(THESIS PROPOSAL) ภาษาไทย · ชื่อเรื่อง (ภาษาไทย ) โครงข่ายประสาทเทียมสำหรับพยากรณ์ราคาสูงสุดและราคาต่ำสุดบนตลาด

โครงรางวทยานพนธ

(THESIS PROPOSAL)

ชอเรอง (ภาษาไทย) โครงขายประสาทเทยมสำหรบพยากรณราคาสงสดและราคาตำสดบนตลาด

อตราแลกเปลยน

ชอเรอง (ภาษาองกฤษ) Neural Network for Forecasting High Price and Low Price on Foreign

Exchange Market

เสนอโดย นายฆฤณ ชนประสาทศกด

รหสนสต 5970119821

หลกสตร วศวกรรมศาสตรมหาบณฑต

ภาควชา วศวกรรมคอมพวเตอร

คณะ วศวกรรมศาสตร จฬาลงกรณมหาวทยาลย

สถานทตดตอ 928/10 ถนนพระราม 6 ซอย 21 เขตราชเทว แขวงถนนเพชรบร กรงเทพฯ

โทรศพท 0865244463

อเมลล [email protected]

อาจารยทปรกษา ผศ. ดร. นทท นภานนท

คำสำคญ (ภาษาไทย) การเรยนรของเครอง, โครงขายประสาท เทยม, การทำใหถกตองของเบส,

การแยกสวนประกอบของรปแบบเชงประจกษ, ฟงกชนความแรงของเวลาอยาง

สม, โครงขายประสาทเทยมแบบความแรงของเวลาอยางสม, เรเเดยลเบซส

ฟงกชน, โครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน, อตราแลกเปลยน,

การพยากรณ

คำสำคญ (ภาษาองกฤษ) Machine Learning, Artificial Neural Network, Bayesian Regularization,

Empirical Mode Decomposition, Stochastic Time Strength Function,

Stochastic Time Strength Neural Network, Radial Basis Function,

Radial Basis Function Neural Network, Exchange Rate, Prediction

หนา �1

mailto:[email protected]

สารบญ

หนา

1. ทมาและความสำคญของปญหา ................................................................................................................................................... 3

2. วตถประสงค ................................................................................................................................................................................ 4

3. ทฤษฏทเกยวของ ......................................................................................................................................................................... 4

4. งานวจยทเกยวของ .................................................................................................................................................................... 14

5. แนวคดและวธการดำเนนงาน .................................................................................................................................................... 18

6. ขอบเขตการดำเนนงาน ............................................................................................................................................................. 25

7. ประโยชนทคาดวาจะไดรบ ........................................................................................................................................................ 25

8. รายการอางอง ........................................................................................................................................................................... 26

หนา �2

1. ทมาและความสำคญของปญหา

ตลาดอตราแลกเปลยนเปนตลาดการเงนทใหญทสดในโลกดวยปรมาณการซอขายตอวนทมากกวา 5.1 ลานลานลาน

เหรยญดอลลารสหรฐ (ณ. วนท 11 ธนวาคม 2559) [10] เปนมลคามากกวา 23 เทาของมลคาการซอขายเฉลยตอวนของตลาดทน

โลกและมากกวา 40 เทาของผลประกอบการประจำปของผลตภณฑมวลรวมโลก การพยากรณอตราแลกเปลยนเปนสงททาทายนก

วจยทวโลกเนองจากผลประโยชนทนาสนใจในการลงทน [3] อยางไรกตามการพยากรณอตราแลกเปลยนมความซบซอนมาก

เนองจากสภาวะแวดลอมทเตมไปดวยสญญาณรบกวนและความผนผวนทสง [2] ความซบซอนของการเคลอนไหวของอตราแลก

เปลยนมความเกยวของกบหลายปจจยไดแก เศรษฐกจ, การเมอง, ภยธรรมชาต และการเกงกำไร โดยเฉลยแลวมากกวา 90% ของ

ปรมาณการซอขายในแตละวนในตลาดอตราแลกเปลยนคอการเกงกำไร [9] เทคนคทางสถตแบบดงเดมสำหรบการพยากรณไดมา

ถงขดจำกดในการประยกตใชงานกบขอมลทไมเปนเชงเสน เชนอตราแลกเปลยนคสกลเงน [8] ปญญาประดษฐเขามามบทบาทใน

การวเคราะหและพยากรณขอมลทมความซบซอนเกนกวาความสามารถทางสถตจะแกได ผจดทำมความสนใจในการใชปญญา

ประดษฐเพอพยากรณอตราแลกเปลยนคสกลเงน ขนตอนวธในการวเคราะหขอมลของปญญาประดษฐมอยดวยกนหลายวธ เชน

โครงขายประสาทเทยม (Artificial Neural Network), ตนไมตดสนใจ (Decission Tree), การเรยนรของเบส (Bayesian

Learning), ขนตอนวธเชงพนธกรรม (Genetic Algorithm) ฯลฯ ในงานวจยนผจดทำมความสนใจใชโครงขายประสาทเทยมใน

การพยากรณขอมล เนองจากความสามารถของโครงขายประสาทเทยมทสามารถประมาณฟงกชนตอเนองไมเชงเสนใด ๆ กไดโดย

ไมตองกำหนดรปแบบอยางเปนทางการใหกบแบบจำลอง [4]

ในงานวจยนผจดทำวดประสทธภาพของของโครงขายประสาทเทยม (Artificial Neural Network) จากงานวจย

ตนแบบ 4 ขนตอนวธ และโครงขายประสาทเทยมทนำเสนอ 3 ขนตอนวธ ในการพยากรณอตราแลกเปลยนรายวนของคสกลเงน

EUR/USD, USD/JPY, GBP/USD และ USD/THB บนระบบจำลองการซอขาย

ผจดทำเลอก 4 ขนตอนวธ ไดแก 1. โครงขายประสาทเทยมแบบสงคายอนกลบ (Backpropagation Neural Network)

(BPNN) 2. โครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Neural Network) (BRNN) 3. ขนตอนผสม

ผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษกบโครงขายประสาทเทยมแบบความแรงของเวลาอยางสม (Empirical

Mode Decomposition Stochastic Time Strength Neural Network) (EMD-STNN) 4. ขนตอนผสมผสานระหวางขอมล

แบบสมเชงเวลาทมประสทธภาพกบโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Random Data-time Effective Radial

Basis Function Neural Network) มาใชในการพยากรณอตราแลกเปลยนคสกลเงนดวยเหตผล 3 ประการ 1) ขนตอนวธทง 4

สามารถพยากรณราคาไดอยางแมนยำในตลาดหนซงมลกษณะของขอมลเปนแบบอนกรมเวลาเหมอนกบตลาดอตราแลกเปลยน 2)

ขนตอนวธทง 4 ใชอนพตเปนตวบงชทางเทคนค (Technical Indicator) ทมในตลาดอตราแลกเปลยน 3) ขนตอนวธทง 4 ถกต

พมพในงานวจยทมจำนวนผอางองเยอะและงานวจยเหลานอยในวารสารทมดชนเฮรสช (Hirsch Index) (H Index) สง และผจด

ทำไดนำเสนอโครงขายประสาทเทยมขนมา 3 ขนตอนวธ ไดแก 1. ขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชง

ประจกษ, ขอมลแบบสมเชงเวลาทมประสทธภาพ และโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Empirical Mode

Decomposition Random Data-time Effective Radial Basis Function Neural Network) (EMD-RBFRT) 2. ขนตอนผสม

ผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษ, การทำใหถกตองของเบส, ขอมลแบบสมเชงเวลาทมประสทธภาพ

และโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Empirical Mode Decomposition Bayesian Regularized Random

Data-time Effective Radial Basis Function Neural Network) (EMD-BR-RBFRT) 3. ขนตอนผสมผสานระหวางการแยกสวน

หนา �3

ประกอบของรปแบบเชงประจกษ, การทำใหถกตองของเบส และโครงขายประสาทเทยมแบบความแรงของเวลาอยางสม

(Empirical Mode Decomposition Bayesian Regularized Stochastic Time Strength Neural Network) (EMD-BR-

STNN) ในการพยากรณอตราแลกเปลยนคสกลเงนดวยเหตผล 3 ประการ 1) การใช EMD อาจใหผลลพธการพยากรณทแมนยำ

มากขน เพราะการใช EMD-STNN ใหผลลพธการพยากรณทแมนยำกวา STNN บนขอมลตลาดหน 2) การใช RBFRT อาจให

ผลลพธการพยากรณทแมนยำมากขน เพราะการใช RBFRT ใหผลลพธการพยากรณทแมนยำกวา STNN บนขอมลตลาดหน 3)

การใชการทำใหถกตองของเบส (Bayesian Regularization) อาจใหผลลพธการพยากรณทแมนยำขน เนองจาก Bayesian

Regularization ชวยลดปญหาความพอดทมากเกนไปของขอมลทใชสอน (Overfitting) และการเรยนทมากเกนไป

(Overtrainning) ซงเพมประสทธภาพในการพยากรณของโครงขายประสาทเทยม

ปญหาทตองแกในงานนสามารถแบงไดเปน 3 สวนหลก ๆ ไดแก 1) การเคลอนไหวเฉลยรายวนของแตละคสกลเงนใน

ตลาดอตราแลกเปลยนมคานอยกวา 1% ในขณะทหนมการเคลอนไหวเฉลยรายวนของราคาเฉลยอยท 10% ความผดพลาดในการ

พยากรณเพยงเลกนอยอาจทำใหผลลพธในการลงทนตดลบได 2) พฤตกรรมทแตกตางกนระหวางตลาดหนและตลาดอตราแลก

เปลยน ตลาดหนมเวลาเปดและปดตลาดทแนนอนในวนทำงาน (จนทร - ศกร) ในขณะทตลาดอตราแลกเปลยนเปดตลอด 24

ชวโมงตลอด 5 วน ในการพยากรณอตราแลกเปลยนคสกลเงนรายวนการทตลาดอตราแลกเปลยนไมมเวลาเปดและปดตลาดท

แนนอนทำใหตวบงชทางเทคนค (Technical Indicator) มความไมชดเจนแตกตางจากตลาดหนทตวบงชทางเทคนคมความชดเจน

มากกวา 3) การวดประสทธภาพทว ๆ ไป เชน คาเฉลยของคาผดพลาดยกกำลงสอง (Mean Squared Error) (MSE), คาเฉลยของ

คาคลาดเคลอนสมบรณ (Mean Absolute Error) (MAE) และคาเฉลยของรอยละความผดพลาดสมบรณ (Mean Absolute

Percentage Error) (MAPE) ไมไดบงชถงประสทธภาพทไดจากการลงทนจรง [1] ดงนนในงานวจยนเราจะทำการสรางระบบ

