การศกษาพารามเตอรทเหมาะสมของตวแบบโครงขายประสาทเทยมแบบหนวยความจำระยะสนแบบยาว (LSTM) สำหรบการพยากรณราคาสกลเงนดจทล กรณศกษา Bitcoin, Dogecoin และ Ethereum

Abstract

สกุลเงินดิจิทัล เช่น Bitcoin (BTC), Ethereum (ETH) และ Dogecoin (DOGE) กำลังได้รับความนิยมเพิ่มขึ้น ทำให้การคาดการณ์ราคามีความสำคัญ งานวิจัยนี้ใช้โครงข่ายประสาทเทียมแบบ LSTM เพื่อพยากรณ์ราคาสกุลเงินดิจิทัล โดยเก็บข้อมูลราคาย้อนหลังจาก Yahoo Finance ตั้งแต่วันที่ 7 มกราคม พ.ศ 2563 ถึงวันที่ 5 มกราคม พ.ศ 2568 ทำการพรีโพรเซสข้อมูลด้วย Min-Max Scaling และใช้ข้อมูลย้อนหลัง 60 วันพยากรณ์ราคาวันถัดไป จากนั้นสร้างโมเดล LSTM โดยทำการทดลองปรับค่าพารามิเตอร์ 3 ค่า ได้แก่ LSTM Units, Dropout Rate และ Dense Layer และเปรียบเทียบประสิทธิภาพโดยใช้ RMSE ผลการทดลองพบว่า สำหรับ BTC โมเดลที่มี LSTM Units = 60, Dropout Rate = 0.1, Dense Layer = 2 ให้ค่า RMSE ต่ำสุดที่ 1967.35 สำหรับ DOGE โมเดลที่มี LSTM Units = 70, Dropout Rate = 0.1, Dense Layer = 1 ให้ค่า RMSE ต่ำสุดที่ 0.01242 และสำหรับ ETH โมเดลที่มี LSTM Units = 70, Dropout Rate = 0.1, Dense Layer = 1 ให้ค่า RMSE ต่ำสุดที่ 116.54 ผลลัพธ์แสดงให้เห็นว่า LSTM สามารถใช้ในการพยากรณ์ แนวโน้มราคาสกุลเงินดิจิทัลได้อย่างมีประสิทธิภาพ แต่ความแม่นยำอาจได้รับผลกระทบจากความผันผวนของตลาด