ยินดีต้อนรับสู่โลกแห่งเหตุการณ์สุดโต่ง (Extreme Value Theory)!

สวัสดีครับ! วันนี้เราจะมาเจาะลึกหนึ่งในหัวข้อที่น่าสนใจที่สุดของหลักสูตร FRM Part II นั่นคือ Extreme Value Theory (EVT) ถ้าคุณเคยสงสัยว่าทำไมแบบจำลองความเสี่ยงแบบดั้งเดิมถึงมักจะใช้ไม่ได้ผลในช่วงที่ตลาดพัง คุณมาถูกที่แล้วครับ แบบจำลองส่วนใหญ่ที่ "ปกติ" มักสมมติว่าตลาดมีพฤติกรรมเป็นเส้นโค้งรูประฆัง (Bell Curve) แต่ในความเป็นจริง เรารู้กันดีว่าเหตุการณ์ "หงส์ดำ" (Black Swan) เกิดขึ้นบ่อยกว่าที่เราคิด EVT จึงเป็นเครื่องมือสำคัญที่เราใช้สำหรับวัดสิ่งที่ไม่น่าจะเกิดขึ้น—นั่นคือความเสียหายมหาศาลที่อยู่ในส่วนหาง (Tail) ของการกระจายตัวนั่นเองครับ

ไม่ต้องกังวลนะครับถ้าดูแล้วคณิตศาสตร์จะแน่นไปนิดในตอนแรก เราจะค่อยๆ ย่อยให้เป็นแนวคิดที่เข้าใจง่าย ใช้การเปรียบเทียบในชีวิตจริง และเน้นตรงจุดที่คุณต้องใช้สอบจริงๆ ครับ


1. ทำไมเราถึงต้องใช้ Extreme Value Theory?

ในด้านความเสี่ยงตลาด (Market Risk) เรามักจะใช้ การกระจายตัวแบบปกติ (Normal Distribution) แม้ว่ามันจะเหมาะกับราคาที่ขยับไปมาในวันปกติ แต่มันกลับทำนายช่วงที่ตลาดถล่มได้แย่อย่างน่าเหลือเชื่อ เพราะมันมี "หางที่บาง" (Thin tails) ทำให้ประเมินความน่าจะเป็นของเหตุการณ์รุนแรงต่ำกว่าความเป็นจริง

EVT ช่วยให้เราสร้างแบบจำลองเฉพาะ ส่วนหาง ของการกระจายตัวได้โดยไม่ต้องสนข้อมูลส่วนที่เหลือ ลองคิดแบบนี้ครับ: ถ้าคุณอยากรู้ว่าน้ำจะท่วมสูงแค่ไหนในรอบ 100 ปี คุณคงไม่สนใจปริมาณน้ำฝนเฉลี่ยในวันอังคารที่อากาศแจ่มใส แต่คุณจะสนใจแค่พายุที่ทำลายสถิติเท่านั้น นี่คือสิ่งที่ EVT ทำให้กับการเงินครับ

สรุปใจความสำคัญ: EVT เน้นไปที่ ส่วนหาง (เหตุการณ์สุดโต่ง) โดยเฉพาะ แทนที่จะมองทั้งการกระจายตัว ซึ่งจะช่วยให้เราวัดความเสี่ยงในช่วงวิกฤตได้แม่นยำกว่าครับ


2. สองแนวทางหลักของ EVT

มีสองวิธีหลักในการระบุและสร้างแบบจำลองค่าสุดโต่ง คุณอาจมองว่านี่เป็นวิธีการ "คัดกรอง" ข้อมูลเพื่อหาเหตุการณ์น่ากลัวๆ สองรูปแบบครับ

A. วิธี Block Maxima Method (BMM)

วิธีนี้คือการแบ่งข้อมูลของคุณออกเป็น "บล็อก" ขนาดเท่าๆ กัน (เช่น รายปีหรือรายไตรมาส) แล้วเลือกมาแค่ค่าความเสียหายที่ สูงสุด ของแต่ละบล็อกเท่านั้น
การเปรียบเทียบ: เหมือนกับถ้าคุณต้องการหาคนที่ตัวสูงที่สุดในโรงเรียน คุณก็เดินไปทุกห้องเรียน แล้วจดมาแค่ความสูงของคนที่สูงที่สุดเพียงคนเดียวของห้องนั้นครับ

