การวิเคราะห์ข้อมูลอนุกรมเวลาราคาหุ้นร่วมกับข่าวองค์กรด้วยการเรียนรู้เชิงลึก

Analysis of stock prices time series combined with corporate news using deep learning

Name: สุกัญชลิกา บุญมาธรรม

ThaSH: การวิเคราะห์อนุกรมเวลา

ThaSH: การเรียนรู้เชิงลึก (การเรียนรู้ของเครื่อง)

ThaSH: ภาษาศาสตร์คอมพิวเตอร์

ThaSH: การประมวลผลภาษาธรรมชาติ (วิทยาการคอมพิวเตอร์)

ThaSH: หุ้นและการเล่นหุ้น -- พยากรณ์

ThaSH: ดัชนีราคาหลักทรัพย์

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

Abstract: ดัชนีราคาหุ้นเป็นเครื่องมือที่บ่งชี้ระดับราคาและแนวโน้มของตลาดหุ้น ซึ่งมีปัจจัยหลายด้าน ที่ส่งผลกระทบต่อความผันผวนของราคาหุ้น ซึ่งยากต่อการวิเคราะห์สัญญาณการซื้อขายหุ้นได้อย่างเหมาะสม งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ข้อมูลอนุกรมเวลาราคาหุ้นร่วมกับข่าวองค์กรที่ใช้ทำนายแนวโน้มของราคาหุ้น และเปรียบเทียบประสิทธิภาพแบบจำลอง การเรียนรู้เชิงลึกเทียบกับแบบจำลองในรูปแบบดั้งเดิม ชุดข้อมูลที่ใช้มุ่งเน้นที่ข่าวองค์กรและข้อมูลหุ้นทางการเงิน โดยคัดเลือกจากองค์กรที่ได้จากหุ้นกลุ่มอุตสาหกรรมและหมวดธุรกิจของตลาดหลักทรัพย์แห่งประเทศไทย จำนวน 8 องค์กร ในการทดลองได้ใช้แบบจำลองการเรียนรู้ของเครื่องแบบดั้งเดิม ได้แก่ โครงข่ายซัพพอร์ตเวกเตอร์แมชีน และโครงข่ายประสาทเทียมแบบหลายชั้น และแบบจำลองการเรียนรู้เชิงลึก ได้แก่ โครงข่ายหน่วยความจำระยะสั้นแบบยาว โครงข่ายหน่วยเวียนกลับแบบมีประตู โครงข่ายหน่วยความจำระยะสั้นแบบยาวสองทิศทาง และโครงข่ายหน่วยเวียนกลับแบบมีประตูสองทิศทาง สำหรับการจำแนกสัญญาณการซื้อขายหุ้นรายวันได้เป็นสามประเภท ได้แก่ ซื้อ ขาย และถือครอง ซึ่งผลจากการทดลองพบว่าประสิทธิภาพของแบบจำลองการเรียนรู้เชิงลึก BiGRU ให้ค่าความถูกต้อง (0.93) ค่าความแม่นยำ (0.93) ค่าความระลึก (0.93) ค่าความถ่วงดุล (0.92) ได้ดีกว่าประสิทธิภาพของแบบจำลองในรูปแบบดั้งเดิม และสามารถนำแบบจำลองไปประยุกต์ใช้วิเคราะห์แนวทางการลงทุนเบื้องต้นเพื่อหาผลตอบแทนการลงทุนได้

Abstract: A stock price index is a tool that indicates the price level and trends of the stock market. Many factors affect the volatility of the stock price. Therefore, accurate analysis of stock trading signals is challenging. This research aims to develop a forecasting model for stock price time series data combined with corporate news to predict stock price trends and to compare the performance of the deep learning model with the traditional machine model. The dataset focuses on corporate news and financial stock data by selecting eight corporates gathered from stocks in the Thai Industry Group Index and Sector Index (SET). The experiment used traditional machine learning models, namely Support Vector Machine and Multilayer Perceptron, and Deep learning models: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional Long Short-Term Memory (BiLSTM) and Bidirectional Gated Recurrent Unit (BiGRU) for classifying daily stock trading signals into three classes: buy, sell, and hold. The result showed that the deep learning model performance provides better accuracy (0.93), precision (0.93), recall (0.93), and F1-score (0.92) than traditional machine learning models. Moreover, the model is applied to analyze initial investment approaches to find investment returns.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: พยุง มีสัจ

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : phayung.m@it.kmutnb.ac.th

Created: 2565

Modified: 2568-08-26

Issued: 2566-11-15

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: เทคโนโลยีสารสนเทศ

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17619439.pdf	92.3 MB

ใช้เวลา

0.033212 วินาที