ยินดีต้อนรับสู่สะพานเชื่อมระหว่างทฤษฎีและความเป็นจริง!

ในบทนี้ เราจะมาสำรวจหัวข้อ "ข้อความจากงานวิจัยทางวิชาการเกี่ยวกับการวัดความเสี่ยงสำหรับพอร์ตการค้า (Trading Book)" ฟังดูน่ากลัวนิดหน่อยใช่ไหมล่ะ? แต่ไม่ต้องกังวลไป! แท้จริงแล้วเรากำลังจะดู "เหตุผลเบื้องหลัง" ของกฎเกณฑ์ต่างๆ เหล่านี้ ผู้กำกับดูแล (เช่น คณะกรรมการ Basel) มักอ้างอิงงานวิจัยทางวิชาการเพื่อตัดสินใจว่าธนาคารควรวัดความเสี่ยงอย่างไร บทนี้จะเป็นสะพานเชื่อมระหว่างทฤษฎีคณิตศาสตร์อันซับซ้อนกับกฎระเบียบจริงที่คุณเห็นในหลักสูตร FRM เช่น การเปลี่ยนจากการใช้ Value at Risk (VaR) ไปสู่ Expected Shortfall (ES)

1. ทำไมต้องเปลี่ยนแปลง? ปัญหาของ Value at Risk (VaR)

เป็นเวลาหลายปีที่ VaR ครองตำแหน่งราชาแห่งการวัดความเสี่ยง โดยมันบอกคุณถึงผลขาดทุนสูงสุดที่คาดว่าจะเกิดขึ้นในช่วงเวลาหนึ่งด้วยระดับความเชื่อมั่นที่กำหนด อย่างไรก็ตาม นักวิชาการได้ชี้ให้เห็นถึงข้อบกพร่องสำคัญ 2 ประการที่ทำให้ผู้กำกับดูแลกังวล

ปัญหา A: เกิดอะไรขึ้นใน "ส่วนหาง" (The Tail)?

VaR บอกแค่จุดตัด (เช่น "เราจะไม่ขาดทุนเกิน 1 ล้านดอลลาร์ ด้วยความเชื่อมั่น 99%") แต่มัน ไม่ได้บอกอะไรเลย เกี่ยวกับสิ่งที่เกิดขึ้นในอีก 1% ที่เหลือว่าผลขาดทุนจะเป็น 1.1 ล้านดอลลาร์ หรือ 100 ล้านดอลลาร์กันแน่? ในช่วงวิกฤตการเงิน ความแตกต่างนี้คือเส้นแบ่งระหว่างการอยู่รอดและการล้มละลายเลยทีเดียว

ปัญหา B: การขาดสมบัติการรวมตัวเชิงบวก (Lack of Subadditivity)

ในทางการเงิน เราชอบเรื่อง การกระจายความเสี่ยง (Diversification) แนวคิดคือพอร์ตที่รวมสินทรัพย์สองอย่างเข้าด้วยกันควรมีความเสี่ยงน้อยกว่าผลรวมของความเสี่ยงของสินทรัพย์แต่ละตัวแยกกัน ในทางวิชาการเรียกสิ่งนี้ว่า Subadditivity
ในทางคณิตศาสตร์คือ: \( \rho(A + B) \le \rho(A) + \rho(B) \)
ที่น่าแปลกคือ VaR ไม่ได้เป็น Subadditive เสมอไป ภายใต้เงื่อนไขบางประการ (โดยเฉพาะอย่างยิ่งกับข้อมูลที่มีการกระจายตัวแบบ "หางหนา" หรือ Fat-tailed) การรวมพอร์ตสองพอร์ตเข้าด้วยกันอาจทำให้ค่า VaR สูงกว่าผลรวมของ VaR แยกกันเสียอีก ซึ่งส่งสัญญาณที่ผิดให้กับผู้จัดการธนาคาร ราวกับว่าการกระจายความเสี่ยงเป็นเรื่องที่ไม่ดี!

