ยินดีต้อนรับสู่โลกของตัวแปรสุ่ม (Random Variables)!
ยินดีต้อนรับ! หากคุณกำลังเริ่มต้นเส้นทางสาย FRM บทเรื่อง ตัวแปรสุ่ม (Random Variables) ถือเป็นหนึ่งในก้าวที่สำคัญที่สุดของคุณ ทำไมนะเหรอ? ก็เพราะในโลกการเงิน เราไม่มีทางรู้ล่วงหน้าได้อย่างแม่นยำว่าราคาหุ้นหรืออัตราดอกเบี้ยในวันพรุ่งนี้จะเป็นเท่าไหร่ เราต้องรับมือกับความไม่แน่นอนอยู่ทุกเมื่อเชื่อวัน ตัวแปรสุ่มจึงเข้ามาช่วยให้เรามีเครื่องมือทางคณิตศาสตร์ในการ "จัดระเบียบ" ความไม่แน่นอนเหล่านั้น เพื่อให้เราสามารถวัดค่าความเสี่ยงได้ ไม่ต้องกังวลไปนะถ้าคณิตศาสตร์ไม่ใช่เรื่องโปรดของคุณ เพราะเราจะค่อยๆ ย่อยเรื่องนี้ให้เข้าใจง่ายด้วยตรรกะพื้นฐานและตัวอย่างจากสถานการณ์จริง
1. ตัวแปรสุ่มคืออะไรกันแน่?
ให้มองว่า ตัวแปรสุ่ม (Random Variable: RV) คือ "ตัวแทน" หรือ "ภาชนะ" สำหรับผลลัพธ์ที่เป็นไปได้ของการทดลองที่ยังไม่ได้เกิดขึ้น เรามักจะแทนค่าด้วยตัวอักษรภาษาอังกฤษตัวใหญ่ เช่น X หรือ Y
ตัวอย่าง: ลองจินตนาการว่าคุณโยนเหรียญหนึ่งเหรียญ คุณไม่รู้หรอกว่ามันจะออกหัวหรือก้อย ถ้าเรากำหนดให้ X = 1 เมื่อออกหัว และ X = 0 เมื่อออกก้อย ในกรณีนี้ X ก็คือตัวแปรสุ่มของเรานั่นเอง
ตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete) vs. แบบต่อเนื่อง (Continuous)
นี่คือความแตกต่างสำคัญข้อแรกที่คุณต้องแยกให้ออก:
• ตัวแปรสุ่มแบบไม่ต่อเนื่อง (Discrete Random Variables): มี "ช่องว่าง" ระหว่างแต่ละค่า คุณสามารถนับจำนวนผลลัพธ์ได้ (เช่น 1, 2, 3...)
เปรียบเทียบ: เหมือนกับบันได คุณยืนอยู่ที่ขั้นที่ 1 หรือขั้นที่ 2 ได้ แต่คุณไม่สามารถยืนอยู่ที่ขั้น 1.5 ได้
ตัวอย่างทางการเงิน: จำนวนครั้งที่บริษัทผิดนัดชำระหนี้ในหนึ่งปี (0, 1, 2...)
• ตัวแปรสุ่มแบบต่อเนื่อง (Continuous Random Variables): สามารถรับค่าใดก็ได้ในช่วงที่กำหนด ไม่มีช่องว่างระหว่างค่า
เปรียบเทียบ: เหมือนกับสไลเดอร์ คุณสามารถอยู่ที่ระดับความสูงใดก็ได้ในเวลาใดก็ตาม
ตัวอย่างทางการเงิน: ผลตอบแทนรายวันที่แม่นยำของดัชนี S&P 500 (เช่น 1.25%, 1.251%, 1.2515%...)
