ยินดีต้อนรับสู่บทเรียนเรื่องการวัดความเสี่ยงทางการเงิน (Measures of Financial Risk)!

สวัสดีครับ! วันนี้เราจะมาเจาะลึกหนึ่งในบทที่สำคัญที่สุดในส่วนของ การประเมินมูลค่าและแบบจำลองความเสี่ยง (Valuation and Risk Models) ของหลักสูตร FRM กันครับ ลองจินตนาการว่าการวัดความเสี่ยงเปรียบเสมือน "หน้าปัดรถยนต์" หรือ "แผงควบคุม" ของธนาคารหรือบริษัทลงทุน เหมือนกับที่นักบินจำเป็นต้องมีเครื่องมือบอกระดับความสูงและความเร็ว ผู้จัดการความเสี่ยงก็ต้องมีเครื่องมือเฉพาะทางเพื่อบอกว่าบริษัทอาจจะสูญเสียเงินไปเท่าไหร่ เมื่อจบโน้ตชุดนี้ คุณจะเข้าใจเครื่องมือหลัก 2 ตัว ได้แก่ มูลค่าที่เสี่ยงต่อการสูญเสีย (Value at Risk หรือ VaR) และ มูลค่าที่คาดว่าจะสูญเสีย (Expected Shortfall หรือ ES) รวมถึงวิธีตัดสินว่าตัวชี้วัดความเสี่ยงนั้นๆ ใช้งานได้ดีจริงหรือไม่

1. มูลค่าที่เสี่ยงต่อการสูญเสีย (VaR): มาตรฐานของอุตสาหกรรม

Value at Risk (VaR) คือตัวเลขที่โด่งดังที่สุดในโลกการเงิน โดยตอบคำถามที่ว่า: "จำนวนเงินสูงสุดที่ฉันคาดว่าจะสูญเสียในช่วงเวลาหนึ่งด้วยระดับความเชื่อมั่นที่กำหนดไว้ คือเท่าไหร่?"

VaR ถูกกำหนดโดยพารามิเตอร์หลัก 2 ตัวคือ:
1. ระยะเวลา (Time Horizon, T): ช่วงเวลาที่เราวัดความเสี่ยง (เช่น 1 วัน, 10 วัน)
2. ระดับความเชื่อมั่น (Confidence Level, \(1 - \alpha\)): โดยปกติมักใช้ 95% หรือ 99%

ตัวอย่าง: หากพอร์ตการลงทุนมี 1-day 95% VaR อยู่ที่ 1 ล้านดอลลาร์ นั่นหมายความว่า มีโอกาสเพียง 5% เท่านั้นที่พอร์ตการลงทุนจะขาดทุน เกินกว่า 1 ล้านดอลลาร์ในวันนั้น หรืออีกนัยหนึ่ง เรามั่นใจ 95% ว่าผลขาดทุนของเราจะไม่เกิน 1 ล้านดอลลาร์ครับ

การคำนวณ VaR ด้วยการแจกแจงแบบปกติ (Normal Distribution)

หากเราสมมติว่าผลตอบแทนมีการแจกแจงแบบปกติ (รูปทรงระฆังคว่ำ) สูตรจะเป็นดังนี้:
\( VaR = \mu - (z \times \sigma) \)
โดยที่:
- \( \mu \) คือผลตอบแทนที่คาดหวัง (มักสมมติให้เป็น 0 สำหรับช่วงเวลาสั้นๆ)
- \( \sigma \) คือส่วนเบี่ยงเบนมาตรฐาน (ความผันผวน)
- \( z \) คือค่าวิกฤตจากตารางการแจกแจงปกติ (เช่น 1.65 สำหรับ 95% หรือ 2.33 สำหรับ 99%)

เคล็ดลับ: ในข้อสอบ FRM ถ้าโจทย์ถามหา "95% VaR" ให้คุณดูที่ส่วนปลาย (Tail) ด้าน 5% นะครับ ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ... แค่จำไว้ว่าระดับความเชื่อมั่นที่สูงขึ้น (99% เทียบกับ 95%) จะให้ค่า VaR ที่สูงขึ้นเสมอ เพราะคุณกำลังมองลึกลงไปในส่วนปลายที่ "น่ากลัว" ของการแจกแจงนั่นเอง

ข้อผิดพลาดที่ควรหลีกเลี่ยง: VaR ไม่ได้ บอกถึงสถานการณ์ที่เลวร้ายที่สุดที่เป็นไปได้ (Worst-case scenario) มันบอกแค่เส้นแบ่งเขตเท่านั้น ถ้า VaR ของคุณคือ 1 ล้านดอลลาร์ คุณอาจจะขาดทุน 1.1 ล้าน, 10 ล้าน หรือหมดตัวเลยก็ได้! VaR ไม่ได้บอกอะไรเลยเกี่ยวกับสิ่งที่เกิดขึ้นใน "ส่วนปลายที่รุนแรง" นั้น

2. มูลค่าที่คาดว่าจะสูญเสีย (ES): มองข้ามเส้นแบ่งเขต

ถ้า VaR คือ "เส้นแบ่ง" Expected Shortfall (ES) หรือที่เรียกอีกชื่อว่า Conditional VaR (CVaR) ก็คือค่าเฉลี่ยของสิ่งที่อยู่เกินเส้นนั้นออกไป มันตอบคำถามที่ว่า: "ถ้าเหตุการณ์เลวร้ายเกิดขึ้นและเราขาดทุนเกิน VaR ของเรา โดยเฉลี่ยแล้วเราจะสูญเสียเท่าไหร่?"

