การทำนายดัชนีตลาดสัญญาซื้อขายล่วงหน้า SET50 โดยเปรียบเทียบข้อมูลระหว่างวันหลายช่วงเวลา

งานวิจัยนี้ศึกษาผลกระทบของการใช้หลายกรอบเวลา (multi-timeframe) ในการทำนายดัชนีราคาหุ้น SET50 index futures (S50IF) โดยใช้วิธีการศึกษาการตัดออก (Ablation study) และเปรียบเทียบประสิทธิภาพระหว่างโมเดลการเรียนรู้ของเครื่อง การวิจัยเริ่มจากการคัดเลือกโมเดลโดยใช้ Mean Square Error (MSE) จาก 4 อัลกอริทึม ได้แก่ SARIMAX, SVM, XGBoost และ LSTM โดย XGBoost และ LSTM ถูกเลือกเนื่องจากมีค่า MSE ต่ำที่สุด จากนั้นทำการเปรียบเทียบประสิทธิภาพผ่านตัวชี้วัดทางการเงิน ได้แก่ Hit Ratio (HR), Accumulated Return (AR) และ Sharpe Ratio (SR)ผลการวิจัยแสดงให้เห็นว่าการใช้หลายกรอบเวลาสามารถเพิ่มประสิทธิภาพการทำนายและผลตอบแทนทางการเงินได้อย่างมีนัยสำคัญเมื่อเทียบกับการใช้กรอบเวลาเดียว โดย LSTM มีประสิทธิภาพดีกว่า XGBoost ในเกือบทุกกรอบเวลา โดยเฉพาะในกรอบเวลา [15, 60] นาที ซึ่งให้ผลลัพธ์ดีที่สุด นอกจากนี้ การวิเคราะห์ Feature Importance พบความแตกต่างระหว่างสองโมเดล โดย XGBoost ให้ความสำคัญกับ Price Transform Indicators ขณะที่ LSTM เน้น Volatility Indicatorsงานวิจัยนี้ชี้ให้เห็นถึงประโยชน์ของการใช้หลายกรอบเวลาในการทำนายดัชนี S50IF และความสำคัญของการเลือกใช้ indicators ที่เหมาะสมสำหรับแต่ละกรอบเวลา และแต่ละโมเดล ซึ่งอาจนำไปสู่การพัฒนากลยุทธ์การลงทุนที่มีประสิทธิภาพมากขึ้นในอนาคต