ยินดีต้อนรับสู่โลกแห่งการจำลอง (Simulations)!

ในหลักสูตร FRM เรามักจะพูดถึงการคำนวณต่างๆ เช่น Value at Risk (VaR) หรือการตีราคาสินทรัพย์อนุพันธ์ที่มีความซับซ้อน บางครั้งคณิตศาสตร์ที่ใช้อาจซับซ้อนเกินกว่าจะแทนค่าในสูตรเดียวแล้วได้คำตอบออกมา และนั่นคือจุดที่ Simulation และ Bootstrapping เข้ามามีบทบาทครับ

ให้มองว่า Simulation เปรียบเสมือนเครื่องจักรจำลองสถานการณ์ "จะเกิดอะไรขึ้นถ้า..." (what-if) แทนที่เราจะพยายามแก้โจทย์ด้วยการคำนวณเพียงครั้งเดียว เราก็จำลองสถานการณ์นั้นซ้ำๆ เป็นหมื่นครั้งโดยใช้ผลลัพธ์แบบสุ่มที่แตกต่างกัน เพื่อดูว่าโดยปกติแล้วเหตุการณ์ส่วนใหญ่มักจะเป็นอย่างไร บทนี้เป็นส่วนหนึ่งของหัวข้อ Quantitative Analysis ซึ่งจะสอนให้คุณรู้วิธีการสร้างแบบจำลองความไม่แน่นอนโดยใช้คอมพิวเตอร์และข้อมูลในอดีต

ถ้ารู้สึกว่าคณิตศาสตร์ดูน่ากลัวในตอนแรก ไม่ต้องกังวลนะ! เราจะค่อยๆ ย่อยให้เข้าใจทีละขั้นตอน เพื่อให้คุณเห็นตรรกะที่ซ่อนอยู่เบื้องหลังตัวเลขเหล่านั้น


1. การจำลองแบบมอนเตคาร์โล (Monte Carlo Simulation - MCS)

Monte Carlo Simulation คือเทคนิคที่ใช้ทำความเข้าใจผลกระทบของความเสี่ยงและความไม่แน่นอนในแบบจำลองทางการเงิน โดยอาศัยการสุ่มตัวอย่างซ้ำๆ เพื่อให้ได้ผลลัพธ์ที่เป็นตัวเลขออกมา

หลักการทำงาน: เปรียบเทียบให้เห็นภาพ

สมมติว่าคุณอยากรู้ว่าจะไปทำงานสายหรือไม่ แทนที่จะเดาสุ่ม คุณลองจำลองการเดินทางของคุณในหัว 1,000 ครั้ง บางวันอาจเกิดอุบัติเหตุรถชน (Random shock), บางวันฝนตก (Shock อีกรูปแบบหนึ่ง), และบางวันทุกอย่างก็ราบรื่น เมื่อครบ 1,000 ครั้ง คุณจะเห็นว่าคุณไปทำงานสายคิดเป็น 5% ของจำนวนครั้งทั้งหมด ตัวเลข 5% นี้นี่แหละคือการวัดความเสี่ยงของคุณ!

ขั้นตอนการทำงาน

ในการทำ Monte Carlo simulation ทางการเงิน เรามีขั้นตอนดังนี้:

  1. กำหนดแบบจำลอง (Specify a model): เลือกสูตรคณิตศาสตร์ที่อธิบายว่าราคาสินทรัพย์มีการเคลื่อนไหวอย่างไร (เช่น Geometric Brownian Motion)
  2. สร้างตัวแปรสุ่ม (Generate random variables): ใช้คอมพิวเตอร์สุ่มตัวเลขขึ้นมา (ส่วนใหญ่มักสุ่มจาก Standard Normal Distribution)
  3. คำนวณผลลัพธ์ (Calculate outcomes): นำตัวเลขสุ่มที่ได้ไปแทนค่าในแบบจำลองเพื่อดูว่าราคาสินทรัพย์จะไปจบที่ตรงไหน
  4. ทำซ้ำ (Repeat): ทำขั้นตอนเดิมซ้ำเป็นพันๆ ครั้งเพื่อสร้างการกระจายตัวของราคาที่เป็นไปได้ในอนาคต
  5. วิเคราะห์ (Analyze): หาค่าเฉลี่ย (Expected value) หรือดูจุดต่ำสุด 5% (VaR)