สรุปสั้นๆ: VaR คำนวณง่าย แต่ไม่สามารถจับ "ความเสี่ยงที่ปลายหาง" (Tail Risk) ได้ และไม่ได้ให้รางวัลแก่การกระจายความเสี่ยงเสมอไป

2. ทางออก: Expected Shortfall (ES)

เพื่อแก้ไขข้อบกพร่องของ VaR นักวิชาการจึงเสนอ Expected Shortfall (ES) หรือที่รู้จักกันในชื่อ Conditional VaR ซึ่ง ES จะตอบคำถามที่ว่า: "หากเหตุการณ์เลวร้ายเกิดขึ้นจนเกินค่า VaR ของเราไปแล้ว โดยเฉลี่ยแล้วเราจะสูญเสียเท่าไหร่?"

ข้อได้เปรียบหลักของ ES:
1. จับความเสี่ยงส่วนหางได้: มันคำนวณจากค่าเฉลี่ยของผลขาดทุนทั้งหมดที่อยู่ในส่วนหาง
2. ความสอดคล้อง (Coherence): ES เป็น มาตรวัดความเสี่ยงที่สอดคล้อง (Coherent Risk Measure) ซึ่งหมายความว่ามันเป็นไปตามสมบัติ Subadditivity เสมอ และยอมรับว่าการกระจายความเสี่ยงเป็นเรื่องที่ดีเสมอ

คุณรู้หรือไม่? กรอบ Basel III (โดยเฉพาะ Fundamental Review of the Trading Book หรือ FRTB) ได้เปลี่ยนจากการใช้ 99% VaR มาเป็น 97.5% ES อย่างเป็นทางการในการกำหนดเงินกองทุนขั้นต่ำ เนื่องจาก "ข้อความ" จากงานวิจัยทางวิชาการเหล่านี้แหละครับ

3. อะไรที่ทำให้มาตรวัดความเสี่ยง "สอดคล้อง" (Coherent)?

นักวิชาการ (โดยเฉพาะ Artzner และคณะ) ได้นิยามคุณสมบัติ 4 ประการที่มาตรวัดความเสี่ยง "ที่ดี" (สอดคล้อง) ควรจะมี ไม่ต้องตกใจกับศัพท์คณิตศาสตร์พวกนี้ เพราะจริงๆ แล้วมันคือสามัญสำนึกครับ!

1. Monotonicity: หากพอร์ต A ให้ผลตอบแทนดีกว่าพอร์ต B ในทุกสถานการณ์ที่เป็นไปได้ในอนาคต พอร์ต A ก็ต้องมีความเสี่ยงน้อยกว่า B
2. Subadditivity: ความเสี่ยงของพอร์ตที่รวมกันควรน้อยกว่าหรือเท่ากับผลรวมความเสี่ยงของส่วนประกอบแต่ละส่วน (การกระจายความเสี่ยงช่วยได้!)
3. Positive Homogeneity: ถ้าคุณเพิ่มขนาดพอร์ตเป็นสองเท่า ความเสี่ยงของคุณก็ต้องเพิ่มเป็นสองเท่าด้วย \( \rho(kX) = k\rho(X) \)
4. Translation Invariance: ถ้าคุณเพิ่มเงินสด ( \( C \) ) เข้าไปในพอร์ต ความเสี่ยงของคุณควรลดลงในจำนวนที่เท่ากับเงินสดที่เพิ่มเข้าไปพอดี \( \rho(X + C) = \rho(X) - C \)

เทคนิคจำ: ให้จำว่า "MSPT" (Most Students Pass Tests) — Monotonicity, Subadditivity, Positive Homogeneity, Translation Invariance

ประเด็นสำคัญ: VaR สอบตกในข้อ "S" (Subadditivity) ขณะที่ ES สอบผ่านทั้ง 4 ข้อ!

