Google Trend

การใช้ GOOGLE TRENDS ในการพยากรณต์ ลาดเงนิ (SET50)

โดย
นางสาวอรพชิ า สงั ขมณีนาคร

การคน้ คว้าอิสระนี้เป็นส่วนหนึง่ ของการศึกษาตามหลกั สตู ร
วทิ ยาศาสตรมหาบัณฑติ
สาขาวชิ าการบริการการเงนิ

คณะพาณิชยศาสตร์และการบัญชี มหาวทิ ยาลัยธรรมศาสตร์
ปีการศึกษา 2561

ลิขสทิ ธ์ขิ องมหาวทิ ยาลัยธรรมศาสตร์

Ref. code: 25616002113055FQL

การใช้ GOOGLE TRENDS ในการพยากรณต์ ลาดเงนิ (SET50)

โดย
นางสาวอรพชิ า สงั ขมณีนาคร

การคน้ คว้าอิสระนี้เป็นส่วนหนึง่ ของการศึกษาตามหลกั สตู ร
วทิ ยาศาสตรมหาบัณฑติ
สาขาวชิ าการบริการการเงนิ

คณะพาณิชยศาสตรแ์ ละการบัญชี มหาวทิ ยาลัยธรรมศาสตร์
ปีการศึกษา 2561

ลิขสทิ ธ์ขิ องมหาวทิ ยาลัยธรรมศาสตร์

Ref. code: 25616002113055FQL

CAN GOOGLE TRENDS HELP TO PREDICT
FINANCIAL MARKET (SET50)

BY
MISS ORNPICHA SANGKHAMANEENAKON

AN INDEPENDENT STUDY SUBMITTED IN PARTIAL FULFILLMENT OF
THE REQUIREMENTS FOR THE DEGREE OF MASTER OF SCIENCE
FINANCIAL MANAGEMENT
FACULTY OF COMMERCE AND ACCOUNTANCY
THAMMASAT UNIVERSITY
ACADEMIC YEAR 2018
COPYRIGHT OF THAMMASAT UNIVERSITY

Ref. code: 25616002113055FQL



(1)

หวั ข้อการคน้ ควา้ อิสระ การใช้ GOOGLE TRENDS ในการพยากรณต์ ลาดเงิน
(SET50)
ช่ือผ้เู ขียน นางสาวอรพชิ า สงั ขมณนี าคร
ชอ่ื ปริญญา วิทยาศาสตรมหาบัณฑติ
สาขาวิชา/คณะ/มหาวทิ ยาลยั การบรหิ ารหารเงิน
พาณิชยศาสตร์และการบัญชี
อาจารย์ท่ปี รึกษาการค้นคว้าอิสระ มหาวิทยาลยั ธรรมศาสตร์
ปีการศกึ ษา รองศาสตราจารย์ ดร.เอกจิตต์ จงึ เจริญ
2561

บทคดั ยอ่

งานวิจัยนี้ได้ศึกษาความสัมพันธ์ระหว่างการค้นหาใน Google ซึ่งใช้ข้อมูล Search
Volume Index (SVI) เป็นตัวแทนของความสนใจของนักลงทุน กับตัวแปรต่างๆ ในตลาดเงิน ทั้ง
ความผันผวน ปริมาณการซ้ือขาย และผลตอบแทน โดยทาการศึกษาเฉพาะดัชนี SET50 และหุ้นราย
ตัวใน SET50 เก็บข้อมูลเป็นรายสัปดาห์ในช่วงระหว่างเดือนมกราคม ปี 2013 ถึงเดือนธันวาคม
ปี 2018 ผ่าน Vector autoregressive (VAR) Model ซึ่งเป็นการทดสอบความสัมพันธ์ 2 ทางใน
ระดับดัชนี SET50 และ Multiple Regression Model ในระดับหุ้นรายตัว โดยผลการศึกษาพบว่า
Search Volume Index (SVI) ความผันผวน และปริมาณการซื้อขายหุ้นในดัชนี SET50 ไม่ได้มี
ความสมั พันธ์ระหว่างกัน แต่พบว่า Search Volume Index (SVI) ในสัปดาหก์ ่อน มคี วามสัมพันธ์กับ
ปริมาณซื้อขายหุ้นรายตัว ซึ่งแสดงถึงความสนใจของนักลงทุนในการค้นหาข้อมูลเพื่อใช้ในการ
ตัดสินใจซ้ือขายหุ้น และ Search Volume Index (SVI) สามารถใช้ในการพยากรณ์หรือคาดการณ์
แนวโน้มปริมาณการซื้อขายหนุ้ รายตัวได้

คาสาคัญ: Google Trends, Search Volume Index (SVI), ความสนใจของนักลงทนุ ,
ความผันผวน, ปริมาณการซ้อื ขาย, ผลตอบแทน

Ref. code: 25616002113055FQL

(2)

Independent Study Title Can Google Trends help to predict Financial
Market (SET50)
Author Miss Ornpicha Sangkhamaneenakon
Degree Master of Science
Department/Faculty/University Financial Management
Commerce and Accountancy
Independent Study Advisor Thammasat University
Academic Years Associate Professor Ekachidd Chungcharoen, Ph.D.
2018

ABSTRACT

This study is about researching in relationship between search in Google
that use Search Volume Index (SVI), proxy of investor attention and variables which
are volatility, trade volume and return. Research area is SET50 index and stock in SET50
that collect weekly data from January 2013 to December 2018. In SET50 index area is
study by using Vector Autoregressive (VAR) Model which test 2 ways relationship and
in stock area is study by Multiple Regression Model. The result is no relationship
between Search Volume Index (SVI), volatility and trade volume in SET50 index but
search volume index (SVI) in previous week has relationship with trade volume of stock.
So it can imply that investor search data for decision buy and sell stock and Search
Volume Index (SVI) can to predict trend of trade volume of stock.

Keywords: Google Trends, Search Volume Index (SVI), Investor attention, Volatility,
Trade Volume, Return

Ref. code: 25616002113055FQL

(3)

กติ ตกิ รรมประกาศ

การค้นคว้าอิสระนี้สาเร็จลุล่วงได้ด้วยความกรุณาจาก รองศาสตราจารย์
ดร.เอกจิตต์ จงึ เจริญ อาจารย์ที่ปรึกษาการคน้ ควา้ อิสระ โดยใหค้ าแนะนา ข้อคดิ เหน็ และข้อสงั เกตใน
เร่ืองที่ศึกษา และศาสตราจารย์ ดร.อาณัติ ลีมัคเดช กรรมการการค้นคว้าอิสระ ท่ีได้ให้คาแนะนาใน
การคดิ วเิ คราะห์ และแกไ้ ข

ขอบคุณบิดา พี่ชาย และเพ่ือนๆ ที่ได้ให้คาปรึกษา ให้ความช่วยหลือ และให้กาลังใจใน
ระหวา่ งการคน้ ควา้ อสิ ระนี้

ขอบคุณพ่ีผู้ดูแลโครงการ ที่ได้จัดการเอกสาร และดาเนินการต่างๆ ทาให้การค้นคว้า
อิสระนีส้ าเรจ็ ลุลว่ งไดท้ นั กาหนดการ

นางสาวอรพิชา สงั ขมณนี าคร

Ref. code: 25616002113055FQL

สารบญั (4)

บทคดั ย่อภาษาไทย หนา้
(1)
บทคัดย่อภาษาอังกฤษ (2)
กิตตกิ รรมประกาศ (3)
(6)
สารบญั ตาราง (7)
1
สารบัญภาพ 1
4
บทที่ 1 บทนา 4
6
1.1 ทม่ี าและความสาคัญของปัญหา 6
1.2 วัตถปุ ระสงค์ของงานวิจัย 8
1.3 ประโยชนท์ ีค่ าดวา่ จะได้รับ 12
12
บทท่ี 2 วรรณกรรมและงานวิจยั ท่ีเก่ียวข้อง 12

2.1 แนวคดิ และทฤษฏที ีเ่ กีย่ วขอ้ ง Ref. code: 25616002113055FQL
2.2 งานวจิ ัยที่เกี่ยวขอ้ ง

บทท่ี 3 วิธีการวิจัย

3.1 ขอ้ มูลและแหลง่ ข้อมูล
3.2 วธิ กี ารศกึ ษา

บทท่ี 4 ผลการวจิ ยั และอภปิ รายผล (5)

บทที่ 5 สรุปผลการวจิ ยั และข้อเสนอแนะ 20

5.1 สรปุ ผลการวจิ ยั 44
5.2 ขอ้ จากัดของงานวจิ ยั
5.3 ข้อเสนอแนะ 44
45
รายการอา้ งองิ 46

ประวตั ิผู้เขยี น 47

49

Ref. code: 25616002113055FQL

(6)

สารบญั ตาราง

ตารางที่ หนา้
3.1 แสดงตวั อย่างการปรับขอ้ มลู Search Volume Index (SVI) 13
4.1 แสดงผลการทดสอบ Unit Root Test 21
4.2 แสดงผลการทดสอบ Vector autoregressive (VAR) Model ระหวา่ ง 22
Search Volume Index (SVI) ความผนั ผวน และปริมาณการซอ้ื ขายดชั นี SET50
4.3 แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหว่าง 24
ปรมิ าณการซือ้ ขายหุ้นรายตัวใน SET50 และ Search Volume Index (SVI)
4.4 แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหว่าง 29
ปริมาณการซอ้ื ขายหุน้ รายตวั ใน SET50 และ Search Volume Index (SVI)
4.5 แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหว่าง 34
ผลตอบแทนหนุ้ รายตัวใน SET50 และ Search Volume Index (SVI)
4.6 แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหว่าง 39
ผลตอบแทนหนุ้ รายตัวใน SET50 และ Search Volume Index (SVI)

Ref. code: 25616002113055FQL

(7)

สารบัญภาพ

ภาพที่ หน้า
5.1 กราฟแสดงดชั นีปริมาณการค้นหา (Search Volume Index) ของคาว่า ซื้อหุน้ 45

Ref. code: 25616002113055FQL

1

บทท่ี 1
บทนา

1.1 ที่มาและความสาคัญของปัญหา

ปัจจุบันเทคโนโลยีได้เข้ามาเป็นส่วนหน่ึงในชีวิตประจาวัน โดยเฉพาะอินเตอร์เน็ตที่
ทาให้สามารถเชื่อมโยงกันและกันได้สะดวกและรวดเร็วมากขึ้น สามารถบันทึกข้อมูลในอินเตอร์เน็ต
ทาให้อินเตอร์เน็ตมีข้อมูล ข่าวสาร และความรู้ท่ีสามารถเข้าถึงได้อย่างสะดวก รวดเร็ว โดยในการ
ค้นหาข้อมูลมักจะใช้ Web Search Engine ซึ่งก็คือเว็บไซต์ท่ีใช้ค้นหาข้อมูลโดยการนา Keyword
หรือ Query ท่ีอยากค้นหาไปกรอกแล้วทาการค้นหา โดย Web Search Engine นั้นมีหลายผู้
ให้บริการ ท้ัง Google, Yahoo, MSN หรือ Sanook โดย Google นับได้ว่าเป็น Web Search
Engine ทไ่ี ด้รับความนยิ มสูงทส่ี ดุ ในโลก ถอื ไดว้ ่ามฐี านข้อมลู ทม่ี ากทีส่ ุด ปัจจบุ นั Google มีฐานขอ้ มูล
มากกวา่ 3 พนั ล้านเวบ็ ไซต์ ทใี่ หบ้ รกิ ารหลากหลายภาษาทว่ั โลก จึงสามารถเจาะกลุ่มเปา้ หมายผู้ใช้ได้
ครอบคลุมท่วั โลกเชน่ กนั

