หุ่นยนต์ซื้อขายอัตโนมัติด้วยโมเดลมาร์คอฟซ่อนเร้นสำหรับการพยากรณ์สกุลเงินดิจิทัล

การพัฒนาเทคโนโลยีทางการเงินดิจิทัลและความนิยมในการซื้อขายสกุลเงินดิจิทัลเพิ่มขึ้นอย่างมากในปัจจุบัน ทำให้เกิดความต้องการหุ่นยนต์ซื้อขายอัตโนมัติที่มีประสิทธิภาพในการพยากรณ์และการตัดสินใจซื้อขายได้อย่างรวดเร็วและแม่นยำ การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาหุ่นยนต์ซื้อขายอัตโนมัติที่ใช้แบบจำลองมาร์คอฟซ่อนเร้น (HMM) ในการพยากรณ์ราคาสกุลเงินดิจิทัล เพื่อให้สามารถทำกำไรจากความผันผวนของตลาดได้อย่างมีประสิทธิภาพ ผลการทดลองแสดงให้เห็นว่า HMM มีความแม่นยำในการพยากรณ์ราคาสูงถึง 80.08% และมีความสามารถในการลดความเสี่ยงจากการใช้ข้อมูลล้าสมัย โดยเมื่อเปรียบเทียบกับแบบจำลองต้นไม้ตัดสินใจ (Decision Tree) ที่มีความแม่นยำ 70.78% HMM ยังมีประสิทธิภาพในการทำกำไรสูงกว่าถึง 80% จากการซื้อขายแบบไดนามิกในตลาดบิตคอยน์