ยินดีต้อนรับสู่พื้นฐานของความสัมพันธ์ (Correlation)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่หนึ่งในบทเรียนที่สำคัญที่สุดในหัวข้อ การวัดและการบริหารความเสี่ยงตลาด (Market Risk Measurement and Management) ถ้าคุณเคยสงสัยว่าทำไมการกระจายความเสี่ยง (Diversification) ถึงถูกเรียกว่าเป็น "ของฟรีเพียงอย่างเดียวในโลกการเงิน" หรือทำไมสินทรัพย์ทุกอย่างดูเหมือนจะร่วงพร้อมๆ กันในช่วงวิกฤตการเงิน คุณมาถูกที่แล้วครับ ในบทนี้เราจะมาสำรวจเรื่อง ความสัมพันธ์ (Correlation) ซึ่งเปรียบเสมือน "กาว" ทางคณิตศาสตร์ที่อธิบายว่าสินทรัพย์ทางการเงินต่างๆ เคลื่อนไหวไปในทิศทางเดียวกันอย่างไร

ไม่ต้องกังวลนะครับถ้าคุณรู้สึกว่าสถิติเป็นเรื่องยาก เราจะค่อยๆ ย่อยแนวคิดเหล่านี้ให้เข้าใจง่ายและเห็นภาพผ่านตัวอย่างจริง เพื่อให้คุณพร้อมสำหรับการสอบ FRM Part II อย่างมั่นใจครับ

1. ความสัมพันธ์คืออะไร? (ภาพรวม)

สรุปสั้นๆ คือ ความสัมพันธ์ (Correlation) วัดทั้งขนาดและความทิศทางของความสัมพันธ์ระหว่างตัวแปรสองตัว (เช่น ราคาของหุ้นสองตัว) มันบอกเราว่า: "เมื่อหุ้น A ขึ้น แล้วหุ้น B จะขึ้นตาม จะลง หรือจะไปในทางของมันเอง?"

ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน (Pearson’s Correlation Coefficient)

ค่าที่ใช้บ่อยที่สุดในหลักสูตร FRM คือ ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน (Pearson Correlation Coefficient) (มักแทนด้วยอักษรกรีก rho, \( \rho \)) ซึ่งเป็นการวัดความสัมพันธ์เชิง เส้นตรง (Linear) ระหว่างตัวแปรสองตัว

สูตรสำหรับค่าความสัมพันธ์ระหว่างตัวแปร \( X \) และ \( Y \) คือ:

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

โดยที่:
- \( Cov(X,Y) \) คือ ความแปรปรวนร่วม (Covariance) (วัดว่ามันเคลื่อนไหวไปด้วยกันอย่างไร)
- \( \sigma_X \) และ \( \sigma_Y \) คือ ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) (วัดการกระจายตัวของแต่ละตัวแปร)

ลักษณะสำคัญที่ควรจำ:

1. ช่วงของค่า: ค่าความสัมพันธ์จะอยู่ระหว่าง -1.0 ถึง +1.0 เสมอ
2. ความสัมพันธ์เชิงบวก (+1.0): ตัวแปรทั้งสองเคลื่อนไหวไปในทิศทางเดียวกันอย่างเป๊ะๆ
3. ความสัมพันธ์เชิงลบ (-1.0): ตัวแปรทั้งสองเคลื่อนไหวไปในทิศทางตรงกันข้ามกันอย่างเป๊ะๆ
4. ไม่มีความสัมพันธ์ (0): ไม่มีความสัมพันธ์เชิง เส้นตรง ระหว่างตัวแปรเหล่านั้น

เคล็ดลับเล็กๆ: ให้ลองจินตนาการว่าความสัมพันธ์คือคู่เต้นรำ ค่า +1.0 คือการที่ต่างคนต่างก้าวไปข้างหน้าพร้อมกัน ส่วน -1.0 คือจังหวะที่คุณก้าวไปข้างหน้าแต่คู่เต้นของคุณก้าวถอยหลัง ส่วนค่า 0 คือการที่คู่เต้นของคุณไปเต้นอยู่ในห้องอื่นเลยครับ!

ข้อควรระวัง: ความสัมพันธ์แบบเพียร์สันวัดได้เฉพาะความสัมพันธ์เชิง เส้นตรง เท่านั้น หากตัวแปรสองตัวมีความสัมพันธ์เป็นเส้นโค้ง (รูปตัว U) ค่าเพียร์สันอาจบอกว่าเท่ากับ 0 ทั้งที่จริงๆ แล้วมันมีความสัมพันธ์กันอย่างชัดเจนครับ!