ทบทวนสั้นๆ: ถ้าคุณใช้นิ้วมือนับได้ มักจะเป็น แบบไม่ต่อเนื่อง (Discrete) แต่ถ้าคุณต้องใช้เครื่องมือวัดอย่างไม้บรรทัดหรือนาฬิกาเพื่อวัดค่าให้แม่นยำ มักจะเป็น แบบต่อเนื่อง (Continuous)
2. การอธิบายความน่าจะเป็น: PMF, PDF และ CDF
เราจะรู้ได้อย่างไรว่าผลลัพธ์หนึ่งๆ มีโอกาสเกิดขึ้นมากน้อยแค่ไหน? เราต้องใช้ฟังก์ชันเฉพาะทาง
สำหรับตัวแปรแบบไม่ต่อเนื่อง: PMF
Probability Mass Function (PMF) เขียนแทนด้วย \( P(X = x) \) คือฟังก์ชันที่บอกความน่าจะเป็นที่ตัวแปรนั้นจะมีค่าเท่ากับค่าใดค่าหนึ่งโดยเฉพาะ
กฎข้อที่ 1: ความน่าจะเป็นแต่ละค่าต้องอยู่ระหว่าง 0 ถึง 1
กฎข้อที่ 2: ผลรวมของความน่าจะเป็นทั้งหมดต้องเท่ากับ 1
สำหรับตัวแปรแบบต่อเนื่อง: PDF
Probability Density Function (PDF) เขียนแทนด้วย \( f(x) \) จะต่างออกไปเล็กน้อย สำหรับตัวแปรต่อเนื่อง ความน่าจะเป็นที่จะเกิดค่าใดค่าหนึ่ง แบบเป๊ะๆ (เช่น ให้ได้ 1.000000% พอดี) จะมีค่าเป็น ศูนย์! แต่เราจะดู พื้นที่ใต้กราฟ (Area under the curve) ระหว่างสองจุดแทนเพื่อหาค่าความน่าจะเป็น
ฟังก์ชันการแจกแจงสะสม (Cumulative Distribution Function: CDF)
CDF เขียนแทนด้วย \( F(x) \) เปรียบเสมือน "ยอดรวมสะสม" ซึ่งบอกเราว่าตัวแปรสุ่มจะมีค่า น้อยกว่าหรือเท่ากับ ค่าหนึ่งๆ: \( F(x) = P(X \leq x) \)
เคล็ดลับการจำ: คำว่า "Cumulative" แปลว่า "สะสม" มันก็คือผลรวมทุกอย่างที่เราเห็นมาจนถึงจุดนั้นนั่นเอง
ประเด็นสำคัญ: PMF/PDF บอกคุณเกี่ยวกับจุดหรือความหนาแน่น ณ จุดใดจุดหนึ่ง ในขณะที่ CDF จะบอกคุณเกี่ยวกับ "ผลรวมสะสมจนถึงตอนนั้น"
3. ค่าคาดหมาย (Expected Value): "จุดศูนย์กลาง" ของข้อมูล
ค่าคาดหมาย (Expected Value) เขียนแทนด้วย \( E(X) \) หรือ \( \mu \) (มิว) คือค่าเฉลี่ยในระยะยาวของตัวแปรสุ่ม เปรียบได้กับ "จุดศูนย์ถ่วง" ของข้อมูล
สำหรับตัวแปรแบบไม่ต่อเนื่อง คุณคำนวณได้โดยการนำผลลัพธ์แต่ละตัวคูณกับความน่าจะเป็นของมัน แล้วนำมาบวกกัน:
\( E(X) = \sum [x_i \cdot P(x_i)] \)
ตัวอย่าง: ถ้ามีโอกาส 50% ที่จะได้เงิน $10 และโอกาส 50% ที่จะได้ $0 ค่าคาดหมายของคุณคือ:
\( (10 \cdot 0.5) + (0 \cdot 0.5) = \$5 \)
รู้หรือไม่? ค่าคาดหมายไม่จำเป็นต้องเป็นค่าที่เกิดขึ้นได้จริง! จากตัวอย่างข้างต้น คุณไม่มีทางได้รับเงิน $5 ในการสุ่มครั้งเดียวหรอก เพราะคุณจะได้แค่ $10 หรือไม่ก็ $0 เท่านั้น ค่าคาดหมายจึงเป็นเพียง ค่าเฉลี่ย จากการทดลองหลายๆ ครั้งเท่านั้น
4. ความแปรปรวน (Variance) และส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation): การวัด "ความเสี่ยง"
ใน FRM ความเสี่ยงมักถูกนิยามว่าเป็น ความไม่แน่นอน หรือ การกระจายตัว ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานจะบอกเราว่าผลลัพธ์ต่างๆ "กระจายออก" จากค่าเฉลี่ยมากน้อยเพียงใด
ความแปรปรวน (Variance: \( \sigma^2 \)): คือค่าเฉลี่ยของผลต่างยกกำลังสองจากค่าเฉลี่ย
\( Var(X) = E[(X - \mu)^2] \)
ความแปรปรวนที่สูงขึ้น หมายถึงความเสี่ยงที่มากขึ้นและความไม่แน่นอนที่มากขึ้น
ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation: \( \sigma \)): คือ รากที่สองของความแปรปรวน เรานิยมใช้ตัวนี้มากกว่าเพราะหน่วยของมันจะเหมือนกับข้อมูลตั้งต้น (เช่น ดอลลาร์ หรือ เปอร์เซ็นต์)
ขั้นตอนการคำนวณความแปรปรวน:
1. หาค่าคาดหมาย (ค่าเฉลี่ย) ให้ได้ก่อน
2. นำค่าเฉลี่ยไปลบออกจากผลลัพธ์แต่ละตัว (หาค่าส่วนต่าง)
3. นำส่วนต่างแต่ละตัวมายกกำลังสอง (เพื่อกำจัดเครื่องหมายลบ)
4. นำผลลัพธ์ที่ยกกำลังสองแล้ว ไปคูณกับความน่าจะเป็นของแต่ละค่า
5. นำผลลัพธ์ทั้งหมดมาบวกกัน!
