Google Trend

ตารางที่ 4.4
แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหว่างปริมาณก

Predictive Mo
Dependent variable: Trade Volume
Stock TV_lag1 SVI_lag1 Vol_lag1 Return_
TOP 0.4568662** 0.0018035 0.0473075 -0.6717
TRUE 0.3997676** -0.0756728 -0.8631387 15.405

1 *ระดบั นัยสาคัญ 0.05 **ระดับนยั สาคญั 0.01

การซ้ือขายหุ้นรายตัวใน SET50 และ Search Volume Index (SVI) (ต่อ)

odel1

(10 Million) of stocks traded

_lag1 Constant R-Squared Adjusted R-Squared

7669 0.2293423** 0.2229 0.2127

597 14.53297** 0.1929 0.1824

32

Ref. code: 25616002113055FQL

33
จากตารางที่ 4.4 แสดงผลการทดสอบ Multiple Regression (Predictive Model)
ระหว่างปริมาณการซ้ือขายหุ้น กับปริมาณการซื้อขายหุ้นในคาบเวลาก่อนหน้า Search Volume
Index (SVI) ในคาบเวลาก่อนหน้า ความผันผวนในคาบเวลาก่อนหน้า และผลตอบแทนในคาบเวลา
ก่อนหน้า พบว่าจากหุ้นรายตัวใน SET50 ทั้งหมด 29 หุ้น มี 17 หุ้น คือ AOT BANPU CPALL CPN
DTAC EGCO HMPRO INTOUCH IRPC IVL LH PTT PTTEP PTTGC ROBINS SCC และ TCAP ท่ี
Search Volume Index (SVI) ในคาบเวลาก่อนหน้ามีความสัมพันธใ์ นทิศทางเดียวกนั กับปรมิ าณการ
ซ้ือขายหุ้นตัวนั้นๆ อย่างมีนัยสาคัญ แสดงว่า Search Volume Index (SVI) ในคาบเวลาก่อนหน้ามี
ความสามารถในการคาดการณห์ รือพยากรณ์แนวโน้มของปริมาณการซื้อขายหนุ้ รายตวั ดังกลา่ วได้
ในการทดสอบความสัมพันธ์ระหว่างการค้นหาใน Google และผลตอบแทนหุ้นราย
ตัวใน SET50 แสดงผลการทดสอบจาก Explanatory Model ในตารางท่ี 4.5 ซึ่งเป็นการทดสอบว่า
Search Volume Index (SVI) มีความสามารถในการอธิบายผลตอบแทนหุ้นรายตัวหรือไม่ และ
แสดงผลการทดสอบจาก Predictive Model ในตารางที่ 4.6 ซง่ึ เป็นการทดสอบว่า Search Volume
Index (SVI) มีความสามารถในการพยากรณ์ผลตอบแทนหนุ้ รายตัวหรือไม่

Ref. code: 25616002113055FQL

ตารางท่ี 4.5

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหวา่ งผลตอบ

Explanatory M

Dependent variable: Retur

Stock Return_lag1 SVI Vol

ADVANC -0.0420099 -0.0003365* -0.0598042 -0.01

AOT 0.0173664 -0.0002924 -0.957874** 0.00

BANPU 0.0125965 0.0003110 -0.9601197** 0.00

BBL -0.1564736* -0.0001369 -0.0547061 -0.00

BH -0.1135722 0.0002052 0.2050026 0.01

BTS -0.0571440 0.0000769 -0.0060840 0.00

CPALL -0.1212637 0.0000046 0.1585320 -0.003

CPF -0.1689685* -0.0002290 0.1969508 0.006

CPN 0.0237352 -0.0000767 -0.7529438** 0.00

1 *ระดบั นัยสาคญั 0.05 **ระดับนัยสาคัญ 0.01

บแทนหนุ้ รายตัวใน SET50 และ Search Volume Index (SVI)