ในปี 2018 ประเทศไทยมีผู้ใช้อินเตอร์เน็ตกว่า 82% โดยเว็บไซต์อันดับ 1 ที่มีผู้เข้า
ใช้มากท่ีสุดคือ www.google.co.th ซ่ึงใช้ในการค้นหาข้อมูล (Search engine) ผ่านโทรศัพท์
สมาร์ทโฟนกว่า 37% และใช้ผ่านคอมพิวเตอร์กว่า 15% จากรายงานผลการสารวจพฤติกรรมผู้ใช้
อินเตอร์เน็ตในประเทศไทย พบว่าตั้งแต่ในปี 2010 คนไทยมีพฤติกรรมการใช้อินเตอร์เน็ตอยู่ที่ 20
ช่ัวโมงต่อสปั ดาห์ ซงึ่ เพมิ่ มากขึ้นถึง 40% ของจานวนผู้ใช้อินเตอร์เนต็ ทง้ั หมดในประเทศไทย จากการ
คน้ หาท่เี กดิ ขนึ้ จานวนนบั ไมถ่ ้วนต่อวันนั้น ถอื ไดว้ า่ เป็นตวั บง่ บอกถึงพฤตกิ รรมของผูค้ น ทาให้สามารถ
นาข้อมูลเหล่านี้มาวิเคราะห์และใช้ประโยชน์ในด้านการพยากรณ์หรือคาดการณ์แนวโน้มส่ิงต่างๆ ได้
โดยงานวิจัยของ Ginsberg, et al. (2009) ได้กล่าวไวว้ า่ มีหลักฐานเชิงประจกั ษ์ที่สามารถแสดงให้เห็น
ว่าการค้นหาข้อมูลใน Google น้ันสามารถใช้ในการพยากรณ์ได้ทุกอย่าง ไม่ว่าจะเป็นเร่ืองของ
นักทอ่ งเที่ยว ยอดขาย ไปจนถึงโรคตา่ งๆ

ในปจั จุบนั มีผู้ใชง้ าน Google Search มากถึงนาทลี ะส่ลี ้านการค้นหา ทาง Google
ได้มีการเก็บข้อมูลการค้นหาดังกล่าวในแต่ละพื้นท่ี ซึ่งถือได้ว่าเป็นพฤติกรรมการ Search ของคนใน
มุมกว้าง โดยสามารถตรวจสอบได้จาก Google Trends ท่ีเป็นเครื่องมือหน่ึงของ Google โดยใช้
Search Term ท่ีระบุไปทาการ Matching กับ Search Term ที่เคยมีการค้นหาจริงใน Google ซึ่ง
ได้ทาการเก็บข้อมูลการ Search คาต่างๆ ในแต่ละช่วงเวลา แต่ละพื้นท่ี และในแต่ละภาษา เพื่อที่จะ
แสดงผลข้อมูลดังกล่าวให้สามารถนามาวิเคราะห์แนวโน้ม และหาความสัมพันธ์กับส่ิงต่างๆ ได้ โดย

Ref. code: 25616002113055FQL

2

สามารถดูข้อมูลย้อนหลังได้ตั้งแต่ปี 2004 มีการแสดงผลข้อมูลให้สามารถดูได้อย่างสะดวกจาก
เส้นกราฟท่ีมีการขึ้นลงตามปริมาณการค้นหาคานั้นๆ ในแต่ละช่วงเวลา นอกจากน้ียังสามารถ
ตรวจสอบ Google Trends ได้แบบ Real Time เพ่ือดูว่า ณ ขณะนั้นผู้ใช้มีความสนใจค้นหาในเร่ือง
ใดมากท่สี ดุ

Google Trends สามารถนามาประยุกต์ใช้ในหลายๆ ด้าน โดยนาความสนใจหรือ
พฤติกรรมของผู้บริโภคมาวิเคราะห์เพื่อการตัดสินใจ เช่น ตรวจสอบว่าผู้บริโภคมีความสนใจในตัว
แบรนด์สินค้าไหนมากกว่ากัน ตรวจสอบเทรนการค้นหาของสินค้า เพื่อหาสินค้าเข้ามาขายหรือ
เลือกใช้กลยุทธ์ที่มีความเหมาะสม อย่างการสร้าง Brand Awareness ท้ังการวางแผน เปรียบเทียบ
กับคู่แข่ง วิเคราะห์ Keyword Analysis สาหรับการทา SEO (Search Engine Optimization) ซ่ึง
เป็นการทาให้เว็บไซต์ข้ึนในอันดับต้นๆ ในหน้าค้นหาเม่ือมีการค้นหา Keyword หรือ Query ที่ตรง
กับเว็บไซต์ของตนเอง อีกท้ังยังสามารถนาข้อมูลของปริมาณการค้นหาเพื่อดูความสัมพันธ์กับตัวแปร
อื่นๆ ท่ีอาจเก่ียวข้องหรือมีอิทธิผลต่อการกระทาต่างๆ ซ่ึงจะเป็นประโยชน์ในการพยากรณ์ และ
คาดการณ์เหตุการณท์ ี่อาจเกดิ ข้ึนในอนาคตได้

โดยข้อมูล Google Trends เป็นข้อมูลในรูปแบบของดัชนี (Index) จะมีค่าอยู่
ระหว่าง 0-100 และเป็นข้อมูลดัชนีที่อยู่ในรูปแบบ Dynamic ท่ีสามารถเปลี่ยนแปลงไปตามขนาด
หรือตามการกาหนดช่วงเวลาในการค้นหา เป็นข้อมูลเชิงเปรียบเทียบที่ผ่านการปรับฐานหรือการทา
Normalized โดยสามารถเปรียบเทียบค่าดัชนีนี้กับส่ิงอื่นๆ ได้ ไม่ว่าจะเป็นในลักษณะของแบรนด์
สินค้าต่อแบรนด์สินค้า ช่วงเวลาต่อช่วงเวลา สถานที่ต่อสถานที่ โดยไม่จาเป็นต้องสนใจในเรื่องของ
ประชากรและปจั จยั แวดล้อมอื่นในพื้นทีน่ ้ัน เน่ืองจากมีการปรับให้เข้ากับปริมาณการค้นหาในภูมิภาค
น้ันๆ แล้ว ซงึ่ สามารถแสดงข้อมูลเป็นรายชัว่ โมง รายวัน รายสัปดาห์ และรายเดือน โดยหากมีจานวน
การค้นหาไม่มากพออย่างมีนัยสาคัญ ข้อมูลจะแสดงเป็นรายเดือนแทน โดยสามารถเลือกช่วงของ
ข้อมูลที่แตกต่างกันได้ ท้ังในช่วงชั่วโมงท่ีแล้ว, 4 ช่ัวโมงท่ีแล้ว, วันท่ีแล้ว, 7 วันที่แล้ว, 30 วันที่แล้ว,
90 วันท่ีแล้ว, 12 เดือนที่แล้ว, 5 ปีที่แล้ว หรือสามารถเลือกช่วงเวลาตามที่เราต้องการได้ตั้งแต่ปี
2004 - ปัจจุบัน โดย Google Trends จะแสดงผลตามเวลามาตรฐานแปซิฟิก (Pacific Standard
Time) ซึ่งเป็นเวลาท่ีช้ากว่าเวลาสากล 8 ชั่วโมง หรือ UTC-8 ในงานวิจัยของ Thomas และ
Stephan (2016) พบว่าการที่ใช้มาตรฐานเวลาดังกล่าวน้ีทาให้ไม่สามารถที่จะนามาใช้ในการ
พยากรณ์หรือคาดการณ์แนวโน้มได้แบบรายวัน งานวิจัยท่ีผ่านมาจึงนิยมศึกษาในแบบรายสัปดาห์
หรือแบบรายเดือน และในงานวิจัยของ Choi และ Varian (2012) พบว่าข้อมูล Google Trends มี
ความสัมพนั ธก์ ับตวั ชว้ี ัดทางเศรษฐกิจหลายตวั ซง่ึ สามารถช่วยในการพยากรณ์เศรษฐกจิ ในระยะสั้นได้

Ref. code: 25616002113055FQL

3

ในการนา Google Trends มาประยุกต์ใช้กับทางการเงินน้ัน สามารถนาข้อมูลมา
เปรียบเทียบให้เห็นถึงปริมาณการค้นหาที่อาจมีความสัมพันธ์กับปริมาณการซื้อขายหุ้น ผลตอบแทน
ของหุ้น หรือความผันผวนของหุ้น ในประเทศไทยมีบทความเขียนโดย Stock2morrow (2018) ที่มี
การพูดถึงการนา Google Trends มาดูความสัมพันธ์ระหว่างดชั นี SET กับคาค้นหาว่า ‘ซื้อหุ้น’ โดย
ทาการเปรียบเทียบต้ังแต่ปี 2004 – 2016 พบว่าข้อมูลทั้ง 2 มีความคล้ายคลึงกันมาก แต่ก็ยังไม่
สามารถสรุปได้ว่าปริมาณการค้นหาจาก Google Trends จะสามารถนามาพยากรณ์ดัชนี SET
หรือไม่สามารถสรุปได้ว่าปริมาณการค้นหาจะมีความสัมพันธก์ ับดัชนี SET จริง เนื่องจากอาจเกิดจาก
ความบงั เอญิ หรือเกดิ จากเหตผุ ลทว่ี ่าหลงั จากปี 2004 เปน็ ตน้ มาได้มีการใช้อนิ เตอรเ์ น็ตมากข้นึ ซ่งึ ส่ือ
ต่างๆ ไม่ว่าจะเป็นบทความ บทวิเคราะห์ หรือส่ือ Social Media ก็มีบทบาทในการกระจายข่าวสาร
เรื่องของการลงทุนมากขึ้น ซ่ึงทาให้เกิดเป็นจิตวิทยาหมู่ ท่ีทาให้ผู้คนเกิดความสนใจลงทุนในหุ้นมาก
ขึน้ และขอ้ มลู ดงั กล่าวเป็นเพยี งข้อมูลในอดีตที่ไม่อาจรับประกันได้ว่าอนาคตจะเกดิ ขึ้นเหมือนในอดีต
แต่อาจจะเปน็ การคดิ ความน่าจะเปน็ หรือดูแนวโนม้ ได้เทา่ นั้น

ตลาดเงินในประเทศไทยที่เป็นตลาดใหญ่ท่ีสุดคือ ตลาดหลักทรัพย์แห่งประเทศไทย
(SET) และได้มีการจัดกลุ่มดัชนีของหุ้นในตลาด SET ขึ้นมา ดัชนีที่นิยมกันมากที่สุดคือ ดัชนี SET50
(SET50 Index) ซึ่งเป็นดัชนีที่มีการคานวณด้วยการอ้างอิงจากหุ้นของ 50 บริษัทจดทะเบียนท่ีอยู่ใน
ตลาดหลักทรัพย์แห่งประเทศไทย โดยบริษัทจดทะเบียนดังกล่าวจะเป็นบริษัทที่มีมูลค่าตามราคา
ตลาด (Market Capitalization) สูงสุด 50 อันดับแรก เป็นหุ้นที่มีสภาพคล่องสงู มีสัดส่วนการถือห้นุ
โดยผู้ถือหุ้นรายย่อยมาก และไม่เป็นหุ้นที่ถูกพักการซื้อขายหรือกาลังจะถูกเพิกถอน โดยจะมีการ
พิจารณาใหม่ในทุกๆ 6 เดือน ดังน้ันดัชนี SET50 จึงเป็นดัชนีที่แสดงให้เห็นว่าหุ้นขนาดใหญ่ในตลาด
หลักทรัพย์แห่งประเทศไทยมีแนวโน้มและทิศทางเป็นอย่างไร อีกท้ังยังเป็นดัชนีท่ีมีทั้งนักลงทุนราย
ย่อย และสถาบันการเงินให้ความสนใจและมีการหาข้อมูลที่เกี่ยวกับดัชนี SET50 และหุ้นที่อยู่ในดชั นี
SET50 อีกทั้งในปัจจุบันด้วยเทคโนโลยี และการเข้าถึงข้อมูลข่าวสารในอินเตอร์เน็ต ทาให้นักลงทุน
สามารถหาขอ้ มลู ไดอ้ ยา่ งรวดเร็ว เพ่ือเป็นข้อมลู ประกอบการตัดสนิ ใจในการซ้ือขายหลักทรัพย์ทั้งดัชนี
SET50 และหนุ้ รายตวั ดงั น้นั จึงเป็นไปได้ว่าจานวนการค้นหาใน Google อาจมีความสัมพนั ธ์กับตลาด
เงินและส่งผลกระทบถึงกันและกันได้ ท้ังในเร่ืองของความผันผวน ปริมาณการซื้อขาย และ
ผลตอบแทน

