การพยากรณ์ดัชนีพลังงาน MSCI ด้วยแบบจำลอง SARIMA
Article Sidebar
Main Article Content
บทคัดย่อ
พลังงานถือได้ว่ามีบทบาทอย่างมากในระบบเศรษฐกิจไม่ว่าจะเป็นด้านการบริโภคและการผลิตโดยในปัจจุบันราคา
พลังงานมีการเปลี่ยนแปลงสูงมีลักษณะเคลื่อนไหวตามวัฏจักรธุรกิจเนื่องจากปริมาณความต้องการใช้พลังงานในแต่ละช่วงเวลา
ไม่เท่ากันการคาดการณ์ดัชนีพลังงานจึงมีส่วนช่วยทำให้นักลงทุนสามารถวางแผนได้อย่างเหมาะสมโมเดลที่ใช้ในงานวิจัยครั้งนี้ คือ Seasonal Autoregressive Integrated Moving Average model (SARIMA) ซึ่งเป็นโมเดลที่เพิ่มผลกระทบจากฤดูกาล เป็นตัวแบบที่พัฒนามาจาก ARIMA (p, d, q) ของ Box and Jenkins โดยวัตถุประสงค์งานวิจัยในครั้งนี้ คือ 1) เพื่อสร้างแบบจำลองที่เหมาะสมกับข้อมูลดัชนีพลังงานโลก (MSCI World Energy Index) โดยแบบจำลอง SARIMA (Seasonal Autoregressive Integrated Moving Average) 2) เพื่อเปรียบเทียบความถูกต้องของการพยากรณ์ดัชนีพลังงาน MSCI World Energy Index ด้วย SARIMA Model ข้อมูลที่ใช้ในการวิจัยในครั้งนี้ คือ ข้อมูลรายเดือนของ ดัชนีพลังงานโลก (MSCI World Energy Index) ตั้งแต่ ปี 2548 ถึงปี 2562 (15 ปี) ในขั้นตอนของการวิจัยประกอบไปด้วย การทดสอบความนิ่งข้อมูล ด้วยวิธี unit root test การสร้างแบบจำลอง SARIMA การเลือกแบบจำลองที่เหมาะสม และสุดท้ายเป็นการพยากรณ์ข้อมูลตามแบบจำลองที่ดีที่สุด ผลการวิจัย พบว่า ตัวแบบที่ดีที่สุดในการพยากรณ์ คือ SARIMA (2,1,1)×(2,1,3)12 และเมื่อนำไปผลที่ได้ไปพยากรณ์จะได้ค่าที่ใกล้เคียงกับค่าจริง ซึ่งมีค่าความคลาดเคลื่อน RMSE เท่ากับ 16.68 และ MAE เท่ากับ 12.39 ตามลำดับ
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
References
Ahmed, N. B. (2018). A Comparative Analysis of Forecast Performance between SARIMA and SETAR Models using Macroeconomic variables in Ghana. Ghana: University of Ghana.
Akaike, H. (1973). Information Theory and an Extension of the Maximum Likelihood Principle. In B.N. Petrov and F. Csaki (Eds.), Second International Symposium on Information Theory, 267-281.
Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2008). Time series analysis, forecasting and control, 4th ed. New Jersey: John Wiley and Sons.
Bunnun, W., Phonkhen, K., Penalawat, K., & Nguatchai, W. (2019). An Analysis of Risk and Return in the Stock Exchange of Thailand: A Case of Banking Sector During Periods Before and After on September 2018. Kasetsart Applied Business Journal, 13(19), 19-28.
CNBC News. (2020). Energy demand, hit by coronavirus crisis, is set to see record drop this year, IEA says. https://www.cnbc.com/2020/04/30/energy-demand-set-to-fall-the-most-on-record-this-year-amid-coronavirus-pandemic-iea-says.html
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431.
Kaewhawong, N. (2015). Forecasting Electricity Consumption of Thailand by Using SARIMA and Regression Models with ARMA Errors. Thai Journal of Science and Technology, 4(1), 24-36.
Kantananon, K. (2018). Statistical Forecasting. Bangkok: SE-EDUCATION Public Company Limited.
Kirdjongrak, W. (2017). Forecasting Sea Salt Price. (Master’s Independent Study). Bangkok: Thammasat University.
Lee, K., Yoo, S., & Jin, J. (2007). Neural Network Model vs. SARIMA Model In Forecasting Korean Stock Price Index (KOSPI). Issues in Information Systems, 8(2), 372-378.
Morgan Stanley Capital International. (2019). MSCI 2019 Annual Report. America: Morgan Stanley Capital International.
Nwokike, C. C., Offorha, B. C., Obubu, M., Ugoala, C. B., & Ukomah, H. I. (2020). Comparing SANN and SARIMA for forecasting frequency of monthly rainfall in Umuahia. Scientific African, 3(10), 1-15. https://doi.org/10.1016/j.sciaf.2020.e00621
Sawa, T. (1978). Information Criteria for Discriminating among Alternative Regression Model. Journal of Econometrica, 46(6), 1273-1282.
Tadesse, K. B., & Dinka, M. O. (2017). Application of SARIMA model to forecasting monthly flows in Waterval River, South Africa. Journal of Water and Land Development, 12(35), 229-236.
Urrutia, J. D., Diaz, J. L. B., & Baccay, E. B. (2017). Forecasting Philippine Daily Stock Exchange Index. Journal of Fundamental and Applied Sciences, 9(7S), 202-218. https://dx.doi.org/10.4314/jfas.v9i7s.21
Wang, J., Du, Y. H., & Zhang X. T. (2008). Theory and application with seasonal time series, 1st ed. Nankai: Nankai University Press.