Please use this identifier to cite or link to this item: http://cmuir.cmu.ac.th/jspui/handle/6653943832/74059
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorเริงชัย ตันสุชาติ-
dc.contributor.advisorณฉัตร์ชพงษ์ แก้วสมพงษ์-
dc.contributor.advisorวรพล ยะมะกะ-
dc.contributor.authorนำโชค ฉิมปรางen_US
dc.date.accessioned2022-09-01T17:04:00Z-
dc.date.available2022-09-01T17:04:00Z-
dc.date.issued2564-
dc.identifier.urihttp://cmuir.cmu.ac.th/jspui/handle/6653943832/74059-
dc.description.abstractThe purpose of this study was (1) to compare the forecasting performance between the statistical model group represent by ARIMA model and the machine learning model group represent by ANN. SVM, S-ANFIS and WT-QPSO-ANFIS model in stock index futures forecasting in terms of Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Standard Error of Mean (SEM), (2) to analyze the appropriate investment's proportion and risk of stock index futures portfolio. The data is daily stock index futures of 33 stock index futures covering 2964 trading days from January 1st, 2009 to May14th, 2020. Futures contracts of stock index futures had been trading remarkably worldwide in 2020. To mitigate the market risks and make the best of investments, predicting the movement of stock index futures is considered significant to ensure the potential gain in futures market trading. However, the accurate and precise prediction is not easy to obtain in the financial data which normally have high fluctuation. While the conventional econometric methods for forecasting require many assumptions, the machine learning models generally involve complex and unintelligible rules as well as a complicated network structure. In addition, the machine learning model itself did not guarantee a global optimum solution. It easily falls to the local optimum answer that directly affects the model's predicted value accuracy. To handle these drawbacks, in this study, we propose using a novel hybrid Wavelet Transformation-Quantum-behaved Particle Swarm Optimization-Adaptive Neuro-Fuzzy Inference System (WT-QPSO-ANFIS) model to forecast stock index futures. Generally speaking, three approaches, Wavelet Transformation (WT), Quantum Particle Swarm Optimization (QPSO), and Adaptive Neuro-Fuzzy Inference System (ANFIS), are combined in our forecasting model. The result reveals that the hybrid WT-QPSO-ANFIS model provides higher efficiency and accuracy in predicting 27 stock index futures considered in this study compared to the SVM model, ANN model, conventional Sugeno-type, ANFIS model, and ARIMA model consequently in terms of Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Standard Error of Mean (SEM). Furthermore, risk analysis and portfolio management demonstrate that using the lowest variance approach based on stock index futures forecasting data from the most effective model provides a good rate of return than using the equal weighting method. Besides, the risk value calculated by using the Value at Risk and the Expected Shortfall is lower than the same equal weighting approach.en_US
dc.language.isootheren_US
dc.publisherเชียงใหม่ : บัณฑิตวิทยาลัย มหาวิทยาลัยเชียงใหม่en_US
dc.titleการพยากรณ์ราคาของสัญญาซื้อขายล่วงหน้าที่อ้างอิงดัชนีหุ้นโดยการประยุกต์ใช้การหารูปแบบที่ดีที่สุดแบบควอนตัมร่วมกับระบบอ้างอิงแบบฟัซซีen_US
dc.title.alternativeForecasting Stock Index futures price using an application of quantum optimization with Fuzzy inference systemen_US
dc.typeThesis
thailis.controlvocab.thashดัชนีราคาหลักทรัพย์-
thailis.controlvocab.thashดัชนีราคา-
thailis.controlvocab.thashหุ้นและการเล่นหุ้น-
