ยินดีต้อนรับสู่โลกของ Time Series!
สวัสดีว่าที่ FRM ทุกท่าน! ยินดีต้อนรับเข้าสู่หนึ่งในบทที่สำคัญที่สุดของหมวดการวิเคราะห์เชิงปริมาณ (Quantitative Analysis) วันนี้เราจะมาเจาะลึกเรื่อง อนุกรมเวลาที่มีสภาวะคงที่ (Stationary Time Series) ถ้าคุณเคยดูแผนภูมิราคาหุ้นหรืออัตราดอกเบี้ยแล้วสงสัยว่า "เราจะคาดการณ์อนาคตได้อย่างไรนะ?" นั่นแหละคือสิ่งที่คุณกำลังคิดถึงเรื่องอนุกรมเวลาอยู่แล้ว
ไม่ต้องกังวลไปถ้าช่วงแรกจะดู "หนักคณิตศาสตร์" สักหน่อย ให้ลองมองว่าอนุกรมเวลาก็คือ ลำดับของข้อมูล ที่เก็บรวบรวมตามช่วงเวลา (เช่น ผลตอบแทนของหุ้นรายวัน) เป้าหมายของเราคือการมองหาแพทเทิร์นในอดีตเพื่อทำความเข้าใจอนาคต มาเริ่มกันเลย!
1. Time Series คืออะไร?
Time Series (อนุกรมเวลา) คือชุดข้อมูลที่สังเกตการณ์ในช่วงเวลาที่ต่อเนื่องกัน มักเป็นช่วงเวลาที่เท่ากัน (เช่น รายวัน รายเดือน หรือรายไตรมาส) ในการสอบ FRM เราจะให้ความสำคัญกับ คุณสมบัติ ของลำดับข้อมูลเหล่านี้ เพื่อที่จะสร้างแบบจำลองที่เชื่อถือได้ครับ
2. แนวคิดเรื่องสภาวะคงที่ (Stationarity)
ลองจินตนาการถึงทะเลสาบดูนะครับ ถ้าน้ำนิ่งและคลื่นมีความสูงอยู่ในระดับหนึ่ง เราก็จะคาดการณ์ได้ แต่ถ้าเกิดพายุใหญ่จนระดับน้ำสูงขึ้นเรื่อยๆ แบบไม่มีจุดสิ้นสุด การจะคาดการณ์ก็คงเป็นเรื่องยาก Stationarity ก็เปรียบเสมือนทะเลสาบที่สงบนิ่งนั่นเอง
เพื่อให้ Time Series เป็น Covariance Stationary (มาตรฐานที่เราใช้กัน) มันจะต้องมี "กฎ" เฉพาะ 3 ข้อนี้:
- ค่าเฉลี่ยคงที่ (Constant Mean): ค่าเฉลี่ย \( E(Y_t) \) จะต้องไม่เปลี่ยนแปลงตามกาลเวลา
- ความแปรปรวนคงที่ (Constant Variance): "ช่วง" หรือความผันผวน \( Var(Y_t) \) จะต้องเท่าเดิมเสมอ
- ความแปรปรวนร่วมคงที่ (Constant Covariance): ความสัมพันธ์ระหว่างข้อมูลสองชุด (เช่น วันนี้กับเมื่อวาน) จะต้องขึ้นอยู่กับ ระยะห่าง (lag) ระหว่างกันเท่านั้น ไม่ใช่จุดเวลาที่เฉพาะเจาะจง
ทำไมเรื่องนี้ถึงสำคัญ? หากข้อมูลไม่เป็น Stationary (เช่น มีแนวโน้มเพิ่มขึ้นเรื่อยๆ) การทดสอบทางสถิติมาตรฐานของเราอาจให้ผลลัพธ์ที่ "ไร้ความหมาย" เราจำเป็นต้องมีสภาวะคงที่เพื่อให้แน่ใจว่าอดีตเป็นเครื่องชี้วัดอนาคตที่เชื่อถือได้จริงๆ
ทริคเล็กๆ: ถ้าคุณเห็นกราฟที่ข้อมูลดูเหมือนจะ "เลื่อน" (drift) ขึ้นเรื่อยๆ หรือวงสวิงกว้างขึ้นเรื่อยๆ ให้จำไว้เลยว่านั่น ไม่ใช่ Stationary นะครับ
สรุปใจความสำคัญ: Covariance stationarity หมายความว่า ค่าเฉลี่ย ความแปรปรวน และค่าความแปรปรวนร่วมตามช่วงเวลา (autocovariance) จะต้องเสถียรเมื่อเวลาผ่านไป
3. White Noise: ความสุ่มที่บริสุทธิ์ที่สุด
