Please use this identifier to cite or link to this item: http://202.28.34.124/dspace/handle123456789/2553
Full metadata record
DC FieldValueLanguage
dc.contributorThongchai Kaewkiriyaen
dc.contributorธงชัย แก้วกิริยาth
dc.contributor.advisorKittipol Wisaengen
dc.contributor.advisorกิตติพล วิแสงth
dc.contributor.otherMahasarakham Universityen
dc.date.accessioned2024-08-28T11:52:24Z-
dc.date.available2024-08-28T11:52:24Z-
dc.date.created2023
dc.date.issued7/12/2023
dc.identifier.urihttp://202.28.34.124/dspace/handle123456789/2553-
dc.description.abstractThe purpose of this research is to: 1. Develop a customer investment prediction model using group-based learning techniques. 2. Compare the effectiveness of algorithms used in the customer prediction model. 3. Compare the performance of the newly proposed method with previous research to validate the results for the development of the customer investment prediction model. The research methodology consists of 4 steps: Step 1 Analyzing the problem and research data. Step 2 Designing the research framework and concepts. Step 3 Develop the customer investment prediction model. Step 4 Testing and comparing the research performance. This research utilizes a dataset consisting of 19,577 data points. The research results can be summarized as follows: The outcomes of developing a customer investment prediction model using group-based learning techniques consist of three parts: Part 1: Data Management Part 2: Development of the prediction model and performance comparison Part 3: Development of the prediction model using group-based learning techniques and comparison. The comparison of algorithm performance reveals the following: The K-Nearest Neighbors algorithm, using data management format 1, achieves the highest accuracy when setting K to 5, 7, and 9 successively, with an accuracy rate of 97.46%. This is for predicting products in the LR fund category. The K-Nearest Neighbors algorithm, using data management format 2, achieves the highest accuracy when setting K to 7, with an accuracy rate of 83.21%. This is for predicting products in the MF fund category. The K-Nearest Neighbors algorithm, for predicting fund types, achieves the highest accuracy when setting K to 3, with an accuracy rate of 90.94%. The Naive Bayes algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, reaching an accuracy rate of 97.23%. The Naive Bayes algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, reaching an accuracy rate of 83.62%. The Naive Bayes algorithm for predicting fund types achieves an accuracy rate of 76.09%. The Decision Tree algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, reaching an accuracy rate of 97.46%. The Decision Tree algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, also at an accuracy rate of 83.62%. The Decision Tree algorithm for predicting fund types achieves an accuracy rate of 93.28%. The Induction law algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, at an accuracy rate of 97.46%. The Induction law algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, at an accuracy rate of 83.62%. For predicting fund types, the Induction law algorithm achieves an accuracy rate of 90.52%. The Neural Network algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, at an accuracy rate of 97.46%. The Neural Network algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, at an accuracy rate of 83.62%. For predicting fund types, the Neural Network algorithm achieves an accuracy rate of 93.43%. The Ensemble Learning algorithm, using data management format 1, achieves the highest accuracy with a label of LR fund products, at an accuracy rate of 97.46%. The Ensemble Learning algorithm, using data management format 2, achieves the highest accuracy with a label of MF fund products, at an accuracy rate of 83.62%. For predicting fund types, the Ensemble Learning algorithm achieves an accuracy rate of 92.38%. 3. When comparing the performance of the newly introduced method with previous research, considering the accuracy of the models, it was found that the newly proposed method performs better.en
