ยินดีต้อนรับสู่โลกของความผันผวน (Volatility): หัวใจสำคัญของความเสี่ยง

สวัสดีครับ! หากคุณเคยสงสัยว่าทำไมราคาหุ้นถึงเหวี่ยงเหมือน "รถไฟเหาะ" ในบางวัน แต่กลับนิ่งสนิทในวันถัดไป สิ่งที่คุณกำลังเผชิญอยู่คือ ความผันผวน (Volatility) ในบทนี้เราจะมาเรียนรู้วิธีวัด "ความบ้าคลั่ง" ของตลาดกันครับ ซึ่งนี่เป็นส่วนที่สำคัญมากในหัวข้อ แบบจำลองการประเมินราคาและความเสี่ยง (Valuation and Risk Models) เพราะเราจะไม่สามารถคำนวณมูลค่าความเสี่ยง (Value-at-Risk หรือ VaR) หรือกำหนดราคาออปชันได้อย่างแม่นยำเลย หากเราไม่รู้ว่าราคามีโอกาสแกว่งตัวมากน้อยแค่ไหน

ไม่ต้องกังวลไปนะครับถ้าเห็นสมการแล้วรู้สึกกลัวในช่วงแรก เราจะค่อยๆ ย่อยมันให้เข้าใจง่าย โดยใช้การเปรียบเทียบกับเหตุการณ์ในชีวิตประจำวัน เพื่อให้คุณจำคอนเซปต์ได้แม่นขึ้น!


1. ทำความเข้าใจผลตอบแทนรายวันและความผันผวน

ก่อนจะวัดความผันผวน เราต้องรู้ก่อนว่าเรากำลังวัดอะไร โดยปกติเราจะดูที่ ผลตอบแทนรายวัน (daily returns) ในโลกของ FRM เรามักจะใช้ ผลตอบแทนแบบทบต้นต่อเนื่อง (continuously compounded returns) หรือ log returns เพราะจัดการทางคณิตศาสตร์ได้ง่ายกว่าครับ

ผลตอบแทนของวันที่ \(n\) ซึ่งเขียนแทนด้วย \(u_n\) คำนวณได้ดังนี้ครับ:
\(u_n = \ln(S_n / S_{n-1})\)

ทบทวนสั้นๆ: ความผันผวน (Volatility) (\(\sigma\)) ก็คือส่วนเบี่ยงเบนมาตรฐาน (standard deviation) ของผลตอบแทนเหล่านี้นั่นเอง มันบอกเราว่าราคาควรจะแกว่งตัวอยู่ในช่วงประมาณไหน ส่วน ความแปรปรวน (Variance) (\(\sigma^2\)) ก็คือค่าความผันผวนยกกำลังสองครับ

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักสับสนระหว่างความแปรปรวนกับความผันผวน จำไว้ง่ายๆ นะครับ: ความแปรปรวน คือค่าที่ "ยกกำลังสองแล้ว" ส่วน ความผันผวน คือหน่วย "ตั้งต้น" หากโจทย์ถามหาความผันผวนแต่ให้ค่าความแปรปรวนมา อย่าลืมถอดสแควร์รูท (square root) นะครับ!


2. ค่าเฉลี่ยเคลื่อนที่อย่างง่าย (Simple Moving Average - วิธีแบบดั้งเดิม)

วิธีที่ง่ายที่สุดในการประมาณค่าความแปรปรวนคือการหาค่าเฉลี่ยของผลตอบแทนยกกำลังสองย้อนหลังไป \(m\) วัน:
\(\sigma_n^2 = \frac{1}{m} \sum_{i=1}^{m} u_{n-i}^2\)

ปัญหาคือ: วิธีนี้มองว่าเหตุการณ์ตลาดหุ้นถล่มเมื่อวานนี้ มีน้ำหนักเท่ากับการขยับของราคาเพียงเล็กน้อยเมื่อ 30 วันที่แล้ว ซึ่งในความเป็นจริง สิ่งที่เกิดขึ้นเมื่อวานย่อมส่งผลต่อวันพรุ่งนี้มากกว่าเสมอครับ

สรุป: ค่าเฉลี่ยเคลื่อนที่อย่างง่ายนั้นคำนวณง่าย แต่ "ตอบสนองช้า" เพราะให้ความสำคัญกับข้อมูลทุกจุดเท่ากันหมดในช่วงเวลาที่กำหนด


3. EWMA: แบบจำลอง "ความทรงจำที่ค่อยๆ เลือนหาย"

Exponentially Weighted Moving Average (EWMA) เข้ามาแก้ปัญหาเรื่องการให้ค่าน้ำหนักเท่ากัน โดยวิธีนี้จะให้น้ำหนักกับข้อมูลล่าสุดมากกว่า และค่อยๆ ลดน้ำหนักข้อมูลเก่าลงตามลำดับ