จำลองการซอขาย (Trading System) ขนมาเพอวดประสทธภาพของโครงขายประสาทเทยมแตละขนตอนวธเมอนำผลลพธไปใช

ในการลงทน ระบบจำลองการซอขายประกอบดวย 3 สวนหลกไดแก กลยทธการลงทน, วธการจดการความเสยง และหลกการ

บรหารเงน

2. วตถประสงค

สรางโครงขายประสาทเทยมจากงานวจยตนแบบ 4 ขนตอนวธ และโครงขายประสาทเทยมทนำเสนอ 3 ขนตอนวธ ใน

การพยากรณอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB โดยใชอนพตเปนตวบงชทาง

เทคนค (Technical Indicator) และวดผลโครงขายประสาทเทยมดวยระบบจำลองการซอขายทมกลยทธการลงทน, วธจดการ

ความเสยง และหลกการบรหารเงน

3. ทฤษฎทเกยวของ

3.1 โครงขายประสาทเทยม (Artificial Neural Network)

โครงขายประสาทเทยม (Artificial Neural Network) เปนการจำลองทางคณตศาสตรทเลยบแบบการทำงาน

บางสวนของสมองมนษย เซลลประสาท (neuron) ในสมองคนเราประกอบดวยนวเคลยส (nucleus) ตวเซลล (cell body) ใย

ประสาทนำเขา (dendrite) แกนประสาทนำออก (axon) [25, 5] ดงแสดงในรปภาพ 3.1

หนา �4

รปภาพท 3.1 แสดงเซลลประสาทซงประกอบดวยใยประสาทนำเขา, ตวเซลล และ แกนประสาทนำออก

เดนไดรททำหนาทรบสญญาณไฟฟาเคมซงสงมาจากเซลลประสาทใกลเคยง เซลลประสาทตวหนง ๆ จะเชอมตอกบเซลลตวอน ๆ

เมอสญญาณไฟฟาเคมทรบเขามาเกนคาคาหนง เซลลจะถกกระตนและสงสญญาณไปทางแกนประสาทนำออกไปยงเซลลอน ๆ ตอ

ไป โครงขายประสาทเทยมมหนวยยอยทเลกทสดเรยกวาเพอรเซปตรอน (Perceptron) เปรยบเสมอนกบเซลลประสาท 1 เซลลใน

สมอง ในการเลยนแบบการทำงานของสมองมนษยนกคณตศาสตรไดสรางโมเดลทมการเชอมตอกนของเพอรเซปตรอนหลาย ๆ ตว

ขนเรยกวาโครงขายประสาทเทยม (Artificial Neural Network) ดงแสดงในรปภาพท 3.2

รปภาพท 3.2 แสดงตวอยางโครงขายประสาทเทยม

ปมแตละปมคอเพอรเซปตรอนแตละตวและเสนเชอมคอคานำหนกทสมพนธกนของปม 2 ปม จำนวนชนของโครงขายประสาท

เทยมสามารถมไดมากกวา 3 ชนนนหมายความวาโครงขายประสาทเทยมสามารถมชนซอน (Hidden Layer) ไดมากกวา 1 ชน

เพอรเซปตรอนรบอนพตเปนเวกเตอรจำนวนจรงแลวคำนวณหาผลรวมเชงเสน (Linear Combination) แบบถวงนำหนกของ

อนพต โดยทคา เปนคานำหนกของอนพตและใหเอาตพต ( ) เปนผลรวมเชงเสน ถาผลรวมท

ไดมคาเกนคาขดแบง และเปน 0 ถาไมเกน เปนความลำเอยง (Bias) และ เปนอนพตเทยมทกำหนดใหมคาเปน 1 เสมอ ใน

ตวอยางนเราใชฟงกชนกระตน (Activation Function) ชนดทเรยกวา Rectified Linear Unit (ReLU) คาขดแบง ในตวอยาง

นคอ 0 เราสามารถแสดงเอาตพต ( ) ในรปของฟงกชนของอนพต ไดดงสมการท 3.1

(3.1)

โดยท

(x1, x2, . . . , xn) w1, w2, . . . , wn o

θ b x0

θ

o x

o( x ) = {z i f z > 00 i f z ≤ 0

z = bx0 + w1x1 + . . . + wnxn

หนา �5

มความเปนไปไดมากทเอาตพตซงไดจากโครงขายประสาทเทยมและเอาตพตจรงจะไมเทากน เราสามารถหาคาความผดพลาดทเกด

ขนจากโครงขายประสาทเทยมไดจากฟงกชนคาผดพลาด (Cost Function)

เรานยามฟงกชนคาผดพลาด (Cost Function) ดงสมการท 3.2

(3.2)

โดยท เปนเซตของตวอยางสอน เปนเอาตพตเปาหมายของตวอยาง และ เปนเอาตพตของเพอรเซปตรอนสำหรบ

ตวอยาง ฟงกชนคาผดพลาดการสอน เปนฟงกชนของ ซงจะมคา บางตวททำใหฟงกชนความผดพลาดมคาตำสด

ระดบทองถนหรอตำสดระดบสากล ในทนเราจะอธบายวธปรบคา เพอใหไดความผดพลาดทนอยทสด 2 วธ ไดแก ขนตอนการ

สงคายอนกลบ (Backpropagation Algorithm) และ ขนตอนของเลเวนเบรก-มารคอรด (Levenberg-Marquardt Algorithm)

3.2 ขนตอนการสงคายอนกลบ (Backpropagation Algorithm)

ขนตอนการสงคายอนกลบ (Backprapagation Algorithm) เปนขนตอนวธทถกใชในโครงขายประสาทเทยมเพอคำนวณ

ความชนของกราฟความผดพลาดและคานำหนก ชงความชนนจำเปนสำหรบการปรบคานำหนกของโครงขายประสาทเทยมในหลก

การการเคลอนลงตามความชน (Gradient Descent) [6] ซงสามารถอธบายไดดงสมการท 3.3

(3.3)

โดยท

เปนเวกเตอรคานำหนกในรอบท


เปนอตราการเรยนร

ตวอยาง

พจารณาเครอขายประสาทเทยมดงแสดงในรปภาพท 3.3

รปภาพท 3.3 แสดงตวอยางโครงขายประสาทเทยมทมการเปลยนคานำหนกทสงจากปมท 1 ไปปมท 4

E( w )

E( w ) =12 ∑

p ∈ P

(tp − ap)2

P tp p ap

p E( w ) w ww

w k+1 = w k − η ▿ E( w k)

w k+1 k + 1w k k

η

หนา �6

การเปลยนแปลงคานำหนกทสงจากปมท 1 ไปปมท 4 ( ) ทำใหฟงกชนคาผดพลาดมการเปลยนแปลง และเราสามารถหาอตรา

การเปลยนแปลงของฟงกชนคาผดพลาด ตอ ได

เราสามารถบรรยายผลจากการเปลยนแปลง ไดดงน

เปลยนแปลง ทำให เปลยนแปลง

เปลยนแปลง ทำให เปลยนแปลง

เปลยนแปลง ทำให และ เปลยนแปลง

และ เปลยนแปลง ทำให และ เปลยนแปลงตามลำดบ

และ เปลยนแปลง ทำให และ เปลยนแปลงตามลำดบ

โดยท

สามารถเขยนเปนสมการโดยใชกฎลกโซ (Chain Rule) ไดดงน

3.3 ขนตอนวธเลเวนเบรก-มารคอรด (Levenberg-Marquardt Algorithm)

ขนตอนเลเวนเบรก-มารคอรด (Levenberg-Marquardt Algorithm) เปนอกขนตอนวธทใชในการปรบคานำหนกของ

โครงขายประสาทเทยม ซงวธการนผสมผสานขอดดานความเรวในการปรบคานำหนกของขนตอนวธเกาส-นวตน (Gauss-Newton

Algorithm) และความมเสถยรภาพของขนตอนวธการสงคายอนกลบ (Backpropagation Algorithm)

เพอความสะดวกในการอธบายการปรบคานำหนกโดยขนตอนเลเวนเบรก-มาคอรด ขอนยามฟงกชนคาผดพลาดใหม (Cost

Function) ดงสมการท 3.4

(3.4)

โดยท

เปนดชนของตวอยางมคาตงแต ถง

w14

w14 (∂E( w )

∂w14)

w14

w14 z4

z4 a4

a4 z7 z8

z7 z8 a7 a8

a7 a8 E7( w ) E8( w )

z4 = b4 + w14a1 + w24a2 + w34a3

a4 = σ (z4)z7 = b7 + w47a4 + w57a5 + w67a6

a7 = σ (z7)z8 = b8 + w48a4 + w58a5 + w68a6

a8 = σ (z8)

∂E( w )∂w14

=∂E7( w )

∂w14+

∂E8( w )∂w14

=∂E7( w )

∂a7

∂a7

∂z7

∂z7

∂a4

∂a4

∂z4

∂z4

∂w14+

∂E8( w )∂a8

∂a8

∂z8

∂z8

∂a4

∂a4

∂z4

∂z4

∂w14

= (∂E7( w )

∂a7

∂a7

∂z7

∂z7

∂a4+

∂E8( w )∂a8

∂a8

∂z8

∂z8

∂a4)

∂a4

∂z4

∂z4

∂w14

E( w )

E( w ) =12

P

∑p=1

M

∑m=1

e2p,m

p 1 P

หนา �7

เปนดชนของเอาตพตมคาตงแต ถง

เปนผลตางของเอาตพตเปาหมายและเอาตพตของโครงขายประสาทเทยมท ในตวอยางท ซงสามารถนยามได

ดงสมการท 3.5

(3.5)

โดยท

เปนเอาตพตเปาหมายท ในตวอยางท

เปนเอาตพตของโครงขายประสาทเทยมท ในตวอยางท

การปรบคานำหนกของขนตอนเลเวนเบรก-มารคอรด (Levenberg-Marquardt Algorithm) อธบายดงสมการท 3.6

(3.6)

โดยท



เปนจาโคเบยนเมทรกซในรอบท

เปนเวกเตอรผลตางระหวางเอาตพตเปาหมายและเอาตพตของโครงขายประสาทเทยมในรอบท

เรานยามจาโคเบยนเมทรกซ ไดดงสมการท 3.7

(3.7)

โดยท เปนจำนวนคานำหนกทงหมดในโครงขายประสาทเทยม

และนยามเวกเตอรผลตางระหวางเอาตพตเปาหมายและเอาตพตของโครงขายประสาทเทยม ไดดงสมการท 3.8

m 1 M

ep,m m p

ep,m = tp,m − ap,m

tp,m m p

ap,m m p

w k+1 = w k − (JTk + Jk + λ I )−1Jk e k

w k+1 k + 1

w k k

Jk k

e k k

J

J =

∂e1,1∂w1

∂e1,1∂w2

…∂e1,1∂wN

∂e1,2∂w1

∂e1,2∂w2

…∂e1,2∂wN

⋮ ⋮ ⋱ ⋮∂e1,M∂w1

∂e1,M∂w2

…∂e1,M∂wN

⋮ ⋮ ⋱ ⋮∂eP,1∂w1

∂eP,1∂w2

…∂eP,1∂wN

∂eP,2∂w1

∂eP,2∂w2

…∂eP,2∂wN

⋮ ⋮ ⋱ ⋮∂eP,M∂w1

∂eP,M∂w2

…∂eP,M∂wN

N

e

หนา �8

(3.8)

