Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/64203
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorนฤมล ประทานวณิช-
dc.contributor.authorบุณยวัส ศรีสมพงษ์-
dc.contributor.authorสรวิส เลิศอำไพสกุลวงศ์-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์-
dc.date.accessioned2020-02-19T09:06:12Z-
dc.date.available2020-02-19T09:06:12Z-
dc.date.issued2561-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/64203-
dc.descriptionโครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2561-
dc.description.abstractโครงการวิจัย เรื่อง “การศึกษาเชิงเปรียบเทียบของสถาปัตยกรรมโครงข่ายประสาทเทียมเชิง ลึกในการทำนายแนวโน้มรายวันของอัตราแลกเปลี่ยนคู่เงินดอลลาร์สหรัฐอเมริกากับเยนญี่ปุ่น” มีวัตถุประสงค์ คือ เพื่อเปรียบเทียบสถาปัตยกรรม 4 แบบ คือ 1. Feed Forward Neural Network 2. Convolutional Neural Network 3. Long Short-Term Memmory และ 4. Convolutional Long Short-Term Memmory เพื่อประเมินความทนทานของโมเดลคณะผู้จัดทำได้ฝึกสอนแต่ละ โมเดล 10 ครั้งด้วยการเริ่มต้นแบบสุ่ม คณะผู้จัดทำได้ประเมินการทำงานของแต่ละสถาปัตยกรรมทั้ง ในด้านความแม่นยำในการจำแนกและกำไรที่ได้รับทั้งหมดโดยยึดการตัดสินใจของโมเดล โดยทุก สถาปัตยกรรมสามารถให้ผลได้ดีกว่าเทคนิคการเรียนรู้ของเครื่องแบบดั้งเดิมอย่างเช่น random forest และ SVM ในทั้งสองด้าน ซึ่ง CNN แบบ 64 ตัวกรองสามารถให้ผลลัพธ์การทำนายได้ดีที่สุด โดยสามารถทำกำไรได้ 28% โดยประมาณจากกำไรทั้งหมด 93,841 จุดโดยไม่เกิดการขาดทุนในการ ทดลองทั้ง 10 การทดลอง สถาปัตยกรรมที่รองลงมาคือ FFNN ในขณะที่สถาปัตยกรรมอื่น ๆ รวมทั้ง เทคนิคการเรียนรู้ของเครื่องแบบดั้งเดิมที่ถูกทดสอบในโครงการนี้สามารถทำกำไรได้น้อยกว่าหรือเกิด การขาดทุนในบางการทดลองen_US
dc.description.abstractalternativeThe objective of this project is to compare four neural network architectures; Feed Forward Neural Networks (FFNN), Convolutional Neural Networks (CNN), Long Short-Term Memory networks (LSTM) and Convolutional Long Short-Term Memory networks for forex trends prediction. To assess model robustness, we trained each model ten times with random initialisations. We evaluated the performance of each architecture in the aspect of classification accuracy of predicting forex trends and the traditional machine learning techniques such as random forests and support vector machines (SVMs) in both aspects. The CNN with 64 filters yielded the best prediction; making approximately 28% of the total profit of 93,841 points without loss across the ten experiments, followed by FFNNs, while other neural network architectures including the traditional models tested in this project gained less profit and sometimes experienced loss. Departmenten_US
dc.language.isothen_US
dc.publisherจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.rightsจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.titleการศึกษาเชิงเปรียบเทียบของสถาปัตยกรรมโครงข่ายประสาทเทียมเชิงลึกในการทำนายแนวโน้มรายวันของอัตราแลกเปลี่ยนคู่เงินดอลลาร์สหรัฐอเมริกากับเยนญี่ปุ่นen_US
dc.title.alternativeComparative study of deep neural network architectures for forex daily trend prediction on USD/JPY currency pairen_US
dc.typeSenior Projecten_US
dc.email.advisornaruemon.p@chula.ac.th-
Appears in Collections:Sci - Senior Projects

Files in This Item:
File Description SizeFormat 
Bunyawat_S_Se_2561.pdf1.5 MBAdobe PDFView/Open


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