Using Multifactor Models

ยินดีต้อนรับสู่เรื่อง Multifactor Models!

ในระดับ Level I คุณได้เรียนเกี่ยวกับแบบจำลอง CAPM ซึ่งบอกเราว่าสิ่งเดียวที่สำคัญคือ "ตลาด" แต่โลกความเป็นจริงนั้นซับซ้อนกว่านั้นเยอะ ลองคิดแบบนี้ครับ: ถ้าคุณกำลังจะทำนายว่ารถคันหนึ่งจะวิ่งเร็วแค่ไหน แบบจำลอง "ตลาด" ก็เหมือนการดูแค่ขนาดของเครื่องยนต์เท่านั้น แต่ Multifactor model นั้นต่างออกไป เพราะมันดูทั้งขนาดเครื่องยนต์, ความเร็วลม, น้ำหนักของผู้ขับ และคุณภาพของยางด้วย! มันทำให้เราเห็นภาพรวมที่ละเอียดขึ้นมาก ในบทนี้เราจะมาสำรวจกันว่าเราจะใช้แบบจำลองเหล่านี้เพื่อทำความเข้าใจผลตอบแทนจากการลงทุนและบริหารความเสี่ยงอย่างมืออาชีพได้อย่างไร

1. Arbitrage Pricing Theory (APT)

APT คือรากฐานของ multifactor models โดยตั้งอยู่บนแนวคิดง่ายๆ ที่ว่า ในตลาดที่มีเหตุมีผล คุณไม่ควรจะสามารถทำ "กำไรโดยไม่มีความเสี่ยง" (arbitrage) ได้ หากสินทรัพย์สองตัวมีความเสี่ยงเท่ากันแต่ให้ผลตอบแทนต่างกัน นักลงทุนก็จะแห่ไปซื้อตัวที่ถูกและขายตัวที่แพงจนราคาเกิดความสมดุล

ต่างจาก CAPM ที่บอกว่าความเสี่ยงจากตลาดเท่านั้นที่สำคัญ APT บอกว่ามี แหล่งที่มาของความเสี่ยงเชิงระบบ (systematic risk) หลายแหล่ง ซึ่งสมการมีหน้าตาแบบนี้ครับ:

\( E(R_i) = R_f + \beta_{i1}(\lambda_1) + \beta_{i2}(\lambda_2) + ... + \beta_{ik}(\lambda_k) \)

โดยที่:
\( R_f \) = อัตราผลตอบแทนที่ไม่มีความเสี่ยง (risk-free rate)
\( \beta_{ik} \) = ความไวของสินทรัพย์ i ต่อปัจจัย k (เรียกอีกอย่างว่า "factor loadings")
\( \lambda_k \) = ส่วนชดเชยความเสี่ยง (risk premium) สำหรับปัจจัย k (คือผลตอบแทนส่วนเพิ่มที่คุณได้รับจากการแบกรับความเสี่ยงนั้นๆ)

ทบทวนสั้นๆ: สมมติฐาน 3 ข้อของ APT

1. ผลตอบแทนสามารถอธิบายได้ด้วย multifactor model
2. มีหลักทรัพย์จำนวนมากพอที่จะกระจายความเสี่ยงเฉพาะตัว (idiosyncratic risk) ออกไปได้
3. ไม่มีโอกาสในการทำกำไรแบบ arbitrage ในพอร์ตโฟลิโอที่มีการกระจายความเสี่ยงอย่างดี

2. Macroeconomic Factor Models

ใน Macroeconomic Factor Model เราตั้งสมมติฐานว่าผลตอบแทนของหุ้นขับเคลื่อนด้วย "สิ่งที่อยู่นอกเหนือความคาดหมาย" (surprises) ในข้อมูลทางเศรษฐกิจ สิ่งที่ส่งผลไม่ใช่ตัวเลขเงินเฟ้อจริงๆ แต่คือ ส่วนต่าง ระหว่างสิ่งที่ทุกคนคาดการณ์ไว้กับสิ่งที่เกิดขึ้นจริง

สมการ:
\( R_i = E(R_i) + b_{i1}F_1 + b_{i2}F_2 + ... + \epsilon_i \)

โดยที่:
\( E(R_i) \) = ผลตอบแทนคาดการณ์ที่อ้างอิงจากบทวิเคราะห์
\( F_k \) = ความประหลาดใจ (surprise) ของปัจจัยนั้น (ค่าจริง ลบ ค่าที่คาดการณ์ไว้)
\( b_{ik} \) = ความไวของหุ้นตัวนั้นต่อความประหลาดใจดังกล่าว
\( \epsilon_i \) = ความประหลาดใจเฉพาะบริษัท (เช่น ข่าวอื้อฉาวของ CEO หรือไฟไหม้โรงงาน)