3.4 โครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Artificial Neural Network)

โครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Artificial Neural Network) เปนกระบวนการท

ชวยลดปญหาความพอดทมากเกนไปของขอมลทใชสอน (Overfitting) และการเรยนทมากเกนไป (Overtraining) ซงเพม

ประสทธภาพในการพยากรณและในการทำใหถกตองของโครงขายประสาทเทยม

ใน โครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Artificial Neural Network) มการกำหนดฟงกชนคาผด

พลาดใหมดงสมการท 3.9

(3.9)

โดยท

และ คอสมประสทธทเราตองการหาเพอทำใหโครงขายประสาทเทยมมความถกตองมากทสด

เราสามารถหา และ ดวย 5 ขนตอนตอไปน

1) กำหนดคาเรมตนของ , และคานำหนก ในทนเราเลอก , และสมคาของคานำหนกแตละตวใน

ชวง [0, 1]

2) ใชขนตอนเลเวนเบรก-มารคอรด (Levenberg-Marquardt Algorithm) เพอลดฟงกชนคาผดพลาดใหนอยทสด ใน

ขนตอนนเราจะไดเวกเตอรคานำหนกททำใหฟงกชนคาผดพลาดมคานอยสดระดบทองถน

3) คำนวณตวแปรทมประสทธภาพ โดยท

4) คำนวณคา และ สำหรบฟงกชนคาผดพลาดใหม และ

5) ทำซำขนตอนท 2 ถง 4 จนกวา และ ลเขา

e =

e1,1e1,2

⋮e1,M

⋮eP,1eP,2

⋮eP,M

F( w ) = βED( w ) + αEW( w )

ED( w ) =p

∑p=1

M

∑m=1

e2p,m

EW( w ) =N

∑n=1

w2n

β α

α β

α β α = 0 β = 1

γ = N − 2α t r (H )−1 H ≈ 2βJT J + 2α IN

α β α =γ

2Ew( W )β =

n − γ2ED( w )

α β

หนา �9

3.5 การแยกสวนประกอบของรปแบบเชงประจกษ (Empirical mode decomposition) (EMD)

การแยกสวนประกอบของรปแบบเชงประจกษ (Empirical mode decomposition) (EMD) เปนกระบวนการทเสนอ

ขนเพอสกดความผนผวนทฝงตวอยในอนกรมเวลาออกมาเปนฟงกชนรปแบบทแทจรง (Intrinsic Mode Function) (IMF) หลาย

ชด และสวนเหลอ (Residual) 1 ชด ซง IMF จะมคณสมบต 2 ขอคอ

1. ตลอดชวงทงหมดของขอมล จำนวนของจดสดขดสมพทธตองเทากบจำนวนครงทกราฟตดแกน X หรอตางกน 1

2. ททกจดของขอมล คาเฉลยของกรอบบนและกรอบลางตองเปน 0

เราสามารถอธบายวธการสกดความผนผวนดวย 6 ขนตอนตอไปน

1) หาจดสงสดระดบทองถนและจดตำสดระดบทองถนทงหมดของอนกรมเวลา

2) เชอมจดสงสดระดบทองถนดวยควบคสไปลน (Cubic Spline) เพอกำหนดกรอบบน (Upper Envelope)

เชอมจดตำสดระดบทองถนดวยควบคสไปลน (Cubic Spline) เพอกำหนดกรอบลาง (Lower Envelope)

3) คำนวณกรอบเฉลยแบบจดตอจด ซงนยามโดย

4) คำนวณตวเลอก IMF ไดจาก

5) พจารณา เปนอนกรมเวลาและทำซำขนตอนท 1 ถง 4 จนกวากรอบบนและกรอบลางจะสมมาตรซงหมายถงคา

เฉลยของ และ ทเปน 0 ททกจดของขอมล ถา มคณสมบตเปน IMF ครบทง 2 ขอ รบ เปน IMF ลำดบท

(เรมตนท 1 และเพมขนทละ 1) แสดงโดย และแทนท ดวยสวนเหลอ (Residual) ซงคำนวณไดดงน

6) ทำซำขนตอนท 1 ถง 5 โดยสกดสวนเหลอ (Residual) จนกระทงถงเงอนไขการหยด

หลงจากเสรจสนขนตอนการสกดทงหมด เราไดสวนเหลอ (Residual) และกลมของ IMF ซงตงชอวา

เราสามารถสราง ขนมาใหมไดจากการรวมทก ๆ และสวนเหลอ (Residual) บรรยายไดดงสมการท 3.10

(3.10)

3.6 โครงขายประสาทเทยมแบบความแรงของเวลาอยางสม (Stochastic Time Strength Neural Network) (STNN)

โครงขายประสาทเทยมแบบความแรงของเวลาอยางสม (Stochastic Time Strength Neural Network) (STNN) เปน

โครงขายประสาทเทยมทมการพจารณาคานำหนกของแตละจดขอมลทเกนขนในอนกรมเวลา โดยมการกำหนดฟงกชนคาผดพลาด

ใหมดงสมการท 3.11

(3.11)

โดยท

เปนเวลาของตวอยาง

X(t)

U(t)

L (t)

m(t) m(t) = (U(t) + L (t))/2

h(t) = X(t) − m(t)

h(t)

U(t) L (t) h(t) h(t) i

Ci(t) X(t)

Ri(t) = X(t) − Ci(t)

Ci(t)(i = 1,2,...,M )

X(t) Ci(t)

RM(t) = X(t) −M

∑i=1

Ci(t), Ri(t) = Ri−1(t) − Ci(t)

E(tn) =1N

N

∑n=1

ρ(tn)(dtn − ytn)2

tn n

หนา �10

เปนเอาตพตเปาหมายทเวลา

เปนเอาตพตจากโครงขายประสาทเทยมทเวลา

เปนจำนวนขอมลทงหมด

เปนฟงกชนความแรงของเวลาอยางสม (Stochastic Time Strength Function) ทเวลา ซงนยามดงสมการท

3.12

(3.12)

โดยท

เปน สมประสทธความแรงของเวลา (Time Strength Coefficient)

เปน ฟงกชนแนวโนม (Drift Function)

เปน ฟงกชนความผนผวน (Volatility Function)

เปน การเคลอนทแบบไรทศทาง (Standard Brownian Motion)

ซงนยาม และ ไดสมการท 3.13 และ 3.14 ตามลำดบ

(3.13)

R (3.14)

โดยท

เปนตวแปรซงมขนาดเทากบจำนวนของตวอยางทใชสอน

เปนเวลา

เปนคาเฉลยของตวอยางขอมลอนพต

เปนอนพตเวกเตอรตวท

สำหรบการปรบคานำหนกสามารถทำไดโดยใชขนตอนการสงคายอนกลบ (Backpropagation Algorithm)

3.7 ขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษกบขนตอนโครงขายประสาทเทยมแบบความแรงของ

เวลาอยางสม (Empirical Mode Decomposition Stochastic Time Strength Neural Network) (EMD-STNN)

ขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษและขนตอนโครงขายประสาทเทยมแบบความ

แรงของเวลาอยางสม (Empirical Mode Decomposition Stochastic Time Strength Neural Network) (EMD-STNN)

เปนกระบวนการทผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษ (EMD) และโครงขายประสาทเทยมแบบความ

แรงของเวลาอยางสม (STNN) โดยท EMD ทำหนาทสกดขอมลของอนกรมเวลาหลก ออกเปนฟงกชนรปแบบทแทจรง

(Intrinsic Mode Function) (IMF) หลายชด และสวนเหลอ (Residual) หลงจากนนใช IMF และ Residual เหลานเปนอนพตให

dtn tnytn tnN

ρ(tn) tn

ρ(tn) =1β

exp {∫tn

t0

μ(t)dt + ∫tn

t0

σ (t)d B(t)}β( > 0)

μ(t)

σ (t)

B(t)

μ(t) σ (t)

μ(t) =1

(c − t)2

σ (t) = [1

N − 1

N

∑i=1

(xi − x )2]12

c

t

x

xi i

X(t)

หนา �11

กบ STNN ในการพยากรณ ชงจะไดผลลพธการพยากรณเปนจำนวนชดเทากบจำนวนชดของ IMF และ Residual ทไดจาก EMD

ในขนตอนสดทายทำการรวมผลลพธการพยากรณทกชดใหเปนชดเดยวโดยใชสมการท 3.15

(3.15)

โดยท

เปนผลลพธการพยากรณสดทายของอนกรมเวลาหลก

เปนผลลพธการพยากรณของ IMF แตละชด

เปนสมประสทธการรวมของผลลพธการพยากรณสำหรบ IMF แตละชด

เปนผลลพธการพยากรณของ Residual

ในทนเรากำหนดให สำหรบ

3.8 ขนตอนผสมผสานระหวางขอมลแบบสมเชงเวลาทมประสทธภาพกบโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน

(Random Data-time Effective Radial Basis Function Neural Network) (RBFRT) เปนโครงขายประสาทเทยมทมฟงกชน

กระตน (Activation Function) ในชนซอน (Hidden Layer) เปนเรเดยลเบซสฟงกชน (Radial Basis Function) ซงสามารถ

คำนวณเอาตพตของโครงขายประสาทเทยมไดดวยสมการท 3.16

(3.16)

โดยท

เปนอนพตเวกเตอร

เปนจำนวนของนวรอลในชนซอน

เปนเวกเตอรศนยกลางของปมท ในชนซอน

เปนเรเดยลเบซสฟงกชน (Radial Basis Function) ซงนยามไดดงสมการท 3.17

(3.17)

โดยท

เปนความกวางของศนยกลางตวท

ในขนเรมแรกเราสมคาใหกบคานำหนก, เวกเตอรศนยกลาง และความกวางของศนยกลาง หลงจากนนเราทำการปรบคาเหลานโดย

ใชขนตอนวธการสงคายอนกลบ (Backpropagation Algorithm) ซงสามารถหาอตราการเปลยนแปลงของคานำหนก, เวกเตอร

ศนยกลาง และความกวางของศนยกลางไดดวยสมการท 3.18, 3.19 และ 3.20 ตามลำดบ

(3.18)

(3.19)

(3.20)

X(t) =M

∑i=1

Ci(t) x ρi + RM(t) ρM+1, t = 1,...,N

X(t)

