Appreciate different stochastic models for security prices and how and when they can be applied

ยินดีต้อนรับสู่แบบจำลองสโตแคสติกสำหรับราคาหลักทรัพย์!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่หนึ่งในส่วนที่น่าตื่นเต้นที่สุดของ หลักสูตร CM2 ถ้าคุณเคยดูแผนภูมิราคาหุ้นในตลาดหลักทรัพย์แล้วคิดว่า "มันดูสุ่มไปหมดเลยแฮะ" นั่นแหละครับ คุณกำลังคิดแบบนักคณิตศาสตร์ประกันภัย (Actuary) แล้ว! ในบทนี้ เราจะเรียนรู้วิธีการนำ "ความสุ่ม" เหล่านั้นมาเปลี่ยนเป็นแบบจำลองทางคณิตศาสตร์ ซึ่งแบบจำลองเหล่านี้จะช่วยให้เราสามารถประเมินมูลค่าสินทรัพย์และกำหนดราคาผลิตภัณฑ์ทางการเงินที่ซับซ้อนได้

ไม่ต้องกังวลถ้าคำว่า "สโตแคสติก" (Stochastic) ฟังดูน่ากลัว จริงๆ แล้วมันเป็นแค่คำศัพท์เท่ๆ ในทางคณิตศาสตร์ที่แปลว่า "แบบสุ่ม" เท่านั้นเองครับ เราแค่กำลังมองหาวิธีต่างๆ ในการอธิบายว่าราคาหลักทรัพย์มีการเคลื่อนที่ไปตามกาลเวลาอย่างไร เอาล่ะ มาเริ่มลุยกันเลย!

1. ทำไมเราถึงต้องใช้แบบจำลองสโตแคสติก?

ในโลกอุดมคติ เราอาจจะรู้ชัดเจนว่าพรุ่งนี้หุ้นจะมีราคาเท่าไหร่ แต่ในโลกความเป็นจริง ราคาถูกอิทธิพลจากเหตุการณ์ที่คาดเดาไม่ได้นับล้านอย่าง เราจึงต้องใช้แบบจำลองสโตแคสติกเพราะ:

1. ช่วยให้เรา วัดปริมาณความเสี่ยงได้ (เราอาจจะขาดทุนเท่าไหร่?)
2. ช่วยให้เรา กำหนดราคาอนุพันธ์ได้ (เช่น ออปชัน)
3. เป็นโครงสร้างพื้นฐานสำหรับ การจำลองสถานการณ์ในอนาคต

2. แบบจำลองทวินาม (Binomial Model – วิธีการแบบเวลาไม่ต่อเนื่อง)

ลองจินตนาการว่า แบบจำลองทวินาม (Binomial Model) เหมือนกับเกม "เลือกเส้นทางของคุณเอง" ในทุกๆ ช่วงเวลาที่ผ่านไป ราคาหุ้นสามารถทำได้เพียง 2 อย่างเท่านั้น คือ ขึ้น (Up) หรือ ลง (Down)

มันทำงานอย่างไร?

สมมติว่าราคาหุ้นปัจจุบันคือ \( S \) ในช่วงเวลาถัดไป:

1. ราคาจะขึ้นไปที่ \( uS \) (โดยที่ \( u > 1 \))
2. ราคาจะลงไปที่ \( dS \) (โดยที่ \( d < 1 \))

ข้อสมมติสำคัญของแบบจำลองทวินาม:

1. ไม่มีส่วนต่างกำไรจากการเก็งกำไร (No Arbitrage): คุณไม่สามารถทำกำไรโดยปราศจากความเสี่ยงได้เกินอัตราผลตอบแทนที่ปราศจากความเสี่ยง
2. ผลตอบแทนคงที่: ตัวคูณ \( u \) และ \( d \) จะมีค่าคงที่เสมอในทุกช่วงเวลา
3. เวลาแบบไม่ต่อเนื่อง (Discrete Time): การเปลี่ยนแปลงจะเกิดขึ้นเฉพาะในช่วงเวลาที่กำหนดเท่านั้น (เช่น ทุกวัน หรือทุกเดือน)

ทำไมถึงต้องใช้?

เพราะมัน เห็นภาพได้ง่ายมาก โดยใช้แผนภาพแบบ "ต้นไม้" (Tree) และยังยืดหยุ่นสูง คุณสามารถใช้มันประเมินราคา "ออปชันแบบอเมริกัน" (ออปชันที่ใช้สิทธิเมื่อไหร่ก็ได้) ซึ่งทำได้ยากกว่ามากหากใช้แบบจำลองแบบเวลาต่อเนื่อง

เกร็ดน่ารู้: จำไว้ว่าเพื่อให้แบบจำลองนี้สมจริงและป้องกันการเก็งกำไร ปัจจัยการเติบโตที่ปราศจากความเสี่ยง \( e^{rt} \) จะต้องอยู่ระหว่างปัจจัยขาลงและขาขึ้น: \( d < e^{rt} < u \)

