ยินดีต้อนรับสู่โลกแห่งวิทยาศาสตร์ของแบบจำลองโครงสร้างอัตราดอกเบี้ย (Term Structure Models)!

ยินดีต้อนรับว่าที่นักบริหารความเสี่ยงทุกคน! หากคุณเคยสงสัยว่าธนาคารตัดสินใจกำหนดราคาเงินกู้จำนองระยะ 30 ปีได้อย่างไร หรือนักเทรดกำหนดราคา Interest Rate Swap ที่ซับซ้อนกันได้อย่างไร คุณมาถูกที่แล้วครับ ในบทนี้เรื่อง วิทยาศาสตร์ของแบบจำลองโครงสร้างอัตราดอกเบี้ย (The Science of Term Structure Models) เราจะก้าวข้ามแค่เส้นอัตราผลตอบแทน (Yield Curve) แบบพื้นฐาน แล้วดำดิ่งลงไปใน "กลไก" ทางคณิตศาสตร์ที่เป็นตัวขับเคลื่อนการเคลื่อนไหวของอัตราดอกเบี้ย ไม่ต้องกังวลหากคณิตศาสตร์ดูน่ากลัวในตอนแรก เราจะค่อยๆ ย่อยมันทีละขั้นตอนโดยใช้การเปรียบเทียบที่เข้าใจง่าย เริ่มกันเลย!

1. แบบจำลองโครงสร้างอัตราดอกเบี้ยคืออะไร?

หัวใจสำคัญของ แบบจำลองโครงสร้างอัตราดอกเบี้ย (Term Structure Model) คือคำอธิบายทางคณิตศาสตร์ว่าอัตราดอกเบี้ยเปลี่ยนแปลงไปตามกาลเวลาอย่างไร ในหลักสูตร FRM เราจะเน้นไปที่ แบบจำลองอัตราดอกเบี้ยระยะสั้น (Short-rate models) เป็นหลัก แบบจำลองเหล่านี้พยายามทำนายเส้นทางของ "อัตราดอกเบี้ยระยะสั้น" (ซึ่งก็คืออัตราดอกเบี้ยในช่วงเวลาที่สั้นมากๆ จนเกือบเป็นศูนย์) และใช้อัตรานั้นเป็นฐานในการประเมินราคาทุกอย่าง เช่น พันธบัตรและออปชัน

ทำไมเราถึงต้องใช้มัน?
ถ้าเรารู้เพียงแค่อัตราดอกเบี้ยของวันนี้ เราจะไม่สามารถกำหนดราคาออปชันที่จะหมดอายุในอีกสามปีข้างหน้าได้ เราจึงต้องมีแบบจำลองมาช่วยบอกว่าในอนาคตอัตราดอกเบี้ย น่าจะเป็นอย่างไร และจะมีความผันผวนมากน้อยแค่ไหน

การเปรียบเทียบ: ลองจินตนาการว่าคุณเป็นนักพยากรณ์อากาศ "อัตราดอกเบี้ยระยะสั้น" ก็คืออุณหภูมิในตอนนี้ ส่วน "โครงสร้างอัตราดอกเบี้ย" ก็คือพยากรณ์อากาศของคุณสำหรับช่วงที่เหลือของสัปดาห์ ในการพยากรณ์นั้น คุณต้องมีแบบจำลองที่คำนึงถึงทั้งฤดูกาล (แนวโน้ม) และพายุที่ไม่คาดคิด (ความผันผวน)

ประเด็นสำคัญ:

แบบจำลองโครงสร้างอัตราดอกเบี้ยใช้ อัตราดอกเบี้ยระยะสั้น (Short rate) เป็นพื้นฐานในการกำหนดราคาของหลักทรัพย์ทุกประเภทที่ขึ้นอยู่กับอัตราดอกเบี้ย


2. ส่วนประกอบพื้นฐาน: Drift และ Noise

แบบจำลองส่วนใหญ่ในบทนี้ใช้ "สูตรสำเร็จ" ที่เรียกว่า สมการเชิงอนุพันธ์สโตแคสติก (Stochastic Differential Equation - SDE) ซึ่งมีหน้าตาแบบนี้:

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

มาแยกแยะส่วนประกอบนี้ให้เข้าใจง่ายกัน:

  1. \( dr_t \): นี่คือ "การเปลี่ยนแปลงของอัตราดอกเบี้ย"
  2. \( \mu(r_t, t)dt \): นี่คือ Drift แสดงถึงทิศทางที่คาดหวังหรือทิศทาง "เฉลี่ย" ที่อัตราดอกเบี้ยกำลังเคลื่อนไป
  3. \( \sigma(r_t, t)dW_t \): นี่คือ ส่วนประกอบเชิงสโตแคสติก (แบบสุ่ม) แสดงถึง "สัญญาณรบกวน" หรือ "แรงกระแทก" ที่เกิดขึ้นในตลาด

เทคนิคช่วยจำ: ลองนึกถึงคนพาสุนัขเดินเล่น Drift คือเส้นทางที่คนกำลังเดิน (ทิศทางที่ตั้งใจไป) ส่วน ส่วนประกอบเชิงสุ่ม คือสุนัขที่พยายามดึงสายจูงไปทางอื่น (ความผันผวนที่คาดเดาไม่ได้)

ทบทวนสั้นๆ:
- Drift: ส่วนที่ "คาดหวังได้"
- Volatility: ส่วนที่ "ไม่แน่นอน"


3. แบบจำลองสมดุล (Equilibrium) vs. แบบจำลองไร้โอกาสทำกำไร (No-Arbitrage)

นี่คือหัวข้อโปรดของผู้ออกข้อสอบ FRM! คุณต้องเข้าใจความแตกต่างระหว่างสองแนวคิดนี้

ก. แบบจำลองสมดุล (Equilibrium Models)

แบบจำลองเหล่านี้เริ่มต้นด้วยสมมติฐานว่าระบบเศรษฐกิจทำงานอย่างไร มักมีพารามิเตอร์ไม่กี่ตัวและพยายามอธิบายเส้น Yield Curve ตามสมมติฐานนั้น ตัวอย่างได้แก่ Vasicek Model และ Cox-Ingersoll-Ross (CIR) Model

ข้อดี: เรียบง่ายและ "สวยงาม" ในเชิงคณิตศาสตร์
ข้อเสีย: มักจะไม่ตรงกับราคาตลาด จริงๆ ของพันธบัตรในปัจจุบัน เช่น แบบจำลองอาจบอกว่าพันธบัตร "ควร" มีราคา 98 ดอลลาร์ แต่ในตลาดซื้อขายกันที่ 100 ดอลลาร์

ข. แบบจำลองไร้โอกาสทำกำไร (No-Arbitrage Models)

แบบจำลองกลุ่มนี้ยอมรับราคาตลาดปัจจุบันเป็น "สิ่งที่กำหนดไว้แล้ว" พวกมัน บังคับ ให้แบบจำลองเข้ากับเส้น Yield Curve ปัจจุบันได้อย่างสมบูรณ์แบบโดยการเปลี่ยนค่าพารามิเตอร์ไปตามกาลเวลา ตัวอย่างได้แก่ Ho-Lee Model และ Hull-White Model

ข้อดี: เหมาะมากสำหรับการกำหนดราคาอนุพันธ์เพราะตรงกับข้อมูลตลาดปัจจุบันเป๊ะๆ
ข้อเสีย: อาจมีความซับซ้อนและอาจเกิดปัญหา "Overfit" (เข้าข้างข้อมูลมากเกินไป)

รู้หรือไม่? ผู้ปฏิบัติงานในตลาดมักชอบใช้แบบจำลอง No-Arbitrage ในการกำหนดราคา ในขณะที่นักเศรษฐศาสตร์มักชอบใช้แบบจำลอง Equilibrium ในการพยากรณ์ระยะยาว