Ci(t)

ρi

RM(t)

ρi = 1 i = 1,2,...,M, M + 1

f (x) = w0 +h

∑i=1

wiϕ( | |x − ci | | )

x

h

ci iϕ

ϕ( | |x − ci | | ) = exp {− | |x − ci | |2 /2β2i }

βi i

△ wi = − η1∂E( w )

∂wi= n1ϵtn ρ(tn)ϕ( | |x − ci | | )

△ ci = − η2∂E( w )

∂ci= n2ϵtnwi ρ(tn)

ϕ( | |x − ci | | )β2

i(x − ci)

△ βi = − η3∂E( w )

∂βi= η3ϵtnwi ρ(tn)

ϕ( | |x − ci | | )β3

i| |x − ci | |

หนา �12

โดยท

เปนอตราการเรยนร

เปนฟงชนคาผดพลาด ซงนยามดงสมการท 2.11

เปนคานำหนกตวท

เปนเวกเตอรศนยกลางของปมท ในชนซอน

เปนความกวางของศนยกลางตวท

เปนเวลาของตวอยาง

เปนคาผดพลาดทเอาตพตทเวลา

เปนฟงกชนขอมลแบบสมเชงเวลาทมประสทธภาพ (Random Data-time Effective Function) ทเวลา


(3.21)

(3.22)

โดยท

เปน สมประสทธความแรงของเวลา (Time Strength Coefficient)

เปน ฟงกชนแนวโนม (Drift Function)

เปน ฟงกชนความผนผวน (Volatility Function)

เปน การเคลอนทแบบไรทศทาง (Standard Brownian Motion)


(3.23)

โดยท

เปนตวแปรซงมขนาดเทากบจำนวนของตวอยางทใชสอน

เปนเวลา

เราสามารถปรบคานำหนก, เวกเตอรศนยกลาง และความกวางของศนยกลาง ในแตละรอบของการสอนไดโดยใชสมการท 3.24,

3.25 และ 3.26 ตามลำดบ

(3.24)

(3.25)

(3.26)

η1, η2, η3

E( w )wi ici iβi itn nϵtn tnρ(tn) tn

ϵtn ρ(tn)

ϵtn = dtn − ytn

ρ(tn) =1β

exp {∫tn

t0

μ(t)dt + ∫tn

t0

σ (t)d B(t)}β( > 0)

μ(t)

σ (t)

B(t)

μ(t) σ (t)

μ(t) =1

(t + a)2

a

t

wi(l + 1) = wi(l ) + △wi = wi(l ) + η1ϵtn ρ(tn)ϕi

ci(l + 1) = ci(l ) + △ci = ci(l ) + η2ϵtnwi ρ(tn)ϕi

β2i

(x − ci)

βi(l + 1) = βi(l ) + △βi = βi(l ) + η3ϵtnwi ρ(tn)ϕi

β3i

| |x − ci | |

หนา �13

โดยท

เปนคานำหนกตวท ในรอบท

เปนคานำหนกตวท ในรอบท

เปนเวกเตอรศนยกลางของปมท ในชนซอน ในรอบท

เปนเวกเตอรศนยกลางของปมท ในชนซอน ในรอบท

เปนความกวางของศนยกลางตวท ในรอบท

เปนความกวางของศนยกลางตวท ในรอบท

4. งานวจยทเกยวของ

การพยากรณอตราแลกเปลยนเปนสงททาทายนกวจยทวโลกเนองจากผลประโยชนทนาสนใจในการลงทน [3] งานวจยท

พยายามพยากรณอนกรมเวลาทางการเงนสามารถแบงไดเปน 2 กลมหลก ๆ คอกลมทใชวธทางสถตและกลมทใชวธทางการเรยนร

ของเครอง (Machine Learnning) [11, 18] กลมแรกใชวธทางสถตดงเดมซงมสมมตฐานวาอนกรมเวลาททำการศกษานนถกสราง

ขนมาจากขนตอนเชงเสน [12, 18] และพยายามจำลองกฏทสรางอนกรมเวลาเพอพยากรณราคาในอนาคตของอนกรม อยางไร

กตามอนกรมเวลาทางการเงนมความซบซอนสง, เตมไปดวยสญญาณรบกวน, มการเปลยนแปลงอยเสมอ, ไมเชงเสน และไมเปน

ระเบยบโดยธรรมชาต [13, 18] กลมทสองใชวธการเรยนรของเครอง (Machine Learning) [14, 18] กลาววาการประยกตใชวธ

การเรยนรของเครองประสบความสำเรจในการจำลองและพยากรณอนกรมเวลาทางการเงน เทคนคการเรยนรของเครองหลาย

เทคนคสามารถทจะจบความสมพนธแบบไมเชงเสนระหวางปจจยทสำคญไมทไมตองมความรเกยวกบขอมลอนพตมากอน [15, 18]

ทามกลางเทคนคเหลาน โครงขายประสาทเทยม (Artificial Neural Network) ถกใชงานอยางกวางขวางทสดในการพยากรณ

อนกรมเวลา เนองจากโครงขายประสาทเทยมเปนวธการทขบเคลอนดวยขอมล (Data-driven) และปรบตวดวยตวเอง (Self-

adaptive) ซงสามารถจบพฤตกรรมไมเชงเสนของอนกรมเวลาโดยไมตองมสมมตฐานทางสถตเกยวกบขอมล [16, 17, 18] จาก

ขอดทไดกลาวมาทำใหโครงขายประสาทเทยมหลายชนดและขนตอนผสมผสานระหวางโครงขายประสาทเทยมถกนำมาใชในการ

พยากรณอนกรมเวลาทางการเงน [15, 18]

งานวจยทเกยวของสามารถแบงไดออกเปน 3 กลมไดแก งานวจยดานการวเคราะหทางเทคนค, งานวจยดานการ

วเคราะหปจจยพนฐาน และงานวจยดานกลยทธการลงทน

4.1 งานวจยตนแบบ

[1] นำเสนอการใชโครงขายประสาทเทยมในการพยากรณราคาสงสดและราคาตำสดของวนปจจบนบนขอมลหนของสอง

บรษทตวหลกของตลาดหลกทรพยบราซล (BM&F BOVESPA ) โดยใชอนพตทแตกตางกนสามชด ผเขยนไดนำเสนอระบบจำลอง

การซอขายรายวนเพอเปลยนเอาตพตของโครงขายประสาทเทยมไปสการตดสนใจทางการลงทนซงชใหนกลงทนเหนชวงเวลาทด

ทสดในการซอขายและทำกำไร ผเขยนวดประสทธภาพของโครงขายประสาทเทยมสองวธไดแกการใช คาเฉลยของรอยละความผด

พลาดสมบรณ (Mean Absolute Percentage Error) (MAPE) และวดผลตอบแทนตอป (Annualized Return) โครงขาย

ประสาทเทยมถกนำมาเปรยบเทยบประสทธภาพกบ 4 เกณฑมาตราฐาน ผลลพธแสดงใหเหนวาโครงขายประสาทเทยมใหคาเฉลย

wi(l + 1) i l + 1

wi(l ) i l

ci(l + 1) i l + 1

ci(l ) i l

βi(l + 1) i l + 1

βi(l ) i l

หนา �14

ของรอยละความผดพลาดสมบรณนอยกวาของเกณฑมาตราฐาน 50% และใหผลตอนแทนตอปสองเทาของเงนลงทน [2] นำเสนอ

โครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Artificial Neural Network) ในการพยากรณราคาปดของ

หนงวนในอนาคตบนขอมลหนของบรษทไมโครซอฟท (Microsoft Corp) และบรษทกลมโกลแมนแซชส (Golman Sachs Group)

โดยราคาตลาด (Market Price) และตวชวดทางเทคนค (Technical Indicator) ถกใชเปนอนพตใหกบโครงขายประสาทเทยม

โครงขายประสาทเทยมอยางถกตองของเบสชวยลดปญหาความพอดทมากเกนไปของขอมลทใชสอน (Overfitting) และการเรยนท

มากเกนไป (Overtraining) โดยการกำหนดกฎความนาจะเปนใหกบคานำหนกของโครงขาย ซงกำจดความซบซอนสวนเกนของ

โครงขายอยางอตโนมต ชวยเพมประสทธภาพการพยากรณและความทวไปของโครงขาย [3] นำเสนอขนตอนผสมผสานระหวาง

การแยกสวนประกอบของรปแบบเชงประจกษกบโครงขายประสาทเทยมแบบความแรงของเวลาอยางสม (Empirical Mode

Decomposition Stochastic Time Strength Neural Network) (EMD-STNN) เพอพยากรณราคาปดของหนงวนในอนาคต

ของ NYSE, DAX, FTSE และ HSI การแยกสวนประกอบของรปแบบเชงประจกษ (Empirical Mode Decomposition) (EMD)

เปนขนตอนในการแยกสวนประกอบของรปแบบทฝงอยในอนกรม โครงขายประสาทเทยมแบบความแรงของเวลาอยางสม

(Stochastic Time Strength Neural Network) เปนโครงขายประสาทเทยมทมการพจารณาคานำหนกของแตละจดขอมลทเกน

ขนในอนกรมเวลาของฟงกชนคาผดพลาด หลกการทำงานของ (EMD-STNN) ประกอบดวยสามขนตอน ในขนตอนแรกคอการใช

EMD ในการแยกรปแบบทฝงอยในอนกรมออกมาเปนชด ๆ หลงจากนนใช STNN พยากรณราคาปดของอนกรมยอยแตละชด ขน

ตอนสดทายคอการนำผลลพธการพยากรณของอนกรมยอยแตละชดมารวมกนเพอใหไดผลลพธการพยากรณสดทาย ประสทธภาพ

ของ EMD-STNN ดกวาแบบจำลองแบบดงเดมเชน โครงขายประสาทเทยมแบบสงคายอนกลบ (BPNN), โครงขายประสาทเทยม

แบบความแรงของเวลาอยางสม (STNN) และซพพอรตเวกเตอรแมชชน (SVM) อยางชดเจน และคาสมประสทธความสมพนธ (R)

ระหวางเอาตพตเปาหมายและเอาตพตทไดจากแบบจำลอง มากกวา 0.99 [4] นำเสนอขนตอนผสมผสานระหวางขอมลแบบสมเชง

เวลาทมประสทธภาพกบโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Random Data-Time Effective Radial Basis

Function Neural Network) (RBFRT) ในการพยากรณราคาปดของหนงวนในอนาคตของนำมนดบ (Crude Oil), SSE, N225

และ DAX ซง RBFRT ใชโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Radial Basis Function Neural Network) ในการ

สรางแบบจำลอง โดยฟงกชนคาผดพลาดทใชมการใหคานำหนกกบแตละจดเวลาทเกดขนในอนกรมเวลา ผลลพธการทดลองแสดง

