การเปรียบเทียบผลการพยากรณ์ราคาบิทคอยน์โดยใช้วิธีการวิเคราะห์การถดถอยโครงข่ายประสาทเทียม และการโปรแกรมเชิงพันธุกรรม

เอ ดีหลี

กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้: https://buuir.buu.ac.th/xmlui/handle/1234567890/6145

ระเบียนเมทาดาทาแบบเต็ม

ฟิลด์ DC	ค่า	ภาษา
dc.contributor.advisor	สุนิสา ริมเจริญ
dc.contributor.author	เอ ดีหลี
dc.contributor.other	มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ
dc.contributor.other	A Deelee
dc.date.accessioned	2023-05-12T02:27:38Z
dc.date.available	2023-05-12T02:27:38Z
dc.date.issued	2560
dc.identifier.uri	https://buuir.buu.ac.th/xmlui/handle/1234567890/6145
dc.description	งานนิพนธ์ (วท.ม.)--มหาวิทยาลัยบูรพา, 2560
dc.description.abstract	งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์หาปัจจัยพื้นฐาน เพื่อมาทดสอบการพยากรณ์ของราคาบิทคอยน์โดยใช้วิธีวิเคราะห์การถดถอย วิธีโครงข่ายประสาทเทียม และวิธีการโปรแกรมเชิง พันธุกรรม ผู้วิจัยได้เลือกข้อที่คาดว่าจะมีผลต่อราคาบิทคอยน์ประกอบด้วยข้อมูล 2 ส่วน ได้แก่ 1. อัตราแลกเปลี่ยนเงิน 2. ข้อมูลหุ้น 3. ทองคำ 4. พลังงาน ส่วนที่ 2 ได้แก่ ราคาบิทคอยน์ ย้อนหลัง 1 วัน และราคาบิทคอยน์ย้อนหลัง 2 วัน โดยใช้ข้อมูลย้อนหลัง ตั้งแต่วันที่ 1 กรกฎาคม 2557 ถึงวันที่ 31 มีนาคม 2559รวม 640 วัน โดยจะใช้ข้อมูลราคาปิดของแต่ละวัน จากนั้นจำข้อมูลปัจจัยทั้งมดมาคัดเลือกข้อ เพื่อหาข้อมูลปัจจัยที่มีความสัมพันธ์กับราคาบิทคอยน์ ด้วยวิธีการวิเคราะห์สหสัมพันธ์และวิธีคัดเลือกคุณสมบัติเมื่อได้ข้อมูลปัจจัยที่ผ่านการคัดเลือกแล้วนำปัจจัยที่ได้มาทดลองพยากรณ์ราคาบิทคอยน์ด้วยเทคนิคทั้ง 3 วิธีด้วยการแบ่งอัตราข้อมูลที่ 80:20 และ 90:10 โดยใช้วิธีวัดค่าความคลาดเคลื่อน คือ RMSE, RAE และ MAPE เป็นตัวเปรียบเทียบ จากการทดลองพบว่า การพยากรณ์ราคาบิทคอยน์ด้วยวิธีวิเคราะห์การถดถอยโดยใช้ วิธีการคัดเลือกปัจจัยด้วยวิธีการคัดเลือกคุณสมบัติได้ค่าความคลาดเคลื่อน RMSE เท่ากับ 1831.89 RAE เท่ากับ 1.04 และ MAPE เท่ากับ 9.10 วิธีโครงข่ายประสาทเทียมโดยใช้วิธีการคัดเลือกปัจจัย ด้วยวิธีการคัดเลือกคุณสมบัติโดยใช้อัตราส่วนข้อมูล 90:10 โมเดลที่ใช้ learningRate 0.3 และ trainingTime 5000 ได้ค่าความคลาดเคลื่อน RMSE เท่ากับ 1750.96 และ MAPE เท่ากับ9.06 และวิธีโปรแกรมพันธุกรรม โดยใช้วิธีการคัดเลือกปัจจัยด้วยวิธีการคัดเลือกคุณสมบัติ โดยใช้อัตราส่วนข้อมูล 80:20 โมเดลที่ใช้มีค่า elitism 200 ได้ค่าความคลาดเคลื่อน RMSE เท่ากับ 1909.10 RAE เท่ากับ 1.07 และ MAPE เท่ากับ 9.44 ซึ่งวิธีการพยากรณ์ราคาบิทคอยน์ทั้ง 3 วิธีได้ผลที่ใกล้เคียงกันต่างกันเพียงเล็กนน้อย
dc.language.iso	th
dc.publisher	คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา
dc.rights	มหาวิทยาลัยบูรพา
dc.subject	การโอนเงินทางอิเล็กทรอนิกส์
dc.subject	มหาวิทยาลัยบูรพา -- สาขาวิชาเทคโนโลยีสารสนเทศ
dc.subject	การวิเคราะห์การถดถอย -- โปรแกรมคอมพิวเตอร์
dc.title	การเปรียบเทียบผลการพยากรณ์ราคาบิทคอยน์โดยใช้วิธีการวิเคราะห์การถดถอยโครงข่ายประสาทเทียม และการโปรแกรมเชิงพันธุกรรม
dc.title.alternative	Comprison of bitcoin forecsting lgorithms: regression nlysis, neurl networks nd genetic progrmming
dc.type	วิทยานิพนธ์/ Thesis
dc.description.abstractalternative	This research aims to determine the underlying factors to forecast of Bitcoin pricesby using Regression Analysis, Neural Networks and Genetic Programming. The factors that affect the fluctuations of the Bitcoin prices are divided into two groups. The first group is underlying information that involves 1) currency exchange rates 2) Stock exchange 3) Gold prices 4) Oil prices, the second factor is Bitcoin prices of yesterday and Bitcoin pricesof two last days ago. The data used in the experiments are 21 months starting from July 1, 2557 to March 31, 2559, totally 640 days. Noted that we use only the closing price in each day. The factors that are associated with Bitcoin prices are selected using correlation analysis and feature selection method. The selected are used as input to forecast the price of Bitcoin with 3 methods: Regression analysis, Neural networks and Genetic programming. The training and testing data are divided with the ratio 80:20 and 90:10. The forecasting results are measured in terms of Root Mean Square Error (RMSE), Relative Absolute Error (RAE) and Mean Absolute Percent Error (MAPE). The results show that the forecasting of Bitcoin prices by using Regression analysis yields the RMSE of 1831.89, RAE of1.04 and MAPE of 9.10. By using Neural networks with the ratio of training and testing 90:10, learningRate 0.3 and trainingTime 5000, they yield RMSE of 1750.96, MAPE of 9.06 and RAE of1.03. Genetic programming with the ratio of training and testing of 80:20, elitism 200, it yields RMSE of1909.10, the RAE of1.07 and the MAPE of 9.44. To summarize, the forecasting of Bitcoin prices using the three methods yield quite similar results, they have a bit slightly difference of error rates.
dc.degree.level	ปริญญาโท
dc.degree.discipline	เทคโนโลยีสารสนเทศ
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.grantor	มหาวิทยาลัยบูรพา
ปรากฏในกลุ่มข้อมูล:	วิทยานิพนธ์ (Theses)

แฟ้มในรายการข้อมูลนี้:

แฟ้ม	รายละเอียด	ขนาด	รูปแบบ
55920329.pdf		4.66 MB	Adobe PDF	ดู/เปิด

แสดงระเบียนรายการแบบย่อ

รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น