สูตรสำหรับความแปรปรวนใหม่ (\(\sigma_n^2\)) คือ:
\(\sigma_n^2 = \lambda \sigma_{n-1}^2 + (1 - \lambda) u_{n-1}^2\)

ส่วนประกอบ:
1. \(\lambda\) (แลมบ์ดา): คือ ค่าการเสื่อมถอย (decay factor) มักมีค่าระหว่าง 0.90 ถึง 0.99 (ตัวอย่างเช่น RiskMetrics ใช้ 0.94)
2. \(\sigma_{n-1}^2\): ค่าประมาณความแปรปรวนของเมื่อวาน
3. \(u_{n-1}^2\): ผลตอบแทนยกกำลังสองจริงของเมื่อวาน

การเปรียบเทียบ: ลองนึกว่า EWMA เหมือนความประทับใจที่คุณมีต่อร้านอาหาร มื้ออาหารของเมื่อวาน (\(u_{n-1}^2\)) ส่งผลต่อความรู้สึกของคุณอย่างมาก แต่ประสบการณ์โดยรวมในระยะยาว (\(\sigma_{n-1}^2\)) ก็ยังมีความสำคัญอยู่ เมื่อวันเวลาผ่านไป มื้ออาหารแย่ๆ มื้อนั้นก็จะค่อยๆ "เลือนหายไป" และมีความสำคัญน้อยลงเรื่อยๆ ครับ

ประเด็นสำคัญ: ถ้า \(\lambda\) สูง แปลว่าโมเดลมี "ความทรงจำยาวนาน" (เปลี่ยนแปลงช้า) แต่ถ้า \(\lambda\) ต่ำ แปลว่าโมเดลจะตอบสนองต่อข้อมูลใหม่ๆ อย่างรวดเร็วครับ


4. แบบจำลอง GARCH (1,1): การดึงกลับสู่ค่าเฉลี่ย (Mean Reversion)

GARCH ย่อมาจาก Generalized Autoregressive Conditional Heteroskedasticity (ชื่อยาวหน่อยไม่ต้องตกใจครับ มันเป็นแค่ชื่อเรียกเท่ๆ ของการบอกว่า "ความผันผวนเปลี่ยนแปลงตามเวลาและสนใจค่าเฉลี่ยระยะยาว")

ในขณะที่ EWMA มองว่าความผันผวนจะไหลไปทางไหนก็ได้ แต่ GARCH (1,1) มองว่าสุดท้ายแล้วความผันผวนจะพยายามกลับไปหา ค่าเฉลี่ยระยะยาว (long-run average) ซึ่งเรียกว่า Mean Reversion ครับ

สูตรของ GARCH (1,1) คือ:
\(\sigma_n^2 = \omega + \alpha u_{n-1}^2 + \beta \sigma_{n-1}^2\)

ส่วนประกอบสำคัญ:
1. \(\omega\) (โอเมก้า): ค่าเฉลี่ยถ่วงน้ำหนักของความแปรปรวนระยะยาว (\(\gamma V_L\))
2. \(\alpha\) (อัลฟ่า): น้ำหนักที่ให้กับ ข่าวล่าสุด (ผลตอบแทนของเมื่อวาน)
3. \(\beta\) (เบต้า): น้ำหนักที่ให้กับ ความแปรปรวนของช่วงก่อนหน้า

รู้หรือไม่? หากคุณตั้งค่า \(\omega = 0\) และ \(\alpha + \beta = 1\) โมเดล GARCH จะกลายร่างกลับเป็น EWMA ทันที! ดังนั้น EWMA จึงถือเป็นกรณีพิเศษของ GARCH ที่ไม่มีการดึงกลับสู่ค่าเฉลี่ยนั่นเองครับ

การคำนวณความแปรปรวนเฉลี่ยระยะยาว (\(V_L\)):

คุณสามารถหาค่าความแปรปรวนระยะยาวได้จากสูตร:
\(V_L = \frac{\omega}{1 - \alpha - \beta}\)

เงื่อนไขของความเสถียร: เพื่อให้โมเดลมีเสถียรภาพและ "ดึงกลับสู่ค่าเฉลี่ย" ได้ ผลรวมของ \(\alpha + \beta\) ต้อง น้อยกว่า 1 หาก \(\alpha + \beta > 1\) ความผันผวนจะ "พุ่งทะยาน" (explosive) และไม่ยอมกลับสู่ค่าเฉลี่ยครับ

ประเด็นสำคัญ: โดยทั่วไป GARCH (1,1) ถือว่าเหนือกว่า EWMA สำหรับการพยากรณ์ระยะยาว เพราะมันคำนึงถึงความเป็นจริงที่ว่าความผันผวนมักจะเข้าสู่ภาวะปกติในที่สุดครับ


5. การประมาณค่าความเป็นไปได้สูงสุด (Maximum Likelihood Estimation - MLE)

คุณอาจสงสัยว่า: เราจะเลือกค่า \(\lambda, \alpha\) หรือ \(\beta\) ที่ดีที่สุดได้อย่างไร?

