การเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำและลดเวลาหน่วงของการพยากรณ์ข้อมูลอนุกรมเวลา
DOI:
https://doi.org/10.65205/jcct.2026.e3550คำสำคัญ:
การพยากรณ์อนุกรมเวลา, ราคาทองคำ, แอลเอสทีเอ็ม, ซีเอ็นเอ็น, การแบ่งกลุ่มข้อมูลตามแนวโน้มบทคัดย่อ
การพยากรณ์อนุกรมเวลาเป็นสิ่งสำคัญในยุคปัจจุบัน ทั้งในด้านการพยากรณ์อากาศ การเงิน และอื่น ๆ โดยเฉพาะการพยากรณ์ราคาทองคำที่มีความซับซ้อนสูงเนื่องจากได้รับอิทธิพลจากปัจจัยทางเศรษฐกิจอย่างมาก แม้ว่าในปัจจุบันจะมีการศึกษาเกี่ยวกับวิธีการพยากรณ์ราคาทองคำโดยใช้แบบจำลองเชิงลึก แต่ยังคงพบปัญหาความล่าช้าในการพยากรณ์ซึ่งส่งผลต่อความแม่นยำของทิศทางที่พยากรณ์ได้ เพื่อแก้ปัญหาดังกล่าว งานวิจัยนี้จึงมุ่งเน้นการพัฒนาแบบจำลองพยากรณ์อนุกรมเวลาราคาทองคำให้มีความแม่นยำมากขึ้นและลดปัญหาความล่าช้าในการพยากรณ์ โดยอาศัยการผสมผสานจุดเด่นระหว่างโมเดล LSTM (Long Short-Term Memory) ที่มีความสามารถในการเรียนรู้การพึ่งพาระยะยาวของข้อมูล และโมเดล CNN (Convolutional Neural Network) ที่มีความสามารถในการสกัดคุณลักษณะเชิงพื้นที่จากข้อมูลได้อย่างมีประสิทธิภาพ ประกอบกับวิธีการแบ่งกลุ่มข้อมูลตามลักษณะของแนวโน้มราคา ซึ่งช่วยให้แบบจำลองสามารถเรียนรู้รูปแบบเฉพาะของแนวโน้มแต่ละประเภทได้อย่างเหมาะสม ลดปัญหาความล่าช้าที่เกิดจากการตอบสนองต่อการเปลี่ยนแปลงของข้อมูลจริงที่ไม่ทันการณ์ และเพิ่มความแม่นยำในการพยากรณ์ราคาทองคำทั้งในด้านตัวเลขและทิศทาง ซึ่งส่งผลให้แบบจำลองมีศักยภาพในการนำไปประยุกต์ใช้ในการตัดสินใจซื้อขายในตลาดการเงินจริงได้อย่างมีประสิทธิภาพ งานวิจัยนี้ใช้ข้อมูลราคาทองคำตั้งแต่เดือนมกราคม พ.ศ. 2557 ถึงกรกฎาคม พ.ศ. 2568 รวม 2,943 วัน โดยจำแนกแนวโน้มราคาออกเป็น 3 กลุ่ม ได้แก่ ขาขึ้น, ทรงตัว, และขาลง จากนั้นฝึกแบบจำลอง 4 รูปแบบ ได้แก่ LSTM, CNN, LSTM_G3 และ CNN_G3 แล้วเลือกแบบจำลองที่เหมาะสมในแต่ละกลุ่มสร้างเป็นแบบจำลอง LSTM+CNN_G3 ผลการวิจัยพบว่าแบบจำลอง LSTM+CNN_G3 ให้ค่า MAE (Mean Absolute Error) รวมต่ำที่สุดที่ 17.68 ดอลลาร์สหรัฐ และค่า MPM (Movement Prediction Metric) รวมสูงที่สุดที่ 54.08% ซึ่งดีกว่าแบบจำลอง LSTM และ CNN ที่ไม่ได้แบ่งกลุ่มและเป็นโมเดลพื้นฐานของการทำนายข้อมูลอนุกรมเวลา แสดงให้เห็นว่าวิธีการแบ่งกลุ่มช่วยลดปัญหาความล่าช้าได้อย่างมีประสิทธิภาพ และเมื่อจำลองการซื้อขายทองคำพบว่าแบบจำลอง LSTM+CNN_G3 ให้กำไรสูงสุดที่ 1,870 ดอลลาร์สหรัฐ คิดเป็น 101.87% ของเงินทุน แสดงให้เห็นว่าการแบ่งกลุ่มข้อมูลตามแนวโน้มราคาร่วมกับการเลือกใช้สถาปัตยกรรมที่เหมาะสมสามารถเพิ่มความแม่นยำและลดปัญหาความล่าช้าได้ ส่งผลให้แบบจำลองมีศักยภาพในการนำไปประยุกต์ใช้จริงในตลาดการเงินได้อย่างมีประสิทธิภาพ
Downloads
เอกสารอ้างอิง
Bahri, M. Z., & Vahidnia, S. (2022, November 16-18). Time Series Forecasting Using Smoothing Ensemble Empirical Mode Decomposition and Machine Learning Techniques. 2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering, 1–6. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/ICECCME55909.2022.9988336
Chen, L., & Fan, X. (2025). TIC-FusionNet: A Multimodal Deep Learning Framework with Temporal Decomposition and Attention-Based Fusion for Time Series Forecasting. PLOS One, 20(10), e0333379. https://doi.org/10.1371/journal.pone.0333379
