แบบจําลองการพยากรณ์แนวโน้มของอัตราแลกเปลี่ยนสกุลเงินยูโรเทียบกับดอลลาร์สหรัฐแบบรายวันด้วยข้อมูลขั้วความรู้สึกของข่าวสารออนไลน์
A Trend Forecasting Model of Daily Euro/USD Exchange Rate Using Sentiment Analysis on Online News
Abstract
งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์แนวโน้มอัตราแลกเปลี่ยนสกุลเงินยูโรเทียบกับดอลลาร์สหรัฐในตลาดซื้อขายแลกเปลี่ยนสกุลเงินระหว่างประเทศ และการทดสอบสมมติฐานเชิงเป็นเหตุเป็นผลระหว่างด้วยวิธีแกรนเจอร์ โดยข้อมูลที่นำมาใช้ในการศึกษาประกอบด้วยข้อมูลแบบมีโครงสร้างได้แก่ เส้นค่าเฉลี่ยเคลื่อนที่ ราคาทองคำและราคาน้ำมันดิบ และข้อมูลแบบไม่มีโครงสร้างได้แก่ สัดส่วนของจำนวนข่าวขั้วความรู้สึกเชิงบวก เชิงลบ และเป็นกลางของข่าวสารที่เกี่ยวข้องกับอัตราการแลกเปลี่ยนสกุลเงินยูโรเทียบกับดอลลาร์สหรัฐ ซึ่งได้เก็บรวบรวมในระหว่างวันที่ 2 เดือนตุลาคม พ.ศ. 2563 ถึงวันที่ 10 เดือนกุมภาพันธ์ พ.ศ. 2564 จำนวน 92 รายการ โดยข้อมูลข่าวสารที่ได้จะถูกนำมาประมวลผลโดยวิธีเทคนิคการวิเคราะห์ขั้วความรู้สึกและวิธีการพยากรณ์แนวโน้มที่ใช้ในการศึกษานี้ได้แก่ 1) โครงข่ายประสาทเทียม 2) ซัพพอร์ตเวกเตอร์แมทชีน และ 3) การจำแนกประเภทแบบการสุ่มป่าไม้ นอกจากนี้ได้ทำการเปรียบเทียบการวัดประสิทธิภาพของตัวแบบพยากรณ์ คือวิธีการแบ่งข้อมูลสำหรับสอนและวัดผลและวิธีการตรวจสอบแบบไขว้ ผลการศึกษาข่าวที่มีขั้วความรู้สึกเชิงบวกและข่าวที่มีขั้วความรู้สึกเป็นกลางมีความสัมพันธ์กับแนวโน้มอัตราแลกเปลี่ยนสกุลเงินยูโรเทียบกับดอลลาร์สหรัฐ และตัวแบบพยากรณ์แนวโน้มที่สร้างขึ้นด้วยวิธีการจำแนกประเภทแบบการสุ่มป่าไม้จากการแบ่งข้อมูลวิธีวิธีการแบ่งข้อมูลสำหรับสอนและวัดผลให้ผลลัพธ์ที่ดีที่สุด โดยมีค่าความถูกต้อง คิดเป็นร้อยละ 71.43 ทั้งนี้ตัวแบบการจำแนกประเภทแบบการสุ่มป่าไม้ สามารถนำมาใช้พยากรณ์อัตราแลกเปลี่ยนสกุลเงินยูโรเทียบกับดอลลาร์สหรัฐเพื่อเป็นแนวทางการลงทุนการซื้อขายได้อย่างดี
The objectives of this research were to forecast the movement of the dollar-euro exchange rates in the Foreign Exchange (FOREX) Market and examine the relationship of the polarity of the news articles and the EUR to USD exchange rate using Granger Causality test. The variables used in the study consisted of structured variables such as a moving averages indicator, gold prices and crude oil prices, while the unstructured variables were the proportions of the positive, negative and neutral polarities of online news related to the EUR/USD exchange rates. Daily data was collected from October 2, 2020 to February 10, 2021, a total of 92 items in the study. The news articles were processed using the sentiment analysis and the following methods for predictive modeling: 1) Artificial Neural Network 2) Support Vector Machine and 3) Random Forest Classification. Two techniques for model evaluation are 1) Train-Test Split and 2) Cross Validation. The results showed that the positive, negative and neutral sentiments were related to the EUR to USD exchange rate trends. Moreover, The Random Forest based on Train-Test Split yielded the best results with accuracy accounting for 71.43%. Concisely, the Random Forest model can be used as an effective trading guide for forecasting the movement of the USD-EUR exchange rates.
