ตัวแบบพยากรณ์อัตราแลกเปลี่ยนสกุลเงิน
Article Sidebar
เผยแพร่แล้ว:
ธ.ค. 29, 2019
คำสำคัญ:
ตัวแบบพยากรณ์ไม่เป็นเชิงเส้นตรง อัตราแลกเปลี่ยนสกุลเงิน ตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า ตัวแบบพยากรณ์ทางสถิติ
Main Article Content
บทคัดย่อ
วัตถุประสงค์ของงานวิจัยนี้ คือ การหาตัวแบบพยากรณ์ที่เหมาะสมสำหรับอัตราแลกเปลี่ยนสกุลเงินต่างประเทศ 3 สกุลเงิน ได้แก่ ดอลลาร์สหรัฐ ดอลลาร์สิงคโปร์ และเงินเยนของประเทศญี่ปุ่น ซึ่งเป็นข้อมูลอนุกรมเวลาที่มีระยะเวลาตั้งแต่เดือนสิงหาคม พ.ศ. 2555 ถึงเดือนกรกฎาคม พ.ศ. 2560 โดยการศึกษาเชิงการเปรียบเทียบประสิทธิภาพของตัวแบบพยากรณ์ 6 ตัวแบบพยากรณ์ ได้แก่ ตัวแบบการปรับเรียบแบบเอ็กโปเนนเชียล ตัวแบบโฮลวินเทอร์แบบเชิงบวก ตัวแบบโฮลวินเทอร์แบบเชิงคูณ ตัวแบบอารีมา ตัวแบบอาฟีมา และตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า ตามลำดับ ด้วยเกณฑ์ประเมินประสิทธิภาพของตัวแบบพยากรณ์ 5 เกณฑ์ ซึ่งตัวแบบพยากรณ์ที่เหมาะสมมีบทบาทที่สำคัญต่อการค้าระหว่างประเทศและการกำหนดกลยุทธ์ทางการค้าที่เหมาะสมของประเทศไทย จากผลการวิจัยพบว่าตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าให้ผลการพยากรณ์อัตราแลกเปลี่ยนสกุลเงินต่างประเทศทั้ง 3 สกุลเงิน ที่แม่นยำกว่าตัวแบบพยากรณ์ทางสถิติทั้ง 5 ตัวแบบพยากรณ์ ซึ่งบ่งชี้ให้เห็นว่าตัวแบบพยากรณ์ที่ไม่เป็นเชิงเส้นตรงสามารถอธิบายพฤติกรรมของการเปลี่ยนแปลงของอัตราแลกเปลี่ยนสกุลเงินทั้ง 3 ได้ดีกว่าตัวแบบพยากรณ์ทางสถิติ จึงกล่าวได้ว่าข้อมูลอัตราแลกเปลี่ยนเงินมีลักษณะไม่เป็นเชิงเส้นตรง นอกจากนี้ตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าใช้ข้อกำหนดในการสร้างตัวแบบที่น้อยกว่าตัวแบบพยากรณ์ทางสถิติและสามารถสร้างตัวแบบที่ซับซ้อนสำหรับอธิบายข้อมูลอัตราการแลกเปลี่ยนเงินทั้ง 3 สกุลเงิน ที่มีประสิทธิภาพ จึงเหมาะสมที่จะพัฒนาเป็นเครื่องมือที่มีประโยชน์ในการพยากรณ์อัตราแลกเปลี่ยนสกุลเงินทั้ง 3 เพื่อประกอบการตัดสินใจสำหรับกำหนดกลยุทธ์ทางการค้าระหว่างประเทศที่เหมาะสม
Article Details
ประเภทบทความ
Physical Sciences
เอกสารอ้างอิง
[1] Department of Trade Negotiations, Annual Report, Available Source: https://www.dtn.go.th/images/297/Trade/TRADE_2559.pdf, 12 September 2017.
[2] Rangkakulnuwat, P., 2008, Application of vector error correction model in forecasting exchange rates, Appl. Econ. J. 15(2): 19-31. (in Thai)
[3] Rout, M., Majhi, B., Majhi, R. and Panda, G., 2014, Forecasting of currency exchange rates using an adaptive ARMA model with differential evolution based training, J. King Saud Univ. Comp. Inform. Sci. 26: 7-18.
