ยินดีต้อนรับสู่บทวิเคราะห์อนุกรมเวลา (Time-Series Analysis)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่หนึ่งในบทเรียนที่นำไปใช้งานได้จริงมากที่สุดในหลักสูตร CFA Level II วิชา Quantitative Methods หากคุณเคยดูชาร์ตหุ้นหรือกราฟ GDP ตามช่วงเวลามาบ้าง คุณก็กำลังดูสิ่งที่เรียกว่า อนุกรมเวลา (Time Series) อยู่ครับ ในบทนี้เราจะก้าวข้ามการถดถอย (Regression) แบบธรรมดาไปสู่การทำความเข้าใจว่า ข้อมูลแต่ละจุดมีความสัมพันธ์กับค่าในอดีตของตัวมันเองอย่างไร

ไม่ต้องกังวลไปนะครับถ้าช่วงแรกจะรู้สึกว่า "คณิตศาสตร์เยอะจัง" เราจะค่อยๆ ย่อยโมเดลที่ดูซับซ้อนให้กลายเป็นเรื่องราวที่เข้าใจง่าย เมื่อจบบทนี้ คุณจะสามารถสังเกตแนวโน้มต่างๆ ระบุได้ว่าเมื่อไหร่ที่โมเดลเริ่ม "พัง" และเข้าใจว่านักวิเคราะห์พยากรณ์ค่าในอนาคตกันอย่างไร เอาล่ะ ไปลุยกันเลย!

1. โมเดลแนวโน้มแบบเชิงเส้น (Linear) และแบบลอการิทึมเชิงเส้น (Log-Linear)

วิธีที่ง่ายที่สุดในการสร้างโมเดลอนุกรมเวลาคือการดูว่าข้อมูลเติบโตอย่างสม่ำเสมอตามเวลาหรือไม่ ซึ่งเรามี 2 รูปแบบหลักๆ ดังนี้ครับ:

โมเดลแนวโน้มเชิงเส้น (Linear Trend Models)

ใน Linear Trend Model เราสมมติว่าตัวแปรเปลี่ยนไปเป็น จำนวนคงที่ (Constant amount) ในแต่ละช่วงเวลา
สูตร: \(y_t = b_0 + b_1(t) + \epsilon_t\)
ตัวอย่าง: ร้านกาแฟเล็กๆ แห่งหนึ่งที่มีลูกค้าใหม่เพิ่มขึ้นเดือนละ 10 คนพอดี ไม่ว่าตอนนี้จะมีลูกค้า 100 หรือ 1,000 คน เดือนหน้าพวกเขาก็จะเพิ่มขึ้นอีก 10 คนเสมอ

โมเดลแนวโน้มแบบลอการิทึมเชิงเส้น (Log-Linear Trend Models)

ใน Log-Linear Trend Model เราสมมติว่าตัวแปรเปลี่ยนไปเป็น เปอร์เซ็นต์คงที่ (Constant percentage) ในแต่ละช่วงเวลา ซึ่งวิธีนี้พบได้บ่อยมากในทางการเงิน (เช่น ดอกเบี้ยทบต้น)
สูตร: \(ln(y_t) = b_0 + b_1(t) + \epsilon_t\)
ตัวอย่าง: บริษัทสตาร์ทอัพเทคโนโลยีที่เติบโต 10% ทุกเดือน ยิ่งบริษัทใหญ่ขึ้น ยอดเติบโต 10% นั้นก็หมายถึงจำนวนคนที่เพิ่มขึ้นจริงๆ ที่มากขึ้นเรื่อยๆ

จะเลือกใช้อันไหนดี?

ลองดูที่ข้อมูลของคุณครับ! ถ้าพล็อตออกมาเป็นเส้นตรงให้ใช้ Linear แต่ถ้าข้อมูลดูโค้งขึ้นข้างบน (การเติบโตแบบทวีคูณ) ให้ใช้ Log-Linear และหากคุณพบ "Heteroskedasticity" (จุดข้อมูลยิ่งห่างจากเส้นเมื่อเวลาผ่านไป) ในโมเดลเชิงเส้น การใช้ Log-Linear มักจะช่วยแก้ปัญหานี้ได้ครับ

เคล็ดลับเล็กๆ: ถ้าอัตราการเติบโตอยู่ในรูปแบบ เปอร์เซ็นต์ ให้ใช้ "Log" เป็นเพื่อนซี้ของคุณได้เลย!

