ยินดีต้อนรับสู่บทเรียนเรื่องการวัดทางสถิติของผลตอบแทนสินทรัพย์ (Statistical Measures of Asset Returns)!
สวัสดีครับว่าที่ Charterholder ทุกท่าน! หากคุณเคยดูตัวเลขราคาหุ้นจำนวนมหาศาลแล้วรู้สึกมึนงง ไม่ต้องห่วงครับ คุณมาถูกที่แล้ว ในบทนี้เราจะเปลี่ยนจากการแค่มองดูข้อมูลดิบๆ มาเป็นการ สรุปผล (Summarizing) ข้อมูลกันครับ ให้ลองมองว่าการวัดทางสถิติเหล่านี้เปรียบเสมือน "ทางลัด" ที่ช่วยบอกเล่าเรื่องราวของการลงทุนโดยที่เราไม่ต้องเสียเวลาไล่ดูราคาที่เปลี่ยนแปลงไปในทุกๆ วัน เราจะมาเรียนรู้วิธีวัด "จุดกึ่งกลาง" ของข้อมูล (ผลตอบแทน) และวัดว่าข้อมูลนั้น "แกว่งตัว" หรือกระจายตัวมากน้อยแค่ไหน (ความเสี่ยง)
ไม่ต้องกังวลนะครับถ้าคณิตศาสตร์ไม่ใช่ของโปรดของคุณ เราจะย่อยทุกสูตรให้เป็นภาษาที่เข้าใจง่ายและใช้ตัวอย่างจากสถานการณ์จริง เพื่อให้คุณจำแม่นแน่นอน!
1. การวัดแนวโน้มเข้าสู่ส่วนกลาง (Measures of Central Tendency): การหา "จุดกึ่งกลาง"
เวลาที่เราตั้งคำถามว่า "หุ้นตัวนี้ให้ผลตอบแทนเป็นอย่างไร?" โดยทั่วไปเราต้องการตัวเลขเพียงตัวเดียวที่เป็นตัวแทนของข้อมูลทั้งหมด ซึ่งนี่แหละคือหัวใจของ แนวโน้มเข้าสู่ส่วนกลาง (Central Tendency)
ค่าเฉลี่ยเลขคณิต (Arithmetic Mean - ค่าเฉลี่ยแบบทั่วไป)
นี่คือค่าเฉลี่ยที่คุณเรียนมาตั้งแต่สมัยเรียนครับ คือการนำข้อมูลทุกตัวมาบวกกันแล้วหารด้วยจำนวนข้อมูลทั้งหมด ในโลกของ CFA เราใช้ค่านี้เพื่อประมาณการ ผลตอบแทนคาดหวัง (Expected Return) สำหรับช่วงเวลาเดียว
สูตร: \( \bar{X} = \frac{\sum X_i}{n} \)
ตัวอย่างสั้นๆ: หากหุ้นให้ผลตอบแทน 10%, -5% และ 15% ในสามปี ค่าเฉลี่ยเลขคณิตจะเป็น: \( (10 - 5 + 15) / 3 = 6.67\% \)
ค่าเฉลี่ยเรขาคณิต (Geometric Mean - อัตราการเติบโตแบบทบต้น)
ตัวนี้มีความสำคัญมากในทางการเงินเพราะเงินมีเรื่องของ การทบต้น (Compounding) เข้ามาเกี่ยวข้อง ค่าเฉลี่ยเรขาคณิต (RG) จะบอกคุณว่าผลตอบแทน "โดยทั่วไป" ต่อปีเป็นเท่าใดหากคุณนำกำไรไปลงทุนต่อ ซึ่งค่านี้จะ น้อยกว่าหรือเท่ากับ ค่าเฉลี่ยเลขคณิตเสมอ
สูตร: \( RG = [ (1+R_1) \times (1+R_2) \times ... \times (1+R_n) ]^{1/n} - 1 \)
การเปรียบเทียบ: ลองจินตนาการว่าคุณมีเงิน 100 บาท ราคาขึ้น 100% (กลายเป็น 200 บาท) แล้วตกลง 50% (กลับมาเหลือ 100 บาทเท่าเดิม)
ค่าเฉลี่ยเลขคณิต: \( (100\% - 50\%) / 2 = 25\% \) (ฟังดูดีมาก แต่จริงๆ แล้วคุณไม่ได้กำไรเลย!)
