The Art of Term Structure Models: Volatility and Distribution

ยินดีต้อนรับสู่ศิลปะแห่งแบบจำลองโครงสร้างอัตราดอกเบี้ย (Term Structure Models)!

สวัสดีครับ! หากคุณเดินทางมาถึง FRM Part II แล้ว คุณคงทราบดีว่าการสร้างแบบจำลองอัตราดอกเบี้ยนั้นเปรียบเสมือนการพยากรณ์อากาศ เพราะมันมีความซับซ้อน เปลี่ยนแปลงอยู่ตลอดเวลา และมีปัจจัยที่เกี่ยวข้องมากมาย ในบทนี้ที่ชื่อว่า "ศิลปะแห่งแบบจำลองโครงสร้างอัตราดอกเบี้ย: ความผันผวนและการแจกแจง" (The Art of Term Structure Models: Volatility and Distribution) เราจะมาเจาะลึกถึง "วิธีการ" และ "เหตุผล" เบื้องหลังแบบจำลองอัตราดอกเบี้ยรูปแบบต่างๆ โดยเราจะเน้นไปที่ว่าแบบจำลองเหล่านี้จัดการกับ ความผันผวน (Volatility) (ความแกว่งของอัตราดอกเบี้ย) และ การแจกแจง (Distribution) (รูปร่างของโอกาสที่อัตราดอกเบี้ยจะเป็นไปได้ในอนาคต) อย่างไร

ถ้ารู้สึกว่าเนื้อหาดูเป็นนามธรรมในช่วงแรก ไม่ต้องกังวลนะ เพราะเราไม่ได้เพียงแค่เรียนรู้คณิตศาสตร์เพื่อตัวมันเองเท่านั้น แต่เรากำลังมองหาเครื่องมือที่ดีที่สุดในการกำหนดราคาตราสารหนี้และบริหารจัดการความเสี่ยง เอาล่ะ มาค่อยๆ ทำความเข้าใจไปทีละขั้นกันเลย!

1. รากฐานสำคัญ: การแจกแจงแบบปกติ (Normal) vs. แบบล็อกปกติ (Lognormal)

เมื่อเราสร้างแบบจำลองการเคลื่อนไหวของอัตราดอกเบี้ย เราต้องตัดสินใจว่า "รูปร่าง" ของความเป็นไปได้ในอนาคตจะเป็นอย่างไร ซึ่งนี่คือความแตกต่างระหว่างแบบจำลอง Normal และ Lognormal

แบบจำลอง Normal (Arithmetic Models)

ในแบบจำลอง Normal (เช่น แบบจำลอง Ho-Lee หรือ Vasicek) การเปลี่ยนแปลงของอัตราดอกเบี้ยจะถูกแสดงในรูปของค่าสัมบูรณ์ (เช่น เพิ่มขึ้น 1%)
ข้อดี: คำนวณทางคณิตศาสตร์ได้ง่าย
ข้อเสีย: ในเชิงทฤษฎี อัตราดอกเบี้ยสามารถติด ลบ ได้ แม้ว่าในโลกแห่งความเป็นจริงเราจะเคยเห็นอัตราดอกเบี้ยติดลบมาแล้ว (เช่น ในยุโรปหรือญี่ปุ่น) แต่แบบจำลองดั้งเดิมหลายตัวไม่ได้ถูกออกแบบมาเพื่อรองรับเรื่องนี้

แบบจำลอง Lognormal (Geometric Models)

ในแบบจำลอง Lognormal (เช่น แบบจำลอง Black-Derman-Toy (BDT)) เราจะสร้างแบบจำลองจาก ค่าลอการิทึม ของอัตราดอกเบี้ยแทน
ข้อดี: อัตราดอกเบี้ย ไม่มีทางติดลบ และเมื่ออัตราดอกเบี้ยเข้าใกล้ศูนย์ ความผันผวน (ในรูปค่าสัมบูรณ์) จะลดลง
ข้อเสีย: ทางคณิตศาสตร์อาจจะ "ซับซ้อน" หรือคำนวณยากกว่า และอาจให้น้ำหนักความน่าจะเป็นที่อัตราดอกเบี้ยจะสูงมากๆ มากเกินความเป็นจริง

ทบทวนสั้นๆ: Normal vs. Lognormal

• Normal: ดอกเบี้ยติดลบได้ ความผันผวนคงที่เป็นหน่วย Basis Point
• Lognormal: ดอกเบี้ยเป็นบวกเสมอ ความผันผวนแปรผันตามระดับของอัตราดอกเบี้ย

2. แนวคิดเรื่องการปรับตัวเข้าสู่ค่าเฉลี่ย (Mean Reversion)