ข้อควรจำ: Monte Carlo มีความเป็น Parametric นั่นหมายความว่าเราจำเป็นต้องสมมติว่าข้อมูลมีการกระจายตัวแบบเฉพาะเจาะจง (เช่น Normal Distribution) สำหรับตัวแปรสุ่มที่ใส่เข้าไป


2. การจำลองเส้นทางการเคลื่อนที่ของสินทรัพย์: Geometric Brownian Motion (GBM)

ในการสอบ FRM คุณมักจะเจอการสร้างแบบจำลองราคาสินทรัพย์ด้วยวิธี Geometric Brownian Motion (GBM) ซึ่งฟังดูหรูหรา แต่ความหมายจริงๆ คือการที่เราสมมติว่าราคาเคลื่อนที่ตามแนวโน้มที่มั่นคง (Drift) ผสมกับ "สัญญาณรบกวน" แบบสุ่ม (Volatility)

สูตรการคำนวณ

การเปลี่ยนแปลงของราคาหุ้นในช่วงเวลาสั้นๆ แสดงได้ดังนี้:
\( \Delta S = S \times (\mu \Delta t + \sigma \epsilon \sqrt{\Delta t}) \)
โดยที่:
\( S \) = ราคาสินทรัพย์ในปัจจุบัน
\( \mu \) = ผลตอบแทนคาดหวัง (Drift)
\( \sigma \) = ความผันผวนของสินทรัพย์ (Volatility)
\( \Delta t \) = ช่วงเวลาที่เปลี่ยนแปลง (เช่น หนึ่งวัน)
\( \epsilon \) = ค่าสุ่มจาก Standard Normal Distribution \( N(0,1) \)

ทำไมเราถึงใช้วิธีนี้?

เราใช้ GBM เพราะมันช่วยให้มั่นใจได้ว่าราคาหุ้น ไม่สามารถติดลบได้ (ซึ่งตรงกับความเป็นจริง) และยังรองรับแนวคิดที่ว่าผลตอบแทนมักคำนวณในรูปแบบเปอร์เซ็นต์

รู้หรือไม่? ส่วนประกอบที่ว่า \( \epsilon \sqrt{\Delta t} \) นี่แหละที่สร้างลักษณะ "การเดินสุ่ม" (Random walk) แบบที่คุณเห็นในกราฟหุ้น ถ้าไม่มีส่วนนี้ กราฟราคาหุ้นก็จะเป็นแค่เส้นตรงธรรมดาๆ น่าเบื่อเส้นหนึ่ง!


3. ความแม่นยำและค่าความคลาดเคลื่อนมาตรฐาน (Standard Error)

คำถามที่นักเรียนมักถามบ่อยคือ: "ต้องจำลองกี่ครั้งถึงจะพอ?" คำตอบคือ: ยิ่งมากยิ่งดี!

