วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม 
Maejo Information Technology and Innovation Journal (MITIJ)
 ค้นหา | หน้าแรก   
 
 
 
» หน้าแรก
» ฉบับปัจจุบัน
» ฉบับย้อนหลัง
» ค้นหาวารสาร/บทความ
» ลงทะเบียน (OJS/PKP)
 

                               :: รายละเอียดบทความ ::
กลับสู่เมนูค้นหา 
ชื่อบทความ
การเพิ่มประสิทธิภาพหุ่นยนต์เทรดด้วยพฤติกรรมของรายใหญ่ในตลาดโดยใช้ช่องว่างของราคาและโซนพรีเมียมดิสเคาท์
ชื่อบทความ(English)
Enhancing Robot Trading Performance with Smart Money Concepts Using Fair Value Gaps and Premium Discount Zones
ประเภทบทความ
บทความวิจัย
ชื่อผู้แต่ง สมนึก สินธุปวน(1), ฤทธิรุจน์ อุ่นตาล(1), ก่องกาญจน์ ดุลยไชย(1), ปวีณ เขื่อนแก้ว(1), และ อลงกต กองมณี(1*) (Somnuek Sinthupuan(1), Ritthirut Auntan(1), Kongkarn Dullayachai(1), Paween Khoenkaw(1), and Alongkot Gongmanee(1*))
หน่วยงาน สาขาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้ 50290 ประเทศไทย(1) (Computer Science Department, Faculty of Science, Maejo University(1)) *Corresponding author: alongkot@mju.ac.th
ชื่อวารสาร วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 11 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2568
บทคัดย่อ

         จุดประสงค์งานวิจัยเพื่อ ใช้ระบบการเทรดโดยใช้แนวคิดพฤติกรรมการซื้อขายของกลุ่มนักลงทุนรายใหญ่ในการระบุแนวโน้มร่วมกับช่องว่างของราคาในการเพิ่มโอกาศจังหวะเข้าซื้อ-ขายได้มากขึ้น และสร้างความแม่นยำในการเข้าซื้อ-ขายในพื้นที่ที่อยู่เหนือจุดสมดุลผ่านโซนพรีเมียมดิสเคาท์ การวิจัยได้พัฒนาอัลกอริทึมการเทรดโดยใช้แนวคิดพฤติกรรมการซื้อขายของกลุ่มนักลงทุนรายใหญ่โดยใช้โปรแกรมเมต้าเทรดเดอร์ 5 ในรูปแบบโปรแกรมอัตโนมัติ โดยทำการเพิ่มประสิทธิภาพด้วยช่องว่างของราคาและการหาราคาที่เหมาะสมผ่านโซนอุปสงค์และอุปทาน ผลการวิจัยข้อมูลย้อนหลังตั้งแต่ 2 มกราคม 2567 ถึง 1 มกราคม 2568 บนกรอบเวลา 4 ชั่วโมง ทำการเทรดคู่เงิน XAUUSD โดยพิจารณาค่า คำสั่งซื้อขายล่วงหน้า (Position), การพลาดโอกาสเข้าเทรด (%), อัตราชนะ (%), ค่าเฉลี่ยอัตราส่วนขาดทุนต่อกำไร (RRR), การเพิ่มขึ้นของกำไร (%), การแพ้ต่อเนื่อง (Position), การขาดทุนสะสมสูงสุด (%) และ ค่า Expectancy พบว่า 1) อัลกอริทึมระบบการเทรดโดยใช้แนวคิดพฤติกรรมการซื้อขายของกลุ่มนักลงทุนรายใหญ่ (34 Position, 47.06%, 16.67%, 4.23 RRR, -2.30%, 8 Position และ 5.10%) 2) อัลกอริทึมระบบการเทรดโดยใช้แนวคิดพฤติกรรมการซื้อขายของกลุ่มนักลงทุนรายใหญ่และช่องว่างของราคา (110 Position, 47.27%, 24.14%, 2.69 RRR, -6.40%, 13 Position และ 5.90%) และ 3) อัลกอริทึมระบบการ   เทรดโดยใช้แนวคิดพฤติกรรมการซื้อขายของกลุ่มนักลงทุนรายใหญ่ร่วมกับช่องว่างของราคาและโซนพรีเมียมดิสเคาท์ (23 Position, 43.48% , 30.77% , 4.98 RRR, 10.90%, 5 Position และ 0.00%) ดังนั้นการเปรียบเทียบประสิทธิภาพของกลยุทธ์ทั้งสามจากค่า Expectancy พบว่า กลยุทธ์ที่สาม การเพิ่มโซนพรีเมียมดิสเคาท์จะทำให้ประสิทธิภาพจุดที่เข้าซื้อ-ขายมีความเหมาะสมมากขึ้น มีประสิทธิภาพสูงสุด (0.84)  ในขณะที่ กลยุทธ์ที่หนึ่งมีค่า (-0.13) และ กลยุทธ์ที่สอง การใช้ช่องว่างของราคาทำให้ผู้ลงทุนมีโอกาศในจังหวะการเข้าซื่อ-ขายเพิ่มขึ้น แต่จุดที่เข้าซื้อ-ขายไม่เหมาะสม (-0.11) ไม่มีประสิทธิภาพเนื่องจากค่า Ex ติดลบ -0.13 -0.11 ตามลำดับ

