วิเคราะห์เปรียบเทียบการพยากรณ์ความผันผวนของราคาหุ้นระหว่าง Garch และ machine learning/deep learning

การศึกษาค้นคว้าอิสระฉบับนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของการพยากรณ์ความผันผวนของราคาหุ้นระหว่างแบบจำลอง GARCH กับเทคนิค Machine Learning และ Deep Learning โดยใช้ดัชนี S&P500 และ SET Index เป็นกรณีศึกษา ตัวแบบที่นำมาทดสอบประกอบด้วย GARCH, XGBoost, Random Forest, Support Vector Machine (SVM), RecurrentNeural Network (RNN), Gated Recurrent Unit (GRU) แ ล ะ Long Short-Term Memory (LSTM) โดยใช้ข้อมูลราคาหลักทรัพย์ย้อนหลัง 10 ปี และดำเนินการทดสอบทั้งในรูปแบบโมเดลเดี่ยว (Single Model) และโมเดลผสม (Hybrid Model) ที่ผสานค่า GARCH เข้ากับ Deep Learning ผลการวิจัยพบว่า LSTM และ GRU สามารถพยากรณ์ความผันผวนได้แม่นยำที่สุดในทุกตลาดและทุกช่วงเวลา เมื่อพิจารณาจากค่าความคลาดเคลื่อน (MAE, MSE, RMSE) ขณะที่โมเดลผสมระหว่าง GARCH กับ Machine Learning อย่าง XGBoost และ Random Forest แสดงให้เห็นถึงการเพิ่มประสิทธิภาพอย่างชัดเจน ในทางกลับกัน การเพิ่ม GARCH เข้าไปในโมเดล Deep Learning กลับไม่เพิ่มประสิทธิภาพ และในบางกรณียังลดความแม่นยำลง นอกจากนี้ยังพบว่าการแยกข้อมูลช่วง COVID-19 ออก ช่วยให้โมเดลมีความแม่นยำในการพยากรณ์มากขึ้น ข้อค้นพบเหล่านี้สะท้อนให้เห็นถึงศักยภาพของ Deep Learning ในการพยากรณ์ความผันผวนในตลาดทุนที่มีลักษณะข้อมูลไม่เป็นเส้นตรง และความสำคัญของการพิจารณาลักษณะของข้อมูลร่วมกับโครงสร้างของแบบจำลองที่เลือกใช้