ค่าเฉลี่ยเรขาคณิต: \( [ (1+1.0) \times (1-0.5) ]^{1/2} - 1 = [ 2.0 \times 0.5 ]^{0.5} - 1 = 0\% \) (ซึ่งสะท้อนความจริงว่าคุณไม่ได้กำไรเลย)
ค่าเฉลี่ยฮาร์มอนิก (Harmonic Mean - สำหรับการเฉลี่ยต้นทุน)
เราใช้ตัวนี้โดยเฉพาะเมื่อต้องการหา ราคาเฉลี่ย ที่จ่ายไปเมื่อเราลงทุนด้วยจำนวนเงินคงที่ในแต่ละช่วงเวลา (Dollar Cost Averaging)
สูตร: \( \bar{X}_H = \frac{n}{\sum (1/X_i)} \)
ข้อควรจำ: สำหรับชุดตัวเลขที่แตกต่างกัน: ค่าเฉลี่ยเลขคณิต > ค่าเฉลี่ยเรขาคณิต > ค่าเฉลี่ยฮาร์มอนิก
มัธยฐานและฐานนิยม (Median and Mode)
- มัธยฐาน (Median): คือค่าที่อยู่ตรงกลางพอดีเมื่อเรียงข้อมูลจากน้อยไปมาก หากจำนวนข้อมูลเป็นเลขคู่ ให้ใช้ค่าเฉลี่ยของสองตัวที่อยู่ตรงกลาง
- ฐานนิยม (Mode): คือค่าที่ ปรากฏบ่อยที่สุด ข้อมูลชุดหนึ่งอาจมีฐานนิยมค่าเดียว, สองค่า (bimodal) หรือไม่มีเลยก็ได้
ทบทวนสั้นๆ: คุณควรใช้ค่าเฉลี่ยใดเพื่อแสดงผลการดำเนินงานในอดีต? เรขาคณิต แล้วควรใช้ค่าใดในการพยากรณ์ผลตอบแทนของปีหน้า? เลขคณิต
2. การวัดการกระจายตัว (Measures of Dispersion): การวัด "ความแกว่ง" (ความเสี่ยง)
การรู้ผลตอบแทนเฉลี่ยเป็นเพียงครึ่งเดียวของเรื่องราวครับ เรายังต้องรู้ด้วยว่าผลตอบแทนนั้น เบี่ยงเบน ไปจากค่าเฉลี่ยมากแค่ไหน ในทางการเงิน การกระจายตัวหมายถึง ความเสี่ยง (Risk)
พิสัย (Range)
เป็นการวัดที่ง่ายที่สุด คือค่าสูงสุดลบด้วยค่าต่ำสุด
ตัวอย่าง: หากผลตอบแทนสูงสุดของหุ้นคือ 20% และต่ำสุดคือ -10% พิสัยคือ \( 20 - (-10) = 30\% \)
ความแปรปรวน (Variance) และส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation)
นี่คือ "อาวุธหนัก" ของข้อสอบ CFA ครับ ใช้เพื่อวัดว่าข้อมูลแต่ละจุดห่างจากค่าเฉลี่ยเท่าใด
ความแปรปรวน (\( \sigma^2 \)): คือค่าเฉลี่ยของ ค่าเบี่ยงเบนที่ยกกำลังสอง เราต้องยกกำลังสองเพื่อให้ค่าลบไม่ไปหักล้างกับค่าบวก
ส่วนเบี่ยงเบนมาตรฐาน (\( \sigma \)): คือรากที่สองของความแปรปรวน เราใช้ตัวนี้เพราะมันมี หน่วยเดียวกับ ผลตอบแทนของเรา (คือ %) ทำให้คุยเรื่องความเสี่ยงได้ง่ายขึ้น
ขั้นตอนการหาค่าส่วนเบี่ยงเบนมาตรฐาน:
- คำนวณค่าเฉลี่ยเลขคณิต
- นำค่าเฉลี่ยไปลบออกจากข้อมูลแต่ละจุด (นี่คือ "ความเบี่ยงเบน")
- นำความเบี่ยงเบนแต่ละค่ามายกกำลังสอง
- บวกค่าที่ได้ทั้งหมดเข้าด้วยกัน
- หารด้วย \( n \) (ถ้าเป็นประชากร) หรือหารด้วย \( n-1 \) (ถ้าเป็นกลุ่มตัวอย่าง)
- ถอดรากที่สอง
ข้อผิดพลาดที่พบบ่อย: ลืมใช้ \( n-1 \) สำหรับกลุ่มตัวอย่าง! ถ้าโจทย์พูดถึง "กลุ่มตัวอย่าง" (sample) ให้หารด้วย \( n-1 \) เสมอ แต่ถ้าเป็น "ประชากรทั้งหมด" (entire population) ให้หารด้วย \( n \)
Target Downside Deviation
ส่วนเบี่ยงเบนมาตรฐานจะมองทั้งเรื่องดี (กำไรมหาศาล) และเรื่องแย่ (ขาดทุนมหาศาล) ว่าเป็นความเสี่ยงเหมือนกัน แต่ Target Downside Deviation จะมองเฉพาะผลตอบแทนที่ต่ำกว่าเป้าหมายที่ตั้งไว้ (Hurdle rate) เท่านั้น ซึ่งมักจะเป็นประโยชน์มากกว่าสำหรับนักลงทุนที่กังวลแค่เรื่องการขาดทุน
ข้อควรจำ: ส่วนเบี่ยงเบนมาตรฐานสูง = ความผันผวนสูง = ความเสี่ยงสูง
3. การวัดการกระจายตัวสัมพัทธ์ (Relative Dispersion): สัมประสิทธิ์ความแปรผัน (Coefficient of Variation - CV)
เราจะเปรียบเทียบหุ้นที่ให้ผลตอบแทน 20% ด้วยความเสี่ยง 10% กับหุ้นที่ให้ผลตอบแทน 5% ด้วยความเสี่ยง 2% ได้อย่างไร? เราใช้ CV ครับ
สูตร: \( CV = \frac{Standard Deviation}{Mean} \)
CV จะบอกคุณว่า "ฉันต้องแบกรับความเสี่ยงเท่าใด ต่อผลตอบแทนทุกๆ 1%?"
