ยินดีต้อนรับสู่การสร้างแบบจำลองสหสัมพันธ์ทางการเงิน (Financial Correlation Modeling)!

ในการเดินทางบนเส้นทาง FRM คุณคงทราบดีอยู่แล้วว่าการกระจายความเสี่ยง (Diversification) คือ "ของฟรีเพียงอย่างเดียว" ในโลกการเงิน แต่เพื่อให้แน่ใจว่ามื้ออาหารของคุณฟรีจริงหรือไม่ คุณจำเป็นต้องรู้ว่าสินทรัพย์แต่ละตัวเคลื่อนไหวไปพร้อมกันอย่างไร และนั่นคือหน้าที่ของ การสร้างแบบจำลองสหสัมพันธ์ (Correlation modeling) ครับ

ในบทนี้ เราจะโฟกัสไปที่ แนวทางแบบ Bottom-Up ลองนึกภาพว่ามันเหมือนกับการต่อเลโก้เป็นปราสาท แทนที่เราจะมองว่าปราสาทเป็นก้อนสีเทาใหญ่ๆ ก้อนเดียว เราจะดูที่อิฐแต่ละก้อน (ลูกหนี้หรือสินทรัพย์แต่ละตัว) แล้ววิเคราะห์ว่าพวกมันถูกเชื่อมเข้าด้วยกันอย่างไร ซึ่งนี่เป็นสิ่งสำคัญมากสำหรับการกำหนดราคาผลิตภัณฑ์ซับซ้อน เช่น Collateralized Debt Obligations (CDOs) และการบริหารพอร์ตความเสี่ยงด้านเครดิตครับ

ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! สหสัมพันธ์เป็นสิ่งที่ขึ้นชื่อว่า "จับตัวยาก" เพราะมันมักจะเปลี่ยนไปในช่วงที่ตลาดเกิดการพังทลาย เราจะค่อยๆ ย่อยไปทีละขั้นตอนครับ

1. Top-Down vs. Bottom-Up: คุณกำลังมองมุมไหนอยู่?

ก่อนที่เราจะลงลึก เรามาแยกความแตกต่างระหว่างสองวิธีหลักที่ผู้จัดการความเสี่ยงใช้มองพอร์ตการลงทุนกันก่อนครับ:

  • Top-Down: คุณมองพอร์ตทั้งพอร์ตเป็น "ก้อนเดียว" คุณไม่สนว่าลูกหนี้ A คือใคร คุณสนแค่ว่าอัตราการผิดนัดชำระหนี้รวมของทั้งกลุ่มเป็นอย่างไร
  • Bottom-Up: คุณสร้างแบบจำลองความเสี่ยงการผิดนัดชำระหนี้ของ ชื่อบริษัทแต่ละราย จากนั้นใช้ "กาว" ทางคณิตศาสตร์ (เรียกว่า Copula) มาเชื่อมพวกมันเข้าด้วยกัน

ทำไมต้องใช้ Bottom-Up? เพราะมันช่วยให้มีความยืดหยุ่นสูงขึ้นครับ คุณสามารถคำนึงถึงขนาดของเงินกู้ที่แตกต่างกัน อันดับเครดิตที่ต่างกัน และความสัมพันธ์เฉพาะของแต่ละอุตสาหกรรมได้

ทบทวนสั้นๆ: แนวทางแบบ Bottom-up มีความจำเป็นอย่างยิ่งเมื่อสินทรัพย์แต่ละตัวในพอร์ตมีคุณลักษณะที่แตกต่างกันอย่างมาก

2. แนวคิดเรื่อง Copula

ถ้ามีคำเดียวที่คุณต้องจำจากบทนี้ คำนั้นคือ Copula ในภาษาละติน "copula" แปลว่า การผูกมัดหรือการเชื่อมโยงครับ

การเปรียบเทียบ: สูตรการทำอาหาร

ลองนึกภาพว่าคุณกำลังทำอาหารมื้อหนึ่ง
1. Marginal Distributions (การกระจายตัวแบบเดี่ยว) คือวัตถุดิบของคุณ (ไก่, บรอกโคลี, ข้าว) ซึ่งแต่ละอย่างมีคุณสมบัติในตัวมันเอง
2. Copula คือซอสที่นำมาคลุกเคล้าเข้าด้วยกัน มันไม่ได้เปลี่ยนไก่ให้กลายเป็นบรอกโคลี แต่มันกำหนดว่ารสชาติเมื่อ ทานรวมกัน จะเป็นอย่างไร