ใหเหนวาประสทธภาพของ RBFRT ดกวาโครงขายประสาทเทยมแบบเรเดยบเบซสฟงกชนทไมมการใหคานำหนกกบแตละจดเวลา

ในฟงกชนคาผดพลาด และคาสมประสทธความสมพนธ (R) ระหวางเอาตพตเปาหมายและเอาตพตทไดจากแบบจำลอง มากกวา

0.99

4.2 งานวจยดานการวเคราะหทางเทคนค

งานวจยดานการวเคราะหทางเทคนคผจดทำไดใหความสำคญกบโครงขายประสาทเทยม เพราะในชวง 10 ปทผานมา

โครงขายประสาทเทยมมชอเสยงเปนอยางมากในการพยากรณตลาดทางการเงน [18] [19] ไดนำเสนอหลกฐานวาโครงขาย

ประสาทเทยมมความสามารถในการพยากรณอตราแลกเปลยนคสกลเงนได ขอมลอนกรมเวลาและตวบงชทางเทคนค (Technical

Indicator) เชน คาเฉลยเคลอนท (Moving Average) ถกใชเปนอนพตใหกบโครงขายประสาทเทยมเพอจบกฏการเคลอนทของ

อตราแลกเปลยน อตราแลกเปลอนคสกลเงน AUD/USD, CHF/USD, DEM/USD, GBP/USD และ JPY/USD ถกพยากรณโดย

หนา �15

โครงขายประสาทเทยมทผานการเรยนแลว การวเคราะหชวงของการปรบขนาดแบบดงเดม (Traditional Rescaled Range

Analysis) ถกนำมาทดสอบประสทธภาพของแตละคอตราแลกเปลยนกอนทจะนำขอมลยอนหลงมาสอนโครงขายประสาทเทยม

ผลลพธแสดงใหเหนวาโดยปราศจากการใชขอมลอน ๆ ของตลาด โครงขายประสาทเทยมกสามารถใหการพยากรณทเปนประโยชน

ไดและสามารถทจะทำกำไรไดบนขอมลทนอกเหนอจากกลมตวอยางดวยตวบงชทางเทคนดพนฐาน [20] อธบายการประยกตใช

งานของการทำใหเปนปกตของเบส (Bayesian Regularization) สำหรบการสอนโครงขายประสาทเทยมแบบสงคาไปขางหนา

(Feedforward Neural Network) โดยใชขนตอนวธเกาส-นวตน (Gauss-Newton Algorithm) ในการประมาณคาเฮสเซยนเม

ทรกซ (Hessian Matrix) ซงทำไดสะดวกเมอใชขนตอนวธเลเวนเบรก-มารคอรด (Levenberg-Marquardt Algorithm) การ

ประมาณคาเฮสเซยนเมทรกซ (Hessian Matrix) ดวยขนตอนวธของเกาส-นวตน (Gauss-Newton Algorithm) ถกใชในการลดคา

ใชจายในการคำนวณทสงเกนไป (Computational Overhead) ผลลพธของการประยกตใชงานชใหเหนวาโครงขายประสาทเทยม

ทไดมประสทธภาพในการทำใหเปนทวไปอยางดเยยม [21] นำเสนอฟงกซนประสทธภาพของเวลาอยางสมใหม (New Stochastic

Time Effective Function) เพอจำลองโครงขายประสาทเทยมแบบประสทธภาพของเวลาอยางสม (Stochastic Time Effective

Neural Network) ความมประสทธภาพของแบบจำลองไดถกวเคราะหดวยการทดลองบนขอมลดชนตลาด HSI, DJI และ IXIC

และ SP500 และความถกตองของตวแปรความแปรปรวนของการเคลอนทแบบไรทศทาง (Brownian Motion) ไดถกทดสอบ

นอกจากนนยงไดแสดงผลลพธการพยากรณโดยใชโครงขายประสาทเทยมแบบประสทธภาพของเวลาอยางสม (Stochastic Time

Effective Neural Network) [22] นำเสนอขนตอนผสมผสานระหวางโครงขายประสาทเทยมแบบเลอฌองดร (Legendre

Neural Network) กบฟงกชนความแรงของเวลาอยางสม (Random Time Strength Function) โดยผเขยนมความเชอวาขอมล

ในชดขอมลสอนควรสะทอนพฤตกรรมทแตกตางกนในเวลาทแตกตางกน ถาขอมลทงหมดถกมาใชสอนใหกบโครงขายประสาท

เทยมโดยมนำหนกเทากน ระบบเครอขายอาจไมสอดคลองกบพฤตกรรมของตลาด นอกจากนนยงไดทดสอบแบบจำลองนกบดชน

ตลาด SAI, SBI, DJI และ IXIC สำหรบแตละคาฟงกชนแนวโนม (Tendency Function) และฟงกชนความผนผวนแบบไรทศทาง

อยางสม (Random Brownian Volatility Function) ทแตกตางกน วดประสทธภาพของแบบจำลองดวยคาเฉลยของรอยละความ

ผดพลาดสมบรณ (Mean Absolute Percentage Error) (MAPE) และวธการถดถอยเชงเสน ผลลพธทออกมาแสดงใหเหนวาขน

ตอนวธนใหความแมนยำทมากขนในการพยากรณ [23] พฒนาขนตอนผสมผสานระหวางการวเคราะหองคประกอบหลก

(Principal Component Analysis) กบโครงขายประสาทเทยมแบบประสทธภาพของเวลาอยางสม (Stochastic Time Effective

Neural Network) สำหรบพยากรณอนกรมเวลาทางการเงน โดยมหลกการทำงาน 2 ขนตอนดงนคอ เรมแรกใชการขนตอน

วเคราะหองคประกอบหลกสกดองคประกอบหลกของขอมลอนพต หลงจากนนใชองคประกอบหลกทไดเปนอนพตใหกบโครงขาย

ประสาทเทยมแบบประสทธภาพของเวลาอยางสมเพอพยากรณ ในการเปรยบเทยบประสทธภาพของแบบจำลองระหวางขนตอน

วธทเสนอ, โครงขายประสาทเทยมแบบประสทธภาพของเวลาอยางสม , โครงขายประสาทเทยมแบบสงคายอนกลบ

(Backpropagation Neural Network) และ ขนตอนผสมผสานระหวางโครงขายประสาทเทยมแบบสงคายอนกลบกบการ

วเคราะหองคประกอบหลก การวเคราะหเชงประจกษแสดงใหเหนวาขนตอนวธทเสนอมประสทธภาพในการพยากรณอนกรมเวลา

ทางการเงนทสงกวา [24] นำเสนอขนตอนผสมผสานการแปลงเวฟเลตแบบไมตอเนอง (Discrete Wavelet Transform) กบ

ระหวางโครงขายประสาทเทยมแบบสงคายอนกลบ (Backpropagation Neural Network) เพอพยากรณราคาปดของหนใน

ตลาดหลกทรพยอนเดย ขนตอนวธนในขนแรกใชการแปลงเวฟเลตแบบไมตอเนอง (Discrete Wavelet Transform) เพอสกด

หนา �16

ขอมลยอนหลง ตอจากนนใชสมประสทธการประมาณ (Approximation Coefficient) และสมประสทธสวนยอย (Detail

Coefficient) เปนอนพตใหกบโครงขายประสาทเทยมแบบสงคายอนกลบ (Backpropagation Neural Network) เพอพยากรณ

ราคาของหนในอนาคต ผลลพธการจำลองแสดงใหเหนวาการใชขนตอนวธทนำเสนอใหผลลพธทแมนยำมากกวาเมอเปรยบเทยบ

กบโครงขายประสาทเทยมทใชอนพตเปนขอมลทไมผานการแปลงเวฟเลตแบบไมตอเนอง

4.3 งานวจยดานการวเคราะหปจจยพนฐาน

[34] ไดนำเสนอสวนประกอบของระะบบการพยากรณและทำการเปรยบเทยบขนตอนในการเลอกคณลกษณะของขาว,

ขนตอนในการใหคานำหนกคณลกษณะของขาว, คณลกษณะทงหมดทใช, แหลงขาว, การเลอกชวงเวลาทไดรบผลกระทบจากขาว

ทออก, รปแบบในการแบงกลมเปาหมาย, จำนวนกลมคณลกษณะเปาหมาย และขนตอนวธทใชแบงกลมของคณลกษณะเปาหมาย

ของแตละงานวจย [36] ทำการวดสภาพอารมณของขาวและนำเสยงของผเขยนขาว เพอตอบคำถามในงานวจยสองขอคอ ขาวการ

คาดการณ/ขาวทรายงานผลตามจรง มผลกระทบตอการพยากรณราคาไหม และ นำเสยงของผเขยนในเชงบวก/เชงลบ มผลตอการ

พยากรณราคาไหม เพอตอบคำถามสองขอน ผเขยนไดทำการทดลองสามชด 1) ใชเอาตพตทไดจากวธการคำนามทเหมาะสม

(Proper nouns) และราคาของหนขณะทขาวออกเปนอนพตใหกบซพพอรตเวกเตอรรเกรสชน (Support Vector Regression)

ในการพยากรณราคาของหนหลงจากทขาวออกเปนเวลา 20 นาท 2) ใชเอาตพตทไดจากวธการ Proper nouns , ราคาของหน

ขณะทขาวออก และสภาพอารมณของขาว (ขาวการคาดการณ/ขาวทรายงานผลตามจรง) เปนอนพตใหกบซพพอรตเวกเตอรรเกรส

ชน (Support Vector Regression) ในการพยากรณราคาของหนหลงจากทขาวออกเปนเวลา 20 นาท 3) ใชเอาตพตทไดจากวธ

การ Proper nouns , ราคาของหนขณะทขาวออก ,สภาพอารมณของขาว (ขาวการคาดการณ/ขาวทรายงานผลตามจรง) และนำ

เสยงของขาว (เชงบวก/เชงลบ) เปนอนพตใหกบซพพอรตเวกเตอรรเกรสชน (Support Vector Regression) ในการพยากรณ

ราคาของหนหลงจากทขาวออกเปนเวลา 20 นาท เหตผลทผเขยนเลอกชวงเวลา 20 นาทหลงจากทขาวออก เพราะอางองจาก

ผลลพธของ [37] ซงคนพบวามชวงเวลาอย 20 นาทกอนขาวออกและหลงขาวออกในการเปลอนแปลงราคาของหน การ

เปลยนแปลงราคากอนขาวออก 20 นาทถกเชอวาเปนผลลพธมาจากนกลงทนทรขาวขอมลของขาวกอนทจะมการประกาศขาว

และการเปลอนแปลงราคาหลงขาวออก 20 นาทเปนผลลพธจากการทนกลงทนไดรบขาวไมพรอมกน ทำใหตดสนใจในการลงทนไม

