การเปรียบเทียบวิธีในการพยากรณ์ราคาหุ้นด้วยแบบจำลองอารีม่า, โครงข่ายประสาทเทียม และตัวแบบผสม

กาญจน์ภิวรรณ จงศิริวิโรจ

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/79115

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	วิฐรา พึ่งพาพงศ์	-
dc.contributor.author	กาญจน์ภิวรรณ จงศิริวิโรจ	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี	-
dc.date.accessioned	2022-07-01T04:17:30Z	-
dc.date.available	2022-07-01T04:17:30Z	-
dc.date.issued	2564	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/79115	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564	-
dc.description.abstract	การวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบวิธีการพยากรณ์ราคาปิดหุ้นรายวันในอนาคต โดยใช้ตัวแบบอารีม่าซึ่งสร้างจากวิธีการค้นหาแบบกริด โครงข่ายประสาทเทียมและตัวแบบผสมในการพยากรณ์ราคาของหุ้น ภายใต้ตัวอย่างหุ้นที่ถูกเลือกมาตามระดับความผันผวนจากสูงไปต่ำ ในกลุ่มอุตสาหกรรมเทคโนโลยีและชิ้นส่วนอิเล็กทรอนิกส์ ได้แก่ HANA, DELTA และ SVI ตามลำดับ โดยเก็บข้อมูลราคาปิดรายวันของหุ้นตั้งแต่เดือนตุลาคม พ.ศ. 2559 ถึงเดือนตุลาคม พ.ศ. 2564 ( 5 ปีย้อนหลัง ) ซึ่งอาศัยการแบ่งชุดข้อมูลฝึกสอนด้วยวิธี ตรวจสอบไขว้ (rolling forward validation) ทั้งวิธีตรวจสอบไขว้แบบสะสม และวิธีตรวจสอบไขว้แบบ moving window ซึ่งผลการวิจัยพบว่า เมื่อใช้ค่าเฉลี่ยของร้อยละความผิดพลาดสัมบูรณ์เป็นเกณฑ์ในการคัดเลือกตัวแบบ ทั้งสองวิธีการแบ่งชุดข้อมูลย่อยนั้น โครงข่ายประสาทเทียมมีความแม่นยำมากที่สุดในการพยากรณ์ราคาปิดของหุ้น HANA, DELTA และ SVI รวมถึงตัวแบบผสมดังกล่าวไม่จำเป็นต้องมีประสิทธิภาพดีกว่าการใช้แต่ละตัวแบบเพียงลำพังเสมอไป ตัวแบบอารีม่าซึ่งสร้างจากวิธีการค้นหาแบบกริดสามารถพยากรณ์ได้ดีกว่าในหุ้นที่มีระดับความผันผวนกลางและระดับต่ำ ในขณะที่โครงข่ายประสาทเทียมสามารถพยากรณ์ได้ดีในทุกระดับความผันผวนราคาหุ้น	-
dc.description.abstractalternative	The purpose of this research is to compare the forecasting methods of daily closing stock price in the future including an ARIMA model built on grid search method, an artificial neural network and a hybrid model. Sample stocks in technology and electronic industry were selected according to the level of their volatility from hign to low. These include HANA, DELTA, and SVI respectively. The daily closing price of stocks from October 2016 to October 2021 (the past five years) was divided into the training dataset and the testing dataset using both a rolling forward cross-validation method and a cumulative cross-validation method. The mean absolute percentage error was used as the criterion for model selection. With both cross-validation methods, we found that the artificial neural network performed the best in forecasting the closing prices of HANA, DELTA and SVI stocks. Interestingly, a hybrid model did not always outperform other methods. The ARIMA model, built on the grid search method, had better predictive ability for stocks with medium and low volatility while the neural network perfomed generally well at forecasting all levels of stock price volatility.	-
dc.language.iso	th	-
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2021.1050	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.subject	การทำนายราคาหลักทรัพย์	-
dc.subject	Stock price forecasting	-
dc.subject.classification	Decision Sciences	-
dc.title	การเปรียบเทียบวิธีในการพยากรณ์ราคาหุ้นด้วยแบบจำลองอารีม่า, โครงข่ายประสาทเทียม และตัวแบบผสม	-
dc.title.alternative	An Comparison of Stock Price Forecasting Methods with ARIMA, Artificial Neural Network and Hybrid model	-
dc.type	Thesis	-
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	-
dc.degree.level	ปริญญาโท	-
dc.degree.discipline	สถิติ	-
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.identifier.DOI	10.58837/CHULA.THE.2021.1050	-
Appears in Collections:	Acctn - Theses

Files in This Item:

File	Description	Size	Format
6380039526.pdf		5.87 MB	Adobe PDF	View/Open

Show simple item record