4. Mean Reversion: ปรากฏการณ์ "หนังยาง"

หนึ่งในแนวคิดที่สำคัญที่สุดของวิทยาศาสตร์โครงสร้างอัตราดอกเบี้ยคือ Mean Reversion (การย้อนกลับสู่ค่าเฉลี่ย) ในโลกแห่งความเป็นจริง อัตราดอกเบี้ยมักไม่วิ่งไปถึง 1,000% หรือติดอยู่ที่ 0.0001% ตลอดไป แต่มีแนวโน้มที่จะกลับเข้าสู่ค่าเฉลี่ยระยะยาว

แบบจำลอง Vasicek เป็นรุ่นแรกที่ทำให้แนวคิดนี้เป็นที่นิยมด้วยเทอม Drift ที่ดูเป็นแบบนี้:
\( k(\theta - r_t)dt \)

  • \( \theta \): ค่าเฉลี่ยระยะยาว (จุดที่อัตราดอกเบี้ยต้องการกลับไปหา)
  • \( k \): ความเร็วในการย้อนกลับ (ว่ามันจะกลับไปได้เร็วแค่ไหน)

การเปรียบเทียบ: Mean Reversion เหมือนหนังยาง ยิ่งอัตราดอกเบี้ย (\( r_t \)) ถูกดึงออกห่างจากค่าเฉลี่ย (\( \theta \)) มากเท่าไหร่ แรง "Drift" ก็จะยิ่งดึงมันกลับมาแรงขึ้นเท่านั้น

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักสับสนระหว่าง \( \theta \) กับ \( k \) ให้จำง่ายๆ ว่า: \( \theta \) คือ จุดหมายปลายทาง และ \( k \) คือ เข็มวัดความเร็ว


5. เปรียบเทียบแบบจำลองสำคัญ

ข้อสอบ FRM มักถามให้แยกความแตกต่างของแบบจำลองโดยพิจารณาจากความผันผวนและ Drift นี่คือสรุปแบบง่าย:

1. แบบจำลองที่ 1 (Ho-Lee): เป็นแบบจำลอง No-arbitrage รุ่นแรก สมมติว่าความผันผวนคงที่และไม่มีการ Mean Reversion
สูตร: \( dr_t = \theta(t)dt + \sigma dW_t \)

2. แบบจำลอง Vasicek: รวมการ Mean Reversion เข้าไปด้วย แต่อัตราดอกเบี้ยมีโอกาส ติดลบ ได้ (เพราะความผันผวนคงที่และไม่ลดลงเมื่ออัตราดอกเบี้ยเข้าใกล้ศูนย์)
สูตร: \( dr_t = k(\theta - r_t)dt + \sigma dW_t \)

3. แบบจำลอง CIR (Cox-Ingersoll-Ross): คล้ายกับ Vasicek แต่เพิ่มเทอม "รากที่สอง" เข้าไปในความผันผวน ซึ่งหมายความว่าเมื่ออัตราดอกเบี้ยเข้าใกล้ศูนย์ ความผันผวนก็จะเข้าใกล้ศูนย์ด้วย ซึ่ง ป้องกันไม่ให้อัตราดอกเบี้ยติดลบ
สูตร: \( dr_t = k(\theta - r_t)dt + \sigma \sqrt{r_t} dW_t \)

ประเด็นสำคัญ:

ถ้าในสูตรมี \( \sqrt{r_t} \) นั่นคือแบบจำลองสไตล์ CIR ที่ถูกออกแบบมาเพื่อรักษาค่าอัตราดอกเบี้ยให้เป็นบวก!


