Estimating Market Risk Measures: An Introduction and Overview

ยินดีต้อนรับสู่การประมาณการความเสี่ยงด้านตลาด (Market Risk Estimation)!

สวัสดีครับ! ถ้าคุณก้าวมาถึงระดับ FRM Part II แล้ว คุณคงทราบดีว่าความเสี่ยงคือ "ความเป็นไปได้ที่จะเกิดการขาดทุน" แต่ในโลกของการทำงานจริง คำว่า "ความเป็นไปได้" นั้นยังไม่ชัดเจนพอ เราจำเป็นต้องวัดผลมันออกมาให้ได้ ในบทนี้เราจะมาเจาะลึกเรื่อง การประมาณการค่าความเสี่ยงด้านตลาด (Estimating Market Risk Measures) ซึ่งเราจะเปลี่ยนจากทฤษฎีไปสู่ "วิธีการ" คำนวณความเสี่ยงจริงๆ เราจะสำรวจวิธีการประมาณการค่า Value at Risk (VaR) และ Expected Shortfall (ES) ในรูปแบบต่างๆ รวมถึงดูว่าข้อมูลที่เป็นหัวใจสำคัญของโมเดลเหล่านี้มาจากไหน ไม่ต้องกังวลหากดูเหมือนว่าจะมีคณิตศาสตร์เยอะ เพราะเราจะย่อยมันให้เป็นขั้นตอนที่เรียบง่ายและสมเหตุสมผลครับ!

1. พื้นฐานสำคัญ: การเลือกข้อมูลของคุณ

ก่อนที่เราจะรันโมเดล เราต้องมีข้อมูลเสียก่อน ลองคิดภาพว่าข้อมูลคือ "วัตถุดิบ" ใน "สูตรอาหาร" ของความเสี่ยง ถ้าวัตถุดิบเน่าเสียหรือผิดประเภท ผลลัพธ์ที่ได้ก็เละเทะแน่นอน!

ช่วงเวลาของข้อมูล (Data Windows) และการถ่วงน้ำหนัก (Weighting)

เราควรใช้ข้อมูลย้อนหลังนานแค่ไหน? สิ่งนี้เรียกว่า หน้าต่างข้อมูล (Window)
- หน้าต่างระยะยาว (Long Windows): ให้จุดข้อมูลจำนวนมาก ทำให้ผลลัพธ์ดูเสถียร แต่ก็อาจมี "ประวัติศาสตร์อันยาวนาน" ที่ไม่เกี่ยวข้องกับตลาดในปัจจุบันปะปนอยู่ด้วย
- หน้าต่างระยะสั้น (Short Windows): ตอบสนองต่อเหตุการณ์ช็อกในตลาดได้รวดเร็วมาก แต่ก็อาจ "กระโดด" หรือมีความผันผวนสูงได้ง่าย

เกมแห่งการถ่วงน้ำหนัก (The Weighting Game):
โดยปกติแล้ว เราให้ความสำคัญกับข้อมูลทุกวันในหน้าต่างเท่าๆ กัน (Equal Weighting) อย่างไรก็ตาม เราสามารถใช้ Exponential Smoothing (EWMA) เพื่อให้ค่าน้ำหนักกับเหตุการณ์ที่เพิ่งเกิดขึ้นมากกว่า
เปรียบเทียบ: ถ้าคุณพยายามจะเดาว่าอากาศพรุ่งนี้จะเป็นอย่างไร สภาพอากาศวันนี้ย่อมเป็นเบาะแสที่ดีกว่าสภาพอากาศเมื่อ 3 ปีที่แล้วในวันนี้!

