บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน

ในตลาดหลักทรัพย์แห่งประเทศไทย

การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิค
เพื่อการลงทุนในตลาดหลักทรัพย์แห่งประเทศไทย
An Artificial Neural Network with Technical Indicators for
Stock Investment: Application to the Stock Exchange
of Thailand
อดิสรณ์ กำ�ลังเพชร์ (Adisorn Kamlungpetch)* พนิดา หล่อวงศ์ตระกูล (Panida Lorwongtrakool)*
และ อริยะ นามวงศ์ (Ariya Namvong)**

บทคัดย่อ Abstract
สำ � หรั บ นั ก ลงทุ น ในตลาดหลั ก ทรั พ ย์ แ ล้ ว การค้ น หา Stock trading signal identification is regarded as an
สัญญาณซื้อขายที่ดีและมีประสิทธิภาพซึ่งให้ผลตอบแทน important and challenging task for stock trading strategy.
สูงนั้น เป็นงานที่ยากและท้าทายเป็นอย่างมาก เนื่องมาจาก An accurate identification may yield profits for investors.
ความผั น ผวนของสภาวะตลาดทำ � ให้ ค าดการณ์ ไ ด้ ย าก Due to the fluctuation of the stock market, development of
การศึ ก ษาครั้ ง นี้ มี วั ต ถุ ป ระสงค์ ใ นการสร้ า งตั ว แบบที่ มี efficient model is very difficult. This study attempted to
ประสิทธิภาพเพื่อนำ�มาใช้ในการลงทุนในตลาดหลักทรัพย์ develop an efficient model and compare its performance with
จากนั้นนำ�มาเปรียบเทียบกับวิธีวิเคราะห์ทางเทคนิคที่นิยม traditional technical analysis methods. The model is based
ใช้อยู่ในปัจจุบัน หลักการของโครงข่ายประสาทเทียมได้ถูก on artificial neural network technique. Eight technical
นำ�มาใช้ในการสร้างตัวแบบในครั้งนี้ โดยนำ�ข้อมูลจากวิธี indicators were selected as inputs to the proposed model.
วิเคราะห์ทางเทคนิคทั้งหมด 8 วิธี เป็นข้อมูลนำ�เข้าสู่ระบบ The study period covers 10 years and 9 months from January
โครงข่ายประสาทเทียมที่สร้างขึ้น โดยข้อมูลที่ใช้ในการ 2003 to September 2013 having 2,629 trading days.
ศึกษาและพัฒนาครอบคลุมระยะเวลา 10 ปี 9 เดือน นับตัง้ แต่ The daily trading data of the stocks that were included in
เดือนมกราคม พ.ศ. 2546 ถึงเดือนกันยายน พ.ศ. 2556 รวม SET50 from the stock exchange of Thailand were used in the
2,629 วันทำ�การ โดยหลักทรัพย์ที่นำ�มาใช้ในการศึกษา stock trading simulation. The experimental results show
ครั้งนี้ประกอบด้วยหลักทรัพย์ที่อยู่ในดัชนี SET50 ของ promising for stock trading strategy achieving mean annual
ตลาดหลักทรัพย์แห่งประเทศไทย จากผลการทดลองพบว่า capital gain yield of 298.63% and winning percentage of
ตัวแบบที่สร้างขึ้นให้ผลตอบแทนเป็นที่น่าพอใจ โดยให้ผล 72.22%.
ตอบแทนเฉลีย่ ต่อปีคดิ เป็นร้อยละ 298.63 และประสบความ
สำ�เร็จจากการซื้อขายแต่ละครั้งคิดเป็นร้อยละ 72.22 Keyword: Stock Exchange of Thailand, Technical Indicators,
Artificial Neural Network.
คำ�สำ�คัญ: ตลาดหลักทรัพย์แห่งประเทศไทย ตัวชี้วัดทาง
เทคนิค โครงข่ายประสาทเทียม
* สาขาวิชาเทคโนโลยีสารสนเทศและการสื่อสาร คณะวิทยาศาสตร์และศิลปศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน
** คณะวิทยาศาสตร์ประยุกต์ และวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น วิทยาเขตหนองคาย

ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558 วารสารเทคโนโลยีสารสนเทศ 53