ความแม่นยำของ Monte Carlo simulation วัดได้จาก Standard Error (SE) โดยมีสูตรคือ:
\( SE = \frac{\sigma}{\sqrt{n}} \)
โดย \( \sigma \) คือส่วนเบี่ยงเบนมาตรฐานของผลลัพธ์ที่จำลองได้ และ \( n \) คือจำนวนครั้งที่ทำซ้ำ

ข้อมูลสำคัญ

ในการลดค่าความคลาดเคลื่อนลงครึ่งหนึ่ง คุณต้องเพิ่มจำนวนการจำลองขึ้นเป็น 4 เท่า (เนื่องจากความสัมพันธ์ของรากที่สอง) นี่ทำให้ Monte Carlo เป็นวิธีที่กินทรัพยากรคอมพิวเตอร์สูงมาก หากต้องการผลลัพธ์ที่แม่นยำมากๆ ก็ต้องใช้พลังประมวลผลสูงตามไปด้วย

ข้อผิดพลาดที่พบบ่อย: การเข้าใจผิดว่าการเพิ่มจำนวนการจำลอง (\( n \)) สองเท่าจะช่วยลดความคลาดเคลื่อนลงครึ่งหนึ่ง ซึ่งไม่จริง! คุณต้องเพิ่ม \( n \) เป็น 4 เท่าต่างหากถึงจะลดความคลาดเคลื่อนลงได้ครึ่งหนึ่ง


4. การลดค่าความคลาดเคลื่อน: เทคนิคการลดความแปรปรวน (Variance Reduction Techniques)

เนื่องจากการจำลองเป็นล้านครั้งนั้นช้ามาก เราจึงใช้ "เทคนิคพิเศษ" เพื่อให้ได้ความแม่นยำสูงขึ้นโดยใช้จำนวนรอบน้อยลง สิ่งนี้เรียกว่า Variance Reduction Techniques

Antithetic Variates

นี่เป็นเทคนิคที่นิยมที่สุด สำหรับทุกเส้นทางสุ่มที่คุณสร้างขึ้นโดยใช้เลขสุ่ม \( \epsilon \) คุณต้องจำลองอีกเส้นทางโดยใช้ \( -\epsilon \) ด้วย

ทำไมถึงทำแบบนี้? เพื่อเป็นการหักล้าง "ดวง" ของการสุ่ม ถ้าการจำลองครั้งหนึ่ง "โชคดีเกินไป" (เกิด Shock เชิงบวกสูง) อีกการจำลองที่เป็น Antithetic จะ "โชคร้ายเกินไป" มาหักล้างกันเอง ทำให้ค่าเฉลี่ยวิ่งเข้าสู่ค่าจริงได้รวดเร็วยิ่งขึ้น

Control Variates

คุณใช้สินทรัพย์ที่เกี่ยวข้องที่มีสูตรคำนวณแน่นอนอยู่แล้ว (Analytical solution) มาช่วย "ปรับแก้" การประเมินค่าของสินทรัพย์ที่ซับซ้อนที่คุณกำลังจำลอง เปรียบเสมือนการใช้แผนที่เมืองที่คุณรู้จักดีเพื่อช่วยนำทางในเมืองข้างเคียงที่คุณไม่คุ้นเคย

สรุปใจความสำคัญ: การลดความแปรปรวนช่วยให้เราได้คำตอบที่เสถียรและแม่นยำขึ้นโดยไม่ต้องพึ่งพาสิ่งประดิษฐ์ระดับซูเปอร์คอมพิวเตอร์


5. Bootstrapping

Bootstrapping เปรียบเสมือนญาติพี่น้องของ Monte Carlo แต่มีข้อแตกต่างที่สำคัญคือ: วิธีนี้ไม่จำเป็นต้องตั้งสมมติฐานเกี่ยวกับการกระจายตัว (Distribution)

หลักการทำงาน

แทนที่จะใช้สูตรคณิตศาสตร์มาสุ่มตัวเลข Bootstrapping จะดูจาก ข้อมูลย้อนหลังจริง
ลองจินตนาการว่าคุณมีข้อมูลผลตอบแทนหุ้น 100 วันย้อนหลัง ในการจำลองผลตอบแทน 10 วันข้างหน้า คุณก็แค่ "สุ่มหยิบกระดาษ" จากข้อมูล 100 วันนั้น หยิบแล้วจดไว้ จากนั้นใส่คืนเข้าไป แล้วหยิบใหม่ วิธีนี้เรียกว่า Sampling with replacement