ข้อมูลที่ได้มาจะถูกนำไปใช้ในแบบจำลอง Generalized Extreme Value (GEV) ครับ

B. วิธี Peaks-Over-Threshold (POT)

วิธีนี้คือการกำหนด เกณฑ์ (Threshold) ขึ้นมาหนึ่งค่า (สมมติว่าเป็น \(u\)) แล้วดูข้อมูลทุกจุดที่เกินเกณฑ์นั้นมา
การเปรียบเทียบ: แทนที่จะมองแค่คนเดียวต่อห้องเรียน คุณเลือกยืนรอที่หน้าประตูแล้ววัดความสูงของทุกคนที่สูงเกิน 6 ฟุตทั้งหมดครับ

ข้อมูลที่เกินมานี้ (Excesses) จะถูกนำไปใช้ในแบบจำลอง Generalized Pareto Distribution (GPD) ซึ่งในการบริหารความเสี่ยงสมัยใหม่ วิธี POT จะได้รับความนิยมมากกว่า เพราะใช้ข้อมูลได้อย่างมีประสิทธิภาพมากกว่าครับ

เคล็ดลับด่วน: ถ้าโจทย์พูดถึง "Block Maxima" ให้นึกถึง GEV แต่ถ้าพูดถึง "Threshold" ให้นึกถึง GPD ครับ


3. ทำความเข้าใจ Tail Index (\(\xi\))

พารามิเตอร์ที่สำคัญที่สุดใน EVT คือ shape parameter ซึ่งมักเขียนแทนด้วย \(\xi\) (xi) ตัวนี้แหละครับที่จะบอกเราว่าหางของมัน "หนา" แค่ไหน

  • ถ้า \(\xi > 0\): การกระจายตัวจะมี หางหนา (Heavy-Tailed) แบบ Frechet ซึ่งเป็นกรณีที่พบบ่อยที่สุดในการเงิน (หุ้น, สกุลเงิน ฯลฯ) ยิ่ง \(\xi\) มาก หางก็ยิ่งหนาขึ้นครับ
  • ถ้า \(\xi = 0\): การกระจายตัวจะมี หางบาง (Thin-Tailed) แบบ Gumbel ซึ่งหน้าตาเหมือนการกระจายตัวปกติ (Normal) หรือ Lognormal ครับ
  • ถ้า \(\xi < 0\): การกระจายตัวจะมี หางสั้น (Short Tail) แบบ Weibull ซึ่งหมายความว่ามีความเสียหายสูงสุดที่จำกัดไว้ตามหลักฟิสิกส์ครับ

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักสับสนระหว่าง \(\xi\) กับ Tail Index (\(\alpha\)) ในหนังสือบางเล่มความสัมพันธ์คือ \( \alpha = 1 / \xi \) แค่จำไว้ว่า: ยิ่ง \(\xi\) สูง ความเสี่ยงสุดโต่งก็ยิ่งมาก!


4. การแจกแจงแบบ Generalized Pareto Distribution (GPD)

เนื่องจาก วิธี POT เป็นมาตรฐานอุตสาหกรรม เราจึงต้องเข้าใจสูตร GPD ครับ อย่าเพิ่งตกใจกับสัญลักษณ์นะครับ!

ฟังก์ชันการกระจายตัวสะสม (CDF) ของ GPD คือ:
\( F(y) = 1 - (1 + \frac{\xi y}{\beta})^{-1/\xi} \)

โดยที่:
\(y\) = ค่าความเสียหายส่วนเกิน (ความเสียหายจริง ลบด้วย ค่า Threshold)
\(\xi\) = shape parameter (ความหนาของหาง)
\(\beta\) = scale parameter (ความกว้างของการกระจายตัวของข้อมูล)

รู้หรือไม่? GPD ถูกยกให้เป็น "การกระจายตัวของส่วนหาง" เพราะเมื่อ threshold \(u\) สูงขึ้นเรื่อยๆ ข้อมูลส่วนเกินเกือบทั้งหมดจะลู่เข้าสู่ GPD เสมอ ซึ่งสิ่งนี้เรียกว่า Pickands-Balkema-de Haan Theorem ครับ