พรอมกน [38] เสนอการพยากรณความผนผวนของราคาหนจากการวเคราะหขาวการเปดเผยขอมลของบรษท ซงมเอาตพตเปา

หมาย 2 กลมคอกลมทมความผนผวนสงอยางผดปกต และกลมทมความผนผวนสงในระดบทวไป ผเขยนดำเนนการทดลองโดย

เลอกกลมขาวเฉพาะททำใหเกดความผนผวนของราคาทนทหลงจากขาวออก และนำกลมขาวทไดแบงเปนสองกลมตามเอาตพตเปา

หมาย โดยขาวททำใหเกดความผนผวนของราคาสงอยางผดปกตมจำนวน 25% ของขาวทงหมด และขาวททำใหเกดความผนผวน

ของราคาสงในระดบทวไปมจำนวน 75% ของขาวทงหมด ผเขยนสรางอนพตเวกเตอรโดยใชวธ TF-IDF และทำการทดลองการ

พยากรณความผนผวนโดยใช 4 ขนตอนวธไดแก การคนหาเพอนบานใกลสด k ตว (k-Nearest Neighbor), โครงขายประสาท

เทยม (Neural Network), ซพพอรตเวกเตอรแมชชน (Support Vector Machine) และตวเรยนรของเบสอยางงาย (Naive

Bayes) ผลลพธจากการทดลองแสดงใหเหนวา Support Vector Machine ใหผลลพธการพยากรณทดทสด [40] นำเสนอวธการ

พยากรณทศทางการเคลอนไหวระหวางวนของตลาดอตราแลกเปลยน ผเขยนนำเสนอ 3 ขนตอนการวเคราะหขอความ (Text

Mining) 1) การวเคราะหทางภาษาศาสตร 2) วเคราะหอารมณของขาวเพอระบความรสกของนกลงทนตอตลาด 3) การลดมตของ

หนา �17

คณสมบตของขาวทถกสกด ขนตอนทงสามถกออกแบบมาเพอรองรบกระแสของขอความทเขามาจำนวนมาก และทำการวเคราะห

แบบจำลองทนททมขอมลใหมเขามา [18]

4.4 งานวจยดานกลยทธการลงทน

[1] ไดนำเสนอการวดประสทธภาพของแบบจำลองการลงทนทพยากรณราคาสงสดและราคาตำสดของวนดวยการสราง

ระบบจำลองการซอขายขนมา ระบบจำลองการซอขายนจะพจารณาราคาปดของกรอบเวลา 15 นาท เพอนำไปในการลงทน

กำหนดให เปนราคาปดของกรอบเวลา 15 นาท, เปนราคาตำสดทไดจากการพยากรณ และ เปนราคาสงสดท

ไดจากการพยากรณ กฎการลงทนทผเขยนนำเสนอสามารถสรปเปนกฎได 6 ขอดงน 1) ซอ เมอ ขาย เมอ

2) ซอ เมอ ขายในนาทสดทายของวน 3) ซอ เมอ ขายทจดหยดการ

ขาดทน 4) ขาย เมอ ซอ เมอ 5) ขาย เมอ ซอในนาทสดทายของวน 6)

ขาย เมอ ซอทจดหยดการขาดทน โดยจดหยดขาดทนคอจดททำใหเกดการขาดทนในการลงทนทผดพลาด

0.5% ของเงนในบญช [36] ทำการวดประสทธภาพของแบบจำลองการลงทนทพยากรณราคาในอก 20 นาทขางหนา ดวยการใช

ระบบจำลองการลงทนทพจารณาการรอยละการเปลยนแปลงของราคาหนในเวลาปจจบนและราคาทไดจากการพยากรณในอก 20

นาทขางหนา ถารอยละการเปลยนแปลงมากกวา 1% ระบบจะทำการซอหรอขายหนทราคาปจจบนดวยจำนวนเงน 1,000

ดอลลารสหรฐ และปดการซอขายในอก 20 นาท

5. แนวคดและวธดำเนนงาน

1. ศกษางานวจยทเกยวของกบการพยากรณอนกรมเวลาทางการเงน

2. เลอกงานวจยตนแบบดานการพยากรณอนกรมเวลาทางการเงน

3. ศกษาทฤษฎในงานวจยตนแบบ

4. ศกษาวธการวดผลในงานวจยตนแบบ

5. สรางแบบจำลองเพอพยากรณราคาสงสดและตำสดของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB

6. วดผล, เปรยบเทยบ และสรปผลทได

7. จดทำเอกสารวทยานพนธ

5.1 ศกษางานวจยทเกยวของกบการพยากรณอนกรมเวลาทางการเงน

ศกษางานวจยทเกยวของกบการพยากรณอนกรมเวลาทางการเงนโดยใชการเรยนรของเครอง และใหความสนใจเปน

พเศษกบงานวจยการพยากรณบนตลาดหนโดยใชโครงขายประสาทเทยม และงานวจยบนตลาดอตราแลกเปลยนโดยใชโครงขาย

ประสาทเทยม

close min m a x

close ≤ min ,

close ≥ m a x close ≤ min , close ≤ min ,

close ≥ m a x , close ≤ min close ≥ m a x ,

close ≥ m a x ,

หนา �18

5.2 เลอกงานวจยตนแบบดานการพยากรณอนกรมเวลาทางการเงน

เลอกงานวจยตนโดยพจารณาเงอนไข 3 ประการ 1. ความแมนยำของผลลพธการพยากรณ 2. ใชตวบงชทางเทคนค

(Technical Indicator) เปนอนพต 3. งานวจยถกตพมพในวารสารทมดชนเฮรสซ (H Index) สง และมผอางองเปนจำนวนมาก

5.3 ศกษาทฤษฎในงานวจยตนแบบ

ศกษาทฤษฎในงานวจยตนแบบ ซงประกอบดวย 9 ทฤษฎทสำคญ ไดแก 1. โครงขายประสาทเทยม (Artificial Neural

Network) 2. ขนตอนการสงคายอนกลบ (Backpropagation Algorithm) 3. ขนตอนวธเลเวนเบรก-มารคอรด (Levenberg-

Marquardt Algorithm) 4. โครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Artificial Neural Network)

5. การแยกสวนประกอบของรปแบบเชงประจกษ (Empirical mode decomposition) (EMD) 6. โครงขายประสาทเทยมแบบ

ความแรงของเวลาอยางสม (Stochastic Time Strength Neural Network) (STNN) 7. ฟงกชนความแรงของเวลาอยางสม

(Stochastic Time Strength Function) 8. โครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Radial Basis Function Neural

Network) (RBFRT) 9. เรเดยลเบซสฟงกชน (Radial Basis Function)

5.4 ศกษาวธการวดผลในงานวจยตนแบบ

ศกษาวธการวดผลในงานวจยตนแบบซงแปลงผลลพธการพยากรณเปนการตดสนใจทางการลงทนบนระบบจำลองการซอ

ขาย ซงสามารถวดผลลพธการพยากรณเปนกำไรหรอขาดทนในการลงทนจรง

5.5 สรางแบบจำลองเพอพยากรณราคาสงสดและตำสดของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB

5.5.1 ดาวนโหลดขอมลยอนหลงของอตราแลกเปลยนคาสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB

รายวนและราย 15 นาท ขอมลยอนหลงรายวนจะถกนำมาใชเพอสรางแบบจำลอง ในขณะทขอมลยอนหลงราย 15 นาทจะถกนำ

มาใชในการสรางระบบจำลองการซอขาย

5.5.2 สรางแบบจำลองดวยโครงขายประสาทเทยมจากงานวจยตนแบบ 4 วธ เพอพยากรณอตราแลกเปลยนคสกลเงน

EUR/USD, USD/JPY, GBP/USD และ USD/THB

5.5.2.1 สรางแบบจำลองดวยโครงขายประสาทเทยมแบบสงคายอนกลบ (Backpropagation Neural Network) 1

แบบจำลอง เพอพยากรณอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB โดยมเอาตพต 2 ปม

คอราคาสงสดและราคาตำสดของวนปจจบน และมการตงคาเบองตนดงตารางท 5.1

อนพต

ราคาสงสด และราคาตำสด ตลอด 5 วนทผานมา

Exponential Moving Average ของราคาสงสดและตำสดในชวง 5 วน

Upper Band และ Lower Band ของราคาปดในชวง 5 วน

หนา �19

ตารางท 5.1 แสดงการตงคาเบองตนของแบบจำลองโครงขายประสาทเทยมแบบสงคายอนกลบสำหรบพยากรณราคาสงสดและ

ราคาตำสดของวนปจจบน

5.5.2.2 สรางแบบจำลองดวยโครงขายประสาทเทยมอยางถกตองของเบส (Bayesian Regularized Artificial Neural

Network) 1 แบบจำลอง เพอพยากรณอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB โดยม

เอาตพต 2 ปมคอราคาสงสดและราคาตำสดของวนปจจบน และมการตงคาเบองตนดงตารางท 5.2

เราทำการปรบโครงสรางของโครงขายประสาทเทยมจากงานตนแบบในชนเอาตพต ในงานวจยตนแบบของเรา โครงขายประสาทเทยมมเอาตพต 1 ปม คอราคาปด แตโครงขายประสาทเทยมทเราสรางมเอาตพต 2 ปม คอ ราคาสงสด และราคาตำสด เราไม

เปลยนอนพตของโครงขายประสาทเทยม เพราะอนพตของงานวจยตนแบบประกอบดวยตวบงชทางเทคนค (technical

indicator) หลายตวซงเชอวาเพยงพอตอการพยากรณ

ราคาเปดของวนทพยากรณ

การทำใหปกต (normalization) คาของอนพตแตละตวหารดวยคาของอนพตทสงทสดคณสองซงจะไดคาทออกมาอยในชวง [0, 0.5]

โครงสรางโครงขายประสาทเทยม 15 x รากทสองของผลคณระหวางจำนวนปมในชนอนพตกบจำนวนปมในชนเอาตพต x 2

อตราการเรยนร 0.001

ฟงกชนกระตนสำหรบชนซอน Rectified Linear Unit (ReLU)

ฟงชนกระตนสำหรบชนเอาตพต Rectified Linear Unit (ReLU)

คานำหนก สมคาจากในชวง (0, 1)

ฟงกชนคาผดพลาด

เงอนไขหยดสอน จำนวนรอบการสอนมากกวาจำนวนรอบทกำหนด หรอ คาของฟงกชนคาผดพลาดนอยกวาคาทกำหนด

�E ( w ) =12

P

∑p=1

M

∑m=1

e2p,m

อนพต

ราคาเปด, ราคาสงสด และราคาตำสดของวนทผานมา

Exponential Moving Average ของราคาสงสดในชวง 5 วนและ 10 วน

Relative Strength Index (RSI)