ให้คิดว่า Mean Reversion เหมือนกับยางยืด ถ้าคุณดึงอัตราดอกเบี้ยออกห่างจากระดับ "ค่าเฉลี่ยปกติ" ของมันมากเกินไป แบบจำลองจะดึงมันกลับมา นี่เป็นคุณสมบัติที่สำคัญมาก เพราะอัตราดอกเบี้ยไม่เหมือนราคาหุ้นที่อาจพุ่งไปถึงอินฟินิตี้หรือค้างอยู่ที่ศูนย์ตลอดกาล แต่อัตราดอกเบี้ยมักจะแกว่งตัวอยู่รอบๆ ค่าเฉลี่ยระยะยาวที่ถูกขับเคลื่อนโดยสภาวะเศรษฐกิจ

ความเร็วที่อัตราดอกเบี้ยจะกลับเข้าหาค่าเฉลี่ยเรียกว่า reversion speed (มักแทนด้วยตัวแปร \(k\))
- ถ้า \(k\) มีค่าสูง แสดงว่า "ยางยืด" นั้นตึงมาก อัตราดอกเบี้ยจะดีดกลับมาที่ค่าเฉลี่ยอย่างรวดเร็ว
- ถ้า \(k\) เป็นศูนย์ แสดงว่าแบบจำลองไม่มีการปรับตัวเข้าสู่ค่าเฉลี่ย (เช่น แบบจำลอง Ho-Lee)

เปรียบเทียบให้เห็นภาพ:
ลองนึกภาพลูกแก้วในชาม ไม่ว่าคุณจะดีดมันไปทางไหน สุดท้ายมันจะกลิ้งกลับมาอยู่ที่ก้นชามเสมอ จุด "ก้นชาม" นั้นก็คือค่าเฉลี่ยระยะยาวนั่นเอง

3. ทำความรู้จักกับ "ตระกูล" ของแบบจำลอง

เนื้อหาบทนี้เน้นแบบจำลองหลักๆ ไม่กี่ตัว มาดู "บุคลิก" (คุณสมบัติ) ของแต่ละตัวกัน:

A. แบบจำลอง Ho-Lee

เป็นแบบจำลองแบบ "No-Arbitrage" ที่เรียบง่ายที่สุด สมมติให้ อัตราดอกเบี้ยระยะสั้น (short rate) มีการแจกแจงแบบปกติ และ ไม่มีการปรับตัวเข้าสู่ค่าเฉลี่ย
\( dr_t = \theta(t)dt + \sigma dW_t \)
- จุดเด่น: ใช้พจน์ "drift" \(\theta(t)\) เพื่อทำให้แบบจำลองสอดคล้องกับโครงสร้างอัตราดอกเบี้ยปัจจุบัน (Yield Curve) ได้อย่างสมบูรณ์

B. แบบจำลอง Vasicek

แบบจำลองนี้เพิ่ม Mean Reversion เข้ามา แต่ยังคงใช้ การแจกแจงแบบปกติ (Normal distribution)
\( dr_t = k(\theta - r_t)dt + \sigma dW_t \)
- ข้อสังเกต: เนื่องจากเป็นแบบจำลอง Normal อัตราดอกเบี้ยจึงยังมีโอกาสติดลบได้

C. แบบจำลอง Cox-Ingersoll-Ross (CIR)

CIR เปรียบเสมือนพี่น้องที่ฉลาดกว่าของ Vasicek เพราะมี Mean Reversion เหมือนกัน แต่เพิ่มพจน์ "รากที่สอง" เข้าไปในความผันผวน
\( dr_t = k(\theta - r_t)dt + \sigma \sqrt{r_t} dW_t \)
- ทำไมถึงสำคัญ: เมื่ออัตราดอกเบี้ย \(r_t\) เข้าใกล้ศูนย์ ความผันผวน (\(\sigma \sqrt{r_t}\)) ก็จะเข้าใกล้ศูนย์ด้วย ซึ่งช่วย ป้องกันไม่ให้อัตราดอกเบี้ยติดลบ

D. แบบจำลอง Black-Derman-Toy (BDT)

นี่เป็นแบบจำลอง Lognormal ที่นิยมใช้มากในภาคอุตสาหกรรมสำหรับการประเมินมูลค่าออปชั่นบนตราสารหนี้
- จุดเด่น: สามารถสอดคล้องได้ทั้ง Yield Curve ปัจจุบัน และ Volatility Smile ของตลาด
- สิ่งที่ต้องจำ: BDT ในรูปแบบดั้งเดิมไม่มี Mean Reversion และสมมติให้ความผันผวนเป็นฟังก์ชันของเวลา

ตารางสรุปใจความสำคัญ

แบบจำลอง | การแจกแจง | Mean Reversion? | ดอกเบี้ยติดลบได้ไหม?
Ho-Lee | Normal | ไม่มี | ได้
Vasicek | Normal | มี | ได้
CIR | Non-Central Chi-Sq | มี | ไม่ได้
BDT | Lognormal | ไม่มี | ไม่ได้

4. โครงสร้างความผันผวน (Volatility Structures)

ใน "ศิลปะ" ของการสร้างแบบจำลอง เราต้องตัดสินใจว่า ความผันผวน (\(\sigma\)) จะมีพฤติกรรมอย่างไรเมื่อเวลาผ่านไป ซึ่งมี 2 วิธีหลัก:

1. Constant Volatility: สมมติว่าความ "แกว่ง" ของอัตราดอกเบี้ยในวันนี้จะเหมือนกับในอีก 10 ปีข้างหน้า (ง่าย แต่บ่อยครั้งไม่สมจริง)
2. Time-Dependent Volatility: ยอมให้ \(\sigma\) เปลี่ยนแปลงตามเวลา (\(\sigma(t)\)) ทำให้แบบจำลองสามารถสะท้อนราคาออปชั่นที่มีการซื้อขายในตลาดได้ดีขึ้น (เช่น Swaptions หรือ Caplets)

ข้อผิดพลาดที่ควรหลีกเลี่ยง:
อย่าสับสนระหว่าง ความผันผวนของอัตราดอกเบี้ย (Rate Volatility) กับ ความผันผวนของราคา (Price Volatility) เมื่ออายุของตราสารหนี้ยาวขึ้น **ราคา** ของมันจะตอบสนองต่อการเปลี่ยนแปลงของอัตราดอกเบี้ยมากขึ้น (Duration สูงขึ้น) แม้ว่าความผันผวนของอัตราดอกเบี้ยจะเท่าเดิมก็ตาม!

5. พจน์ Drift: การปรับให้ตรงกับ Yield Curve

คุณมักจะเห็นสัญลักษณ์ \(\theta\) หรือ \(\theta(t)\) ซึ่งในแบบจำลองเหล่านี้เรียกว่า Drift
ในแบบจำลอง "Equilibrium" ค่า Drift มักจะคงที่
ในแบบจำลอง "No-Arbitrage" เราจะ "บังคับ" ให้ Drift เปลี่ยนแปลงตามเวลา เพื่อให้ผลลัพธ์ของแบบจำลองสอดคล้องกับ Yield Curve ของตลาดปัจจุบันอย่างแม่นยำ
คิดซะว่ามันเหมือนการตั้งค่า GPS ให้ "ตำแหน่งปัจจุบัน" ตรงกับจุดที่คุณยืนอยู่บนแผนที่เป๊ะๆ นั่นแหละครับ

6. Path Dependency และการใช้ Tree

ในการคำนวณราคา เรามักใช้ Binomial หรือ Trinomial Trees
- Path-Independent: ไม่ว่าคุณจะเดินตามเส้นทางไหนจนมาถึงจุดที่อัตราดอกเบี้ยค่าหนึ่ง มูลค่าที่ได้จะเท่าเดิม (แบบจำลองส่วนใหญ่ที่เราคุยกัน เช่น Ho-Lee หรือ Vasicek จะเป็นแบบนี้เมื่ออยู่ในรูปแบบ recombining tree)
- Path-Dependent: มูลค่าขึ้นอยู่กับ "เส้นทาง" ที่อัตราดอกเบี้ยวิ่งผ่าน (เช่น อัตราดอกเบี้ยเคยแตะระดับ 5% ณ จุดใดจุดหนึ่งในอดีตหรือไม่) แบบจำลองเหล่านี้คำนวณยากกว่ามากและมักต้องใช้ Monte Carlo simulation แทนการใช้ Tree

เคล็ดลับเล็กๆ: Recombining Trees

Tree จะ "Recombine" (รวมตัวกลับ) ถ้าการขยับแบบ ขึ้น-ลง (Up-Down) นำไปสู่อัตราดอกเบี้ยเท่ากับการขยับแบบ ลง-ขึ้น (Down-Up) สิ่งนี้ช่วยให้คำนวณได้เร็วขึ้นมากเพราะมีจำนวน Node ให้คำนวณน้อยลง! แบบจำลอง Ho-Lee และ Vasicek รวมตัวกลับได้ง่าย ส่วน BDT ก็รวมตัวกลับได้เช่นกันเพราะใช้สเกลล็อก

สรุปและประเด็นสำคัญ

- การเลือกการแจกแจง: แบบจำลอง Normal คำนวณง่ายแต่อาจติดลบได้ ส่วน Lognormal (BDT) และ Square-root (CIR) ป้องกันอัตราดอกเบี้ยติดลบได้
- Mean Reversion: เปรียบเสมือนแรงโน้มถ่วงที่ดึงดอกเบี้ยกลับเข้าหาค่าเฉลี่ยระยะยาว ซึ่งเป็นคุณสมบัติเด่นของ Vasicek และ CIR
- Calibration: เราปรับค่า "drift" (\(\theta\)) เพื่อให้แบบจำลองสอดคล้องกับราคาตลาดปัจจุบัน
- เป้าหมาย: ไม่มีแบบจำลองที่ "สมบูรณ์แบบ" "ศิลปะ" คือการเลือกแบบจำลองที่มีสมมติฐาน (การแจกแจง, ความผันผวน, Mean Reversion) ที่เหมาะสมกับงานบริหารความเสี่ยงที่คุณทำอยู่มากที่สุด

หมั่นฝึกฝนการคำนวณ Tree และจำ "บุคลิก" ของแต่ละโมเดลให้แม่น คุณทำได้แน่นอนครับ!