วิธีการเรียนรู้แบบกลุ่มด้วยเทคนิค Stacking สามารถเพิ่มความแม่นยำของการทำนายสัญญาณการซื้อขายสกุลเงินดิจิทัลได้หรือไม่

ศราวุฒิ ทองเชื้อ

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/84192

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	อิสริยะ สัตกุลพิบูลย์	-
dc.contributor.author	ศราวุฒิ ทองเชื้อ	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี	-
dc.date.accessioned	2024-02-05T10:00:52Z	-
dc.date.available	2024-02-05T10:00:52Z	-
dc.date.issued	2566	-
dc.identifier.uri	https://cuir.car.chula.ac.th/handle/123456789/84192	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2566	-
dc.description.abstract	ปัจจุบันการลงทุนในตลาดสกุลเงินดิจิทัลได้รับความสนใจจากนักลงทุนจำนวนมากเนื่องจากเป็นสินทรัพย์ที่สามารถให้ผลตอบแทนสูง ในทางกลับกันสามารถทำให้เกิดความสูญเสียสูงเช่นกัน การลงทุนในตลาดสกุลเงินดิจิทัลจึงต้องอาศัยเครื่องมีวิเคราะห์ที่มีประสิทธิภาพในการจัดการลงทุน การเรียนรู้ของเครื่องเป็นหนึ่งในเครื่องมือวิเคราะห์ที่ช่วยให้นักลงทุนตัดสินใจได้ดีขึ้น งานวิจัยนี้ได้ศึกษาทำนายสัญญาณการซื้อขายสกุลเงินดิจิทัลโดยเปรียบเทียบวิธีการใช้ตัวแบบป่าสุ่ม ตัวแบบการถดถอยโลจิสติก และตัวแบบการเรียนรู้แบบกลุ่มด้วยเทคนิค Stacking และการวิเคราะห์ทางเทคนิคจาก 50 ตัวบ่งชี้ทางเทคนิค สำหรับสกุลเงินดิจิทัลที่มีเงื่อนไขมูลค่าตามราคาตลาดสูงสุด 20 อันดับแรกข้อมูลความถี่ 1 วัน และ 1 สัปดาห์ ซึ่งจากการศึกษาพบว่าตัวแบบป่าสุ่มให้ค่าความถูกต้องระหว่าง 0.4423-0.7115 ตัวแบบการถดถอยโลจิสติกให้ค่าความถูกต้องระหว่าง 0.4615-0.6346 และตัวแบบการเรียนรู้แบบกลุ่มด้วยเทคนิค Stacking ให้ค่าความถูกต้องระหว่าง 0.4423-0.6538 โดยภาพรวมตัวแบบการถดถอยโลจิสติกเหมาะสมสำหรับสกุลเงินดิจิทัลส่วนใหญ่ อีกทั้งการสร้างตัวแบบด้วยการเรียนรู้แบบกลุ่มด้วยเทคนิค Stacking สามารถช่วยเพิ่มประสิทธิภาพสำหรับการทำนายของตัวแบบ นอกจากนี้ข้อมูลความถี่ 1 สัปดาห์ให้ผลลัพธ์ดีกว่าข้อมูลความถี่ 1 วัน	-
dc.description.abstractalternative	Currently, investing in the cryptocurrency market has attracted the attention of many investors because it is an asset that can provide high returns. On the other hand, it can cause high losses as well. Investing in the digital currency market requires efficient analytical machines to manage investments. Machine Learning is one of the analysis tools that helps investors make better decisions. This research study predicts cryptocurrency trading signals by comparing Random Forest, Logistic Regression and Stacking Methods and technical analysis of 50 technical indicators. For the top 20 cryptocurrencies with the highest market capitalization conditions, daily frequency data and weekly frequency data. The study found that the Random Forest model provides an accuracy between 0.4423-0.7115 The Logistic Regression model provides an accuracy between 0.4615-0.6346 and the Stacking Method gives an accuracy between 0.4423-0.6538 Overall, the Logistic Regression model is suitable for most cryptocurrencies. Moreover, creating a model using the Stacking Method can help increase the efficiency of the model's predictions. In addition, weekly frequency data gives better results than daily frequency data.	-
dc.language.iso	th	-
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.subject.classification	Economics	-
dc.subject.classification	Business	-
dc.subject.classification	Mathematics	-
dc.subject.classification	Financial and insurance activities	-
dc.title	วิธีการเรียนรู้แบบกลุ่มด้วยเทคนิค Stacking สามารถเพิ่มความแม่นยำของการทำนายสัญญาณการซื้อขายสกุลเงินดิจิทัลได้หรือไม่	-
dc.title.alternative	Will stacking method improve cryptocurrency trading signal prediction accuracy?	-
dc.type	Thesis	-
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	-
dc.degree.level	ปริญญาโท	-
dc.degree.discipline	การประกันภัย	-
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	-
Appears in Collections:	Acctn - Theses

Files in This Item:

File	Description	Size	Format
6380328926.pdf		2.81 MB	Adobe PDF	View/Open

Show simple item record