Chen, W., Hussain, W., Cauteruccio, F., & Zhang, X. (2024). Deep Learning for Financial Time Series Prediction: A State-of-the-Art Review of Standalone and Hybrid Models. Computer Modeling in Engineering & Sciences, 139(1), 187–224. https://doi.org/10.32604/cmes.2023.031388
Das, P., & Barman, S. (2025). Perspective Chapter: An Overview of Time Series Decomposition and Its Applications. In Sloboda, B. W., & Quah, C.-H. (Eds), Business, Management and Economics (1-15). IntechOpen. https://doi.org/10.5772/intechopen.1009268
Giantsidi, S., & Tarantola, C. (2025). Deep Learning for Financial Forecasting: A Review of Recent Trends. International Review of Economics & Finance, 104, 104719. https://doi.org/10.1016/j.iref.2025.104719
Investing.Com. (2025). Historical XAU/USD Exchange Rates. https://th.investing.com/currencies/xau-usd-historical-data (In Thai)
Krungthai. (2021). Gold Wallet, an Online Gold Trading Platform that Enables Real-Time Gold Buying, Selling, and Withdrawal Orders Through the Paotang Application. https://krungthai.com/th/krungthai-update/promotion-detail/843 (In Thai)
Li, J., Song, L., Wu, D., Shui, J., & Wang, T. (2023). Lagging Problem in Financial Time Series Forecasting. Neural Computing and Applications, 35(28), 20819–20839. https://doi.org/10.1007/s00521-023-08879-1
Lin, Y., Liu, S., Yang, H., & Wu, H. (2021). Stock Trend Prediction Using Candlestick Charting and Ensemble Machine Learning Techniques with a Novelty Feature Engineering Scheme. IEEE Access, 9, 101433–101446. https://doi.org/10.1109/ACCESS.2021.3096825
Mehtab, S., Sen, J., & Dasgupta, S. (2020, November 5-7). Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models. 2020 4th International Conference on Electronics, Communication and Aerospace Technology, 1481–1486. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/ICECA49313.2020.9297652
Ortu, M., Uras, N., Conversano, C., Bartolucci, S., & Destefanis, G. (2022). On Technical Trading and Social Media Indicators for Cryptocurrency Price Classification Through Deep Learning. Expert Systems with Applications, 198, 116804. https://doi.org/10.1016/j.eswa.2022.116804
Samanta, S., Pratama, M., Sundaram, S., & Srikanth, N. (2020, July 19-24). A Dual Network Solution (DNS) for Lag-Free Time Series Forecasting. 2020 International Joint Conference on Neural Networks, 1–8. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/IJCNN48605.2020.9207022
TP, K. N., & Sultana, S. (2024, November 7-9). Advanced Techniques for Daily Gold Price Forecasting in India Through Statistical Analysis and Predictive Modeling. 2024 8th International Conference on Computational System and Information Technology for Sustainable Solutions, 1–6. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/CSITSS64042.2024.10816779
Widiputra, H., Mailangkay, A., & Gautama, E. (2021). Multivariate CNN‐LSTM Model for Multiple Parallel Financial Time‐Series Prediction. Complexity, 2021(1), 9903518. https://doi.org/10.1155/2021/9903518
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารคอมพิวเตอร์และเทคโนโลยีสร้างสรรค์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