Ref. code: 25616002113055FQL

4

1.2 วตั ถุประสงค์ของงานวจิ ัย

การศึกษาความสัมพันธ์ของการค้นหาใน Google กับตลาดเงินของประเทศไทยใน
ส่วนของดัชนี SET50 นั้น จะทาให้ทราบถึงผลกระทบของการค้นหาข้อมูลทั้งในข้อมูลข่าวสารของ
SET50 และข้อมูลข่าวสารของหนุ้ แต่ละตวั ใน SET50 วา่ สง่ ผลตอ่ ตลาดเงินหรือไม่ และในทางกลับกัน
ทาให้ทราบถึงผลกระทบของตลาดเงิน ว่าส่งผลต่อการค้นหาใน Google หรือไม่ ซึ่งถ้าหากมี
ความสัมพันธก์ นั จรงิ ก็สามารถท่ีจะนาข้อมลู ดังกล่าวไปพยากรณเ์ พือ่ คาดการณต์ ลาดเงนิ ได้ในอนาคต
ซ่ึงขอบเขตของงานวิจัยน้ีจะศึกษาข้อมูลของการค้นหาใน Google (Google Trends) ดัชนี SET50
และหุ้นในดัชนี SET50 ตั้งแต่เดือนมกราคมปี 2013 ถึงเดือนธันวาคมปี 2018 โดยจุดประสงค์ของ
งานวจิ ยั น้ีมุ่งเน้นการศึกษาประเด็นดงั ตอ่ ไปน้ี

1.2.1. ศึกษาว่าการค้นหาใน Google น้ันส่งผลต่อความผันผวนของดัชนี SET50
หรือไม่ และในทางกลับกนั ความผันผวนของดชั นี SET50 สง่ ผลตอ่ การค้นหาใน Google หรือไม่

1.2.2. ศึกษาว่าการค้นหาใน Google นั้นส่งผลต่อปริมาณการซ้ือขายหุ้นในดัชนี
SET50 หรือไม่ และในทางกลับกัน ปริมาณการซ้ือขายหุ้นในดัชนี SET50 ส่งผลต่อการค้นหาใน
Google หรอื ไม่

1.2.3. ศึกษาว่าการค้นหาใน Google น้ันส่งผลต่อผลตอบแทนของหุ้น และปริมาณ
การซ้ือขายหนุ้ รายตัวใน SET50 หรอื ไม่

1.3 ประโยชน์ที่คาดว่าจะไดร้ ับ

ประโยชนท์ ่ีคาดว่าจะได้รับจากการศึกษาความสมั พันธ์ของการค้นหาใน Google กบั
ตลาดเงินของประเทศไทยในส่วนของดชั นี SET50 คอื

1.3.1. ทราบถึงผลกระทบจากการค้นหาใน Google วา่ มคี วามสัมพนั ธก์ นั จริงกบั
ดชั นี SET50 และหนุ้ รายตัวใน SET50 หรอื ไม่ ซง่ึ ถ้าหากมีความสมั พนั ธ์กันจริง แสดงวา่ การคน้ หาใน
Google นน้ั สามารถพยากรณ์หรอื คาดการณ์แนวโนม้ ของดัชนีและหนุ้ ดังกลา่ วได้ จึงเป็นประโยชน์ใน
การลงทุนของท้ังนักลงทุน และสถาบนั การเงิน ทั้งในเรื่องของการคาดการณแ์ นวโนม้ ของปริมาณการ
ซ้ือขาย การไดร้ บั ผลตอบแทน และการป้องกนั ความเส่ียง

Ref. code: 25616002113055FQL

5
1.3.2. ทราบถึงพฤตกิ รรมของนักลงทนุ ในตลาด วา่ มีพฤติกรรมเป็นอยา่ งไรหาก
ตอ้ งการที่จะซ้ือขายหุน้ ในดชั นี SET50 เนอื่ งจากการค้นหาขอ้ มูลนน้ั เป็นพฤติกรรมที่สาคัญอย่างหนึ่ง
ทช่ี ่วยในการตัดสินใจซ้ือขายหุ้นในชว่ งเวลาน้นั ๆ

Ref. code: 25616002113055FQL

6

บทท่ี 2
วรรณกรรมและงานวิจยั ทีเ่ ก่ียวขอ้ ง

2.1 แนวคดิ และทฤษฎที เี่ ก่ียวขอ้ ง

ตลาดท่ีมปี ระสทิ ธิภาพ (Efficient Market)
ตลาดท่ีมีประสิทธิภาพ (Efficient Market) หมายถึงตลาดท่ีราคาของหลักทรัพย์
สะท้อนข้อมูลข่าวสารที่มีความเกี่ยวข้องกับหลักทรัพย์น้ันได้อย่างรวดเร็วและทั่วถึง ทาให้เกิดการ
ตัดสินใจซื้อขายหลักทรัพย์ ดังนั้นผู้ลงทุนจึงไม่สามารถสร้างกาไรเกินปกติ (Abnormal Return) ได้
เน่ืองจากข้อมูลข่าวสารดังกล่าวนั้นสะท้อนอยู่ในราคาเรียบร้อยแล้ว จึงทาให้ราคาหลักทรัพย์น้ันเป็น
มูลค่าท่ีแท้จริง (Intrinsic Value) โดยมีสมมติฐานของ Fama และ French (1995) เรื่องของ
Efficient Market Hypothesis (EMH) ซ่ึงเปน็ สมมติฐานเกยี่ วกับการทางานของตลาดเงิน ทวี่ ่าตลาด
เงินจะทางานอย่างมีประสิทธิภาพเสมอ แสดงว่าราคาของสินทรัพย์จะสะท้อนข้อมูลข่าวสารต่างๆ
เสมอ โดยมีการแบง่ สมมตฐิ านดังกล่าวออกเปน็ 3 ระดับคอื
(1) ตลาดท่ีมปี ระสิทธภิ าพระดับต่า (Weak Form) เปน็ สมมตฐิ านทว่ี ่า ราคาของ
สนิ ทรพั ยจ์ ะถูกสะทอ้ นด้วยข้อมูลขา่ วสารที่เกย่ี วกับราคาและปรมิ าณการซ้ือขายสนิ ทรัพยใ์ นอดีต ซ่ึง
ข้อมลู ในเร่ืองของราคาและปริมาณการซ้อื ขายน้นั เป็นข้อมูลทีม่ ีการเปิดเผยสู่สาธารณะมากท่ีสุด
แสดงวา่ ไม่มีนักลงทุนคนไหนจะสามารถเอาชนะตลาด หรือสามารถสร้างกาไรเกนิ ปกตไิ ด้ เนอื่ งจาก
ทกุ คนตา่ งกม็ ีขอ้ มลู ดงั กล่าวเหมอื นกันทงั้ หมด
(2) ตลาดที่มปี ระสทิ ธิภาพระดับกลาง (Semi-Strong Form) เป็นสมมติฐานท่วี า่
ราคาของสินทรัพยจ์ ะถูกสะท้อนดว้ ยขอ้ มูลขา่ วสารท่เี ก่ยี วกับราคา ปริมาณการซื้อขายในอดีต รวมถงึ
ข้อมลู ข่าวสารต่างๆ ท่ีได้เผยแพร่ออกสูส่ าธารณะ แสดงวา่ ไม่มนี ักลงทุนคนไหนทจี่ ะสามารถสร้างกาไร
เกนิ ปกติ หรอื ทาการคาดการณ์แนวโนม้ ของหลกั ทรัพย์ได้เลย เน่อื งจากข้อมลู เหลา่ นน้ั กเ็ ปน็ ข้อมูล
ขา่ วสารที่ทกุ คนสามารถรับรู้ได้เท่าเทยี มกัน
(3) ตลาดที่มีประสิทธิภาพระดบั สูง (Strong Form) เป็นสมมตฐิ านทว่ี ่า ราคาของ
สนิ ทรพั ยจ์ ะถูกสะทอ้ นด้วยข้อมูลข่าวสารที่เก่ยี วกบั ราคา ปริมาณการซอ้ื ขายในอดตี ข้อมูลทเ่ี ผยแพร่
ออกสสู่ าธารณะ รวมถึงข้อมลู ขา่ วสารท่ไี ม่ไดเ้ ผยแพรส่ ู่สาธารณะเชน่ กนั กล่าวคือ ราคาของสนิ ทรัพย์
จะถกู สะท้อนด้วยข้อมลู ทุกชนิด ซึ่งอาจเปน็ ข้อมูลภายในขององคก์ รหรือบรษิ ัทตา่ งๆ แสดงวา่ ไมม่ ีนัก
ลงทนุ คนไหนจะสามารถสร้างกาไรเกินปกติได้ แม้แตบ่ คุ คลทอ่ี ยู่ภายในองค์กรหรือบริษทั นัน้ ๆ ก็ไม่

Ref. code: 25616002113055FQL

7

สามารถสร้างกาไรเกนิ ปกติได้เชน่ กัน เนอ่ื งจากทกุ คนสามารถรบั รขู้ ้อมูลขา่ วสารทงั้ หมดท่ีมีอยู่ใน
ตลาด

การวิเคราะหป์ ัจจยั ทางเทคนิค (Technical Analysis)
การวเิ คราะห์ปจั จัยทางเทคนิค (Technical Analysis) เป็นการศึกษาพฤตกิ รรมของ
ราคาหุ้น หรือพฤติกรรมของตลาด ซ่ึงเป็นการนาข้อมูลราคา และปริมาณการซื้อขายในอดีต มาใช้ใน
การวิเคราะห์ โดยอาศัยหลักการทางสถิติ เพ่ือคาดการณ์หรือพยากรณ์แนวโน้มความเคล่ือนไหวของ
ราคาหุ้น และปรมิ าณการซอ้ื ขายในอนาคต โดยมีขอ้ สมมตฐิ านในการวิเคราะห์ปัจจัยทางเทคนคิ ดงั นี้
(1) ราคาเป็นผลรวมท่สี ะท้อนให้ทราบถงึ ข่าวสารด้านตา่ งๆ ทง้ั หมดแลว้
(2) ราคาจะเคลื่อนไหวอยา่ งมีแนวโน้ม และจะคงอยใู่ นแนวโน้มนนั้ ๆ ในช่วง
ระยะเวลาหนงึ่ จนกว่าจะเกดิ การเปลยี่ นแปลงแนวโนม้ ใหม่
(3) พฤตกิ รรมการลงทุนของผลู้ งทนุ จะยงั คงมีลักษณะท่ีคล้ายคลงึ กบั พฤติกรรม
การลงทนุ ในอดตี
ซึ่งการวิเคราะห์ปัจจัยทางเทคนิคน้ัน เป็นเครื่องมือท่ีสามารถใช้ในการคาดการณ์
ทศิ ทาง การเคลื่อนไหวของราคาหุ้นได้ และสามารถทีจ่ ะหาจังหวะในการซื้อขายหุ้น หรือระยะเวลาใน
การถือครองหุ้นได้
พฤติกรรมสารสนเทศ (Information Behavior)
พฤติกรรมสารสนเทศ (Information Behavior) เป็นพฤติกรรมของบุคคลหนึ่งซึ่ง
เชื่อมโยงบุคคลนั้นกับแหล่งสารสนเทศต่างๆ โดยผ่านช่องทางการเผยแพร่ต่างๆ เช่น โทรทัศน์
อินเตอร์เน็ต ไม่ว่าจะเจตนาหรือไม่ได้เจตนาที่จะได้รับสารสนเทศนั้นๆ โดยพฤติกรรมน้ัน เป็น
พฤติกรรมทค่ี รอบคลุมกิจกรรมสาคัญ 2 กิจกรรม คอื การคน้ หาสารสนเทศทตี่ ้องการดว้ ยวิธีใดๆ และ
การใชส้ ารสนเทศหรือการสง่ ต่อสารสนเทศน้ันๆ ใหก้ ับผอู้ ่ืน
พฤติกรรมการแสวงหาสารสนเทศ (Information-seeking Behavior)
พฤติกรรมการแสวงหาสารสนเทศ (Information-seeking Behavior) หมายถึงการ
แสวงหาสารสนเทศอย่างมีวัตถุประสงค์ โดยเป็นผลมาจากความต้องการของบุคคลน้ัน ซ่ึงในระหว่าง
แสวงหาน้ัน บุคคลนั้นจะต้องมีการปฏิสัมพันธ์กับระบบสารสนเทศ ไม่ว่าจะเป็นระบบสารสนเทศโดย
มนษุ ย์ หรอื ระบบสารสนเทศด้วยคอมพิวเตอร์
พฤติกรรมการค้นหาสารสนเทศ (Information Search Behavior)
พฤติกรรมการค้นหาสารสนเทศ (Information Search Behavior) หมายถึง
พฤติกรรมที่บุคคลได้ปฏิสัมพันธ์กับระบบสารสนเทศ ท้ังในระดับปฏิบัติ เช่น การใช่เมาส์ หรือใน
ระดับการใช้ความคิด สติปัญญา และความรู้ เช่น การตัดสินใจเลือก หรือพิจารณาว่าสารสนเทศท่ี
ตนเองคน้ หาน้ันตรงกบั ความต้องการของตนเองหรือไม่

