การพยากรณ์มูลค่าทรัพย์สินสุทธิกองทุนรวมในกลุ่มธุรกิจการดูแลสุขภาพโดยใช้การเรียนรู้ของเครื่อง

Predicting mutual fund net asset value in health care sector using machine learning

Name: อนุวัฒน์ บุญประสพ

ThaSH: กองทุนรวม

ThaSH: การลงทุน

ThaSH: การลงทุน -- การบริหารความเสี่ยง

ThaSH: การเรียนรู้ของเครื่อง

Abstract: การลงทุนในกองทุนรวม เป็นหนึ่งในผลิตภัณฑ์ทางการเงินที่เป็นที่นิยมอย่างมากสำหรับผู้ที่ต้องการวางแผนการเงินในระยะยาว และเพื่อเป็นทุนสำรองเพื่อการเลี้ยงชีพ เนื่องจากเป็นทางเลือกการลงทุนที่เหมาะสมในระยะยาวและให้ผลตอบแทนที่ค่อนข้างเหมาะสม จากสถานการณ์การแพร่ระบาดของโรคโควิด-19 ที่ผ่านมาส่งผลเกิดสภาวะเศรษฐกิจถดถอยในประเทศไทยเป็นอย่างมากซึ่งส่งผลกระทบต่อกลุ่มอุตสาหกรรมและธุรกิจหลากหลายกลุ่มมาก อย่างไรก็ตามกลุ่มธุรกิจอุตสาหกรรมธุรกิจการแพทย์ (Healthcare Sector) กลับมีการเติบโตอย่างต่อเนื่องทั้งก่อนและหลังสถานการณ์โควิด อันเนื่องมากจากการเปลี่ยนพฤตกรรมของผู้บริโภคและการก้าวเข้าสู่สังคมผู้สูงอายุอย่างสมบูรณ์ ทำให้การลงทุนในหลักทรัพย์โดยเฉพาะกองทุนรวมในหมวดอุตสาหกรรมและธุรกิจการแพทย์นั้นจึงเป็นทางเลือกที่มีความน่าสนใจอย่างมาก ทำให้การศึกษาการพยากรณ์ราคาในอนาคตสามารถเป็นหนึ่งในเครื่องมือที่ช่วยตัดสินใจ ประเมินและบริหารความเสี่ยงการลงทุนได้เป็นอย่างดี อย่างไรก็ตามงานการศึกษาการพยากรณ์ราคาหลักทรัพย์ที่ผ่านมานั้นจะใช้เพียงข้อมูลราคาการซื้อขายในอดีตเพื่อใช้ในการพยากรณ์ไปในอนาคตเท่านั้น ซึ่งในความเป็นจริงย่อมมีปัจจัยอื่นๆ ที่ส่งผลต่อการขึ้นลงของราคาเช่นเดียวกัน งานวิจัยชิ้นนี้จึงได้นำเสนอการศึกษาการพยากรณ์ราคากองทุนกลุ่มอุตสาหกรรมและธุรกิจการแพทย์ โดยใช้ข้อมูลปัจจัยต่าง ๆ ที่ส่งผลและมีอิทธิพลต่อการขึ้นลงของราคา ผ่านการทบทวนวรรณกรรม โดยนำเสนอการใช้แบบจำลองตระกูลการเรียนรู้เชิงลึก (Deep Learning: DL) คือโครงข่ายประสาทเทียม (Artificial Neural Network) และความจำระยะสั้นยาว (Long-Short Term Memory), แบบจำลองตระกูลการเรียนรู้ของเครื่อง (Machine Learning: ML) และแบบจำลองทางสถิติอนุกรมเวลา (Time Series Model) คือซารีแม็ก (SARIMAX) โดยศึกษาจาก 6 กองทุนในประเทศไทย ผลจากการศึกษาพบว่าการใช้ข้อมูลปัจจัยต่าง ๆ นั้นสามารถพยากรณ์ราคาในอนาคตได้มีประสิทธิภาพเช่นเดียวกัน โดยที่แบบจำลองทางสถิติสามารถทำนายได้ประสิทธิภาพที่ใกล้เคียงกับ DL และสามารถทำนายได้มีประสิทธิภาพกว่า ML นอกจากนี้งานวิจัยนี้ยังได้มีการนำเสนอตัวอย่างการใช้งานแบบจำลองดังกล่าวเพื่อประเมินและบริหารความเสี่ยงร่วมกับการใช้งานแบบจำลองทางสถิติอนุกรมเวลา Vector Autoregressive (VAR) ซึ่งผลลัพธ์ชี้ให้เห็นว่าแนวโน้มของการทำนายและราคาจริงนั้นไปในทิศทางเดียวกัน

Abstract: Investing in mutual funds is one of the most popular financial products for individuals seeking long-term financial planning and establishing a retirement fund. This is because it is a suitable investment option for the long term and provides relatively favorable returns. The recent COVID-19 pandemic has significantly impacted the economic downturn in Thailand, affecting various industries and businesses. However, the healthcare sector has continued to grow steadily both before and after the COVID situation. This growth is largely attributed to changes in consumer behavior and the aging population, making investments in securities, particularly mutual funds in the healthcare sector, highly appealing. Therefore, studying price forecasting can be a useful tool for decision-making, evaluating, and managing investment risks effectively. However, it is important to note that previous studies on security price forecasting often rely solely on historical trading data for future predictions, disregarding other influencing factors affecting price fluctuations. This study, therefore, proposes a study on forecasting mutual fund prices in the industrial and healthcare sectors by incorporating various influential factors through a literature review. The study utilizes Deep Learning (DL) models, specifically Artificial Neural Networks and Long-Short Term Memory (LSTM), Machine Learning (ML) models, including Support Vector Regression, and statistical time series models, including Seasonal Autoregressive Integrated Moving Average with exogenous variables (SARIMAX). The study focuses on six mutual funds in Thailand. The findings reveal that incorporating various influential factors significantly enhances the accuracy of price forecasting. Statistical models demonstrate comparable forecasting efficiency to DL models and outperform ML models. Furthermore, the research illustrates the practical application of these models for risk assessment and management, particularly in conjunction with the Vector Autoregressive (VAR) time series model. The results indicate a consistent trend between predicted and actual prices.

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: กรกฎ ใยบัวเทศ ทิพยาวงศ์

Role: อาจารย์ที่ปรึกษา

Created: 2567

Modified: 2567-10-20

Issued: 2567-09-22

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมอุตสาหการ

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	650631018.pdf	22.23 MB	13	2026-05-26 18:16:01

ใช้เวลา

0.028147 วินาที