Vol. 11, No. 1, January - June 2015 Information Technology Journal
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
1. บทนำ�
การลงทุนในตลาดหลักทรัพย์นับเป็นอีกทางเลือกหนึ่ง
สำ�หรับการลงทุนในยุคที่เศรษฐกิจกำ�ลังเฟื่องฟู และอัตรา
ดอกเบี้ยเงินฝากต่ำ� [1] ซึ่งการลงทุนในตลาดหลักทรัพย์นี้
เป็นแหล่งที่ให้ผลตอบแทนสูง แต่ในขณะเดียวกันจะมีความ
เสี่ยงสูงเช่นกัน ดังนั้นเพื่อลดความเสี่ยงจึงจำ�เป็นต้องมีการ
วิเคราะห์หลักทรัพย์เพือ่ ช่วยสนับสนุนการตัดสินใจก่อนการ
ลงทุน การตัดสินใจเกี่ยวกับการลงทุนจึงเป็นสิ่งที่มีความ
สำ�คัญ และสิง่ ทีช่ ว่ ยให้การตัดสินใจมีประสิทธิภาพคือ ข้อมูล
ที่ถูกต้อง แม่นยำ� รวดเร็ว เพื่อนำ�มาช่วยวิเคราะห์แนวโน้ม
ของตลาด ในขณะที่การเพิ่มขึ้นหรือลดลงของหลักทรัพย์
แต่ละตัวมีลักษณะเฉพาะตัว และอาจมีหลายปัจจัยเข้ามา
เกี่ยวข้อง เช่น สภาวะเศรษฐกิจ สถานการณ์และนโยบาย
ทางการเมือง ปัญหาด้านภัยธรรมชาติ รวมทั้งปัจจัยอื่นๆ ที่
ยากต่อการคาดการณ์ ดังนั้นนักลงทุนจึงต้องศึกษาและ
ทำ�ความเข้าใจสภาวะแวดล้อมเหล่านี้ เพื่อประสิทธิภาพใน
ก า ร ตั ด สิ น ใ จ แ ล ะ สิ่ ง สำ � คั ญ สำ � ห รั บ ก า ร ล ง ทุ น ใ น
ตลาดหลักทรัพย์นั้นคือ จังหวะเวลาที่เหมาะสมสำ�หรับการ
ลงทุนกล่าวคือ การซื้อหลักทรัพย์ในราคาที่ต่ำ� และสามารถ
ขายได้ในราคาที่สูงกว่า ดังนั้นผู้ลงทุนจำ�เป็นต้องทราบ
จังหวะเวลาที่เหมาะสมในการซื้อขายหลักทรัพย์ จากงาน
วิจัยที่ผ่านมามีผู้วิจัยพยายามคิดค้นวิธีการที่ใช้สำ�หรับการ
พยากรณ์การซื้อขายหลักทรัพย์ ซึ่งสามารถแบ่งวิธีการ ปิดย้อนหลัง ทีส่ ามารถนำ�มาหาสัญญาณการซือ้ ขายได้ โดย
ดังกล่าวออกเป็น 2 วิธีการหลักๆ ได้แก่ 1) วิธีการวิเคราะห์
ปัจจัยพืน้ ฐาน (Fundamental Analysis) [2] ทีม่ งุ่ ประเมินมูลค่า
ของหลักทรัพย์ในปัจจุบัน โดยพิจารณาผลตอบแทนของ
ราคา การเมือง อุตสาหกรรมทีเ่ กีย่ วข้อง และผลประกอบการ
ของธุรกิจ เป็นต้น ซึง่ การวิเคราะห์แบบนีจ้ ะต้องมีความรูแ้ ละ
เชี่ยวชาญด้านปัจจัยพื้นฐานเป็นอย่างดี และ 2) วิธีการ
วิเคราะห์ทางเทคนิค (Technical Analysis) [2] เป็นการ
วิเคราะห์ลักษณะการเคลื่อนไหวของราคาหลักทรัพย์และ
ปริมาณการซือ้ ขายจากข้อมูลในอดีต เพือ่ คาดการณ์แนวโน้ม
ราคาหลักทรัพย์ในอนาคต การวิเคราะห์ทางเทคนิคนี้ต้อง
เข้าใจแนวโน้มของราคาและรูปแบบของราคา เพื่อประกอบ
การตัดสินใจให้ผู้ลงทุนซื้อขายในจังหวะเวลาที่เหมาะสม TCAP, THAI, TISCO, TMB, TRUE, TUF
การวิเคราะห์ทางเทคนิคอย่างง่ายเริ่มด้วยการดูแนวโน้ม หลักทรัพย์เป็นข้อมูล โดยใช้ข้อมูลย้อนหลัง 5 ปี เช่น พ.ศ.
การขึน้ ลงจากกราฟของราคาหลักทรัพย์ หลังจากนัน้ ได้มกี าร
ใช้เทคนิคการวิเคราะห์ทางสถิตมิ าช่วยในการพยากรณ์ เช่น
54 วารสารเทคโนโลยีสารสนเทศ
Information Technology Journal
ในตลาดหลักทรัพย์แห่งประเทศไทย
ตัวแบบ ARIMA (Autoregressive Integrated Moving Average)
ซึ่งใช้กันอย่างแพร่หลายในการพยากรณ์ข้อมูลอนุกรมเวลา
ที่เป็นข้อมูลเชิงเส้น แต่อย่างไรก็ตามเทคนิคนี้ยังไม่เหมาะ
กับข้อมูลหลักทรัพย์ซึ่งเป็นข้อมูลที่ไม่เป็นเชิงเส้น
ส่วนหลักการวิเคราะห์ทางเทคนิคการซือ้ ขายหลักทรัพย์
ด้วยตัวชี้วัดทางเทคนิค สามารถนำ�มาช่วยในการวิเคราะห์
แนวโน้มของหลักทรัพย์ ตัวอย่างตัวชี้วัดทางเทคนิคที่นิยม
ใช้ส�ำ หรับพยากรณ์หลักทรัพย์ ได้แก่ Moving Average (MA),
Bollinger Bands (BB), Relative Strength Index (RSI) เป็นต้น
นอกจากตัวชี้วัดทางเทคนิคแล้ว เรายังสามารถวิเคราะห์
แนวโน้มของราคาหลักทรัพย์โดยการใช้รูปแบบกราฟ ซึ่งมี
ทัง้ กราฟแบบเส้นทีแ่ สดงเฉพาะราคาปัจจุบนั ของหลักทรัพย์
และกราฟแท่งเทียนทีแ่ สดงค่าเปิด ราคาปิด ราคาสูงสุด และ
ราคาต่ำ�สุด การเคลื่อนไหวของกราฟเหล่านี้สามารถนำ�มา
วิเคราะห์เพือ่ หาแนวโน้มของราคา โดยการดูขอ้ มูลในอดีตที่
ผ่านมา รูปแบบของกราฟสามารถช่วยในการคาดการณ์ราคา
ของหลักทรัพย์ที่เกิดในอนาคตได้ [3]
ในงานวิจยั นีม้ งุ่ เน้นการนำ�เสนอวิธกี ารหาจังหวะเวลาใน
การซือ้ ขายหลักทรัพย์ จากการประยุกต์ใช้โครงข่ายประสาท
เทียมร่วมกับตัวชี้วัดทางเทคนิค โดยนำ�ค่าของตัวชี้วัดทาง
เทคนิคมาเป็นข้อมูลอินพุต ซึ่งตัวชี้วัดทางเทคนิคที่นำ�มาใช้
ในครั้งนี้ เป็นเครื่องมือวิเคราะห์ทางเทคนิคที่ใช้ข้อมูลราคา
ใช้ ข้ อ มู ล ราคาปิ ด ของหลั ก ทรั พ ย์ ใ นการคำ � นวณ และมี
วัตถุประสงค์เพื่อวัดประสิทธิภาพของวิธีที่นำ�เสนอ โดยนำ�
ผลตอบแทนที่ได้จากวิธีที่นำ�เสนอมาเปรียบเทียบกับวิธี
วิเคราะห์ทางเทคนิคแบบดั้งเดิม และเพื่อช่วยสนับสนุนการ
ตัดสินใจในการลงทุน เพื่อให้ได้ผลตอบแทนสูงสุด ข้อมูลที่
ใช้ ใ นการทดสอบใช้ ข้ อ มู ล จากกลุ่ ม ดั ช นี SET 50 จาก
ตลาดหลักทรัพย์แห่งประเทศไทย (The\Stock Exchange of
Thailand: SET) [4] ตั้งแต่วันที่ 3 มกราคม 2546 ถึงวันที่ 30
กันยายน 2556 ประกอบด้วย ADVANC, BAY, BBL, BCP,
BEC, CPF, DELTA, HMPRO, INTUCH, KK, KTB, LH,
MINT, PTT, PTTEP, ROBINS, SCB, SCC, SCCC, SPALI,
ทั้งหมด 26
2546 – 2550 เป็นข้อมูลฝึกหัดตัวแบบ และปีถัดไป พ.ศ.
2551 เป็นปีทที่ ดลองลงทุน โดยใช้ตวั ชีว้ ดั ทางเทคนิคทัง้ หมด
ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558
Vol. 11, No. 1, January - June 2015
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

8 วิธี ซึ่งค่าต่างๆ ที่ใช้สำ�หรับตัวชี้วัดทางเทคนิคในแต่ละตัว 2.3 โครงข่ า ยประสาทเที ย ม ( Artificial Neural

เป็นค่าทีเ่ หมาะสมทีส่ ดุ ทีไ่ ด้จากการทดสอบครัง้ นี้ ดังตาราง Network) [6-9]
ที่ 2 โครงข่ายประสาทเทียมเป็นโมเดลทางคณิตศาสตร์หรือ
โมเดลทางคอมพิวเตอร์ สำ�หรับประมวลผลสารสนเทศด้วย
2. ทฤษฏีและงานวิจัยที่เกี่ยวข้อง การคำ�นวณแบบคอนเนคชันนิสต์ (Connectionist) ที่มีการ
2.1 ตลาดหลักทรัพย์แห่งประเทศไทย (The Stock รวมกลุ่มแบบขนานของหน่วยประมวลผลย่อย โดยทั่วไป
Exchange of Thailand: SET) [4] โครงข่ายประสาทเทียมประกอบด้วย โหนดชัน้ ตัวแปรนำ�เข้า
ตลาดหลักทรัพย์แห่งประเทศไทยเป็นตลาดหลักทรัพย์ (Input Node) โหนดในชั้นซ่อน (Hidden Node) และโหนดชั้น
ข อ ง ป ร ะ เ ท ศ ไ ท ย จั ด ตั้ ง ขึ้ น โ ด ย พ ร ะ ร า ช บั ญ ญั ติ ตัวแปรผลลัพธ์ (Output Node) ซึ่งโหนดทั้งหมดเหล่านี้จะมี
ตลาดหลักทรัพย์แห่งประเทศไทยปี พ.ศ. 2517 อยู่ภายใต้ การเชื่อมต่อกันในรูปแบบเพอร์เซ็ปตรอนหลายชั้น (Multi-
การกำ�กับดูแลโดยสำ�นักงานคณะกรรมการกำ�กับหลักทรัพย์ Layer Perceptron: MLP) [10] มีการส่งข้อมูลจากชั้นสู่ชั้น
และตลาดหลักทรัพย์ เปิดทำ�การซือ้ ขายขึน้ อย่างเป็นทางการ จนถึง Output Node และมีกระบวนการฝึกหัดเป็นแบบมี
ครั้งแรกในวันที่ 30 เมษายน พ.ศ. 2518 ทำ�หน้าที่เป็นตลาด ผู้สอน โดยส่งค่าย้อนกลับ (Back Propagation) [11]
รอง เพื่อแลกเปลี่ยนซื้อขายตราสารทุนของบริษัทต่างๆ ที่ โครงข่ายประสาทเทียมหลายชั้นแบบป้อนไปข้างหน้า
ขึ้นทะเบียนไว้ และเพื่อให้สามารถระดมเงินทุนเพิ่มเติมจาก เริ่มจากการป้อนข้อมูลเข้าจากชั้นข้อมูลนำ�เข้า (Input layer)
สาธารณะได้ โ ดยสะดวก ปั จ จุ บั น การดำ � เนิ น งานของ และมีการเชือ่ มต่อส่วนของนิวรอลในชัน้ ซ่อน (Hidden layer)
ตลาดหลักทรัพย์แห่งประเทศไทย อยูภ่ ายใต้พระราชบัญญัติ ซึ่ ง อาจมี ม ากกว่ า หนึ่ ง ชั้ น เพื่ อ ทำ � การปรั บ ระบบตาม
หลักทรัพย์และตลาดหลักทรัพย์ พ.ศ. 2535 เวลาทำ�การคือ พฤติกรรมของข้อมูล และสามารถอธิบายข้อมูลที่มีความ
วันจันทร์ ถึง วันศุกร์ มี 2 ช่วง คือ ช่วงเช้าเวลา 10.00 น. ซับซ้อนได้เพิ่มมากขึ้น [12] ดังภาพที่ 1
ถึง 12.30 น. และช่วงบ่ายเวลา 14.30 น. ถึงเวลา 16.30 น.
และหยุดตามวันหยุดของทางราชการ
2.2 วิธีวิเคราะห์ทางเทคนิค (Technical Analysis)
เป็นแนวทางที่อาศัยการวิเคราะห์การเคลื่อนไหวของ
ราคาและปริมาณการซื้อขายของหลักทรัพย์ในอดีต เพื่อ
คาดการณ์ถึงแนวโน้มของราคา การวิเคราะห์ปัจจัยทาง
เทคนิคนั้นอาศัยหลักสถิติมาใช้ในการพยากรณ์ ราคาเป็น
ผลรวมที่สะท้อนให้ทราบถึงข่าวสารในด้านต่างๆ ราคายังมี
การเคลือ่ นไหวอย่างมีแนวโน้มและคงอยูใ่ นแนวโน้มนัน้ ๆ ใน
ช่วงระยะเวลาหนึง่ จนกว่าจะมีการเปลีย่ นแปลงแนวโน้มและ
พฤติกรรมการลงทุนของนักลงทุนมีลักษณะที่คล้ายคลึงกับ
พฤติกรรมการลงทุนในอดีต ทั้งราคาและพฤติกรรมการ
ลงทุนนี้เป็นเหตุผลส่วนหนึ่งที่สนับสนุนให้การวิเคราะห์ทาง
เทคนิคมีความน่าเชื่อถือ การใช้การวิเคราะห์ทางเทคนิค ภาพที่ 1 โครงสร้างโครงข่ายประสาทเทียม
ร่วมกับดัชนีตัวชี้วัดทางเทคนิคสามารถช่วยในการตัดสินใจ
เลือกหลักทรัพย์ที่ดีมีความเสี่ยงน้อยในการลงทุนได้ [5] โครงข่ายประสาทเทียมสามารถนำ�ไปประยุกต์ใช้เพือ่ แก้
การหาสัญญาณซื้อขายและรูปแบบสมการของตัวชี้วัด ปัญหางานในระดับง่ายไปจนถึงงานระดับยากซับซ้อน เช่น
ทางเทคนิคที่นำ�มาใช้ในการศึกษา [2] ดังตารางที่ 1 การพยากรณ์อากาศ การพยากรณ์หลักทรัพย์

ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558 วารสารเทคโนโลยีสารสนเทศ 55

Vol. 11, No. 1, January - June 2015 Information Technology Journal
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

ตารางที่ 1 รูปแบบสมการของตัวชี้วัดทางเทคนิคที่ใช้ในการศึกษา [2]

ตัวชีว้ ดั รูปแบบสมการ สัญญาณซือ้ ขาย
Directional Movement n n
- สัญญาณซือ้ คือ เส้น PDI ตัดเส้น MDI ในทิศทางขึน้
Index (DMS) PDI(n) = ∑ ( PDM ) / ∑ (T R )
i i
i =1
n
i =1
n
และเส้น ADX ค่ามากกว่า 20
MDI(n) = ∑ ( MDM i ) / ∑ (T Ri ) - สัญญาณขาย คือ เส้น PDI ตัดเส้น MDI ในทิศทางลง
i =1 i =1
และเส้น ADX ค่ามากกว่า 20
DX(n) = Abs[PDI(14) – MDI(14)] / [PDI(14) – MDI(14)]
n

ADX(n) = ∑ ( D X i ) / n
i =1

- PDM คือ ตัววัดความรุนแรงของราคาในแนวโน้มขาขึน

้
- MDM คือ ตัววัดความรุนแรงของราคาในแนวโน้มขาลง
- TR คือ เสมือนตัวปรับ DM ในการคำ�นวณ
Stochastic Oscillator %K = 100[(Recent Close(t) – Lowest Low (n)) / (Highest - สัญญาณซือ้ คือ เส้น %K มีคา่ ต่�ำ กว่า 20 จากนัน้ เส้น
(STO) High (n) – Lowest Low (n))]
%K ตัดเส้น %D ในทิศทางขึน ้
%D = ค่าเฉลีย
่ n วันของค่า %K
- สัญญาณขาย คือ เส้น %K มีคา่ มากกว่า 80 จากนัน้
เส้น %K ตัดเส้น %D ในทิศทางลง
Moving Average MACD = EMA(12 ) – EMA(26) - สัญญาณซือ้ คือ เส้น MACD ตัดเส้น Signal Line
Convergence/ Signal line = EMA(9) of MACD
Divergence (MACD) ในทิศทางขึน้
- EMA(12) คือ ค่าของ EMA 12 วัน และ EMA(26) คือค่าของ
- สัญญาณขาย คือ เส้น MACD ตัดเส้น Signal Line
EMA 26 วัน
ในทิศทางลง
- Signal line คือ ค่าทีไ่ ด้จาก MACD แบบ EMA 9 วัน

Relative Strength Index RSI = 100 – [100/1+RS] - สัญญาณซือ้ คือ เส้น RSI มีคา่ ต่�ำ กว่า 30
(RSI) RS = Ua / Da
จากนัน้ ค่ากลับขึน้ มามากกว่า 30
- Ua คือ ค่าเฉลีย
่ ของส่วนต่างของวันทีร่ าคาปิดสูงขึน้
- สัญญาณขาย คือ เส้น RSI มีคา่ มากกว่า 70
- Da คือ ค่าเฉลีย
่ ของส่วนต่างของวันทีร่ าคาปิดต่�ำ ลง
จากนัน้ ค่ากลับลงมาน้อยกว่า 70
Bollinger Bands (BB) MA = (P1+ P2+…+Pn)/n, D = [(P1+ MA) 2+…+(Pn+ MA) 2]/n, กรณีคา
่ SD เท่ากับ 1%
SD = D
Upper Band = MA + (Percentage x SD), Middle Band = MA,
- สัญญาณซือ้ คือ เส้นราคาปิดตัดเส้น Upper Band
Lower Band = MA – (Percentage x SD)
ในทิศทางขึน้
- MA คือ ค่าเฉลีย
่ เคลือ่ นที่ - สัญญาณขาย คือ เส้นราคาปิดตัดเส้น Lower Band
- P คือ ราคาปิดในวันที่ n
ในทิศทางลง กรณีคา ่ SD เท่ากับ 2%
- SD คือ ส่วนเบีย
่ งเบนมาตรฐาน - สัญญาณซือ้ คือ เส้นราคาปิดตัดเส้น Lower Band
ในทิศทางลง
- สัญญาณขาย คือ เส้นราคาปิดตัดเส้น Upper Band
ในทิศทางขึน้
Simple Moving SMA(t) = ∑ (P1+ P2+ P3+…+ Pt)/n - สัญญาณซือ้ คือ เส้นค่าเฉลีย่ เคลือ่ นทีร่ ะยะสัน้ ตัดเส้นค่า
Average (SMA) - SMA(t) คือ ค่าของ SMA ณ เวลา t เฉลีย่ เคลือ่ นทีร่ ะยะยาวขึน้
- P1+ P2+ P3+…+ Pt คือ ราคาปิด ณ เวลา t ย้อนหลังไปจำ�นวน - สัญญาณขาย คือ เส้นค่าเฉลีย่ เคลือ่ นทีร่ ะยะสัน้ ตัดเส้น
n วัน ค่าเฉลีย่ เคลือ่ นทีร่ ะยะยาวลง
- n คือ จำ�นวนวัน