Ref. code: 25616002113055FQL

8

การเงนิ เชิงพฤตกิ รรม (Behavioral Finance)
การเงินเชิงพฤติกรรม (Behavioral Finance) เป็นการเช่ือมโยงกันระหว่าง
เศรษฐศาสตร์ และจิตวิทยา รวมถึงทฤษฎีในการตัดสินใจ เพ่ือที่จะเข้าใจและสามารถอธิบายถึง
พฤติกรรมที่เก่ียวกับการเงินของแตล่ ะบุคคลหรอื นักลงทุนรายย่อย รวมถึงศึกษาพฤติกรรมของบคุ คล
นั้นสามารถก่อให้เกิดการสร้างราคาในหลักทรัพย์หรือในตลาด โดยปราศจากเหตุผลได้อย่าง ไร
Shefrin (2002) ได้สรุปเกี่ยวกับการเงินเชิงพฤติกรรมท่ีจะช่วยให้เข้าใจถึงการตัดสินใจของมนุษย์
ในทางเศรษฐศาสตร์ โดยได้แบ่งการศึกษานั้นออกเป็น 3 ส่วนคือ 1) มนุษย์มักจะใช้ความเคยชินใน
การตัดสินใจมากกว่าใช้หลกั ที่ถูกต้อง 2) เมื่อมีปัญหาที่มีทางออกสองทางท่ีใกล้เคียงกัน ทาให้มนุษย์
มีความคิดเห็นท่ไี ม่เหมือนกนั และ 3) ความไม่มีประสทิ ธภิ าพของตลาด (Market Inefficiency)
กลยุทธก์ ารลงทนุ แบบโมเมนตมั (Momentum Strategy)
กลยุทธ์การลงทุนแบบโมเมนตัม เป็นกลยุทธ์การลงทุนที่ถือเป็นหน่ึงในการเงินเชิง
พฤติกรรม (Behavioral finance) โดยเป็นกลยุทธ์ท่ีลงทุนซ้ือหุ้นท่ีราคากาลังปรับตัวขึ้นซ่ึงคาดว่า
ราคาจะปรับตัวสูงข้ึนต่อไปในอนาคต เหตุผลในการปรับตัวข้ึนของราคาอาจมาจาก Fund flow ท่ี
เป็นเงินทุนไหลเข้า ยอดซ้ือสุทธิจากต่างชาติ และอาจเกิดจากพฤติกรรมแห่ตาม หรือการคาดการณ์
แบบแหต่ ามกัน (Herding Forecast) อยา่ งไรเ้ หตผุ ล

2.2 งานวิจัยทีเ่ ก่ียวข้อง

งานวิจยั ของ Parkpoom, et al. (2016) ไดท้ าการศึกษาเกี่ยวกับความสนใจของนัก
ลงทุนผ่านการค้นหาในอินเตอร์เน็ตในตลาดหุ้นของ Asia-Pacific ซึ่งใช้ Search Volume Index
(SVI) เป็นตัววัดโดยตรงของความสนใจของนักลงทุนโดยมุ่งเน้นเฉพาะกลุ่มหุ้นดัชนีของแต่ละประเทศ
โดยศึกษาความสัมพันธ์กับตัวแปรในตลาด 3 ตัว คือ ผลตอบแทน ความผันผวน และปริมาณการซื้อ
ขาย มีการแบ่งกลุ่มประเทศต่างๆ ออกเป็น 2 ประเภท คือ กลุ่มประเทศท่ีพัฒนาแล้ว และกลุ่ม
ประเทศที่กาลังพัฒนา ซ่ึงความสนใจของนักลงทุนในแต่ละกลุ่มประเทศนั้นมีความแตกต่างกัน โดยมี
สาเหตุจาก 1) สัดสว่ นการถือหุ้นนักลงทุนสถาบนั 2) กฎหมายในแตล่ ะประเทศ และ 3) ความรู้ทาง
การเงินของนักลงทุน ในส่วนของการศึกษาในประเทศไทย ได้ใช้คาค้นหาคือ ‘set_50’ โดยใช้วิธี
Vector autoregressive (VAR) และ Granger causality ผลการศึกษาพบว่า ไม่พบความสัมพันธ์
ดังกล่าวในประเทศไทย แต่โดยรวมแล้วสรุปได้ว่าเม่ือตัวแปรในตลาดเปล่ียนแปลง ก็ย่อมส่งผลให้
ความสนใจของนกั ลงทุนเปล่ียนแปลงตาม

Ref. code: 25616002113055FQL

9

ในต่างประเทศได้มีงานวิจัยท่ีได้นา Google Trends ซึ่งจะใช้คาว่า Google’s
Search Queries เพ่ือไปใช้ในการพยากรณ์หรือคาดการณ์ตลาดเงินเช่นกัน โดยงานวิจัยส่วนใหญ่ใน
ประเทศต่างๆ จะได้ผลการวิจัยท่ีสอดคล้องกัน นั่นคือ Google Trends หรือ Search Volume
Index (SVI) สามารถพยากรณ์ หรือมีความสัมพันธ์ในทิศทางเดียวกันกับตลาดเงิน ท้ังในเรื่องของ
ความผันผวน ราคา และปริมาณการซื้อขาย ในงานวิจัยของ Nawaz (2014) ได้ทาการศึกษาเพ่ือหา
ความสัมพันธ์ระหว่าง Search Volume Index (SVI) และความผันผวนในตลาด S&P 500 โดยใช้วิธี
Vector autoregressive (VAR) ซ่ึงไม่เพียงแต่ศึกษาว่าจานวนการค้นหาและปริมาณการซื้อขายจะมี
ผลตอ่ ความผันผวนหรือไม่ แตไ่ ดศ้ กึ ษาเพิ่มเติมดว้ ยว่าความผันผวนและปริมาณการซ้ือขายนั้นมีผลต่อ
จานวนการค้นหาด้วยหรือไม่ และยังทาการศึกษาหุ้นรายตัวในตลาด Dow Jones Industrial
Average Indices เพอ่ื ศึกษาวา่ จานวนการคน้ หาชอ่ื หุ้นท่ีใช้เพื่อทาการซ้ือขาย (Ticker symbols) แต่
ละตัวน้ัน ส่งผลต่อจานวนการซ้ือขายของหุ้นแต่ละตัวหรือไม่ โดยในส่วนนี้จะใช้วิธี Multiple
Regression ในการทดสอบความสมั พันธ์ ซึ่งได้ผลการศึกษาโดยเช่ือมโยงกับความสนใจของนักลงทนุ
รายย่อยในช่วงระยะเวลาส้ันๆ พบว่าการเพิ่มข้ึนของการค้นหาส่งผลให้ปริมาณการซ้ือขาย ความผัน
ผวน และผลตอบแทนเพิ่มข้ึนตาม โดยผลตอบแทนดังกล่าวเป็นผลตอบแทนท่ีศึกษาจากวันแรกท่ีมี
การเสนอขายหุ้นใหม่แก่ประชาชนท่ัวไปเป็นครั้งแรก (Initial Public Offering) และในงานวิจัยของ
Dimphl และ Jank (2016) ไดใ้ ชข้ อ้ มูลการค้นหารายวันในการวัดความสนใจของผู้ลงทุน พบว่าเม่ือผู้
ลงทุนมีความสนใจเพ่ิมมากขึ้นในวันน้ี ส่งผลให้เกิดความผันผวนมากขึ้นตามในตลาดหุ้นในวันถัดไป
เช่นเดียวกันกับงานวิจัยของ Hu, et al. (2018) ที่ได้ทาการศึกษาทิศทางในตลาด S&P 500 และ
Dow Jones Industrial Average Indices พบว่า Google Trends ก็สามารถช่วยในการคาดการณ์
ทิศทางของดัชนใี นตลาดไดเ้ ช่นกัน

มีงานวิจัยท่ีได้ผลการศึกษาที่แตกต่างออกไป ดังเช่นในงานวิจัยของ Perlin, et al.
(2017) ได้ทาการศกึ ษาใน 4 ประเทศทใ่ี ช้ภาษาองั กฤษคือ อเมริกา องั กฤษ ออสเตรเลีย และแคนาดา
ว่า Search Queries ทีใ่ ช้คาท่ีเก่ยี วกับทางการเงินน้ันมีผลต่อผลตอบแทน ความผนั ผวน และปริมาณ
การซ้ือขายของดัชนีตลาดหุ้นหรือไม่ โดยใช้วิธี Vector autoregressive (VAR) และ Granger
causality ในการทดสอบโดยมีแนวคดิ เกี่ยวกับรูปแบบของ Social data ท่วี า่ การเพิ่มของจานวนคร้ัง
การค้นหาใน Period น้ี เป็นสัญญาณในพฤติกรรมการซื้อขายของนักลงทุนใน Period ข้างหน้า ซ่ึง
เป็นการคาดการณ์การตัดสนิ ใจในการซ้ือขายหุ้นของนักลงทุนได้เชน่ กัน และแม้ว่าในบางครั้งรูปแบบ
ของการค้นหาจะไม่ได้มีผลต่อการตัดสนิ ใจซ้ือขายหุน้ ใน อนาคต แต่ก็ถือเป็นข้อมูลที่ได้จากประชากร
ในพื้นที่นั้นๆ ว่ามีความสนใจในเรื่องของตลาดเงิน และอาจจะส่งผลต่อการคาดการณ์ของผู้ลงทุนได้
จริง อีกทั้งยังได้ศึกษาเพิ่มเติมอีกว่าตลาดเงินน้ันมีผลต่อปริมาณของการค้นหาหรือไม่ จากผล
การศึกษาพบว่า การเพ่ิมขึ้นของปริมาณการค้นหาของคาท่ีเก่ียวกับคาว่า ‘stock’ เช่น ‘finance’,