thesis.degreemasteren_US
thesis.description.thaiAbstractการศึกษาครั้งนี้มีวัตถุประสงค์ คือ (1) เปรียบเทียบประสิทธิภาพของแบบจำลองระหว่างกลุ่ม ของแบบจำลองทางสถิติ (Statistical model) ซึ่งประกอบด้วยแบบจำลองอารีมา และกลุ่มแบบจำลอง การเรียนรู้ของเครื่อง ประกอบด้วย แบบจำลอง โครงข่ายประสาทเทียม แบบจำลองเครื่องเวกเตอร์ค้ำ ยัน แบบจำลองโครงข่ายแบบประยุกตัร่วมกับระบบอ้างอิงแบบฟัซซี่แบบสุเกโนะ และแบบจำลอง โครงข่ายแบบประยุกต์ร่วมกับระบบการอ้างอิงแบบฟัซซี โดยใช้การแปลงเวฟเล็ตร่วมกับการหา คำตอบที่ดีที่สุดแบบกลุ่มอนุภาคที่มีพฤติกรรมทางควอนตัม ในการพยากรณ์สัญญาซื้อขายล่วงหน้า อ้างอิงดัชนีหุ้น ซึ่งเปรียบเทียบประสิทธิภาพของแบบจำลองโดยใช้สมการ สูญเสียทั้ง 4 สมการ ประกอบไปด้วย รากที่สองของค่าเฉลี่ยความผิดพลาดกำลังสอง ความคลาดเคลื่อนมาตรฐานของการ วัด ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์ และค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (2) วิเคราะห์ สัดส่วนการลงทุนที่เหมาะสมสำหรับการสัญญาซื้อขายล่วงหน้าอ้างอิงดัชนีหุ้น ในการศึกษานี้ใช้ ข้อมูลอนุกรมเวลารายวันของสัญญาซื้อขายล่วงหน้าอ้างอิงดัชนีหุ้นทั้งหมด 33 ดัชนี ตั้งแต่วันที่ 1 มกราคม พ.ศ. 2552 ถึงวันที่ 14 พฤษภาคม พ.ศ. 2563 ในปัจจุบันสัญญาซื้อขายล่วงหน้อ้างอิงดัชนีหุ้นมีการซื้อขายอย่างกว้างขวางทั่วโลกและมี ปริมาณการซื้อขายที่สูง เพื่อลดความเสี่ยงและสร้างกลยุทธ์ในการหาสัดส่วนสำหรับการลงทุนที่ เหมาะสมในตลาดดังกล่าว การคาดการณ์การเคลื่อนไหวของสัญญาการซื้อขายล่วงหน้าอ้างอิงดัชนีหุ้น จึงเป็นสิ่งสำคัญเพื่อเป็นเครื่องยืนยันว่าจะได้รับผลกำไรจากการซื้อขาย อย่างไรก็ตามการพยากรณ์ที่ ถูกต้องและแม่นยำนี้ เป็นเรื่องที่ค่อนข้างยากเนื่องจาก โดยปกติแล้วข้อมูลทางการเงินจะมีความผัน ผวนสูง ซึ่งวิธีการพยากรณ์ทางเศรษฐมิติแบบทั่วไป จะต้องใช้สมมติฐานหลายข้อ ส่วนแบบจำลองใน กลุ่มการเรียนรู้ของเครื่องนั้นก็จำเป็นต้องอาศัยเงื่อนไขที่ซับซ้อนและอธิบายได้ยากทำให้โครงสร้าง เครือข่ายมีความชับซ้อนสูง นอกจากนี้คำตอบที่ได้จากแบบจำลองข้างต้น ก็ไม่สามารถยืนยันได้ว่า เป็นคำตอบที่ดีที่สุด (Global optimm) ซึ่งจะส่งผลโดยตรงต่อความแม่นยำของแบบจำลอง เพื่อแก้ไข ข้อจำกัดข้างต้น ในการศึกษานี้จึงใช้แบบจำลองโครงข่ายแบบประยุกต์ร่วมกับระบบการอ้างอิงแบบ ฟัซซี โดยใช้การแปลงเวฟเล็ตร่วมกับการ หาคำตอบที่ดีที่สุดแบบกลุ่มอนุภาคที่มีพฤติกรรมทาง ควอนตัม (WT-QPSO-ANFIS) ในการพยากรณ์สัญญาซื้อขายล่วงหน้าอ้างอิงดัชนีหุ้น โดยแบบจำลอง ข้างต้นสามารถจำแนกได้เป็น 3 ส่วน คือ การแปลงเวฟเล็ต (WT) การหาคำตอบที่ดีที่สุดแบบกลุ่ม อนุภาคที่มีพฤติกรรมทางควอนตัม (QPSO) และแบบจำลองโครงข่ายแบบประยุกต์ร่วมกับระบบ อ้างอิงแบบฟัชซี่ (ANFIS) ผลการศึกษาพบว่า แบบจำลองโครงข่ายแบบประยุกต์ร่วมกับระบบการอ้างอิงแบบฟัซซี โดย ใช้การแปลงเวฟเล็ตร่วมกับการหาคำตอบที่ดีที่สุดแบบกลุ่มอนุภาคที่มีพฤติกรรมทางควอนตัมมี ประสิทธิภาพและความแม่นชำสูงกว่าแบบจำลองเครื่องเวกเตอร์ค้ำยัน แบบจำลองโครงข่ายประสาท เทียม โครงข่ายแบบประยุกต์ร่วมกับระบบอ้างอิงแบบฟัซซี่แบบสุเกโนะ และแบบจำลองอารีมา ตามลำดับ เมื่อพิจารณาโดยใช้ค่ารากที่สองของค่าเฉลี่ยความผิดพลาดกำลังสอง ความคลาดเคลื่อน มาตรฐานของการวัด ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์ และค่าเฉลี่ยความคลาดเคลื่อน สัมบูรณ์ ในการพยากรณ์สัญญาซื้อขายล่วงหน้าอ้างอิงดัชนีหุ้น 27 ดัชนี สำหรับผลการศึกษาความ เสี่ยงและการจัดพอร์ตลงทุน พบว่า การจัดพอร์ตการลงทุนด้วยวิธีความแปรปรวนต่ำที่สุดจากข้อมูล การพยากรณ์ราคาสัญญาซื้อขายล่วงหน้าอ้างอิงดัชนีหุ้น ณ เวลา t+1 ที่ได้จากแบบจำลองที่มี ประสิทธิภาพที่สุดกับข้อมูลแต่ละดัชนี ให้อัตราผลตอบแทนที่เหมาะสมกว่าการจัดพอร์ตลงทุนด้วย วิธีถ่วงน้ำหนักเท่ากัน รวมทั้งมีมูลค่าความเสี่ยงที่คำนวณโดยใช้คำมูลค่าความเสี่ยง (VaR) และมูลค่า ความเสียหายส่วนเกิน (ES) ที่ต่ำกว่าการจัดพอร์ตลงทุนด้วยวิธีถ่วงน้ำหนักเท่ากันen_US
Appears in Collections:ECON: Theses

Files in This Item:
File Description SizeFormat 
611631011 นำโชค ฉิมปราง.pdf15.19 MBAdobe PDFView/Open    Request a copy


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