สรุปใจความสำคัญ: ใช้ Linear สำหรับการเปลี่ยนแปลงเป็น จำนวน คงที่ และใช้ Log-Linear สำหรับการเปลี่ยนแปลงเป็น เปอร์เซ็นต์ คงที่ครับ

2. โมเดลออโตรีเกรสซีฟ (Autoregressive - AR Models)

บางครั้ง วิธีพยากรณ์วันพรุ่งนี้ที่ดีที่สุดก็คือการดูจากวันนี้ Autoregressive (AR) Model ใช้ค่าในอดีตของตัวแปรนั้นเพื่อพยากรณ์ค่าในอนาคตครับ

โมเดล AR อันดับหนึ่ง หรือที่เรียกว่า AR(1) จะหน้าตาเป็นแบบนี้:
\(x_t = b_0 + b_1 x_{t-1} + \epsilon_t\)

ซึ่งหมายความว่า: "ค่าในวันนี้ (\(x_t\)) ขึ้นอยู่กับค่าคงที่ (\(b_0\)) บวกกับเศษเสี้ยวของสิ่งที่เกิดขึ้นเมื่อวาน (\(b_1 x_{t-1}\)) บวกกับสัญญาณรบกวนแบบสุ่ม (\(\epsilon_t\))"

กฎเหล็ก: ความนิ่งของความแปรปรวนร่วม (Covariance Stationarity)

เพื่อให้โมเดล AR ใช้งานได้จริง อนุกรมเวลานั้นต้องมีความเป็น Covariance Stationary ลองนึกภาพว่านี่คือ "ความเสถียร" ของข้อมูลครับ เพื่อที่จะเป็น Stationary ข้อมูลต้องมี 3 สิ่งที่คงที่เมื่อเวลาผ่านไป:

1. ค่าคาดหมาย (Mean): ข้อมูลต้องเกาะกลุ่มอยู่รอบๆ ค่าระดับหนึ่ง
2. ความแปรปรวน (Variance): "การเหวี่ยง" หรือความผันผวนของข้อมูลต้องเท่าเดิมเสมอ
3. ความแปรปรวนร่วม (Covariance): ความสัมพันธ์ระหว่างช่วงเวลาต่างๆ ต้องคงที่

รู้หรือไม่? หากอนุกรมเวลาไม่มีความนิ่ง การทดสอบทางสถิติของเรา (เช่น t-test) จะเชื่อถือไม่ได้เลย เหมือนกับการพยายามวัดส่วนสูงเด็กเล็กที่กระโดดไปมาไม่หยุดครับ!

สรุปใจความสำคัญ: โมเดล AR ใช้ค่าในอดีตพยากรณ์อนาคต แต่จะได้ผลก็ต่อเมื่อข้อมูลมีความ "นิ่ง" (Stationary) เท่านั้น

3. การตรวจจับปัญหาในโมเดล AR

ในการทำ Regression ปกติ เราใช้การทดสอบ Durbin-Watson เพื่อตรวจสอบปัญหา Serial Correlation (เมื่อค่าความคลาดเคลื่อนมีความสัมพันธ์กันเอง)

คำเตือนสำคัญ: คุณ ไม่สามารถ ใช้ Durbin-Watson กับโมเดล AR ได้ครับ นี่คือกับดักคลาสสิกของข้อสอบ CFA เลย! แต่ให้เราดูที่ Autocorrelations ของค่า Residuals (ค่าความคลาดเคลื่อน) แทน

ขั้นตอนการตรวจสอบ:

1. ประมาณการโมเดล AR
2. คำนวณหาค่า Residuals
3. ตรวจสอบสหสัมพันธ์ (Correlation) ของ Residuals เหล่านั้น หากมีค่าแตกต่างจากศูนย์อย่างมีนัยสำคัญ แสดงว่าโมเดลของคุณ "ระบุเงื่อนไขไม่ถูกต้อง" (Misspecified หรือขาดตัวแปรบางอย่างไป)

สรุปใจความสำคัญ: หลีกเลี่ยง Durbin-Watson ในโมเดล AR และใช้ t-test กับ Autocorrelation ของ Residuals แทนครับ

4. การกลับเข้าสู่ค่าเฉลี่ย (Mean Reversion)