2. ความสัมพันธ์แบบจัดลำดับ (Rank Correlation): มองให้ไกลกว่าเส้นตรง

บางครั้งข้อมูลทางการเงินก็ไม่ได้เคลื่อนที่เป็นเส้นตรงเสมอไป ในกรณีนี้เราจะใช้ Rank Correlation แทนที่จะใช้ราคาหรือผลตอบแทนจริง เราจะนำข้อมูลมา "จัดลำดับ (Rank)" จากน้อยไปมาก แล้วดูความสัมพันธ์ระหว่างลำดับเหล่านั้นแทน

Spearman’s Rank Correlation (\( \rho_s \))

วิธีนี้จะใช้สูตรของเพียร์สันกับ ลำดับ (Ranks) ของข้อมูลแทนที่จะเป็นตัวข้อมูลโดยตรง ซึ่งสามารถจับความสัมพันธ์แบบ เพิ่มขึ้นหรือลดลงทางเดียว (Monotonic) ได้ดีกว่า (คือทิศทางไปทางเดียวกัน แต่ไม่ได้มีอัตราเร่งที่คงที่)

Kendall’s Tau (\( \tau \))

นี่คืออีกหนึ่งค่าที่วัดจากลำดับ โดยจะพิจารณาจากคู่ข้อมูลที่เป็น Concordant และ Discordant:
- Concordant pair: ทั้งสองตัวแปรเพิ่มขึ้น (หรือลดลง) ไปพร้อมๆ กัน
- Discordant pair: ตัวหนึ่งเพิ่ม อีกตัวหนึ่งลด

รู้หรือไม่? Kendall’s Tau มักจะถูกเลือกใช้เมื่อคุณมีชุดข้อมูลขนาดเล็ก เพราะมีคุณสมบัติทางสถิติที่ดีกว่า Spearman ในกรณีเหล่านั้นครับ

ตารางสรุป: ประเภทของความสัมพันธ์
- Pearson: ดีที่สุดสำหรับความสัมพันธ์เชิงเส้น; อ่อนไหวต่อค่าที่ผิดปกติ (Outliers)
- Spearman/Kendall: ดีที่สุดสำหรับความสัมพันธ์ที่ไม่เป็นเส้นตรง (แต่เป็นไปในทิศทางเดียว); ทนทานต่อค่าที่ผิดปกติ

3. คำศัพท์สำคัญในความเสี่ยงตลาด

เพื่อให้ประสบความสำเร็จในบทความเสี่ยงตลาด คุณต้องเข้าใจคำเฉพาะเหล่านี้:

Autocorrelation (Serial Correlation)

คือการที่ตัวแปรมีความสัมพันธ์กับ ตัวเอง ในช่วงเวลาที่ต่างกัน เช่น ถ้าผลตอบแทนที่สูงในเมื่อวานมักจะนำไปสู่ผลตอบแทนที่สูงในวันนี้ หุ้นตัวนั้นจะมีความสัมพันธ์ในตัวเองเป็นบวก ในตลาดที่มีประสิทธิภาพ เราคาดหวังว่าค่านี้ควรจะใกล้เคียงศูนย์

Cross-Correlation

วัดความสัมพันธ์ระหว่างตัวแปรสองตัวที่ ต่างกัน ในช่วงเวลาที่ ต่างกัน เช่น การที่ราคาน้ำมันเพิ่มขึ้นในวันนี้ สัมพันธ์กับการลดลงของราคาหุ้นสายการบินในอีกสองวันข้างหน้าหรือไม่?

Conditional Correlation

คือความสัมพันธ์ที่เปลี่ยนแปลงไปตาม "เงื่อนไข" ต่างๆ
เปรียบเทียบ: ลองนึกถึงเพื่อนสองคนที่ปกติก็ต่างคนต่างอยู่ แต่พอตกใจกลัวขึ้นมาก็จะจับมือกันแน่น ในโลกการเงินเรามักเห็น Correlation Breakdown คือสินทรัพย์ที่ปกติไม่เคลื่อนไหวไปด้วยกัน กลับมามีความสัมพันธ์กันสูงมากในช่วงตลาดพัง ซึ่งนี่เป็นความเสี่ยงมหาศาลของการกระจายความเสี่ยงครับ!

ข้อผิดพลาดที่พบบ่อย: อย่าทึกทักเอาเองว่าความสัมพันธ์นั้น หยุดนิ่ง (Static) ในโลกความเป็นจริง ความสัมพันธ์มีลักษณะ พลวัต (Dynamic) มันเปลี่ยนไปตลอดเวลา โดยเฉพาะในช่วงที่ตลาดมีความเครียดสูง

4. ทำไมความสัมพันธ์ถึงสำคัญ (การประยุกต์ใช้)

ทำไมเราต้องเรียนเรื่องนี้เพื่อสอบ FRM Part II? เพราะความสัมพันธ์คือหัวใจสำคัญของการบริหารความเสี่ยง!