[4] Uyen Ngan, T.M., 2016, Forecasting foreign exchange rate by using ARIMA model: A case of VND/USD exchange rate, Res. J. Finance Account. 7(12): 38-44.
[5] Babu, A.S. and Reddy, S.K., 2015, Exchange rate forecasting using ARIMA, neural network and fuzzy neuron, J. Stock Forex Trading 4(3): 1-5.
[6] Adebiyi, A.A., Adewumi, A.O. and Ayo, C.K., 2014, Comparison of ARIMA and artificial neural networks models for stock price prediction, J. Appl. Math. 2014: 1-7.
[7] Maria, F.C. and Eva, D., 2011, Exchange-Rates Forecasting: Exponential smoothing techniques and ARIMA models, Ann. Fac. Econ. 1: 499-508.
[8] Liu, B.X., Wu, Y. and Cheng, X., 2013, RMB exchange rate forecasting model based on exponential smoothing and gray correlation, Appl. Mech. Mater. 401: 1480-1483.
[9] Yoon, G., 2010, Do real exchange rates really follow threshold autoregressive or exponential smooth transition auto regressive models?, Econ. Model. 27: 605-612.
[10] Lawton, R., 1998, How should additive Holt–Winters estimates be corrected?, Int. J. Forecast. 14: 393-403.
[11] Yıldıran, C.U. and Fettahoğlu, A., 2017, Forecasting USDTRY rate by ARIMA method, Cogent Econ. Finance 5: 1-11.
[12] Nwankwo, S.C., 2014, Autoregressive integrated moving average (ARIMA) model for exchange rate (Naira to Dollar), Acad. J. Interdiscip. Stud. 3: 429-433.
[13] Omekara, C.O., Okereke, O.E. and Ehighibe, S.E., 2016, Time series analysis of interest rate in Nigeria: A comparison of ARIMA and state space models, Int. J. Prob. Stat. 5: 33-47.
[14] Shittu O.I. and Yaya, O.S., 2009, Measuring forecast performance of ARMA & ARFIMA models: An application to US Dollar/UK pound foreign exchange rate. Eur. J. Sci. Res. 32: 167-176.
[15] Xiu, J. and Jin, Y., 2007, Empirical study of ARFIMA model based on fractional differencing, Phys. A Stat. Mech. Appl. 377: 138-154.
[16] Bhardwaj, G. and Swanson, N.R., 2006, An empirical investigation of the usefulness of ARFIMA models for predicting macroeconomic and financial time series, J. Econ. 131: 539-578.
[17] Sadaei, H.J., Enayatifar, R., Guimarães, F.G., Mahmud, M. and Alzamil, Z.A., 2016, Combining ARFIMA models and fuzzy time series for the forecast of long memory time series, Neurocomputing 175: 782-796.
[18] Singh, R.B., Gould, J., Chan, F. and Yang, J.W., 2016. Liquidation discount: A novel application of ARFIMA-GARCH, J. Emp. Finance 36: 151-161.
[19] Panda, C. and Narasimhan, V., 2007, Forecasting exchange rate better with artificial neural network, J. Pol. Model. 29: 227-236.
[20] Rehman, M., Khan, G.M. and Mahmud, S.A., 2014, Foreign currency exchange rates prediction using cgp and recurrent neural network, IERI Proc. 10: 239-244.
[21] Yu, L., Wang, S. and Lai, K.K., 2005, A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange rates, Comp. Operations Res. 32: 2523-2541.
[22] Moghaddam, A.H., Moghaddam, M.H. and Esfandyari, M., 2016, Stock market index prediction using artificial neural network, J. Econ. Finance Admin. Sci. 21: 89-93.
[23] Majhi, R., Panda, G. and Sahoo, G., 2009, Efficient prediction of exchange rates with low complexity artificial neural network models, Exp. Syst. Appl. 36: 181-189.
[24] Thakur, G.S.M., Bhattacharyya, R. and Mondal, S.S., 2016, Artificial neural network based model for forecasting of inflation in India, Fuzzy Inform. Eng. 8: 87-100.
