การเปรียบเทียบความแม่นยำของการพยากรณ์ด้วยตัวแบบอนุกรมเวลาแบบผสม

Abstract

บทคัดย่อ

การวิจัยนี้ศึกษาเปรียบเทียบความแม่นยำของค่าพยากรณ์ที่ได้จากตัวแบบ ARIMA ตัวแบบผสมระหว่าง ARIMA กับเครือข่ายประสาทเทียม และตัวแบบผสมระหว่าง ARIMA กับซัพพอร์ทเวกเตอร์แมชชีน ในการพยากรณ์ราคาปิดหุ้น SCB ของธนาคารไทยพาณิชย์ จำกัด (มหาชน) โดยใช้ชุดข้อมูลจริงและชุดข้อมูลอนุกรมเวลาที่จำลองด้วยตัวแบบ ARIMA(0,1,1) ตัวแบบ ARIMA(0,1,2) ตัวแบบ ARIMA(1,1,0) ตัวแบบ ARIMA(1,1,1) ตัวแบบ ARIMA(1,1,2) ตัวแบบ ARIMA(2,1,0) ตัวแบบ ARIMA(2,1,1) และตัวแบบ ARIMA(2,1,2) เมื่อใช้เกณฑ์รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (root mean square error, RMSE) เป็นเครื่องมือในการเปรียบเทียบตัวแบบ โดยตัวแบบใดที่มีค่า RMSE ต่ำสุดจะเป็นตัวแบบที่ดีที่สุด จากการศึกษาพบว่าตัวแบบผสมระหว่าง ARIMA และซัพพอร์ทเวกเตอร์แมชชีน มีความแม่นยำในการพยากรณ์สูงที่สุดสำหรับการพยากรณ์ในชุดข้อมูลอนุกรมเวลาที่จำลองด้วยตัวแบบ ARIMA(0,1,2) ตัวแบบ ARIMA(1,1,1) และตัวแบบ ARIMA(2,1,2) ส่วนตัวแบบผสมระหว่าง ARIMA และเครือข่ายประสาทเทียมนั้นให้ความแม่นยำในการพยากรณ์สูงที่สุดสำหรับการพยากรณ์ในชุดข้อมูลอนุกรมเวลาในกรณีที่จำลองด้วยตัวแบบ ARIMA(0,1,1) ตัวแบบ ARIMA(1,1,0) ตัวแบบ ARIMA(1,1,2) ตัวแบบ ARIMA(2,1,0) และตัวแบบ ARIMA(2,1,1) และสำหรับการพยากรณ์ในชุดข้อมูลจริงของราคาปิดหุ้นรายสัปดาห์ของ SCB ที่มีลักษณะอนุกรมเวลาสอดคล้องกับตัวแบบ ARIMA(1,1,1) ผลการศึกษาพบว่าตัวแบบผสมระหว่าง ARIMA และซัพพอร์ทเวกเตอร์แมชชีนมีความแม่นยำในการพยากรณ์สูงที่สุด ซึ่งสอดคล้องกับผลจากชุดข้อมูลจำลอง 

คำสำคัญ : ตัวแบบ ARIMA; ตัวแบบเครือข่ายประสาทเทียม; ตัวแบบซัพพอร์ทเวกเตอร์แมชชีน; ตัวแบบผสม

Abstract

This research is aimed to compare the prediction accuracy between three time series models, traditional ARIMA model, a hybrid model combing ARIMA and artificial neural network model, and a hybrid model combing ARIMA and support vector machine model by using real stock price datasets of the Siam Commercial Bank (SCB) and time series datasets simulated from ARIMA(0,1,1), ARIMA(0,1,2), ARIMA(1,1,0), ARIMA(1,1,1), ARIMA(1,1,2), ARIMA(2,1,0), ARIMA(2,1,1) and ARIMA(2,1,2). Root mean square error (RMSE) is used to compare the prediction accuracy from each model. The model which has the lowest RMSE is the best model. The results suggest that a hybrid ARIMA and support vector machine model has the highest prediction accuracy for the case of ARIMA(0,1,2), ARIMA(1,1,1) and ARIMA(2,1,2) model. However, the prediction accuracy of a hybrid ARIMA and artificial neural network model is found to be highest in the case of ARIMA(0,1,1), ARIMA(1,1,0), ARIMA(1,1,2), ARIMA(2,1,0) and ARIMA(2,1,1) model. Similar forecasting models were developed and evaluated for the weekly closing price of stock price of the Siam Commercial Bank. The results suggest that a hybrid ARIMA(1,1,1) and support vector machine model has the highest prediction accuracy. We observed concordant results on both real and simulated data. 

Keywords: ARIMA model; artificial neural network model; support vector machine model; hybrid model