บทนำ: ทำไมตัวแปรสุ่ม (Random Variables) ถึงสำคัญ?

ยินดีต้อนรับครับ! หากคุณเคยสงสัยว่าผู้จัดการความเสี่ยงคาดการณ์โอกาสที่จะเกิดตลาดหุ้นพังหรือจำนวนการผิดนัดชำระหนี้ในหนึ่งเดือนได้อย่างไร คุณมาถูกที่แล้วครับ ในโลกของการเงิน เราไม่สามารถทำนายอนาคตได้อย่างแม่นยำ 100% แต่เราสามารถใช้ ตัวแปรสุ่ม (Random Variables) มาสร้างแบบจำลองความเป็นไปได้ต่างๆ ได้ บทนี้จะครอบคลุม “บล็อกตัวต่อ” พื้นฐานของความน่าจะเป็นที่คุณจะต้องใช้ตลอดการเดินทางใน FRM ไม่ต้องกังวลหากสูตรต่างๆ ดูน่ากลัวในตอนแรก เราจะค่อยๆ ย่อยให้เป็นแนวคิดที่เรียบง่ายและนำไปใช้ได้จริงครับ

1. ภาพรวม: แบบไม่ต่อเนื่อง (Discrete) vs. แบบต่อเนื่อง (Continuous)

ก่อนที่เราจะเริ่มเจาะลึก จำไว้ว่าตัวแปรสุ่มมีอยู่ 2 ประเภทหลักๆ คือ:
1. Discrete (ไม่ต่อเนื่อง): สิ่งที่คุณนับจำนวนได้ (เช่น จำนวนวันที่ระบบธนาคารล่ม)
2. Continuous (ต่อเนื่อง): สิ่งที่คุณวัดค่าได้ (เช่น เปอร์เซ็นต์ผลตอบแทนที่แน่นอนของพอร์ตการลงทุน)
ลองนึกภาพว่า Discrete เหมือนขั้นบันไดที่เรานับทีละขั้น ส่วน Continuous เหมือนทางลาดที่ลื่นไหลครับ

2. การแจกแจงแบบไม่ต่อเนื่อง (Discrete Distributions) ที่พบบ่อย

การแจกแจงแบบ Bernoulli (Bernoulli Distribution)

การแจกแจงแบบ Bernoulli เป็นสิ่งที่ง่ายที่สุด มันใช้จำลองการทดลองเพียงครั้งเดียวที่มีผลลัพธ์แค่ 2 อย่างคือ: สำเร็จ (1) หรือ ล้มเหลว (0)
ตัวอย่าง: ลูกหนี้หนึ่งรายจะผิดนัดชำระหนี้หรือไม่ผิดนัด
• ความน่าจะเป็นที่จะสำเร็จ: \( p \)
• ความน่าจะเป็นที่จะล้มเหลว: \( 1 - p \)
• ค่าเฉลี่ย (Expected Value): \( E(X) = p \)
• ความแปรปรวน (Variance): \( Var(X) = p(1 - p) \)

การแจกแจงแบบทวินาม (Binomial Distribution)

หากคุณนำการทดลองแบบ Bernoulli ที่เป็นอิสระต่อกันหลายๆ ครั้งมารวมกัน คุณจะได้ การแจกแจงแบบทวินาม (Binomial distribution) ซึ่งบอกความน่าจะเป็นที่จะได้ผลลัพธ์สำเร็จ \( x \) ครั้งพอดี จากการทดลองทั้งหมด \( n \) ครั้งที่เป็นอิสระต่อกัน
ตัวอย่าง: ถ้าคุณมีเงินกู้ 10 สัญญาที่เป็นอิสระต่อกัน โอกาสที่จะมีคนผิดนัดชำระหนี้เป๊ะๆ 2 รายคือเท่าไหร่?
• ตัวแปรสำคัญ: \( n \) (จำนวนครั้งที่ทดลอง) และ \( p \) (ความน่าจะเป็นที่จะสำเร็จ)
• ค่าเฉลี่ย: \( n \times p \)
• ความแปรปรวน: \( n \times p \times (1 - p) \)
ข้อผิดพลาดที่พบบ่อย: นักเรียนมักลืมว่าเพื่อให้ Binomial ใช้ได้ การทดลอง ต้อง เป็นอิสระต่อกัน ถ้าการที่ลูกหนี้รายหนึ่งผิดนัดส่งผลให้รายอื่นผิดนัดตามมา แบบจำลอง Binomial อาจจะไม่ใช่ทางเลือกที่ดีที่สุดครับ!

