ยินดีต้อนรับสู่ตัวแปรสุ่มแบบหลายตัวแปร (Multivariate Random Variables)!

ในบทก่อนหน้านี้ เราได้ดูตัวแปรสุ่มเดี่ยวๆ กันไปแล้ว (เช่น ผลตอบแทนของหุ้นตัวเดียว) แต่ในโลกการเงินจริงๆ สินทรัพย์ต่างๆ ไม่ได้อยู่แยกจากกันอย่างโดดเดี่ยว! พวกมันมีอิทธิพลต่อกันและกัน หากภาคเทคโนโลยีเกิดการล่มสลาย ก็มีความเป็นไปได้สูงที่ทั้ง Apple และ Microsoft จะราคาตกตามกัน ตัวแปรสุ่มแบบหลายตัวแปร (Multivariate Random Variables) ก็คือการศึกษาว่าตัวแปรตั้งแต่สองตัวขึ้นไปมีพฤติกรรมอย่างไรเมื่ออยู่ด้วยกัน การเข้าใจเรื่องนี้คือเคล็ดลับสำคัญในการสร้างพอร์ตการลงทุนแบบกระจายความเสี่ยงและการบริหารความเสี่ยงนั่นเอง

ถ้ารู้สึกว่าเรื่องนี้ดูเป็นนามธรรมไปหน่อยในตอนแรก ไม่ต้องกังวลนะ เราจะใช้การเปรียบเทียบที่เข้าใจง่ายและค่อยๆ ย่อยเนื้อหาให้ทุกคนเห็นภาพเอง!

1. การแจกแจงความน่าจะเป็นร่วม (Joint Probability Distributions)

เมื่อเราพิจารณาสองตัวแปรพร้อมกัน (ให้เรียกว่า \( X \) และ \( Y \)) เราจะใช้สิ่งที่เรียกว่า Joint Probability Distribution ซึ่งจะบอกความน่าจะเป็นที่ \( X \) จะมีค่าค่าหนึ่ง และ \( Y \) จะมีค่าค่าหนึ่งในเวลาเดียวกัน

การแจกแจงร่วมแบบไม่ต่อเนื่อง (Discrete Joint Distributions)

ให้มองว่ามันเป็นตารางง่ายๆ สมมติให้ \( X \) คือการเปลี่ยนแปลงของอัตราดอกเบี้ย (ขึ้นหรือลง) และ \( Y \) คือการเปลี่ยนแปลงของราคาหุ้น (ขึ้นหรือลง) ความน่าจะเป็นร่วมก็คือตัวเลขในช่องที่ "อัตราดอกเบี้ยขึ้น" และ "ราคาหุ้นลง" มาตัดกันนั่นเอง

กฎเหล็ก: ผลรวมของความน่าจะเป็นทั้งหมดในตารางการแจกแจงร่วมจะต้องเท่ากับ 1.0 เสมอ

การแจกแจงร่วมแบบต่อเนื่อง (Continuous Joint Distributions)

สำหรับตัวแปรต่อเนื่อง เราจะใช้ Joint Probability Density Function (PDF) ซึ่งเขียนแทนด้วย \( f(x, y) \) แทนที่จะเป็นตารางแบนๆ ให้ลองจินตนาการถึงภูเขา 3 มิติ "ปริมาตร" ทั้งหมดใต้ภูเขาลูกนี้จะต้องเท่ากับ 1 เสมอ การจะหาความน่าจะเป็นในช่วงใดช่วงหนึ่งในเชิงเทคนิคจะต้องใช้แคลคูลัส (การอินทิเกรตสองชั้น) แต่สำหรับสอบ FRM ให้เน้นที่ความเข้าใจเชิงแนวคิดว่า พื้นที่หรือปริมาตรรวมทั้งหมดคือ 100% เสมอ

ทบทวนสั้นๆ: ความน่าจะเป็นร่วมก็คือความน่าจะเป็นแบบ "AND" หรือโอกาสที่เหตุการณ์สองอย่างจะเกิดขึ้นพร้อมกัน

2. การแจกแจงส่วนขอบและเงื่อนไข (Marginal and Conditional Distributions)

บางครั้งเรามีภาพรวมทั้งหมด (Joint Distribution) แต่เราอยากโฟกัสแค่ส่วนใดส่วนหนึ่งเท่านั้น

การแจกแจงส่วนขอบ (Marginal Probability)

Marginal Probability คือความน่าจะเป็นของตัวแปรหนึ่งโดยไม่สนใจว่าอีกตัวแปรจะเป็นอย่างไร
เทคนิคง่ายๆ: ลองนึกถึงตารางความน่าจะเป็น ถ้าคุณบวกค่าทั้งหมดในแถวเดียวหรือคอลัมน์เดียวแล้วเขียนผลรวมไว้ที่ "ขอบ" ของกระดาษ นั่นแหละคือคุณได้ค่า Marginal Probability แล้ว!

