Please use this identifier to cite or link to this item: http://202.28.34.124/dspace/handle123456789/875
Full metadata record
DC FieldValueLanguage
dc.contributorTanasak Tonpoen
dc.contributorธนศักดิ์ ท่อนโพธิ์th
dc.contributor.advisorManasawee Kaenampornpanen
dc.contributor.advisorมนัสวี แก่นอำพรพันธ์th
dc.contributor.otherMahasarakham University. The Faculty of Informaticsen
dc.date.accessioned2021-06-08T14:29:51Z-
dc.date.available2021-06-08T14:29:51Z-
dc.date.issued3/2/2021
dc.identifier.urihttp://202.28.34.124/dspace/handle123456789/875-
dc.descriptionMaster of Science (M.Sc.)en
dc.descriptionวิทยาศาสตรมหาบัณฑิต (วท.ม.)th
dc.description.abstractMany currency investors have interested in the currency exchange rate prediction research field. Currently, there are many accepted techniques that have been used to predict the exchange rate. These technique are categorized into two approaches:  a statistical approach and an artificial intelligence approach. The above two methods are suitable forecasts for the Time Series data. Both approaches have different advantages and disadvantages. Therefore, in this research, we focus on comparing the forecasting of currency exchange rate between statistical method, namely SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous) and AI method, namely Artificial Neuron Network. This work studies the forecasting of British Pound to US Dollar exchange rates. Moreover, we propose the external variables for improving the accuracy of the forecast. The US market price of gold (XAU / USD) and together with the New York Stock Exchange (NYSE) closing prices are used as external variables. The three approaches of applying external variables were studied as follows: quantitative external variables, periodic variables and qualitative external variables. In the experiments of the 10 Days forecasting, it was found that the RMSE values of the ANN without an external variable, with the quantitative external variable, the range external variable and the qualitative external variable RMSE of are  0.0151, 0.0115, 0.0121 and 0.0056 respectively. The RMSE values of SARIMAX ANN without an external variable, with the quantitative external variable, the range external variable and the qualitative external variable RMSE of are  0.0066, 15.4522, 15.2921 and 0.0065 respectively. The experiments of the 30 Days forecasting, it was found that the RMSE values of the ANN without an external variable, with the quantitative external variable, the range external variable and the qualitative external variable RMSE of are  0.0167, 0.5758, 0.0226 and 0.0082 respectively. The RMSE values of SARIMAX ANN without an external variable, with the quantitative external variable, the range external variable and the qualitative external variable RMSE of are 0.0206, 22.1766, 21.7962 and 0.0205 respectively. The high frequencies of the data in the method with the quantitative external variables and the range external variables made the predictions has more error than experiment without the external variables. But with the qualitative variables, the result has a higher accuracy. Even though the accuracy of the SARIMAX model only increase slightly but the accuracy of the ANN has increased significantly. To conclude, the appropriate external variable data set is the qualitative external variable data set in this research.en
