การเปรียบเทียบประสิทธิภาพของเทคนิคอริมาและเทคนิคถดถอยการเรียนรู้ของเครื่อง ในการพยากรณ์ราคาบิตคอยน์
Article Sidebar
Main Article Content
บทคัดย่อ
ในปัจจุบันบิตคอยน์เป็นสกุลเงินอิเล็กทรอนิกส์ที่ได้รับความสนใจและมีการซื้อขายกันมากที่สุด ทำให้ราคาจึงมีความผันผวนไม่แน่นอนในแต่ละวัน ดังนั้นงานวิจัยเพื่อหาวิธีที่เหมาะสมในการพยากรณ์ราคาบิตคอยน์จึงได้รับความสนใจ เทคนิคอริมา และเทคนิคถดถอยการเรียนรู้ของเครื่องเป็นเทคนิคที่ใช้ในการพยากรณ์สถานการณ์ต่างๆ เช่น พยากรณ์ราคาทองคำ และราคาน้ำมัน โดยอริมาเป็นเทคนิคดั้งเดิม ส่วนเทคนิคถดถอยการเรียนรู้ของเครื่องเป็นเทคนิคใหม่ เช่น Multilayer perceptron, Radial basis function และ Support vector regression งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของเทคนิคอริมา และเทคนิคถดถอยการเรียนรู้ของเครื่องในการพยากรณ์ราคาบิตคอยน์ โดยนำเทคนิคดังกล่าวทั้งสองเทคนิคมาใช้สร้างแบบจำลองอนุกรมเวลาเพื่อพยากรณ์ราคาบิตคอยน์เป็นรายวัน ข้อมูลที่นำมาใช้ในการสร้างแบบจำลอง ได้แก่ ราคาเปิดตลาด ราคาสูงสุด ราคาต่ำสุด ราคาปิดตลาด ปริมาณซื้อขาย และมูลค่าตลาดรวม จากเว็บไซต์ www.coinmarketcap.com ตั้งแต่วันที่ 1 มกราคม ค.ศ. 2017 ถึง 31 ธันวาคม ค.ศ. 2019 ในการวัดประสิทธิภาพของแบบจำลอง หลักการเลื่อนหน้าต่างได้ถูกนำมาใช้ในการแบ่งข้อมูลเป็นชุดข้อมูลฝึกฝน และชุดข้อมูลทดสอบ นอกจากนี้แล้วค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ และค่าความคลาดเคลื่อนเฉลี่ยรากที่สองได้ถูกนำมาเป็นเกณฑ์ในการเปรียบเทียบประสิทธิภาพของแบบจำลอง จากการทดลองพบว่า เทคนิคอริมา มีประสิทธิภาพสูงสุด โดยมีค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ และค่าความคลาดเคลื่อนเฉลี่ยรากที่สอง สำหรับการพยากรณ์ ราคาเปิดตลาด ราคาสูงสุด ราคาต่ำสุด ราคาปิดตลาด ปริมาณซื้อขายในแต่ละวัน และมูลค่าตลาดรวมต่ำที่สุด
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของ วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยอุบลราชธานี และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
References
Crosby, M. and et al. 2016. Blockchain technology: Beyond bitcoin. Applied Innovation Review. 2: 6-19.
Bohme, R. and et al. 2015. Bitcoin: Economics, technology, and governance. Journal of Economic Perspectives. 29(2): 213-238.
Lekkla, S. and Thongkam, J. 2018. Forecasting the trend of foreign exchange rates using time series analysis techniques. Journal of Technology Management Rajabhat Maha Sarakham University. 5(2): 94-103. (in Thai)
Cibikdiken, A.O. and Karakoyun, E.S. 2018. Comparison of arima time series model and lstm deep learning algorithm for bitcoin price forecasting. In: Proceedings of the 13th Multidisciplinary Academic Conference, 12-13 October 2018. Prague, Czech Republic.
Chentawat, R., Kerdprasop, K. and Kerdprasop, N. 2017. The demand forecasting of electrical power distribution units by support vector regression with 3 folds cross-validation. Journal of Science and Technology Ubon Ratchathani University. 19(1): 215-232. (in Thai)
Jordan, M.I. and Mitchell, T.M. 2015. Machine learning: Trends, perspectives, and prospects. Science. 349(6245): 255-260.
Khedmati, M., Seifi, F. and Azizi, M.J. 2020. Time series forecasting of Bitcoin price based on autoregressive integrated moving average and machine learning approaches. International Journal of Engineering. 33(7): 1293-1303.
CoinMarketCap. 2020. CoinMarketCap. https: //coinmarketcap.com. Accessed 31 December 2020.
Bataineh, M. and Marler, T. 2017. Neural network for regression problems with reduced training sets. Neural Networks. 95: 1-9.
Struga, K. and Qirici, O. 2018. Bitcoin price prediction with neural networks. In: Proceedings of the Recent Trends and Applications in Computer Science and Information Technology, 23-24 November 2018. Tirana, Albania.
Carlberg, C. 2016. Regression Analysis Microsoft Excel. Indianapolis, IN: Que Publishing.
Detthamrong, U. and Chansanam, W. 2018. Time series forecasting stock closing prices of listed company using ARIMA model. Journal of Business, Economics and Communications. 13(2): 57-72. (in Thai)
Chaiyadecha, S. 2020. ARIMA model in Python. https://lengyi.medium.com. Accessed 12 April 2020. (in Thai)
Soonthornwiphat, S. 2015. Application of Artificial Neural Network for Biomass Requirement Management. M.Sc. Thesis, Silpakorn University. (in Thai)
Yuk W. and Thongkam, J. 2018. Comparison of time series techniques for predicting gold and oil prices. RMUTI Journal Science and Technology. 11(2): 154-167. (in Thai)
Sanguansat, P. 2019. Artificial Intelligence Machine Learning Python Edition. Nonthaburi: Meb Corporation. (in Thai)
Pimpaporn, W. 2018. The Development of a Predication Model for Academic Achievement of Students During a Learning Process by Using Data mining Techniques. Sripatum Review of Science Technology. 10(1): 7-17. (in Thai)
Thanapala, D., Charoensiri, T. and Soponpimol, C. 2016. Forecasting of Factory Pineapple Prices with Box-Jenkins Method. Burapha Science Journal. 21(1): 110-118. (in Thai)
Munim, Z.H., Shakil, M.H. and Alon, I. 2019. Next-day bitcoin price forecast. Journal of Risk and Financial Management. 12(2): 103.