[25] Aydin, A.D. and Cavdar, S.C., 2015, Comparison of prediction performances of artificial neural network (ANN) and vector autoregressive (VAR) Models by using the macroeconomic variables of gold prices, Borsa Istanbul (BIST) 100 index and US Dollar-Turkish Lira (USD/TRY) exchange rates, Proc. Econ. Finance 30: 3-14.
[26] Bank of Thailand, Rates of Exchange of Commercial Banks, Available Source: https://www2.bot.or.th/statistics/ReportPage.aspx?reportID=123&language=th, 12 September 2017.
[27] Khandakar, Y. and Hyndman, R.J., 2008, Automatic time series forecasting: the forecast Package for R, J. Stat. Software 27(3): 1-22.
[28] Muller, J. and Bogenberger, K., 2015, Time series analysis of booking data of a free-floating carsharing system in Berlin, Transport. Res. Proc. 10: 345-354.
[29] Kokic, P., Crimp, S. and Howden, M., 2014, A probabilistic analysis of human influence on recent record global mean temperature changes, Climate Risk Manag. 3: 1-12.
[30] Ghodhi, Z., Silva, S.E. and Hassani, H., 2015, Bicoid signal extraction with a selection of parametric and nonparametric signal processing techniques, Genom. Proteom. Bioinform. 13: 183-191.
[31] Sujjaviriyasup, T., 2018, Artificial neural network model for forecasting monthly price of maize in Thailand, Srinakharin wirot Sci. J. 34(1): 91-107. (in Thai)
[32] Giam, X. and Olden, J.D., 2015, A new R2-based metric to shed greater insight on variable importance in artificial neural networks, Ecol. Model. 313: 307-313.
[33] Montoye, A.H., Pivarnik, J.M., Mudd, L.M., Biswas, S. and Pfeiffer, K.A., 2017, Evaluation of the activPAL accelerometer for physical activity and energy expenditure estimation in a semi-structured setting, J. Sci. Med. Sport 20: 1003-1007.
[2] Rangkakulnuwat, P., 2008, Application of vector error correction model in forecasting exchange rates, Appl. Econ. J. 15(2): 19-31. (in Thai)
[3] Rout, M., Majhi, B., Majhi, R. and Panda, G., 2014, Forecasting of currency exchange rates using an adaptive ARMA model with differential evolution based training, J. King Saud Univ. Comp. Inform. Sci. 26: 7-18.
[4] Uyen Ngan, T.M., 2016, Forecasting foreign exchange rate by using ARIMA model: A case of VND/USD exchange rate, Res. J. Finance Account. 7(12): 38-44.
[5] Babu, A.S. and Reddy, S.K., 2015, Exchange rate forecasting using ARIMA, neural network and fuzzy neuron, J. Stock Forex Trading 4(3): 1-5.
[6] Adebiyi, A.A., Adewumi, A.O. and Ayo, C.K., 2014, Comparison of ARIMA and artificial neural networks models for stock price prediction, J. Appl. Math. 2014: 1-7.
[7] Maria, F.C. and Eva, D., 2011, Exchange-Rates Forecasting: Exponential smoothing techniques and ARIMA models, Ann. Fac. Econ. 1: 499-508.
[8] Liu, B.X., Wu, Y. and Cheng, X., 2013, RMB exchange rate forecasting model based on exponential smoothing and gray correlation, Appl. Mech. Mater. 401: 1480-1483.
[9] Yoon, G., 2010, Do real exchange rates really follow threshold autoregressive or exponential smooth transition auto regressive models?, Econ. Model. 27: 605-612.
[10] Lawton, R., 1998, How should additive Holt–Winters estimates be corrected?, Int. J. Forecast. 14: 393-403.
[11] Yıldıran, C.U. and Fettahoğlu, A., 2017, Forecasting USDTRY rate by ARIMA method, Cogent Econ. Finance 5: 1-11.
[12] Nwankwo, S.C., 2014, Autoregressive integrated moving average (ARIMA) model for exchange rate (Naira to Dollar), Acad. J. Interdiscip. Stud. 3: 429-433.
[13] Omekara, C.O., Okereke, O.E. and Ehighibe, S.E., 2016, Time series analysis of interest rate in Nigeria: A comparison of ARIMA and state space models, Int. J. Prob. Stat. 5: 33-47.
