(thesis proposal) ภาษาไทย · ชื่อเรื่อง (ภาษาไทย )...
Post on 18-Oct-2020
12 Views
Preview:
TRANSCRIPT
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 krinnirk1151@gmail.com
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
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
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
เปนเวกเตอรคานำหนกในรอบท
เปนเวกเตอรคานำหนกในรอบท
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
ซงนยาม และ ไดสมการท 3.21 และ 3.22 ตามลำดบ
(3.21)
(3.22)
โดยท
เปน สมประสทธความแรงของเวลา (Time Strength Coefficient)
เปน ฟงกชนแนวโนม (Drift Function)
เปน ฟงกชนความผนผวน (Volatility Function)
เปน การเคลอนทแบบไรทศทาง (Standard Brownian Motion)
ซงนยาม และ ไดสมการท 3.23 และ 3.14 ตามลำดบ
(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
อตราการเรยนร 0.001
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
เงอนไขหยดสอน จำนวนรอบการสอนมากกวาจำนวนรอบทกำหนด หรอ คาของฟงกชนคาผดพลาดนอยกวาคาทกำหนด
อนพต ขอมลยอนหลงตลอด 4 วนทผานมา
การทำใหปกต (normalization) Min-Max Normalization ซงจะไดคาทออกมาอยในชวง [0, 1]
โครงสรางโครงขายประสาทเทยม 4 x จำนวนปมททำใหชดตรวจสอบผดพลาดนอยทสด (คาทใกลเคยงสองเทาของจำนวนปมในชนอนพตบวกหนง) x 1
อตราการเรยนร 0.001
ฟงกชนกระตนสำหรบชนซอน Sigmoid Function
ฟงชนกระตนสำหรบชนเอาตพต Identity Map
คานำหนก สมคาจากในชวง (-1, 1)
ฟงกชนคาผดพลาด
เงอนไขหยดสอน จำนวนรอบการสอนมากกวาจำนวนรอบทกำหนด หรอ คาของฟงกชนคาผดพลาดนอยกวาคาทกำหนด
�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
โดยทแบบจำลองทหนงใชขอมลอนกรมเวลาของราคาสงสดและมเอาตพต 1 ปมคอราคาสงสดของวนปจจบน
และแบบจำลองทสองใชขอมลอนกรมเวลาของราคาตำสดและมเอาตพต 1 ปมคอราคาตำสดของวนปจจบน และมการตงคาเบอง
ตนดงตารางท 5.4
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
EUR/USD, USD/JPY, GBP/USD และ USD/THB
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
ฟงชนกระตนสำหรบชนเอาตพต Identity Map
คานำหนก สมคาจากในชวง (-0.1, 0.1)
เวกเตอรศนยกลาง สมคาจากในชวง (0, 1)
ความกวาง สมคาจากในชวง (0.1, 0.3)
ฟงกชนคาผดพลาด
เงอนไขหยดสอน จำนวนรอบการสอนมากกวาจำนวนรอบทกำหนด หรอ คาของฟงกชนคาผดพลาดนอยกวาคาทกำหนด
�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
โดยทแบบจำลองทหนงใชขอมลอนกรมเวลาของราคาสงสดและมเอาตพต 1 ปมคอราคาสงสดของวนปจจบน
และแบบจำลองทสองใชขอมลอนกรมเวลาของราคาตำสดและมเอาตพต 1 ปมคอราคาตำสดของวนปจจบน และมการตงคาเบอง
ตนดงตารางท 5.4
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
โดยทแบบจำลองทหนงใชขอมลอนกรมเวลาของราคาสงสดและมเอาตพต 1 ปมคอราคาสงสดของวนปจจบน
และแบบจำลองทสองใชขอมลอนกรมเวลาของราคาตำสดและมเอาตพต 1 ปมคอราคาตำสดของวนปจจบน และมการตงคาเบอง
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
EUR/USD, USD/JPY, GBP/USD และ USD/THB
โดยทแบบจำลองทหนงใชขอมลอนกรมเวลาของราคาสงสดและมเอาตพต 1 ปมคอราคาสงสดของวนปจจบน
และแบบจำลองทสองใชขอมลอนกรมเวลาของราคาตำสดและมเอาตพต 1 ปมคอราคาตำสดของวนปจจบน และมการตงคาเบอง
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
ครงท 2 ใชชดขอมลสอนวนท 2,701 ถง 3,300 และใชขอมลทดสอบวนท 3,301 - 3,500
ครงท 3 ใชชดขอมลสอนวนท 2,901 ถง 3,500 และใชขอมลทดสอบวนท 3,501 - 3,700
ครงท 4 ใชชดขอมลสอนวนท 3,101 ถง 3,700 และใชขอมลทดสอบวนท 3,701 - 3,900
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
เปนดชนของตวอยางมคาตงแต ถง
เปนดชนของตวอยางมคาตงแต ถง
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
[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
top related