\( P(X = x) = \sum P(X=x, Y=y) \) (สำหรับทุกค่า \( y \) ที่เป็นไปได้)

การแจกแจงแบบมีเงื่อนไข (Conditional Probability)

คือความน่าจะเป็นที่ \( X \) จะเกิดขึ้น โดยกำหนดว่า เรารู้แล้วว่า \( Y \) เกิดขึ้นจริง เราเขียนสิ่งนี้ว่า \( P(X|Y) \)

สูตรคำนวณ: \( P(X|Y) = \frac{P(X, Y)}{P(Y)} \)

เปรียบเทียบ: ลองนึกถึงคนกลุ่มหนึ่งในห้อง ความน่าจะเป็นที่ใครสักคนจะสวมเสื้อโค้ท (X) โดยกำหนดว่าข้างนอกกำลังหิมะตก (Y) การรู้ว่าหิมะตกจะเปลี่ยน "ฐาน" ประชากรของคุณ ทำให้โอกาสที่คนคนนั้นจะใส่เสื้อโค้ทมีสูงขึ้นมาก

หัวใจสำคัญ: Marginal = ผลรวมของตัวแปรเดียว, Conditional = ความน่าจะเป็นที่อัปเดตใหม่ตามข้อมูลที่ได้รับ

3. ความเป็นอิสระต่อกันของตัวแปรสุ่ม (Independence of Random Variables)

สองตัวแปรจะเป็น อิสระต่อกัน (Independent) ถ้าการเกิดขึ้นของตัวแปรหนึ่งไม่ได้บอกอะไรเราเลยเกี่ยวกับการเกิดขึ้นของอีกตัวแปรหนึ่ง
ในทางคณิตศาสตร์ \( X \) และ \( Y \) จะเป็นอิสระต่อกันก็ต่อเมื่อ:
1. \( P(X, Y) = P(X) \times P(Y) \)
2. \( P(X|Y) = P(X) \)

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักสับสนระหว่าง "Mutually Exclusive" (เหตุการณ์ที่เกิดร่วมกันไม่ได้) กับ "Independent" หากสองเหตุการณ์เป็น Mutually Exclusive (เช่น เหรียญออกหัว vs ก้อย) พวกมัน ไม่ เป็นอิสระต่อกัน เพราะถ้าอย่างหนึ่งเกิดขึ้น อีกอย่างจะ ไม่สามารถ เกิดขึ้นได้เลย ซึ่งนั่นถือว่าขึ้นต่อกันอย่างมาก!

4. ความแปรปรวนร่วมและสหสัมพันธ์ (Covariance and Correlation)

นี่คือหัวข้อหลักของ FRM เราจำเป็นต้องวัดว่าตัวแปรเคลื่อนไหวไปพร้อมกันอย่างไร

ความแปรปรวนร่วม (Covariance)

Covariance วัด ทิศทาง ของความสัมพันธ์เชิงเส้นระหว่างสองตัวแปร

  • Positive Covariance: เคลื่อนไหวในทิศทางเดียวกัน
  • Negative Covariance: เคลื่อนไหวในทิศทางตรงกันข้าม
  • Zero Covariance: ไม่มีความสัมพันธ์เชิงเส้น

สูตรของ Covariance คือ:
\( Cov(X, Y) = E[(X - \mu_X)(Y - \mu_Y)] \)
หรือสูตรเวอร์ชันคำนวณง่ายๆ คือ:
\( Cov(X, Y) = E(XY) - E(X)E(Y) \)

สหสัมพันธ์ (Correlation: \( \rho \))

Covariance แปลผลยากเพราะขึ้นอยู่กับหน่วย (เช่น ดอลลาร์ vs เปอร์เซ็นต์) Correlation จึงนำมาปรับมาตรฐานให้เป็นตัวเลขที่อยู่ระหว่าง -1 ถึง +1