White Noise คือรูปแบบที่เรียบง่ายที่สุดของกระบวนการ Stationary ลองนึกภาพสัญญาณซ่าๆ บนทีวีสมัยก่อนดูสิครับ นั่นคือความสุ่มโดยสมบูรณ์ ในกระบวนการ White Noise จะพบว่า:
- ค่าเฉลี่ยคือ ศูนย์
- ความแปรปรวน คงที่
- ไม่มีความสัมพันธ์ (zero correlation) ระหว่างข้อมูลแต่ละช่วงเวลา
ในแบบจำลองของเรา เราเรียกค่า "ความผิดพลาดแบบสุ่ม" ว่า \( \epsilon_t \) ซึ่งก็คือ White Noise นี่แหละ มันเป็นตัวแทนของ "แรงกระแทก" (shocks) ต่อระบบที่เราไม่สามารถคาดการณ์ได้
4. แบบจำลอง Autoregressive (AR)
คำว่า "Auto" แปลว่า "ตัวเอง" ดังนั้น แบบจำลอง Autoregressive จึงเป็นแบบจำลองที่ตัวแปรถูกนำไปถดถอยกับค่าในอดีตของตัวมันเอง
แบบจำลอง AR(1)
รุ่นที่พบบ่อยที่สุดคือ AR(1) ซึ่งค่าของวันนี้ขึ้นอยู่กับค่าของเมื่อวาน:
\( Y_t = \phi_0 + \phi_1 Y_{t-1} + \epsilon_t \)
โดยที่:
- \( Y_t \) คือค่าของวันนี้
- \( \phi_0 \) คือค่าคงที่ (จุดตัดแกน)
- \( \phi_1 \) คือสัมประสิทธิ์ (บอกว่าเมื่อวานมีผลมากแค่ไหน)
- \( \epsilon_t \) คือแรงกระแทกแบบสุ่ม (white noise)
เงื่อนไขของ Stationarity สำหรับ AR(1)
เพื่อให้แบบจำลอง AR(1) มีสภาวะคงที่ สัมประสิทธิ์ \( |\phi_1| \) ต้องน้อยกว่า 1
- ถ้า \( \phi_1 = 1 \), จะเกิด "Random Walk" (ไม่เป็น Stationary)
- ถ้า \( \phi_1 > 1 \), ข้อมูลจะพุ่งไปสู่จุดอนันต์ (ไม่เป็น Stationary)
การดึงกลับสู่ค่าเฉลี่ย (Mean Reversion)
แบบจำลอง AR(1) ที่เป็น Stationary จะมีคุณสมบัติ Mean Reverting คือถ้ามีแรงกระแทกทำให้ราคาพุ่งขึ้น สุดท้ายแล้วมันจะถูกดึงกลับมาหาค่าเฉลี่ยระยะยาว (mean level)
สูตรค่าเฉลี่ยระยะยาว (Mean Level): \( \mu = \frac{\phi_0}{1 - \phi_1} \)
สรุปใจความสำคัญ: แบบจำลอง AR ใช้ ค่าในอดีต มาคำนวณ สำหรับ AR(1) แล้ว สัมประสิทธิ์ความชันต้องอยู่ระหว่าง -1 ถึง 1 ครับ
5. แบบจำลอง Moving Average (MA)
อย่าให้ชื่อทำให้สับสนนะครับ! นี่ไม่ใช่ "Moving Average" แบบที่คุณเห็นในกราฟวิเคราะห์ทางเทคนิค ในอนุกรมเวลา แบบจำลอง Moving Average (MA) หมายความว่าค่าของวันนี้ขึ้นอยู่กับ แรงกระแทกในอดีต (ความผิดพลาด)
แบบจำลอง MA(1)
\( Y_t = \mu + \epsilon_t + \theta_1 \epsilon_{t-1} \)
โดยที่:
- \( \mu \) คือค่าเฉลี่ยของอนุกรม
- \( \epsilon_t \) คือแรงกระแทกของวันนี้
- \( \theta_1 \) คือน้ำหนักที่ให้กับแรงกระแทกของเมื่อวาน
รู้หรือไม่? แบบจำลอง MA จะ เป็น Stationary เสมอ ไม่ว่าค่า \( \theta_1 \) จะเป็นเท่าใดก็ตาม เพราะมันเป็นเพียงผลรวมถ่วงน้ำหนักของเทอม White Noise ที่เป็น Stationary อยู่แล้ว