dc.description.abstractงานวิจัยด้านการพยากรณ์อัตราแลกเปลี่ยนเป็นหัวข้อที่เป็นทีสนใจในกลุ่มนักลงทุน ในปัจจุบันเทคนิคการพยากรณ์อัตราแลกเปลี่ยนค่าเงินมีหลากหลายเทคนิคที่ได้รับความนิยมในปัจจุบัน โดยสามารถแบ่งออกเป็นสองเทคนิคหลักๆ คือ วิธีทางด้านสถิติและวิธีทางด้านปัญญาประดิษฐ์ เนื่องสองวิธีดังกล่าวเป็นวิธีพยากรณ์ข้อมูลที่เหมาะสมกับชุดข้อมูลอนุกรมเวลา (Time Series) แต่อย่างไรก็ตามความแม่นยําในการพยากรณ์ทั้ง ด้านสถิติและด้านปัญญาประดิษฐ์ยังมีข้อดีข้อด้อยที่แตกต่างกัน ดังนั้นในงานวิจัยฉบับนี้จึงมุ่งเน้นศึกษาการเปรียบเทียบการพยากรณ์ระหว่างวิธีทางด้านสถิติ คือ แบบจําลอง SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous) และวิธีทางด้านปัญญาประดิษฐ์ คือแบบจําลองโครงข่ายประสาทเทียม (Artificial Neuron Network) งานวิจัยนี้นำวิธีดังกล่าวมาศึกษาการพยากรณ์อัตราแลกเปลี่ยนค่าเงินปอนด์ต่อค่าเงินดอลลาร์สหรัฐ (GBP/USD) โดยเสนอให้มีการนําตัวแปรภายนอกมาเป็นปัจจัยเสริมในการ พยากรณ์ข้อมูลเพื่อให้ผลการพยากรณ์มีความแม่นยํามากยิ่งขึ้น โดยใช้ราคาทองคําตลาดสหรัฐอเมริกา (XAU/USD) เป็นตัวแปรภายนอก ร่วมกับราคาปิดตลาดหุ้นนิวยอร์ก (NYSE)  นอกจากนี้ยังได้ศึกษาเทคนิค การเลือกชุดข้อมูลตัวแปรภายนอกทั้ง 3 รูปแบบ คือ ตัวแปรภายนอกเชิงปริมาณ ตัวแปรภายนอกแบบช่วง และ ตัวแปรภายนอกเชิงคุณภาพ ผลที่ได้คือ ผลการพยากรณ์ระยะสั้น 10 วัน จากแบบจำลอง ANN โดยมีราคาทองคําเป็นตัวแปรภายนอกร่วมกับราคาปิดตลาดหุ้นนิวยอร์ก แบบตัวแปรภายนอกเชิงปริมาณได้ค่า RMSE เท่ากับ 0.0115  แบบตัวแปรภายนอกแบบช่วงได้ค่า RMSE เท่ากับ 0.0121 และแบบตัวแปรภายนอกเชิงคุณภาพได้ค่า RMSE เท่ากับ 0.0056 พยากรณ์โดยไม่ใช้ตัวแปรภายนอกได้ค่า RMSE เท่ากับ 0.0151  ในการพยากรณ์ด้วยแบบจำลอง SARIMAX ตัวแปรภายนอกเชิงปริมาณได้ค่า RMSE  เท่ากับ 15.4522  ตัวแปรภายนอกแบบช่วงได้ค่า RMSE เท่ากับ 15.2921 ตัวแปรภายนอกเชิงคุณภาพได้ค่า RMSE เท่ากับ 0.0065 พยากรณ์โดยไม่ใช้ตัวแปรภายนอกได้ค่า RMSE เท่ากับ 0.0066  ทำการเปรียบเทียบผลการทดลองจะเปรียบเทียบกับระยะยาว 30 วัน เพื่อป้องกันการเอนเอียงของข้อมูล (Bias) โดยแบบจำลอง ANN พยากรณ์ล่วงหน้า 30 วันตัวแปรภายนอกเชิงปริมาณได้ค่า RMSE เท่ากับ 0.5758  ตัวแปรภายนอกแบบช่วงได้ค่า RMSE เท่ากับ 0.0226 ตัวแปรภายนอกเชิงคุณภาพได้ค่า RMSE เท่ากับ 0.0082 พยากรณ์โดยไม่ใช้ตัวแปรภายนอกได้ค่า RMSE เท่ากับ 0.167 แบบจำลอง SARIMAX พยากรณ์ล่วงหน้า 30 วัน ตัวแปรภายนอกเชิงปริมาณได้ค่า RMSE เท่ากับ 22.1766  ตัวแปรภายนอกแบบช่วงได้ค่า RMSE เท่ากับ 21.7962 ตัวแปรภายนอกเชิงคุณภาพได้ค่า RMSE เท่ากับ 0.0205 พยากรณ์โดยไม่ใช้ตัวแปรภายนอกได้ค่า RMSE เท่ากับ 0.0206 จะเห็นได้ว่าความถี่จำนวนมากของตัวแปรภายนอกเชิงปริมาณและตัวแปรภายนอกแบบช่วงทำให้การพยากรณ์มีค่าความผิดพลาดมากกว่าการไม่ใช้ตัวแปรภายนอก แต่ในตัวแปรเชิงคุณภาพนั้นสามารถทำให้การพยากรณ์มีความแม่นยำมากขึ้น ถึงแม้แบบจำลอง SARIMAX จะมีความแม่นยำมากขึ้นเพียงเล็กน้อยแต่แบบจำลองแบบ ANN ให้ผลการทดลองที่ดีขึ้นกว่า 1 เท่าจะเห็นได้จากผลการทดลองว่าตัวแปรภายนอกที่เหมาะสมคือชุดข้อมูลตัวแปรภายนอกเชิงคุณภาพth
dc.language.isoth
dc.publisherMahasarakham University
dc.rightsMahasarakham University
dc.subjectการพยากรณ์th
dc.subjectโครงข่ายประสาทเทียมth
dc.subjectซารีแมกซ์th
dc.subjectอนุกรมเวลาth
dc.subjectการเรียนรู้ของเครื่องth
dc.subjectปัญญาประดิษฐ์th
dc.subjectForecastingen
dc.subjectNeural Networksen
dc.subjectSarimaxen
dc.subjectTime Seriesen
dc.subjectMachine Learningen
dc.subjectArtificial Intelligenceen
dc.subject.classificationComputer Scienceen
dc.titleForecasting of Currency Exchange Rate using SARIMAX and ANNen
dc.titleการพยากรณ์อัตราแลกเปลี่ยนเงินตราโดยใช้ SARIMAX กับ ANNth
dc.typeThesisen
dc.typeวิทยานิพนธ์th
Appears in Collections:The Faculty of Informatics

Files in This Item:
File Description SizeFormat 
59011281005.pdf4.95 MBAdobe PDFView/Open


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