ยินดีต้อนรับสู่บทเรียนวิธีการเชิงประจักษ์สำหรับตัวชี้วัดความเสี่ยงและการป้องกันความเสี่ยง (Empirical Approaches to Risk Metrics and Hedging)!
สวัสดีครับ! ยินดีต้อนรับเข้าสู่บทที่นำไปใช้งานได้จริงมากที่สุดบทหนึ่งในหลักสูตร FRM Part II ครับ ที่ผ่านมาคุณอาจใช้เวลาไปเยอะกับการศึกษาทฤษฎีโมเดลต่าง ๆ ที่มักตั้งสมมติฐานว่าตลาดนั้น "สมบูรณ์แบบ" หรือเป็นไปตามเส้นโค้งระฆังคว่ำ (Normal Distribution) แต่ก็นั่นแหละครับ อย่างที่เทรดเดอร์ทุกคนทราบดี โลกความเป็นจริงนั้นมันวุ่นวายกว่านั้นเยอะ!
ในบทนี้ เราจะวางทฤษฎีที่ "สมบูรณ์แบบ" ไว้ก่อน แล้วหันมาดู วิธีการเชิงประจักษ์ (Empirical Approaches) กันครับ ซึ่งก็คือการที่เรานำ ข้อมูลย้อนหลังจริง ๆ มาใช้เพื่อวัดระดับความเสี่ยง และที่สำคัญกว่านั้นคือการใช้เพื่อปกป้อง (Hedge) พอร์ตการลงทุนของเรา ถ้ารู้สึกว่าคณิตศาสตร์ในบทนี้ดูยากในตอนแรก ไม่ต้องกังวลนะ เราจะค่อย ๆ ย่อยให้เป็นขั้นตอนที่เข้าใจง่ายและสมเหตุสมผลไปพร้อมกัน มาเริ่มกันเลย!
1. ทำไมต้องใช้ "วิธีการเชิงประจักษ์"?
คำว่า เชิงประจักษ์ (Empirical) หมายถึง "สิ่งที่อ้างอิงจากการสังเกตหรือประสบการณ์จริงมากกว่าการใช้ทฤษฎี" ในด้านการบริหารความเสี่ยง เราใช้วิธีการนี้เพราะ:
- โมเดลทางทฤษฎี (เช่น CAPM) มักจะใช้ไม่ได้ผลในช่วงที่ตลาดพัง
- ข้อมูลในโลกความเป็นจริงมักมี "หางที่หนา" (Fat tails) ซึ่งหมายความว่าเหตุการณ์รุนแรงเกิดขึ้นบ่อยกว่าที่ทฤษฎีทำนายไว้
- ช่วยให้เราเห็นว่าสินทรัพย์ต่าง ๆ เคลื่อนไหวสัมพันธ์กันอย่างไรในอดีตจริง ๆ
รู้หรือไม่? วิกฤตการณ์ทางการเงินครั้งใหญ่หลายครั้งเกิดขึ้นเพราะผู้จัดการความเสี่ยงเชื่อมั่นในโมเดลทางทฤษฎีมากเกินไป จนละเลยสิ่งที่ข้อมูลในอดีตกำลังส่งสัญญาณเตือนพวกเขา!