Willian R%, Stochastic K% และ Stochastic D%

การทำใหปกต (normalization) Mapminmax ซงจะไดคาทออกมาอยในชวง [-1, 1]

โครงสรางโครงขายประสาทเทยม 9 x จำนวนปมททำใหตวแปรทมประสทธภาพลเขา x 2


ฟงกชนกระตนสำหรบชนซอน Tangent Sigmoid Function

ฟงชนกระตนสำหรบชนเอาตพต Identity Map

คานำหนก สมคาจากในชวง (0, 1)

ฟงกชนคาผดพลาด �F ( w ) = β ED( w ) + α EW ( w )

หนา �20

ตารางท 5.2 แสดงการตงคาเบองตนของแบบจำลองโครงขายประสาทเทยมอยางถกตองของเบสสำหรบพยากรณราคาสงสดและ

ราคาตำสดของหนงวนในอนาคต

5.5.2.3 สรางแบบจำลองดวยขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษกบขนตอนโครง

ขายประสาทเทยมแบบความแรงของเวลาอยางสม (Empirical Mode Decomposition Stochastic Time Strength Neural

Network) (EMD-STNN) 2 แบบจำลอง เพอพยากรณอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ

USD/THB

โดยทแบบจำลองทหนงใชขอมลอนกรมเวลาของราคาสงสดและมเอาตพต 1 ปมคอราคาสงสดของวนปจจบน

และแบบจำลองทสองใชขอมลอนกรมเวลาของราคาตำสดและมเอาตพต 1 ปมคอราคาตำสดของวนปจจบน และมการตงคาเบอง

ตนดงตารางท 5.3

เหตผลทเราสราง EMD-STNN 2 แบบจำลอง เพราะวาเราตองการรกษาคณสมบตของงานวจยตนแบบไว ในงานวจยตนแบบใช

อนพตเปนอนกรมเวลาของราคาปด และมเอาตพตเปนราคาปดของวนปจจบน งานของเราตองการพยากรณราคาสงสดและราคา

ตำสด จงทำการสราง EMD-STNN 2 แบบจำลอง โดยทแบบจำลองทพยากรณราคาสงสดกจะใชอนพตเปนอนกรมเวลาของราคา

สงสด และแบบจำลองทพยากรณราคาตำสดกจะใชอนพตเปนอนกรมเวลาของราคาตำสด

ตารางท 5.3 แสดงการตงคาเบองตนของแบบจำลองทหนงของขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชง

ประจกษกบขนตอนโครงขายประสาทเทยมแบบความแรงของเวลาอยางสมสำหรบพยากรณราคาสงสดของวนปจจบนหรอราคาตำ

สดของวนปจจบน


อนพต ขอมลยอนหลงตลอด 4 วนทผานมา

การทำใหปกต (normalization) Min-Max Normalization ซงจะไดคาทออกมาอยในชวง [0, 1]

โครงสรางโครงขายประสาทเทยม 4 x จำนวนปมททำใหชดตรวจสอบผดพลาดนอยทสด (คาทใกลเคยงสองเทาของจำนวนปมในชนอนพตบวกหนง) x 1


ฟงกชนกระตนสำหรบชนซอน Sigmoid Function


คานำหนก สมคาจากในชวง (-1, 1)



�E (tn) =1N

N

∑n=1

ρ (tn)(dtn − ytn)2

หนา �21

5.5.2.4 สรางแบบจำลองดวยขนตอนผสมผสานระหวางขอมลแบบสมเชงเวลาทมประสทธภาพกบโครงขายประสาท

เทยมแบบเรเดยลเบซสฟงกชน (Random Data-time Effective Radial Basis Function Neural Network) (RBFRT) 2 แบบ

จำลอง เพอพยากรณอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB




เหตผลทเราสราง RBFRT 2 แบบจำลอง เพราะวาเราตองการรกษาคณสมบตของงานวจยตนแบบไว ในงานวจยตนแบบใชอนพต

เปนราคาปดยอนหลง 4 วน และมเอาตพตเปนราคาปดของวนปจจบน งานของเราตองการพยากรณราคาสงสดและราคาตำสด จง

ทำการสราง RBFRT 2 แบบจำลอง โดยทแบบจำลองทพยากรณราคาสงสดกจะใชอนพตเปนอนกรมเวลาของราคาสงสด และแบบ

จำลองทพยากรณราคาตำสดกจะใชอนพตเปนอนกรมเวลาของราคาตำสด

ตารางท 5.4 แสดงการตงคาเบองตนของแบบจำลองทหนงของขนตอนผสมผสานระหวางขอมลแบบสมเชงเวลาทมประสทธภาพ

กบโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชนสำหรบพยากรณราคาสงสดของวนปจจบนหรอราคาตำสดของวนปจจบน

5.5.3 สรางแบบจำลองดวยโครงขายประสาทเทยมทนำเสนอ 3 ขนตอนวธ เพอพยากรณอตราแลกเปลยนคสกลเงน


5.5.3.1 ดวยขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษ, ขอมลแบบสมเชงเวลาทม

ประสทธภาพ และโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Empirical Mode Decomposition Random Data-time

อนพต ขอมลยอนหลงตลอด 4 วนทผานมา

การทำใหปกต (normalization) Min-Max Normalization ซงจะไดคาทออกมาอยในชวง [0, 1]

โครงสรางโครงขายประสาทเทยม 4 x 15 x 1

อตราการเรยนรของคานำหนก 0.001

อตราการเรยนรของศนยกลาง 0.001

อตราการเรยนรของความกวาง 0.001

ฟงกชนกระตนสำหรบชนซอน Radial Basis Function


คานำหนก สมคาจากในชวง (-0.1, 0.1)

เวกเตอรศนยกลาง สมคาจากในชวง (0, 1)

ความกวาง สมคาจากในชวง (0.1, 0.3)



�E (tn) =1N

N

∑n=1

ρ (tn)(dtn − ytn)2

หนา �22

Effective Radial Basis Function Neural Network) (EMD-RBFRT) 2 แบบจำลอง เพอพยากรณอตราแลกเปลยนของคสกล

เงน EUR/USD, USD/JPY, GBP/USD และ USD/THB




5.5.3.2 ดวยขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษ, การทำใหถกตองของเบส, ขอมล

แบบสมเชงเวลาทมประสทธภาพ และโครงขายประสาทเทยมแบบเรเดยลเบซสฟงกชน (Empirical Mode Decomposition

Bayesian Regularized Random Data-time Effective Radial Basis Function Neural Network) (EMD-BR-RBFRT) 2

แบบจำลอง เพอพยากรณอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB



ตนดงตารางท 5.4 แตใชฟงกคาผดพลาดเปน

5.5.3.3 ดวยขนตอนผสมผสานระหวางการแยกสวนประกอบของรปแบบเชงประจกษ, การทำใหถกตองของเบส และ

โครงขายประสาทเทยมแบบความแรงของเวลาอยางสม (Empirical Mode Decomposition Bayesian Regularized

Stochastic Time Strength Neural Network ) (EMD-BR-STNN) 2 แบบจำลอง เพอพยากรณอตราแลกเปลยนของคสกลเงน




ตนดงตารางท 5.3 แตใชฟงกคาผดพลาดเปน

5.6 วดผล, เปรยบเทยบ และสรปผลทได

5.6.1 วดประสทธภาพของแบบจำลองทง 7 ขนตอนวธดวย คาเฉลยของคาผดพลาดยกกำลงสอง (Mean Squared

Error) (MSE), คาเฉลยของคาคลาดเคลอนสมบรณ (Mean Absolute Error) (MAE), คาเฉลยของรอยละความผดพลาดสมบรณ

(Mean Absolute Percentage Error) (MAPE) และ ระบบจำลองการซอขาย (Trading System)

พจารณาขอมลยอนหลงการซอขายตงแตวนท 12 พฤษภาคม 2548 จนถง 24 เมษายน 2561 เหนวามจำนวนวนทมการ

ซอขายอตราแลกเปลยนทงหมด 3,900 วน ในทนเราจะแบงขอมลทงหมดออกเปนชดขอมลสอนและชดขอมลชดทดสอบโดยม

อตราสวนระหวางชดขอมลสอนและชดขอมลทดสอบเปน 80:20 ซงไดวาขอมลตงแตวนท 1 ถง 3,100 เปนชดขอมลสอนและ

ขอมลตงแตวนท 3,101 ถง 3,900 เปนชดขอมลทดสอบ

E(tn) = βN

∑n=1

ρ(tn)(dtn − ytn)2 + αEW

E(tn) = βN

∑n=1

ρ(tn)(dtn − ytn)2 + αEW

หนา �23

สำหรบขนตอนวธโครงขายประสาทเทยมแบบสงคายอนกลบจะทำการสอนดวยชดขอมลจำนวน 600 วนและทดสอบ

ดวยชดขอมลจำนวน 200 วน เพอใหมการทดสอบประสทธภาพไดเหมอนกบแบบจำลองอนตองมการใชชดทดสอบทเหมอนกนคอ

ตงแตวนท 3,101 ถง 3,900 ดงนนแบงการเรยนออกเปน 4 ครงดงน

ครงท 1 ใชชดขอมลสอนวนท 2,501 ถง 3,100 และใชขอมลทดสอบวนท 3,101 - 3,300




เนองจากผลลพธทไดจากโครงขายประสาทเทยมเปนผลลพธระดบทองถน การวดประสทธภาพของขนตอนวธทง 6 วธจง

ไมสามารถเลอกเฉพาะผลลพธครงใดครงหนงเพอนำมาเปรยบเทยบประสทธภาพกนได ในงานวจยนเราทำการจำลองทกขนตอนวธ

จำนวน 100 ครงและนำประสทธภาพเฉลยของ MSE, MAE, MAPE และ Trading Strategy ของแตละขนตอนวธมาเปรยบเทยบ

กน ในการวดผลเราไมใช K-fold cross validation เพราะใน EMD-STNN, RBFRT, EMD-RBFRT, EMD-BR-RBFRT และ EMD-

BR-STNN มการใหคานำหนกกบแตละจดของขอมลทเกดขนในอนกรมเวลา ดงนนการใช K-fold cross validation จงไมเหมาะ

กบการวดผล

สมการของคาเฉลยของคาผดพลาดยกกำลงสอง (Mean Squared Error) (MSE) บรรยายไดดงสมการท 4.1

(4.1)

สมการของคาเฉลยของคาคลาดเคลอนสมบรณ (Mean Absolute Error) (MAE) บรรยายไดดงสมการท 4.2

(4.2)

สมการของคาเฉลยของรอยละความผดพลาดสมบรณ (Mean Absolute Percentage Error) (MAPE) บรรยายไดดงสมการท 4.3

(4.3)

