Analysis the Correlation of SET100 Index
Main Article Content
Abstract
The data used are: opening price, closing price, average price, daily close. Data is filtered by selecting the desired date data, then importing the Exponential Moving Average (EMA), Relative Strength Index (RSI), Stochastic, Moving Average (MA) formula and analyzing the data to show a clear picture of the stock's fluctuation. However, numerical analysis and the use of statistical analysis procedures can help visualize the correlation and trends of stocks in the financial, resource and service groups which are useful information to make more confident investment decisions. In addition, the data has been tested by using the Keras model to create a model to analyze and predict the trend of SET100 stock prices in each group with an accuracy of more than 95%. This indicates that this model can predict the trend of stock prices well and can be adapted to help make stock trading decisions in the future.
Article history: Received 25 April 2023
Revised 28 September 2023
Accepted 2 October 2023
SIMILARITY INDEX = 5.71 %
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
The views and opinions of the article appearing in this journal are those of the author. It is not considered a view and responsibility of the editorial staff.
References
ตลาดหลักทรัพย์แห่งประเทศไทย. (2548). การเดินทางแห่งชีวิต [ออนไลน์]. ค้นเมื่อ 2 ตุลาคม 2565, จาก https://media.set.or.th/set/Documents/2023/Feb/30years.pdf.
ตลาดหลักทรัพย์แห่งประเทศไทย. (2556). ราคาดัชนีตลาดหลักทรัพย์. [ออนไลน์]. ค้นเมื่อ 14 พฤศจิกายน 2565, จาก https://marketdata.set.or.th/mkt/sectorialindices.do?language=th &country=TH
ตลาดหลักทรัพย์แห่งประเทศไทย. (2558). ความหมายของหุ้น. [ออนไลน์]. ค้นเมื่อ 2 ตุลาคม 2565, จาก https://www.set.or.th/education/th/begin/ stock_content01.pdf
ลีลา รัตนบัณฑิตสกุล และดลินา อมรเหมานนท์. (2560). การวิเคราะห์ประสิทธิพภาพของเครื่องมือทางเทคนิคสำหรับการคาดคะเนหลักทรัพย์กลุ่มทรัพยากรหมวดธุรกิจพลังงานและสาธารณูปโภคของตลาดหลักทรัพย์แห่งประเทศไทย). วารสารบริหารธุรกิจเทคโนโลยีมหานคร, 14(1), 80-100.
สต็อคทูมอร์โรว์. (2561). วิธีการคำนวณ RSI . [ออนไลน์]. ค้นเมื่อ 18 ตุลาคม 2565, จาก https://www.stock2morrow.com/article-detail.php?id=884&fb_comment_id= 1352227238176216_1493861150679490
Anonymous (2017). Keras model. [Online]. Retrieved October 10, 2020, from https://tha. small-business-tracker.com/what-is-keras-deep-neural-network-api-explained-645057
Daddy trader. (2561). Moving Average. [ออนไลน์]. ค้นเมื่อ 15 พฤศจิกายน 2565, จาก https://www.finnomena.com/daddy-trader/moving-average/
Data Mining Trend. (2563). การแบ่งข้อมูลเพื่อนำมาทดสอบประสิทธิภาพของโมเดล Data Mining Trend. [ออนไลน์]. ค้นเมื่อ 2 ตุลาคม 2565, จาก: http://dataminingtrend.com/2014/ data-miningtechniques/cross-validation/
Harnsiriwatanakit,J. (2018). How to calculate EMA. [Online]. Retrieved October 2, 2022, from: http://jirawat.kim/2019/11/26/golang-calculate-ema-exponential-moving-average/
kenstock.net. (2560). วิธีการคำนวณสโตคาสติก. [ออนไลน์]. ค้นเมื่อ 18 ตุลาคม 2565, จาก http://www.kenstock.net/kenstock/htm/ stochastic.htm
Kong Ruksiam. (2563). สรุป Machine Learning(EP.3)- การวิเคราะห์การถดถอยเชิงเส้น (Linear Regression). [ออนไลน์]. ค้นเมื่อ 20 ตุลาคม 2565, จาก https://kongruksiamza. medium.com/สรุป- machine-learning- ep-3- การวิเคราะห์การถดถอยเชิงเส้น-linear-regression-891260e4a957
Tangruamsub,S. (2017). Long Short-Term Memory (LSTM). [Online]. Retrieved October 7, 2022, from: https://medium.com/@sinart.t/long-short-term-memory-lstm-e6cb23b494c6