การพยากรณ์ราคาทองคำแท่งรายวันในประเทศไทยโดยใช้เทคนิค โครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้นร่วมกับปัจจัยภายนอก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้พัฒนาตัวแบบพยากรณ์ราคาทองคำแท่งรายวันในประเทศไทยโดยใช้แบบจำลอง NARX และเปรียบเทียบกับแบบจำลอง ARIMAX การศึกษานี้ใช้ข้อมูลทองคำแท่งรายวันในช่วงปี ค.ศ. 2015 - 2024 และตัวแปรภายนอก ได้แก่ ราคาทองคำโลก อัตราแลกเปลี่ยนสกุลดอลลาร์สหรัฐและราคาน้ำมันโลก ดำเนินการทดลองโดยแบ่งช่วงเวลาในการศึกษา 3 ช่วง ได้แก่ปี ค.ศ. 2015 - 2019 ค.ศ. 2020 - 2024 และ ค.ศ. 2015 - 2024 เพื่อศึกษาประสิทธิภาพของการทำนายราคาทองคำเมื่ออนุกรมเวลามีความผันผวนแตกต่างกัน โดยแต่ละช่วงเวลาข้อมูลถูกแบ่งตามลำดับวันเป็นชุดข้อมูลสำหรับการฝึกฝน 90% ของข้อมูลทั้งหมดและที่เหลือ 10% เป็นชุดข้อมูลสำหรับทดสอบตัวแบบ ผลการศึกษาพบว่า แบบจำลอง NARX มีประสิทธิภาพสูงกว่าแบบจำลอง ARIMAX ในทุกช่วงเวลาประเมิน ซึ่งชี้ให้เห็นว่าแบบจำลองที่ไม่เป็นเชิงเส้นสามารถเรียนรู้ความสัมพันธ์เชิงซ้อนระหว่างตัวแปรได้ดี มีความเหมาะสมในการพยากรณ์ราคาทองคำแท่งรายวันในประเทศไทยโดยมีความแม่นยำในการพยากรณ์สูงกว่าแบบจำลอง ARIMAX โดยการพยากรณ์ราคาทองคำแท่งในช่วงปี ค.ศ. 2020 - 2024 แบบจำลอง NARX ให้ค่า RMSE และค่า MAPE เท่ากับ 486.17 และ 0.93 ตามลำดับ ส่วนราคาทองคำแท่งในปี ค.ศ. 2015 - 2019 ซึ่งมีความผันผวนของราคาทองคำน้อย แบบจำลอง NARX ให้ประสิทธิภาพดีกว่าโดยค่า RMSE และ MAPE เท่ากับ 144.14 และ 0.36 ตามลำดับ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Bank of Thailand. (2024). Foreign Exchange Rates. Source: https://www.bot.or.th. Retrieved date 5 January 2025.
Box, G.E.P., Jenkins, G.M. and Reinsel, G.C. (1994). Time Series Analysis: Forecasting and Control (3rd ed). Englewood Cliffs, NJ, USA: Prentice Hall.
Gold Traders Association. (2024). Gold Price Data. Source: https://www.goldtraders.or.th. Retrieved date 5 January 2025.
Herman, W. (1939). A Study in the Analysis of Stationary Time Series. Journal of the Institute of Actuaries 70: 113 - 115. doi: 10.1017/S0020268100011574.
Hyndman, R.J. and Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3. Accessed on 1 June 2025.
Hyndman, R.J., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O’Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E. and Yasmeen, F. (2025). forecast: Forecasting functions for time series and linear models. R package version 8.24.0.9000. Source: https://pkg.robjhyndman.com/forecast/. Retrieved date 5 June 2025.
Hyndman, R.J., and Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software 27(3): 1 - 22. doi: 10.18637/jss.v027.i03.
Khangphukhieo, W., Busababadhin, P. and Kumphon, B. (2017). Forecasting Volatility of Gold Price with Artificial Neural Networks. Burapha Science Journal 22(1): 125 - 134.
Kulram, H. (2020). Forecasting and Examining Factors Influencing the Gold Bullion Price in Thailand. Master’s Thesis, Sukhothai Thammathirat Open University, Nonthaburi, Thailand. 156.
Kumari, H., Kumari, K. and Gupta, P. (2023). Artificial intelligence-driven model for gold price prediction. NIET Journal of Engineering & Technology 14(1): 1 - 6.
Limkulsawat, N. (2009). Comparison of information for gold price forecasting by ARIMA method. Master’s thesis, Srinakharinwirot University, Bangkok, Thailand. 167.
Organization of the Petroleum Exporting Countries (OPEC). (2024). Crude Oil Price Data. Source: https://www.opec.org. Retrieved date 5 January 2025.
Prachachat Business. (2024). Gold Price Analysis: Trends for Gold Prices in 2025 and Investment Strategies. Source: https://www.prachachat.net/finance/news-1725776. Retrieved date 1 August 2025.
Prachachat Business. (2025). YLG sees gold prices possibly reaching USD 3,500 this year, up 25% in the first half. Source: https://www.prachachat.net/finance/news-1842720. Retrieved date 1 August 2025.
Ribeiro, S.M. and de Castro, C.L. (2022). Missing data in time series: A review of imputation methods and case study. Learning and Nonlinear Models 20(1): 31 - 46. doi: 10.21528/lnlm-vol20-no1-art3.
Saengarun, P., Suvanna, N. and Ckinsook, K. (2024). Gold Price Forecasting in Thailand using a Neural Network Model. Journal of Science and Technology, Rajabhat Maha Sarakham University 27(2): 67 - 75.
Saweta, L., Inthasingh, J. and Thawanhathaikul, C. (2022). Compare Gold Bullion Trading Forecasts with ARIMA and ARIMAX Models. Chalermkarnchana Academic Journal 9(2): 56 - 64.
Siriratanapaisalkul, P. (2022). Efficiency Comparison of Gold Price Forecasting Models with Data Mining Techniques. Journal of Management Sciences 9(2): 293 - 310.
World Gold Council. (2024). Global Gold Prices. Source: https://www.gold.org. Retrieved date 5 January 2025.
