ยินดีต้อนรับสู่บทเรียนเรื่อง Multivariate Empirical Methods และ Performance Persistence!

สวัสดีครับ! ยินดีต้อนรับสู่หนึ่งในบทเรียนที่นำไปใช้ได้จริงที่สุดในหลักสูตร CAIA Level II หากคุณเคยสงสัยว่า "ผู้จัดการกองทุนคนนี้เก่งจริง หรือแค่โชคช่วยกันแน่?" หรือ "เราจะรู้ได้อย่างไรว่าปัจจัยใดที่เป็นตัวขับเคลื่อนผลตอบแทนจากการลงทุนจริงๆ?" บทเรียนนี้คือคำตอบสำหรับคุณครับ

ไม่ต้องกังวลไปนะครับหากคำศัพท์อย่าง "Multivariate" (ตัวแปรพหุ) หรือ "Empirical" (เชิงประจักษ์) จะฟังดูน่ากลัว ถ้าพูดให้เข้าใจง่ายๆ เรากำลังเรียนรู้วิธีการดูข้อมูลหลายชุดพร้อมกันเพื่อหาแพทเทิร์น และวิเคราะห์ว่าความสำเร็จในอดีตมีโอกาสที่จะเกิดขึ้นซ้ำในอนาคตหรือไม่ มาเริ่มกันเลย!


1. ทำความเข้าใจกับ Multivariate Linear Regression

ในระดับ Level I คุณน่าจะได้ผ่านตาเรื่อง Simple Linear Regression (การดูว่าสิ่งหนึ่งส่งผลต่ออีกสิ่งหนึ่งอย่างไร) มาบ้างแล้ว สำหรับ Multivariate Regression ก็คือเวอร์ชันที่ "อัปเกรด" ขึ้นไปอีกขั้น แทนที่เราจะดูปัจจัยแค่ปัจจัยเดียว เราก็เปลี่ยนมาดูหลายปัจจัยพร้อมกันแทนครับ

แนวคิด: ลองจินตนาการว่าคุณกำลังพยายามประเมินราคาบ้านหลังหนึ่ง คุณคงไม่ได้ดูแค่พื้นที่ตารางฟุต (Univariate) ใช่ไหมครับ? คุณคงต้องดูทั้งพื้นที่, จำนวนห้องนอน, ทำเลที่ตั้งโรงเรียนใกล้เคียง และอายุของบ้าน (Multivariate) วิธีนี้จะช่วยให้คุณเห็นภาพที่ชัดเจนขึ้นมาก

สูตรทั่วไปจะเป็นแบบนี้ครับ:

\( R_i = \alpha + \beta_1 F_1 + \beta_2 F_2 + ... + \beta_n F_n + \epsilon \)

โดยที่:
• \( R_i \) คือผลตอบแทนจากการลงทุน (Dependent Variable หรือตัวแปรตาม)
• \( \alpha \) (Alpha) คือจุดตัดแกน Y ซึ่งแสดงถึงผลตอบแทนที่ปัจจัยต่างๆ อธิบายไม่ได้
• \( \beta \) (Beta) แสดงถึง ความไว (Sensitivity) ของผลตอบแทนที่มีต่อแต่ละปัจจัย
• \( F \) คือ Independent Variables (ตัวแปรอิสระ หรือปัจจัยต่างๆ เช่น ความเสี่ยงตลาด, ขนาด หรือมูลค่าหุ้น)
• \( \epsilon \) (Epsilon) คือ Error term (ตัวแปรความคลาดเคลื่อน หรือ "สัญญาณรบกวน" ที่เราไม่สามารถอธิบายได้)

ศัพท์ทางสถิติที่สำคัญที่ต้องรู้

  • Coefficient (\( \beta \)): บอกทิศทางและความแข็งแกร่งของความสัมพันธ์ หากค่าสัมประสิทธิ์ของ "อัตราดอกเบี้ย" คือ -0.5 หมายความว่าเมื่ออัตราดอกเบี้ยสูงขึ้น ผลตอบแทนการลงทุนของคุณมีแนวโน้มที่จะลดลง
  • t-statistic: บอกเราว่าปัจจัยนั้นๆ มีนัยสำคัญทางสถิติ หรือไม่ กฎทั่วไปคือ ถ้าค่าสัมบูรณ์ของ t-stat มากกว่า 2 แสดงว่าปัจจัยนั้นน่าจะมีผลจริง
  • p-value: ความน่าจะเป็นที่ผลลัพธ์นี้เกิดขึ้นโดยบังเอิญ เราต้องการ p-value ที่ต่ำ (ปกติคือน้อยกว่า 0.05) เพื่อให้มั่นใจว่าปัจจัยนั้นมีความสำคัญจริงๆ
  • R-squared (\( R^2 \)): บอกเราว่าปัจจัยที่เราเลือกมาสามารถอธิบาย "เรื่องราว" ทั้งหมดได้ดีแค่ไหน ถ้า \( R^2 \) เท่ากับ 0.80 แสดงว่า 80% ของการเคลื่อนไหวของการลงทุนถูกอธิบายได้ด้วยโมเดลของเรา