ทบทวนสั้นๆ:
- Equal Weighting: เรียบง่าย แต่ตอบสนองต่อวิกฤตการณ์ใหม่ๆ ได้ช้า
- Age Weighting: ข้อมูลใหม่มีค่าน้ำหนักมากกว่า ช่วยให้โมเดล "ตื่นตัว" ได้เร็วขึ้นเมื่อความผันผวนพุ่งสูง

2. แนวทางแบบไม่ใช้พารามิเตอร์: การจำลองข้อมูลในอดีต (Historical Simulation - HS)

วิธี Historical Simulation เป็นแนวทางแบบ "ไม่ใช้พารามิเตอร์" (Non-parametric) ที่ได้รับความนิยมมากที่สุด คำว่า "ไม่ใช้พารามิเตอร์" หมายถึงเราไม่ได้ตั้งสมมติฐานว่าข้อมูลจะต้องมีรูปร่างแบบใดแบบหนึ่ง (เช่น เส้นโค้งระฆังคว่ำ) แต่เราปล่อยให้ข้อมูลในอดีตแสดงผลลัพธ์ของตัวมันเอง

วิธีการทำงาน (ทีละขั้นตอน):

1. รวบรวมข้อมูลผลตอบแทนในอดีต (เช่น 500 วันล่าสุด)
2. จัดเรียงข้อมูลเหล่านั้นจากแย่ที่สุด (ขาดทุนมากที่สุด) ไปจนถึงดีที่สุด (กำไรมากที่สุด)
3. หากคุณต้องการหาค่า 95% VaR ให้คุณดูที่ระดับ 5% ล่างสุดของข้อมูลที่เรียงไว้ ค่า ณ จุด "ตัด" นั้นคือค่า VaR ของคุณ

ข้อดีและข้อเสียของ HS:

- ข้อดี: อธิบายให้ผู้บริหารฟังได้ง่าย ไม่ต้องใช้แคลคูลัสที่ซับซ้อน
- ข้อดี: สะท้อนสภาวะ "หางอ้วน" (Fat Tails - เหตุการณ์รุนแรง) ได้โดยธรรมชาติ เพราะมันใช้เหตุการณ์ที่เกิดขึ้นจริง
- ข้อเสีย: ผลกระทบของผี (The Ghosting Effect) หากตลาดเกิดวิกฤตครั้งใหญ่เมื่อ 250 วันก่อน และหน้าต่างข้อมูลของคุณคือ 250 วัน ในวันพรุ่งนี้วิกฤตนั้นจะ "หลุดออกไป" จากหน้าต่างข้อมูล และค่าความเสี่ยงของคุณจะลดลงฮวบฮาบ ทั้งที่สภาวะตลาดจริงๆ ยังไม่ได้เปลี่ยนไป
- ข้อเสีย: ตั้งสมมติฐานว่าอนาคตจะเหมือนกับอดีตเสมอ ซึ่งไม่สามารถคาดการณ์เหตุการณ์ที่ไม่เคยเกิดขึ้นมาก่อนได้

3. แนวทางแบบพารามิเตอร์: การแจกแจงปกติ (Normal Distribution)

ใน แนวทางแบบพารามิเตอร์ (Parametric Approach) เราตั้งสมมติฐานว่าผลตอบแทนของตลาดเป็นไปตามการแจกแจงทางคณิตศาสตร์ที่เฉพาะเจาะจง ซึ่งมักจะเป็น การแจกแจงปกติ (Normal Distribution) หรือที่รู้จักกันในชื่อ เส้นโค้งระฆังคว่ำ

สูตรการคำนวณ

สำหรับพอร์ตโฟลิโอที่มีค่าเฉลี่ยผลตอบแทนเท่ากับ \( \mu \) และส่วนเบี่ยงเบนมาตรฐานเท่ากับ \( \sigma \) ค่า VaR ที่ระดับความเชื่อมั่น \( \alpha \) คือ:
\[ VaR = - (\mu + \sigma \times Z_{\alpha}) \]
(หมายเหตุ: โดยปกติเราจะแสดง VaR เป็นค่าบวกเพื่อสื่อถึงการขาดทุน จึงต้องใส่เครื่องหมายลบไว้ข้างหน้า)

ค่า Z-scores ที่ควรจำ:
- ความเชื่อมั่น 95%: \( Z = 1.645 \)
- ความเชื่อมั่น 99%: \( Z = 2.326 \)

