การวิเคราะห์เปรียบเทียบโมเดล ARIMA และ LSTM สำหรับการพยากรณ์ราคา บิตคอยน์: การประยุกต์ใช้เครื่องมือเรียนรู้ของเครื่อง
DOI:
https://doi.org/10.14456/jiskku.2024.22คำสำคัญ:
การพยากรณ์ราคาบิตคอยน์ , การวิเคราะห์ชุดข้อมูลเชิงเวลา , โมเดล LSTM , โมเดล ARIMA, ความแม่นยำในการพยากรณ์บทคัดย่อ
วัตถุประสงค์: วิเคราะห์และเปรียบเทียบประสิทธิภาพของโมเดล ARIMA และ LSTM ในการพยากรณ์ราคา บิตคอยน์ เพื่อระบุโมเดลที่มีความแม่นยำสูงสุดสำหรับการใช้งานในสภาวะตลาดที่แตกต่างกัน และ ประเมินความสามารถของโมเดล ARIMA และ LSTM ในการตอบสนองต่อการเปลี่ยนแปลงของตลาดและความผันผวนของราคาสกุลเงินดิจิทัลเพื่อพัฒนากลยุทธ์การพยากรณ์ราคาที่เหมาะสม
วิธีการศึกษา: ผู้วิจัยได้ดำเนินการเปรียบเทียบประสิทธิภาพของสองโมเดลในการพยากรณ์ราคาบิตคอยน์ ได้แก่ โมเดล ARIMA และ LSTM โดยใช้ชุดข้อมูลราคาบิตคอยน์ ตั้งแต่ปี ค.ศ. 2020 ถึง 2024 จากเว็บไซต์ Yahoo Finance โดยข้อมูลได้มีการแบ่งออกเป็น 2 คือ ชุดฝึกและชุดทดสอบ โดยแบ่งสัดส่วนออกเป็น 80:20 (ชุดฝึก 80% และชุดทดสอบ 20%) และมีการประเมินผลลัพธ์ของการพยากรณ์โดยใช้เมตริกสำคัญ ได้แก่ RMSE และ MAE เพื่อวัดความแม่นยำและประสิทธิภาพของแต่ละโมเดล การวิเคราะห์นี้ช่วยให้สามารถทำความเข้าใจถึงจุดแข็งและจุดอ่อนของแต่ละโมเดลในการจัดการกับความผันผวนและความไม่แน่นอนของตลาดสกุลเงินดิจิทัล
ข้อค้นพบ: จากการศึกษาเปรียบเทียบประสิทธิภาพของโมเดล ARIMA และ LSTM ในการพยากรณ์ราคาบิตคอยน์ ข้อค้นพบหลักคือ โมเดล LSTM มีประสิทธิภาพสูงกว่าโมเดล ARIMA อย่างชัดเจนในเงื่อนไขของความแม่นยำ โดยโมเดล LSTM สามารถจับความผันผวนของราคาและปรับตัวตามการเปลี่ยนแปลงของตลาดได้ดีกว่า ซึ่งสะท้อนให้เห็นผ่านค่า RMSE และ MAE ที่ต่ำกว่าเมื่อเทียบกับโมเดล ARIMA นอกจากนี้ ผลการศึกษายังชี้ให้เห็นว่าโมเดล LSTM มีความเหมาะสมมากขึ้นในการจัดการกับชุดข้อมูลที่มีความซับซ้อนและ ความผันผวนสูง เช่น ข้อมูลราคาของสกุลเงินดิจิทัล
การประยุกต์ใช้จากการศึกษานี้: จากการศึกษาการเปรียบเทียบโมเดล ARIMA และ LSTM ในการพยากรณ์ราคาบิตคอยน์ ผลการวิจัยมีการประยุกต์ใช้ที่สำคัญหลายประการในแวดวงการเงินและเทคโนโลยี การค้นพบว่าโมเดล LSTM มีประสิทธิภาพสูงกว่าในการจับความผันผวนของตลาด สามารถนำไปพัฒนาเป็นเครื่องมือที่ช่วยในการตัดสินใจลงทุนในตลาดสกุลเงินดิจิทัลได้ นอกจากนี้ผลการวิจัยนี้ยังเป็นประโยชน์สำหรับนักพัฒนาที่ทำงานในการพัฒนาแพลตฟอร์มการเทรดอัตโนมัติ การทำนายที่ดีขึ้นสามารถนำไปสู่การจัดการความเสี่ยงที่ดีขึ้นและโอกาสในการทำกำไรที่เพิ่มขึ้นสำหรับนักลงทุนในตลาดสกุลเงินดิจิทัล
Downloads
References
Bhongchirawattana, U., Sukprasert, A., Paengsab, N., & Saraphap, M. (2023). Cryptocurrency price forecasting for futures using Arima Model. (In Thai). Journal of Management Science Udon Thani Rajabhat University, 5(4), 1-11.
Boonmana, C. & Kulvanich, N. (2017). A comparative prediction accuracy of hybrid time series models. (In Thai). Thai Science and Technology Journal, 25(2), 178-184.
Bukhari, A.H., Raja, M.A.Z., Sulaiman, M., Islam, S., Shoaib, M., & Kumam, P. (2020). Fractional Neuro-Sequential ARFIMA-LSTM for Financial Market Forecasting. IEEE Access, 8, 71326-71338. https://doi.org/10.1109/ACCESS.2020.2985763
Hua, Y. (2020). Bitcoin price prediction using ARIMA and LSTM. E3S Web of Conferences, 218, 01050. https://doi.org/10.1051/e3sconf/202021801050
Junhan, N., & Thongkam, J. (2022). Performance Comparison of ARIMA and Machine Learning Regression Techniques in Time Series Forecasting of Bitcoin Prices. (In Thai). Journal of Science and Technology, Ubon Ratchathani University, 24(1), 62-67.
Latif, N., Selvam, J. D., Kapse, M., Sharma, V., & Mahajan, V. (2023). Comparative performance of LSTM and ARIMA for the short-term prediction of Bitcoin prices. Australasian Accounting, Business and Finance Journal, 17(1), 256-276. https://doi.org/10.14453/aabfj.v17i1.15
Prabpala, S., Tuamsuk, K., & Chansanam, W. (2023). Digital Assets Price Prediction Using Sentiment Analysis on Crowd Trading Idea. (In Thai). Journal of Information Science Research and Practice, 41(3), 73-92. https://doi.org/10.14456/jiskku.2023.21
Rizwan, M., Narejo, S., & Javed, M. (2019). Bitcoin price prediction using Deep Learning Algorithm. Conference: 2019 13th International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS). (1-7). https://doi.org/10.1109/MACS48846.2019.9024772
Yamak, P.T., Yujian, L., Gadosey, P.K. A comparison between ARIMA, LSTM, and GRU for time series forecasting. Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence. (49–55). https://doi.org/10.1145/3377713.3377722