5. กฎที่สำคัญสำหรับ Linear Combinations
บางครั้งเราจำเป็นต้องปรับเปลี่ยนข้อมูลของเรา (เช่น แปลงหน่วยจากทศนิยมเป็นเปอร์เซ็นต์) คุณต้องรู้ว่าการเปลี่ยนแปลงนี้ส่งผลต่อค่าเฉลี่ยและความแปรปรวนอย่างไร ให้ a และ b เป็นค่าคงที่
กฎสำหรับค่าคาดหมาย:
\( E(aX + b) = aE(X) + b \)
ตรรกะ: ถ้าคุณเพิ่มเงินเดือนให้ทุกคนเป็นสองเท่า (\( a=2 \)) แล้วบวกโบนัสให้อีก $5 (\( b=5 \)) ค่าเฉลี่ยเงินเดือนก็จะเพิ่มเป็นสองเท่าและบวกเพิ่มไปอีก $5 ง่ายๆ แค่นี้เลย!
กฎสำหรับความแปรปรวน:
\( Var(aX + b) = a^2 Var(X) \)
ข้อผิดพลาดที่พบบ่อย: นักศึกษามักจะลืม ยกกำลังสอง ค่าคงที่ a และลืมไปว่าค่า b หายไป ทำไม b ถึงหายไปน่ะเหรอ? ก็เพราะการบวกค่าคงที่เข้าไปในข้อมูลทุกตัวเป็นการเลื่อนทั้งกลุ่มไปทั้งดุ้น แต่มันไม่ได้เปลี่ยน "การกระจายตัว" ของข้อมูลเลยนั่นเอง!
6. ความเบ้ (Skewness) และความโด่ง (Kurtosis): รูปร่างของความเสี่ยง
นอกเหนือจากค่าเฉลี่ยและความแปรปรวน เรายังดู "รูปร่าง" ของการแจกแจงอีกด้วย
ความเบ้ (Skewness): วัดความไม่สมมาตร
• ความเบ้เป็นบวก (Positive Skew): หางยาวไปทางขวา (เกิดการขาดทุนเล็กน้อยบ่อยครั้ง แต่มีโอกาสได้กำไรก้อนโตนานๆ ครั้ง)
• ความเบ้เป็นลบ (Negative Skew): หางยาวไปทางซ้าย (เกิดกำไรเล็กน้อยบ่อยครั้ง แต่มีโอกาสขาดทุนก้อนโตนานๆ ครั้ง ซึ่งนี่คือสิ่งที่ผู้จัดการความเสี่ยงกลัวที่สุด!)
ความโด่ง (Kurtosis): วัดความสูงของยอดกราฟ และที่สำคัญกว่าคือ ความหนาของหาง
• ความโด่งส่วนเกิน (Excess Kurtosis): คำนวณจาก \( Kurtosis - 3 \)
• หางหนา (Fat Tails / Leptokurtic): ค่าความโด่งที่สูงหมายความว่าเหตุการณ์สุดโต่ง (outliers) เกิดขึ้นบ่อยกว่าที่การแจกแจงแบบปกติ (Normal Distribution) จะคาดการณ์ไว้ ในโลกการเงิน "หางหนา" หมายความว่าวิกฤตตลาดเกิดขึ้นบ่อยกว่าที่เราคิดไว้!
สรุปใจความสำคัญ:
1. ค่าเฉลี่ย (1st Moment): จุดศูนย์กลางอยู่ที่ไหน?
2. ความแปรปรวน (2nd Moment): ข้อมูลกระจายกว้างแค่ไหน?
3. ความเบ้ (3rd Moment): กราฟเอียงไปทางไหน?
4. ความโด่ง (4th Moment): หางของกราฟอันตรายแค่ไหน?
ไม่ต้องตื่นตระหนก! สรุปย่อเพื่อเตรียมสอบ
• Discrete = นับได้; Continuous = วัดได้
• CDF คือความน่าจะเป็นที่ตัวแปรจะมีค่าน้อยกว่าหรือเท่ากับ x เสมอ
• ค่าคาดหมาย (Expected Value) คือค่าเฉลี่ยถ่วงน้ำหนักของผลลัพธ์
• ความแปรปรวน (Variance) คือมาตรวัดความเสี่ยง; อย่าลืมยกกำลังสองค่า a เมื่อดึงออกมาจากสูตรความแปรปรวน: \( a^2 Var(X) \)
• หางหนา (Fat tails / High Kurtosis) คือเหตุการณ์ "หงส์ดำ" (Black swans) ในโลกการเงิน
หมั่นฝึกฝนการคำนวณค่าเฉลี่ยและความแปรปรวนให้คล่อง เมื่อคุณทำได้แล้ว คุณก็พิชิตส่วนที่ยากที่สุดของบทนี้ไปได้เลย!