คำสำคัญ ฟอเร็ก; ทองคำ; พฤติกรรมการซื้อขายของกลุ่มนักลงทุนรายใหญ่; ช่องว่างของราคา; โซนพรีเมียมดิสเคาท์
ปี พ.ศ. 2568
ปีที่ (Vol.) 11
ฉบับที่ (No.) 2
เดือนที่พิมพ์ พฤษภาคม - สิงหาคม
เลขที่หน้า (Page) 309-326
ISSN ISSN 3027-7280 (Online)
DOI 10.14456/mitij.2025.32
ORCID_ID 0009-0003-6105-5435
ไฟล์บทความ https://mitij.mju.ac.th/ARTICLE/R68019J.pdf
  
เอกสารอ้างอิง 
  Alvarez-Diaz, M., & Alvarez, A. (2003). Forecasting exchange rates using genetic algorithms. Applied Economics Letters, 10(5), 319–322. https://doi.org/10.sensored
  Gehrig, T., & Menkhoff, L. (2006). The impact of institutional trading on market liquidity and volatility: Evidence from the foreign exchange market. Journal of Financial Markets, 9(4), 345–369. https://doi.org/10.1016/j.finmar.2006.07.002
  Hsu, P. H., Taylor, M. P., & Wang, Z. (2016). Technical analysis in the foreign exchange market: A review. International Journal of Forecasting, 32(3), 747–760. https://doi.org/10.1016/j.ijforecast.2015.11.006
  Hui, J., & Wu, Q. (2012). Statistical learning models for high-frequency trading: A case study in forex markets. Quantitative Finance, 12(7), 1053–1066. https://doi.org/10.1080/14697688.2011.595683
  Hutagalung, R. P. M. (2021). Technical analysis strategies on XAU/USD (Gold/US Dollar) trading for profitability in the foreign exchange (FOREX) market. S1 thesis, Universitas Atma Jaya Yogyakarta. http://e-journal.uajy.ac.id/id/eprint/12345
  Ivanova, Y., Neely, C. J., & Weller, P. A. (2021). Do commodity prices follow a random walk? Evidence from the foreign exchange market. Journal of Futures Markets, 41(6), 871–893. https://doi.org/10.1002/fut.22189
  Kaushik, M. (2023). Machine learning and deep learning for exchange rate forecasting: A review. Journal of Big Data, 10(1), 1–28. https://doi.org/10.1186/s40537-022-00676-3
  Neely, C. J., & Weller, P. A. (2013). Technical analysis in the foreign exchange market. Federal Reserve Bank of St. Louis Working Paper Series, 2013-001A. https://doi.org/10.20955/wp.2013.001
  Sermpinis, G., Theofilatos, K., Karathanasopoulos, A., & Dunis, C. L. (2013). Forecasting foreign exchange rates with adaptive neural networks: A review and empirical analysis. Expert Systems with Applications, 40(14), 5591–5601. https://doi.org/10.1016/j.eswa.2013.04.033
  Sermpinis, G., Stasinakis, C., Theofilatos, K., & Karathanasopoulos, A. (2015). Modeling, forecasting and trading the EUR/USD exchange rate with hybrid neural networks. International Journal of Forecasting, 31(3), 683–695. https://doi.org/10.1016/j.ijforecast.2014.11.004
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
กลับสู่ เมนูค้นหา
       
กองบรรณาธิการวารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม มหาวิทยาลัยแม่โจ้
63 หมู่ 4 ต.หนองหาร อ.สันทราย จ.เชียงใหม่ 50290  mitij@mju.ac.th