การเปรียบเทียบเทคนิคอนุกรมเวลาเพื่อพยากรณ์ราคาทองและราคานํ้ามัน
Article Sidebar
Main Article Content
บทคัดย่อ
การพยากรณร์ าคาทองคำ และราคาน้ำมันจากการอา้ งอิงราคาตลาดโลกนั้นเปน็ งานวิจัยที่ทา้ ทาย โดยการ
พยากรณ์ราคาทอง และราคานํ้ามันที่ถูกต้องหรือใกล้เคียงกับราคาจริงที่สุดนั้น จะทำให้เกิดประโยชน์
อยา่ งยิ่งตอ่ นักลงทุน ปจั จุบันเทคนิคอนุกรมเวลาเขา้ มามีบทบาทในการพยากรณข์ อ้ มูลที่จะเกิดขึ้นในอนาคต
ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงคเ์ พื่อศึกษา และเปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์
ราคาทองคำ และราคาน้ำมัน โดยใชข้ อ้ มูลราคาทองคำ และราคาน้ำมันดิบตั้งแตวั่นที่ 2 มกราคม พ.ศ. 2546
ถึงวันที่ 30 ธันวาคม พ.ศ. 2559 ในงานวิจัยนี้ 6 เทคนิคที่มีประสิทธิภาพในการสรา้ งแบบจำลองเพื่อการพยากรณ์
คือ Linear Regression (LR), Multi-Layer Perceptron (MLP), Radial Basis Function (RBF),
Reduced Error Pruning Tree (REPT) Support Vector Machine Regression (SVMR) และ
Sequential Minimal Optimization Regression (SMOR) ได้ถูกนำมาเปรียบเทียบประสิทธิภาพ
ในการทดสอบประสิทธิภาพของแบบจำลอง Sliding Windows ได้ถูกนำมาใช้ในการแบ่งกลุ่มข้อมูล
เป็นชุดข้อมูลเรียนรู้ และชุดข้อมูลทดสอบ 13 รอบ ของ Sliding Windows ถูกนำมาใช้เพื่อลดความ
แปรปรวนของผลการทดลอง ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Error: MAE) และ
Root Mean Square Error (RMSE) ได้ถูกนำมาใช้ในการวัดประสิทธิภาพของแบบจำลองจากการศึกษาพบว่า
เทคนิค SMOR มีประสิทธิภาพในการพยากรณ์ราคาทองคำ และราคานํ้ามันที่มีค่า MAE ตํ่าสุดถึง
14.21±5.35 และ 1.65±0.75
Article Details
References
Algorithm for Oil Price Prediction. 8th International Symposium on Neural Networks,
ISNN 2011 Guilin, China, May/June 2011 Proceedings, Part |||. Vol. 6677, Liu, D.,
Z.H., Polycarpou M., Alippi C., He H. (eds) Ed., ed: Springer, Berlin, Heidelberg, pp. 530-538
Round11 1.85 ±0.41 4.58 ±1.96 40.23 ±0.19 40.20 ±0.20 23.42 ±0.20 2.58 ±0.72
Round12 3.43 ±1.58 8.76 ±3.84 32.77 ±0.34 32.78 ±0.43 16.18 ±0.44 4.37 ±2.23
Round13 0.72 ±0.15 0.96 ±0.27 31.40 ±0.35 31.40 ±0.35 15.08 ±0.35 2.19 ±1.07
Average 1.88 ±1.12 3.87 ±2.74 40.74 ±4.57 40.71 ±4.53 22.31 ±0.32 1.91 ±0.73
Rounds LR MLP RBF REPT SVMR SMOR
166 การเปรียบเทียบเทคนิคอนุกรมเวลาเพื่อพยากรณ์ราคาทองและราคานํ้ามัน
[2] Dubey, A. D. (2016). Gold Price Prediction Using Support Vector Regression and ANFIS
Models. 2016 International Conference on Computer Communication and Informatics
(ICCCI). pp. 1-6. DOI: 10.1109/ICCCI.2016.7479929
[3] Zainal, N. A. and Mustaff a, Z. (2016). Developing A Gold Price Predictive Analysis Using Grey
Wolf Optimizer. 2016 IEEE Student Conference on Research and Development (SCOReD).