Keywords
[1] Moneyhub. (2016, August). Forex. [Online]. (in Thai). Available: https://moneyhub.in.th/ article/forex-fraud/.
[2] Bank for international settlements. (2013). Triennial Central Bank Survey. [Online]. Available: https://www.bis.org/publ/rpfx13fx.pdf.
[3] M. Vochozka, Z. Rowland, P. Suler, and J. Marousek, “The influence of the international price of oil on the value of the EUR/USD exchange rate,” Journal of Competitiveness, vol. 12, no. 2, pp. 167–190, 2020.
[4] S. Sindhu, “A study on impact of select factors on the price of Gold,” IOSR Journal of Business and Management, vol. 8, no. 4, pp. 84–93, 2013.
[5] Messi. (2019, September). EUR/USD before Non Farm announcement. [Online]. (in Thai). Avaiable: https://www.thaifrx.com/eur-usd.
[6] TradingView ND. EURUSD Forex Charts. [Online]. (in Thai). Available: https://th.tradingview.com/ symbols/EURUSD.
[7] M. Taboada and J. Grieve, “Analyzing Appraisal Automatically,” in AAAI Spring Symposium on Exploring Attitude and Affect in Text, 2004, pp. 158–161.
[8] P. Puangprakhon and S. Narupiti, “Application of artificial neural networks and neighboring sections relationship in the short-term travel time prediction on urban roadways,” presented at 25th National Convention on Civil Engineering, Chonburi, Thailand, July 15–17, 2020 (in Thai).
[9] G. W. Rwin, K. Warwick, and K. J. Hunt, Neural Network Applications in Control. United Kingdom: Stevenage, 1995.
[10] A. Hirunyawanakul, “A technique to improve image recognition performance of handwritten signature,” M.S. thesis, Department of Computer Engineering, Faculty of Engineering, Suranaree University of Technology, 2014 (in Thai).
[11] M. A. Hearst, S. T. Dumais, E. Osuna, J. Platt, and B. Scholkopf, “Support vector machines,” IEEE Intelligent Systems and their Applications, vol. 13, no. 4, pp. 18–28, 1998.
[12] L. Breiman, “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.
[13] R. S. Pindyck and D. L. Rubinfeld, Econometric Models and Economic Forecasts, New York: McGraw-Hill, 1998.
[14] G. Angiani, L. Ferrari, T. Fontanini, P. Fornacciari, E. Iotti, F. Magliani, and S. A. Manicardi, “A comparison between preprocessing techniques for sentiment analysis in twitter,” KDWeb, 2016, pp. 1–11.
[15] E. Haddi, X. Liu, and Y. Shi, “The role of text pre-processing in sentiment analysis,” Procedia Computer Science, vol. 17, pp. 26–32, 2013.
[16] A. K. Nassirtoussi, S. Aghabozorgi, T. Y. Wah, and D. C. L. Ngo, “Text mining of newsheadlines for FOREX market prediction: A multi-layer dimension reduction algorithm with semantics and sentiment,” Expert Systems with Application, vol. 42, no. 1, pp. 306–324, 2015.
[17] S. M. Islam, E. Hossain, A. Rahman, M. S. Hossain, and K. Andersson, “A review on recent advancements in FOREX currency prediction,” Algorithms, vol. 13, no. 8, pp. 186, 2020.
[18] W. Phaphan and A. Pimpisal, “The predictions of a daily stock price direction from the Thai news content by using natural language processing,” The Journal of Applied Science, vol. 19, no. 1, pp. 59–79, 2020.
[19] D. Jiang, T. Han, Q. Zhao, and L. Wang, “Comparison of random forest, artificial neural networks and support vector machine for intelligent diagnosis of rotating machinery,” Transactions of the Institute of Measurement and Control, vol. 40, no. 8, pp. 2681–2693, 2017.
DOI: 10.14416/j.kmutnb.2023.10.005
ISSN: 2985-2145
Email this article 
Hide
Show all