A Comparison of Forecasting Techniques Efficiency for Financial Stress Data using Data Mining Techniques

Abstract

The purpose of this research is to study and compare the forecasting techniques which are suitable with the financial stress data. In this research, three techniques including linear regression, Artificial Neural Networks, and Support Vector Machine, have been selected. In order to find the best of effectiveness for the financial stress data forecasting. The result shows that Support Vector Machin gives the best performance in terms of the square root of the mean squared error (2.58). The second one is the artificial neural network that gives the square root of the mean squared error = 3.34. Linear regression provides the lowest performance (the square root of the mean square error = 82.49).

การวิจัยในครั้งนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบเทคนิคการพยากณ์ที่เหมาะสมกับข้มูลความเครียดทาง การเงิน ในการวิจัยครังนี้ได้ทำการศึกษาคัดเลือกเทคนิคสำหรับใช้ในการวิจัยนี้ทั้งหมด 3 เทคนิค ได้แก่ การถดถอยเชิงเส้น โครงข่ายประสาทเทียม และ ซัพพอร์ตเวกเตอร์แมชชิน เพื่อหาประสิทธิภาพของการพยากรณ์ข้อมูลที่ดีที่สุดของข้อมูล ความเครียดทางการเงิน ผลการวิจัยพบว่า เทคนิคที่ให้ผลลัพธ์ที่ดีสุด คือ ซัพพอร์ตเวกเตอร์แมชชิน โดยให้ค่าโดยให้ค่ารากที่ สองของค่าเฉลี่ยความผิดพลาดกำลังสอง 2.58 รองลงมาคือ โครงข่ายประสาทเทียม โดยให้ค่ารากที่สองของค่าเฉลี่ยความ ผิดพลาดกำลังสอง3.34 และสุดท้าย การถดถอยเชิงเส้น ให้ค่ารากที่สองของค่าเฉลี่ยความผิดพลาดกำลังสองที่ 82.49