Model1

rn of stocks traded

TV Constant R-Squared Adjusted R-Squared

154934 0.0302342* 0.0669 0.0547

003158 0.0348863** 0.8649 0.8632

021494 0.0156763** 0.8338 0.8316

001301 0.0088512 0.0273 0.0146

110112 -0.0168746 0.0361 0.0235

011048 -0.0036472 0.0323 0.0197

32345** 0.0054071 0.0390 0.0265

60625** -0.0113295 0.0950 0.0832

075387 0.0183671* 0.3740 0.3659

34

Ref. code: 25616002113055FQL

ตารางที่ 4.5

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหว่างผลตอ

Explanatory M

Dependent variable: Retur

Stock Return_lag1 SVI Vol

DTAC -0.0448591 -0.0002803 -0.3180256 0.014

EGCO -0.1568215* -0.0000167 0.3900491* -0.01

HMPRO 0.0489253 -0.0003149 -0.3424759 0.007

INTUCH -0.0502052 0.0000295 -0.2662598 0.00

IRPC -0.0335320 -0.0000003 0.0443018 0.001

IVL -0.0850628 -0.0001680 0.0136676 0.006

KBANK -0.133463* 0.0000577 -0.0353803 -0.01

KTB 0.0829559 0.0000211 -0.0152588 -0.00

LH -0.1589152* 0.0000532 -0.0758541 0.00

1 *ระดับนยั สาคญั 0.05 **ระดบั นยั สาคญั 0.01

อบแทนหนุ้ รายตัวใน SET50 และ Search Volume Index (SVI) (ตอ่ )

Model1

rn of stocks traded

TV Constant R-Squared Adjusted R-Squared

41675* 0.0096359 0.0608 0.0485

140679 -0.0033250 0.0887 0.0767

70278** 0.0005817 0.0783 0.0663

012386 0.0027639 0.0350 0.0224

10968** -0.0102231* 0.0489 0.0365

65863** -0.0093769 0.0462 0.0338

156376* 0.0100990 0.0405 0.0280

003166 0.0007720 0.0079 -0.0051

006873 -0.0027272 0.0303 0.0177

35

Ref. code: 25616002113055FQL

ตารางท่ี 4.5

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหวา่ งผลตอ

Explanatory M

Dependent variable: Retur

Stock Return_lag1 SVI Vol

MINT -0.1134047 0.0001085 -0.1313187 -0.00

PTT -0.0093206 -0.0002234 -0.962242** -0.00

PTTEP -0.1606717* -0.0009007** 0.0285311 0.023

PTTGC -0.1236589* -0.0003008* -0.1884370 0.00

ROBINS 0.0045655 -0.0000391 0.0002147 0.04

SCB -0.0977924 -0.0000963 -0.0810644 0.00

SCC -0.1181931 0.0000245 -0.0143819 -0.02

TCAP -0.1380948** 0.0001403 -0.3062765 0.026

TMB -0.0181224 -0.0000385 -0.1213786 0.000

1 *ระดบั นยั สาคญั 0.05 **ระดับนัยสาคัญ 0.01

อบแทนหุน้ รายตวั ใน SET50 และ Search Volume Index (SVI) (ตอ่ )

Model1

rn of stocks traded

TV Constant R-Squared Adjusted R-Squared

038181 0.0049198 0.0203 0.0075

01857* 0.028314** 0.8921 0.8907

33377** -0.0112725 0.1320 0.1206

069634 -0.0000038 0.0384 0.0259

439432 -0.0061428 0.0180 0.0052

091800 -0.0011738 0.0178 0.0049

259444 0.0042990 0.0220 0.0092

60491** -0.0063583 0.0921 0.0802

05034* -0.0037331 0.0304 0.0177

36

Ref. code: 25616002113055FQL

ตารางท่ี 4.5

แสดงผลการทดสอบ Multiple Regression (Explanatory Model) ระหวา่ งผลตอ

Explanatory M

Dependent variable: Retur

Stock Return_lag1 SVI Vol

TOP -0.1354353* 0.0002195 -0.0790367 0.00

TRUE 0.0602089 -0.0000272 -0.2078560 0.001

1 *ระดบั นัยสาคญั 0.05 **ระดับนยั สาคญั 0.01

อบแทนหุ้นรายตัวใน SET50 และ Search Volume Index (SVI) (ตอ่ )