ตัวอย่าง: หากตลาดคาดว่าเงินเฟ้อจะอยู่ที่ 2% แต่ผลออกมาคือ 3% ตัว "surprise" ก็คือ +1% ถ้าหุ้นตัวหนึ่งมีความไว (\( b \)) ต่อเงินเฟ้อเท่ากับ -2.0 ราคาหุ้นตัวนั้นก็น่าจะลดลง 2% (-2.0 \(\times\) 1% surprise)

ประเด็นสำคัญ: ในแบบจำลองมหภาค ปัจจัยต่างๆ จะเป็นปัจจัย ภายนอก บริษัท (เช่น GDP, อัตราดอกเบี้ย หรือเงินเฟ้อ)

3. Fundamental Factor Models

แบบจำลองนี้จะมอง เข้าไปข้างใน บริษัท เราจะใช้ลักษณะเฉพาะต่างๆ เช่น อัตราส่วน P/E, มูลค่าตลาด (size), หรือภาระหนี้สิน มาใช้ ซึ่งจุดนี้แหละที่ต่างจากแบบจำลองมหภาค เพราะฉะนั้นตั้งใจฟังให้ดีนะ!

ใน Fundamental Factor Models:
- "Beta" หรือความไว คือ ลักษณะเฉพาะจริงๆ ของบริษัท (เช่น ค่า P/E ของบริษัทนั้น)
- "Factor" คือ ผลตอบแทน ที่เกี่ยวข้องกับลักษณะเฉพาะนั้น (เช่น หุ้นกลุ่ม "Value" ให้ผลตอบแทนสูงกว่าตลาดในวันนี้เท่าไหร่)

เพื่อให้คำนวณได้ เรามักจะใช้ ค่าเบต้ามาตรฐาน (standardized betas) หรือ Z-scores:
\( \beta_{standardized} = \frac{(Value - Average)}{Standard Deviation} \)

ถ้ารู้สึกว่ามันยากในตอนแรก ไม่ต้องกังวลนะ! แค่จำไว้ว่า: ในแบบจำลอง Macro เราวัดว่าหุ้น ตอบสนอง ต่อความประหลาดใจอย่างไร แต่ในแบบจำลอง Fundamental เราดู คุณสมบัติ ของหุ้น (เช่น "มันเป็นหุ้นขนาดเล็กใช่ไหม?") เพื่ออธิบายผลตอบแทนของมัน

ตารางเปรียบเทียบ: Macro vs. Fundamental

Macroeconomic Model: ปัจจัยคือ "ความประหลาดใจ" ในตัวแปรต่างๆ ความไวของปัจจัย (\( \beta \)) ได้มาจากการทำ regression
Fundamental Model: ปัจจัยคือ "ผลตอบแทน" ต่อคุณสมบัตินั้นๆ ความไวของปัจจัย (\( \beta \)) คำนวณจากข้อมูลของบริษัท (เช่น P/E หรือขนาดบริษัท)

4. Statistical Factor Models

แบบจำลองนี้เหมาะสำหรับสาย Data Scientist ครับ! แทนที่เราจะเลือกปัจจัยอย่าง "เงินเฟ้อ" หรือ "P/E" เราจะปล่อยให้โปรแกรมคอมพิวเตอร์ (โดยใช้เทคนิคอย่าง Principal Component Analysis) ดูผลตอบแทนในอดีตแล้วหาแพทเทิร์นให้เอง

ข้อดี: มันพบความสัมพันธ์ทุกอย่างที่อาจมีอยู่ในข้อมูล
ข้อเสีย: ปัจจัยเหล่านั้นไม่มีชื่อเรียก คอมพิวเตอร์อาจบอกว่า "ปัจจัยที่ 1" สำคัญมาก แต่มันบอกไม่ได้หรอกว่า "ปัจจัยที่ 1" คือ "อัตราดอกเบี้ย" หรือ "ความเชื่อมั่นผู้บริโภค" ทำให้เวลาไปอธิบายให้ลูกค้าฟังจะทำได้ยากมาก!