4. ความท้าทายในการทำ Backtesting: Elicitability

ถ้า ES ดีกว่า VaR มากขนาดนี้ ทำไมกว่าจะนำมาใช้จริงถึงใช้เวลานาน? คำตอบอยู่ที่เรื่อง Backtesting (การตรวจสอบว่าโมเดลที่เราใช้ทำนายผลได้ถูกต้องหรือไม่หลังจากเหตุการณ์เกิดขึ้นจริง)

นักวิชาการได้ถกเถียงเรื่องคุณสมบัติที่เรียกว่า Elicitability มาตรวัดความเสี่ยงจะเป็น Elicitable ก็ต่อเมื่อมี "ฟังก์ชันการให้คะแนน" (scoring function) ทางคณิตศาสตร์ที่ใช้เปรียบเทียบและจัดอันดับโมเดลการพยากรณ์ต่างๆ ได้

- VaR เป็น Elicitable เพราะทำได้ง่ายๆ แค่นับว่ามีกี่ครั้งที่ผลขาดทุนเกินค่า VaR ถ้าคุณมี "กรณีผิดพลาด" (exceptions) เยอะเกินไป แสดงว่าโมเดลของคุณผิด
- ES ไม่ใช่ Elicitable ในตัวของมันเอง การ "ให้คะแนน" การพยากรณ์ค่า ES ทำได้ยากกว่ามาก เพราะมันเป็นค่าเฉลี่ยของเหตุการณ์สุดโต่งที่นานๆ จะเกิดขึ้นที

ไม่ต้องกังวลหากส่วนนี้ดูเข้าใจยาก! เพียงแค่จำไว้ว่า: ES ดีกว่าในเชิงทฤษฎีสำหรับการวัดความเสี่ยง แต่ VaR ดีกว่าในเชิงปฏิบัติสำหรับการทำ Backtesting อย่างไรก็ตาม นักวิชาการเพิ่งค้นพบว่าเราสามารถทำ Backtesting ให้กับ ES ควบคู่ไปกับ VaR ได้ ซึ่งช่วยให้ผู้กำกับดูแลมั่นใจพอที่จะเปลี่ยนมาใช้ ES

5. Spectral Risk Measures

วรรณกรรมทางวิชาการยังแนะนำ Spectral Risk Measures อีกด้วย ให้คิดซะว่ามันเป็น ES เวอร์ชัน "ปรับแต่งได้" ในขณะที่ ES ให้ความสำคัญกับทุกเหตุการณ์ในส่วนหางเท่ากันหมด แต่ Spectral Risk Measure ช่วยให้ผู้จัดการสามารถกำหนด น้ำหนักที่มากกว่า ให้กับผลขาดทุนที่รุนแรงที่สุดได้ ตามแต่ ความกลัวความเสี่ยง (Risk Aversion) ของแต่ละคน

การเปรียบเทียบ: ลองจินตนาการว่าคุณกลัวความสูง ES เหมือนกับการวัดความสูงเฉลี่ยของหน้าผา แต่ Spectral Risk Measure เหมือนกับการบอกว่า "ยิ่งหน้าผาสูงเท่าไหร่ ฉันยิ่งกลัวมากขึ้นเท่านั้น ดังนั้นฉันจะให้ความสำคัญกับส่วนที่สูงที่สุดของหน้าผาในการคำนวณความเสี่ยงให้มากขึ้น"

6. Procyclicality: เมื่อมาตรวัดความเสี่ยงทำให้สถานการณ์แย่ลง

หนึ่งใน "ข้อความ" ที่สำคัญที่สุดจากนักวิชาการคือเรื่อง Procyclicality หรือผลกระทบแบบ "วงจรป้อนกลับ" (Feedback Loop):

1. ในช่วงวิกฤต ความผันผวนของตลาดจะพุ่งสูงขึ้น
2. ความผันผวนที่สูงทำให้ค่า VaR และ ES สูงขึ้นตามไปด้วย
3. ค่าความเสี่ยงที่สูงขึ้นบีบให้ธนาคารต้องถือเงินกองทุนมากขึ้น
4. เพื่อหาเงินกองทุนเพิ่ม ธนาคารจึงต้องขายสินทรัพย์ออกมา
5. การเทขายจำนวนมหาศาลทำให้ราคาตกลงไปอีก ซึ่งไปเพิ่มความผันผวนให้สูงขึ้นไปอีก

