การทำนายแนวโน้มราคา Forex โดยใช้ Convolutional neural network

Forex price trend prediction using convolutional neural network

Name: วรากร เลื่องลือวุฒิ

ThaSH: มหาวิทยาลัยเกษตรศาสตร์ -- วิทยานิพนธ์. วศ.ม. (วิศวกรรมไฟฟ้า) 2565

Classification :.LCCS: QA76.87

ThaSH: มหาวิทยาลัยเกษตรศาสตร์. สาขาวิศวกรรมไฟฟ้า -- วิทยานิพนธ์

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

ThaSH: การวิเคราะห์อนุกรมเวลา

ThaSH: ปริวรรตเงินตรา

ThaSH: ฟอเร็กซ์

ThaSH: ตลาดเงินตราต่างประเทศ

ThaSH: อัตราแลกเปลี่ยนล่วงหน้า

Abstract: การแลกเปลี่ยนเงินตราต่างประเทศ (Forex) เป็นการลงทุนที่น่าสนใจ กำไรจากการซื้อขาย Forex เช่นการซื้อขายหุ้น มาจากส่วนต่างระหว่างราคาซื้อและราคาขาย ซึ่งสามารถรับรู้ได้จากแนวโน้มของอัตราแลกเปลี่ยน เป้าหมายของเราคือการทำนายทิศทางแนวโน้มจากชุดอัตราแลกเปลี่ยนล่าสุดโดยใช้แบบจำลองการเรียนรู้เชิงลึกอย่างง่าย อนุกรมเวลาของราคา Forex จะถูกแปลงเป็นภาพซึ่งใช้เป็นอินพุตของเครือข่ายประสาทเทียม ป้ายบอกแนวโน้มขาขึ้น/ขาลงของราคา Forex รับรู้โดยใช้กลยุทธ์ Martingale โมเดลได้รับการฝึกฝนโดยใช้ข้อมูลราคาเปิดของ EUR/USD 2013 และ 2015 สำหรับการทดสอบประสิทธิภาพ เราใช้ตัวอย่าง 26 นาทีเริ่มต้นของเหตุการณ์แนวโน้มขาขึ้น/ขาลงตั้งแต่ EUR/USD 2016-2018 และ 2020 ข้อมูลราคาเปิดและได้ความแม่นยำ 93% เพื่อแสดงประโยชน์ในการซื้อขาย อัลกอริทึมการซื้อขายอย่างง่ายได้จำลองขึ้นโดยใช้แบบจำลองของเราและตัวบ่งชี้แนวโน้มทั่วไปสำหรับ EUR/USD 2013/2015-2018/2020 และ GBP/USD 2020 ในกรณีส่วนใหญ่ อัลกอริทึมการซื้อขายที่ใช้แบบจำลองของเราได้รับผลกำไรสูงกว่าการใช้เทคนิคอื่นๆ ประมาณ 6%-422% ดังนั้น หากใช้โมเดลที่เราเสนออย่างถูกต้อง อาจให้ผลกำไรจำนวนมากในการเทรด Forex Foreign exchange (Forex) currency trading is an attractive investment. Real profits from the Forex trading, like stock trading, come from differences between buying prices and selling prices, which can be recognized by exchange rate trends. Our goal is to predict a trend direction from the most recent set of exchange rates using a simple deep-learning model. The Forex price time series is converted to an image which is used as an input of a convolution neural network. Uptrend/downtrend labels of Forex prices were recognized using Martingale strategy. The model was trained using EUR/USD 2013 and 2015 open price data. For testing performances, initial 26-minute samples of uptrend/downtrend events from EUR/USD 2016- 2018 and 2020 open price data were used and 93% accuracy is achieved. To show trading benefits, a simple trading algorithm was simulated using our model and common trend indicators for EUR/USD 2013/2015-2018/2020 and GBP/USD 2020. In most cases, the trading algorithm using our model gained profits about 6% -422% higher than those using other techniques. Therefore, our proposed model, if used correctly, may provide substantial profits in Forex trading

มหาวิทยาลัยเกษตรศาสตร์. สำนักหอสมุด

Address: กรุงเทพมหานคร

Email: tdckulib@ku.ac.th

Name: พันศักดิ์ เทียนวิบูลย์

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก

Created: 2565

Modified: 2569-06-22

Issued: 2569-06-22

วิทยานิพนธ์/Thesis

application/pdf

URL: https://www.lib.ku.ac.th/KUthesis/2565/warakorn-lua-all.pdf

CallNumber: QA76.87.ว171

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมไฟฟ้า

Grantor: มหาวิทยาลัยเกษตรศาสตร์

©copyrights มหาวิทยาลัยเกษตรศาสตร์

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	warakorn-lua-all.pdf	2.81 MB

ใช้เวลา

0.038276 วินาที