โมเดล AR ที่นิ่ง (Stationary) ส่วนใหญ่จะมี ระดับการกลับเข้าสู่ค่าเฉลี่ย (Mean Reverting Level) ซึ่งเปรียบเสมือน "ฐานที่มั่น" ที่ข้อมูลจะกลับมาหาเสมอ

สูตรสำหรับ Mean Reverting Level: \(\frac{b_0}{1 - b_1}\)

การเปรียบเทียบ: ให้คิดถึงยางยืดครับ คุณสามารถดึงราคาหุ้นให้ออกห่างจาก "มูลค่าที่แท้จริง" ได้ แต่โมเดลจะพยากรณ์ว่าสุดท้ายแล้วราคาก็จะดีดกลับมาที่ระดับเดิมอยู่ดี

สรุปใจความสำคัญ: หากค่าปัจจุบันอยู่เหนือกว่า Mean Reverting Level โมเดลจะพยากรณ์ว่าราคาจะลดลง และหากต่ำกว่า ก็จะพยากรณ์ว่าราคาจะเพิ่มขึ้น

5. การเดินสุ่ม (Random Walks) และ Unit Roots

จะเกิดอะไรขึ้นถ้า \(b_1 = 1\) ในโมเดล AR(1) ของเรา? เราจะได้สิ่งที่เรียกว่า Random Walk
\(x_t = x_{t-1} + \epsilon_t\)

ในการเดินสุ่ม การเดาที่ดีที่สุดสำหรับวันพรุ่งนี้ก็คือราคาของวันนี้ นี่ ไม่ใช่สถานะที่นิ่ง (Non-stationary) เพราะความแปรปรวนจะเพิ่มขึ้นตามเวลา ("การเดิน" นี้สามารถหลงไปที่ไหนก็ได้)

Unit Root คืออะไร?

ถ้า \(b_1 = 1\) เราเรียกว่าโมเดลนั้นมี Unit Root ซึ่งถือเป็นข่าวร้ายสำหรับการทำโมเดล!
เราใช้การทดสอบ Dickey-Fuller Test ในการตรวจหา ไม่ต้องกังวลเรื่องคณิตศาสตร์ที่ซับซ้อนนะครับ แค่จำไว้ว่าถ้ามี Unit Root แปลว่าอนุกรมเวลานั้นไม่นิ่ง (Non-stationary)

เราจะแก้ไข Unit Root อย่างไร?

เราใช้วิธีที่เรียกว่า First-Differencing แทนที่จะสร้างโมเดลจากราคา เราก็เปลี่ยนมาสร้างโมเดลจาก การเปลี่ยนแปลง ของราคาแทน
\(y_t = x_t - x_{t-1}\)
ด้วยการสร้างโมเดลจากส่วนต่าง มักจะทำให้จากอนุกรมที่ไม่นิ่งกลายเป็นอนุกรมที่นิ่งขึ้นได้ครับ

สรุปใจความสำคัญ: Unit root (\(b_1 = 1\)) หมายความว่าข้อมูลเป็น Random Walk แก้ไขได้ด้วยการใช้ "First-Differencing"

6. ฤดูกาล (Seasonality)

ข้อมูลของคุณมีรูปแบบที่ซ้ำเดิมทุกปีหรือไม่? ลองนึกถึงยอดขายของร้านค้าปลีกที่พุ่งสูงทุกเดือนธันวาคม นี่แหละครับคือ Seasonality

หากคุณละเลยเรื่องฤดูกาลในโมเดล AR ค่า Residuals ของคุณจะแสดง "จุดพุ่งสูง (Spike)" ที่ Lag ของฤดูกาลนั้นๆ (เช่น Lag 4 สำหรับข้อมูลรายไตรมาส หรือ Lag 12 สำหรับข้อมูลรายเดือน)

วิธีแก้: เพิ่ม Seasonal Lag เข้าไปในโมเดลครับ ถ้าคุณดูข้อมูลรายไตรมาส คุณก็ควรใช้ \(x_{t-4}\) เป็นตัวแปรเสริมเพื่อช่วยพยากรณ์ \(x_t\)

สรุปใจความสำคัญ: สังเกตฤดูกาลได้โดยการหา Autocorrelation ที่มีนัยสำคัญใน Lag เฉพาะเจาะจง (เช่น 4 หรือ 12) แล้วเพิ่ม Lag นั้นเข้าไปในโมเดลครับ

7. โมเดล ARCH (ผู้เชี่ยวชาญด้านความผันผวน)

ARCH ย่อมาจาก Autoregressive Conditional Heteroskedasticity (ลองพูดประโยคนี้เร็วๆ 5 ครั้งดูนะครับ!)

