|
การจัดการค่าว่างช่วงวันหยุดในข้อมูลราคาหุ้นด้วยการเลือกเทคนิคการประมาณค่าในช่วงตามสภาวะตลาด |
|---|---|
| รหัสดีโอไอ | |
| Title | การจัดการค่าว่างช่วงวันหยุดในข้อมูลราคาหุ้นด้วยการเลือกเทคนิคการประมาณค่าในช่วงตามสภาวะตลาด |
| Creator | จิดาภา เมฆอ่อน |
| Contributor | ปกป้อง ส่องเมือง, ที่ปรึกษา |
| Publisher | มหาวิทยาลัยธรรมศาสตร์ |
| Publication Year | 2568 |
| Keyword | การพยากรณ์ราคาหุ้น, ข้อมูลอนุกรมเวลา, ข้อมูลขาดหาย, การประมาณค่าในช่วง, การเรียนรู้ของเครื่อง, Stock price forecasting, Time series data, Missing data imputation, Interpolation methods, Machine learning |
| Abstract | งานวิจัยนี้มุ่งศึกษาการพยากรณ์ราคาหุ้นในรูปแบบข้อมูลอนุกรมเวลา (Time Series) โดยมุ่งแก้ปัญหาความไม่ต่อเนื่องของข้อมูลที่เกิดจากวันหยุดทำการของตลาดหลักทรัพย์ ซึ่งส่งผลให้ข้อมูลในลำดับเวลาขาดหายไปและอาจกระทบต่อประสิทธิภาพของแบบจำลองพยากรณ์ จากการศึกษางานวิจัยที่ผ่านมา พบว่ามีการประยุกต์ใช้วิธีการประมาณค่าในช่วง (Interpolation) เพื่อเติมข้อมูลราคาหุ้นที่ขาดหายไปก่อนนำไปพัฒนาและทดสอบแบบจำลอง อย่างไรก็ตาม งานวิจัยส่วนใหญ่ยังใช้วิธีการเติมข้อมูลเพียงรูปแบบเดียวตลอดทั้งชุดข้อมูล โดยไม่ได้คำนึงถึงความแตกต่างของสภาวะตลาดและพฤติกรรมราคาหุ้นในแต่ละช่วงเวลา จึงอาจทำให้ค่าที่ประมาณได้ไม่สอดคล้องกับการเคลื่อนไหวของราคาหุ้นภายใต้สภาวะตลาดที่แตกต่างกันเพื่อแก้ไขข้อจำกัดดังกล่าว งานวิจัยนี้จึงนำเสนอวิธีการจัดการข้อมูลที่ขาดหายไปใน ช่วง วัน หยุด ของ ข้อมูล ราคา หุ้น ด้วย การ เลือก เทคนิค การ ประมาณ ค่า ใน ช่วง ตาม สภาวะ ตลาด(Handling Missing Values in Stock Price Data During Holidays by Selecting InterpolationTechniques Based on Market Conditions) โดยแบ่งข้อมูลออกเป็นช่วงละ 60 วัน เพื่อวิเคราะห์และจำแนกสภาวะตลาดออกเป็น 4 รูปแบบ ได้แก่ ขาขึ้น (Uptrend) ขาลง (Downtrend) ไร้ทิศทาง(Sideway) และผันผวน (Volatile) การจำแนกสภาวะตลาดอาศัยการวิเคราะห์ค่าทางสถิติพื้นฐานได้แก่ ค่าเฉลี่ย (Mean) มัธยฐาน (Median) และส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) ร่วมกับการแบ่งระดับความผันผวนด้วยค่าเปอร์เซ็นไทล์ (Percentile) และการวิเคราะห์แนวโน้มด้วยสมการถดถอยเชิงเส้น (Linear Regression) เพื่อเลือกเทคนิคการประมาณค่าที่เหมาะสมกับแต่ละสภาวะตลาดการประเมินประสิทธิภาพดำเนินการโดยเปรียบเทียบข้อมูล 2 รูปแบบ ได้แก่(1) ชุดข้อมูลดั้งเดิมที่มีเฉพาะวันซื้อขาย และ (2) ชุดข้อมูลที่เพิ่มวันหยุดตามปฏิทินตลาดหลักทรัพย์และ เติม ข้อมูล ที่ ขาด หาย ไป ด้วย วิธี ที่ เสนอ จาก นั้น นำ ข้อมูล ไป พัฒนา แบบ จำลอง การ เรียน รู้ของเครื่องจำนวน 9 แบบ ได้แก่ Linear Regression, Ridge Regression, Lasso Regression, KNearest Neighbors (KNN), Decision Tree Regression, Random Forest Regression, GradientBoosting Regression, Support Vector Regression (SVR) และ XGBoost Regression ผล การ ทดลอง แสดง ให้ เห็น ว่า วิธี ที่ เสนอ สามารถ ลด ค่า ความคลาด เคลื่อน ของ การพยากรณ์ ได้ อย่าง ต่อ เนื่อง ใน หลาย แบบ จำลอง และ หลาย กลุ่ม หุ้น โดย ลด ค่า RMSE ได้ ร้อย ละ15.761–21.349 และลดค่า MAE ได้ร้อยละ 18.323–26.595 เมื่อเปรียบเทียบกับชุดข้อมูลดั้งเดิมทั้งนี้ Random Forest Regression, Decision Tree Regression และ Support Vector Regression(SVR) เป็นแบบจำลองที่ให้ผลการปรับปรุงสูงที่สุด ขณะที่แบบจำลองเชิงเส้นและแบบจำลองเชิงกลุ่ม (Ensemble) อื่น ๆ ก็มีประสิทธิภาพดีขึ้นอย่างสม่ำเสมอ นอกจากนี้ แนวทางที่เสนอสามารถประยุกต์ใช้ได้กับหุ้นหลายประเภท ได้แก่ หุ้นมั่นคง (Stalwarts) หุ้นวัฏจักร (Cyclicals) หุ้นเติบโตสูง(Fast Growers) และหุ้นฟื้นตัว (Turnarounds) สะท้อนให้เห็นว่าการเลือกเทคนิคการประมาณค่าในช่วงให้สอดคล้องกับสภาวะตลาดช่วยเพิ่มความต่อเนื่องของข้อมูลและยกระดับประสิทธิภาพของการพยากรณ์ราคาหุ้นได้อย่างมีประสิทธิผล |