สรุป: แบบจำลองทวินามเปรียบเสมือนนาฬิกาดิจิทัล คือขยับเป็น "จังหวะ" (Tick) เรียบง่าย เห็นภาพชัด และเหมาะมากสำหรับออปชันแบบอเมริกัน

3. การเคลื่อนที่แบบบราวน์เชิงเรขาคณิต (Geometric Brownian Motion – วิธีการแบบเวลาต่อเนื่อง)

ถ้าแบบจำลองทวินามเหมือนนาฬิกาดิจิทัล การเคลื่อนที่แบบบราวน์เชิงเรขาคณิต (GBM) ก็เปรียบเสมือนนาฬิกาเข็ม ที่เข็มนาฬิกาค่อยๆ เคลื่อนที่ไปอย่างต่อเนื่องและราบรื่น นี่คือแบบจำลองที่ใช้ในกรอบแนวคิดชื่อดังอย่าง Black-Scholes-Merton

สูตรการคำนวณ (อย่าเพิ่งตกใจ!)

กระบวนการราคา \( S_t \) มักจะเขียนอยู่ในรูปของสมการเชิงอนุพันธ์สโตแคสติก (SDE):
\( dS_t = \mu S_t dt + \sigma S_t dW_t \)

มาแปลความหมายเป็นภาษาที่เข้าใจง่ายกัน:
- \( \mu S_t dt \): นี่คือ ค่าแนวโน้ม (Drift) หมายถึงแนวโน้มโดยเฉลี่ยหรือผลตอบแทนคาดหวัง เป็นส่วนที่คาดการณ์ได้ของการเคลื่อนที่
- \( \sigma S_t dW_t \): นี่คือ ค่าความผันผวน (Diffusion) หมายถึง "เสียงรบกวน" หรือความผันผวน โดยที่ \( W_t \) คือกระบวนการวีเนอร์ (หรือการเคลื่อนที่แบบบราวน์) ซึ่งเป็นตัวสร้างความสุ่มนั่นเอง

คุณสมบัติสำคัญของ GBM:

1. การแจกแจงแบบล็อกปกติ (Lognormal Distribution): แม้ว่า อัตราผลตอบแทน จะมีการแจกแจงแบบปกติ แต่ ราคาหุ้น จะมีการแจกแจงแบบล็อกปกติ ซึ่งดีมากเพราะหมายความว่าราคา ไม่มีทางติดลบได้ (หุ้นไม่มีทางมีราคาติดลบ 10 ดอลลาร์หรอกจริงไหม!?)
2. ความผันผวนคงที่: แบบจำลองสมมติว่า \( \sigma \) (ความผันผวน) จะไม่เปลี่ยนแปลง
3. ความเป็นอิสระต่อกัน: สิ่งที่เกิดขึ้นในวันนี้ไม่ได้บอกใบ้ถึงสิ่งที่จะเกิดขึ้นในวันพรุ่งนี้ (หรือที่เรียกว่า "สมมติฐานตลาดที่มีประสิทธิภาพ")

รู้หรือไม่? เราเรียกมันว่า "เชิงเรขาคณิต" เพราะเราสร้างแบบจำลองโดยอิงจาก เปอร์เซ็นต์ การเปลี่ยนแปลง ไม่ใช่แค่ตัวเลขดอลลาร์ สิ่งนี้ช่วยให้มั่นใจได้ว่าการที่หุ้นราคา 100 ดอลลาร์ขยับไป 10% จะให้ความรู้สึกเดียวกันกับการที่หุ้นราคา 10 ดอลลาร์ขยับไป 10%

ประเด็นสำคัญ: GBM คือ "มาตรฐานทองคำ" ในทฤษฎีการเงิน มันสมมติว่าราคาขยับไปอย่างราบรื่นและเป็นบวกเสมอ แต่จุดอ่อนคือมันมองว่าความผันผวนเป็นตัวเลขที่คงที่น่าเบื่อ

4. การเปรียบเทียบระหว่างแบบจำลอง

นักศึกษามักจะถามว่า "แล้วแบบจำลองไหนดีกว่ากัน?" คำตอบคือขึ้นอยู่กับว่าคุณต้องการทำอะไร!