ปัญหาเรื่อง "หางอ้วน" (Fat Tail)

ผลตอบแทนทางการเงินในโลกความเป็นจริงเกือบทุกกรณีจะมี หางอ้วน (Leptokurtosis) หมายความว่าความเสียหายที่รุนแรงเกิดขึ้นบ่อยกว่าที่การแจกแจงปกติได้คาดการณ์ไว้มาก
รู้หรือไม่? หากผลตอบแทนของตลาดเป็น "การแจกแจงปกติ" จริงๆ วิกฤตการณ์การเงินปี 2008 จะถือว่าเป็นเรื่องที่เป็นไปไม่ได้ในทางสถิติ การใช้การแจกแจงปกติจึงมักประเมินค่าความเสี่ยงต่ำกว่าความเป็นจริงและสร้างความรู้สึกปลอดภัยที่ผิดพลาด

ประเด็นสำคัญ: โมเดลแบบพารามิเตอร์นั้นคำนวณได้รวดเร็วและง่ายดาย แต่ถ้าคุณเลือกการแจกแจงผิดประเภท (เช่น ใช้การแจกแจงปกติกับข้อมูลที่มีหางอ้วน) คุณจะประเมินความเสี่ยงต่ำกว่าความเป็นจริงจนเกิดอันตรายได้

4. มาตรวัดความเสี่ยงที่สอดคล้อง (Coherent Risk Measures) และ Expected Shortfall (ES)

ไม่ใช่ว่ามาตรวัดความเสี่ยงทุกตัวจะดีเหมือนกันหมด การจะเป็นมาตรวัดที่ดี (หรือ Coherent) มาตรวัดนั้นต้องผ่านกฎทางคณิตศาสตร์ 4 ประการ:

1. Monotonicity: หากพอร์ต A ให้ผลตอบแทนแย่กว่าพอร์ต B เสมอ พอร์ต A ต้องมีค่าความเสี่ยงที่สูงกว่า (สามัญสำนึก!)
2. Subadditivity: ความเสี่ยงของ (A + B) ควรน้อยกว่าหรือเท่ากับความเสี่ยงของ A + ความเสี่ยงของ B นี่เป็นการสะท้อนถึง ประโยชน์ของการกระจายความเสี่ยง (Diversification)
3. Positive Homogeneity: หากคุณเพิ่มขนาดพอร์ตเป็นสองเท่า ความเสี่ยงของคุณก็ควรเพิ่มเป็นสองเท่า
4. Translation Invariance: หากคุณเติมเงินสด (สินทรัพย์ที่ปราศจากความเสี่ยง) เข้าไปในพอร์ต ความเสี่ยงของคุณควรลดลงตามจำนวนเงินที่เติมลงไปนั้นเป๊ะๆ

จุดอ่อนสำคัญของ VaR

VaR ไม่ใช่มาตรวัดที่ Coherent เสมอไป เพราะมันมักสอบตกในเงื่อนไข Subadditivity ในบางกรณีที่แปลกประหลาด การรวมพอร์ตโฟลิโอสองพอร์ตเข้าด้วยกันอาจทำให้ค่า VaR สูงขึ้นได้! นี่คือเหตุผลสำคัญที่หน่วยงานกำกับดูแลหันไปใช้ Expected Shortfall (ES)

Expected Shortfall (ES)

ในขณะที่ VaR ถามว่า "ในวันที่แย่มากๆ ฉันมีโอกาสขาดทุนอย่างน้อยเท่าไหร่?", ES จะถามว่า "ถ้าเกิดวันแย่มากๆ จนขาดทุนเกินกว่า VaR แล้ว โดยเฉลี่ยแล้วเราควรจะคาดหวังว่าจะขาดทุนเท่าไหร่?"
- ES เป็นมาตรวัดที่ Coherent (ผ่านเงื่อนไข subadditivity เสมอ)
- ES มองที่ "หาง" ทั้งหมดของส่วนการแจกแจง ไม่ใช่แค่จุดใดจุดหนึ่ง
- ในเชิงสูตร ES คือ ค่าคาดหมายของการขาดทุน ภายใต้เงื่อนไขว่าการขาดทุนนั้นมากกว่าค่า VaR