เราใช้วิธีที่เรียกว่า Maximum Likelihood Estimation (MLE) ซึ่งในการสอบ FRM คุณไม่จำเป็นต้องคำนวณแคลคูลัสที่ซับซ้อน แต่ต้องเข้าใจ คอนเซปต์ ของมันครับ

ตรรกะทีละขั้นตอนของ MLE:
1. เริ่มต้นด้วยการสุ่มลองใส่ค่าพารามิเตอร์ (\(\alpha, \beta\)) เข้าไป
2. คำนวณความน่าจะเป็น (likelihood) ว่าข้อมูลย้อนหลังจริงของเราจะเกิดขึ้นได้มากน้อยแค่ไหนหากพารามิเตอร์นั้นเป็นจริง
3. ใช้คอมพิวเตอร์ปรับเปลี่ยนค่าพารามิเตอร์ไปเรื่อยๆ จนกว่าจะเจอค่าที่เพิ่มความน่าจะเป็นนั้นให้สูงสุด
4. ค่าที่ "เหมาะสมที่สุด" เหล่านี้ก็จะกลายเป็นโมเดลของคุณครับ


6. การติดตามความสัมพันธ์และความแปรปรวนร่วม

ความผันผวนไม่ใช่แค่เรื่องของสินทรัพย์ตัวเดียว เรายังสนใจว่าสินทรัพย์สองตัวเคลื่อนที่ไปด้วยกันอย่างไร ซึ่งก็คือ ความแปรปรวนร่วม (Covariance)

ข่าวดีคือ คณิตศาสตร์ของความแปรปรวนร่วมแทบจะเหมือนกับความผันผวนเลยครับ! คุณสามารถใช้ EWMA หรือ GARCH เพื่ออัปเดตค่าความแปรปรวนร่วมได้:
EWMA สำหรับความแปรปรวนร่วม: \(cov_n = \lambda cov_{n-1} + (1 - \lambda) x_{n-1} y_{n-1}\)

เมื่อได้ค่าความแปรปรวนร่วมและความผันผวนของแต่ละตัวแล้ว คุณก็จะหาค่า สหสัมพันธ์ (Correlation หรือ \(\rho\)) ได้ดังนี้:
\(\rho_{xy} = \frac{cov_{xy}}{\sigma_x \sigma_y}\)

เทคนิคช่วยจำ: "ความแปรปรวนร่วม หารด้วย ผลคูณของส่วนเบี่ยงเบน" จำไว้ว่าค่าสหสัมพันธ์ต้องอยู่ระหว่าง -1 ถึง +1 เสมอ ถ้าคำนวณออกมาได้ 1.2 เมื่อไหร่ ให้หยุดและเช็กเลขใหม่ทันทีครับ!


7. ทบทวนสั้นๆ และสรุปปิดท้าย

มาสรุปประเด็นสำคัญสำหรับการอ่านหนังสือของคุณกันครับ:

  • Simple Moving Average: ให้น้ำหนักเท่ากันหมด, มีผลกระทบ "ข้อมูลเก่าหายไปดื้อๆ" (ghosting effect)
  • EWMA: ให้น้ำหนักแบบเอ็กซ์โพเนนเชียล, ตอบสนองเร็ว, ใช้ \(\lambda\), ไม่มีค่าเฉลี่ยระยะยาว
  • GARCH (1,1): รวมเรื่อง การดึงกลับสู่ค่าเฉลี่ย (mean reversion) ไว้ด้วย, ดีที่สุดสำหรับภาพรวมระยะยาว
  • ความคงทน (Persistence): ใน GARCH คือค่า \(\alpha + \beta\) ซึ่งบอกเราว่า "แรงกระแทกของความผันผวน" จะคงอยู่นานแค่ไหน
  • น้ำหนัก: ในทุกโมเดลที่ถูกต้อง ผลรวมของน้ำหนักต้องเท่ากับ 1 เสมอ

ฝากไว้ให้กำลังใจ: บทนี้สูตรเยอะมาก แต่ข้อสอบมักจะเน้นถามเรื่อง พฤติกรรม ของโมเดลมากกว่า ให้โฟกัสที่การทำความเข้าใจว่าการเปลี่ยน \(\lambda\) หรือ \(\alpha\) จะเปลี่ยนมุมมองที่โมเดลมีต่อโลกอย่างไร คุณทำได้แน่นอนครับ สู้ๆ!