5. การคำนวณ VaR และ Expected Shortfall ด้วย EVT

เป้าหมายหลักของการใช้ EVT ใน FRM คือการคำนวณ Value at Risk (VaR) และ Expected Shortfall (ES) ให้แม่นยำขึ้นสำหรับระดับความเชื่อมั่นสูงๆ (เช่น 99.9%)

ขั้นตอนการคำนวณ VaR:

เพื่อหา VaR ที่ระดับความเชื่อมั่นสูง (\(cl\)):
1. กำหนดค่า Threshold ของคุณ (\(u\))
2. นับจำนวนข้อมูลทั้งหมด (\(n\)) และจำนวนข้อมูล (\(n_u\)) ที่เกิน Threshold
3. ใช้สูตรต่อไปนี้:
\( VaR = u + \frac{\beta}{\xi} [ (\frac{n}{n_u} (1-cl))^{-\xi} - 1 ] \)

ขั้นตอนการคำนวณ Expected Shortfall (ES):

ข้อดีที่สุดอย่างหนึ่งของ GPD คือ เมื่อคุณมี VaR แล้ว การหา ES ก็ค่อนข้างง่าย:
\( ES = \frac{VaR + \beta - \xi u}{1 - \xi} \)

สรุปใจความสำคัญ: EVT ช่วยให้เรา "คาดการณ์ไปข้างหน้า" (extrapolate) ถึงเหตุการณ์ที่อยู่ไกลออกไปในหางได้ แม้เราจะไม่เคยเห็นเหตุการณ์ที่เกิดขึ้นในรอบ 100 ปี ในข้อมูล 10 ปีที่เรามี แต่ EVT ก็มีวิธีทางคณิตศาสตร์ให้เราประเมินมันออกมาได้ครับ


6. ความท้าทายและข้อจำกัด

EVT ไม่ใช่เวทมนตร์นะครับ มันมีปัญหาของมันอยู่เหมือนกัน:

  • การเลือก Threshold: นี่คือปัญหาใหญ่ที่สุด ถ้าคุณตั้ง \(u\) สูงไป ข้อมูลก็จะน้อยจนประมาณค่าไม่ได้ แต่ถ้าตั้งต่ำไป ข้อมูลก็จะไม่ "สุดโต่ง" จริงๆ และแบบจำลองก็จะพังครับ
  • ความไม่แน่นอนของพารามิเตอร์: เนื่องจากเราทำงานกับข้อมูลที่น้อยมาก (มีแต่พวกค่าสุดโต่ง) การประมาณค่า \(\xi\) และ \(\beta\) จึงไวต่อข้อมูลมากครับ
  • ความต้องการข้อมูล: คุณต้องมีประวัติข้อมูลที่ยาวนานพอ เพื่อให้มีข้อมูลเหตุการณ์สุดโต่งมากพอที่จะทำให้แบบจำลองน่าเชื่อถือครับ

ตารางทบทวนด่วน:
- GEV = Block Maxima (หนึ่งค่าสูงสุดต่อช่วงเวลา)
- GPD = Peaks Over Threshold (ทุกอย่างที่เกินเส้นเกณฑ์)
- \(\xi > 0\) = หางหนา (กรณีของโลกการเงิน)
- \(\xi\) คือรูปร่าง (shape), \(\beta\) คือขนาด (scale)


สรุปรายการสิ่งที่ต้องรู้

ก่อนจะผ่านหัวข้อนี้ ตรวจสอบให้มั่นใจว่าคุณทำสิ่งเหล่านี้ได้:
1. อธิบายได้ว่าทำไม Normal Distribution ถึงประเมินความเสี่ยงต่ำเกินไปเมื่อเทียบกับ EVT
2. แยกความแตกต่างระหว่าง Block Maxima และ Peaks-Over-Threshold ได้
3. ระบุพฤติกรรมของหางทั้งสามแบบโดยดูจากค่า \(\xi\) ได้
4. เข้าใจว่า GPD ใช้สำหรับสร้างแบบจำลองส่วนเกินที่เหนือกว่า Threshold สูงๆ

สู้ต่อไปครับ! คุณกำลังเชี่ยวชาญเครื่องมือที่นักบริหารความเสี่ยงระดับโลกใช้ปกป้องธนาคารในช่วงสถานการณ์ที่แย่ที่สุด คุณทำได้แน่นอน!