สูตรคำนวณ: \( \rho_{XY} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

รู้หรือไม่? Correlation ที่ +1 หมายความว่าตัวแปรทั้งสองเคลื่อนไหวไปพร้อมกันเป๊ะๆ ส่วน -1 คือเคลื่อนไหวตรงข้ามกันโดยสิ้นเชิง และ 0 คือไม่มีความสัมพันธ์เชิงเส้นใดๆ

หัวใจสำคัญ: Correlation ก็คือ Covariance ที่ "ปรับสเกล" แล้ว ทำให้ง่ายต่อการเปรียบเทียบความสัมพันธ์ระหว่างคู่สินทรัพย์ต่างๆ

5. ค่าคาดหมายและความแปรปรวนของตัวแปรผสม (Expectations and Variances of Combined Variables)

ในทางการเงิน เรามักสร้างพอร์ตการลงทุน (ซึ่งก็คือผลรวมของตัวแปรต่างๆ) คุณจำเป็นต้องรู้วิธีคำนวณผลตอบแทนที่คาดหวังและความเสี่ยงของผลรวมเหล่านี้

ค่าคาดหมายของผลรวม (Expected Value of a Sum)

อันนี้ง่ายมาก! ค่าคาดหมายของผลรวมก็คือผลรวมของค่าคาดหมายแต่ละตัว:
\( E(aX + bY) = aE(X) + bE(Y) \)

ความแปรปรวนของผลรวม (สูตร "ความเสี่ยง")

นี่คือ ส่วนที่สำคัญมาก สำหรับการสอบ เวลาคุณรวมตัวแปรสองตัวเข้าด้วยกัน ความแปรปรวนไม่ใช่แค่ผลรวมของความแปรปรวนแต่ละตัว แต่คุณต้องนำค่า Covariance มาคิดด้วย!
\( Var(aX + bY) = a^2 Var(X) + b^2 Var(Y) + 2ab Cov(X, Y) \)
เนื่องจาก \( Cov(X, Y) = \rho_{XY} \sigma_X \sigma_Y \) เราจึงเขียนอีกแบบได้ว่า:
\( Var(aX + bY) = a^2 \sigma_X^2 + b^2 \sigma_Y^2 + 2ab \rho_{XY} \sigma_X \sigma_Y \)

ตัวช่วยจำ: ลองนึกถึงการกระจายพีชคณิต \( (a+b)^2 = a^2 + b^2 + 2ab \) สูตรความแปรปรวนนี้ก็ใช้รูปแบบเดียวกัน เพียงแค่เพิ่มเทอม "Covariance" เข้าไปตรงส่วน \( 2ab \) นั่นเอง!

6. การแจกแจงปกติสองตัวแปร (The Bivariate Normal Distribution)

Bivariate Normal Distribution อธิบายถึงตัวแปรสองตัวที่เป็นการแจกแจงปกติทั้งคู่ การจะอธิบายความสัมพันธ์นี้ให้สมบูรณ์ คุณต้องใช้เพียง 5 พารามิเตอร์เท่านั้น:
1. ค่าเฉลี่ยของ X (\( \mu_X \))
2. ค่าเฉลี่ยของ Y (\( \mu_Y \))
3. ความแปรปรวนของ X (\( \sigma_X^2 \))
4. ความแปรปรวนของ Y (\( \sigma_Y^2 \))
5. สหสัมพันธ์ระหว่างทั้งคู่ (\( \rho \))

คุณสมบัติสำคัญที่ต้องจำ:

สำหรับการแจกแจงส่วนใหญ่ "Zero Correlation" ไม่ ได้หมายความว่าตัวแปรจะเป็นอิสระต่อกันเสมอไป แต่สำหรับการ แจกแจงปกติ (Normal Distribution) ถ้า Correlation เป็นศูนย์ ตัวแปรเหล่านั้น จะเป็นอิสระต่อกันอย่างแน่นอน นี่คือคำถาม "หลอก" ยอดฮิตในข้อสอบ!

สรุปสั้นๆ: ตัวแปรแบบหลายตัวแปรช่วยให้เราเข้าใจการ "เคลื่อนไหวร่วมกัน" ของสินทรัพย์ การเชี่ยวชาญเรื่องความน่าจะเป็นร่วม, ส่วนขอบ และเงื่อนไข รวมถึงสูตรความแปรปรวนของผลรวม จะช่วยให้คุณพร้อมก้าวไปสู่การเป็นเซียนทฤษฎีพอร์ตการลงทุนอย่างแน่นอน!