Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/83361
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | นราพงศ์ ศรีวิศาล | - |
| dc.contributor.author | สกันต์ ลิ้มศรีสกุลวงศ์ | - |
| dc.contributor.other | จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี | - |
| dc.date.accessioned | 2023-08-04T08:24:42Z | - |
| dc.date.available | 2023-08-04T08:24:42Z | - |
| dc.date.issued | 2565 | - |
| dc.identifier.uri | https://cuir.car.chula.ac.th/handle/123456789/83361 | - |
| dc.description | สารนิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565 | - |
| dc.description.abstract | การศึกษานี้นำเสนอการนำข้อมูลที่เป็นรูปแบบข้อความจากทวิตเตอร์ โดยเก็บรายวันตั้งแต่เดือนมกราคม ปี 2017 ถึง เดือนธันวาคม ปี 2022 ซึ่งข้อความทั้งหมดมาจากการทวีตของผู้เชี่ยวชาญด้านการลงทุนทองคำจำนวน 10 ท่าน ข้อความทั้งหมดหลังกระบวนการประมวลผลภาษาธรรมชาติจะถูกนำเข้าฝึกฝนด้วยโมเดลการเรียนรู้ด้วยเครื่องได้แก่ ต้นไม้ตัดสินใจ นาอีฟ เบย์ การถดถอยโลจิสติก เครื่องเวกเตอร์คำ้ยัน เพื่อวิเคราะห์หาโมเดลที่เหมาะสมที่สุดสำหรับการคาดการณ์ทิศทางราคาทองคำรายวันและรายสัปดาห์ นอกจากนั้นข้อความทั้งหมดสามารถนำมาคำนวณค่าความรู้สึกและนำไปใช้ร่วมกับตัวแปรคาดการณ์ต่าง ๆ เช่น ดัชนีเงินดอลลาร์สหรัฐ ดัชนีความผันผวนทองคำ อัตราดอกเบี้ยระหว่างธนาคารของสหรัฐฯ ดัชนี SPDR® Gold Shares (GLD) ดัชนี SPDR S&P 500 ETF Trust (SPY) และอัตราผลตอบแทนพันธบัตรรัฐบาลสหรัฐอเมริกา 10 ปี เพื่อใช้คาดการณ์ทิศทางราคาทองคำด้วยเทคนิคการเรียนรู้ด้วยเครื่องได้อย่างมีประสิทธิภาพและเป็นประโยชน์ต่อนักลงทุนทองคำ | - |
| dc.description.abstractalternative | This study presents the information obtained from Twitter by scraping since January 2017 to December 2022. The data collection is from the 10 Twitter's users who are expert in gold investment. After textual data are proceeded by natural language processing (NLP), they are trained by machine learning models, including Decision Trees, Naive Bayes, Logistic Regression, Support Vector Machine to analyze the most optimal models for predicting daily and weekly gold price trends. Moreover all textual data are computed and converted into sentiment scores (positive, negative and neutral) and used with predictor variables such as dollar index, gold volatility index, effective federal fund rate, SPDR® Gold Shares (GLD), SPDR S&P 500 ETF Trust (SPY) and United States 10-Year Bond Yield (TNX) for predictability of gold price trends by machine learning techniques effectively and benefiting to gold investors. | - |
| dc.language.iso | th | - |
| dc.publisher | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.relation.uri | http://doi.org/10.58837/CHULA.IS.2022.114 | - |
| dc.rights | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.subject.classification | Decision Sciences | - |
| dc.subject.classification | Financial and insurance activities | - |
| dc.subject.classification | Statistics | - |
| dc.title | การคาดการณ์ทิศทางราคาทองคำจากความรู้สึกของข้อความบนทวิตเตอร์ โดยใช้เทคนิคการเรียนรู้ด้วยเครื่อง | - |
| dc.title.alternative | Predictability of gold price trends based on tweet sentiments using machine learning techniques | - |
| dc.type | Independent Study | - |
| dc.degree.name | วิทยาศาสตรมหาบัณฑิต | - |
| dc.degree.level | ปริญญาโท | - |
| dc.degree.discipline | เทคโนโลยีสารสนเทศทางธุรกิจ | - |
| dc.degree.grantor | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.identifier.DOI | 10.58837/CHULA.IS.2022.114 | - |
| Appears in Collections: | Acctn - Independent Studies | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 6382181226.pdf | 4.86 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.