Ref. code: 25616002113055FQL

10

‘capital’, ‘value’ สามารถคาดการณ์ความผนั ผวนท่ีเพ่มิ ขน้ึ และราคาของหุน้ แตส่ ง่ ผลในทางตรงกัน
ขา้ มกับราคาของห้นุ ในตลาด จงึ ต้ังขอ้ สังเกตไวว้ ่า ผู้ลงทุนจะทาการคน้ หาคาว่า ‘stock’ ก่อนตัดสินใจ
ในการขายหุ้น ในงานวจิ ัยของ Bijl, et al. (2016) ก็ได้ผลการศกึ ษาวา่ Search Volume Index (SVI)
สามารถพยากรณ์และคาดการณ์แนวโน้มได้ใน 1 หรือ 2 สัปดาห์แรก และ Search Volume Index
(SVI) เป็นตัวนาท่ีทาใหเ้ กิดผลตอบแทนที่เปน็ ลบ โดยให้ข้อสังเกตไว้วา่ นกั ลงทุนจะมีกลยุทธ์ในการซอ้ื
ขายโดยข้ึนกับการขายหุ้นเมื่อมีความถ่ีในการค้นหาใน Google มาก และจะทาการซื้อหุ้นเม่ือความถ่ี
ในการค้นหานั้นไม่ได้มีมากนัก โดยให้ความเห็นว่าความสัมพันธ์ระหว่าง Search Volume Index
(SVI) และผลตอบแทนจะมีการเปล่ียนแปลงตามเวลา และในงานวิจัยของ Kim, et al. (2018) ได้
ทาการศึกษาในตลาดหุ้นของประเทศนอร์เวย์ โดยตั้งข้อสังเกตว่าการค้นหาใน Google จะสามารถ
อธิบายและสามารถพยากรณ์กิจกรรมต่างๆ ท่ีเกิดข้ึนในตลาดได้ จากการศึกษาพบว่าการค้นหา
สามารถพยากรณ์ปริมาณการซ้ือขายและความผันผวนได้ แต่ไม่สามารถพยากรณ์ผลตอบแทนได้
หรือไม่พบความสมั พันธก์ ันนน่ั เอง โดยได้ให้ความเห็นว่าผลการศึกษาน้ีสอดคล้องกับแนวคิดทฤษฎีใน
เรือ่ งของประสทิ ธภิ าพของตลาด (Market Efficiency) ทวี่ ่าไมส่ ามารถคาดการณแ์ นวโนม้ ความเป็นไป
ของตลาดได้จากข้อมลู ที่มีอยู่ ถ้าการค้นหาดงั กล่าวนี้สามารถนามาชว่ ยในการพยากรณห์ รือคาดการณ์
ผลตอบแทนในตลาดไดจ้ ริง จะทาให้นักลงทนุ สามารถแสวงหาโอกาสในการทากาไรจากความสามารถ
ในการพยากรณป์ รมิ าณการซอื้ ขายและความผนั ผวนของตลาดได้

ในงานวจิ ัยของ Ahmed, et al. (2017) ได้ศกึ ษาเพิ่มเติมถึงพฤติกรรมของนักลงทุน
ในตลาดเงินในประเทศปากีสถาน โดยใช้ข้อมูลในอดีตและปัจจัยที่ส่งผลต่อตลาดระหว่างประเทศ
(International Market Factors) เช่น อัตราทองคา อัตราแลกเปล่ียนดอลลาร์สหรัฐ หรือตลาดหุ้น
ในต่างประเทศ ซ่ึงมีการเก็บข้อมูลโดยใช้วิธี Multiclass Neural Network และ Multiclass
Decision Trees จากการศึกษาพบว่ามีความสัมพันธ์ระหว่างความคิดของแต่ละคนกับการค้นหา
ข้อมูลใน Google โดยพบว่าหากมีความแตกต่างของเหตุการณ์เกิดขึ้น นักลงทุนจะพยายามค้นหา
ผลกระทบที่เกิดข้ึน และจะมีผลกระทบต่อตลาดเงินตามมา และพบว่าการตัดสินใจทางการเงินใน
สภาวะการณ์ที่เปล่ียนแปลงไปน้ัน เกิดขึ้นจากการกระทาของแต่ละตัวบุคคลเอง ดังนั้นจึงสรุปได้ว่า
การตัดสินใจทางการเงินน้ันมีความสัมพันธ์สูงกับพฤติกรรมของมนุษย์ แสดงว่าการค้นหาใน Google
น่าจะมีความเชื่อมโยงกันกับการให้ความสนใจของนักลงทุน เสมือนพฤติกรรมตอบสนองของมนุษย์
เชน่ กนั ในงานวิจัยของ Yung และ Nafar (2017) จงึ ไดท้ าการศึกษาเกี่ยวกบั ความสนใจของนักลงทุน
โดยเปน็ การตงั้ สมมติฐานท่เี ก่ยี วข้องกับการให้ความสนใจในตลาด Real Estate Investment Trusts
(REITs) ซึ่งเป็นการนา Search Volume Index (SVI) มาเป็นตัวแทนของความสนใจดังกล่าว พบว่า
การเพิ่มข้ึนของ Search Volume Index (SVI) มีผลทาให้ผลตอบแทนเพิ่มมากขึ้นตามในทิศทาง

Ref. code: 25616002113055FQL

11

เดียวกัน และยอมรับว่า Search Volume Index (SVI) สามารถเป็นตัวแทนความสนใจของนักลงทนุ
ได้อยา่ งดี

โดยเหตุผลท่ี Google สามารถแสดงให้เห็นถึงความสนใจหรือพฤติกรรมของมนุษย์
หรือนักลงทุนได้น้ัน ได้อธิบายในบทความของ Comscore (2014) ท่ีได้อธิบายไว้ว่า Google เป็น
แหล่งการค้นหาขนาดใหญ่สาหรับการค้นหาท่ัวโลก ซ่ึงกว่า 70% ของผู้คนท่ีทาการค้นหาในประเทศ
สหรัฐอเมริกานั้นก็ค้นหาจาก Google ดังน้ันปริมาณการค้นหาของ Google ท่ีมีจานวนมหาศาลน้ัน
จึงเปรียบเสมือนตัวแทนของพฤติกรรมการค้นหาของประชากรท่ัวไปได้อย่างดี ที่สามารถเป็นตัววัด
การให้ความสนใจของมนุษย์ได้โดยตรง โดยถ้าหากนักลงทุนคนหนึ่งได้ทาการค้นหาเกี่ยวกับหุ้นตัว
หนึง่ ใน Google แสดงว่านกั ลงทนุ คนน้ันได้ให้ความสนใจกับหุ้นตัวนั้นโดยตรงจรงิ ๆ

หากผลการศึกษาไม่เป็นไปตามสมมติฐานท่ีต้ังไว้ว่า Google Trends หรือ Search
Volume Index (SVI) น้นั มคี วามสมั พันธ์กับตลาดเงินจริง ก็ไมไ่ ดห้ มายความวา่ การคน้ หาดังกล่าวนั้น
ไม่มีประโยชน์ โดยในงานวิจัยของ Da, et al. (2011) ได้กล่าวไว้ว่า การค้นหาเกี่ยวกับตลาดหุ้นใน
อินเตอร์เน็ตน้ัน สามารถเป็นตัววัดความสนใจ และทัศนคติของนักลงทุนต่อตลาดหุ้นน้ันๆ ได้ และใน
วงการการเงิน Search Volume Index (SVI) หรือ Search Query Data ยังถูกใช้ในการวัดความ
สนใจของนักลงทุนรายย่อยเช่นกัน แต่อย่างไรก็ตามถ้าหากรูปแบบในการค้นหาน้ันไม่ได้มีความ
สอดคล้องหรือไม่ได้ส่งผลต่อการตัดสินใจในการซื้อขายหุ้นในอนาคต การค้นหาดังกล่าวน้ันก็ยัง
สามารถเป็นข้อมลู ไดว้ ่านักลงทุนให้ความสนใจในตวั ของตลาดเงนิ ท่ีมากขึ้น ซ่ึงเป็นผลกระทบต่อความ
คาดหวังของนักลงทุนในตลาดได้เชน่ กัน

งานวิจัยท่ีเกี่ยวกับการเงินเชิงพฤติกรรม (Behavioral Finance) ที่มีความเช่ือมโยง
กันระหว่างพฤติกรรมของนักลงทุนรายย่อยและการค้นหาข้อมูล ชนัธฌา ศิวโมกษธรรม และ สรร
พัวจันทร์ (2005) ไดท้ าการศึกษาเกี่ยวกับพฤติกรรมนักลงทุนไทยในตลาดหลักทรพั ย์แห่งประเทศไทย
ผลการศึกษาพบว่านักลงทุนรายย่อยมีความเช่ือถือในแหล่งข้อมูลต่างๆ โดยเฉพาะแหล่งข้อมูลจาก
ทางอินเตอร์เนต็ หนงั สอื พิมพ์ และ โทรทัศน์ โดยมปี จั จยั ความเชื่อถือรองลงมาคือ ข้อมลู คาแนะนา
ของผูเ้ ชยี่ วชาญ นักวิเคราะหห์ ลกั ทรัพย์ และเจ้าหน้าท่ีการตลาด

Ref. code: 25616002113055FQL

12

บทที่ 3
วธิ ีการวจิ ยั

3.1 ข้อมูลและแหลง่ ขอ้ มลู

ทาการเก็บข้อมูล Google Trends หรือ Search Volume Index (SVI) เป็นราย
สัปดาห์ จาก https://trends.google.com/trends ซึ่งข้อมูล Search Volume Index (SVI) นี้จะ
เก็บขอ้ มูลในขอบเขตการคน้ หาจากทว่ั โลก และในรูปแบบการรายงานเฉพาะที่อยู่ในหมวดหมู่การเงิน
เพื่อลด Noise ของข้อมูล โดยใช้ Search term หรือคาค้นหาว่า ‘ซ้ือหุ้น’ และเก็บข้อมูล Search
Volume Index (SVI) ในส่วนของหุ้นรายตัวท่ีอยู่ในตลาด SET50 ต้ังแต่ปี 2013 ถึงปี 2018 ซ่ึงมี
มูลค่าและสภาพคล่องที่สูง โดยใช้ชื่อหุ้นที่ใช้ในการซ้ือขาย (Ticker symbols) เป็นคาที่ใช้ในการ
ค้นหา เน่ืองจากในการใช้ Ticker Symbols ของแต่ละบริษัทน้ัน จะทาให้ตรงกับจุดประสงค์ในการ
ค้นหาของนักลงทุน Da, et al. (2011) ซ่ึงมีจานวนท้ังหมด 29 หุ้น คือ ADVANCE, AOT, BANPU,
BBL, BH, BTS, CPALL, CPF, CPN, DTAC, EGCO, HMPRO, INTUCH, IRPC, IVL, KBANK, KTB,
LH, MINT, PTT, PTTEP, PTTGC, ROBINS, SCB, SCC, TCAP, TMB, TOP และ TRUE

ในส่วนของข้อมูลท่ีเกี่ยวกับข้อมูลทางการเงิน คือ ราคาปิด และปริมาณการซ้ือขาย
จะทาการเก็บข้อมูลของทั้งดัชนี SET50 และหุ้นรายตัว เป็นรายวัน โดยเก็บข้อมูลจาก
https://setsmart.com

โดยข้อมูลทงั้ 2 ส่วนนจ้ี ะทาการเกบ็ ข้อมลู ตัง้ แต่เดือนมกราคมปี 2013 ถึงเดือน
ธนั วาคมปี 2018

3.2 วธิ ีการศึกษา

ข้อมูล Search Volume Index (SVI) มีการคานวณเพื่อปรับค่าดัชนี เน่ืองจากใน
การดึงข้อมูลเป็นรายสัปดาห์จาก Google Trends นั้น จะต้องดึงข้อมูลในช่วงระยะเวลา 5 ปี หาก
เกนิ กวา่ 5 ปี Google Trends จะแสดงขอ้ มูลเป็นรายเดอื นแทน ดังน้นั การดึงข้อมลู จงึ ตอ้ งแยกเป็น 2
ช่วง คือ ช่วงเดือนมกราคม ปี 2013 ถึงเดือนธันวาคม ปี 2015 และช่วงเดือนมกราคม ปี 2016 ถึง
เดือนธันวาคม ปี 2018 จากน้ันทาการดึงข้อมูลเป็นรายเดือนตั้งแต่เดือนมกราคม ปี 2013 ถึงเดือน
ธันวาคม ปี 2018 แล้วนามาปรับคา่ ดชั นีของข้อมูลทเี่ ปน็ รายสัปดาห์ ดังตอ่ ไปน้ี