1. เวลา: ทวินามเป็นแบบ ไม่ต่อเนื่อง (เป็นขั้นๆ); GBM เป็นแบบ ต่อเนื่อง (ราบรื่น)
2. ความซับซ้อน: ทวินามใช้ เลขคณิตพื้นฐาน; GBM ต้องใช้ แคลคูลัส (เล็มมาของอิโตะ - Ito’s Lemma)
3. การประยุกต์ใช้: ใช้ทวินามสำหรับ ออปชันแบบอเมริกัน; ใช้ GBM/Black-Scholes สำหรับ ออปชันแบบยุโรป

ข้อผิดพลาดที่พบบ่อย: คือการคิดว่าแบบจำลองเหล่านี้แม่นยำ 100% ในโลกความเป็นจริง ราคาตลาดมักมี "หางที่อ้วน" (Fat tails) คือเหตุการณ์รุนแรงเกิดขึ้นบ่อยกว่าที่แบบจำลองคาดไว้ และมี "รอยยิ้มความผันผวน" (Volatility smiles) เพราะความผันผวนไม่ได้คงที่เสมอไป

5. จะเลือกใช้แบบจำลองเมื่อไหร่และอย่างไร

ในฐานะนักคณิตศาสตร์ประกันภัย คุณต้องเลือกเครื่องมือให้เหมาะสมกับงานครับ

ใช้แบบจำลองทวินามเมื่อ:

- คุณต้องประเมินราคาออปชันที่ใช้สิทธิได้ ก่อน วันหมดอายุ (ออปชันแบบอเมริกัน)
- คุณต้องการอธิบายกระบวนการประเมินราคาให้ลูกค้าที่ไม่ใช่นักเทคนิคเข้าใจ (แผนภาพต้นไม้ช่วยให้เห็นภาพได้ดีมาก)
- สินทรัพย์อ้างอิงมีคุณสมบัติซับซ้อนที่เปลี่ยนไปตามช่วงเวลาที่กำหนด (เช่น การจ่ายเงินปันผล)

ใช้ GBM เมื่อ:

- คุณกำลังจัดการกับ ออปชันแบบยุโรป (ใช้สิทธิได้เฉพาะตอนหมดอายุเท่านั้น)
- คุณต้องการ สูตรคำนวณที่รวดเร็ว (Black-Scholes) แทนที่จะต้องมาสร้างแผนภาพต้นไม้ขนาดใหญ่
- คุณกำลังสร้างแบบจำลองเชิงทฤษฎีระดับสูง หรือการคำนวณความเสี่ยง (เช่น Value at Risk)

เปรียบเทียบให้เห็นภาพ: การเลือกแบบจำลองเหมือนกับการเลือกแผนที่ แบบจำลองทวินาม เหมือนกับ "รายการบอกทางแยกต่อแยก" ที่บอกคุณเป๊ะๆ ว่าจะเกิดอะไรขึ้นที่แต่ละทางแยก ส่วน GBM เหมือนกับภาพถ่ายดาวเทียม ที่ให้ภาพรวมที่กว้างและราบรื่นของพื้นที่ทั้งหมด

6. ข้อจำกัดที่ควรจำ

แม้ว่าแบบจำลองเหล่านี้จะฉลาดล้ำเลิศ แต่ก็ไม่ได้สมบูรณ์แบบ สำหรับการสอบ จำข้อจำกัดเหล่านี้ไว้ให้ดี:

1. ความผันผวนไม่ใช่ค่าคงที่: ในโลกจริง ความผันผวนมักจะ "กระจุกตัว" (ถ้าวันนี้ตลาดบ้าคลั่ง พรุ่งนี้ก็น่าจะบ้าคลั่งต่อ)
2. ความเสี่ยงจากการกระโดดของราคา (Jump Risk): ราคาจริงสามารถ "กระโดด" ได้ (เช่น หลังจาก CEO ลาออกกะทันหัน) ทั้งสองแบบจำลองจัดการกับการขาดหายของช่วงราคาแบบฉับพลันได้ไม่ดีนัก
3. ต้นทุนในการทำธุรกรรม: แบบจำลองส่วนใหญ่มักสมมติว่าการเทรดไม่มีค่าใช้จ่าย ซึ่งเราก็รู้กันดีว่าในความเป็นจริงมันไม่ใช่!

สรุปเนื้อหาฉบับย่อ

- แบบจำลองทวินาม (Binomial Model): ขั้นตอนไม่ต่อเนื่อง, ราคาขึ้น/ลง, เหมาะกับออปชันแบบอเมริกัน
- GBM: การเคลื่อนที่ต่อเนื่อง, ราคาเป็นล็อกปกติ, ความผันผวนคงที่, เป็นหัวใจของ Black-Scholes
- แนวโน้ม (\( \mu \)): "ทิศทาง" เฉลี่ยของราคา
- ความผันผวน (\( \sigma \)): "ความสั่นไหว" หรือความเสี่ยงของราคา
- ข้อจำกัดสำคัญ: ราคาไม่สามารถเป็นค่าลบได้ในแบบจำลองเหล่านี้!

ไม่ต้องกังวลถ้าคณิตศาสตร์ดูหนักอึ้งในตอนแรก ให้ลองโฟกัสที่ พฤติกรรม ของแบบจำลอง เมื่อคุณเข้าใจว่า "ต้นไม้" เติบโตอย่างไร หรือ "เส้นกราฟที่ราบรื่น" มีทิศทางเป็นอย่างไร แล้วสูตรต่างๆ จะเริ่มสมเหตุสมผลขึ้นเองครับ!