การจำลองดัชนี SET50 แห่งประเทศไทยด้วย แบบจำลองมาร์คอฟซ่อนเร้นผสมแบบเกาส์หลายตัวแปร
Article Sidebar
Main Article Content
บทคัดย่อ
การลงทุนในตลาดทุนจำเป็นต้องพิจารณาทั้งอัตราผลตอบแทนและความเสี่ยงที่เกิดกับการลงทุน การจำลองการแจกแจงราคาของสินทรัพย์ในช่วงเวลาข้างหน้าเป็นประโยชน์ต่อนักลงทุนเพราะสามารถทำนายทั้งอัตราผลตอบแทนและความเสี่ยงที่อาจเกิดขึ้น บทความนี้นำแบบจำลองมาร์คอฟซ่อนเร้นผสมแบบเกาส์ชนิดหลายตัวแปรมาจำลองดัชนี SET50 รายวันตั้งแต่ต้นเดือน ธ.ค. 2564 ถึงปลายเดือน ม.ค. 2567 โดยผลลัพธ์ที่สังเกตได้ซึ่งอยู่ในรูปแบบอนุกรมเวลาเป็นเวกเตอร์สามมิติของอัตราผลตอบแทนที่วัดจากราคาเปิดไปยังราคาปิดราคาสูงสุดและราคาต่ำสุดภายในวันเดียวกัน งานวิจัยนี้เปรียบเทียบการแจกแจงดัชนีราคาวันสุดท้าย ซึ่งจำลองตามแบบจำลองมาร์คอฟซ่อนเร้นผสมแบบเกาส์ชนิดหลายตัวแปรกับชนิดตัวแปรเดียว ผลการจำลองดัชนีราคาในหนึ่งปีข้างหน้าจำนวน 100,000 เส้นทาง ยืนยันความถูกต้องในผลการทำนายดัชนี SET50 โดยค่า MAPE ของแบบจำลองมาร์คอฟซ่อนเร้นผสมแบบเกาส์ชนิดหลายตัวแปรมีค่าเพียง 1.7409 เทียบกับ 2.7261 ของแบบจำลองชนิดตัวแปรเดียวการทดสอบ Wilcoxon Rank Sum ยืนยันการแจกแจงที่ต่างกันในดัชนีที่จำลองขึ้นทั้งสองแบบด้วย p-value< 0.001 นอกจากนี้การทดสอบ Kruskal-Wallis แสดงว่าในช่วงข้อมูลที่ทดสอบนั้นแบบจำลองมาร์คอฟซ่อนเร้นผสมแบบเกาส์ปราศจากอคติด้านบวกอย่างที่พบในแบบจำลองบราวน์เรขาคณิตทั้งหนึ่งมิติและหลายมิติ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ใน Journal of Advanced Development in Engineering and Science ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา ฯลฯ ที่ได้รับการตีพิมพ์ในJournal of Advanced Development in Engineering and Science ถือเป็นลิขสิทธิ์ของ Journal of Advanced Development in Engineering and Science หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก Journal of Advanced Development in Engineering and Scienceก่อนเท่านั้น
เอกสารอ้างอิง
Innet, S., & Kijkarncharoensin, A. (2021). The Machine Learning Model of the Thailand SET 50 Index. InThe 44th Electrical Engineering Conference (EECON44) (p. 562-265). 17-19 November, 2021, Nan, Thailand. (in Thai)
Agustini, W. F., et al. (2018). Stock Price Prediction Using Geometric Brownian Motion. Journal of Physics: Conference Series, 974, 012047.
Juang, B. H. (1985). Maximum-Likelihood Estimation for Mixture Multivariate Stochastic Observations of Markov Chains. AT&T Technical Journal, 64(6), 1235–1249.
Kijkarcharoensin, A., &Maneeratrn, P. (2024). Simulate the Signal of Stock Price by the Gaussian Mixture Hidden Markov Model. In The 16th Conference of Electrical Engineering Network 2024 (EENET2024). 29-31 May, 2024, Nongkhai, Thailand. (in Thai)
Gupta, A., & Dhingra, B. (2012). Stock Market Prediction Using Hidden Markov Models. 2012 Students Conference on Engineering and Systems (SCES 2012) (p. 1-4). 16-18 March, 2012,Uttar Pradesh, India.
Nguyen, N. (2018). Hidden Markov Model for Stock Trading. International Journal of Financial Studies, 6(2), 36.
Levinson, S. E., et al.(1983). An Introduction to the Application of the Theory of Probabilistic Functions of a Markov. The Bell System Technical Journal, 62(4), 1035–1074.
Liporace, L.(1982). Maximum Likelihood Estimation for Multivariate Observations of Markov Sources. IEEE Transactions on Information Theory, 28(5), 729-734.
Top Trader (2025). Metatrader 4 for TFEX. Available from https://www.toptrader.co.th/ download/. Accessed date: 21 February 2025.