ประเด็นสำคัญ:
โมเดลทางทฤษฎีเป็นจุดเริ่มต้นที่ดี แต่ ข้อมูลเชิงประจักษ์ เปรียบเสมือนการ "ตรวจสอบความเป็นจริง" (Reality check) ที่จะบอกเราว่าสินทรัพย์นั้นมีพฤติกรรมอย่างไรในโลกแห่งความจริง
2. การป้องกันความเสี่ยงโดยใช้การถดถอย (Regression-Based Hedging)
หนึ่งในวิธีป้องกันความเสี่ยงที่นิยมที่สุดคือการใช้ Linear Regression สมมติว่าคุณมีพอร์ตการลงทุนพอร์ตหนึ่ง (ขอเรียกว่า \( P \)) และคุณต้องการใช้เครื่องมือป้องกันความเสี่ยง (ขอเรียกว่า \( H \)) เพื่อกำจัดความเสี่ยงออกไป
เราจะใช้สมการถดถอยดังนี้:
\( \Delta P = \alpha + \beta \Delta H + \epsilon \)
โดยที่:
- \( \Delta P \) คือการเปลี่ยนแปลงมูลค่าพอร์ตของคุณ
- \( \alpha \) (Alpha) คือค่าจุดตัด (โดยปกติจะเป็นศูนย์ถ้าการป้องกันความเสี่ยงสมบูรณ์แบบ)
- \( \beta \) (Beta) คือความไวของพอร์ตการลงทุนของคุณต่อเครื่องมือป้องกันความเสี่ยง
- \( \epsilon \) (Epsilon) คือ "ความเสี่ยงคงเหลือ" (Residual risk) หรือส่วนของความเสี่ยงที่เราไม่สามารถกำจัดออกไปได้
อัตราส่วนการป้องกันความเสี่ยงแบบความแปรปรวนต่ำสุด (Minimum Variance Hedge Ratio)
เพื่อที่จะกำจัดความเสี่ยง คุณต้องทราบว่าควรจะขาย (หรือซื้อ) เครื่องมือป้องกันความเสี่ยงมากแค่ไหน ซึ่ง อัตราส่วนการป้องกันความเสี่ยงที่เหมาะสม (Optimal hedge ratio) ก็คือค่า \( \beta \) จากสมการถดถอยนั่นเอง:
\( \beta = \frac{Cov(\Delta P, \Delta H)}{Var(\Delta H)} \)
เปรียบเทียบง่าย ๆ: ลองจินตนาการว่าคุณกำลังจูงสุนัขที่พลังงานเยอะมาก ถ้าสุนัข (พอร์ตการลงทุน) พุ่งไปข้างหน้า 2 ก้าว ทุกครั้งที่คุณ (ตัวป้องกันความเสี่ยง) ดึงกลับ 1 ก้าว ค่า "beta" ของคุณก็คือ 2 เพื่อที่จะให้สุนัขหยุดนิ่งสนิท คุณก็ต้องดึงกลับแรงเป็นสองเท่าครับ!
สรุปสั้น ๆ:
เพื่อลดความแปรปรวนของพอร์ตที่ทำการป้องกันความเสี่ยง จำนวนหน่วยของเครื่องมือที่ใช้ป้องกันความเสี่ยงที่คุณต้องถือ จะเท่ากับค่า Regression Beta ระหว่างพอร์ตการลงทุนและเครื่องมือนั้น
3. การป้องกันความเสี่ยงในตราสารหนี้: Empirical Duration
ใน Part I คุณได้เรียนเรื่อง Effective Duration ซึ่งเป็นสูตรทางทฤษฎี แต่ใน Part II เราจะมาดู Empirical Duration กันครับ
ทำไมเราถึงต้องใช้? เพราะบางครั้งเมื่ออัตราผลตอบแทนพันธบัตรรัฐบาล (Treasury yields) เพิ่มขึ้น ส่วนต่างของหุ้นกู้เอกชน (Credit spreads) อาจจะแคบลงได้ สูตรทางทฤษฎีอาจมองข้ามความสัมพันธ์นี้ไป แต่การถดถอยจะไม่พลาดครับ
ในการหา Empirical Duration เราจะถดถอยการเปลี่ยนแปลงของราคาพันธบัตร (\( \Delta P/P \)) เทียบกับการเปลี่ยนแปลงของอัตราดอกเบี้ยอ้างอิง (\( \Delta y \)):