Model1

rn of stocks traded

TV Constant R-Squared Adjusted R-Squared

088296 -0.0157849 0.0244 0.0116

14026** -0.0116610 0.0594 0.0471

37

Ref. code: 25616002113055FQL

38
จากตารางท่ี 4.5 แสดงผลการทดสอบ Multiple Regression (Explanatory
Model) ระหว่างผลตอบแทนหุ้น กับผลตอบแทนหุ้นในคาบเวลาก่อนหน้า Search Volume Index
(SVI) ความผันผวน และปริมาณการซ้ือขาย พบว่าจากหุ้นรายตัวใน SET50 ทั้งหมด 29 หุ้น มี 3 หุ้น
คื อ ADVANC PTTEP แ ล ะ PTTGC ที่ Search Volume Index (SVI) ส า ม า ร ถ อ ธิ บ า ยแ ละ มี
ความสัมพนั ธ์ในทศิ ทางตรงกันขา้ มกับผลตอบแทนหนุ้ ตัวน้นั ๆ อย่างมนี ยั สาคญั

Ref. code: 25616002113055FQL

ตารางท่ี 4.6

แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหวา่ งผลตอบแท

Predictive Mo

Dependent variable: Retur

Stock Return_lag1 SVI_lag1 Vol_lag1 TV_l

ADVANC -0.0399701 -0.0001849 -0.0132568 -0.003

AOT -0.0017046 0.009

BANPU -0.0019637 0.005

BBL -0.1513262* -0.0000983 0.1326044 -0.008

BH -0.1099881 0.0002983* 0.0401712 0.012

BTS -0.0391760 0.0000359 0.1349470 0.000

CPALL -0.1122337 -0.0000804 -0.0705113 -0.001

CPF -0.1476852* -0.0002519 0.0404383 -0.000

CPN -0.0603343 0.0001256 -0.0928170 0.010

1 *ระดับนยั สาคญั 0.05 **ระดบั นยั สาคญั 0.01

ทนหนุ้ รายตัวใน SET50 และ Search Volume Index (SVI)

odel1

rn of stocks traded

lag1 Constant R-Squared Adjusted R-Squared

30104 0.0118089 0.0057 -0.0073

96382 0.0111339* 0.0148 0.0084

55067 0.0072628 0.0422 0.0360

85153 0.0070836 0.0336 0.0210

20976 -0.0187318 0.0216 0.0088

00620 -0.0017562 0.0102 -0.0028

17637 0.0082134** 0.0294 0.0167

00359 0.0110856 0.0267 0.0140

09973 -0.0090631 0.0110 -0.0019

39

Ref. code: 25616002113055FQL

ตารางท่ี 4.6
แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหว่างผลตอบแ

Predictive Mo
Dependent variable: Retur
Stock Return_lag1 SVI_lag1 Vol_lag1 TV_l
DTAC 0.0017850 -0.0003285 -0.0336515 -0.003
EGCO -0.1491296* -0.0000506 -0.0736907 0.007
HMPRO 0.0311226 -0.0005009 -0.0057662 0.001
INTUCH -0.0548092 -0.0003006* -0.0227850 0.001
IRPC 0.0092543 0.0001491 0.1849291 -0.000
IVL -0.0798930 -0.0001339 0.0023670 0.003
KBANK -0.1082477 -0.0000484 0.1492440 -0.006
KTB 0.0835340 -0.0000035 0.1782167 -0.001
LH -0.1683858** -0.0000611 -0.1883712 0.000

1 *ระดบั นยั สาคัญ 0.05 **ระดบั นยั สาคัญ 0.01

แทนหุ้นรายตัวใน SET50 และ Search Volume Index (SVI) (ต่อ)