ในเชิงคณิตศาสตร์ Copula ช่วยให้เราแยกพฤติกรรมเฉพาะตัวของตัวแปรต่างๆ ออกจาก โครงสร้างความสัมพันธ์ (Dependence structure) ได้ นี่เป็นเครื่องมือที่ทรงพลังเพราะเราสามารถเลือกการกระจายตัว (Distribution) แบบหนึ่งสำหรับลูกหนี้ A (เช่น Normal distribution) และอีกแบบสำหรับลูกหนี้ B แล้วค่อยใช้ Copula เชื่อมพวกมันเข้าด้วยกัน

ทฤษฎีบทของ Sklar (Sklar’s Theorem)

นี่คือ "กฎเหล็ก" ของ Copula ซึ่งกล่าวว่าการกระจายตัวร่วม (Joint distribution) ใดๆ สามารถเขียนให้อยู่ในรูปของฟังก์ชันการกระจายตัวเดี่ยว (Univariate marginal distributions) และ Copula ที่อธิบายโครงสร้างความสัมพันธ์ระหว่างตัวแปรเหล่านั้นได้

\( F(x_1, x_2, ..., x_n) = C(F_1(x_1), F_2(x_2), ..., F_n(x_n)) \)

โดยที่:
- \( F \) คือการกระจายตัวร่วม (Joint distribution)
- \( C \) คือ Copula
- \( F_n \) คือการกระจายตัวเดี่ยว (Marginal distributions)

ประเด็นสำคัญ: Copula ช่วยให้เราสร้างแบบจำลองส่วนที่ว่า "พวกมันเคลื่อนไหวไปด้วยกันอย่างไร" แยกออกจากส่วนที่ว่า "พวกมันแต่ละตัวมีพฤติกรรมอย่างไร"

3. Gaussian (Normal) Copula

Gaussian Copula เคยเป็นมาตรฐานของอุตสาหกรรมมาอย่างยาวนาน (และเป็นที่กล่าวขานว่าเป็นต้นเหตุของวิกฤตการเงินปี 2008) มันตั้งสมมติฐานว่าความสัมพันธ์ระหว่างสินทรัพย์เป็นไปตามการกระจายตัวแบบปกติหลายตัวแปร (Multivariate normal distribution)

มันทำงานอย่างไร:

เราแปลงความน่าจะเป็นในการผิดนัดชำระหนี้ของแต่ละบริษัทไปสู่ Standard normal distribution หาก "ตัวแปรแฝง" (ลองคิดว่าเป็นสุขภาพของบริษัท) ลดลงต่ำกว่าเกณฑ์ที่กำหนด บริษัทนั้นก็จะผิดนัดชำระหนี้

จุดอ่อนที่ใหญ่ที่สุด: Tail Dependence

Gaussian copula มีค่า Tail dependence เป็นศูนย์ ซึ่งหมายความว่ามันตั้งสมมติฐานว่าหากบริษัทหนึ่งเกิดหายนะระดับ "ร้อยปีมีครั้ง" ความน่าจะเป็นที่บริษัทอื่นจะเกิดหายนะแบบเดียวกันในเวลาเดียวกันนั้นแทบจะเป็นศูนย์

รู้หรือไม่? ในตลาดจริงๆ เวลาที่เกิดเรื่องแย่ มันมักจะ แย่ไปพร้อมๆ กัน Gaussian copula จึงมักจะประเมินความเสี่ยงต่ำเกินไปในช่วงที่หลายบริษัทผิดนัดชำระหนี้พร้อมกันในระหว่างวิกฤต

4. Student’s t-Copula

หาก Gaussian copula ดู "โลกสวย" เกินไปเกี่ยวกับภาวะตลาดพังทลาย Student’s t-Copula ก็คือญาติที่สมจริงกว่าครับ มันเพิ่มพารามิเตอร์ที่เรียกว่า องศาความเป็นอิสระ (Degrees of freedom: \( \nu \)) เข้ามา

  • Degrees of freedom ต่ำ: หางจะหนากว่า (Fatter tails) หมายความว่ามีความน่าจะเป็นสูงขึ้นที่เหตุการณ์สุดโต่งจะเกิดขึ้นพร้อมกัน (มีความสัมพันธ์ที่ปลายหางสูง)
  • Degrees of freedom สูง: เมื่อ \( \nu \) เพิ่มขึ้น Student’s t-copula จะเริ่มมีหน้าตาใกล้เคียงกับ Gaussian copula มากขึ้นเรื่อยๆ

เทคนิคช่วยจำ: "T for Tails (หาง)" ใช้ Student’s t-copula หากคุณต้องการจับจังหวะ "ผลกระทบแบบโดมิโน (Contagion effect)" ที่ทุกอย่างพังครืนลงมาพร้อมกัน