เปรียบเทียบให้เห็นภาพ: ลองนึกภาพว่าคุณกำลังกระโดดข้ามหลุม VaR คือตัวบอกว่าหลุมกว้างแค่ไหน ส่วน ES คือตัวบอกว่าถ้าคุณพลาดตกลงไปแล้ว หลุมนั้นลึกแค่ไหน

ทำไมต้องใช้ ES?
  • มันจับ ความเสี่ยงส่วนปลาย (Tail risk) ได้ดีกว่า VaR
  • มันตอบสนองต่อรูปร่างของการแจกแจงผลขาดทุนที่เกินระดับความเชื่อมั่นได้ละเอียดกว่า
  • มันมีคุณสมบัติทางคณิตศาสตร์ที่เรียกว่า Subadditivity (ซึ่งบางครั้ง VaR ทำไม่ได้ เดี๋ยวเราจะมาพูดถึงเรื่องนี้กัน!)

ประเด็นสำคัญ: ที่ระดับความเชื่อมั่นเดียวกัน ค่า ES จะต้องมากกว่าหรือเท่ากับ VaR เสมอ เพราะมันคือค่าเฉลี่ยของผลขาดทุนที่ "แย่ที่สุด" ทั้งหมด

3. การวัดความเสี่ยงที่สอดคล้อง (Coherent Risk Measures): "กฎเหล็ก"

ในปี 1999 นักวิจัย (Artzner และคณะ) ได้กำหนดว่าตัวชี้วัดความเสี่ยงที่จะถือว่า "ดี" หรือ "สอดคล้อง (Coherent)" จะต้องผ่านกฎทางคณิตศาสตร์ 4 ข้อ คุณสามารถจำด้วยตัวย่อ "M-S-H-T" (เหมือนชื่อทีมฮีโร่ของคุณ):

1. Monotonicity (ความเป็นทางเดียว): ถ้าพอร์ต A ให้ผลตอบแทนแย่กว่าพอร์ต B ในทุกสถานการณ์ ความเสี่ยงของ A ก็ต้องสูงกว่าความเสี่ยงของ B
2. Subadditivity (การรวมกันแล้วไม่เพิ่ม): ความเสี่ยงของพอร์ตสองพอร์ตที่รวมกัน ควรจะน้อยกว่าหรือเท่ากับผลรวมความเสี่ยงของแต่ละพอร์ตแยกกัน (การกระจายความเสี่ยงควรลดความเสี่ยง!)
3. Positive Homogeneity (ความเป็นเนื้อเดียวกันเชิงบวก): ถ้าคุณเพิ่มขนาดพอร์ตเป็นสองเท่า ความเสี่ยงของคุณก็จะเพิ่มเป็นสองเท่า \( Risk(\lambda \times X) = \lambda \times Risk(X) \)
4. Translation Invariance (การไม่แปรเปลี่ยนตามการเลื่อนค่า): ถ้าคุณเติมเงินสด (k) เข้าไปในพอร์ต ความเสี่ยงของพอร์ตจะลดลงตามจำนวนเงินสดนั้นพอดี \( Risk(X + k) = Risk(X) - k \)

รู้หรือไม่? VaR ไม่ใช่ ตัวชี้วัดที่สอดคล้องเสมอไป โดยเฉพาะอย่างยิ่ง มันสอบตกกฎ Subadditivity เมื่อต้องจัดการกับการแจกแจงที่ไม่ใช่แบบปกติ (เช่น ออปชัน หรือหุ้นกู้ที่มีความเสี่ยงเครดิต) นี่คือเหตุผลสำคัญที่หน่วยงานกำกับดูแลกำลังเปลี่ยนไปใช้ ES ซึ่งมีความสอดคล้อง (Coherent) มากกว่า

4. การประเมิน VaR และ ES: 3 วิธีหลัก

ในโลกแห่งความเป็นจริงเราหาตัวเลขเหล่านี้มาได้อย่างไร? มี 3 วิธีหลักๆ ครับ:

วิธีที่ A: Historical Simulation (วิธีมองย้อนกลับ)

นำข้อมูลตลาดจริงในช่วง 500 หรือ 1,000 วันย้อนหลังมาใช้กับพอร์ตปัจจุบันของคุณ
- ข้อดี: ไม่ต้องสมมติว่าเป็นการแจกแจงแบบปกติ และจับภาพ "หางที่หนา (Fat tails)" ได้
- ข้อเสีย: สมมติว่าอนาคตจะเหมือนกับอดีตเป๊ะๆ