เคล็ดลับ: หากคุณเพิ่มตัวแปรเข้าไปในโมเดลมากขึ้นเรื่อยๆ ค่า \( R^2 \) แทบจะเพิ่มขึ้นเสมอ แม้ว่าตัวแปรนั้นจะไม่มีประโยชน์เลยก็ตาม! นั่นเป็นเหตุผลที่เราใช้ Adjusted R-squared ซึ่งจะหักคะแนนสำหรับตัวแปรที่ไม่จำเป็นออกไปครับ

สรุป: Multivariate Regression ช่วยให้เราจำแนกแหล่งที่มาของผลตอบแทนได้ ช่วยให้เราเห็นว่าผู้จัดการกองทุนกำลังสร้างมูลค่าจริงๆ (Alpha) หรือแค่เกาะกระแสตลาด (Beta) กันแน่


2. การใช้โมเดลหลายปัจจัย (Multi-Factor Models) ในทางปฏิบัติ

ในโลกของการลงทุนทางเลือก (Alternative Investments) เราใช้โมเดลเฉพาะทางเพื่อ "ถอดรหัส" ว่าผลตอบแทนของผู้จัดการกองทุนมาจากไหน โดยโมเดลที่โด่งดังที่สุดคือ Fama-French Model ครับ

Fama-French Three-Factor Model

โมเดลนี้เสนอว่ามี 3 ปัจจัยที่ขับเคลื่อนผลตอบแทนของหุ้น:
1. Market Risk (Equity Risk Premium): การเคลื่อนไหวของตลาดหุ้นโดยรวม
2. Size (SMB - Small Minus Big): แนวโน้มที่หุ้นขนาดเล็กจะสร้างผลตอบแทนได้ดีกว่าหุ้นขนาดใหญ่ในระยะยาว
3. Value (HML - High Minus Low): แนวโน้มที่หุ้นที่มีค่า Book-to-market สูง (หุ้นคุณค่า) จะให้ผลตอบแทนดีกว่าหุ้นที่มีค่า Book-to-market ต่ำ (หุ้นเติบโต)

การขยายขอบเขตของโมเดล

ต่อมา Carhart Four-Factor Model ได้เพิ่มปัจจัยเรื่อง Momentum (UMD - Up Minus Down) ซึ่งติดตามแนวโน้มที่หุ้นขาขึ้นจะวิ่งต่อเนื่องไปเรื่อยๆ และเมื่อไม่นานมานี้ Fama และ French ได้เพิ่มปัจจัยด้าน Profitability (ความสามารถในการทำกำไร) และ Investment (การลงทุน) เข้าไปจนกลายเป็นโมเดล 5 ปัจจัย

รู้หรือไม่? ในอดีตผู้จัดการกองทุนที่ถูกเรียกว่า "Alpha" หลายคน แท้จริงแล้วเป็นเพียง "Closet Indexers" (กองทุนที่อ้างว่าบริหารเชิงรุกแต่เลียนแบบดัชนี) ที่เน้นไปที่หุ้นขนาดเล็กและหุ้นคุณค่า เมื่อเราใช้โมเดลเหล่านี้วิเคราะห์ "ความเก่งกาจ" ของพวกเขามักจะหายไปทันที!

หัวใจสำคัญ: การใช้โมเดลหลายปัจจัยช่วยให้นักลงทุนแยกแยะได้ว่า พวกเขากำลังจ่ายค่าธรรมเนียม "Alpha" สูงๆ ให้กับสิ่งที่แท้จริงแล้วเป็นแค่ "Factor Beta" (ผลตอบแทนที่หาซื้อได้ถูกๆ ผ่าน ETF) หรือไม่


3. Performance Persistence: "ปรากฏการณ์มือขึ้น" (The Hot Hands Effect)

Performance Persistence คือการศึกษาว่าคนที่เคยชนะจะยังชนะต่อไป และคนที่เคยแพ้จะยังแพ้อยู่หรือไม่ ในตลาดที่มีประสิทธิภาพสมบูรณ์แบบ ผลการดำเนินงานในอดีตควรไม่มีผลกระทบต่อผลการดำเนินงานในอนาคตเลย

วิธีทดสอบความต่อเนื่องของผลงาน

ในหลักสูตร CAIA มี 2 วิธีหลักที่ใช้ในการดูเรื่องนี้ครับ:

วิธีที่ 1: Contingency Tables (ตารางผู้ชนะ-ผู้ชนะ)

เราแบ่งผู้จัดการกองทุนออกเป็นกลุ่ม "ผู้ชนะ" และ "ผู้แพ้" ตามช่วงเวลาแรก แล้วดูว่าพวกเขาทำผลงานอย่างไรในรอบถัดไป
• WW: ชนะในงวดที่ 1, ชนะในงวดที่ 2 (มีความต่อเนื่อง/Persistence)
• WL: ชนะในงวดที่ 1, แพ้ในงวดที่ 2 (มีการกลับตัว/Reversal)
• LW: แพ้ในงวดที่ 1, ชนะในงวดที่ 2 (มีการกลับตัว/Reversal)
• LL: แพ้ในงวดที่ 1, แพ้ในงวดที่ 2 (มีความต่อเนื่อง/Persistence)