Ref. code: 25616002113055FQL

13

ตารางที่ 3.1
แสดงตวั อยา่ งการปรบั ข้อมูล Search Volume Index (SVI)

Month Weekly data Monthly data Adjusted data
January 100 100 × 100/100 = 100.00
1/7/2018 100 100 58 × 100/100 = 58.00
February 100 55 × 100/100 = 55.00
1/14/2018 58 100 50 × 100/100 = 50.00
81
1/21/2018 55 81 57 × 81/100 = 46.17
81 55 × 81/100 = 44.55
1/28/2018 50 81 55 × 81/100 = 44.55
49 × 81/100 = 39.69
2/4/2018 57

2/11/2018 55

2/18/2018 55

2/25/2018 49

December ⁞ ⁞ ⁞ ⁞ ⁞
12/2/2018 43 65 43 × 65/100 = 27.95
12/9/2018 50 65 50 × 65/100 = 32.50
12/16/2018 44 65 44 × 65/100 = 28.60
12/23/2018 38 65 38 × 65/100 = 24.70
12/30/2018 37 65 37 × 65/100 = 24.05

โดยข้อมูลที่ได้จะเป็น Search Volume Index (SVI) ท่ีได้ทาการปรับค่าตามช่วง
ระยะเวลาท่ีต้องการศึกษา เพ่ือให้ข้อมูลดัชนีดังกล่าวมีความถูกต้องมากข้ึน เนื่องจากการดึงข้อมูล
ในช่วงระยะเวลาทแ่ี ตกต่างกนั จะทาใหค้ า่ ดชั นีที่ไดน้ ั้นแตกต่างกนั ตามไปด้วย

Ref. code: 25616002113055FQL

14

คานวณหาผลตอบแทนของดัชนี SET50 และหุ้นแต่ละตัว ใช้วิธี Log-Return
Formulation เพ่ือนามาใช้ในการคานวณหาค่า Continuously Compounded Returns ดงั สมการ

, = ln( , ) − ln( , −1)
โดย , คอื ผลตอบแทนของดัชนี SET50 และหุน้ แตล่ ะตวั ณ สัปดาหท์ ่ี

, คือราคาปิดของดัชนี SET50 และหุ้นแตล่ ะตัว ณ วันทาการสดุ ทา้ ยของ
สัปดาห์ที่

, −1 คือราคาปดิ ของดัชนี SET50 และหนุ้ แตล่ ะตวั ณ วันทาการสดุ ทา้ ยของ
สปั ดาห์ที่ − 1

คานวณความผันผวน (Volatility) หรือค่าเบ่ียงเบนมาตรฐาน (Standard
Deviation) ดังสมการ

, = √( , − ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ )2

โดย , คือความผันผวนของดชั นี SET50 และหนุ้ แต่ละตัว ณ สัปดาห์ที่

, คือผลตอบแทนของดชั นี SET50 และหนุ้ แตล่ ะตัว ณ สัปดาห์ที่
̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ ̅ คือผลตอบแทนเฉล่ยี เคล่อื นที่ของดัชนี SET50 และหุน้ แตล่ ะตวั

คานวณปริมาณการซื้อขายในแตล่ ะวัน ให้เปน็ ปรมิ าณการซ้ือขายในแตล่ ะสัปดาห์
โดยการหาคา่ เฉล่ยี ดังสมการ

, = 1
∑ ,

=1

โดย , คอื ปรมิ าณการซื้อขายของหุ้นในดัชนี SET50 และห้นุ แตล่ ะตวั ณ สปั ดาห์ท่ี

, คือปริมาณการซื้อขายของหุน้ ในดัชนี SET50 และหนุ้ แต่ละตวั ในแต่ละวนั ทาการ

คือจานวนวันทาการ ณ สปั ดาห์นั้นๆ

Ref. code: 25616002113055FQL

15

โดยปริมาณการซื้อขายของหุ้นในดัชนี SET50 คือปริมาณการซ้ือขายรวมของหุ้นทั้ง
50 ตัวที่อย่ใู นดชั นี SET50

ในส่วนของดัชนี SET50 จะทดสอบด้วย Vector autoregressive (VAR) Model
โดยก่อนที่จะทดสอบ Vector autoregressive (VAR) Model นั้น จะทาการเลือก lag p โดยทาการ
รัน LAG Order Selection Test เพ่ือหา Pre-estimation for lags ซึ่งมี Criteria ในการเลอื กจานวน
lag ดว้ ยกนั 3 ตัวคอื

- Akaike information criterion (AIC)
- Hannan-Quinn information criterion (HQIC)
- Schwarz information criterion (SBIC)
โดยจะมที ้ังหมด 3 โมเดล เพ่ือใชท้ ดสอบความสมั พันธใ์ นแต่ละตัวแปรคือ
Model 1: การทดสอบความสัมพนั ธร์ ะหว่างความผนั ผวน และ Search Volume
Index (SVI)
Model 2: การทดสอบความสมั พันธ์ระหวา่ งปริมาณการซ้ือขาย และ Search
Volume Index (SVI)
Model 3: การทดสอบความสัมพันธ์ระหวา่ งความผนั ผวน ปรมิ าณการซ้ือขาย
และ Search Volume Index (SVI)

ตัวอย่างโมเดล หากโมเดลที่ 1 เปน็ VAR (3) จะได้โมเดลดังนี้

, = + 1 , −1 + 2 , −2 + 3 , −3
+ 4 , −1 + 5 , −2 + 6 , −3 +∈ ,

, = + 1 , −1 + 2 , −2 + 3 , −3
+ 4 , −1 + 5 , −2 + 6 , −3 +∈ ,

โดย คือค่าคงท่ี

, คอื ความผนั ผวนของดัชนี SET50 ณ สปั ดาห์ที่
, −1 คือความผันผวนของดัชนี SET50 ณ สปั ดาห์ที่ − 1
, −2 คอื ความผันผวนของดัชนี SET50 ณ สัปดาห์ที่ − 2
, −3 คือความผันผวนของดชั นี SET50 ณ สัปดาห์ท่ี − 3
, คอื ค่าดชั นปี รมิ าณการคน้ หาคาวา่ ‘ซือ้ หุ้น’ ณ สปั ดาหท์ ี่

Ref. code: 25616002113055FQL

16

, −1 คือค่าดชั นปี รมิ าณการคน้ หาคาว่า ‘ซอื้ หนุ้ ’ ณ สัปดาหท์ ี่ − 1
, −2 คอื ค่าดัชนีปริมาณการคน้ หาคาวา่ ‘ซ้อื หุน้ ’ ณ สปั ดาหท์ ี่ − 2
, −3 คือค่าดชั นีปรมิ าณการคน้ หาคาว่า ‘ซ้ือหุ้น’ ณ สัปดาห์ท่ี − 3
∈ , คือค่าความคลาดเคลือ่ น ณ สัปดาห์ที่
คือค่าสัมประสทิ ธ์ิของแตล่ ะตัวแปรในสมการ

โดยการใช้ VAR เป็นการทดสอบความสัมพันธ์แบบ 2 ทาง ซ่ึงไม่ได้ทดสอบเพียงว่า
Search Volume Index (SVI) ส่งผลต่อตลาดเงินหรือไม่ แต่ทดสอบด้วยว่าตลาดเงินน้ัน ส่งผลต่อ
Search Volume Index (SVI) หรือไมเ่ ช่นกนั

ในส่วนของหุ้นแต่ละตัว จะทาการทดสอบด้วย Multiple Regression Model เพื่อ
ศึกษาว่า Search Volume Index (SVI) มีความสัมพันธ์ หรือสามารถอธิบาย และสามารถพยากรณ์
ปรมิ าณการซื้อขาย (Trade Volume) และผลตอบแทน (Return) ของหุน้ หรือไม่ โดยมี 2 โมเดล คือ
โมเดลเพื่อการอธิบาย (Explanatory Model) และโมเดลเพ่ือการพยากรณ์ (Predictive Model) ซ่ึง
โมเดลเพ่ือการพยากรณ์ จะใช้ข้อมูลตัวแปรอิสระ (Independence variable) ที่เป็นคาบเวลาก่อน
หน้า เพ่ือท่จี ะสามารถใชข้ ้อมลู ท่ีมีอยใู่ นการคาดการณ์หรือพยากรณ์อนาคตได้ Kim, et al. (2018)

ในการศึกษาความสัมพันธ์ระหว่าง Search Volume Index (SVI) และปริมาณการ
ซ้ือขาย (Trade Volume) จะกาหนดให้ปริมาณการซ้ือขายเป็นตัวแปรตาม (Dependence
Variable) และ Search Volume Index (SVI) เป็นตัวแปรอิสระ (Independence Variable) โดยมี
ตัวแปรควบคุม (Control Variable) คือ ปริมาณซ้ือขายในคาบเวลาก่อนหน้า ความผันผวน และ
ผลตอบแทน ดงั สมการ

Ref. code: 25616002113055FQL

17

Explanatory Model

, = + 1 , −1 + 2 , + 3 , + 4 , + ,

โดย คอื ค่าคงที่

, คือปรมิ าณการซื้อขายของหุ้น ณ สัปดาห์ที่
, −1 คอื ปรมิ าณการซ้ือขายของหุน้ ณ สปั ดาหท์ ี่ − 1
, คือ Search Volume Index ในแต่ละหุ้น ณ สัปดาห์ที่
, คือความผนั ผวนของหุ้น ณ สปั ดาหท์ ี่
, คือความผลตอบแทนของหนุ้ ณ สัปดาหท์ ่ี
, คือค่าความคลาดเคล่ือน ณ สัปดาห์ท่ี
คอื ค่าสมั ประสิทธิ์ของแต่ละตัวแปรในสมการ

Predictive Model

, = + 1 , −1 + 2 , −1 + 3 , −1 + 4 , −1
+ ,

โดย คือค่าคงท่ี

, คือปริมาณการซือ้ ขายของหุ้น ณ สปั ดาห์ที่
, −1 คอื ปริมาณการซ้ือขายของหุ้น ณ สปั ดาห์ที่ − 1
, −1 คอื Search Volume Index ในแตล่ ะหนุ้ ณ สปั ดาหท์ ่ี − 1
, −1 คือความผันผวนของหุ้น ณ สปั ดาหท์ ี่ − 1
, −1 คอื ความผลตอบแทนของหนุ้ ณ สัปดาห์ที่ − 1
, คือค่าความคลาดเคล่ือน ณ สัปดาห์ท่ี
คอื ค่าสัมประสิทธิ์ของแต่ละตัวแปรในสมการ

Ref. code: 25616002113055FQL

18

ในการศึกษาความสัมพันธ์ระหว่าง Search Volume Index (SVI) และผลตอบแทน
(Return) จะกาหนดให้ผลตอบแทนเป็นตัวแปรตาม (Dependence Variable) และ Search
Volume Index (SVI) เปน็ ตัวแปรอสิ ระ (Independence Variable) โดยมตี วั แปรควบคุม (Control
Variable) คือ ผลตอบแทนในคาบเวลากอ่ นหน้า ความผนั ผวน และปรมิ าณการซอื้ ขาย ดังสมการ

Explanatory Model

, = + 1 , −1 + 2 , + 3 , + 4 ,
+ ,

โดย คือค่าคงท่ี

, คือผลตอบแทนของหุ้น ณ สปั ดาห์ที่
, −1 คอื ความผลตอบแทนของหนุ้ ณ สปั ดาห์ท่ี − 1
, คอื Search Volume Index ในแตล่ ะหุ้น ณ สปั ดาห์ที่
, คอื ความผันผวนของห้นุ ณ สปั ดาห์ที่
, คือปรมิ าณการซือ้ ขายของหนุ้ ณ สัปดาห์ท่ี
, คือค่าความคลาดเคล่อื น ณ สัปดาห์ท่ี
คือค่าสัมประสิทธิ์ของแตล่ ะตัวแปรในสมการ