odel1

rn of stocks traded

lag1 Constant R-Squared Adjusted R-Squared

30032 0.0150294 0.0148 0.0020

78576 0.0033590 0.0296 0.0169

14544 0.0059198 0.0276 0.0149

18031 0.0033291 0.0264 0.0136

02635 -0.0037170 0.0160 0.0031

34895 -0.0030319 0.0149 0.0021

65640 0.0031154 0.0196 0.0068

13053 0.0020751 0.0209 0.0081

02737 0.0071687 0.0404 0.0279

40

Ref. code: 25616002113055FQL

ตารางท่ี 4.6

แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหวา่ งผลตอบแ

Predictive Mo

Dependent variable: Retur

Stock Return_lag1 SVI_lag1 Vol_lag1 TV_l

MINT -0.0919549 0.0000912 0.1062845 -0.001

PTT -0.0009606 0.003

PTTEP -0.1418747 -0.0006872** 0.0796581 0.009

PTTGC -0.1066012 -0.0001982 0.1612344 -0.000

ROBINS -0.0070510 -0.0000376 -0.0687349 0.0359

SCB -0.1020818 -0.0000315 0.0010875 0.011

SCC -0.1089647 -0.0000311 -0.0382626 -0.000

TCAP -0.1055696 0.0001395 0.1334910 -0.001

TMB 0.0144928 -0.0001239 -0.0632991 -0.000

1 *ระดับนยั สาคญั 0.05 **ระดับนัยสาคัญ 0.01

แทนหุ้นรายตัวใน SET50 และ Search Volume Index (SVI) (ต่อ)

odel1

rn of stocks traded

lag1 Constant R-Squared Adjusted R-Squared

15884 -0.0042890 0.0142 0.0013

38204 0.0221336 0.0104 0.0040

90875 -0.0018843 0.0500 0.0376

06820 -0.0004767 0.0296 0.0169

9871* -0.0027122 0.0111 -0.0019

18867 -0.0084676 0.0228 0.0100

08910 0.0024622 0.0127 -0.0002

11267 -0.0042290 0.0234 0.0107

01038 0.0106817 0.0065 -0.0065

41

Ref. code: 25616002113055FQL

ตารางท่ี 4.6
แสดงผลการทดสอบ Multiple Regression (Predictive Model) ระหวา่ งผลตอบแ

Predictive Mo
Dependent variable: Retur
Stock Return_lag1 SVI_lag1 Vol_lag1 TV_l
TOP -0.1318771* 0.0002553 0.0938155 0.002
TRUE 0.0914986 -0.0001040 -0.1451420 0.000

1 *ระดบั นยั สาคญั 0.05 **ระดับนยั สาคัญ 0.01

แทนหนุ้ รายตวั ใน SET50 และ Search Volume Index (SVI) (ตอ่ )

odel1

rn of stocks traded

lag1 Constant R-Squared Adjusted R-Squared

20030 -0.0183230 0.0256 0.0128

02636 0.0087963 0.0180 0.0052

42

Ref. code: 25616002113055FQL

43
จากตารางที่ 4.6 แสดงผลการทดสอบ Multiple Regression (Predictive Model)
ระหว่างผลตอบแทนหุ้น กับผลตอบแทนหุ้นในคาบเวลาก่อนหน้า Search Volume Index (SVI) ใน
คาบเวลาก่อนหน้า ความผันผวนในคาบเวลาก่อนหน้า และปริมาณการซ้ือขายในคาบเวลาก่อนหน้า
พบว่าจากหุ้นรายตัวใน SET50 ทั้งหมด 29 หุ้น มี 3 หุ้น คือ BH INTUCH และ PTTEP ที่ Search
Volume Index (SVI) ในคาบเวลาก่อนหน้ามีความสัมพันธ์กับผลตอบแทนหุ้นตัวน้ันๆ อย่างมี
นัยสาคัญ แสดงว่า Search Volume Index (SVI) ในคาบเวลาก่อนหน้ามีความสามารถในการ
คาดการณ์หรือพยากรณ์แนวโน้มของผลตอบแทนหุ้นรายตัวดังกล่าวได้ แต่ค่า R-Squared หรือค่า
ความแมน่ ยาของ Predictive Model ดงั กลา่ วมคี า่ ไมส่ ูงมากนัก

