การพยากรณ์อัตราแลกเปลี่ยนเงินตราต่างประเทศ โดยใช้การเรียนรู้เชิงลึก

Abstract

การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาระบบการทำงานของการเรียนรู้เชิงลึกด้วยวิธีโครงข่ายประสาทเทียมแบบวนซ้ำ โครงข่ายประสาทเทียมแบบคอนโวลูชัน และโครงข่ายประสาทเทียมแบบคอนโวลูชันผสมกับแบบวนซ้ำ และหาแบบจำลองที่เหมาะสมในการพยากรณ์อัตราแลกเปลี่ยนเงินตราต่างประเทศ ซึ่งสกุลเงินที่จะพยากรณ์ ได้แก่ ดอลลาร์สหรัฐ ยูโร ปอนด์สเตอร์ลิง และเยน ข้อมูลที่ใช้ในการศึกษาเป็นข้อมูลรายวันตั้งแต่วันที่ 1 มกราคม พ.ศ.2553 ถึง 31 ธันวาคม พ.ศ.2562  แบ่งข้อมูลออกเป็น 2 ส่วน คือ ข้อมูลที่ใช้สำหรับการฝึกและข้อมูลที่ใช้สำหรับการทดสอบ นำข้อมูลที่ใช้สำหรับการฝึกไปฝึกในแบบจำลองแต่ละโครงข่าย จากนั้นเลือกแบบจำลองที่มีค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ยต่ำที่สุด 3 แบบจำลอง จากนั้นนำแบบจำลองที่เลือกมาทำการพยากรณ์และเปรียบเทียบประสิทธิภาพในการพยากรณ์ของแบบจำลองแต่ละโครงข่ายกับข้อมูลชุดทดสอบ โดยใช้ค่ารากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย

จากผลการศึกษาพบว่า แบบจำลองที่เหมาะสมในการพยากรณ์อัตราแลกเปลี่ยนเงินตราต่างประเทศดังนี้
สกุลเงินดอลลาร์ ได้แบบจำลอง LSTM[1,5] 1D-CNN[9,2] และ C-RNN[7,6] และมีค่าคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 0.1877 0.2719 และ 0.1620 ตามลำดับ สกุลเงินยูโร ได้แบบจำลอง LSTM[6,12] 1D-CNN[6,3] และ
C-RNN[6,4] และมีค่าคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 0.5160 0.6948 และ 0.4978 ตามลำดับ สกุลเงิน
ปอนด์สเตอร์ลิง ได้แบบจำลอง LSTM[2,1] 1D-CNN[5,9] และ C-RNN[3,11] และมีค่าคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 0.6344 0.7991 และ 0.5210 ตามลำดับ สกุลเงินเยน ได้แบบจำลองที่ LSTM [4,1] 1D-CNN[2,7] และ
C-RNN[11,1] และมีค่าคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 0.0023 0.0027 และ 0.0022 ตามลำดับ และเมื่อพิจารณาจาก
ค่าคลาดเคลื่อนกำลังสองเฉลี่ย สามารถสรุปได้ว่า โครงข่ายประสาทเทียมแบบคอนโวลูชันผสมกับแบบวนซ้ำ
(C-RNN) มีประสิทธิภาพในการพยากรณ์มากกว่าโครงข่ายประสาทเทียมแบบหน่วยความจำระยะสั้นแบบยาว (LSTM) และโครงข่ายประสาทเทียมแบบคอนโวลูชัน 1 มิติ (1D-CNN)