การแจกแจงแบบปัวซง (Poisson Distribution)

การแจกแจงแบบปัวซง (Poisson distribution) ใช้สำหรับจำลอง จำนวนเหตุการณ์ ที่เกิดขึ้นภายในช่วงเวลาหรือพื้นที่ที่กำหนด
ตัวอย่าง: จำนวนการโจมตีทางไซเบอร์ต่อเซิร์ฟเวอร์ของธนาคารต่อสัปดาห์
• ตัวแปรสำคัญ: \( \lambda \) (แลมบ์ดา) ซึ่งคืออัตราการเกิดเหตุการณ์เฉลี่ย
• คุณสมบัติพิเศษ: ค่าเฉลี่ยและความแปรปรวนมีค่าเท่ากับ \( \lambda \)
ทบทวนสั้นๆ: ถ้าเจอโจทย์ที่พูดถึง "จำนวนเหตุการณ์ในหนึ่งชั่วโมง" ให้คิดถึง Poisson ไว้เลยครับ!

สรุปใจความสำคัญ: การแจกแจงแบบไม่ต่อเนื่องช่วยให้เรานับผลลัพธ์ได้ Bernoulli สำหรับเหตุการณ์ "ใช่/ไม่ใช่" ครั้งเดียว, Binomial สำหรับเหตุการณ์ "ใช่/ไม่ใช่" หลายครั้ง และ Poisson สำหรับความถี่ของการเกิดเหตุการณ์ตามช่วงเวลา

3. การแจกแจงแบบต่อเนื่อง (Continuous Distributions) ที่พบบ่อย

การแจกแจงแบบยูนิฟอร์ม (Continuous Uniform Distribution)

ในการแจกแจงนี้ ทุกค่าในช่วง \( [a, b] \) จะมีโอกาสเกิดเท่าๆ กันหมด ฟังก์ชันความน่าจะเป็น (PDF) จะเป็นเส้นตรงแนวนอน
• ค่าเฉลี่ย: \( \frac{a + b}{2} \) (จุดกึ่งกลางพอดี)
• ความแปรปรวน: \( \frac{(b - a)^2}{12} \)

การแจกแจงแบบปกติ (Normal Distribution)

นี่คือ "ราชา" ของการแจกแจง หรือที่รู้จักกันในนาม เส้นโค้งรูประฆัง (Bell Curve) มันมีความสมมาตรและกำหนดโดยค่าเฉลี่ย \( \mu \) และส่วนเบี่ยงเบนมาตรฐาน \( \sigma \)
• ความเบ้ (Skewness): 0 (สมมาตรสมบูรณ์แบบ)
• ความโด่ง (Kurtosis): 3 (หรือ "Excess Kurtosis" เท่ากับ 0)
รู้หรือไม่? ในการบริหารความเสี่ยง เรามักใช้ การแจกแจงแบบปกติมาตรฐาน (Standard Normal Distribution) (\( Z \)) ซึ่งมีค่าเฉลี่ยเป็น 0 และส่วนเบี่ยงเบนมาตรฐานเป็น 1 คุณสามารถแปลงค่าปกติใดๆ ให้เป็น Z-score ได้ด้วยสูตร: \( Z = \frac{X - \mu}{\sigma} \)

การแจกแจงแบบล็อกปกติ (Lognormal Distribution)

ถ้า ลอการิทึมธรรมชาติ (Natural log) ของตัวแปรมีการแจกแจงแบบปกติ ตัวแปรนั้นจะเป็น Lognormal
ทำไมถึงสำคัญ: เราใช้ Lognormal สำหรับ ราคาของสินทรัพย์ (เช่น หุ้น) เพราะราคาหุ้นไม่สามารถติดลบได้ และการแจกแจงแบบ Lognormal จะมีขอบเขตอยู่ที่ศูนย์และเบ้ขวาครับ
ตัวช่วยจำ: ผลตอบแทน (Returns) มักสมมติว่ามีการแจกแจงแบบปกติ แต่ราคา (Prices) มักสมมติว่ามีการแจกแจงแบบ Lognormal

การแจกแจงแบบที (Student’s t-Distribution)