5. การประมาณการรูปร่างของข้อมูล: ทฤษฎีค่าสุดโต่ง (Extreme Value Theory - EVT)

ถ้า Historical Simulation มองแต่หลังมากเกินไป และโมเดลพารามิเตอร์ดู "สมบูรณ์แบบ" จนเกินจริง มีทางสายกลางไหม? มีครับ: Extreme Value Theory (EVT)

EVT คือแนวทาง "กึ่งพารามิเตอร์" (Semi-parametric) แทนที่จะพยายามสร้างโมเดลครอบคลุมการแจกแจงทั้งหมด (ทั้งกำไรและขาดทุนเล็กน้อย) มันจะ เลือกสร้างโมเดลเฉพาะที่ "หาง" (การขาดทุนรุนแรง) เท่านั้น
เปรียบเทียบ: ลองนึกภาพหมอที่ไม่สนใจส่วนสูงหรือน้ำหนักของคุณ แต่สนใจเฉพาะอาการของคุณตอนที่คุณมีไข้สูง 104 องศา นั่นแหละคือ EVT—มันโฟกัสเฉพาะ "อาการไข้" (วิกฤต) เท่านั้น

แนวทางของ EVT ที่พบบ่อย:
1. Block Maxima: การเลือกค่าความเสียหายที่รุนแรงที่สุดจากช่วงเวลาต่างๆ (เช่น วันที่แย่ที่สุดของทุกเดือน) วิธีนี้จะใช้การแจกแจงแบบ Generalized Extreme Value (GEV)
2. Peaks Over Threshold (POT): การดูความเสียหายทุกครั้งที่เกิน "ระดับความน่ากลัว" ที่กำหนดไว้ วิธีนี้ใช้การแจกแจงแบบ Generalized Pareto Distribution (GPD)

6. สรุปและคำแนะนำทิ้งท้าย

อย่าเพิ่งท้อ! นี่คือสิ่งที่คุณต้องจำให้ขึ้นใจ:
- Historical Simulation เรียบง่ายและใช้ข้อมูลจริง แต่เจอปัญหา "Ghosting Effect"
- Parametric VaR มีความสง่างามทางคณิตศาสตร์ แต่มักมองข้ามสภาวะ "หางอ้วน"
- VaR เป็นที่นิยมแต่ ไม่ Coherent (สอบตกเรื่อง subadditivity)
- Expected Shortfall (ES) เป็นมาตรวัดที่ Coherent และบอกค่าความเสียหายเฉลี่ยที่ "หาง" ของการกระจายตัวได้
- EVT เป็นเครื่องมือสำหรับผู้เชี่ยวชาญเพื่อใช้สร้างโมเดลสำหรับ "สถานการณ์เลวร้ายที่สุด"

ข้อผิดพลาดที่พบบ่อยที่ควรหลีกเลี่ยง:
นักเรียนมักคิดว่า VaR บอกค่าการขาดทุน สูงสุด ที่เป็นไปได้ ซึ่งไม่จริง! มันบอกเพียงแค่การขาดทุนขั้นต่ำที่คุณควรคาดหวังในวันที่แย่ที่สุด X% ของวันทั้งหมด เพราะมันยังมี "หาง" ที่อยู่นอกเหนือค่า VaR ออกไปอีกเสมอ!

ฝึกฝนแนวคิดเหล่านี้ให้บ่อยๆ นะครับ เมื่อคุณเข้าใจ "เหตุผล" ที่อยู่เบื้องหลังโมเดลแล้ว "วิธีการ" (คณิตศาสตร์) ก็จะกลายเป็นเรื่องที่จัดการได้ง่ายขึ้นมากครับ!