ความสัมพันธ์ระหว่างความผันผวนของตลาด Forex กับปริมาณการติดต่อ ฝ่ายบริการลูกค้า กรณีศึกษา VT Markets ปี 2567

อัฟฟาน  มะดาอิง; ลลิตา หงษ์รัตนวงศ์

ผู้แต่ง

อัฟฟาน มะดาอิง นักศึกษาบัณฑิตวิทยาลัย กลุ่มวิชาการเงิน คณะบริหารธุรกิจ, มหาวิทยาลัยหอการค้าไทย
ลลิตา หงษ์รัตนวงศ์ อาจารย์ กลุ่มวิชาการเงิน คณะบริหารธุรกิจ, มหาวิทยาลัยหอการค้าไทย

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาความสัมพันธ์ระหว่างความผันผวนของตลาดอัตราแลกเปลี่ยน กับปริมาณการติดต่อฝ่ายบริการลูกค้าของบริษัทนายหน้าซื้อขายหลักทรัพย์ทางการเงิน กรณีศึกษา VT Markets ในช่วงปี พ.ศ. 2567 และเพื่อวิเคราะห์ระดับความผันผวนของตลาดด้วยแบบจำลอง GARCH(1,1) โดยใช้ระเบียบวิธีวิจัยเชิงปริมาณกับข้อมูลอนุกรมเวลารายวัน (Daily Time Series Data) จำนวน 366 วัน ของความผันผวนของดัชนีราคาสินทรัพย์และคู่สกุลเงินหลัก ได้แก่ EUR/USD, GBP/USD, USD/JPY และ XAU/USD (ทองคำ) ซึ่งข้อมูลความผันผวนคำนวณสะท้อนผ่านมาตรวัด Conditional Variance ด้วยแบบจำลอง GARCH(1,1) เพื่อใช้เป็นตัวแปรต้นหลักร่วมกับตัวแปรควบคุม ทางเศรษฐกิจและประชากรศาสตร์ในขณะที่ปริมาณการติดต่อฝ่ายบริการลูกค้าผ่านช่องทาง Live Chat และอีเมลทำหน้าที่เป็นตัวแปรตามในพาร์ทการวิเคราะห์ความสัมพันธ์เบื้องต้นผู้วิจัยใช้สถิติ Spearman's Rank Correlation และใช้แบบจำลองการถดถอยพหุคูณ (Multiple Linear Regression) เป็นเครื่องมือ หลักในการทดสอบสมมติฐานเชิงลึก ผลการศึกษาจากการถดถอยพหุคูณพบว่า ความผันผวนของตลาด Forex มีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญทางสถิติที่ระดับ 0.01 ต่อปริมาณการติดต่อ ฝ่ายบริการ ลูกค้าโดยแบบจำลองการถดถอยพหุคูณมีความสามารถในการอธิบายความแปรปรวนของปริมาณการติดต่อได้ในระดับสูงมาก (Adjusted R² = 0.719) ขณะที่ตัวแปร ข่าวเศรษฐกิจสำคัญ รายได้เฉลี่ยของลูกค้า และมูลค่านำเข้า-ส่งออกของประเทศ มีความสัมพันธ์เชิงบวกต่อปริมาณการติดต่ออย่างมีนัยสำคัญเช่นกัน ผลการวิจัยนี้ช่วยยืนยัน สมมติฐานและสอดคล้องกับทฤษฎี Information Seeking under Uncertainty ซึ่งชี้ให้เห็นว่าความไม่แน่นอนของตลาดกระตุ้นให้นักลงทุนแสวงหาข้อมูลและการสนับสนุนจากผู้เชี่ยวชาญมากขึ้น ประโยชน์ของงานวิจัยสามารถนำไปประยุกต์ใช้ในการวางแผนกำลังคน (Capacity Planning) ของฝ่ายบริการลูกค้าอย่างเป็นวิทยาศาสตร์ ตลอดจนการกำหนดเกณฑ์ระดับความผันผวน (Volatility Threshold) เพื่อเปิดใช้งานระบบตอบกลับอัตโนมัติ (AI Chatbot) และระบบ FAQ ในช่วงที่ตลาดเผชิญ ภาวะ Peak Demand ได้อย่างมีประสิทธิภาพ

เอกสารอ้างอิง

Andersen, T. G., Bollerslev, T., Diebold, F. X., & Vega, C. (2003). Micro effects of macro announcements: Real-time price discovery in foreign exchange. American Economic Review, 93(1), 38-62. https://doi.org/10.1257/000282803321455151

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327.

Chen and Li. (2022). The impact of market volatility on customer service demand in Chinese brokerage firms. Finance Research Letters, 46, 102415.

Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007.

Hassan and Ozturk. (2025). Modeling realized volatility in forex and crypto markets using Realized GARCH. Journal of Financial Econometrics, 23(2), 244–262.

Kahneman and Tversky. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.

Rahman, M. (2024). Hybrid GARCH–XGBoost approach for volatility and customer behavior forecasting. Computational Economics, 64(1), 55–74.

Zeithaml et al. (2018). Services Marketing: Integrating Customer Focus Across the Firm (7th ed.). McGraw-Hill Education.

Zhang et al. (2021). Forecasting market volatility and optimizing customer service resources: Evidence from forex trading platforms. Applied Economics Letters, 28(15), 1324–1328.