\( \frac{\Delta P}{P} = \alpha - D_{emp} \times \Delta y + \epsilon \)
ข้อควรระวัง: อย่าลืมเครื่องหมายลบนะครับ! เพราะ Duration และราคาพันธบัตรเคลื่อนไหวในทิศทางตรงกันข้าม หากผลการถดถอยให้ค่าสัมประสิทธิ์เป็นลบ แสดงว่าค่า Duration จริง ๆ จะเป็นบวกครับ
ประเด็นสำคัญ:
Empirical Duration มักจะมีค่าต่ำกว่า Duration ทางทฤษฎีในกรณีของหุ้นกู้ที่มีความเสี่ยงสูง (เช่น High-yield bonds) เพราะราคาของสินทรัพย์เหล่านี้ได้รับอิทธิพลจากปัจจัยอื่น ๆ นอกเหนือไปจากการเปลี่ยนแปลงของอัตราดอกเบี้ยเพียงอย่างเดียว (เช่น เครดิตสเปรด)
4. การรับมือกับความเสี่ยงหลายด้าน: PCA Hedging
บางครั้งการป้องกันความเสี่ยงเดียวอาจไม่เพียงพอ เช่น อัตราดอกเบี้ยไม่ได้แค่ขยับขึ้นหรือลงเท่านั้น แต่มันยังบิดเบี้ยวได้ด้วย! นี่คือจุดที่ Principal Component Analysis (PCA) เข้ามามีบทบาทครับ
PCA จะช่วยระบุ "ปัจจัยหลัก" ของความเสี่ยง ในเรื่องอัตราดอกเบี้ย เรามักมอง 3 ปัจจัยหลัก:
- Level (PC1): เส้นอัตราผลตอบแทนเคลื่อนที่ขึ้นหรือลงทั้งเส้น (Parallel shift)
- Slope (PC2): อัตราดอกเบี้ยระยะสั้นและระยะยาวเคลื่อนไหวไม่เท่ากัน (ทำให้เส้นชันขึ้นหรือแบนลง - Steepening/Flattening)
- Curvature (PC3): ช่วงกลางของเส้นเคลื่อนไหวต่างจากช่วงปลาย (Butterfly shift)
เป้าหมาย: แทนที่จะป้องกันความเสี่ยงจาก "อัตราดอกเบี้ย" แบบกว้าง ๆ วิธีการเชิงประจักษ์จะใช้ PCA เพื่อป้องกันความเสี่ยงจากการเคลื่อนไหวทั้ง 3 รูปแบบนี้โดยเฉพาะ คุณอาจต้องใช้เครื่องมือป้องกันความเสี่ยงอย่างน้อย 3 ประเภทเพื่อกำจัดความเสี่ยงจากทั้ง 3 ปัจจัยนี้ให้หมดไป
สรุปสั้น ๆ:
PCA จะช่วยลดความซับซ้อนของชุดข้อมูลขนาดใหญ่ (เช่น จุด Yield 30 จุด) ให้เหลือเพียง "ปัจจัย" จำนวนน้อยที่จัดการได้ง่าย (Level, Slope, Curvature) ซึ่งสามารถอธิบายความเสี่ยงส่วนใหญ่ได้
5. การทดสอบย้อนหลัง (Backtesting) และการทดสอบกับข้อมูลนอกกลุ่มตัวอย่าง (OOS Testing)
ถ้าคุณสร้างกลยุทธ์ป้องกันความเสี่ยงโดยใช้ข้อมูลปี 2023 มันจะใช้ได้ผลในปี 2024 หรือไม่? นี่คือคำถามที่สำคัญที่สุดในวิชาการเงินเชิงประจักษ์ครับ
In-Sample Data: ข้อมูลที่คุณใช้คำนวณกลยุทธ์ (ข้อมูล "ฝึกสอน" โมเดล)
Out-of-Sample (OOS) Data: ข้อมูลชุดใหม่ที่โมเดลยังไม่เคยเห็นมาก่อน (ข้อมูล "ทดสอบ" โมเดล)
อันตรายจากการปรับโมเดลเกินตัว (Overfitting)
หากคุณสร้างกลยุทธ์ที่ซับซ้อนเกินไปเพื่อให้พอดีกับข้อมูลในอดีตมาก ๆ มันมักจะใช้ไม่ได้ผลในอนาคตครับ สิ่งนี้เรียกว่า Overfitting เปรียบเสมือนการท่องจำคำตอบข้อสอบเก่าแทนที่จะทำความเข้าใจเนื้อหา—คุณจะสอบตกเมื่อเจอข้อสอบจริงที่มีคำถามเปลี่ยนไป!