5. การใช้แบบจำลองเพื่อวิเคราะห์ผลตอบแทนและความเสี่ยง

นี่คือส่วนของ "แล้วยังไงต่อ?" ในบทนี้ ทำไมเราต้องคำนวณตัวเลขพวกนี้เยอะแยะ? ก็เพื่อดูว่าเงินของเรามาจากไหนยังไงล่ะ

A. การวิเคราะห์ที่มาของผลตอบแทน (Return Attribution)

Active return คือส่วนต่างระหว่างผลตอบแทนพอร์ตโฟลิโอกับดัชนีชี้วัด ซึ่งเราสามารถแยกย่อยได้เป็น:
Active Return = Factor Return + Security Selection Return

Factor Return: เราชนะเพราะเราปรับพอร์ตไปทาง "หุ้นขนาดเล็ก" (Small Cap) หรือ "หุ้นคุณค่า" (Value) หรือเปล่า?
Security Selection: เราชนะเพราะเราเลือกหุ้นรายตัวได้ดีกว่าตัวที่อยู่ในดัชนีชี้วัดในกลุ่มเหล่านั้นหรือเปล่า?

B. การวิเคราะห์ที่มาของความเสี่ยง (Risk Attribution)

เช่นเดียวกับผลตอบแทน เราสามารถย่อย Active Risk (หรือที่เรียกว่า tracking error) ได้ดังนี้:
1. Active Factor Risk: ความเสี่ยงที่เกิดจากการ "แตกต่าง" จากสัดส่วนปัจจัยของดัชนีชี้วัด (เช่น มีค่า beta ต่อราคาน้ำมันสูงกว่าดัชนี)
2. Active Specific Risk: ความเสี่ยงที่เกิดจากการเลือกหุ้นรายตัวที่เคลื่อนไหวต่างจากกลุ่มของมันเอง

รู้หรือไม่? ผู้จัดการกองทุนมืออาชีพส่วนใหญ่พยายามเพิ่ม "Information Ratio" ให้สูงสุด ซึ่งก็คือ Active Return หารด้วย Active Risk นั่นเอง มันคือตัวชี้วัดว่าคุณได้รับผลตอบแทนส่วนเพิ่มคุ้มแค่ไหนกับ "ความไม่เหมือนใคร" (uniqueness) ที่คุณแบกรับเอาไว้

6. การสร้างพอร์ตโฟลิโอและแนวทาง Multifactor

เวลาสร้างพอร์ต ผู้จัดการกองทุนจะใช้แบบจำลองเหล่านี้เพื่อ "เล็ง" เป้าหมายการลงทุนที่ต้องการ หากคุณคิดว่าเศรษฐกิจจะเติบโตเร็วกว่าที่คาด คุณอาจใช้ multifactor model เพื่อค้นหาหุ้นที่มีความไวต่อการเติบโตของ GDP สูงที่สุด

Factor-Based Investing: คือการสร้างพอร์ตโฟลิโอที่ล้อไปกับปัจจัยเฉพาะ เช่น ปัจจัย "Value" หรือปัจจัย "ความผันผวนต่ำ" (Low Volatility) ซึ่งเรามักเรียกกันว่า Smart Beta

7. สรุปประเด็นสำคัญ

1. APT คือทฤษฎีที่บอกว่าความเสี่ยงเชิงระบบหลายแหล่งเป็นตัวขับเคลื่อนผลตอบแทน และไม่มีโอกาสทำกำไรแบบ Arbitrage ในตลาดที่สมดุล
2. Macro Models ใช้ "ความประหลาดใจ" ทางเศรษฐกิจ โดยคำนวณความไวผ่าน regression
3. Fundamental Models ใช้คุณสมบัติของบริษัท (P/E, ขนาดบริษัท) โดยตัวเลขความไวก็คือคุณสมบัตินั้นๆ (Z-scores)
4. Statistical Models ขับเคลื่อนด้วยข้อมูลล้วนๆ แต่แปลความหมายยาก
5. Active Return มาจากทั้งการปรับสัดส่วนปัจจัย (factor tilts) หรือความสามารถในการเลือกหุ้นรายตัว (security selection)
6. Active Risk สามารถแยกย่อยได้เป็นความเสี่ยงจากปัจจัย (factor risk) และความเสี่ยงเฉพาะตัว (specific risk)

ข้อผิดพลาดที่พบบ่อย: ในการสอบ อย่าจำสับสนระหว่างปัจจัยในแบบจำลอง Macro กับ Fundamental นะครับ ใน Macro ปัจจัยคือ สิ่งที่อยู่นอกเหนือความคาดหมาย (surprise) ส่วนใน Fundamental ปัจจัยคือ ผลตอบแทนที่ได้รับจากคุณสมบัตินั้นๆ ถ้าโจทย์พูดถึง "surprises" ให้คิดถึง Macro ทันที!