Ref. code: 25616002113055FQL

44

บทท่ี 5
สรุปผลการวจิ ัยและขอ้ เสนอแนะ

5.1 สรปุ ผลการวจิ ัย

งานวิจัยนี้เป็นการศึกษาถึงความสัมพันธ์ระหว่างการค้นหาใน Google โดยใช้
Search Index Volume (SVI) เป็นตัวแทนการใหค้ วามสนใจของนกั ลงทนุ กับตวั แปรในตลาดเงนิ ท้ัง
ความผันผวน ปริมาณการซ้ือขาย และผลตอบแทน โดยได้ทาการศึกษาเฉพาะดัชนี SET50 ซึ่งแยก
ทาการศึกษาเป็นดัชนี SET50 และหุ้นรายตัวใน SET50 โดยหุ้นรายตัวท่ีทาการเลือกมานั้นเป็นหุ้นที่
อยู่ใน SET50 ทุกปี ตั้งแต่ปี 2013 ถึงปี 2018 เพ่ือให้เกิดความต่อเนื่องของข้อมูล Search Volume
Index (SVI) ในส่วนของข้อมูล Search Volume Index (SVI) จะทาการเก็บข้อมูลเป็นรายสัปดาห์
และในส่วนของข้อมูลการเงิน จะเก็บเป็นข้อมูลรายวัน แล้วนามาแปลงให้เป็นข้อมูลรายสัปดาห์ใน
ภายหลงั ต้งั แต่เดือนมกราคม ปี 2013 ถึงเดือนธนั วาคม ปี 2018

ในการทดสอบความสัมพันธ์ในระดับดัชนี SET50 ได้ทาการศึกษาโดยใช้ Vector
autoregressive (VAR) Model ผลการวิจัยพบว่าไม่มีความสัมพันธ์ที่ส่งผลระหว่างกัน ท้ัง Search
Volume Index (SVI) ความผันผวน และปริมาณการซื้อขาย ซ่ึงสอดคล้องกับงานวิจัยของ
Parkpoom, et al. (2016) จากการท่ีไม่มีความสัมพันธ์กัน อาจเป็นเพราะในตลาดเงินของไทย มีท้ัง
นักลงทุนสถาบัน นักลงทุนรายย่อย รวมถึงนักลงทุนต่างชาติ รวมถึงมีปัจจัยอื่นเข้ามาเก่ียวข้องสูง แต่
ก็ไม่ได้หมายความว่าการค้นหาใน Google ของนักลงทุนน้ันจะไม่มีประโยชน์ เพราะการค้นหา
เก่ียวกับตลาดหุ้นในอินเตอร์เน็ตนั้นสามารถเป็นตัววัดความสนใจและทัศนคติของนักลงทุนต่อตลาด
หุ้นได้เช่นกัน Da, et al. (2011) หากทาการตรวจสอบ Search Volume Index (SVI) ย้อนหลังจะ
พบว่ามีการค้นหาคาว่า ‘ซ้ือหุ้น’ เพ่ิมมากขึ้นจากอดีต แสดงว่านักลงทุนก็ยังให้ความสนใจตลาดเงิน
ดังกลา่ วอยู่

Ref. code: 25616002113055FQL

45

120
100

80
60
40
20

0

ภาพท่ี 5.1 กราฟแสดงดชั นปี ริมาณการคน้ หา (Search Volume Index) ของคาว่า ซ้อื หุ้น
ในการทดสอบความสัมพันธ์ในระดับหุ้นรายตัว ได้ทาการศึกษาโดยใช้ Multiple

Regression Model พบว่า Search Volume Index (SVI) มีความสัมพันธ์กับปริมาณการซื้อขายหุ้น
มากกว่าครึ่งหน่ึงของจานวนหุ้นท่ีนามาทดสอบ แสดงว่า Search Volume Index (SVI) หรือการ
ค้นหาจาก Google ในสัปดาห์ก่อนหน้า ส่งผลต่อปริมาณการซ้ือขายในสัปดาห์ถัดไป โดยส่วนใหญ่
ส่งผลไปในทิศทางเดียวกัน เม่ือมีการค้นหาใน Google มากขึ้น ก็จะส่งผลให้มีปริมาณการซื้อขายหุ้น
มากขึ้นตาม ซึ่งพฤติกรรมดังกล่าวน้ีอาจเป็นพฤติกรรมของการคาดการณ์แบบแห่ตามกัน (Herding
Forecast) โดยเมอื่ ทาการหาข้อมูลแลว้ เห็นว่ามีการซื้อหรือขายท่เี พม่ิ มากข้ึน นกั ลงทุนก็จะทาตามกัน
โดยไมม่ เี หตผุ ล