ข้อดีของ Bootstrapping:
  • ไม่ต้องตั้งสมมติฐานการกระจายตัว: คุณไม่ต้องเดาว่าข้อมูลเป็นแบบ "Normal" หรือไม่ ถ้าข้อมูลในอดีตมีเหตุการณ์รุนแรง (Fat tails) การทำ Bootstrap ก็จะดึงข้อมูลนั้นมาใช้อย่างเป็นธรรมชาติ
  • เรียบง่าย: คุณแค่ใช้ข้อมูลที่คุณมีอยู่แล้วให้เกิดประโยชน์
ข้อเสียของ Bootstrapping:
  • อดีตไม่ได้ทำนายอนาคตเสมอไป: หากเหตุการณ์ "หงส์ดำ" (Black Swan) ไม่เคยเกิดขึ้นในชุดข้อมูลที่คุณมี Bootstrapping ก็ไม่มีทางทำนายเหตุการณ์นั้นได้เลย
  • คุณภาพของข้อมูล: ถ้าข้อมูลย้อนหลังของคุณมีน้อยหรือมั่วเกินไป ผลการจำลองก็จะออกมาแย่ตามไปด้วย

เทคนิคการจำ: ให้จำว่า Bootstrapping คือการมองแบบ Backward (ใช้อดีต) ในขณะที่ Monte Carlo คือ Model-based (ใช้สูตร)


6. เปรียบเทียบวิธีการ

ในการสอบ FRM คุณอาจถูกถามให้เลือกวิธีที่ดีที่สุดสำหรับสถานการณ์หนึ่ง นี่คือตารางเปรียบเทียบแบบรวดเร็วครับ:

Monte Carlo Simulation:
- ดีที่สุดสำหรับ: ออปชั่นที่ซับซ้อนซึ่งไม่มีสูตรคำนวณโดยตรง
- ข้อดี: สามารถจำลองสถานการณ์ในอนาคตได้ทุกรูปแบบ
- ข้อเสีย: มี "Model risk" สูง (ถ้าสมมติฐานในสูตรผิด ผลลัพธ์ก็ผิด)

Bootstrapping:
- ดีที่สุดสำหรับ: เมื่อคุณไม่ทราบการกระจายตัวที่แท้จริงของข้อมูล
- ข้อดี: สะท้อนภาพความเป็นจริงได้ดี (รวมถึงเหตุการณ์สุดโต่งอย่าง Fat tails)
- ข้อเสีย: ถูกจำกัดด้วยคุณภาพและปริมาณของข้อมูลย้อนหลัง


7. เช็คลิสต์สรุปบทเรียน

ก่อนจะไปหัวข้อถัดไป ลองเช็คดูว่าคุณตอบคำถามเหล่านี้ได้ไหม:

  • คุณอธิบายขั้นตอนพื้นฐานของ Monte Carlo ได้หรือไม่?
  • คุณเข้าใจไหมว่า Standard Error จะลดลงเมื่อ \( \sqrt{n} \) เพิ่มขึ้น?
  • คุณรู้หรือไม่ว่า Antithetic Variates คือการใช้ \( \epsilon \) และ \( -\epsilon \)?
  • คุณอธิบายได้ไหมว่าทำไม Bootstrapping ถึงเรียกว่า "sampling with replacement"?
  • คุณแยกความแตกต่างระหว่าง Parametric (MCS) และ Non-parametric (Bootstrapping) ได้ไหม?

ยินดีด้วย! คุณเพิ่งเก็บเนื้อหาหัวใจสำคัญของ Simulation และ Bootstrapping ไปเรียบร้อยแล้ว หมั่นทบทวนสูตร GBM บ่อยๆ แล้วคุณจะพร้อมรับมือกับความท้าทายเชิงปริมาณในการสอบ FRM Part I แน่นอนครับ!