[14] Shittu O.I. and Yaya, O.S., 2009, Measuring forecast performance of ARMA & ARFIMA models: An application to US Dollar/UK pound foreign exchange rate. Eur. J. Sci. Res. 32: 167-176.
[15] Xiu, J. and Jin, Y., 2007, Empirical study of ARFIMA model based on fractional differencing, Phys. A Stat. Mech. Appl. 377: 138-154.
[16] Bhardwaj, G. and Swanson, N.R., 2006, An empirical investigation of the usefulness of ARFIMA models for predicting macroeconomic and financial time series, J. Econ. 131: 539-578.
[17] Sadaei, H.J., Enayatifar, R., Guimarães, F.G., Mahmud, M. and Alzamil, Z.A., 2016, Combining ARFIMA models and fuzzy time series for the forecast of long memory time series, Neurocomputing 175: 782-796.
[18] Singh, R.B., Gould, J., Chan, F. and Yang, J.W., 2016. Liquidation discount: A novel application of ARFIMA-GARCH, J. Emp. Finance 36: 151-161.
[19] Panda, C. and Narasimhan, V., 2007, Forecasting exchange rate better with artificial neural network, J. Pol. Model. 29: 227-236.
[20] Rehman, M., Khan, G.M. and Mahmud, S.A., 2014, Foreign currency exchange rates prediction using cgp and recurrent neural network, IERI Proc. 10: 239-244.
[21] Yu, L., Wang, S. and Lai, K.K., 2005, A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange rates, Comp. Operations Res. 32: 2523-2541.
[22] Moghaddam, A.H., Moghaddam, M.H. and Esfandyari, M., 2016, Stock market index prediction using artificial neural network, J. Econ. Finance Admin. Sci. 21: 89-93.
[23] Majhi, R., Panda, G. and Sahoo, G., 2009, Efficient prediction of exchange rates with low complexity artificial neural network models, Exp. Syst. Appl. 36: 181-189.
[24] Thakur, G.S.M., Bhattacharyya, R. and Mondal, S.S., 2016, Artificial neural network based model for forecasting of inflation in India, Fuzzy Inform. Eng. 8: 87-100.
[25] Aydin, A.D. and Cavdar, S.C., 2015, Comparison of prediction performances of artificial neural network (ANN) and vector autoregressive (VAR) Models by using the macroeconomic variables of gold prices, Borsa Istanbul (BIST) 100 index and US Dollar-Turkish Lira (USD/TRY) exchange rates, Proc. Econ. Finance 30: 3-14.
[26] Bank of Thailand, Rates of Exchange of Commercial Banks, Available Source: https://www2.bot.or.th/statistics/ReportPage.aspx?reportID=123&language=th, 12 September 2017.
[27] Khandakar, Y. and Hyndman, R.J., 2008, Automatic time series forecasting: the forecast Package for R, J. Stat. Software 27(3): 1-22.
[28] Muller, J. and Bogenberger, K., 2015, Time series analysis of booking data of a free-floating carsharing system in Berlin, Transport. Res. Proc. 10: 345-354.
[29] Kokic, P., Crimp, S. and Howden, M., 2014, A probabilistic analysis of human influence on recent record global mean temperature changes, Climate Risk Manag. 3: 1-12.
[30] Ghodhi, Z., Silva, S.E. and Hassani, H., 2015, Bicoid signal extraction with a selection of parametric and nonparametric signal processing techniques, Genom. Proteom. Bioinform. 13: 183-191.
[31] Sujjaviriyasup, T., 2018, Artificial neural network model for forecasting monthly price of maize in Thailand, Srinakharin wirot Sci. J. 34(1): 91-107. (in Thai)
[32] Giam, X. and Olden, J.D., 2015, A new R2-based metric to shed greater insight on variable importance in artificial neural networks, Ecol. Model. 313: 307-313.
[33] Montoye, A.H., Pivarnik, J.M., Mudd, L.M., Biswas, S. and Pfeiffer, K.A., 2017, Evaluation of the activPAL accelerometer for physical activity and energy expenditure estimation in a semi-structured setting, J. Sci. Med. Sport 20: 1003-1007.
