ยินดีต้อนรับสู่บทเรียนเรื่องความเสี่ยงด้านเครดิตของพอร์ตโฟลิโอ!

สวัสดีครับ! ถ้าคุณเดินทางมาถึง FRM Part II แล้ว คุณคงรู้อยู่แล้วว่าความเสี่ยงด้านเครดิตคือความเป็นไปได้ที่ผู้กู้จะไม่สามารถชำระคืนเงินกู้ได้ แต่ในโลกความเป็นจริง ธนาคารไม่ได้ถือสัญญาเงินกู้เพียงสัญญาเดียว แต่ถือไว้เป็นพันๆ สัญญา! ในบทนี้ เราจะเปลี่ยนจากการพิจารณาเงินกู้เป็น รายรายการ ไปสู่การมองภาพรวมของ พอร์ตโฟลิโอ ทั้งก้อนครับ

ทำไมเรื่องนี้ถึงสำคัญ? เพราะในพอร์ตโฟลิโอ "เวทมนตร์" ของการกระจายความเสี่ยง (Diversification) สามารถลดความเสี่ยงได้ แต่ "อันตราย" ของความสัมพันธ์ระหว่างสินทรัพย์ (Correlation) ก็สามารถขยายความเสี่ยงให้ใหญ่ขึ้นได้เช่นกัน การเข้าใจว่าเงินกู้แต่ละรายการส่งผลต่อกันอย่างไร คือเส้นแบ่งระหว่างธนาคารที่มั่นคงกับวิกฤตการณ์ทางการเงินเลยทีเดียว ถ้ารู้สึกว่าคณิตศาสตร์เยอะในช่วงแรก ไม่ต้องกังวลนะ เราจะค่อยๆ เจาะลึกไปทีละส่วนครับ!

1. รากฐานสำคัญ: Expected Loss (EL) เทียบกับ Unexpected Loss (UL)

ในการบริหารพอร์ตโฟลิโอ อันดับแรกเราต้องแยกให้ออกระหว่างสิ่งที่เรา คาดการณ์ ว่าจะเสีย กับสิ่งที่เป็น เหตุการณ์ไม่คาดฝัน

Expected Loss (EL): คือค่าความเสียหายเฉลี่ยที่ธนาคารคาดว่าจะเกิดขึ้นในช่วงเวลาหนึ่ง ถือเป็น "ต้นทุนการทำธุรกิจ" ตามปกติ ธนาคารจะครอบคลุม EL ด้วยการตั้ง สำรองเผื่อหนี้สูญ (Provisions) เหมือนการเก็บเงินออมไว้สำหรับวันข้างหน้า
สำหรับพอร์ตโฟลิโอ ค่า EL รวมจะเป็นผลรวมของ EL รายรายการง่ายๆ ดังนี้:
\( EL_p = \sum_{i=1}^{n} EL_i \)
\( EL_i = EAD_i \times PD_i \times LGD_i \)

Unexpected Loss (UL): คือความผันผวนหรือความไม่แน่นอนที่อยู่รอบๆ ค่า EL นี่แหละคือความเสี่ยงที่ทำให้ผู้จัดการความเสี่ยงนอนไม่หลับ! เราจึงต้องใช้ เงินกองทุนทางเศรษฐกิจ (Economic Capital) เพื่อป้องกันความเสี่ยงจาก UL นี้
ข้อควรจำ: ไม่เหมือนกับ EL นะครับ คุณไม่สามารถนำ UL รายรายการมาบวกกันตรงๆ เพื่อหา UL ของพอร์ตโฟลิโอได้ เหตุผลก็คือเรื่องของ ความสัมพันธ์ระหว่างสินทรัพย์ (Correlation) นั่นเอง

เปรียบเทียบให้เห็นภาพ: ลองนึกว่าคุณเป็นเจ้าของร้านดอกไม้ คุณ คาดการณ์ ไว้ว่ากุหลาบ 5% จะเหี่ยวเฉาทุกสัปดาห์ (EL) นั่นคือต้นทุนที่รู้ล่วงหน้า แต่ถ้าจู่ๆ เกิดคลื่นความร้อนขึ้นมาจนกุหลาบเหี่ยวถึง 40% นั่นคือ (UL) ค่า EL คือต้นทุน แต่ค่า UL คือความเสี่ยงของคุณครับ

สรุปประเด็นสำคัญ: EL สามารถนำมาบวกกันได้ แต่ UL ทำไม่ได้ เพราะมีผลกระทบจากการกระจายความเสี่ยงเข้ามาเกี่ยวข้องครับ

2. บทบาทของ Default Correlation

Default correlation คือตัววัดแนวโน้มที่ผู้กู้สองรายจะผิดนัดชำระหนี้พร้อมๆ กัน นี่คือ "สูตรลับ" (หรือจะเป็น "ยาพิษ") ของความเสี่ยงด้านเครดิตในพอร์ตโฟลิโอเลยล่ะ