ยิ่งน้อยยิ่งดี! เพราะหมายความว่าคุณได้ผลตอบแทนที่คุ้มค่ากว่าโดยใช้ความเสี่ยงน้อยลง
4. รูปร่างของการแจกแจง (Shape of the Distribution): ความเบ้ (Skewness) และความโด่ง (Kurtosis)
ข้อมูลผลตอบแทนไม่ได้เรียงตัวเป็น "รูปกระดิ่ง" (การแจกแจงปกติ) เสมอไป บางครั้งกราฟก็เอียงหรือมี "หางที่หนา"
ความเบ้ (Skewness - การเอียง)
ความเบ้อธิบายถึงความสมมาตรของการแจกแจง ให้ลองจินตนาการถึง หาง ของกราฟ
- สมมาตร: ค่าเฉลี่ย = มัธยฐาน = ฐานนิยม
- เบ้ขวา (Positively Skewed): หางชี้ไปทางขวา มีการขาดทุนเล็กน้อยเกิดขึ้นบ่อยครั้ง แต่มี กำไรก้อนโต นานๆ ครั้ง (Mean > Median > Mode)
- เบ้ซ้าย (Negatively Skewed): หางชี้ไปทางซ้าย มีกำไรเล็กน้อยเกิดขึ้นบ่อยครั้ง แต่มีการ ขาดทุนก้อนโต นานๆ ครั้ง (Mean < Median < Mode)
เทคนิคการจำ: "หางบอกเล่าเรื่องราว" ถ้าหางชี้ไปทางขวา (เลขบวก) ก็คือเบ้ขวา (Positive Skew)
ความโด่ง (Kurtosis - ความหนาของหาง)
ความโด่งบอกถึงความสูงของยอดกราฟและความหนาของหาง ในทางการเงินเรากังวลเรื่อง หางหนา (Fat tails) เพราะมันหมายความว่าเหตุการณ์สุดโต่ง (ตลาดพัง) เกิดขึ้นบ่อยกว่าที่กราฟปกติจะทำนายไว้
- Leptokurtic: ยอดแหลมและ "หางหนา" (Lepto = เลื้อยขึ้น!/Leap up) พบได้บ่อยในตลาดการเงิน
- Platykurtic: ยอดแบนและหางบาง (Platy = แบนเหมือนจาน)
- Mesokurtic: การแจกแจงปกติ (Excess Kurtosis = 0)
รู้หรือไม่? สินทรัพย์ทางการเงินส่วนใหญ่มีลักษณะเป็น Leptokurtic ซึ่งหมายความว่าเหตุการณ์ "Black Swan" (เหตุการณ์สุดโต่ง) เกิดขึ้นได้บ่อยกว่าที่สถิติพื้นฐานจะทำนายไว้!
สรุปทบทวนสั้นๆ
1. ค่าเฉลี่ยใดเหมาะที่สุดสำหรับการเติบโตในอดีต? ค่าเฉลี่ยเรขาคณิต
2. ส่วนเบี่ยงเบนมาตรฐานที่สูงบอกอะไร? ความเสี่ยง/ความผันผวนสูง
3. CV วัดอะไร? ความเสี่ยงต่อหน่วยของผลตอบแทน
4. "เบ้ขวา" (Positive Skew) มีหน้าตาอย่างไร? หางยาวไปทางขวา
5. การแจกแจงแบบ Leptokurtic คืออะไร? แบบที่มีหางหนาและยอดแหลมสูง
คุณทำได้อยู่แล้ว! การวัดเหล่านี้เป็นรากฐานของทุกสิ่งที่เราจะทำในการบริหารพอร์ตการลงทุนและการวิเคราะห์หุ้น ถ้าเข้าใจพื้นฐานเหล่านี้ บทเรียนที่เหลือจะดูเป็นธรรมชาติและเข้าใจง่ายขึ้นเยอะเลยครับ