การทำนายอัตราแลกเปลี่ยนของสกุลเงินบาท (THB) และดอลลาร์สหรัฐ (USD) ด้วย Machine Learning ใน Python

บทนำ

ในบทความนี้ เราจะมาเรียนรู้การทำนายอัตราแลกเปลี่ยนระหว่างเงินบาท (THB) และดอลลาร์สหรัฐ (USD) โดยใช้ Python และเทคนิคการเรียนรู้ของ Machine Learning เราจะใช้ข้อมูลอัตราแลกเปลี่ยนในอดีตในการสร้างโมเดลและทำนายอัตราแลกเปลี่ยนในอนาคต

ข้อมูลชุดทดสอบ

ในตัวอย่างนี้ เราจะใช้ข้อมูลอัตราแลกเปลี่ยนระหว่างเงินบาทและดอลลาร์สหรัฐจากแหล่งข้อมูลสาธารณะ https://fred.stlouisfed.org/series/EXTHUS ข้อมูลนี้ประกอบด้วยอัตราแลกเปลี่ยนระหว่างสองสกุลเงินนี้ในช่วงเวลาระหว่างปี1980 - 2025

ขั้นตอนการสร้างโมเดล

ขั้นตอนที่ 1: การนำเข้าไลบรารีที่จำเป็น

เริ่มต้นโดยการนำเข้าไลบรารีที่จำเป็นใน Python:

ขั้นตอนที่ 2: การโหลดข้อมูล

เราสามารถดาวน์โหลดข้อมูลจากแหล่งข้อมูลเช่น FRED หรือ OANDA API หรือจะใช้ไฟล์ CSV ที่เรามีอยู่แล้วก็ได้ ในที่นี้เราจะเอาข้อมูลจาก FRED มาใช้

ผลที่ได้

ขั้นตอนที่ 3: จัดการข้อมูลให้เหมาะสม

ในขั้นตอนนี้ เราจะจัดการข้อมูลให้เหมาะสม เช่น การแปลงคอลัมน์วันที่ให้เป็นรูปแบบที่เหมาะสม และการจัดการค่าที่หายไป

ขั้นตอนที่ 4: การแสดงข้อมูลในกราฟ

การแสดงกราฟข้อมูลอัตราแลกเปลี่ยนในช่วงเวลาต่างๆ จะช่วยให้เรามองเห็นแนวโน้มของข้อมูลได้ชัดเจนยิ่งขึ้น

กราฟที่ได้

ขั้นตอนที่ 5: การเตรียมข้อมูลสำหรับการทำนาย

ในขั้นตอนนี้ เราจะเลือกตัวแปรที่เป็นอิสระ (Independent variable) และตัวแปรที่เราต้องการทำนาย (Dependent variable) โดยที่เราจะใช้ 'Date' เป็นตัวแปรอิสระและ 'EXTHUS' เป็นตัวแปรที่เราจะทำนาย

ขั้นตอนที่ 6: การสร้างโมเดล Linear Regression

เราจะใช้ Linear Regression จาก Scikit-Learn ในการสร้างโมเดลทำนายอัตราแลกเปลี่ยน

ค่า Intercept และ Coefficient ของ regression model

ขั้นตอนที่ 7: การประเมินโมเดล

เมื่อสร้างโมเดลเสร็จแล้ว เราจะทดสอบการทำนายและประเมินประสิทธิภาพของโมเดลด้วยการแสดงกราฟและคำนวณค่า Root Mean Square Error (RMSE)

จะได้ ค่า RMSE = 5.262

แสดงกราฟผลการทำนาย

กราฟที่ได้

สรุปผล

การทำนายอัตราแลกเปลี่ยนด้วย Machine Learning โดยใช้ Linear Regression เป็นการสร้างโมเดลที่สามารถทำนายอัตราแลกเปลี่ยนระหว่างสกุลเงินบาท (THB) และดอลลาร์สหรัฐ (USD) ตามข้อมูลที่มีการเปลี่ยนแปลงตามเวลา (เช่น วันที่) โดยเริ่มต้นจากการเตรียมข้อมูลอัตราแลกเปลี่ยนจากแหล่งข้อมูล เช่น ไฟล์ CSV หลังจากนั้นทำการแปลงข้อมูลให้เหมาะสม เช่น การจัดการกับข้อมูลที่ขาดหายหรือผิดปกติก่อนที่จะใช้โมเดล Linear Regression ในการฝึกสอนด้วยข้อมูลวันที่เป็นตัวแปรอิสระและอัตราแลกเปลี่ยนเป็นตัวแปรที่ต้องการทำนาย การประเมินผลโมเดลสามารถทำได้โดยการคำนวณค่า RMSE เพื่อวัดความผิดพลาดจากการทำนาย และสุดท้ายการแสดงผลลัพธ์ในรูปกราฟเปรียบเทียบระหว่างข้อมูลจริงและผลการทำนายจากโมเดล เพื่อให้เห็นภาพชัดเจนของการทำนายอัตราแลกเปลี่ยนในอนาคต

Reference

https://dev.to/mark_mark_642ef2f2468bbaf/rabbkaaraeplngkhaaskulenginyaangmaatrthaan-5588

https://dev.to/ketnas/sraang-simple-linear-regression-model-odyaich-python-3ofo