ทำไมการผิดนัดชำระหนี้ถึงสัมพันธ์กัน?
• ปัจจัยเชิงระบบ (Systemic Factors): เช่น ภาวะเศรษฐกิจถดถอยที่กระทบทุกคน ถ้าเศรษฐกิจพัง ธุรกิจจำนวนมากก็มักจะไปไม่รอดพร้อมๆ กัน
• การแพร่กระจายของปัญหา (Contagion): ถ้าผู้ผลิตรถยนต์รายใหญ่ล้มละลาย ผู้ผลิตชิ้นส่วนรายย่อยต่างๆ ก็อาจล้มละลายตามไปด้วย

คุณรู้หรือไม่? ในช่วงวิกฤตการเงินปี 2008 โมเดลหลายตัวพังไม่เป็นท่าเพราะไปตั้งสมมติฐานว่าความสัมพันธ์ (Correlation) จะต่ำ แต่ในความจริงแล้ว เมื่อสถานการณ์เลวร้าย ค่า Correlation มักจะพุ่งขึ้นไปที่ 1 ทำให้ทุกอย่างพังครืนลงมาพร้อมกันหมด!

คณิตศาสตร์ของ Portfolio UL:
สำหรับพอร์ตโฟลิโอที่มีสินทรัพย์ 2 รายการ ค่า UL คือ:
\( UL_p = \sqrt{UL_1^2 + UL_2^2 + 2 \rho_{12} UL_1 UL_2} \)
โดยที่ \( \rho_{12} \) คือค่าความสัมพันธ์ระหว่างสินทรัพย์ทั้งสอง หากความสัมพันธ์เป็น 1 ก็จะไม่มีการกระจายความเสี่ยง แต่ถ้าความสัมพันธ์น้อยกว่า 1 ค่า UL ของพอร์ตโฟลิโอก็จะน้อยกว่าผลรวมของส่วนประกอบแต่ละส่วนครับ!

3. Credit Value-at-Risk (Credit VaR)

Credit VaR คือค่าความสูญเสียสูงสุดที่พอร์ตโฟลิโอคาดว่าจะได้รับในช่วงเวลาที่กำหนด ภายใต้ระดับความเชื่อมั่นที่ระบุไว้ (เช่น 99.9%)

Credit VaR กับ Market VaR ต่างกันอย่างไร?
Market VaR มักคำนวณในช่วง 1 หรือ 10 วัน แต่ Credit VaR มักคำนวณที่ระยะเวลา 1 ปี เพราะเหตุการณ์ทางเครดิตเกิดขึ้นช้ากว่า นอกจากนี้ การกระจายตัวของความเสียหายจากเครดิตจะไม่มีการแจกแจงแบบปกติ (Normal) แต่จะมี ลักษณะเบ้ (Skewed) (คือส่วนใหญ่ไม่เสียอะไรเลย แต่บางครั้งจะเสียก้อนใหญ่มาก)

สูตร Economic Capital:
\( Economic Capital = Credit VaR - EL \)
ธนาคารต้องถือเงินทุนไว้เพื่อรองรับส่วนที่เป็น "ความเสี่ยงที่คาดไม่ถึง" (tail risk) ไม่ใช่สำหรับค่าความเสียหายเฉลี่ยครับ

ตารางทบทวนด่วน:
• EL: ตั้งงบประมาณเป็นค่าใช้จ่าย
• UL: ต้องใช้เงินทุนมาเป็นกันชนป้องกัน
• Credit VaR: ความเสียหายที่เลวร้ายที่สุดภายใต้ระดับความเชื่อมั่นที่กำหนด

4. แบบจำลอง Vasicek (สำหรับพอร์ตโฟลิโอขนาดใหญ่ที่เหมือนกัน)

ในบทเรียนมักจะเน้นที่ แบบจำลอง Vasicek (หรือที่เรียกว่า One-Factor Model) ซึ่งใช้คำนวณ Credit VaR ของพอร์ตโฟลิโอขนาดใหญ่มากที่ประกอบด้วยสินเชื่อประเภทเดียวกัน (เช่น บัตรเครดิต หรือสินเชื่อบ้าน)

แนวคิดหลัก: เราสมมติว่ามีปัจจัยร่วมหนึ่งอย่าง (คือ "สภาวะเศรษฐกิจ") และปัจจัยเฉพาะตัวอีกมากมาย (โชคร้ายส่วนบุคคล)
เมื่อจำนวนสินเชื่อในพอร์ตโฟลิโอเพิ่มขึ้นจนเป็นอนันต์ ความเสี่ยงเฉพาะตัว (idiosyncratic risks) จะหักล้างกันเอง เหลือเพียง ความเสี่ยงเชิงระบบ (systemic risk) เท่านั้นครับ

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักลืมไปว่าแบบจำลอง Vasicek สมมติว่าพอร์ตโฟลิโอมีความเป็น Granularity (ความละเอียด) สูงมาก หมายความว่าไม่มีเงินกู้รายการไหนใหญ่พอที่จะกระทบพอร์ตโฟลิโอได้ทั้งก้อน