Exponential Moving EMA(n, t) = EMA(n,t–1) + SF[P(t) + EMA(n,t–1)] - สัญญาณซือ้ คือ เส้นค่าเฉลีย่ เคลือ่ นทีร่ ะยะสัน้ ตัดเส้นค่า
Average (EMA) - EMA(n,t–1) คือ ค่าของ EMA ณ เวลา t–1 เฉลีย่ เคลือ่ นทีร่ ะยะยาวขึน้
- SF คือ Smoothing Factor = 2/(n+1) - สัญญาณขาย คือ เส้นค่าเฉลีย่ เคลือ่ นทีร่ ะยะสัน้ ตัดเส้น
- P(t) คือ ราคาปิดปัจจุบน
ั และ n คือ จำ�นวนวัน ค่าเฉลีย่ เคลือ่ นทีร่ ะยะยาวลง

56 วารสารเทคโนโลยีสารสนเทศ ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558

Information Technology Journal Vol. 11, No. 1, January - June 2015
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

ตารางที่ 2 ตัวชี้วัดทางเทคนิคทีใ่ ช้ในการศึกษา [2] ผิดพลาด 0.052 จากการเปรียบเทียบการพยากรณ์แบบ

รายวันมีความถูกต้องมากกว่าการพยากรณ์แบบรายสัปดาห์
ลำ�ดับ ตัวชี้วัด คุณลักษณะ
มนตรี [14] ศึกษาเรื่องการพยากรณ์ตลาดหุ้นโดยใช้
1 Simple Moving - SMA ระยะสั้นใช้ราคาปิด
Average (SMA) ตัวแบบนิวโรเจเนติก สำ�หรับการพยากรณ์หุ้น 1 และ 7 วัน
ย้อนหลัง 5 วัน
- SMA ระยะยาวใช้ราคาปิด ล่วงหน้า ตัวแบบนี้เป็นตัวแบบโครงข่ายประสาทเทียมแบบ
ย้อนหลัง 15 วัน เรียนรูแ้ พร่กลับทีม่ จี �ำ นวนชัน้ ซ่อนเพียงชัน้ เดียว และจำ�นวน
2 Exponential Moving - EMA ระยะสั้นใช้ราคาปิด
โหนดในชั้นซ่อนที่เหมาะสมถูกกำ�หนดด้วยกรรมวิ ธีเชิ ง
Average (EMA)
ย้อนหลัง 5 วัน พันธุกรรม จำ�นวนโหนดข้อมูลนำ�เข้าที่ถูกกำ�หนดด้วยผล
- EMA ระยะยาวใช้ราคาปิด จากการวิเคราะห์คา่ สัมประสิทธิส์ หสัมพันธ์ของหุน้ ในหมวด
ย้อนหลัง 15 วัน อุ ต สาหกรรมสื่ อ สาร ซึ่ ง เป็ น หุ้ น ที่ มี ก ารซื้ อ ขายใน
3 Directional Movement ราคาปิดย้อนหลัง 14 วัน ตลาดหลั ก ทรั พ ย์ แ ห่ ง ประเทศไทย สำ � หรั บ การวั ด
System (DMS)
ประสิทธิภาพของตัวแบบจะวัดจากค่าอัตราการทำ�นายถูก
4 Relative Strength ราคาปิดย้อนหลัง 14 วัน
Index (RSI) และค่าศักยภาพการทำ�กำ�ไร เมือ่ นำ�ตัวแบบนีไ้ ปทดสอบการ
5 Moving Average - MACD ใช้ราคาปิดย้อนหลัง พยากรณ์เทียบกับตัวแบบการทำ�นายอย่างง่าย พบว่าโดย
Convergence/
Divergence (MACD) 12 วัน กับ 26 วัน แบบ EMA เฉลี่ยแล้วการพยากรณ์โดยใช้ตัวแบบนิวโรเจเนติกให้ค่า
- Signal ใช้ค่า MACD อัตราการทำ�นายถูกและค่าศักยภาพการทำ�กำ�ไรมากกว่า
ย้อนหลัง 9 วัน แบบ EMA
การพยากรณ์โดยใช้ตัวแบบการทำ�นายอย่างง่าย
Stochastic Oscillator
6
(STO)
- %K ราคาปิดย้อนหลัง 5 วัน ศรีสกุล และ สุชา [15] ศึกษาเรื่องการพยากรณ์ราคา
- %D ค่าของ %K ย้อนหลัง ทองคำ�แท่งโดยใช้โครงข่ายประสาทเทียม แบบป้อนไป
3 วัน
ข้างหน้าหลายชั้น โดยใช้ระบบการเรียนรู้แบบแพร่กระจาย
7 Bollinger Bands ราคาปิดย้อนหลัง 14 วัน
(BB1P) กลับมาประยุกต์ใช้ เพื่อพยากรณ์ราคาทองคำ�แท่งและใช้
ค่าเบี่ยงเบนมาตรฐาน 1%
ข้อมูลแบบอนุกรมเวลาของราคาทองคำ�และจัดข้อมูลให้อยู่
8 Bollinger Bands ราคาปิดย้อนหลัง 14 วัน
(BB2P) ในรูปแบบของการคำ�นวณแบบเลื่อนหน้าต่าง ก่อนที่จะถูก
ค่าเบี่ยงเบนมาตรฐาน 2%
ส่งเข้าไปทำ�การฝึกหัดและทดสอบโครงข่ายประสาทเทียม
โดยใช้โปรแกรมแมตแล็บ เพื่อที่จะหาโครงสร้างนิวรอลที่ดี
2.4 งานวิจัยที่เกี่ยวข้อง ทีส่ ดุ จาก 50 โครงสร้าง จากการเทียบประสิทธิภาพทีไ่ ด้ของ
พนิดา และ พยุง [13] ศึกษาเรื่องการพยากรณ์ปริมาณ โครงสร้ า งทั้ ง หมดพบว่ า โครงสร้ า งแบบ 3-3-1 มี ค่ า
การใช้ยาในโรงพยาบาลโดยใช้โครงข่ายประสาทเทียม โดย ความคลาดเคลื่ อ นกำ � ลั ง สองเฉลี่ ย น้ อ ยที่ สุ ด ซึ่ ง มี ค วาม
ใช้ขอ้ มูลปริมาณการใช้ยาทีถ่ กู เก็บไว้ในลักษณะของอนุกรม เหมาะสมสำ�หรับการนำ�มาใช้ในการพยากรณ์ราคาทองคำ�
เวลา สำ�หรับสอนโครงข่ายประสาทเทียมแบบฟีดฟอร์เวิร์ด สามารถนำ�ผลทีไ่ ด้ไปประกอบการวิเคราะห์ในการลงทุนเพือ่
หลายชัน้ และการเรียนรูแ้ บบมีการควบคุม สำ�หรับเครือ่ งมือ ทำ�กำ�ไรกับราคาทองคำ�แท่งได้มากขึน้ และลดความเสีย่ งลง
พั ฒ นาได้ ใ ช้ โ ปรแกรมแมตแล็ บ สร้ า งโมเดลโครงข่ า ย
ประสาทเทียมสำ�หรับการพยากรณ์ และนำ�โมเดลที่ได้ไปใช้ 3. วิธีการดำ�เนินการวิจัย
สำ�หรับการพยากรณ์ปริมาณการใช้ยา ผลการทดสอบระบบ ขั้นตอนการดำ�เนินการวิจัยโดยรวมแบ่งเป็น 3 ขั้นตอน
การพยากรณ์แบบรายวัน ซึ่งใช้โมเดลแบบ 3-5-1 และมีการ หลักๆ ดังภาพที่ 2 ได้แก่
ซ้อนทับของหน้าต่างแบบ 2 จุด ให้คา่ ความผิดพลาดที่ 0.011 3.1 การเริ่มต้นงานวิจัย
ส่วนการพยากรณ์แบบรายสัปดาห์ซึ่งใช้โมเดลแบบ 3-5-1 เป็นขั้นตอนแรกของงานวิจัย โดยตั้งสมมติฐานงานวิจัย
และมีการซ้อนทับของหน้าต่างแบบ 2 จุด ซึ่งให้ค่าความ ว่าผลลัพธ์ที่ได้ควรเป็นอย่างไร จากนั้นเริ่มทำ�การศึกษา

ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558 วารสารเทคโนโลยีสารสนเทศ 57

Vol. 11, No. 1, January - June 2015 Information Technology Journal
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

