The Art of Term Structure Models: Drift

ยินดีต้อนรับสู่โลกของการสร้างแบบจำลองอัตราดอกเบี้ย!

ใน FRM Part I คุณได้เรียนรู้วิธีการคำนวณราคาของพันธบัตรไปแล้ว สำหรับ Part II นี้เราจะก้าวกระโดดไปอีกขั้น เราไม่ได้แค่ดูว่าอัตราดอกเบี้ยในปัจจุบัน เป็นเท่าไหร่ แต่เรากำลังพยายามสร้างแบบจำลองเพื่อดูว่าในอนาคตมัน มีโอกาสที่จะไปทางไหนได้บ้าง บทเรียนนี้ในหัวข้อ "ศิลปะแห่งแบบจำลองโครงสร้างอัตราดอกเบี้ย: Drift" จะเน้นไปที่ "แนวโน้ม" หรือ "ทิศทางโดยเฉลี่ย" ของอัตราดอกเบี้ย

การเข้าใจแบบจำลองเหล่านี้มีความสำคัญอย่างยิ่งต่อการบริหารความเสี่ยงตลาด เพราะหากคุณไม่สามารถสร้างแบบจำลองการเคลื่อนไหวของเส้นอัตราผลตอบแทน (Yield Curve) ได้ คุณก็ไม่สามารถกำหนดราคาอนุพันธ์ที่ซับซ้อนหรือบริหารความเสี่ยงของพอร์ตโฟลิโอพันธบัตรได้อย่างแม่นยำ ไม่ต้องกังวลหากคณิตศาสตร์ดูน่ากลัวในตอนแรก เราจะค่อยๆ ย่อยมันออกเป็นส่วนๆ ไปพร้อมกัน!

1. พื้นฐาน: แบบจำลองโครงสร้างอัตราดอกเบี้ยคืออะไร?

หัวใจสำคัญของแบบจำลองอัตราดอกเบี้ยระยะสั้น (Short-rate model) คือความพยายามอธิบายว่า อัตราดอกเบี้ยที่ปราศจากความเสี่ยงในทันที (\( r_t \)) เปลี่ยนแปลงไปอย่างไรในช่วงเวลาสั้นๆ (\( dt \)) โดยแบบจำลองส่วนใหญ่ใช้ "สูตรสำเร็จ" มาตรฐานดังนี้:

การเปลี่ยนแปลงของอัตราดอกเบี้ย = (ส่วนประกอบของ Drift) + (ส่วนประกอบเชิงสุ่ม/Stochastic)

ในเชิงคณิตศาสตร์ จะเขียนได้ดังนี้:
\( dr_t = \mu(r_t, t) dt + \sigma(r_t, t) dW_t \)

• \( dr_t \): การเปลี่ยนแปลงของอัตราดอกเบี้ย
• \( \mu(r_t, t) \): Drift นี่คือ "เส้นทางที่คาดหวัง" หากไม่มีปัจจัยสุ่มเข้ามาเกี่ยวข้อง นี่คือทิศทางที่อัตราดอกเบี้ยควรจะไป
• \( \sigma(r_t, t) \): ความผันผวน (Volatility) ส่วนนี้เป็นตัวกำหนดระดับของ "สัญญาณรบกวน" หรือ "ความไม่แน่นอน"
• \( dW_t \): กระบวนการวีนเนอร์ (Wiener Process) ให้มองว่าเป็นแรงกระแทกแบบสุ่ม (เช่น ข่าวที่เกิดขึ้นกะทันหัน)

การเปรียบเทียบ: การขับรถยนต์
ลองจินตนาการว่าคุณกำลังขับรถในวันที่ลมแรง
- Drift คือพวงมาลัยและระบบควบคุมความเร็วอัตโนมัติของคุณ ซึ่งเป็นทิศทางที่คุณ ตั้งใจ จะไป
- ส่วนประกอบเชิงสุ่ม (Stochastic Component) คือลมที่พัดปะทะทำให้รถส่ายไปมา คุณรู้ว่าลมจะต้องพัดแน่ๆ แต่คุณไม่รู้ว่ามันจะพัดเมื่อไหร่หรือแรงแค่ไหน

