื่อทำนายแนวโน้มของตลาดหุ้น ซึ่งแบบจำลองนี้ประกอบไปด้วยนิวรอลเน็ตเวิร์กแบบคอนโวลูชัน (Convolutional Neural Network) และหน่วยความจำระยะสั้นแบบยาว (Long-Short Term Memory) โดยใช้ข้อมูลรับเข้าเป็นเหตุการณ์ฝังตัวซึ่งสกัดได้จากหัวข้อข่าว ราคาในอดีตและตัวชี้วัดทางเทคนิคซึ่งสร้างจากข้อมูลของราคาในอดีต รวมทั้งได้ทำการนำเสนอฟังก์ชันวัตถุประสงค์ชนิดใหม่ที่สามารถช่วยเพิ่มประสิทธิภาพในด้านผลตอบแทนเฉลี่ยต่อปีที่ได้จากการจำลองการซื้อขาย โดยการนำเอาค่าชาร์ปเรโชซึ่งเป็นตัวชี้วัดผลตอบแทนเมื่อเทียบกับความเสี่ยงมาใช้ร่วมกับค่าครอสเอนโทรปี
Other Abstract: Stock market prediction is difficult because markets are volatile and influenced by many factors. Recently, many studies attempt to predict stock market trend using deep learning approach. These prediction models employed two types of input as (1) numerical information of historical prices and technical indicators, and (2) textual information including news contents or headlines. However, most of the studies focused on prediction model development based on a single input type, while investors analyzed market behavior based on a variety of information. In this work, we proposed a deep neural network for stock market prediction, which can analyze both types of inputs. The proposed model consists of convolutional neural network and long-short term memory and takes event embedding vectors extracted from news headlines, historical price data, and a set of technical indicators as input. Moreover, we also introduced a new objective function that can improve annualized return based on trading simulations by using Sharpe ratio, which is a measure of return relative to risk, and Cross-entropy.
Description: วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2561
Degree Name: วิทยาศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิศวกรรมคอมพิวเตอร์
URI: http://cuir.car.chula.ac.th/handle/123456789/61597
Type: Thesis
Appears in Collections:FACULTY OF ENGINEERING

Files in This Item:
File Description SizeFormat 
5971017621.pdf2.68 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.