การเปรียบเทียบประสิทธิภาพของแบบจำลองการพยากรณ์ราคาทองคำด้วยเทคนิคเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
ทองคำถือเป็นสินทรัพย์ที่มีค่า เมื่อเกิดวิกฤตราคาทองคำจะปรับตัวสูงขึ้น แต่ในยามปกติราคาทองคำ อาจปรับตัวลดลดหรือคงที่ ด้วยเหตุนี้ราคาทองคำสามารถขึ้นลงได้ตามสถานการณ์ การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพแบบจำลองการพยากรณ์ราคาทองคำ โดยใช้ข้อมูลราคาทองคำตั้งแต่วันที่ 2 มกราคม พ.ศ. 2533 ถึง 31 ธันวาคม พ.ศ. 2563 เป็นระยะเวลา 30 ปีในการเรียนรู้จำนวน 7,885 รายการ และใช้ข้อมูลตั้งแต่วันที่ 2 มกราคม พ.ศ. 2564 ถึง 30 มิถุนายน พ.ศ. 2564 จำนวน 131 รายการ เป็นข้อมูลในการทดสอบแบบจำลองแบบต่างๆ จากการทบทวนงานวิจัยที่เกี่ยวข้องพบว่าแบบจำลองที่นิยมใช้ในการพยากรณ์ คือ แบบจำลองอนุกรมเวลาแบบ Box-Jenkins แบบจำลองอนุกรมเวลาแบบ Holt-Winters และ โครงข่ายประสาทเทียม (Artificial Neuron Network: ANN) ผู้วิจัยได้เลือกแบบจำลองการวิเคราะห์การถดถอยเชิงเส้น (Linear Regression Analysis) ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine: SVM) เพิ่มเติม เพื่อให้แตกต่างจากงานวิจัยที่ผ่านมา การวัดประสิทธิภาพของแบบจำลองใช้ค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสอง (Root Mean Square Error: RMSE) เป็นหลัก และค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Error: MAE) ผลการศึกษาพบว่า เมื่อใช้ข้อมูลเพื่อการเรียนรู้แบบจำลองอนุกรมเวลาแบบ Box-Jenkins โดยค่าพารามิเตอร์ที่เหมาะสมที่สุดคือ window size=120, p=0, d=1, q=1 (ARIMA(0,1,1)) คำนวณค่า RMSE ได้น้อยที่สุด สามารถใช้พยากรณ์ราคาทองคำได้เหมาะสมที่สุด สมาคมค้าทองคำซึ่งเป็นผู้กำหนดและประกาศราคาทองคำของประเทศไทย สามารถใช้ราคาทองคำได้จากการพยากรณ์ด้วยแบบจำลอง Box-Jenkins เพื่อวางแผนการการตัดสินใจปรับขึ้น-ลง ราคาทองคำล่วงหน้า และผู้ประกอบการทองคำสามารถใช้ราคาทองคำที่ได้จากการพยากรณ์เพื่อวางแผนการซื้อทองคำมาบริหารคลังสินค้าให้ได้ต้นทุนที่เหมาะสม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Akash Dutt, D. (2016). Gold price prediction using support vector regression and ANFIS models. 2016 International Conference on Computer Communication and Informatics (ICCCI) (p.1-6). Coimbatore, India: IEEE. doi:10.1109/ICCCI.2016.7479929
Ali, A., Ch, M. I., Qamar, S., Akhtar, N., Mahmood, T., Hyder, M., & Jamshed, M. T. (2016). Forecasting of daily gold price by using box-jenkins methodology. International Journal of Asian Social Science, 614-624.
Chanaboon, S. (2017). linear regression analysis. (Khon Kaen Provincial Health Office). http://www.kkpho.go.th/i/index.php/component/attachments/download/1933.html
Elizabeth, R., & Sitorus, S. (2021). Gold Price Forecasting Using Autoregressive Integrated Moving Average (ARIMA) Method. Journal of MathematicsTechnology and Education, 11-18.
GmbH, R. (2019). RapidMiner 9 Operator Reference Manual. London: RapidMiner.
Goganutapon, K. (2020). A Comparison of the Forecasting for the Sale Price of Gold Bar. YRU Journal of Science and Technology, 5(1), 1-9.
GoldPrice. Org. (2022, February 6). From Goldprice. Where The World Checks Historical Gold Prices. https://goldprice.org/30-year-gold-price-history.html
Guha, B., & Bandyopadhyay, G. (2016). Gold Price Forecasting Using ARIMA Model. Journal of Advanced Management Science, 117-121.
Inplang, W., & Thongkam, J. (2020). Opinion analysis on PlayerUnknown's Battlegrounds (PUBG) mobile games using text mining. J Sci Technol MSU, 523-531.
Kaewhawong, N. (2013). A Comparison of Pegels, ARIMA and Pegels-ARIMA Hybrid Models in Forecasting Thailand’s Mango Export Value. Thai Science and Technology Journal Thammasat University, 578-593. https://li01.tci-thaijo.org/index.php/tstj/article/view/14539/13311
Kangarani Farahani, M., & Mehralian, S. (2013). Comparison Between Artificial Neural Network and Neuro-Fuzzy for Gold Price Prediction. 13th Iranian Conference on Fuzzy Systems (pp. 1-5). Qazvin, Iran: IEEE. doi:10.1109/IFSC.2013.6675635
Khangphukhieo, W., Busababadhin, P., & Bung-on . (2017). Forecasting Volatility of Gold Price with Artificial Neural Networks. Burapha Science Journal, 125-134.
Khumsin, P., & Banditvilai, S. (2017). Comparison of the Sales Forecasting Models for the Air Conditioners by Holt-Winters Exponential Smoothing Method, Box-Jenkins Method and Artificial Neural Networks. Thai Science and Technology Journal Thammasat University, 363-376.
Kiangkham, D. (2017). Complete Excel 2016 User Guide. Nonthaburi: IDC Premier, Co., Ltd.
Pacharawongsakda, E. (2019). Practical Data Mining with RapidMiner Studio 9. Bangkok: Publisher of Asia Digital Printing Co., Ltd.
Ratchalame, W., & Kanjanasamranwong, P. (2018). Factors Affecting Gold Bullion Price in Thailand. Journal of Science and Technology, Ubon Ratchathani University, 21(1), 155-165.
Sarasiri, A. (2016, January 31). Techniques for learning the fundamentals of neural networks. https://www.mut.ac.th/research-detail-92
Sittichat, S. (2017). Study of Educational Attributes Using Data Mining Technique. Information Technology Journal, 20-28.
th.investing.com. (2021, July 10). Gold Futures Historical Data. https://th.investing.com/commodities/gold-historical-data
World Gold Council. (2021, July 19). Gold Demand Sectors. https://www.gold.org/about-gold/gold-demand/sectors-of-demand
Yuk, W., & Thongkam, J. (2018). Comparison of Time Series Techniques for Predicting Gold and Oil Prices. RMUTI JOURNAL Science and Technology, 154-167.