5. แบบจำลองปัจจัยเดียว (One-Factor Model)

การสร้างแบบจำลองบริษัท 100 แห่งและสหสัมพันธ์ของทุกคู่ (A กับ B, A กับ C, B กับ C...) เป็นเรื่องที่วุ่นวายและต้องคำนวณมากเกินไป เพื่อทำให้ง่ายขึ้น เราจึงใช้ One-Factor Model ครับ

ตรรกะของมัน:

เราสมมติว่ามี ปัจจัยร่วม (Common factor) เพียงปัจจัยเดียว (เช่น สภาวะเศรษฐกิจโดยรวม) ที่ส่งผลกระทบต่อทุกคน ในขณะที่ ปัจจัยเฉพาะตัว (Idiosyncratic factor) จะส่งผลต่อบริษัทนั้นๆ เท่านั้น

สูตรสำหรับผลตอบแทนของสินทรัพย์ \( X_i \) ของบริษัท \( i \) คือ:
\( X_i = \sqrt{\rho} M + \sqrt{1 - \rho} Z_i \)

โดยที่:
- \( M \) = ปัจจัยตลาดร่วม (กระทบทุกคน)
- \( Z_i \) = ปัจจัยเฉพาะตัว (เฉพาะของบริษัท \( i \))
- \( \rho \) = สหสัมพันธ์กับปัจจัยร่วม

การตีความทีละขั้นตอน:
  1. ถ้า \( \rho \) สูง ปัจจัยตลาด \( M \) จะเป็นตัวกำหนดหลัก บริษัทส่วนใหญ่จะผิดนัดชำระหนี้หรืออยู่รอดไปพร้อมกัน
  2. ถ้า \( \rho \) ต่ำ ปัจจัยเฉพาะตัว \( Z_i \) จะเป็นตัวกำหนดหลัก การผิดนัดชำระหนี้จะเกิดขึ้นแบบสุ่มและเป็นอิสระต่อกัน

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักสับสนระหว่าง สหสัมพันธ์ของสินทรัพย์ (Asset correlation) กับ สหสัมพันธ์ของการผิดนัดชำระหนี้ (Default correlation) สหสัมพันธ์ของสินทรัพย์ (\( \rho \)) คือค่าที่เราใส่เข้าไปใน One-factor model แต่สหสัมพันธ์ของการผิดนัดชำระหนี้คือ ผลลัพธ์ ที่เราสังเกตได้ ซึ่งมักจะต่ำกว่าสหสัมพันธ์ของสินทรัพย์มากครับ

6. สรุปความแตกต่างที่สำคัญ

มาสรุปสั้นๆ ด้วยตารางเปรียบเทียบเพื่อช่วยคุณเตรียมสอบครับ:

ตารางเปรียบเทียบ

Gaussian Copula: ไม่มี Tail dependence, คำนวณง่าย, ประเมินเหตุการณ์ "Black swan" ต่ำเกินไป
Student’s t-Copula: มี Tail dependence แบบสมมาตร, เหมาะกับตลาดช่วงวิกฤต, ซับซ้อนกว่า
One-Factor Model: ลดความซับซ้อนของสหสัมพันธ์โดยใช้ตัวขับเคลื่อนตลาดร่วมเพียงตัวเดียว, ใช้สำหรับตีราคาส่วนของ CDO (CDO tranches)

7. กล่องทบทวนด่วน

1. Copula คืออะไร? คือฟังก์ชันที่เชื่อมการกระจายตัวแบบเดี่ยวเข้าเป็นการกระจายตัวร่วม
2. Gaussian vs. T-Copula ต่างกันอย่างไร? T-Copula มีหางที่หนากว่าและจับจังหวะการพังทลายพร้อมกันได้; Gaussian ทำไม่ได้
3. "M" ใน One-Factor Model คืออะไร? คือปัจจัยตลาดร่วมที่ส่งผลกระทบต่อทุกบริษัทในพอร์ต
4. ทำไมต้องใช้ Bottom-Up? เพราะช่วยให้บริหารความเสี่ยงแบบละเอียดรายสินทรัพย์ได้ในพอร์ตขนาดใหญ่

สู้ต่อไปครับ! คุณกำลังพิชิตหนึ่งในส่วนที่เทคนิคสูงที่สุดของหลักสูตร FRM Part II แล้ว จำไว้ว่า: สหสัมพันธ์ไม่ใช่แค่ตัวเลข แต่มันคือ "กาว" ของระบบการเงินทั้งระบบ!