6. การปรับเทียบแบบจำลอง (Calibration) และการปรับ Drift

เราจะทำให้แบบจำลองเหล่านี้ใช้ได้จริงได้อย่างไร? คำตอบคือการ Calibrate มัน การ Calibrate คือกระบวนการปรับพารามิเตอร์ของแบบจำลอง (เช่น \( \sigma \) หรือ \( k \)) เพื่อให้ผลลัพธ์จากแบบจำลองตรงกับราคาของตราสารในตลาดที่มีสภาพคล่อง (เช่น T-bonds หรือ Eurodollar futures)

เทคนิค "การปรับ Drift":
ในแบบจำลองขั้นสูงหลายตัว เราจะเพิ่ม Drift ที่ขึ้นกับเวลาเข้าไปคือ \( \theta(t) \) สิ่งนี้ทำหน้าที่เหมือน "ตัวแปรปรับแต่ง" (fudge factor) ที่ช่วยขยับการกระจายตัวของแบบจำลองขึ้นหรือลง เพื่อให้มั่นใจว่าราคาพันธบัตรในแบบจำลองตรงกับเส้น Yield Curve ของตลาดวันนี้จริงๆ

ขั้นตอนการ Calibration:
1. รวบรวมราคาตลาดของพันธบัตรทุกอายุคงเหลือ
2. เลือกแบบจำลอง (เช่น Hull-White)
3. คำนวณหาค่าพารามิเตอร์ Drift ที่ทำให้ราคาจากแบบจำลองเท่ากับราคาตลาด
4. ใช้พารามิเตอร์นั้นในการกำหนดราคาของอนุพันธ์ที่ "ซับซ้อน" หรือไม่มีสภาพคล่องสูง


7. บทบาทของความผันผวน (Volatility)

ใน "วิทยาศาสตร์" ของแบบจำลองเหล่านี้ ความผันผวนไม่ได้เป็นแค่ตัวเลขตัวเดียว เราพิจารณา:

  • Constant Volatility: เรียบง่าย แต่ไม่สมจริง
  • Time-Dependent Volatility: \( \sigma(t) \) ช่วยให้แบบจำลองตรงกับสิ่งที่ตลาดคาดการณ์ความผันผวนในอนาคต ("โครงสร้างความผันผวนตามระยะเวลา")
  • Mean-Reverting Volatility: ความผันผวนเองก็มีแนวโน้มที่จะกลับเข้าสู่ค่าเฉลี่ยระยะยาว

ไม่ต้องกังวลถ้าดูยากในตอนแรก: จำไว้ว่ายิ่งเทอมความผันผวนซับซ้อน แบบจำลองยิ่ง "เข้าข้าง" ข้อมูลตลาดได้ดีขึ้น แต่ก็จะยิ่งคำนวณยากขึ้นด้วย


8. สรุปและเคล็ดลับสำหรับข้อสอบ

เมื่อคุณจบเนื้อหาในบทนี้แล้ว ให้จำ "กฎทอง" เหล่านี้ไว้สำหรับสอบ:

สรุปสั้นๆ:
- Equilibrium models ใช้ตรรกะทางเศรษฐกิจ (Vasicek, CIR)
- No-arbitrage models เข้ากับเส้น Yield Curve ของปัจจุบัน (Ho-Lee, Hull-White)
- Mean Reversion ดึงอัตราดอกเบี้ยกลับเข้าหาค่าเฉลี่ยระยะยาว
- Vasicek อนุญาตให้อัตราดอกเบี้ยติดลบได้; CIR ทำไม่ได้ (เพราะมี \( \sqrt{r_t} \))
- Ho-Lee เป็นแบบจำลอง No-arbitrage ที่ง่ายที่สุด แต่ขาดการ Mean Reversion

เคล็ดลับสุดท้าย: เมื่อเห็นคำถามว่าควรใช้แบบจำลองไหนในการกำหนดราคา อนุพันธ์ตัวใหม่ที่ซับซ้อน คำตอบมักจะเป็น No-Arbitrage model เสมอ แต่ถ้าคำถามเกี่ยวกับ ทฤษฎีอัตราดอกเบี้ยระยะยาว ให้มองหา Equilibrium models

ยอดเยี่ยมมาก! คุณเพิ่งเรียนรู้พื้นฐานวิธีที่มืออาชีพใช้จำลองอัตราดอกเบี้ย ก้าวต่อไปเรื่อยๆ นะครับ!