ทบทวนสั้นๆ: Drift บอกเราถึงทิศทาง "เฉลี่ย" ในขณะที่ความผันผวนบอกเราว่าอัตราดอกเบี้ย "กระเพื่อม" ออกจากค่าเฉลี่ยนั้นมากน้อยเพียงใด

2. แบบจำลองที่ 1: แบบจำลอง Ho-Lee (Constant Drift)

แบบจำลอง Ho-Lee เป็นแบบจำลองแรกที่ "ปราศจากการเก็งกำไร" (Arbitrage-free) โดยสมมติว่า Drift ขึ้นอยู่กับเวลาแต่ไม่ขึ้นอยู่กับระดับของอัตราดอกเบี้ยในขณะนั้น

สูตร:
\( dr_t = \theta(t) dt + \sigma dW_t \)

คุณสมบัติหลัก:
1. Drift ที่ขึ้นกับเวลา (\( \theta(t) \)): ช่วยให้แบบจำลองสามารถ "ปรับแต่ง" (Calibrate) ให้เข้ากับเส้นอัตราผลตอบแทนของตลาดในปัจจุบันได้อย่างสมบูรณ์แบบ
2. ความผันผวนคงที่: ระยะการ "กระเพื่อม" จะเท่าเดิมไม่ว่าอัตราดอกเบี้ยจะอยู่ที่ 1% หรือ 10%
3. การแจกแจงปกติ: ในแบบจำลองนี้ อัตราดอกเบี้ยมีการแจกแจงแบบปกติ

ข้อเสีย (ข้อผิดพลาดที่พบบ่อย):
เนื่องจาก Drift เป็นค่าคงที่และไม่มีแรง "ดึง" อัตราดอกเบี้ยกลับเข้าสู่จุดกึ่งกลาง แบบจำลอง Ho-Lee จึงทำให้อัตราดอกเบี้ยติด ลบ ได้ง่ายๆ แม้ว่าในโลกความเป็นจริงอัตราดอกเบี้ยติดลบจะเคยเกิดขึ้นจริง แต่แบบจำลองนี้ขาด "ความทรงจำ" ว่าอัตราดอกเบี้ยควรอยู่ที่ระดับใดในภาวะปกติ

3. แบบจำลองที่ 2: แบบจำลอง Vasicek (Mean Reversion)

แบบจำลอง Vasicek นำเสนอแนวคิดที่เปลี่ยนโลกการเงินนั่นคือ การกลับเข้าสู่ค่าเฉลี่ย (Mean Reversion) ในโลกความเป็นจริง หากอัตราดอกเบี้ยสูงจนเกินไป ในที่สุดมันก็มักจะปรับตัวลดลง และหากมันต่ำจนเกินไป ในที่สุดมันก็จะค่อยๆ ปรับตัวสูงขึ้นกลับมา

สูตร:
\( dr_t = k(\theta - r_t) dt + \sigma dW_t \)

เจาะลึกเทอม Drift \( k(\theta - r_t) \):
- \( \theta \): ค่าเฉลี่ยระยะยาว (Long-run Mean) นี่คือระดับ "เป้าหมาย" ที่อัตราดอกเบี้ยต้องการจะคงตัวอยู่
- \( r_t \): อัตราดอกเบี้ยปัจจุบัน
- \( k \): ความเร็วในการกลับสู่ค่าเฉลี่ย (Speed of Reversion) เป็นตัวกำหนดว่าอัตราดอกเบี้ยจะถูกดึงกลับเข้าหา \( \theta \) เร็วแค่ไหน

ตัวช่วยจำ: หนังสติ๊ก
ให้ลองนึกว่า \( \theta \) คือเสาต้นหนึ่ง และอัตราดอกเบี้ยคือลูกบอลที่ผูกติดกับเสาด้วยหนังสติ๊ก
- ถ้าลูกบอล (\( r_t \)) เคลื่อนที่ออกห่างจากเสา (\( \theta \)) หนังสติ๊กก็จะดึงมันกลับมา
- ความแข็งของหนังสติ๊กคือค่า \( k \) ถ้า \( k \) มีค่ามาก อัตราดอกเบี้ยก็จะดีดกลับเข้าที่อย่างรวดเร็ว!