พูดง่ายๆ คือ ARCH จะเกิดขึ้นเมื่อ ความแปรปรวน ของค่าความคลาดเคลื่อนในรอบหนึ่ง ขึ้นอยู่กับ ความแปรปรวน ของค่าความคลาดเคลื่อนในรอบก่อนหน้า
ตัวอย่าง: ถ้าตลาดหุ้นผันผวนรุนแรงในวันนี้ ก็มีแนวโน้มที่จะผันผวนรุนแรงต่อเนื่องไปในวันพรุ่งนี้ด้วย

หากมี ARCH Effect คุณจะสามารถพยากรณ์ ความผันผวน (Volatility) ของค่าความคลาดเคลื่อนในอนาคตได้ ซึ่งเป็นประโยชน์อย่างมากสำหรับการตั้งราคา Options และการบริหารความเสี่ยง (VaR)

สรุปใจความสำคัญ: โมเดล ARCH ช่วยให้เราพยากรณ์ได้ว่า "กลุ่มก้อน" ของความผันผวนสูงมีแนวโน้มจะเกิดขึ้นเมื่อไหร่

8. การรวมตัวกัน (Co-integration): การเคลื่อนที่ไปพร้อมกัน

บางครั้ง อนุกรมเวลาที่ต่างกันสองชุด (เช่น ราคาหุ้นของบริษัทน้ำมันสองแห่งที่คล้ายกัน) ต่างก็เป็นแบบ Non-stationary (คือเดินแบบสุ่มไปเรื่อยๆ) แต่พวกมัน เคลื่อนที่ใกล้เคียงกันตลอดเวลา เราเรียกสิ่งนี้ว่า Co-integration

การเปรียบเทียบ: ลองนึกภาพคนจูงสุนัขเดินเล่น ทั้งคนและสุนัขอาจจะเดินซิกแซกไปทั่วสวน (Non-stationary) แต่เพราะมีสายจูง ทั้งคู่จึงไม่สามารถห่างกันไปไกลเกินขอบเขตได้ พวกเขาคือ Co-integrated กันนั่นเอง

หากอนุกรมสองชุดมีการรวมตัวกัน เรา สามารถ ทำ Regression ระหว่างกันได้โดยไม่ทำให้เกิดผลลัพธ์ที่ "หลอกตา" (Spurious)

สรุปใจความสำคัญ: Co-integration หมายความว่าอนุกรมที่ดูไม่นิ่งสองชุดมีความสัมพันธ์ทางเศรษฐกิจระยะยาวต่อกัน

สรุปรายการตรวจสอบสำหรับนักศึกษา

ก่อนเข้าห้องสอบ ตรวจสอบให้มั่นใจว่าคุณตอบคำถามเหล่านี้ได้:

  • ข้อมูลมีการเปลี่ยนแปลงเป็นจำนวน (Linear) หรือเป็นเปอร์เซ็นต์ (Log-Linear)?
  • ข้อมูลมีความนิ่งหรือไม่ (Covariance Stationary)? (จำเป็นสำหรับโมเดล AR!)
  • โมเดลมี Unit Root หรือไม่? (ใช้ Dickey-Fuller ตรวจสอบ; แก้ไขด้วย First-Difference)
  • Residuals สะอาดดีไหม? (ตรวจสอบ Autocorrelation; ห้ามใช้ Durbin-Watson!)
  • มีเรื่องของ ฤดูกาล (Seasonality) หรือไม่? (มองหาค่าที่พุ่งสูงผิดปกติที่ Lag 4 หรือ 12)
  • อนุกรมที่เดินแบบสุ่มสองชุดมีการ รวมตัวกัน (Co-integrated) หรือไม่? (จำเรื่อง "สายจูง" เอาไว้)

อย่ายอมแพ้นะครับ! วิชาอนุกรมเวลาก็เหมือนกับการเรียนภาษาใหม่ ในตอนแรกคุณอาจจะเห็นแค่สัญลักษณ์ แต่ในไม่ช้าคุณจะมองเห็นรูปแบบของตลาดที่ซ่อนอยู่ ขอให้โชคดีกับการเตรียมสอบนะครับ!