1. การกระจายความเสี่ยงในพอร์ตโฟลิโอ (Portfolio Diversification)

ทฤษฎีพอร์ตโฟลิโอสมัยใหม่บอกเราว่า ถ้าเรานำสินทรัพย์ที่มีความสัมพันธ์ต่ำหรือติดลบมารวมกัน เราจะลดความเสี่ยงโดยรวม (ความแปรปรวน) ของพอร์ตได้โดยไม่จำเป็นต้องลดผลตอบแทน นี่เป็นวิธีหลักที่ผู้จัดการความเสี่ยงตลาดใช้ปกป้องบริษัท

2. มูลค่าความเสี่ยง (Value at Risk - VaR)

เมื่อคำนวณ VaR ของพอร์ตโฟลิโอ ค่าความสัมพันธ์ระหว่างสินทรัพย์รายตัวเป็นปัจจัยนำเข้า (Input) ที่สำคัญมาก หากคุณประเมินค่าความสัมพันธ์ต่ำเกินไป คุณก็จะ ประเมินความเสี่ยงต่อการขาดทุนก้อนโตต่ำเกินไป เช่นกัน

3. Copulas และการผิดนัดชำระหนี้ร่วม (Joint Defaults)

ในความเสี่ยงด้านเครดิต (ซึ่งทับซ้อนกับความเสี่ยงตลาด) เราใช้ความสัมพันธ์เพื่อประเมินโอกาสที่หลายบริษัทจะผิดนัดชำระหนี้พร้อมกัน หาก "ความสัมพันธ์ของการผิดนัดชำระหนี้" สูง แรงสั่นสะเทือนทางเศรษฐกิจเพียงครั้งเดียวอาจทำให้หลายบริษัทล้มพร้อมกันได้

ทบทวนสั้นๆ:
- ความสัมพันธ์ต่ำ: ดีต่อการกระจายความเสี่ยง
- ความสัมพันธ์สูง: ไม่ดีต่อการกระจายความเสี่ยง; ความเสี่ยงกระจุกตัว
- ความสัมพันธ์เชิงบวกที่สมบูรณ์ (+1): ไม่เกิดประโยชน์ในการกระจายความเสี่ยงเลย!

5. ข้อจำกัดและข้อควรระวัง

นักเรียนมักจะรู้สึกว่าส่วนนี้เป็นส่วนที่ยากที่สุดในการสอบ ดังนั้นตั้งใจดูให้ดีนะครับ!

1. Correlation vs. Causation: การที่สองสิ่งเคลื่อนไหวไปด้วยกัน ไม่ได้แปลว่าสิ่งหนึ่ง เป็นสาเหตุ ของอีกสิ่งหนึ่ง ตัวอย่างเช่น ยอดขายไอศกรีมกับจำนวนฉลามกัดมีความสัมพันธ์เชิงบวก (เพราะทั้งคู่เกิดในฤดูร้อน) แต่การกินไอศกรีมไม่ได้ทำให้คนโดนฉลามกัดนะครับ!

2. Tail Dependence: ค่าความสัมพันธ์แบบเพียร์สันไม่สามารถบอกเราได้ว่าตัวแปรจะแสดงอาการอย่างไรในเหตุการณ์สุดโต่ง (ส่วน "หาง" ของการกระจายตัว) สินทรัพย์บางอย่างอาจมีความสัมพันธ์เป็น 0 ในช่วงเวลาปกติ แต่มีความสัมพันธ์สูงถึง +0.90 ในช่วงวิกฤต สิ่งนี้เรียกว่า Asymmetric Correlation

3. ความไม่เป็นเส้นตรง (Non-Linearity): อย่างที่กล่าวไปข้างต้น ถ้าความสัมพันธ์ไม่ใช่เส้นตรง ค่าสัมประสิทธิ์ของเพียร์สันอาจต่ำจนทำให้เข้าใจผิดได้

ข้อสรุปที่สำคัญ: อย่าพึ่งพาตัวเลขเพียงตัวเดียว ผู้จัดการความเสี่ยงควรดูแผนภูมิกระจาย (Scatter Plot) และพิจารณาวิธีการวัดค่าความสัมพันธ์ที่หลากหลาย (เช่น Spearman หรือ Copulas) เพื่อให้เห็นภาพรวมทั้งหมด

บทสรุปใจความสำคัญ

- Pearson Correlation: วัดความสัมพันธ์เชิงเส้น; อยู่ในช่วง -1 ถึง +1

- Spearman & Kendall: ใช้ลำดับเพื่อวัดความสัมพันธ์แบบเพิ่มหรือลดทางเดียว; ดีกว่าสำหรับข้อมูลที่ไม่เป็นเส้นตรง

- Diversification: ทำงานได้ดีที่สุดเมื่อค่าความสัมพันธ์ต่ำหรือติดลบ

- Correlation Risk: อันตรายจากการที่ค่าความสัมพันธ์พุ่งสูงขึ้นในช่วงวิกฤต ซึ่งทำให้พอร์ตมีความเสี่ยงสูงกว่าที่คาดไว้มาก

- Limitations: ความสัมพันธ์ไม่ใช่ความเป็นเหตุเป็นผล (Causation), เปลี่ยนแปลงได้ตามเวลา และอาจไม่ครอบคลุมความเสี่ยงที่เกิดขึ้นใน "หาง" ของการกระจายตัว

คุณทำได้อยู่แล้ว! การเข้าใจว่าสินทรัพย์เคลื่อนไหวไปด้วยกันอย่างไรคือชัยชนะไปกว่าครึ่งในการเรียนเรื่องความเสี่ยงตลาด ลองกลับไปทบทวนสูตรของเพียร์สันอีกครั้ง แล้วคุณจะเชี่ยวชาญบทนี้ได้อย่างแน่นอนครับ