5. การวัดส่วนสนับสนุนความเสี่ยง (Risk Contributions)

หากคุณมีพอร์ตโฟลิโอ คุณจำเป็นต้องรู้ว่าเงินกู้ตัวไหนเป็นตัวเพิ่มความเสี่ยงมากที่สุด เราจึงใช้สองเครื่องมือหลัก:

Marginal Risk Contribution (MRC): บอกเราว่าความเสี่ยงรวมของพอร์ตโฟลิโอจะเปลี่ยนไปอย่างไรหากเราเพิ่มเงินกู้ตัวใหม่เข้าไปเล็กน้อย ช่วยให้ตัดสินใจได้ว่าเงินกู้ใหม่นั้น "คุ้มค่า" กับความเสี่ยงที่เพิ่มขึ้นหรือไม่
Component VaR: แบ่งค่า VaR รวมของพอร์ตโฟลิโอออกเป็นส่วนๆ เพื่อดูว่าสินทรัพย์แต่ละตัว "เป็นเจ้าของ" สัดส่วนความเสี่ยงรวมไปเท่าไหร่

เทคนิคการจำ: ลองนึกถึงการทำซุป EL คือค่าวัตถุดิบ Portfolio Risk คือความเผ็ดของซุป และ Marginal Contribution คือความเผ็ดที่เพิ่มขึ้นจากการหยดซอสเผ็ดลงไป อีกเพียง 1 หยด ครับ

6. Copulas: การเชื่อมโยงทุกอย่างเข้าด้วยกัน

Copulas คือเครื่องมือทางคณิตศาสตร์ที่ใช้สร้างแบบจำลอง โครงสร้างการพึ่งพาระหว่างกัน (Dependence Structure) ของตัวแปรต่างๆ โดยไม่จำเป็นต้องกังวลเรื่องการแจกแจงของตัวแปรนั้นๆ

Gaussian Copula: นี่คือ "สูตรลับที่ทำลายวอลล์สตรีท" ที่โด่งดัง มันตั้งสมมติฐานว่าความสัมพันธ์ของการผิดนัดชำระหนี้ร่วมกันนั้นแจกแจงแบบปกติ (Normal distribution)
ปัญหาคือ: Gaussian Copula มักจะ ประเมิน "Tail Dependence" ต่ำเกินไป พูดง่ายๆ คือมันไม่เข้าใจว่าเมื่อเกิดวิกฤตจนผู้กู้รายหนึ่งผิดนัดชำระหนี้ รายอื่นๆ มีโอกาสที่จะผิดนัดชำระหนี้ตามมา มากกว่า ที่การแจกแจงแบบปกติจะคาดการณ์ไว้มากครับ

สรุปประเด็นสำคัญ: Copulas ช่วยให้เรานำความน่าจะเป็นในการผิดนัดชำระหนี้รายบุคคลมารวมกันเป็นความน่าจะเป็นร่วมสำหรับพอร์ตโฟลิโอทั้งหมดได้

7. สรุปและคำแนะนำทิ้งท้าย

จำประเด็นเหล่านี้ไว้เพื่อสอบนะครับ:
• การกระจายความเสี่ยง (Diversification) ช่วยลด UL ได้ แต่ลด EL ไม่ได้เลย
• ความสัมพันธ์ในการผิดนัดชำระหนี้ (Default Correlations) คือตัวขับเคลื่อนหลักของความเสี่ยงพอร์ตโฟลิโอ เมื่อความสัมพันธ์เพิ่มขึ้น "หาง" ของการกระจายความเสียหายก็จะหนาขึ้น (Tail gets fatter)
• เงินกองทุนทางเศรษฐกิจ (Economic Capital) ถูกออกแบบมาเพื่อครอบคลุม Credit VaR ลบด้วย EL
• ความละเอียด (Granularity) คือเพื่อนของคุณ ยิ่งคุณมีสินเชื่อขนาดเล็กและเป็นอิสระต่อกันมากเท่าไหร่ ความเสี่ยงส่วนบุคคลก็จะยิ่งหักล้างกันเองได้มากขึ้นเท่านั้น

ไม่ต้องกังวลถ้าสูตรของ Copulas หรือโมเดล Vasicek ดูน่ากลัว ในการสอบ FRM ให้โฟกัสที่ ความสัมพันธ์ (Relationships) เป็นหลัก: ถ้า Correlation เพิ่มขึ้น VaR จะเป็นอย่างไร? (ก็ต้องเพิ่มขึ้น!) ถ้าพอร์ตโฟลิโอมีความละเอียดมากขึ้น ความเสี่ยงเฉพาะตัวจะเป็นอย่างไร? (ก็ต้องลดลง!)

คุณทำได้แน่นอน! หัวใจสำคัญของ Portfolio Credit Risk คือการมองให้เห็น "ภาพใหญ่" เหนือกว่าแค่การดูสัญญาเงินกู้รายรายการครับ!