แต่สาหรับการทดสอบความสัมพันธ์ของ Search Volume Index (SVI) กับ
ผลตอบแทนของหุ้นรายตัวใน SET50 พบว่า Search Volume Index (SVI) ของหุ้นส่วนใหญ่ไม่มี
ความสัมพันธ์กันกับผลตอบแทน แสดงว่า Search Volume Index (SVI) ไม่สามารถพยากรณ์หรือ
คาดการณ์แนวโน้มของผลตอบแทนได้ ซ่ึงผลการวิจัยดังกล่าวสอดคล้องกันงานวิจัยของ Kim, et al.
(2018) โดยผลการศึกษานี้สอดคล้องกับแนวคิดทฤษฎีในเรื่องของประสิทธิภาพของตลาด (Market
Efficiency) ท่วี า่ ไมส่ ามารถคาดการณ์แนวโนม้ ความเปน็ ไปของตลาดไดจ้ ากข้อมลู ทมี่ ีอยู่

5.2 ข้อจากัดของงานวิจัย

เน่ืองจากงานวิจัยนี้ได้ทาการศึกษาความสัมพันธ์ในรูปแบบของรายสัปดาห์ ทาให้
ข้อมูลทางการเงิน ทั้งปริมาณการซื้อขาย และราคาปิดที่เป็นการเก็บข้อมูลแบบรายวันน้ัน โดยเป็น
ข้อมูลท่ีมีเฉพาะวันท่ีตลาดเปิดทาการ ไม่ตรงกับคาบเวลาของ Search Volume Index (SVI) ท่ีได้
เก็บข้อมูลเป็นรายสัปดาห์ โดยเป็นข้อมูลจากวันจันทร์ถึงวันอาทิตย์ แม้ว่าจะมีการปรับข้อมูลทาง
การเงินดังกล่าวให้เป็นในรูปแบบของรายสัปดาห์แล้วก็ตาม อาจส่งผลให้เวลาที่คาบเก่ียวกัน

Ref. code: 25616002113055FQL

46

(Overlap time) ไม่สมบูรณ์ อีกทั้งข้อมูล Search Volume Index (SVI) มีการเปลี่ยนแปลงไปตาม
ระยะเวลาท่ีเก็บข้อมูล ดังนั้นผลการศึกษาท่ีได้อาจแตกต่างกันไปตามขอบเขตเวลาท่ีกาหนดใน
การศกึ ษาแต่ละงานวจิ ยั
5.3 ข้อเสนอแนะ

งานวิจัยนี้ได้ทาการศึกษาเฉพาะดัชนี SET50 และหุ้นรายตัวท่ีอยู่ใน SET50 เท่าน้ัน
ซึ่งยังมีหลักทรัพย์อ่ืน ท่ีนักลงทุนให้ความสนใจและทาการค้นหาข้อมูลจาก Google และยังมี Web
Search Engine อีกหลายแห่งท่ีนักลงทุนอาจใช้ในการค้นหาข้อมูลหลักทรัพย์จาก Web Search
Engine อ่ืนๆ ท่ีตนเองสนใจ ดังนั้นในการศึกษาความสัมพันธ์ระหว่างการค้นหา Keyword กับตลาด
เงิน จึงสามารถทาการศกึ ษาได้ในอีกหลายมุมมอง รวมถึงการศกึ ษาโดยใชก้ รอบระยะเวลาแตกต่างกัน
ไป ท้งั รายวนั รายสปั ดาห์ รายเดือน หรือรายปี เน่ืองจากนกั ลงทนุ ในแต่ละประเทศ แตล่ ะภูมภิ าคอาจ
มีพฤติกรรมการค้นหาข้อมูลสารสนเทศที่แตกต่างกันออกไป ทาให้ผลการศึกษาท่ีได้แตกต่างกัน
ออกไปเช่นกัน ดังน้นั หากมีการตรวจสอบและสามารถเข้าใจถึงพฤติกรรมของนักลงทุนเชิงลึกก่อน จะ
ส่งผลให้ผลการทดสอบความสัมพันธ์ดังกล่าวมีความแม่นยา และมีความน่าเช่ือถือเพิ่มมากข้ึน อีกทั้ง
เทคโนโลยีท่ีมีการเติบโตอย่างรวดเร็ว นักลงทุนจะมีการเข้าถึงข้อมูลในอินเตอร์เน็ตมากข้ึนในอนาคต
และด้วยข้อมูลท่ีมีจานวนมากขึ้นและซับซ้อนมากขึ้น อาจส่งผลให้ข้อมูล Search Volume Index
(SVI) สามารถเป็นตัวแทนความสนใจในตลาดเงินไทยของนักลงทุนได้โดยตรง และสามารถพยากรณ์
หรอื คาดการณแ์ นวโน้มตัวแปรต่างๆ ในตลาดเงินไดแ้ มน่ ยามากขึ้น