Predictive Model

, = + 1 , −1 + 2 , −1 + 3 , −1
+ 4 , −1 + ,

โดย คอื ค่าคงท่ี

, คือผลตอบแทนของหนุ้ ณ สปั ดาห์ที่
, −1 คือความผลตอบแทนของหุน้ ณ สปั ดาหท์ ่ี − 1
, −1 คือ Search Volume Index ในแตล่ ะหนุ้ ณ สัปดาหท์ ี่ − 1
, −1 คือความผนั ผวนของหุ้น ณ สัปดาห์ท่ี − 1
, −1 คอื ปริมาณการซ้ือขายของหุ้น ณ สัปดาห์ที่ − 1
, คอื ค่าความคลาดเคลอ่ื น ณ สปั ดาหท์ ่ี

Ref. code: 25616002113055FQL

19
คือค่าสมั ประสิทธิ์ของแต่ละตัวแปรในสมการ

ในการทดสอบความสัมพันธ์จากวิธี Multiple Regression ใน Predictive Model
จะมีการตรวจสอบว่าเกิดปัญหา Multicollinearity หรือไม่ โดยคานวณ VIF (Variance Inflation
Factor) และตัดตัวแปรอิสระท่ีมีความสัมพันธ์กันเองสูง เพื่อให้การประมาณค่าสัมประสิทธิ์ของตัว
แปรมคี วามแมน่ ยาขึ้น และเพิม่ ความนา่ เช่อื ถือของโมเดล

โดยในการศึกษาความสัมพันธ์ดังกล่าวนี้จะมีการทดสอบ Unit root ด้วย Dickey
Fuller Test เพ่ือทดสอบว่าตัวแปรท่ีใช้เป็นข้อมูลท่ีมีลักษณะความน่ิง (Stationary) หรือไม่ เพ่ือ
หลีกเลี่ยงข้อมูลที่มีค่าเฉลี่ย (Mean) และค่าความแปรปรวน (Variance) ไม่คงท่ีในแต่ละช่วงเวลาท่ี
แตกต่างกัน หรือเพ่ือหลีกเลี่ยงข้อมูลท่ีมีการเคล่ือนไหวไปตามแนวโน้มท่ีเพิ่มข้ึนตามเวลา โดยหาก
พบวา่ ตัวแปรเป็นขอ้ มูลที่มีลกั ษณะความไม่นิง่ (Non-Stationary) จะแก้ไขดว้ ยวิธีการทาผลตา่ งลาดับ
ที่ 1 (First Difference) หรือลาดับที่สูงข้ึนจนกว่าข้อมูลจะมีความน่ิง และมีการทดสอบว่าเมื่อใช้
โมเดล Multiple Regression ดังกล่าวแล้ว เกิดปัญหา Heteroskedasticity ขึ้นหรือไม่ เพ่ือทาการ
แก้ไขด้วยการประมาณคา่ Standard Error ดว้ ยวธิ ี Robust ในโปรแกรม Stata ซง่ึ Standard Error
ทท่ี าการประมาณคา่ ใหม่นัน้ จะแกป้ ัญหาดังกล่าว ซง่ึ ทาให้ให้ผลของการทดสอบมคี วามน่าเชือ่ ถือ และ
ถกู ต้องแม่นยามากข้นึ

Ref. code: 25616002113055FQL

20

บทที่ 4
ผลการวจิ ยั และอภปิ รายผล

งานวิจัยน้มี วี ัตถปุ ระสงคเ์ พื่อศึกษาความสัมพันธร์ ะหว่างการค้นหาใน Google ซง่ึ ใช้
Search Volume Index (SVI) เป็นตัวแทนความสนใจของนักลงทนุ กบั ตวั แปรในตลาดเงนิ คือ ความ
ผันผวน ปริมาณการซื้อขาย และผลตอบแทน โดยมุ่งเฉพาะดัชนี SET50 และหุ้นรายตัวที่อยู่ในดัชนี
SET50 ตั้งแต่ปี 2013 ถึงปี 2018 โดยผลการวิเคราะห์แบ่งเป็น 2 ส่วน คือ ส่วนที่ 1 การทดสอบ
ความสัมพันธ์ระหว่างการค้นหาใน Google ความผันผวน และปริมาณการซ้ือขายหุ้นในดัชนี SET50
และส่วนที่ 2 การทดสอบความสัมพันธ์ระหว่างการค้นหาหุ้นรายตัวใน Google ปริมาณการซื้อขาย
หนุ้ รายตัว ผลตอบแทนหุน้ รายตวั และความสามารถในการพยากรณ์หนุ้ รายตวั ใน SET50

ส่วนท่ี 1 การทดสอบความสัมพันธ์ระหว่างการค้นหาใน Google ความผันผวน และปริมาณการ
ซื้อขายหุ้นในดชั นี SET50

ในการทดสอบความสัมพันธ์ทง้ั 2 ทางของ Search Volume Index (SVI) ความผัน
ผวน และปริมาณการซ้ือขายหุ้นในดัชนี SET50 ท้ัง 3 โมเดล แสดงผลการทดสอบ Unit Root Test
ในตารางที่ 4.1 และแสดงผลลัพธ์ในตารางท่ี 4.2 โดยผลการเลือก lag p จากการรัน LAG Order
Selection Test เพื่อหา Pre-estimation for lags ไดผ้ ลลพั ธค์ ือ p=1 ดังนน้ั จงึ ใชโ้ มเดล VAR (1) ใน
การทดสอบความสัมพนั ธด์ งั กล่าว โดยไดส้ ามารถเขียนโมเดลได้ดงั นี้
Model 1: การทดสอบความสมั พันธ์ระหว่างความผนั ผวน และ Search Volume Index (SVI)

, = + 1 , −1 + 2 , −1 +∈ ,
, = + 1 , −1 + 2 , −1 +∈ ,

Model 2: การทดสอบความสมั พันธ์ระหว่างปรมิ าณการซื้อขาย และ Search Volume Index (SVI)

, = + 1 , −1 + 2 , −1 +∈ ,
, = + 1 , −1 + 2 , −1 +∈ ,

Model 3: การทดสอบความสมั พันธร์ ะหว่างความผันผวน ปริมาณการซอื้ ขาย และ Search
Volume Index (SVI)

, = + 1 , −1 + 2 , −1 + 3 , −1 +∈ ,
, = + 1 , −1 + 2 , −1 + 3 , −1 +∈ ,
, = + 1 , −1 + 2 , −1 + 3 , −1 +∈ ,

Ref. code: 25616002113055FQL

21

ตารางท่ี 4.1
แสดงผลการทดสอบ Unit Root Test

Number of obs. 308

5% Critical Value -2.878

Test Statistic p-value

SVI -5.252 0.0000

Vol -12.655 0.0000

TV -9.684 0.0000

จากตารางที่ 4.1 ผลการทดสอบ Unit Root แสดงให้เห็นว่าตัวแปรท้ัง 3 เป็น
Stationary Data หมายความว่าขอ้ มลู ดังกล่าวมีคา่ เฉลยี่ (Mean) และค่าความแปรปรวน (Variance)
คงที่ในแต่ละช่วงเวลาท่ีแตกต่างกัน หรือเป็นข้อมูลท่ีไม่ได้มีการเคล่ือนไหวไปตามแนวโน้มท่ีเพิ่มขึ้น
ตามเวลา

Ref. code: 25616002113055FQL

ตารางที่ 4.2
แสดงผลการทดสอบ Vector autoregressive (VAR) Model ระหวา่ ง Search Volu

VAR estimat

Model 1 Model

Variables (1) (2) (1)
Vol SVI SVI

Vol_lag1 0.3131767** -41.68918

SVI_lag1 4.84E-06 0.8324305** 0.8278739**

TV_lag1 -0.0188677 0

Constant 0.0089706** 5.65382** 7.590319**

R-Squared 0.0979 0.6962 0.6979

Observations 308 308 308

1 *ระดับนยั สาคัญ 0.05 **ระดับนัยสาคัญ 0.01

ume Index (SVI) ความผันผวน และปรมิ าณการซื้อขายดชั นี SET50

tion1

2 Model 3

(2) (1) (2) (3)
TV Vol SVI TV

0.3118669** -35.69598 21.34666

-0.1397079 6.08E-06 0.8267573** -0.1390402

0.5260687** 3.91E-06 -0.0178813 0.5254788**

63.09582** 0.0084632** 7.975476** 62.86549**

0.2854 0.0981 0.6988 0.2855

308 308 308 308

22

Ref. code: 25616002113055FQL

23

จากตารางที่ 4.2 แสดงผลลพั ธจ์ ากการทดสอบความสัมพันธ์ทั้ง 3 โมเดล ดังน้ี
โมเดลที่ 1 (1) ผลการทดสอบพบวา่ Search Volume Index (SVI) ของสปั ดาหก์ ่อน
หนา้ ไมส่ ่งผลตอ่ ความผันผวนดัชนี SET50 อย่างมีนยั สาคญั
โมเดลท่ี 1 (2) ผลการทดสอบพบว่าความผันผวนดัชนี SET50 ของสัปดาห์ก่อนหนา้
ไม่ส่งผลตอ่ Search Volume Index (SVI) อยา่ งมนี ัยสาคญั
โมเดลท่ี 2 (1) ผลการทดสอบพบว่าปริมาณการซ้ือขายหุ้นในดัชนี SET50 ของ
สปั ดาหก์ ่อนหนา้ ไมส่ ่งผลตอ่ Search Volume Index (SVI) อยา่ งมีนัยสาคัญ
โมเดลที่ 2 (2) ผลการทดสอบพบว่า Search Volume Index (SVI) ของสัปดาหก์ ่อน
หนา้ ไม่ส่งผลตอ่ ปรมิ าณการซือ้ ขายหนุ้ ในดชั นี SET50 อย่างมีนัยสาคญั
โมเดลที่ 3 (1) ผลการทดสอบพบว่า Search Volume Index (SVI) และปริมาณการ
ซื้อขายหุ้นในดัชนี SET50 ของสัปดาห์ก่อนหน้า ไม่ส่งผลต่อความผันผวนดัชนี SET50 อย่างมี
นัยสาคญั
โมเดลท่ี 3 (2) ผลการทดสอบพบว่าความผันผวนดัชนี SET50 และปริมาณการซื้อ
ขายหุ้นในดัชนี SET50 ของสัปดาห์ก่อนหน้า ไม่ส่งผลต่อ Search Volume Index (SVI) อย่างมี
นยั สาคัญ
โมเดลที่ 3 (3) ผลการทดสอบพบว่า Search Volume Index (SVI) และ ความผัน
ผวนดัชนี SET50 ของสัปดาห์ก่อนหน้า ไม่ส่งผลต่อปริมาณการซื้อขายหุ้นในดัชนี SET50 อย่างมี
นยั สาคัญ

ส่วนที่ 2 การทดสอบความสัมพันธ์ระหว่างการค้นหาหุ้นรายตัวใน Google ปริมาณการซื้อขาย
หุ้นรายตวั ผลตอบแทนหนุ้ รายตวั และความสามารถในการพยากรณห์ ุน้ รายตัวใน SET50

ในการทดสอบความสัมพันธ์ระหว่างการค้นหาใน Google และปริมาณการซื้อขาย
หุ้นรายตัวใน SET50 แสดงผลการทดสอบจาก Explanatory Model ในตารางที่ 4.3 ซึ่งเป็นการ
ทดสอบว่า Search Volume Index (SVI) มคี วามสามารถในการอธิบายปริมาณการซื้อขายห้นุ รายตัว
หรือไม่ และแสดงผลการทดสอบจาก Predictive Model ในตารางที่ 4.4 ซ่ึงเป็นการทดสอบว่า
Search Volume Index (SVI) มีความสามารถในการพยากรณ์ปริมาณการซื้อขายหุ้นรายตัวหรือไม่
ซ่ึงตัวแปรแต่ละตัวได้ทาการทดสอบ Unit Root Test พบว่ามีเพียงข้อมูล Search Volume Index
(SVI) ของ BTS และ PTT เท่าน้ัน ท่ีพบว่าเป็นข้อมูลแบบ Non-Stationary จึงได้แก้ไขด้วยวิธีการทา
ผลตา่ งลาดับที่ 1 (First Difference) แล้วจึงนาข้อมลู ท่ีได้มาใช้ในการทดสอบ Multiple Regression

