การจำแนกกลุ่มหุ้นขนาดเล็กเพื่อใช้ทำนายผลตอบแทนส่วนเกินตลาด

งานวิจัยนี้มีวัตถุประสงค์เพื่อจำแนกหุ้นขนาดเล็กและทำนายว่าผลตอบแทนของหุ้นจะเกินค่าเฉลี่ยของตลาดหรือไม่ โดยใช้อัตราส่วนทางการเงินเป็นตัวชี้วัดหลัก การศึกษานี้ใช้ข้อมูลจากหุ้นขนาดเล็กที่จดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย (SET) และตลาดหลักทรัพย์เอ็มเอไอ (MAI)ในช่วงปี ค.ศ. 2019 ถึง 2023 โมเดลการเรียนรู้ของเครื่องจักรที่ใช้ประกอบด้วย Naive Bayes,ต้นไม้ตัดสินใจ, การสุ่มป่าไม้, เพื่อนบ้านที่ใกล้ที่สุด (KNN) และโครงข่ายเพอร์เซ็ปตรอนแบบหลายชั้น(MLP) เพื่อประเมินประสิทธิภาพการทำนายเทคนิคการตรวจสอบความถูกต้องเรียนรู้และทดสอบโมเดล เช่น Hold-Out และ K-FoldCross Validation ถูกใช้ในการประเมินความเสถียรและความถูกต้องของแต่ละโมเดล ผลการวิจัยพบว่าโมเดลต้นไม้ตัดสินใจและการสุ่มป่าไม้แสดงค่าความแม่นยำในการทำนายสูง ในขณะที่เพื่อนบ้านที่ใกล้ที่สุดแสดงความสอดคล้องที่ดีระหว่างการตรวจสอบและผลการลงทุนจริง โมเดลโครงข่ายเพอร์เซ็ปตรอนแบบหลายชั้นแสดงถึงความสมดุลระหว่างความซับซ้อนและความแม่นยำในการทำนาย ซึ่งสามารถจับแนวโน้มข้อมูลทางการเงินได้อย่างมีประสิทธิภาพการศึกษานี้ชี้ให้เห็นถึงคุณค่าของการใช้การเรียนรู้ของเครื่องในการทำนายผลตอบแทนของหุ้นขนาดเล็ก และให้ข้อมูลเชิงลึกเกี่ยวกับโมเดลที่เหมาะสมที่สุดในการระบุหุ้นที่ให้ผลตอบแทนเกินค่าเฉลี่ยของตลาด