Ref. code: 25616002113055FQL

47

รายการอ้างองิ

วิทยานิพนธ์

ชนัธฌา ศวิ โมกษธรรม และ สรร พวั จนั ทร์. (2548). การเงินเชงิ พฤติกรรม: กรณีศึกษาของพฤติกรรม
นกั ลงทนุ ไทยในตลาดหลกั ทรัพยแ์ หง่ ประเทศไทย. มหาวทิ ยาลยั เกษตรศาสตร์.

สื่ออเิ ลก็ ทรอนกิ ส์

MerchantETrader. (17 เมษายน 2561). ลองพยากรณด์ ชั นี SET โดยใช้ Google Trend. สืบค้น
จาก https://www.stock2morrow.com/discuss/room/2/topic/8164

Articles

Parkpoom Tantaopas, Chaiyuth Padungsaksawasdi, & Sirimon Treepongkaruna. (2016).
Attention effect via internet search intensity in Asia-Pacific stock markets.
Pacific-Basin Finance Journal, 107-124.

Ahmed, F. et al. (2017). Financial Market Prediction using Google Trends.
International Journal of Advanced Computer Science and Applications.

Bijl, L. et al. (2016). Google search and stock returns. International Review of
Financial Analysis, 150-156.

Choi, H., & Varian, H. (2012). Predicting the Present with Google Trends. The Economic
Record.

Da et al. (2011). In Search of Attention. The Journal of Finance.
Dimphl, T., & Jank, S. (2016). Can Internet Search Queries Help to Predict Stock

Market Volatility. Europian Financial Management, 171-192.
Fama, E.F., & French, K.R. (1995). Size and Book-to-Market Factors in Earnings and

Returns. The Journal of Finance.
Ginsberg, et al. (2009). Detecting Influenza Epidemics Using Search Engine Query

Data.

Ref. code: 25616002113055FQL

48
Hu, H. et al. (2018). Predicting the direction of stock markets using optimized neural

networks with Google Trends. Neurocomputing, 188-195.
Kim, N. et al. (2018). Google searches and stock market activity: Evidence from

Norway. Finance Research Letters.
Nawaz, T. (2014). Google search as a measure investor attention: Its influence on

Stocks and IPOs in U.S. Norwegian School of Economics NHH.
Perlin, M.S. et al. (2017). Can We Predict the Financial Markets Based on Google's

Search Queries. Journal of Forecasting, 454-467.
Shefrin, H. (2002). Behavioral decision making, forecasting, game theory, and role-

play. International Journal of Forecasting, 375–382.
Yung, K., & Nafar, N. (2017). Investor attention and the expected returns of reits.

International Review of Economics and Finance, 423-439.

Ref. code: 25616002113055FQL

ชื่อ 49
วนั เดือนปีเกดิ
วุฒิการศึกษา ประวัตผิ ู้เขียน

นางสาวอรพิชา สังขมณีนาคร
30 พฤศจิกายน 2538
ปกี ารศึกษา 2560: บริหารธุรกิจบณั ฑิต
(การจัดการธุรกจิ แบบบรู ณาการ)
มหาวิทยาลยั ธรรมศาสตร์

Ref. code: 25616002113055FQL