ทฤษฎี แ ละงานวิ จั ย ที่ เ กี่ ย วข้ อ ง วางแผนขั้ น ตอนการ คือ ข้อมูลนำ�เข้าที่ได้จากค่าของตัวชี้วัดทางเทคนิคทั้ง 8 วิธี
ดำ�เนินงาน และเก็บรวบรวมข้อมูลที่ต้องการนำ�มาใช้ในการ ประกอบด้วยข้อมูลนำ�เข้าทีไ่ ด้จากการประมวลผลของแต่ละ
ทดลอง หลักทรัพย์จำ�นวน 17 ตัวแปร และชุดข้อมูลค่าเป้าหมาย
(Target Set) เป็นข้อมูลของราคาปิดในวันถัดไปของแต่ละ
หลักทรัพย์ ในช่วงระยะเวลา 5 ปี
3.2.2.2 ชุดข้อมูลสำ�หรับทดสอบ (Testing Set)
คือ ข้อมูลนำ�เข้าที่ได้มาจากค่าของตัวชี้วัดทางเทคนิคทั้ง
8 วิธี ประกอบด้วยข้อมูลนำ�เข้าทีไ่ ด้จากการประมวลผลของ
แต่ละหลักทรัพย์จำ�นวน 17 ตัวแปร

ภาพที่ 3 การแบ่งชุดข้อมูลสำ�หรับฝึกหัดและทดสอบ

3.2.3 การหาค่าสัมประสิทธิส์ หสัมพันธ์ (Correlation

Coefficient)
เนื่องจากข้อมูลนำ�เข้าต้องมีความสัมพันธ์กับข้อมูล
ผลลัพธ์ซึ่งเป็นราคาปิดของวันถัดไป โดยความสัมพันธ์ของ
ข้ อ มู ล นี้ ส ามารถดู ไ ด้ จ ากการวิ เ คราะห์ ค่ า สั ม ประสิ ท ธิ์
สหสัมพันธ์ ซึ่งมีค่าอยู่ระหว่าง -1 ถึง 1 โดยถ้ามีค่าเข้าใกล้
1 แสดงว่าข้อมูลมีความสัมพันธ์กันมากในทิศทางเดียวกัน
ถ้ามีคา่ เข้าใกล้ 0 แสดงว่าข้อมูลมีความสัมพันธ์กนั น้อย และ
ถ้ามีค่าเข้าใกล้ -1 แสดงว่าข้อมูลมีความสัมพันธ์กันมากใน
ภาพที่ 2 ขั้นตอนการดำ�เนินงานวิจัย ทิศทางแปรผกผัน
สำ�หรับงานวิจัยนี้ใช้การวิเคราะห์หาค่าสัมประสิทธิ์
3.2 การจัดเตรียมข้อมูล สหสัมพันธ์แบบ 2 ตัวแปร ซึ่งสามารถหาค่าของ r ได้
3.2.1 ชุดข้อมูลสำ�หรับตัวชี้วัดทางเทคนิค ดังสมการที่ 1 [14]
ข้อมูลทีใ่ ช้เป็นราคาปิดของหลักทรัพย์แห่งประเทศไทย
∑ (x − x )( y − y )
n
โดยนำ�ข้อมูลมาทำ�การคัดแยกแต่ละหลักทรัพย์ในแต่ละปี r= i =1 i i
(1)
∑ (x − x ) ⋅ ∑ ( y − y )
n n
แล้วนำ�ข้อมูลที่ได้ไปหาสัญญาณซื้อขายด้วยตัวชี้วัดทาง i =1 i
2
i =1 i
2

เทคนิคตามเงื่อนไขที่กำ�หนด ดังตารางที่ 3
3.2.2 ชุดข้อมูลสำ�หรับโครงข่ายประสาทเทียม เมื่อ r คือ ค่าสัมประสิทธิ์สหสัมพันธ์
ชุดข้อมูลของโครงข่ายประสาทเทียม ประกอบด้วย n คือ จำ�นวนข้อมูล
ชุดข้อมูลฝึกหัด และชุดข้อมูลทดสอบ ดังภาพที่ 3 x คือ ค่าเฉลี่ยของข้อมูล x
3.2.2.1 ชุดข้อมูลสำ�หรับฝึกหัด (Training Set) y คือ ค่าเฉลี่ยของข้อมูล y

58 วารสารเทคโนโลยีสารสนเทศ ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558

Information Technology Journal Vol. 11, No. 1, January - June 2015
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

นำ�ข้อมูลนำ�เข้าทั้ง 17 ตัวแปร มาหาค่าสัมประสิทธิ์ เมื่อ V คือ ค่าหลังจากการแปลงค่า

new

สหสัมพันธ์ ซึ่งค่าที่ได้จะอยู่ระหว่าง -1 ถึง 1 และผลปรากฏ V คือ ค่าก่อนการแปลงค่า

ว่าตัวแปรลำ�ดับที่ 16 (ADX) มีค่าเข้าใกล้ 0 มากที่สุดจึง max คือ ค่าสูงสุดของข้อมูลก่อนแปลงค่า
ไม่นำ�มาใช้ในการทดลอง ดังตารางที่ 3 min คือ ค่าต่ำ�สุดของข้อมูลก่อนแปลงค่า
max คือ ค่าสูงสุดของข้อมูลหลังแปลงค่า
new

ตารางที่ 3 ตัวแปรนำ�เข้าและค่าสัมประสิทธิ์สหสัมพันธ์ min คือ ค่าต่ำ�สุดของข้อมูลหลังแปลงค่า

new

3.3 การสร้างโมเดลและการทดสอบ
ลำ�ดับ ตัวแปรข้อมูลนำ�เข้า ค่าสัมประสิทธิส์ หสัมพันธ์
3.3.1 ใช้โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า
1 Price Close 0.9485 หลายชั้น โดยใช้ระบบการเรียนรู้แบบแพร่กระจายย้อนกลับ
2 EMA(5) 0.9319 เนื่ อ งจากเป็ น โครงข่ า ยที่ ส ามารถเรี ย นรู้ ไ ด้ โ ดยการปรั บ
3 SMA(5) 0.9216 ค่าน้ำ�หนัก เพื่อลดค่าความคลาดเคลื่อนกำ�ลังสองเฉลี่ย
4 EMA(15) 0.8870 ระหว่างค่าข้อมูลผลลัพธ์กับค่าเป้าหมาย
5 SMA(15) 0.8588 3.3.2 เลือกใช้ฟงั ก์ชนั การฝึกหัด (Training Function)
6 Lower Band (BB1P) 0.8581
แบบ TrainLM (Levenberg Marquardt Algorithm) เนื่องจาก
สามารถประมวลผลได้ค่อนข้างเร็วและมีประสิทธิภาพ [13]
7 Upper Band (BB1P) 0.8556
3.3.3 เลือกใช้ฟงั ก์ชนั การเรียนรู้ (Learning Function)
8 Upper Band (BB2P) 0.8352
แบบ LearnGDM (Gradient Descent with Momentum Weight
9 Lower Band (BB2P) 0.8337
and Bias Learning Function)
10 MACD 0.4051 3.3.4 เลือกใช้ค่าความคลาดเคลื่อนกำ�ลังสองเฉลี่ย
11 Signal of MACD 0.3730 (MSE) ในการวัดค่าความผิดพลาด เพือ ่ วัดประสิทธิภาพของ
12 RSI14 0.2689 โมเดลที่ได้จากการเรียนรู้
13 PDI 0.2150 3.3.5 กำ�หนดให้มีชั้นซ่อน (Hidden Layer) 1 ชั้น
14 %K of STO 0.1628
3.3.6 เลือกใช้ฟังก์ชันกระตุ้น (Activation Function)
15 %D of STO 0.1604
แบบ Binary Sigmoid (logsig) ในชั้นซ่อน และแบบ Linear
(purelin) ในชั้นผลลัพธ์ เนื่องจากข้อมูลที่ใช้ไม่มีค่าติดลบ
16 ADX -0.0016
3.3.7 โครงสร้างของโครงข่ายประสาทเทียมประกอบ
17 MDI -0.2085
ด้วย ดังภาพที่ 4
ก) ตัวแปรข้อมูลนำ�เข้ามีจำ�นวน 16 ตัวแปร
3.2.4 การแปลงข้อมูล (Data transformation) ข) จำ�นวนโหนดในชั้นซ่อนตั้งแต่ 1-20 โหนด
เป็นขัน้ ตอนการปรับขอบเขตของข้อมูลให้อยูใ่ นช่วง ค) จำ�นวนโหนดในชั้นผลลัพธ์มีจำ�นวน 1 โหนด
ที่เหมาะสมกับฟังก์ชันที่เลือกใช้ เพื่อนำ�ไปใช้งานในการ 3.3.8 การฝึกหัดและทดสอบโครงข่ายประสาทเทียม
ฝึกหัดโครงข่ายประสาทเทียม ให้เกิดกระบวนการเรียนรู้ โดย ขั้นตอนของการฝึกหัดโครงข่ายประสาทเทียมเพื่อใช้เป็น
แปลงค่าข้อมูลด้วยวิธีการนอมัลไลซ์ (Normalization) และ โมเดลสำ�หรับทดสอบการพยากรณ์ โดยใช้ชุดข้อมูลฝึกหัด
การแปลงค่าข้อมูลในลักษณะเชิงเส้น (Min-Max Normalization) และชุดข้อมูลทดสอบ จะต้องผ่านการแปลงค่าข้อมูลให้อยูใ่ น
ดังสมการที่ 2 [14] ช่วงที่เหมาะสม
3.3.8.1 การฝึกหัด มีขั้นตอนดังนี้
V − min
Vnew = (max new − min new ) + min new (2) ก) กำ�หนดโครงสร้างของโครงข่ายประสาทเทียม
max − min
รวมถึงค่าต่างๆ ในโปรแกรม และกำ�หนดจำ�นวนโหนดซ่อน

ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558 วารสารเทคโนโลยีสารสนเทศ 59

Vol. 11, No. 1, January - June 2015 Information Technology Journal
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

ข) นำ � ชุ ด ข้ อ มู ล สำ � หรั บ ฝึ ก หั ด ในแต่ ล ะ ยั ง มี แ นวโน้ ม ที่ เ พิ่ ม ขึ้ น มากกว่ า ค่ า ของผลลั พ ธ์ ที่ ซื้ อ ไป
หลักทรัพย์ เข้าสู่กระบวนการเรียนรู้ ก่อนหน้า กำ�หนดให้เป็นสัญญาณขาย
ค) ในกระบวนการฝึกหัดได้ทดลองกำ�หนด 3.3.9.3 การซือ้ ขายหลักทรัพย์ จะใช้ราคาจริง
จำ�นวนโหนดในชั้นซ่อนตั้งแต่ 1-20 โหนด และทำ�การ ของราคาปิดหลักทรัพย์ในวันนั้น และไม่มีการคำ�นวณค่า
ตรวจสอบค่าความคลาดเคลือ่ นกำ�ลังสองเฉลีย่ ทีไ่ ด้ ถ้าโมเดล ดอกเบี้ยหรือค่าคอมมิชชั่น
ใดทีใ่ ห้คา่ ความผิดพลาดน้อยทีส่ ดุ ให้โปรแกรมบันทึกโมเดล 3.3.9.4 กำ�หนดการซือ้ ขายหลักทรัพย์ครัง้ ละ
นั้ น เพื่ อ นำ � โมเดลที่ ไ ด้ ไ ปใช้ ใ นการทดสอบข้ อ มู ล กั บ 100 หุ้น เพื่อให้เหมาะสมกับหน่วยของหลักทรัพย์ด้วย
หลักทรัพย์นั้น ราคาปิด การซื้อขายในแต่ละครั้งนั้น นำ�ผลต่างระหว่าง
3.3.8.2 การทดสอบการพยากรณ์ นำ�ชุด ผลตอบแทนจากการขายกับราคาที่ซื้อไปมาหาค่าร้อยละ
ข้อมูลทดสอบเข้าสู่กระบวนการทดสอบด้วยโมเดลที่ได้จาก แล้วนำ�อัตราผลตอบแทนที่ได้จากการซื้อขายของแต่ละวิธี
การฝึ ก หั ด ในแต่ ล ะหลั ก ทรั พ ย์ และทำ � การบั น ทึ ก ข้ อ มู ล มาเปรียบเทียบอัตราผลตอบแทนโดยรวมทัง้ 26 หลักทรัพย์
ผลลัพธ์ที่ได้จากการพยากรณ์ เพื่อนำ�ไปหาจังหวะเวลาซื้อ ดังสมการที่ 3
ขายหลักทรัพย์ตามเงื่อนไขที่กำ�หนด n n
Gain(%) = 100 ⋅ ∑ (Sell (i ) − Buy (i )) / ∑ Buy (i ) (3)
i =1 i =1

โดยที่ Gain คือ อัตราผลตอบแทน

Buy คือ เงินลงทุนจากการซื้อหลักทรัพย์
Sell คือ เงินจากการขายหลักทรัพย์

ตารางที่ 4 เปรียบเทียบผลตอบแทนที่ได้จากวิธีที่นำ�เสนอ
กับวิธีวิเคราะห์ทางเทคนิค
ปี พ.ศ. 2551 ถึง พ.ศ. 2556
วิธี
2551 2552 2553 2554 2555 2556 เฉลีย่
ANN -56.87 758.96 485.98 189.63 259.11 155.00 298.63

DMS -155.61 404.59 185.98 1.95 38.36 -36.02 73.21

ภาพที่ 4 โครงสร้างโครงข่ายประสาทเทียม
BB1P -82.86 229.95 102.15 30.33 39.10 -23.31 49.23
3.3.9 เงือ่ นไขและข้อตกลงในการซือ้ ขายหลักทรัพย์
EMA -66.22 226.86 89.07 4.57 26.56 -2.44 46.40
3.3.9.1 การกำ�หนดสัญญาณซื้อขายของวิธี
วิเคราะห์ทางเทคนิค ใช้เงื่อนไขการซื้อขายตามวิธีของการ SMA -81.55 271.50 94.01 -4.53 21.34 -23.00 46.30

ซื้อขาย ดังตารางที่ 3 MACD -109.53 138.72 82.95 19.67 24.04 -5.07 25.13
3.3.9.2 การกำ�หนดสัญญาณซื้อขายของวิธี
STO -101.08 71.52 70.44 6.30 31.96 -22.93 9.37
ที่นำ�เสนอ พิจารณาโดยใช้ผลลัพธ์ที่ได้จากการพยากรณ์
ก) ถ้าค่าของผลลัพธ์บวกด้วยสองแล้ว ค่าที่ BB2P -451.85 202.83 175.64 -47.57 90.05 -66.16 -16.18

ได้ ยั ง มี แ นวโน้ ม ลดลงน้ อ ยกว่ า ค่ า ของผลลั พ ธ์ ที่ ข ายไป RSI14 -519.90 189.35 150.20 52.89 81.20 -64.45 -18.45
ก่อนหน้า กำ�หนดให้เป็นสัญญาณซื้อ
ข) ถ้าค่าของผลลัพธ์ลบด้วยสองแล้ว ค่าที่ได้

60 วารสารเทคโนโลยีสารสนเทศ ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558

Information Technology Journal Vol. 11, No. 1, January - June 2015
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