dc.description.abstractการวิจัยนี้มีวัตถุประสงค์เพื่อ 1. เพื่อพัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุนโดยใช้เทคนิคการเรียนรู้แบบกลุ่ม 2. เพื่อเปรียบเทียบประสิทธิภาพอัลกอริทึมที่ใช้ในแบบจำลองการพยากรณ์ลูกค้า และ 3. เพื่อเปรียบเทียบประสิทธิภาพของวิธีการใหม่ที่นำเสนอกับงานวิจัยที่ผ่านมาเพื่อยืนยันผลลัพธ์ในการนำไปพัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุน วิธีการดำเนินการวิจัยแบ่งออกเป็น 4 ขั้นตอนได้แก่ ขั้นตอนที่ 1 วิเคราะห์ปัญหาและข้อมูลในงานวิจัย ขั้นตอนที่ 2 ออกแบบกรอบแนวคิดการวิจัย ขั้นตอนที่ 3 พัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุน ขั้นตอนที่ 4 ทดสอบเปรียบเทียบประสิทธิภาพการวิจัย งานวิจัยนี้ใช้ชุดข้อมูลจำนวน 19,577 ชุดข้อมูล ผลของการวิจัยสรุปได้ดังนี้ 1. ผลการพัฒนาแบบจำลองการพยากรณ์ลูกค้าในการลงทุนโดยใช้เทคนิคการเรียนรู้แบบกลุ่ม ประกอบด้วย 3 ส่วนคือ   1) ส่วนการจัดการข้อมูล 2) ส่วนของการพัฒนาแบบจำลองพยากรณ์และเปรียบเทียบประสิทธิภาพ 3) ส่วนการพัฒนาแบบจำลองพยากรณ์ด้วยเทคนิคการเรียนรู้แบบกลุ่มและเปรียบเทียบ 2. ผลการเปรียบเทียบประสิทธิภาพของแต่ละอัลกอริทึม พบว่า อัลกอริทึมเคเนียร์เรสเนเบอร์ จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำมากที่สุดเมื่อตั้งค่า K 5, 7, และ 9 ตามลำดับ โดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR (LTF/RMF) โดยมีค่าความแม่นยำอยู่ที่ 97.46%.  อัลกอริทึมเคเนียร์เรสเนเบอร์ จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำมากที่สุดเมื่อตั้งค่า K เท่ากับ 7 โดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF โดยมีค่าความแม่นยำอยู่ที่ 83.21% อัลกอริทึมเคเนียร์เรสเนเบอร์ สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำมากที่สุดเมื่อตั้งค่า K เท่ากับ 3 มีค่าความแม่นยำอยู่ที่ 90.94% อัลกอริทึมนาอีฟเบย์จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.23% อัลกอริทึมนาอีฟเบย์จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF (Mutual Fund) มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมนาอีฟเบย์สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 76.09% อัลกอริทึมต้นไม้ตัดสินใจ จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมต้นไม้ตัดสินใจ จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมต้นไม้ตัดสินใจ สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 93.28% อัลกอริทึมกฎการอุปนัย จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมกฎการอุปนัย จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมกฎการอุปนัยสำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 90.52% อัลกอริทึมโครงข่ายประสาทเทียม จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมโครงข่ายประสาทเทียม จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมโครงข่ายประสาทเทียม สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 93.43% อัลกอริทึมการเรียนรู้แบบกลุ่ม จากการจัดการข้อมูลในรูปแบบที่ 1 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท LR มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 97.46% อัลกอริทึมการเรียนรู้แบบกลุ่ม จากการจัดการข้อมูลในรูปแบบที่ 2 มีค่าความแม่นยำโดยมี Label เป็นผลิตภัณฑ์กองทุนประเภท MF มากที่สุดโดยมีค่าความแม่นยำอยู่ที่ 83.62% อัลกอริทึมการเรียนรู้แบบกลุ่ม สำหรับแบบจำลองพยากรณ์ประเภทกองทุน มีค่าความแม่นยำอยู่ที่ 92.38% 3. ผลการเปรียบเทียบประสิทธิภาพของวิธีการใหม่ที่นำเสนอกับงานวิจัยที่ผ่านมาโดยพิจารณาจากค่าความแม่นยำของโมเดลพบว่าวิธีการใหม่ที่นำเสนอมีประสิทธิภาพดีกว่าth
dc.language.isoth
dc.publisherMahasarakham University
dc.rightsMahasarakham University
dc.subjectพยากรณ์ลูกค้าth
dc.subjectกองทุมรวมth
dc.subjectการเรียนรู้แบบกลุ่มth
dc.subjectการเรียนรู้ของเครื่องth
dc.subjectการลงทุนth
dc.subjectCustomer Predictiveen
dc.subjectMutual funden
dc.subjectEnsemble Learningen
dc.subjectInvestmenten
dc.subjectMachine Learningen
dc.subject.classificationBusinessen
dc.subject.classificationFinancial and insurance activitiesen
dc.subject.classificationWholesale and retail salesen
dc.titleDevelopment of Customer Predictive Model for Mutual Fund Investment Using Ensemble Learning Techniqueen
dc.titleการพัฒนาแบบจำลองพยากรณ์ลูกค้าในการลงทุนด้านกองทุนรวมโดยใช้เทคนิคการเรียนรู้แบบกลุ่มth
dc.typeThesisen
dc.typeวิทยานิพนธ์th
dc.contributor.coadvisorKittipol Wisaengen
dc.contributor.coadvisorกิตติพล วิแสงth
dc.contributor.emailadvisorkittipol.w@acc.msu.ac.th
dc.contributor.emailcoadvisorkittipol.w@acc.msu.ac.th
dc.description.degreenameDoctor of Philosophy (Ph.D.)en
dc.description.degreenameปรัชญาดุษฎีบัณฑิต (ปร.ด.)th
dc.description.degreelevelDoctoral Degreeen
dc.description.degreelevelปริญญาเอกth
dc.description.degreedisciplineOffice Secretary MBSen
dc.description.degreedisciplineสำนักงานเลขา คณะการบัญชีth
Appears in Collections:Mahasarakham Business School

Files in This Item:
File Description SizeFormat 
64010997005.pdf5.12 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.