Ref. code: 25616002113055FQL

ตารางท่ี 4.3

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหวา่ งปรมิ าณ

Explanatory M

Dependent variable: Trade Volume

Stock TV_lag1 SVI Vol Retur

ADVANC 0.2908234** -0.0033019 10.44555** -2.00727

AOT 0.392245** 0.0547618** 1.0501810 0.27367

BANPU 0.7673818** 0.0326672* 9.531557** 8.49910

BBL 0.323597** 0.0005038 3.197627** 0.12571

BH 0.4335326** -0.0007356* 0.6477109** 0.06645

BTS 0.570253** 0.0041431 68.91907** 17.973

CPALL 0.3564547** 0.0273547* 25.77605** -4.80455

CPF 0.4057738** 0.0180848** 15.59572** 5.57944

1 *ระดับนยั สาคญั 0.05 **ระดับนยั สาคญั 0.01

ณการซื้อขายหนุ้ รายตัวใน SET50 และ Search Volume Index (SVI)

Model1

(10 Million) of stocks traded

rn Constant R-Squared Adjusted R-Squared

740 0.4357635** 0.4358 0.4284

719 -0.0490636 0.5352 0.5292

02** -0.0519115 0.7159 0.7122

189 0.2415388 0.1868 0.1762

551 0.1033355** 0.2329 0.2228

37* 0.608507* 0.5456 0.5396

560 0.5861355** 0.3699 0.3616

4 ** 0.1925771 0.3324 0.3237

24

Ref. code: 25616002113055FQL

ตารางที่ 4.3

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหว่างปรมิ าณ

(ต่อ)

Explanatory M

Dependent variable: Trade Volume

Stock TV_lag1 SVI Vol Retur

CPN 0.3971509** 0.0008973 2.000477** 0.21365

DTAC 0.5285237** 0.0037146 10.75408** 3.85804

EGCO 0.333351* 0.0002173 0.6820852** -0.05588

HMPRO 0.4431012** 0.0110285* 12.63285** 4.57868

INTUCH 0.3772407** 0.0067641** 15.55566** -0.17609

IRPC 0.5247771** 0.0946664* 81.2525** 34.5991

IVL 0.5469833** 0.0173255** 11.35768** 4.15521

KBANK 0.4239044** -0.0002226 6.289327** -1.0867

1 *ระดบั นยั สาคัญ 0.05 **ระดบั นัยสาคญั 0.01

ณการซ้อื ขายหุ้นรายตัวใน SET50 และ Search Volume Index (SVI)

Model1 Adjusted R-Squared
(10 Million) of stocks traded 0.1982
rn Constant R-Squared 0.5315
571 0.272682** 0.2086 0.1716
4** -0.1670840 0.5375 0.3783
842 0.0293691** 0.1823 0.5382
8** 0.6215985** 0.3863 0.4793
955 0.2584722** 0.5442 0.4602
19** 0.7885700 0.4860 0.3966
12** 0.2959072** 0.4672
719* 0.2868752** 0.4043

25

Ref. code: 25616002113055FQL

ตารางท่ี 4.3

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหว่างปริมาณ

(ต่อ)

Explanatory M

Dependent variable: Trade Volume

Stock TV_lag1 SVI Vol Retur

KTB 0.5116145** 0.0062898 34.91143** -0.27587

LH 0.4150386** 0.0302302** 21.87775** 2.39754

MINT 0.4019245** -0.0021159 3.660788** -0.41093

PTT 0.8740959** -0.0236537 4.735153** -1.07118

PTTEP 0.6161319** 0.0060242** 7.365482** 3.02935

PTTGC 0.3845909** 0.0067582** 7.831145** 1.19495

ROBINS 0.4029574** 0.0016278** 1.446655** 0.24699

SCB 0.460449** -0.0013783 5.541832** 0.18964

1 *ระดบั นัยสาคัญ 0.05 **ระดบั นัยสาคญั 0.01

ณการซือ้ ขายห้นุ รายตัวใน SET50 และ Search Volume Index (SVI)

Model1 Adjusted R-Squared
(10 Million) of stocks traded 0.4547
rn Constant R-Squared 0.3135
723 1.226175** 0.4618 0.1896
450 -0.4236016 0.3223 0.8400
314 0.6276177** 0.2000 0.7118
850 0.0334363 0.8421 0.3408
54** 0.0707272 0.7156 0.3149
540 0.5195661** 0.3493 0.3875
941 -0.0244780 0.3237
489 0.3418352** 0.3954

26

Ref. code: 25616002113055FQL

ตารางที่ 4.3

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหว่างปรมิ าณ

(ต่อ)

Explanatory M

Dependent variable: Trade Volume

Stock TV_lag1 SVI Vol Retur

SCC 0.4406271** 0.000965** 1.491913** -0.30430

TCAP 0.523745** 0.0027691* 4.834009** 1.90787

TMB 0.4035324** -0.0244071 235.0967** 67.1641

TOP 0.4321911** 0.0012957 4.476691** 0.27911

TRUE 0.3457294** -0.0036586 109.6623** 35.9847

1 *ระดบั นัยสาคัญ 0.05 **ระดับนยั สาคญั 0.01

ณการซอื้ ขายหุ้นรายตวั ใน SET50 และ Search Volume Index (SVI)

Model1 Adjusted R-Squared
(10 Million) of stocks traded 0.2760
rn Constant R-Squared 0.5218
048 0.0360885* 0.2853 0.3701
74** 0.0434955 0.5280 0.3638
1** 6.1361150 0.3783 0.3762
154 0.1523053 0.3720
73** 5.9822060 0.3843

27

Ref. code: 25616002113055FQL

28
จากตารางท่ี 4.3 แสดงผลการทดสอบ Multiple Regression (Explanatory
Model) ระหว่างปริมาณการซื้อขายหุ้น กับปริมาณการซ้ือขายหุ้นในคาบเวลาก่อนหน้า Search
Volume Index (SVI) ความผันผวน และผลตอบแทน พบว่าจากหุ้นรายตัวใน SET50 ท้ังหมด 29
หุ้น มี 14 หุ้น คือ AOT BANPU CPALL CPF HMPRO INTOUCH IRPC IVL LH PTTEP PTTGC
ROBINS SCC และ TCAP ท่ี Search Volume Index (SVI) สามารถอธิบายและมีความสัมพันธ์ใน
ทิศทางเดียวกันกับปริมาณการซื้อขายหุ้นตัวนั้นๆ อย่างมีนัยสาคัญ และมี 1 หุ้น คือ BH ท่ี Search
Volume Index (SVI) มีความสัมพันธ์ในทิศทางตรงกันข้ามกับปริมาณการซ้ือขายหุ้นตัวน้ันๆ อย่างมี
นยั สาคญั

Ref. code: 25616002113055FQL

ตารางท่ี 4.4

แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหวา่ งปรมิ าณกา

Predictive Mo

Dependent variable: Trade Volume

Stock TV_lag1 SVI_lag1 Vol_lag1 Return_

ADVANC 0.4236575** -0.00170 -2.24707 0.325

AOT 0.2562012** 0.079541**

BANPU 0.7305153** 0.0594062**

BBL 0.3342437** 0.0001166 0.7159474 -0.1638

BH 0.4240502** -0.0005369 0.3597549 -0.2724

BTS 0.6495021** -0.0261788 -5.757868 5.5450

CPALL 0.3195751** 0.0445509* 3.398335 -2.584

CPF 0.3855688** 0.0096658 -1.424237 0.6080

CPN 0.3141057** 0.0023097* 2.013997** -1.5941

1 *ระดบั นัยสาคัญ 0.05 **ระดับนยั สาคญั 0.01

ารซ้ือขายหุน้ รายตัวใน SET50 และ Search Volume Index (SVI)

odel1

(10 Million) of stocks traded

_lag1 Constant R-Squared Adjusted R-Squared

556 0.5718963** 0.1411 0.1298

-0.1958699* 0.6262 0.6238

-0.1269667 0.7201 0.7182

8339 0.3080385** 0.1264 0.1150

4264 0.1004542** 0.2181 0.2078

036 1.55497** 0.4433 0.4360

4824 0.9721334** 0.3397 0.3310

0889 1.194954** 0.1658 0.1549

121** 0.268962** 0.3450 0.3365

29

Ref. code: 25616002113055FQL

ตารางที่ 4.4
แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหว่างปริมาณก

Predictive Mo
Dependent variable: Trade Volume
Stock TV_lag1 SVI_lag1 Vol_lag1 Return_
DTAC 0.5104046** 0.0124083** 0.099305 1.3668
EGCO 0.3393979* 0.0003315* 0.0800686 0.0498
HMPRO 0.4398806** 0.0160497** 0.830305 -1.009
INTUCH 0.4424021** 0.0107121** 1.234296 1.5778
IRPC 0.4366433** 0.1313483* -2.291533 19.129
IVL 0.5198715** 0.0202768** 1.429397 1.0380
KBANK 0.4847999** 0.0011876 -0.7950726 -1.005
KTB 0.5383855** 0.0112658 1.936629 -3.288
LH 0.4252969** 0.0258639** -4.056832 1.3147

1 *ระดบั นัยสาคญั 0.05 **ระดบั นัยสาคญั 0.01

การซอื้ ขายห้นุ รายตวั ใน SET50 และ Search Volume Index (SVI) (ตอ่ )

odel1

(10 Million) of stocks traded

_lag1 Constant R-Squared Adjusted R-Squared

892 -0.0864444 0.3552 0.3468

8986 0.0369003** 0.1436 0.1324

9247 0.8766358** 0.2883 0.2790

811 0.418576** 0.3789 0.3708

918* 3.309434** 0.4111 0.4034

051 0.6532178** 0.4031 0.3953

5147 0.3597902** 0.2469 0.2371

873 1.63907** 0.3377 0.3291

721 0.4948929 0.2599 0.2503

30

Ref. code: 25616002113055FQL

ตารางที่ 4.4

แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหวา่ งปรมิ าณก

Predictive Mo

Dependent variable: Trade Volume

Stock TV_lag1 SVI_lag1 Vol_lag1 Return_

MINT 0.4007103** -0.0012249 -0.3775605 -1.5834

PTT 0.7483733** 0.024393**

PTTEP 0.6220546** 0.0079075** 0.8216697 0.3326

PTTGC 0.3648632** 0.007093** 0.8012292 -1.258

ROBINS 0.427516** 0.0014999** -0.2360142 -0.1510

SCB 0.4937526** 0.0009122 0.7868953 0.0025

SCC 0.4138788** 0.0014279** -0.7411135** -0.2817

TCAP 0.6657885** 0.0017417* -2.576757* -0.4055

TMB 0.3479764** -0.0688277 54.939 43.641

1 *ระดับนัยสาคัญ 0.05 **ระดับนยั สาคญั 0.01

การซอ้ื ขายหุ้นรายตวั ใน SET50 และ Search Volume Index (SVI) (ต่อ)

odel1

(10 Million) of stocks traded

_lag1 Constant R-Squared Adjusted R-Squared

493** 0.7179661** 0.1794 0.1687

-0.4887417* 0.7703 0.7688

6145 0.2305133** 0.5633 0.5576

8531 0.7258763** 0.2386 0.2286

0458 0.0284303 0.2487 0.2389

5623 0.3194557** 0.2701 0.2605

7682 0.0620239** 0.2478 0.2380

5532 0.1682091** 0.4150 0.4074

112 14.37075** 0.1997 0.1892

31

Ref. code: 25616002113055FQL