pp. 1-6. DOI: 10.1109/SCORED.2016.7810031
[4] Christina, C. and Umbara, R. F. (2015). Gold Price Prediction Using Type-2 Neuro-Fuzzy Modeling
and ARIMA. 2015 3rd International Conference on Information and Communication
Technology (ICoICT). pp. 272-277. DOI: 10.1109/ICoICT.2015.7231435
[5] Kanokkarn, M. (2014). Study of the Appropriate Forecasting Methods for Consumer Product
Demand of a Public Company. Journal of Business Administration The Association of
Private Education Institutions of Thailand. Vol. 3, No. 1, pp. 12-21
[6] Mombeini, H. and Yazdani-Chamzini, A. (2015). Modeling Gold Price Via Artifi cial Neural
Network. Journal of Economics, Business and Management, Vol. 3, No.7, pp. 699-703. DOI:
10.7763/JOEBM.2015.V3.269
[7] Yang, J. -F., Zhai, Y. -J., Xu, D. -P., and Han, P. (2007). SMO Algorithm Applied in Time Series
Model Building and Forecast. 2007 International Conference on Machine Learning and
Cybernetics. pp. 2395-2400
[8] World Gold Council. (2016). The Market Development Organisation for the Gold Industry.
Access (30 January 2017). Available (https://www.gold.org)
[9] Organization of the Petroleum Exporting Countries. (2016). Monthly Oil Market Report.
Access (30 April 2017). Available (https://www.opec.org/opec_web/en/)
[10] Ongsritrakul, P. and Soonthornphisaj, N. (2003). Apply Decision Tree and Support Vector
Regression to Predict the Gold Price. Proceedings of the International Joint Conference
on Neural Networks, 2003. Vol. 4, pp. 2488-2492. DOI: 10.1109/IJCNN.2003.1223955
[11] KangaraniFarahani, M. and Mehralian, S., (2013). Comparison Between Artifi cial Neural
Network and Neuro-Fuzzy for Gold Price Prediction. 2013 13th Iranian Conference on
Fuzzy Systems (IFSC). pp. 1-5. DOI: 10.1109/IFSC.2013.6675635
[12] Xie, W., Yu, L., ShanyingXu, and Wang, S. (2006). A New Method for Crude Oil Price Forecasting
Based on Support Vector Machines. International Conference on Computational Science.
Computational Science- ICCS 2006. pp. 444-451. DOI: 10.1007/11758549_63
[13] Nwulu, N. I. (2017). A Decision Trees Approach to Oil Price Prediction. 2017 International
Artifi cial Intelligence and Data Processing Symposium (IDAP). pp. 1-5. DOI: 10.1109/IDAP.
2017.8090313
วารสาร มทร.อีสาน ฉบับวิทยาศาสตร์และเทคโนโลยี ปีที่ 11 ฉบับที่ 2 พฤษภาคม - สิงหาคม 2561 167
[14 Peña, M. A., Brenning, A., and Liao, R., (2017). Classifying Fruit-Tree Crops by Landsat-8 time
series. 2017 First IEEE International Symposium of Geoscience and Remote Sensing
(GRSS-CHILE). pp. 1-4. DOI: 10.1109/GRSS-CHILE.2017.7995998
[15] Frank, E. (2014). Fully Supervised Training of Gaussian Radial Basis Function Networks
in WEKA. Department of Computer Science University of Waikato.
[16] Elomaa, T. and Kaariainen, M. (2001). An Analysis of Reduced Error Pruning. Journal of
Artifi cial Intelligence Research. Vol. 15, Issue 1, pp. 163-187
[17] Chang, C. -C. and Lin, C. -J. (2011). LIBSVM : A Library for Support Vector Machines. ACM
Transactions on Intelligent Systems and Technology (TIST). Vol. 2, Issue 3, pp. 1-27. DOI:
10.1145/1961189.1961199
[18] Shevade, S. K., Keerthi, S. S., Bhattacharyya, C., and Murthy, K. R. K. (2000). Improvements
to the SMO Algorithm for SVM Regression. IEEE Transactions on Neural Networks. Vol. 11,
No. 5, pp. 1188-1193. DOI: 10.1109/72.870050