การพัฒนากรอบการพยากรณ์ด้วย LSTM สำหรับการทำนายทิศทางราคารายวัน ของ EUR/USD ในตลาดแลกเปลี่ยนเงินตราต่างประเทศ
Article Sidebar
Main Article Content
บทคัดย่อ
ตลาดแลกเปลี่ยนเงินตราต่างประเทศ (Foreign Exchange: Forex) เป็นหนึ่งในตลาดการเงินที่มีขนาดใหญ่และมีสภาพคล่องสูงที่สุดในโลก การพยากรณ์ทิศทางการเคลื่อนไหวของอัตราแลกเปลี่ยนยังคงเป็นเรื่องที่ท้าทาย เนื่องจากข้อมูลอนุกรมเวลาทางการเงินมีลักษณะผันผวนสูง ไม่เป็นเชิงเส้น และไม่คงที่ตามเวลา งานวิจัยนี้พัฒนากรอบการพยากรณ์โดยใช้แบบจำลอง Long Short-Term Memory (LSTM) สำหรับการทำนายทิศทางราคารายวันของคู่เงิน EUR/USD โดยใช้ข้อมูลอัตราแลกเปลี่ยนรายวันที่ส่งออกจากแพลตฟอร์ม MetaTrader 4 ช่วง วันที่ 2 มกราคม ค.ศ. 2018 ถึง 30 เมษายน ค.ศ. 2019 จำนวน 345 ระเบียน ข้อมูลถูกกำหนดให้อยู่ในรูปปัญหาการจำแนกสองคลาสผ่านตัวแปร Trend และสร้างข้อมูลลำดับด้วยเทคนิค sliding window สำหรับการฝึกแบบจำลอง กรอบการวิจัยนี้ศึกษาผลของพารามิเตอร์สำคัญ ได้แก่ ความยาวหน้าต่างข้อมูลนำเข้า ปริมาณข้อมูลฝึก และความถี่ในการปรับปรุงแบบจำลอง นอกจากแบบจำลอง LSTM พื้นฐานแล้ว ยังพัฒนาแบบจำลองปรับเหมาะและแนวทางการแบ่งกลุ่มลำดับข้อมูลตามลักษณะการเคลื่อนไหวของราคา (LSTM-CS) เพื่อให้แบบจำลองสามารถเรียนรู้รูปแบบตลาดที่แตกต่างกันได้ ผลการทดลองพบว่าแบบจำลองพื้นฐานให้ความแม่นยำร้อยละ 52.5 และเพิ่มขึ้นเป็นร้อยละ 67.5 หลังการปรับแต่งพารามิเตอร์ ขณะที่แบบจำลอง LSTM-CS ให้ผลดีที่สุดที่ร้อยละ 69.7
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ใน Journal of SciTech-ASEAN ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ใน Journal of SciTech-ASEAN ถือเป็นลิขสิทธิ์ของ Journal of SciTech-ASEAN หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก Journal of SciTech-ASEAN ก่อนเท่านั้น
เอกสารอ้างอิง
Aldridge, I. (2013). High-frequency trading: a practical guide to algorithmic strategies and trading systems. John Wiley & Sons.
Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying stock market forecasting techniques–Part II: Soft computing methods. Expert Systems with applications, 36(3), 5932-5941. https://doi.org/10.1016/j.eswa.2008.07.006
Bank for International Settlements. (2022). OTC foreign exchange turnover in April 2022. Triennial Central Bank Survey. Retrieved December 12, 2025, from https://www.bis.org/statistics/rpfx22_fx.htm
Blaskowitz, O., & Herwartz, H. (2011). On economic evaluation of directional forecasts. International Journal of Forecasting, 27(4), 1058–1065. https://doi.org/10.1016/j.ijforecast.2010.09.003
Brownlee, J. (2018). Deep learning for time series forecasting: Predict the future with MLPs, CNNs and LSTMs in Python. Machine Learning Mastery. Retrieved December 12, 2025, from https://machinelearningmastery.com/deep-learning-for-time-series-forecasting/
Cao, L. J., Tay, F. E. H., & Liu, J. (2003). Support vector machines with adaptive parameters in financial time series forecasting. IEEE Transactions on Neural Networks, 14(6), 1506–1518. https://doi.org/10.1109/TNN.2003.820556
Evans, M. D. D., & Lyons, R. K. (2002). Order flow and exchange rate dynamics. Journal of Political Economy, 110(1), 170–180. https://doi.org/10.1086/324391
Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669. https://doi.org/10.1016/j.ejor.2017.11.054
García, F., Guijarro, F., Oliver, J., & Tamošiūnienė, R. (2024). Foreign exchange forecasting models: LSTM and BiLSTM comparison. Engineering Proceedings, 68(1), Article 19. https://doi.org/10.3390/engproc2024068019
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/hhaa009
Guyard, K. C., & Deriaz, M. (2024, August). Predicting foreign exchange EUR/USD direction using machine learning. In Proceedings of the 2024 7th International Conference on Machine Learning and Machine Intelligence (MLMI) (pp. 1-9). https://doi.org/10.1145/3696271.3696272
Hochreiter, S. (1998). The vanishing gradient problem during learning recurrent neural networks. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 6(2), 107–116. https://doi.org/10.1142/S0218488598000094
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Kamruzzaman, J., & Sarker, R. A. (2003). Comparing ANN based models with ARIMA for prediction of forex rates. ASOR Bulletin, 22(2), 2–11.
King, M. R., Osler, C., & Rime, D. (2013). The market microstructure approach to foreign exchange: Looking back and looking forward. Journal of Economic Literature, 51(4), 1090–1134. https://doi.org/10.1257/jel.51.4.1090
Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: A survey. Philosophical Transactions of the Royal Society A, 379(2194), Article 20200209. https://doi.org/10.1098/rsta.2020.0209
Lo, A. W., Mamaysky, H., & Wang, J. (2000). Foundations of technical analysis: Computational algorithms, statistical inference, and empirical implementation. The Journal of Finance, 55(4), 1705–1765. https://doi.org/10.1111/0022-1082.00265
Lyons, R. K. (2001). The microstructure approach to exchange rates. the MIT Press.
Moosa, I. A. (2015). On the evaluation of directional forecasts. Applied Economics, 47(57), 6191–6199. https://doi.org/10.1080/00036846.2015.1064086
Nguyen, P. D., Thao, N. N., Chi, D. T. K., Nguyen, H. C., Mach, B. N., & Nguyen, T. Q. (2024). Deep learning-based predictive models for forex market trends: Practical implementation and performance evaluation. Science Progress, 107(3), 00368504241275370. https://doi.org/10.1177/00368504241275370
Pascanu, R., Mikolov, T., & Bengio, Y. (2013). On the difficulty of training recurrent neural networks. Neural Networks, 37, 1–11. https://doi.org/10.1016/j.neunet.2012.02.010
Poon, S. H., & Granger, C. W. J. (2003). Forecasting volatility in financial markets: A review. Journal of Economic Literature, 41(2), 478–539. https://doi.org/10.1257/002205103765762743
Rapach, D., & Zhou, G. (2013). Forecasting stock returns. In Handbook of economic forecasting (Vol. 2, pp. 328-383). Elsevier.
Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied Soft Computing, 90, 106181. https://doi.org/10.1016/j.asoc.2020.106181
Tharp, V. K., Chabot, C., & Tharp, K. (2007). Trade your way to financial freedom (p. 343). New York, NY, USA: McGraw-Hill.
Vince, R. (1992). The mathematics of money management: risk analysis techniques for traders. John Wiley & Sons.
Zhang, Z., Zohren, S., & Roberts, S. (2022). Deep learning for volatility forecasting. Quantitative Finance, 22(2), 357–372. https://doi.org/10.1080/14697688.2021.1989139
