การพยากรณ์ดัชนีราคาตลาดหุ้นโดยใช้ Wavelet Transform, LSTM, และ Bi-LSTM

Abstract

การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาประสิทธิภาพของการพยากรณ์ดัชนีราคาตลาดหุ้น โดยใช้โครงข่ายประสาทเทียม LSTM และ Bi-LSTM และเพื่อสร้างแบบจำลองเพื่อหาผลลัพธ์การพยากรณ์ที่มีประสิทธิภาพ และเพื่อศึกษาคุณสมบัติในการลดทอนสัญญาณรบกวนของการแปลงสัญญาณเฉพาะ (Wavelet Transform) ที่ส่งผลต่อความเร็วของขั้นตอนการเรียนรู้ของโครงข่ายประสาทเทียมทั้งสอง โดยข้อมูลที่นำมาใช้ในการศึกษา คือ ราคาเปิด ราคาปิด ราคาสูงสุด ราคาต่ำสุด และปริมาณการซื้อขาย ซึ่งเป็นข้อมูลแบบรายวันย้อนหลัง 32 ปี 8 เดือน ตั้งแต่วันที่
1 มกราคม พ.ศ.2528 ถึง 31 สิงหาคม พ.ศ.2561 สำหรับดัชนีราคาตลาดหุ้น S&P 500, Nikkei 225 และ NASDAQ Composite และย้อนหลัง 30 ปี 8 เดือน ตั้งแต่วันที่ 1 มกราคม พ.ศ.2530 ถึง 31 สิงหาคม พ.ศ.2561 สำหรับดัชนีราคาตลาดหุ้น Hang Seng Index

จากการศึกษาพบว่าโครงข่ายประสาทเทียม Bi-LSTM ให้ประสิทธิภาพของการพยากรณ์ที่ดีกว่าโครงข่ายประสาทเทียม LSTM ไม่ว่าข้อมูลดัชนีราคาตลาดหุ้นจะผ่านการแปลงสัญญาณเฉพาะ (Wavelet) หรือไม่ผ่านการแปลงสัญญาณเฉพาะ (Non-wavelet) มาก่อนก็ตาม โดยได้ค่า Root Mean Square Error (RMSE) ของ S&P 500, Nikkei 225, NASDAQ Composite, และ Hang Seng Index ของ Wavelet (LSTM : Bi-LSTM) ดังนี้ 0.01646 : 0.01585, 0.00539 : 0.00517, 0.01596 : 0.01351, และ 0.01011 : 0.00873 ตามลำดับ และเช่นกันสำหรับ Non-wavelet ได้ค่าดังนี้ 0.01348 : 0.01347, 0.00551 : 0.00518, 0.01211 : 0.00937, และ 0.01033 : 0.01016 ตามลำดับ อีกทั้งการใช้ Wavelet กรองข้อมูลก่อนสร้างแบบจำลองโครงข่ายประสาทเทียมยังสามารถทำให้โครงข่ายประสาทเทียมเรียนรู้ข้อมูลได้รวดเร็วยิ่งขึ้น

แต่เมื่อพิจารณาผลประสิทธิภาพของโครงข่ายประสาทเทียมของข้อมูลที่ผ่านการแปลงสัญญาณเฉพาะแล้ว ผลลัพธ์ที่ได้กลับไม่ได้ดีมากนัก กล่าวคือ Nikkei 225 และ Hang Seng Index ให้ผลประสิทธิภาพที่ดีกว่าบนข้อมูลแบบ Wavelet ซึ่งได้ค่า RMSE ของ Bi-LSTM เท่ากับ 0.00518 : 0.00517 และ 0.01016 : 0.00873 (Non-wavelet : Wavelet) ตามลำดับ แต่สำหรับ S&P 500 และ NASDAQ Composite ให้ผลประสิทธิภาพที่ดีกว่าบนข้อมูลแบบ Non-wavelet ซึ่งได้ค่า RMSE ของ Bi-LSTM เท่ากับ 0.01347 : 0.01585 และ 0.00937 : 0.01351 ตามลำดับ