ขั้นตอนการทำ OOS Testing:
1. คำนวณอัตราส่วนการป้องกันความเสี่ยง (\( \beta \)) โดยใช้ข้อมูลช่วงที่ 1
2. นำค่า \( \beta \) นั้นไปใช้กับข้อมูลในช่วงที่ 2
3. คำนวณความแปรปรวนของพอร์ตที่ป้องกันความเสี่ยงแล้วในช่วงที่ 2
4. หากความแปรปรวนต่ำกว่าพอร์ตที่ไม่ได้ป้องกันความเสี่ยงอย่างมีนัยสำคัญ แสดงว่ากลยุทธ์ของคุณ "ทนทาน" (Robust)
ประเด็นสำคัญ:
กลยุทธ์การป้องกันความเสี่ยงจะมีประโยชน์ก็ต่อเมื่อมันใช้ได้ผลกับ ข้อมูลนอกกลุ่มตัวอย่าง (Out-of-Sample) เท่านั้น จงทดสอบโมเดลเชิงประจักษ์ของคุณกับข้อมูลที่ไม่ได้ใช้สร้างมันขึ้นมาเสมอ!
6. การบริหารความเสี่ยงฐาน (Basis Risk)
ไม่มีการป้องกันความเสี่ยงใดสมบูรณ์แบบ 100% ความเสี่ยงที่เหลืออยู่หลังจากที่คุณทำตามแผนไปแล้วเรียกว่า Basis Risk
ในเชิงประจักษ์ Basis Risk จะสะท้อนออกมาจาก Standard Error ของการถดถอย หรือค่า \( \epsilon \) (Residual) นั่นเอง หากค่า \( R^2 \) (R-squared) ของการถดถอยต่ำ แสดงว่าเครื่องมือที่คุณใช้ป้องกันความเสี่ยงนั้นไม่ได้เคลื่อนไหวไปตามพอร์ตของคุณได้ดีนัก และนั่นหมายถึง Basis Risk ที่สูงครับ
ตัวอย่าง: คุณต้องการป้องกันความเสี่ยงราคาน้ำมันเครื่องบิน แต่ไม่มีสัญญา Futures ของน้ำมันเครื่องบินโดยเฉพาะ คุณจึงเลือกใช้ Crude Oil Futures แทน ความแตกต่างของการเคลื่อนไหวระหว่างราคาน้ำมันเครื่องบินกับราคาน้ำมันดิบคือ Basis Risk ของคุณครับ
สรุปสั้น ๆ:
ค่า \( R^2 \) สูง: เป็นการป้องกันความเสี่ยงที่ดี, Basis Risk ต่ำ
ค่า \( R^2 \) ต่ำ: เป็นการป้องกันความเสี่ยงที่ไม่ค่อยดี, Basis Risk สูง
สรุปส่งท้ายและเทคนิคการสอบ
อย่าให้คำว่า "เชิงประจักษ์" ทำให้คุณกลัวนะครับ! เพียงแค่จำแนวคิดหลักเหล่านี้ไว้:
- Regression คือเพื่อนที่ดีที่สุดในการหาค่าอัตราส่วนการป้องกันความเสี่ยง (\( \beta \)) ที่เหมาะสม
- Empirical Duration ใช้ข้อมูลจริงดูว่าราคาพันธบัตรตอบสนองต่อการเปลี่ยนแปลงดอกเบี้ยอย่างไร
- PCA ย่อยความเสี่ยงของเส้นอัตราผลตอบแทนออกเป็น Level, Slope และ Curvature
- Out-of-Sample Testing คือวิธีเดียวที่จะบอกได้ว่ากลยุทธ์ของคุณจะใช้ได้ผลในวันพรุ่งนี้หรือไม่
- Basis Risk คือความเสี่ยงที่เหลืออยู่ซึ่งโมเดลเชิงประจักษ์ของเราอธิบายไม่ได้
สู้ต่อไปนะครับ! คุณกำลังเรียนรู้เครื่องมือที่ผู้จัดการความเสี่ยงมืออาชีพใช้กันจริงทุกวัน แม้หัวข้อ Market Risk จะมีความเป็นเชิงปริมาณสูง แต่มันจะเริ่มเข้าใจง่ายขึ้นเรื่อย ๆ เมื่อคุณเห็นตรรกะที่ซ่อนอยู่หลังตัวเลข คุณทำได้แน่นอนครับ!