โดยท



เปนผลตางของเอาตพตเปาหมายและเอาตพตของโครงขายประสาทเทยมท ในตวอยางท ซงสามารถนยามได

ดงสมการท 4.4

(4.4)

โดยท

เปนเอาตพตเปาหมายท ในตวอยางท

เปนเอาตพตของโครงขายประสาทเทยมท ในตวอยางท

E( w ) =1

NK

N

∑n=1

K

∑k=1

e2n,k

E( w ) =1

NK

N

∑n=1

K

∑k=1

|en,k |

E( w ) =1

NK

N

∑n=1

K

∑k=1

|en,k |

tn,k

n 1 N

k 1 K

en,k k n

en,k = tn,k − an,k

tn,k k n

an,k k n

หนา �24

5.6.1.1 สรางระบบจำลองการซอขาย (Trading System) ระบบจำลองการซอขายประกอบดวย 3 สวนหลกไดแก กล

ยทธการลงทน, วธการจดการความเสยง และหลกการบรหารเงน

ระบบจำลองการซอขายในงานวจยนใชราคาปดทกรอบเวลา 15 นาทในการพจารณาการลงทน

ให close เปนราคาปดของกรอบเวลา 15 นาท min เปนราคาตำสดทไดจากการพยากรณ

max เปนราคาสงสดทไดจากการพยากรณ

กลยทธการลงทนสามารถสรปเปนกฎได 6 ขอดงน

1) ซอ เมอ ขาย เมอ

2) ซอ เมอ ขายในนาทสดทายของวน

3) ซอ เมอ ขายทจดหยดการขาดทน

4) ขาย เมอ ซอ เมอ

5) ขาย เมอ ซอในนาทสดทายของวน

6) ขาย เมอ ซอทจดหยดการขาดทน

ระบบจำลองการซอขายมการจดการความเสยงตามและการบรหารเงนคอตงจดหยดขาดทนไวท 0.5% ของเงนในบญช และในการ

ซอขายแตละครงจะซอขายดวยจำนวนเงนทงหมด [1]

5.6.2 สรางตารางเปรยบเทยบประสทธภาพเฉลยของแตละขนตอนวธ

6. ขอบเขตการดำเนนงาน

1. ใชขอมลอตราแลกเปลยนของคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB ตงแตวนท 5 พฤษภาคม

2548 ถง 24 เมษายน 2561 เทานน

2. ทำการวดผลดวยคาเฉลยของคาผดพลาดยกกำลงสอง (Mean Squared Error) (MSE), คาเฉลยคาคลาดเคลอนสมบรณ

(Mean Absulute Error) (MAE), คาเฉลยรอยละความผดพลาดสมบรณ (Mean Absolute Percentage Error)

(MAPE) และระบบจำลองการซอขาย (Trading System) ทมกลยทธการลงทน, วธจดการความเสยง และหลกการ

บรหารเงน ดงกลาวในแนวคดและวธดำเนนงานเทานน

3. ใชขนตอนวธในการพยากรณดงกลาวในแนวคดและวธดำเนนงานเทานน

4. ใชอนพตเปนตวบงชทางเทคนค (Technical Indicator) เทานน

7. ประโยชนทคาดวาจะไดรบ

ไดโครงขายประสาทเทยม (Neural Network) ทเหมาะสมในการพยากรณอตราแลกเปลยนคสกลเงน EUR/USD, USD/JPY, GBP/USD และ USD/THB

close ≤ min , close ≥ m a x

close ≤ min ,

close ≤ min ,

close ≥ m a x , close ≤ min

close ≥ m a x ,

close ≥ m a x ,

หนา �25

8. เอกสารอางอง

[1] Martinez L. C. (2009). From an Artificial Neural Network to a Stock Market Day Trading System: A Case Study

on BM&F Bovespa, IEEE, Atlanta, Georgia, USA.

[2] Ticknor J. L. (2013). A Bayesian regularized artificial neural network for stock market forecasting. Expert

Systems with Applications, 40(14), 5501–5506.

[3] Wang J., & Wang J. (2017). Forecasting stochastic neural network based on financial empirical mode

decomposition. Neural Networks, 90, 8-20.

[4] Niu H., & Wang J. (2014). Financial time series prediction by a random data-time effective RBF neural

network. Soft Computing, 18, 497-508

[5] Artificial Intelligence - Neural Networks. Retrieved April 24, 2018, from https://www.tutorialspoint.com/

artificial_intelligence/artificial_intelligence_neural_networks.htm

[6] Backpropagation. Retrieved April 24, 2018, from https://en.wikipedia.org/wiki/Backpropagation

[7] Kondratenko V. V., & Kuperin Y. A. (2003). Using Recurrent Neural Networks To Forecasting of Forex. St.

Petersburg State University.

[8] A.N. Refenes, A. Zapranis (1994). G. Francis, Stock performance modeling using neural networks: a

comparative study with regression models, Neural Network, 5, 961-970.

[9] Singh M. (2013). 17 Proven Currency Trading Strategies: How to Profit in the Forex Market. John Wiley &

Sons Singapore, 252 p.

[10] Triennial Central Bank Surver of foreign exchange and OTC derivatives markets in 2016. Retrieved May 9,

2018, from https://www.bis.org/publ/rpfx16.htm [11] Wang, J.-Z., Wang, J.-J., Zhang, Z.-G., & Guo, S.-P. (2011). Forecasting stock indices with back propagation

neural network. Expert Systems with Applications, 38(11), 14346–14355.

[12] Kumar, D., & Murugan, S. (2013). Performance analysis of Indian stock market index using neural network

time series model. In International conference on pattern recognition, informatics and mobile engineering

(pp. 72–78). IEEE.

[13] Si, Y.-W., & Yin, J. (2013). OBST-based segmentation approach to financial time series. Engineering

Applications of Artificial Intelligence, 26(10), 2581–2596.

[14] Lee, M.-C. (2009). Using support vector machine with a hybrid feature selection method to the stock

trend prediction. Expert Systems with Applications, 36(8), 10896–10904.

[15] Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying stock market forecasting techniques–Part II: Soft

computing methods. Expert Systems with Applications, 36(3), 5932–5941.

[16] Lu, C. J., Lee, T. S., & Chiu, C. C. (2009). Financial time series forecasting using independent component

analysis and support vector regression. Decision Support Systems, 47(2), 115–125. [17] Tay, F. E., & Cao, L. (2001). Application of support vector machines in financial time series forecasting.

Omega, 29(4), 309–317.

หนา �26

https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_neural_networks.htm

https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_neural_networks.htm

https://en.wikipedia.org/wiki/Backpropagation

[18] Cavalcante R. C., Brasileiro R. C., Souza V. L.F., & Nobrega J. P. (2016). Computational Intelligence and

Financial Markets- A Survey and Future Directions. Expert System With Applications, 55, 194-211.

[19] Yao J., & Tan C. L. (2000). A case study on using neural networks to perform technical forecasting of forex.

Neurocomputing, 34, 79-98.

[20] Forsee F. D., & Hagan M. T. (1997). Gauss-Newton approximation to bayesian learning. In IEEE international

conference on neural networks (Vols. 1–4, pp. 1930–1935). Houston, TX, USA, http://dx.doi.org/10.1109/ICNN.

1997.614194.

[21] Liao Z., & Wang J. (2010). Forecasting model of global stock index by stochastic time effective neural

network. Expert Systems with Applications, 37, 834-841.

[22] Liu F., & Wang J. (2012). Fluctuation prediction of stock market index by Legendre neural network with

random time strength function. Neurocomputing, 83, 12-21.

[23] Wang J., & Wang J. (2015). Forecasting stock market indexes using principle component analysis and

stochastic time effective neural networks, Neurocomputing, 156, 68-78.

[24] Mahadevan S., Chandar S. K., & Sivanandam S. N. (2016). Prediction of Stock Market Price using Hybrid of

Wavelet Transform and Artificial Neural Network, Indian Journal of Science and Technology, 9(8).

[25] Boonserm K. (2005). Artificial Intelligence. Retrieved April 24, 2018, from https://www.cp.eng.chula.ac.th/

~boonserm/teaching/ai1.0.2.pdf

[26] Marquardt D. W. (1963). An algorithm for least-squares estimation of nonlinear parameters. Journal of the

Society for Industrial and Applied Mathematics. 11(2), 431-441.

[27] David J. C. Mackay (1992). Bayesian Interpolation. Neural Computation, 4, 415-447

[28] Yu H., & Wilamowski B. M. (2010). Levenberg-Marquardt Training. Auburn University.

[29] Watson G. A. (1997). Numerical Analysis. Springer-Verlag New York Heidelberg Berlin, 213 p.

[30] Hagan M. T., & Menhaj M. B. (1994). Training feedforward networks with the Marquardt algorithm. in IEEE

transactions on neural network (Vols. 5, No. 6, pp. 989-993).

[31] Suratgar A. A., Tavakoli M. B., & Hoseinabadi A. (2005). Modified Levenberg-Marquardt method for neural

networks training. World Academy of Science, Engineering and Technology, 6.

[32] Shi A. (2010). Stochastic Process and their Applications in Financial Pricing.

[33] Wang J., & Wang J. (2016). Forecasting energy market indices with recurrent neural networks: Case study

of crude oil price fluctuations. Energy, 102, 365-374

[34] Nikfarjam A., Emadzadeh E., & Muthaiyah S. (2010). Text mining approaches for stock market prediction. In

International conference on computer and automation engineering (pp. 256–260). IEEE.

[35] Wang, B., Huang, H., & Wang, X. (2012). A novel text mining approach to financial time series forecasting.

Neurocomputing, 83, 136–145.

[36] Schumaker, R. P., Zhang, Y., Huang, C.-N., & Chen, H. (2012). Evaluating sentiment in financial news

articles. Decision Support Systems, 53(3), 458–464.

หนา �27

[37] G. Gidofalvi, Using News Articles to Predict Stock Price Movements, Department of Computer Science and

Engineering, University of California, San Diego, 2001.

[38] Groth, S. S., & Muntermann, J. (2011). An intraday market risk management approach based on textual

analysis. Decision Support Systems, 50(4), 680–691.

[39] V.Lavrenko,M.Schmill,etal.,Language models for financial news recommendation, International

Conference on Information and Knowledge Management, Washington, DC, 2000.

[40] Nassirtoussi, A. K., Aghabozorgi, S., Wah, T. Y., & Ngo, D. C. L. (2015). Text mining of news-headlines for

FOREX market prediction: A Multi-layer Dimension Reduc- tion Algorithm with semantics and sentiment.

Expert Systems with Applications, 42(1), 306–324.

หนา �28

Documents

(THESIS PROPOSAL) ภาษาไทย · ชื่อเรื่อง (ภาษาไทย ) โครงข่ายประสาทเทียมสำหรับพยากรณ์ราคาสูงสุดและราคาต่ำสุดบนตลาด