ประเด็นสำคัญ: Vasicek ดีกว่า Ho-Lee เพราะสะท้อนความเป็นจริงทางเศรษฐกิจว่าอัตราดอกเบี้ยไม่ได้วิ่งหายไปจนถึงอินฟินิตี้ อย่างไรก็ตาม เช่นเดียวกับ Ho-Lee มันยังคงใช้การแจกแจงแบบปกติ ซึ่งหมายความว่า อัตราดอกเบี้ยยังคงติดลบได้

4. แบบจำลองที่ 3: แบบจำลอง Cox-Ingersoll-Ross (CIR)

แบบจำลอง CIR ดูคล้ายกับ Vasicek มาก แต่แก้ไขปัญหาใหญ่หนึ่งประการคือ ความเป็นไปได้ที่อัตราดอกเบี้ยจะติดลบ (ส่วนใหญ่จะป้องกันได้)

สูตร:
\( dr_t = k(\theta - r_t) dt + \sigma \sqrt{r_t} dW_t \)

สิ่งที่เปลี่ยนไป?
สังเกตที่เทอมความผันผวน: \( \sigma \sqrt{r_t} \) ใน CIR ความผันผวนขึ้นอยู่กับระดับของอัตราดอกเบี้ย
- หากอัตราดอกเบี้ย (\( r_t \)) เข้าใกล้ศูนย์ ความผันผวน (\( \sigma \sqrt{r_t} \)) ก็จะเข้าใกล้ศูนย์ด้วย
- สิ่งนี้ทำให้เป็นเรื่องยากมาก (และเป็นไปไม่ได้เลย ขึ้นอยู่กับพารามิเตอร์) ที่อัตราดอกเบี้ยจะลดลงจนติดลบ

รู้หรือไม่?
แบบจำลอง CIR มักถูกเรียกว่า "แบบจำลองรากที่สอง" (Square Root Model) เนื่องจากมีเทอม \( \sqrt{r_t} \) ซึ่งส่งผลให้เกิดการแจกแจงแบบ non-central chi-squared แทนที่จะเป็นการแจกแจงแบบปกติ

5. แบบจำลองที่ 4: แบบจำลอง Lognormal (Black-Karasinski)

ผู้ปฏิบัติงานบางกลุ่มชอบที่จะสร้างแบบจำลองของ Natural log (ลอการิทึมธรรมชาติ) ของอัตราดอกเบี้ยมากกว่าตัวอัตราดอกเบี้ยโดยตรง นี่คือ แบบจำลอง Black-Karasinski

แนวคิด:
ด้วยการสร้างแบบจำลอง \( d \ln(r_t) \) เราจึงมั่นใจได้ว่าอัตราดอกเบี้ย \( r_t \) ไม่มีทางติดลบได้ ในเชิงคณิตศาสตร์ ค่าเอกซ์โพเนนเชียลของจำนวนจริงใดๆ จะเป็นบวกเสมอ (\( e^x > 0 \))

ทำไมถึงต้องใช้?
มันช่วยป้องกันไม่ให้อัตราดอกเบี้ยติดลบและอนุญาตให้ความผันผวนแปรผันตามระดับของอัตราดอกเบี้ย (คล้ายกับวิธีที่สร้างแบบจำลองราคาหุ้น) ซึ่งได้รับความนิยมอย่างมากในการสร้าง "ต้นไม้" (Trees) สำหรับออปชันแบบอเมริกัน

ตารางสรุป 4 แบบจำลองหลัก

1. Ho-Lee: Drift ง่ายๆ, ความผันผวนคงที่, อัตราดอกเบี้ยติดลบได้
2. Vasicek: มี Mean reversion, ความผันผวนคงที่, อัตราดอกเบี้ยติดลบได้
3. CIR: มี Mean reversion, ความผันผวนขึ้นอยู่กับ \(\sqrt{r}\), อัตราดอกเบี้ยเป็นบวกเสมอ
4. Lognormal: สร้างแบบจำลองบน \(\ln(r)\), อัตราดอกเบี้ยเป็นบวกเสมอ, ไม่มีสูตรสำเร็จสำหรับราคาพันธบัตร (ต้องใช้วิธีเชิงตัวเลข)