ถ้าผลรวมของ WW + LL มากกว่า WL + LW อย่างมีนัยสำคัญ เราจะถือว่ามีหลักฐานของ Persistence ครับ

วิธีที่ 2: Regression Analysis

เราสามารถรัน Regression โดยให้ผลตอบแทนในงวดที่ 2 เป็นตัวแปรตาม และผลตอบแทนในงวดที่ 1 เป็นตัวแปรอิสระ
\( Return_{t+1} = \alpha + \beta(Return_t) + \epsilon \)

ถ้าค่า \( \beta \) เป็นบวกและมีนัยสำคัญทางสถิติ แสดงว่าผลงานมีความต่อเนื่องครับ

ข้อผิดพลาดที่พบบ่อย: อย่าทึกทักเอาเองว่าถ้าผู้จัดการเป็น "ผู้ชนะ" ปีที่แล้ว เขาจะเป็น "ผู้ชนะ" ปีนี้ด้วย การศึกษาแสดงให้เห็นว่าความต่อเนื่องของผลงานมักพบใน Private Equity (เนื่องจากการปรับเปลี่ยนโครงสร้างองค์กรระยะยาว) แต่เป็นสิ่งที่หายากมากใน Hedge Funds หรือ Mutual Funds


4. กับดักในการวิเคราะห์เชิงประจักษ์: Survivorship Bias

เวลาที่เราศึกษาเรื่องความต่อเนื่องของผลงาน เราต้องระวัง Survivorship Bias (อคติจากการรอดชีวิต) ให้มากครับ

คำเปรียบเทียบ: สมมติคุณอยากรู้เคล็ดลับของการมีอายุยืน คุณไปที่บ้านพักคนชราและสัมภาษณ์ทุกคนที่อายุ 100 ปี พวกเขาบอกว่า "ฉันดื่มวิสกี้วันละแก้ว!" ถ้าคุณสรุปว่าวิสกี้คือความลับของการมีอายุยืน คุณกำลังตกหลุมพราง Survivorship Bias ครับ เพราะคุณไม่ได้สัมภาษณ์คนอีกหลายพันคนที่ดื่มวิสกี้แล้วเสียชีวิตตั้งแต่อายุ 50 เพราะคนเหล่านั้นไม่อยู่ให้คุณสัมภาษณ์แล้ว!

ในโลกการเงิน: ฐานข้อมูลมักจะลบกองทุนที่ปิดตัวลง (มักเป็นเพราะผลงานแย่) ออกไป หากเราดูแค่กองทุนที่ "รอดชีวิต" จนถึงปัจจุบัน ผลการดำเนินงานเฉลี่ยของอุตสาหกรรมก็จะดูดีเกินจริง ทำให้ดูเหมือนว่าผู้จัดการกองทุนมีความต่อเนื่องของผลงานมากกว่าความเป็นจริงครับ

ทบทวนสั้นๆ:
• Backfill Bias: เมื่อกองทุนใหม่ถูกเพิ่มเข้าฐานข้อมูล มักจะใส่ผลตอบแทน "ดีๆ" ในอดีตเข้าไปด้วย แต่ละเลยปีแรกๆ ที่ "แย่ๆ" ออกไป
• Selection Bias: มีแค่ผู้จัดการที่มีผลงานดีเท่านั้นที่เลือกจะส่งข้อมูลเข้าฐานข้อมูล


เช็คลิสต์สรุปบทเรียน

ก่อนที่คุณจะไปต่อ ลองตรวจสอบดูว่าคุณตอบคำถามเหล่านี้ได้ไหม:
• ความแตกต่างระหว่างตัวแปรอิสระและตัวแปรตามคืออะไร? (ปัจจัยเทียบกับผลตอบแทน)
• ค่า t-stat ที่ 2.5 บอกอะไรคุณ? (ปัจจัยนั้นน่าจะมีนัยสำคัญทางสถิติ)
• ปัจจัย 3 อย่างในโมเดล Fama-French ดั้งเดิมคืออะไร? (ตลาด, ขนาด, มูลค่า)
• ทำไม Survivorship Bias ถึงทำให้ผลงานดูดีกว่าความเป็นจริง? (เพราะมันละเลยกองทุนที่ "ตายไป" หรือล้มเหลว)

ทำได้ดีมากครับ! คุณเพิ่งผ่านแนวคิดหลักๆ ของ Multivariate Empirical Methods มาได้แล้ว พักสักนิด จิบกาแฟเบาๆ ให้แนวคิดเหล่านี้ตกตะกอนนะครับ คุณเข้าใกล้คุณวุฒิ CAIA ไปอีกขั้นแล้ว!