บทเรียน: มาตรวัดความเสี่ยงอาจ สร้างความไม่มั่นคง ได้หากมันตอบสนองต่อความเครียดในตลาดระยะสั้นเร็วเกินไป นี่คือเหตุผลว่าทำไมผู้กำกับดูแลจึงกำหนดให้ใช้ "ข้อมูลที่สะท้อนภาวะวิกฤต" (Stressed inputs) (เช่น Stressed VaR หรือ Stressed ES) เพื่อให้มั่นใจว่าธนาคารมีเงินกองทุนเพียงพอ ก่อนที่ วิกฤตจะมาถึง

7. ความเสี่ยงจากโมเดลและความไม่แน่นอนของพารามิเตอร์

สุดท้าย วรรณกรรมเตือนเราว่ามาตรวัดความเสี่ยงใดๆ ก็ดีเท่ากับข้อมูลและสมมติฐานที่อยู่เบื้องหลังเท่านั้น ซึ่งนี่คือ ความเสี่ยงจากโมเดล (Model Risk)

ความไม่แน่นอนของพารามิเตอร์ (Parameter Uncertainty)

เวลาที่เราคำนวณความเสี่ยง เรามักสมมติว่าเรารู้ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของผลตอบแทน แต่ความจริงเราไม่รู้! เราแค่ ประมาณการ จากข้อมูลในอดีต หากค่าประมาณการของเราคลาดเคลื่อนไปนิดเดียว VaR หรือ ES ของเราก็อาจผิดพลาดอย่างมหาศาลได้ นี่คือ "ความเสี่ยงที่เกี่ยวกับมาตรวัดความเสี่ยง" อีกทีหนึ่ง

ข้อผิดพลาดที่ควรหลีกเลี่ยง:

- สมมติว่าเป็นการกระจายตัวแบบปกติ (Normal Distribution): นักวิชาการย้ำว่าตลาดมี "หางที่หนา" (kurtosis) หากคุณใช้การกระจายตัวแบบปกติมาคำนวณ ES คุณจะประเมินความเสี่ยงต่ำกว่าความเป็นจริงมาก
- ละเลยเรื่องสภาพคล่อง (Liquidity): ในช่วงวิกฤต คุณอาจไม่สามารถขายสินทรัพย์ที่ราคาตลาดได้ มาตรวัดความเสี่ยงมาตรฐานมักละเลย "ต้นทุนในการรีบขาย" สินทรัพย์ออกจากพอร์ต

กล่องสรุปย่อ

1. ทำไมต้องเปลี่ยนจาก VaR เป็น ES? เพราะ VaR ละเลยความรุนแรงของผลขาดทุนในส่วนหาง และไม่มีสมบัติ Subadditivity (ไม่ได้สนับสนุนการกระจายความเสี่ยงเสมอไป)
2. ความสอดคล้อง (Coherence) คืออะไร? คือชุดคุณสมบัติทางคณิตศาสตร์ 4 ประการ (MSPT) ที่มาตรวัดความเสี่ยงที่ดีควรมี ซึ่ง ES ผ่านเกณฑ์นี้ แต่ VaR ไม่ผ่าน
3. ประเด็นเรื่อง Backtesting คืออะไร? VaR เป็น Elicitable (ทดสอบได้ง่าย) ในขณะที่ ES ตรวจสอบได้ยากกว่าในเชิงเทคนิค
4. Procyclicality คืออะไร? คืออันตรายที่มาตรวัดความเสี่ยงอาจบีบให้ธนาคารขายสินทรัพย์ช่วงตลาดขาลง ซึ่งจะทำให้สถานการณ์วิกฤตแย่ลงไปอีก
5. ความไม่แน่นอนของพารามิเตอร์คืออะไร? คือความเสี่ยงที่การประมาณการทางสถิติของเรา (เช่น ความผันผวน) ผิดพลาด นำไปสู่การคำนวณความเสี่ยงที่ผิดเพี้ยนไป

คุณทำได้อยู่แล้ว! บทนี้คือการเข้าใจว่าแม้คณิตศาสตร์จะมีพลังมากเพียงใด แต่มันก็มีข้อจำกัดในโลกแห่งความเป็นจริงที่วุ่นวายของการเทรด ให้โฟกัสที่เรื่องคุณสมบัติความ "สอดคล้อง" และการเปรียบเทียบ "VaR กับ ES" เพื่อเตรียมตัวสอบนะครับ!