การเปรียบเทียบ: ลองคิดว่าแบบจำลอง AR คือ "ความทรงจำของราคา" ส่วนแบบจำลอง MA คือ "ความทรงจำของแรงกระแทก" ถ้าเมื่อวานมีข่าวเซอร์ไพรส์เกิดขึ้น แบบจำลอง MA จะคำนวณว่าเซอร์ไพรส์นั้นยังส่งผลกระทบต่อราคาในวันนี้มากน้อยแค่ไหน
6. แบบจำลอง ARMA
บางครั้ง ทั้งค่าในอดีตและแรงกระแทกในอดีตต่างก็สำคัญ เราจึงรวมเข้าด้วยกันกลายเป็นแบบจำลอง ARMA(p, q)
- p = จำนวนของ AR lag (ค่าในอดีต)
- q = จำนวนของ MA lag (ความผิดพลาดในอดีต)
ตัวอย่าง: แบบจำลอง ARMA(1,1) จะมีหน้าตาเป็น:
\( Y_t = \phi_0 + \phi_1 Y_{t-1} + \epsilon_t + \theta_1 \epsilon_{t-1} \)
หลักการแห่งความประหยัด (Principle of Parsimony): ในโลกของ FRM "น้อยแต่มาก" เราต้องการแบบจำลองที่เรียบง่ายที่สุดแต่อธิบายข้อมูลได้ดีที่สุด การใส่ค่า lag มากเกินไปจะทำให้เกิด overfit (คือดูดีมากกับข้อมูลเก่า แต่พยากรณ์ข้อมูลใหม่ไม่แม่นเลย)
7. การเลือกแบบจำลอง: AIC และ BIC
เราจะตัดสินใจอย่างไรว่า ARMA(1,1) ดีกว่า ARMA(2,1)? เราใช้เกณฑ์ข้อมูล (Information criteria) ซึ่งก็คือ "คะแนน" ของแบบจำลองนั่นเอง
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)
เป้าหมาย: เลือกแบบจำลองที่มีค่า AIC หรือ BIC ต่ำที่สุด
ข้อแตกต่างที่สำคัญ: BIC จะ "เข้มงวด" กว่า AIC โดยมันจะลงโทษ (penalty) มากกว่าเมื่อมีการเพิ่มตัวแปรเข้าไป ถ้าคุณกลัวว่าแบบจำลองจะซับซ้อนเกินไป BIC จะเป็นเพื่อนที่ดีที่สุดของคุณครับ
เคล็ดลับช่วยจำ: BIC = Bigger penalty (ลงโทษหนักกว่า) สำหรับความซับซ้อน
8. ข้อผิดพลาดที่ควรหลีกเลี่ยง
1. สับสนระหว่าง AR และ MA: จำไว้ว่า AR ใช้ \( Y_{t-1} \) (ข้อมูลจริง) ส่วน MA ใช้ \( \epsilon_{t-1} \) (ความผิดพลาด)
2. ตรวจสอบ Stationarity: ต้องเช็คเสมอว่า \( |\phi| < 1 \) สำหรับแบบจำลอง AR ถ้า \( \phi = 1 \) มันคือ Unit Root ซึ่งจะทำให้สถิติของคุณใช้ไม่ได้!
3. การเลือก Lag: อย่าเลือกแค่แบบจำลองที่มีค่า R-squared สูงสุด ให้ใช้ AIC หรือ BIC เพราะมันคำนึงถึง "ต้นทุน" ของการเพิ่มตัวแปรเข้าไปด้วย
สรุปทบทวนเร็วๆ
Stationarity: ค่าเฉลี่ย ความแปรปรวน และความแปรปรวนร่วมต้องคงที่
AR(1): \( Y_t \) ขึ้นอยู่กับ \( Y_{t-1} \), จะเป็น Stationary ก็ต่อเมื่อ \( |\phi_1| < 1 \)
MA(1): \( Y_t \) ขึ้นอยู่กับ \( \epsilon_{t-1} \), เป็น Stationary เสมอ
การเลือกโมเดล: ใช้ค่า AIC หรือ BIC ที่ต่ำที่สุด
ความประหยัด: รักษาแบบจำลองให้เรียบง่ายเพื่อป้องกันการ Overfit
คุณทำได้แล้ว! อนุกรมเวลาอาจดูซับซ้อน แต่ถ้าคุณเน้นทำความเข้าใจคุณสมบัติหลักและตรรกะเบื้องหลังของโมเดล รับรองว่าคุณเตรียมตัวสอบได้หายห่วง หมั่นฝึกฝนสูตรบ่อยๆ แล้วคุณจะเชี่ยวชาญเรื่องนี้แน่นอน!