เมื่อเปรียบเทียบจำ�นวนหลักทรัพย์ ที่ให้ผลตอบแทนที่ดี
ที่สุด ด้วยวิธีที่นำ�เสนอกับวิธีวิเคราะห์ทางเทคนิค พบว่า
จำ � นวนหลั ก ทรั พ ย์ ที่ ไ ด้ จ ากวิ ธี ที่ นำ � เสนอนั้ น มี จำ � นวน
หลักทรัพย์ที่ให้ผลตอบแทนที่ดีที่สุดกว่าวิธีวิเคราะห์ทาง
เทคนิค โดยเฉลี่ยทั้ง 6 ปี ประมาณ 15 หลักทรัพย์ต่อปี
ดังตารางที่ 5
เมื่ อ เปรี ย บเที ย บจำ � นวนครั้ ง ในการซื้ อ ขายที่ ป ระสบ
ผลสำ�เร็จ กล่าวคือได้ก�ำ ไรจากการซือ้ ขายของ 26 หลักทรัพย์
ด้วยวิธีที่นำ�เสนอกับวิธีวิเคราะห์ทางเทคนิค พบว่าจำ�นวน
ภาพที่ 5 ผลตอบแทนโดยรวมตั้งแต่ปี พ.ศ. 2551-2556 ครัง้ ของผลสำ�เร็จทีไ่ ด้จากวิธที นี่ �ำ เสนอคิดเป็นร้อยละ 72.22
จากการซื้อขายทั้งสิ้น 378 ครั้ง ดังตารางที่ 6
ตารางที่ 5 เปรียบเทียบจำ�นวนหลักทรัพย์ที่ให้ผลตอบแทน จากผลการทดลอง สามารถสรุปได้ว่าการประยุกต์ใช้
ที่ ดี ที่ สุ ด จากวิ ธี ที่ นำ � เสนอกั บ วิ ธี วิ เ คราะห์ ท าง โครงข่ า ยประสาทเที ย มร่ ว มกั บ ตั ว ชี้ วั ด ทางเทคนิ ค นั้ น
เทคนิค สามารถให้ผลตอบแทนในการซื้อขายหลักทรัพย์ที่เพิ่มขึ้น
เนื่องจากวิธีวิเคราะห์ทางเทคนิคแต่ละวิธีมีลักษณะที่เหมาะ
ปี พ.ศ. 2551 ถึง พ.ศ. 2556 กับการใช้งานแตกต่างกัน ดังนั้นการนำ�วิธีวิเคราะห์ทาง
วิธี
2551 2552 2553 2554 2555 2556 เฉลีย่
เทคนิคที่มีความสามารถในแต่ละด้านมาประยุกต์ใช้ร่วมกับ
โครงข่ายประสาทเทียมในการประมวลผล จะช่วยให้การ
ANN 10 16 19 16 17 13 15.17 วิเคราะห์ได้ผลตอบแทนดีกว่าการวิเคราะห์ทางเทคนิคเพียง
RSI14 4 3 3 3 3 2 3.00 วิธีใดวิธีหนึ่ง
BB2P 1 1 2 2 4 3 2.17
DMS 2 3 2 2 2 1 2.00
EMA 4 1 0 1 0 1 1.17
SMA 3 1 0 0 0 2 1.00
STO 2 0 0 1 0 2 0.83
MACD 0 0 0 1 0 1 0.33
BB1P 0 1 0 0 0 1 0.33
ภาพที่ 6 ข้อมูลเอาต์พุตจริงกับข้อมูลเป้าหมาย

4. ผลการวิจัยและอภิปรายผล จากกราฟแสดงให้เห็นว่า เส้นของข้อมูลราคาปิดที่ผ่าน

ผลการวิจยั โดยรวมจากอัตราผลตอบแทนของหลักทรัพย์ การแปลงค่าแล้ว (Data Close) ซึง่ เป็นข้อมูลของเอาต์พตุ จริง
ทั้ง 26 หลักทรัพย์ เมื่อเปรียบเทียบการซื้อขายด้วยวิธีที่ ของหลักทรัพย์ ADVANC ในปี พ.ศ. 2555 และเส้นข้อมูล
นำ�เสนอ (ANN) กับวิธีวิเคราะห์ทางเทคนิค พบว่าอัตรา เป้าหมายที่ได้จากการทดสอบ (Data Test) เพื่อใช้สำ�หรับ
ผลตอบแทนทีไ่ ด้จากวิธที นี่ �ำ เสนอ ให้ผลตอบแทนทีด่ กี ว่าวิธี จำ�ลองการซื้อขายและแสดงให้เห็นถึง แนวโน้มของข้อมูลที่
อื่น โดยเฉลี่ยทั้ง 6 ปี เท่ากับร้อยละ 298.63 ต่อปี ดังตาราง ได้จากการทดสอบของโมเดล เปรียบเทียบกับข้อมูลจริงของ
ที่ 4 และดังภาพที่ 5 หลักทรัพย์ ดังภาพที่ 6

ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558 วารสารเทคโนโลยีสารสนเทศ 61

Vol. 11, No. 1, January - June 2015 Information Technology Journal
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

ตารางที่ 6 เปรียบเทียบผลสำ�เร็จจากการซื้อขายทีไ่ ด้จากวิธีที่นำ�เสนอกับวิธีวิเคราะห์ทางเทคนิค

ปี พ.ศ.
2551 2552 2553 2554 2555 2556 2551-2556
วิธี
ซื้อ/ขาย สำ�เร็จ ซื้อ/ขาย สำ�เร็จ ซื้อ/ขาย สำ�เร็จ ซื้อ/ขาย สำ�เร็จ ซื้อ/ขาย สำ�เร็จ ซือ้ /ขาย สำ�เร็จ ซื้อ/ขาย สำ�เร็จ สำ�เร็จ
(ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (ครั้ง) (%)

ANN 138 60 51 43 44 41 44 36 58 55 43 38 378 273 72.22

RSI14 48 16 38 34 39 32 53 38 44 33 44 24 266 177 66.54
BB2P 59 17 51 44 61 54 63 31 57 39 52 30 343 215 62.68
STO 222 75 218 128 229 145 232 126 245 146 169 77 1315 697 53.00
DMS 106 23 113 70 104 58 107 43 95 45 79 24 604 263 43.54
SMA 146 31 163 86 179 76 189 70 190 72 129 48 996 383 38.45
BB1P 122 21 129 63 157 68 139 56 158 62 118 39 823 309 37.55
MACD 182 23 184 89 198 93 205 74 198 73 143 51 1110 403 36.31
EMA 133 19 141 59 179 62 168 51 165 48 117 26 903 265 29.35

5. สรุปผลการวิจัย จากผลการทดลองพบว่าข้อมูลของตัวชี้วัดทางเทคนิค
งานวิจัยนี้มีวัตถุประสงค์เพื่อนำ�เสนอวิธีการประยุกต์ใช้ ทุกตัวที่ใช้ในการทดลอง มีผลกระทบต่อผลตอบแทน หรือ
โครงข่ า ยประสาทเที ย มร่ ว มกั บ ตั ว ชี้ วั ด ทางเทคนิ ค เพื่ อ ผลลัพธ์จากโครงข่ายประสาทเทียม ซึ่งอาจมีความสำ�คัญ
สนับสนุนการลงทุนในตลาดหลักทรัพย์แห่งประเทศไทย โดย มากน้อยแตกต่างกัน จากการทดลองตัดตัวแปรตัวใดตัวหนึง่
ใช้โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าหลายชั้น มี ออกจาก 16 ตัวแปร ผลปรากฏว่าผลตอบแทนที่ได้ลดลง
การเรียนรู้แบบแพร่กระจายย้อนกลับ โดยใช้ค่าที่ได้จาก ดั ง นั้ น อาจสรุ ป ได้ ว่ า ตั ว แปรทุ ก ตั ว มี ค วามสำ � คั ญ ต่ อ การ
ตั ว ชี้ วั ด ทางเทคนิ ค ที่ ผ่ า นการวิ เ คราะห์ ค่ า สั ม ประสิ ท ธิ์ ทดลองและผลตอบแทน โดยทีต่ วั แปรแต่ละตัวอาจจะบ่งบอก
สหสัมพันธ์ 16 ตัวแปร เป็นข้อมูลนำ�เข้า และทำ�การทดลอง ถึ ง สภาวะแนวโน้ ม หรื อ สภาวะของตลาดหลั ก ทรั พ ย์ ที่
เพือ่ หาโมเดลทีด่ ที สี่ ดุ ของแต่ละหลักทรัพย์ โดยพิจารณาจาก แตกต่างกัน และการทดลองยังพบอีกว่าถ้าใช้ข้อมูลของ
ค่าความคลาดเคลื่อนกำ�ลังสองเฉลี่ยที่น้อยที่สุด จากนั้น ตัวชี้วัดทางเทคนิคในแต่ละวิธีมาเป็นข้อมูลอินพุตสำ�หรับ
นำ�โมเดลที่ได้มาทำ�การทดสอบ และจำ�ลองสถานการณ์ ประยุกต์ใช้ร่วมกับโครงข่ายประสาทเทียมแล้วจำ�ลองการ
การซื้ อ ขายทั้ ง 26 หลั ก ทรั พ ย์ นำ � ผลตอบแทนที่ ไ ด้ ม า ซื้อขาย พบว่าตัวชี้วัดทางเทคนิคที่ใช้ข้อมูลของราคาปิด
เปรียบเทียบกับวิธวี เิ คราะห์ทางเทคนิคแบบดัง้ เดิม พบว่าวิธี หลักทรัพย์ในการคำ�นวณนัน้ ให้ผลตอบแทนทีด่ กี ว่าตัวชีว้ ดั
ที่นำ�เสนอให้ผลตอบแทนโดยรวมดีที่สุด ซึ่งให้ผลตอบแทน ทางเทคนิคที่ใช้ข้อมูลของปริมาณการซื้อขายหลักทรัพย์ใน
คิ ด เป็ น ร้ อ ยละของแต่ ล ะหลั ก ทรั พ ย์ และรวมอั ต รา การคำ � นวณ และจากการจำ � ลองสถานการณ์ ใ นการหา
ผลตอบแทนทั้ง 26 หลักทรัพย์ เฉลี่ยร้อยละ 298.63 ต่อปี สัญญาณซือ้ ขายหลักทรัพย์นนั้ ตัวชีว้ ดั ทางเทคนิคทีใ่ ช้ขอ้ มูล
และประสบผลสำ�เร็จจำ�นวนครั้งจากการซื้อขายโดยรวม ของราคาปิดทีใ่ ช้ชว่ งเวลาในการหาสัญญาณซือ้ ขายระยะสัน้
ร้ อ ยละ 72.22 สามารถแสดงกราฟเปรี ย บเที ย บอั ต รา ให้ผลตอบแทนจากการซื้อขายหลักทรัพย์ที่ดีกว่าช่วงระยะ
ผลตอบแทนทั้ง 6 ปี ดังภาพที่ 5 เวลายาว