วิธีที่ B: Parametric / Variance-Covariance (วิธีทางคณิตศาสตร์)

สมมติรูปแบบการแจกแจง (ปกติ) และใช้ค่าเฉลี่ยกับส่วนเบี่ยงเบนมาตรฐานในการคำนวณ
- ข้อดี: รวดเร็วและคำนวณง่าย
- ข้อเสีย: ใช้ไม่ได้ผลในช่วงวิกฤตตลาด เพราะมันประเมินโอกาสเกิดเหตุการณ์รุนแรงต่ำกว่าความเป็นจริง

วิธีที่ C: Monte Carlo Simulation (วิธีคอมพิวเตอร์)

คอมพิวเตอร์จะจำลองสถานการณ์สมมติขึ้นมานับพันครั้งตามกฎที่คุณกำหนดไว้
- ข้อดี: สามารถสร้างแบบจำลองสิ่งที่ซับซ้อนอย่างออปชันหรือตราสารอนุพันธ์แปลกใหม่ได้
- ข้อเสีย: ใช้ทรัพยากรคำนวณสูงและช้า รวมถึงเกิดปัญหา "ขยะเข้า-ขยะออก" (ถ้ากฎที่คุณตั้งผิด ผลลัพธ์ก็ผิด)

5. Spectral Risk Measures

อันนี้เป็นหัวข้อที่สูงขึ้นมาอีกนิด แต่ลองคิดว่ามันคือ ค่าเฉลี่ยถ่วงน้ำหนัก โดยตัววัดความเสี่ยงแบบ Spectral จะให้น้ำหนักผลลัพธ์ต่างๆ ตามระดับความเกลียดชังความเสี่ยง (Risk Aversion) ของนักลงทุน
- ES เป็นกรณีพิเศษของ Spectral Risk Measure ที่ผลขาดทุนทุกอย่างที่เกินจุด VaR จะถูกถ่วงน้ำหนักเท่ากันหมด ส่วนสิ่งที่เหลือจะถูกถ่วงน้ำหนักด้วย 0
- การจะเป็น Coherent ได้ น้ำหนักใน Spectral Risk Measure ต้องเป็นบวกและเพิ่มขึ้นเรื่อยๆ (หมายความว่าคุณให้ความสำคัญกับผลขาดทุนที่มากขึ้นเรื่อยๆ)

6. Backtesting: การตรวจสอบผลงาน

คุณจะรู้ได้อย่างไรว่าโมเดล VaR ของคุณใช้งานได้จริง? คุณต้องทำ Backtesting ครับ! คือการดูย้อนหลังว่า VaR ที่คุณทำนายไว้นั้น เทียบกับผลขาดทุนจริงที่เกิดขึ้นเป็นอย่างไร

ถ้าคุณใช้โมเดล 95% Daily VaR คุณก็คาดหวังว่าจะขาดทุนเกินกว่าที่กำหนดไว้ประมาณ 5% ของเวลาทั้งหมด (เช่น 5 วันใน 100 วัน)
- ถ้ามันเกินไป 20 ครั้ง ใน 100 วัน แสดงว่าโมเดลคุณ ประเมินความเสี่ยงต่ำเกินไป
- ถ้า ไม่เคย เกินเลย โมเดลคุณอาจจะ ระมัดระวังเกินไป (ประเมินความเสี่ยงสูงไป) ซึ่งทำให้คุณกันเงินทุนสำรองไว้มากเกินความจำเป็น

สรุปสั้นๆ (Quick Review Box)

- VaR: ระดับการขาดทุนที่จะไม่เกินไปกว่านั้นด้วยระดับความเชื่อมั่น \(X\%\)
- ES: ผลขาดทุนเฉลี่ย ในกรณีที่ ขาดทุนเกิน VaR ไปแล้ว
- Coherence: ต้องผ่านกฎ Monotonicity, Subadditivity, Homogeneity, และ Translation Invariance
- จุดอ่อนของ VaR: VaR ไม่ได้เป็น Subadditive เสมอไป ในขณะที่ ES เป็น
- Historical Simulation: ใช้ข้อมูลจริงจากอดีต ไม่ต้องสมมติรูปแบบการแจกแจง
- สูตร Normal VaR: \( \mu - z \sigma \)

อย่าเพิ่งรู้สึกหนักใจนะ! หัวใจสำคัญของบทนี้คือการเข้าใจว่าเราจะวัด "ความเสี่ยงด้านลบ" ได้อย่างไร ถ้าคุณจำได้ว่า VaR คือ "เส้นแบ่งเขตบนทราย" และ ES คือ "ค่าเฉลี่ยของความเสียหายที่อยู่หลังเส้นนั้น" คุณก็เข้าใจเนื้อหาไปเกินครึ่งแล้วครับ!