การแจกแจงแบบ t ดูคล้ายกับการแจกแจงแบบปกติแต่มี "หางที่หนากว่า" (Fatter tails) นั่นหมายความว่ามันคาดการณ์โอกาสการเกิดเหตุการณ์สุดโต่ง (Outliers) ได้สูงกว่า
• ตัวแปร: กำหนดโดย "องศาอิสระ" (Degrees of Freedom หรือ df)
• กฎเหล็ก: ยิ่งองศาอิสระเพิ่มขึ้น การแจกแจงแบบ t จะยิ่งดูเหมือนการแจกแจงแบบปกติเป๊ะๆ
ทำไมเราถึงชอบมัน: ตลาดการเงินมักมี "การล่มสลาย" มากกว่าที่แบบจำลอง Normal จะทำนายได้ การแจกแจงแบบ t จึงจับความเสี่ยงที่หาง (Tail risk) นี้ได้ดีกว่าครับ

การแจกแจงไคสแควร์ (\( \chi^2 \)) และ F-Distribution

ส่วนใหญ่ใช้สำหรับการทดสอบทางสถิติมากกว่าการจำลองราคา
• ไคสแควร์ (Chi-Squared): ใช้ทดสอบความแปรปรวนและ Goodness-of-fit เป็นค่าบวกเสมอและเบ้ขวา
• F-Distribution: ใช้เปรียบเทียบความแปรปรวนสองกลุ่ม ใช้เมื่อคุณอยากทราบว่าพอร์ตหนึ่งมีความผันผวนสูงกว่าอีกพอร์ตอย่างมีนัยสำคัญหรือไม่

สรุปใจความสำคัญ: การแจกแจงแบบต่อเนื่องใช้สำหรับสิ่งที่เราวัดค่าได้ Normal คือมาตรฐาน, Lognormal สำหรับราคาหุ้น, และ Student's t ใช้เมื่อเราคาดหวังว่าจะเกิดเหตุการณ์ "ประหลาดใจ" ที่รุนแรงกว่าปกติ

4. ทฤษฎีขีดจำกัดส่วนกลาง (CLT): เวทมนตร์แห่งสถิติ

ทฤษฎีขีดจำกัดส่วนกลาง (Central Limit Theorem) เป็นแนวคิดที่สำคัญที่สุดอย่างหนึ่งใน FRM ทฤษฎีนี้บอกว่า ถ้าคุณสุ่มตัวอย่างขนาดใหญ่พอจาก การแจกแจงใดๆ ก็ตาม (แม้จะเป็นการแจกแจงที่แปลกประหลาดหรือไม่ใช่ Normal) ผลรวม หรือ ค่าเฉลี่ย ของตัวอย่างนั้นจะมีการแจกแจงเป็น Normal Distribution
• ทำไมถึงเจ๋ง: มันทำให้เราสามารถใช้เครื่องมือของการแจกแจงแบบปกติได้ แม้ข้อมูลจริงจะยุ่งเหยิง ขอแค่ขนาดตัวอย่างใหญ่พอ (ปกติคือ \( n > 30 \))

5. รายการสรุปเพื่อความสำเร็จ

กล่องทบทวนด่วน:
• Bernoulli: โยนเหรียญครั้งเดียว (1 หรือ 0)
• Binomial: โยนเหรียญหลายครั้ง; การทดลองต้องเป็นอิสระต่อกัน
• Poisson: นับการมาถึง/เหตุการณ์ที่เกิดขึ้นตามเวลา
• Normal: โค้งรูประฆัง, ค่าเฉลี่ย=0, ส่วนเบี่ยงเบนมาตรฐาน=1 สำหรับ "Standard Normal"
• Lognormal: เบ้ขวา, ไม่มีค่าติดลบ (ราคาหุ้น)
• Student's t: หางหนา, ใช้กับกลุ่มตัวอย่างขนาดเล็กหรือสินทรัพย์ที่มีความเสี่ยงสูง
• Chi-Squared/F: ใช้สำหรับการทดสอบความแปรปรวน

ถ้ามันดูยากในตอนแรก ไม่ต้องกังวลนะ! เคล็ดลับของการเชี่ยวชาญบทนี้คือการจำให้ได้ว่าการแจกแจงแบบไหนเหมาะกับสถานการณ์ใด เมื่อคุณเห็น "จำนวนการผิดนัดชำระหนี้" ให้คิดถึง Binomial เมื่อเห็น "ราคาหุ้น" ให้คิดถึง Lognormal เมื่อเห็น "หางหนา" ให้คิดถึง Student's t คุณทำได้แน่นอนครับ!