62 วารสารเทคโนโลยีสารสนเทศ ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558

Information Technology Journal Vol. 11, No. 1, January - June 2015
 บทความวิจัย : การประยุกต์ใช้โครงข่ายประสาทเทียมโดยใช้ตัวชี้วัดทางเทคนิคเพื่อการลงทุน
ในตลาดหลักทรัพย์แห่งประเทศไทย

อย่างไรก็ตามงานวิจัยที่เกี่ยวข้องกับการสร้างสัญญาณ “การประยุกต์ใช้โครงข่ายประสาทเทียมแบบพหุนาม
ในการซื้อขายหลักทรัพย์ มีความแตกต่างในเรื่องของปัจจัย หลายชั้ น เพื่ อ การพยากรณ์ ป ริ ม าณการส่ ง ออก
หลายด้าน เช่น สภาวะเศรษฐกิจ สังคม การเมืองที่มีผล ข้าวเจ้านาปี.” วารสารเทคโนโลยีภาคใต้, 2553.
กระทบในประเทศ และปัญหาเรื่องภัยธรรมชาติ เป็นส่วน [8] กิตติ อัจฉริยะภากร, มลฑล ลีลาจินดาไกรฤกษ์ และ
สำ�คัญส่วนหนึ่งที่กระทบกับสภาวะการซื้อขาย รวมไปถึง สมชาติ จิริวิภากร. “การประยุกต์ใช้โครงข่ายประสาท
ความแตกต่างด้านข้อมูลที่นำ�มาใช้ในการทดลอง ล้วนเป็น เทียมสำ�หรับวัดค่าฮาร์มอนิกส์ในระบบไฟฟ้ากำ�ลัง.”
ปัจจัยที่ส่งผลกระทบต่อการลงทุนเป็นสิ่งที่นักลงทุนควร วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 2551.
พิจารณา และที่สำ�คัญคือต้องรักษาวินัยในการลงทุน [9] ปรเมศ อิงสุวรรณ และ สมชาติ จิรวิ ภิ ากร. “การประยุกต์
ใช้โครงข่ายประสาทเทียมในการแก้ปัญหาออปติมอล
6. เอกสารอ้างอิง เพาเวอร์ โ ฟลว์ . ” วารสารวิ ช าการพระจอมเกล้ า
[1] สุ ร ชั ย จั น ทร์ จ รั ส , ระวี มุ สิ ก โปดก และ จี ร นั น ท์ พระนครเหนือ, 2551.
เขิมขันธ์. “การวัดประสิทธิภาพการพยากรณ์ของแบบ [10] สุภะ จันทา และ นลินภัสร์ ปรวัฒน์ปรียกร. “ระบบ
จำ�ลองเครือข่ายประสาทเทียม: กรณีศึกษาดัชนีราคา จำ�แนกและค้นคืนข้อมูลเว็บกระทู้ข่าวด้วยโครงข่าย
ตลาดหลักทรัพย์แห่งประเทศไทย.” วารสารวิชาการ ประสาทเทียมเปอร์เซ็ปตรอนแบบหลายชัน้ .” ภาควิชา
พระจอมเกล้าพระนครเหนือ, 2556. เทคโนโลยีสารสนเทศ คณะเทคโนโลยีสารสนเทศ
[2] สนธิ อังสนากุล. มหัศจรรย์แห่งเทคนิค. ซีเอ็ดยูเคชั่น, มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ,
2547. 2556.
[3] ชโลธร ชูทอง. การสร้างสัญญาณซื้อขายโดยการรวม [11] Raul Rojas. “Neural Network: A Systematic
รูปแบบแผนภูมิและตัวชี้วัดทางเทคนิค, วิทยานิพนธ์ Introduction, Springer.” Berlin: Springer-Verlag Berlin
วิทยาศาสตรมหาบัณฑิต (วิทยาการคอมพิวเตอร์และ Heidelberg., 1996.
ระบบสารสนเทศ) สถาบันบัณฑิตพัฒนบริหารศาสตร์, [12] ฐิติพรรณ สวนกัน. การคัดแยกรูปภาพอนาจารโดยใช้
2555. โครงข่ายประสาทเทียม, วิทยาศาสตรมหาบัณ ฑิ ต
[4] ยุ พ าพิ น อติ ก านต์ กุ ล . “การเปรี ย บเที ย บวิ ธี ก าร สาขาวิชาเทคโนโลยีสารสนเทศ ภาควิชาเทคโนโลยี
พยากรณ์ดชั นีตลาดหลักทรัพย์แห่งประเทศไทยในเชิง สารสนเทศบัณฑิตวิทยาลัย มหาวิทยาลัยเทคโนโลยี
สถิติ.” คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัย พระจอมเกล้าพระนครเหนือ, 2550.
เทคโนโลยีราชมงคลพระนคร, 2555. [13] พนิดา ยืนยงสวัสดิ์ และ พยุง มีสัจ. “การพยากรณ์
[5] J. Bruce Vanstone and Gavin Finnie. “Combining ปริ ม าณการใช้ ย าโดยใช้ โ ครงข่ า ยประสาทเที ย ม.”
Technical Analysis and Neural Network in the วารสารเทคโนโลยีสารสนเทศ, 2549.
Australian Stock market.” Bond University, 2006. [14] มนตรี อินทโชติ. การพยากรณ์ตลาดหุ้นโดยใช้ตัว
[6] เดช ธรรมศิริ และ พยุง มีสัจ. “การจำ�แนกข้อมูลด้วย แบบนิ ว โรเจเนติ ก , วิ ท ยานิ พ นธ์ วิ ท ยาศาสตร
วิธีแบบร่วมกันตัดสินใจจากพื้นฐานของเทคนิคต้นไม้ มหาบั ณ ฑิ ต (วิ ท ยาการคอมพิ ว เตอร์ ) สถาบั น
ตัดสินใจ เทคนิคโครงข่ายประสาทเทียม และเทคนิค เทคโนโลยี พ ระจอมเกล้ า เจ้ า คุ ณ ทหารลาดกระบั ง ,
ซัพพอร์ตเวกเตอร์แมชชีนร่วมกับการเลือกตัวแทนที่ 2549.
เหมาะสมด้ ว ยขั้ น ตอนวิ ธี เ ชิ ง พั น ธุ ก รรม.” วารสาร [15] ศรี ส กุ ล แสงสุ ว รรณ และ สุ ช า สมานชาติ . “การ
วิชาการพระจอมเกล้าพระนครเหนือ, 2554. พยากรณ์ราคาทองคำ�แท่งโดยใช้โครงข่ายประสาท
[7] เกี ย รติ ศั ก ดิ์ จั น ทร์ แ ก้ ว และ สุ พ จน์ นิ ต ย์ สุ วั ฒ น์ . เทียม.” วารสารเทคโนโลยีสารสนเทศ, 2551.

ปีท่ี 11 ฉบับที่ 1 มกราคม - มิถนุ ายน 2558 วารสารเทคโนโลยีสารสนเทศ 63

Vol. 11, No. 1, January - June 2015 Information Technology Journal