การเปรียบเทียบเทคนิคอนุกรมเวลาเพื่อพยากรณ์ราคาทองและราคานํ้ามัน

Comparison of Time Series Techniques for Predicting Gold and Oil Prices

Name: วิบล ญึก

Name: จารี ทองคำ

keyword: ราคานํ้ามัน

; ราคาทอง

; เทคนิคอนุกรมเวลา

; Oil Prices;;

; Gold Prices

; Time Series Techniques

Abstract: การพยากรณ์ราคาทองคําและราคานํ้ามันจากการอ้างอิงราคาตลาดโลกนั้นเป็นงานวิจัยที่ท้าทายโดยการพยากรณ์ราคาทองและราคานํ้ามันที่ถูกต้องหรือใกล้เคียงกับราคาจริงที่สุดนั้นจะทําให้เกิดประโยชน์อย่างยิ่งต่อนักลงทุนปัจจุบันเทคนิคอนุกรมเวลาเข้ามามีบทบาทในการพยากรณ์ข้อมูลที่จะเกิดขึ้นในอนาคตดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของแบบจําลองในการพยากรณ์ราคาทองคําและราคานํ้ามันโดยใช้ข้มูลราคาทองคําและราคานํ้ามันดิบตั้งแต่วันที่ 2 มกราคมพ.ศ. 2546 ถึงวันที่ 30 ธันวาคมพ.ศ. 2559 ในงานวิจัยนี้ 6 เทคนิคที่มีประสิทธิภาพในการสร้างแบบจําลองเพื่อการพยากรณ์คือLinear Regression (LR), Multi-Layer Perceptron (MLP), Radial Basis Function (RBF), Reduced Error Pruning Tree (REPT) Support Vector Machine Regression (SVMR) และ Sequential Minimal Optimization Regression (SMOR) ได้ถูกนํามาเปรียบเทียบประสิทธิภาพในการทดสอบประสิทธิภาพของแบบจําลองSliding Windows ได้ถูกนํามาใช้ในการแบ่งกลุ่มข้อมูลเป็นชุดข้อมูลเรียนรู้และชุดข้อมูลทดสอบ 13 รอบของSliding Windowsถูกนํามาใช้เพื่อลดความแปรปรวนของผลการทดลองค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (Mean Absolute Error: MAE) และRoot Mean Square Error (RMSE) ได้ถูกนํามาใช้ในการวัดประสิทธิภาพของแบบจําลองจากการศึกษาพบว่าเทคนิค SMOR มีประสิทธิภาพในการพยากรณ์ราคาทองคําและราคานํ้ามันที่มีคาMAEตํ่าสุดถึง14.21±5.35 และ 1.65±0.75

Abstract: Forecasting oil and gold prices from a word market prices reference is a challenging research task. By accurately forecasting the price of gold, it is especially useful for investors. Time series techniques play a role in predicting future time series data. Therefore, this research aims to compare performance of time series techniques for predicting gold and crude oil prices. The data were collected from 2 January 2003 to 30 December 2016. In this research, six techniques including Linear Regression (LR), Multi-Layer Perceptron (MLP), Radial Basis Function (RBF), Reduced Error Pruning Tree (REPT), Support Vector Machine Regression (SVMR) and Sequential Minimal Optimization Regression (SMOR) were used. Sliding Windows was used to divide data into learning and testing sets. 13 rounds of sliding windows were used to reduce the variance of experiment results. Moreover, Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) were used to evaluate the performance of the model. This study found that the SMOR technique is eff ective in forecasting gold and oil prices with the lowest MAE values at 14.21±5.35 and 1.65±0.75.

มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน. สำนักวิทยบริการและเทคโนโลยีสารสนเทศ

Address: นครราชสีมา

Email: kitiya.ni@rmuti.ac.th

Created: 2561

Modified: 2566-03-10

Issued: 2566-03-10

บทความ/Article

application/pdf

วารสาร มทร.อีสาน ฉบับวิทยาศาสตร์และเทคโนโลยี ปีที่ 11 ฉบับที่ 2 พฤษภาคม - สิงหาคม 2561

1906-215X

tha

©copyrights มหาวิทยาลัยเทคโนโลยีราชมงคล อีสาน

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	RMUTI_Ratima_Art26.pdf	1.64 MB	1	2025-07-31 14:24:03

ใช้เวลา

0.030528 วินาที