6. Risk-Neutral Drift vs. Real-World Drift

นี่เป็นจุดที่นักเรียนหลายคนมักสับสน ในโลกการเงินมีอยู่สอง "โลก":

1. โลกแห่งความเป็นจริง (P-Measure):
นี่คือสิ่งที่เราคาดหวังว่าจะเกิดขึ้นจริง ซึ่งรวมถึง ส่วนชดเชยความเสี่ยง (Risk Premium) ด้วย นักลงทุนต้องการผลตอบแทนที่สูงขึ้นเพื่อชดเชยกับความเสี่ยงที่อัตราดอกเบี้ยอาจเปลี่ยนแปลง

2. โลกที่เป็นกลางต่อความเสี่ยง (Q-Measure):
นี่คือโครงสร้างทางคณิตศาสตร์ที่ใช้สำหรับ การกำหนดราคา (Pricing) ในโลกนี้เราสมมติว่านักลงทุนไม่ได้สนใจเรื่องความเสี่ยง ดังนั้นสินทรัพย์ทั้งหมดจึงได้รับผลตอบแทนเท่ากับอัตราดอกเบี้ยที่ปราศจากความเสี่ยง เราจึงต้องปรับ "Drift" ของแบบจำลองเพื่อรองรับสมมติฐานนี้

ความเชื่อมโยง: ราคาตลาดของความเสี่ยง (\( \lambda \))
การเปลี่ยนจากโลกแห่งความเป็นจริงไปสู่โลกที่เป็นกลางต่อความเสี่ยง เราจะนำส่วนชดเชยความเสี่ยงมาลบออกจาก Drift:
\( \text{Risk-Neutral Drift} = \text{Real-World Drift} - (\text{Market Price of Risk} \times \text{Volatility}) \)

ประเด็นสำคัญ: สำหรับการสอบ FRM จำไว้ว่าเราใช้ Risk-Neutral Drift เมื่อเราต้องการ กำหนดราคา (Price) อนุพันธ์ แต่เราจะใช้ Real-World Drift หากเรากำลังพยายาม พยากรณ์ (Forecast) หรือคำนวณมูลค่าความเสี่ยง (Value-at-Risk หรือ VaR)

7. เคล็ดลับสุดท้ายเพื่อความสำเร็จ

อย่าปล่อยให้สัญลักษณ์ทางคณิตศาสตร์ทำให้คุณกลัว เมื่อคุณเห็นสูตรในบทนี้ ให้ถามตัวเองสามคำถาม:
1. มันมี Mean Reversion หรือไม่? (มองหา \( k(\theta - r) \))
2. อัตราดอกเบี้ยติดลบได้หรือไม่? (ถ้าเทอมความผันผวนไม่มี \( r \) หรือ \( \sqrt{r} \) อยู่ มีแนวโน้มว่าติดลบได้)
3. Drift เป็นค่าคงที่หรือแปรผันตามเวลา? (Drift ที่แปรผันตามเวลาช่วยให้แบบจำลองฟิตเข้ากับ Yield Curve ปัจจุบันได้แม่นยำ)

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักสับสนระหว่าง "Mean Reversion" กับ "Drift" จำไว้ว่า: Mean Reversion เป็น ประเภทหนึ่ง ของ Drift ไม่ใช่ทุกแบบจำลองที่มี Drift จะต้องมี Mean Reversion (เช่น Ho-Lee) แต่ทุกแบบจำลองที่มี Mean Reversion จะต้องมีส่วนประกอบของ Drift เสมอ!

หมั่นฝึกฝนความแตกต่างเชิงคุณภาพระหว่างแบบจำลองเหล่านี้ เพราะข้อสอบ FRM มักจะทดสอบความเข้าใจของคุณว่า แบบจำลองใด ที่เหมาะสมกับสถานการณ์เฉพาะ มากกว่าที่จะให้คุณนั่งคำนวณตัวเลขเพียงอย่างเดียว!