ยินดีต้อนรับสู่เรื่องมาตรวัดความเสี่ยง (Risk Measures)!
ในการเดินทางของเรากับวิชา CM2 (Economic Modelling) เราได้เรียนรู้วิธีการคำนวณผลตอบแทนกันไปแล้ว แต่สำหรับนักคณิตศาสตร์ประกันภัย (Actuary) การรู้เพียงผลตอบแทนนั้นเป็นแค่ครึ่งเดียวของเรื่องราวทั้งหมด อีกครึ่งหนึ่งที่สำคัญไม่แพ้กันคือ ความเสี่ยง (Risk)
ในบทนี้ เราจะมาดูกันว่าเราจะนิยามคำว่า "ความเสี่ยง" ในเชิงคณิตศาสตร์ได้อย่างไร เราไม่ได้มองหาแค่ตัวเลขตัวเดียว แต่เรากำลังมองหาชุดของกฎเกณฑ์ (คุณสมบัติ) ที่มาตรวัดความเสี่ยงที่ดีควรจะมี ซึ่งจะช่วยให้เราเปรียบเทียบโอกาสในการลงทุนต่างๆ ได้อย่างเป็นธรรม ถ้ารู้สึกว่าคณิตศาสตร์ในตอนนี้ดูซับซ้อนไปหน่อย ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยมันให้เป็นแนวคิดที่เข้าใจง่ายและเชื่อมโยงกับตรรกะในชีวิตจริงให้เอง
ทบทวนสั้นๆ: มาตรวัดความเสี่ยงคืออะไร?
ลองจินตนาการว่ามาตรวัดความเสี่ยง ซึ่งแทนด้วยสัญลักษณ์ \(\rho(X)\) เป็น "เกจวัดความกลัว" สำหรับตัวแปรสุ่ม \(X\) (ซึ่งแทนผลขาดทุนหรือผลตอบแทนจากการลงทุนของเรา) มันคือฟังก์ชันที่เปลี่ยนความไม่แน่นอนของการลงทุนให้กลายเป็นตัวเลขเพียงตัวเดียว ซึ่งบอกเราว่าเราควรสำรองเงินทุนไว้เท่าไหร่เพื่อรองรับผลขาดทุนที่อาจเกิดขึ้น
1. คุณสมบัติ 4 ประการของมาตรวัดความเสี่ยงที่สอดคล้อง (Coherent Risk Measure)
เพื่อให้แน่ใจว่ามาตรวัดความเสี่ยงนั้น "สมเหตุสมผล" นักคณิตศาสตร์ (โดยเฉพาะ Artzner, Delbaen, Eber และ Heath) ได้เสนอคุณสมบัติ 4 ประการขึ้นมา หากมาตรวัดความเสี่ยงใดมีคุณสมบัติครบทั้ง 4 ข้อ เราจะเรียกว่าเป็น มาตรวัดความเสี่ยงที่สอดคล้อง (Coherent Risk Measure)
เคล็ดลับช่วยจำ: ให้จำตัวย่อว่า "M-S-P-T" (Must Study Professional Techniques) เพื่อจำคุณสมบัติทั้ง 4 ข้อนี้ไว้ให้แม่นเลย!
A. Monotonicity (ความเพิ่มขึ้นได้)
แนวคิด: หากการลงทุน A ให้ผลตอบแทน แย่กว่า การลงทุน B เสมอ (นั่นคือ ผลขาดทุนมากกว่าหรือเท่ากับเสมอ) ดังนั้น การลงทุน A ก็ต้องมีความเสี่ยงมากกว่า
เชิงคณิตศาสตร์: ถ้า \(X \le Y\) ในทุกกรณีที่เป็นไปได้ แล้ว \(\rho(X) \ge \rho(Y\))
หมายเหตุ: ในวิชา CM2 เรามักกำหนดให้ \(X\) คือ "ผลตอบแทน (Payoff)" หากผลตอบแทนต่ำกว่า ความเสี่ยงก็จะสูงกว่า
ตัวอย่างในชีวิตจริง: ถ้าคุณมีรถสองคัน และรถคัน A พังบ่อยกว่ารถคัน B ในทุกสภาพอากาศ รถคัน A ย่อมเป็นตัวเลือกที่เสี่ยงกว่าสำหรับการขับรถทางไกลอย่างแน่นอน
B. Sub-additivity (ความสามารถในการรวมตัวแบบย่อย)
แนวคิด: นี่คือกฎของ "การกระจายความเสี่ยง" ความเสี่ยงของการลงทุนสองอย่างรวมกันควรน้อยกว่า (หรือเท่ากับ) ผลรวมของความเสี่ยงแยกรายตัว
เชิงคณิตศาสตร์: \(\rho(X + Y) \le \rho(X) + \rho(Y)\)
ทำไมถึงสำคัญ: นี่เป็นคุณสมบัติที่สำคัญมากสำหรับนักคณิตศาสตร์ประกันภัย หากมาตรวัดความเสี่ยงใดไม่เป็นไปตามกฎนี้ มันหมายความว่าการรวมพอร์ตลงทุนเข้าด้วยกันจะทำให้พอร์ตนั้น อันตรายขึ้น ซึ่งขัดกับหลักการพื้นฐานของการกระจายความเสี่ยงที่ว่า "อย่าใส่ไข่ไว้ในตะกร้าใบเดียว"
C. Positive Homogeneity (ความเป็นเนื้อเดียวกันในเชิงบวก)
แนวคิด: ถ้าคุณเพิ่มขนาดการลงทุนเป็นสองเท่า ความเสี่ยงของคุณก็จะเพิ่มเป็นสองเท่าด้วย
เชิงคณิตศาสตร์: \(\rho(aX) = a\rho(X)\) สำหรับทุก \(a > 0\)
คำอธิบายง่ายๆ: ถ้าคุณเดิมพัน 10 ปอนด์ในการโยนเหรียญ ความเสี่ยงของคุณคือ "X" ถ้าคุณเพิ่มเงินเดิมพันเป็น 20 ปอนด์ (เพิ่มสองเท่า) ความเสี่ยงของคุณก็คือ "2X" ซึ่งไม่มีการ "ลดราคาความเสี่ยง" จากการซื้อจำนวนมากในที่นี้!
D. Translation Invariance (ความไม่แปรเปลี่ยนจากการเลื่อนค่า)
แนวคิด: หากคุณเติมเงินสดที่รับประกันความเสี่ยงไม่ได้ลงไปในพอร์ตของคุณ ความเสี่ยงโดยรวมของคุณจะลดลงตามจำนวนเงินนั้นเป๊ะๆ
เชิงคณิตศาสตร์: \(\rho(X + c) = \rho(X) - c\) โดยที่ \(c\) คือจำนวนเงินสดคงที่
ตัวอย่างในชีวิตจริง: หากคุณกังวลเรื่องผลขาดทุน 1,000 ปอนด์ แต่มีคนยื่นเงินสดให้คุณ 200 ปอนด์ติดกระเป๋าไว้ "ความเสี่ยงสุทธิ" ของคุณก็จะลดเหลือ 800 ปอนด์ เงินสดนี้ทำหน้าที่เป็นกันชนนั่นเอง
สรุปความสอดคล้อง (Coherence):
ประเด็นสำคัญ: มาตรวัดความเสี่ยงจะเป็น Coherent ก็ต่อเมื่อมีคุณสมบัติครบทั้ง Monotonicity, Sub-additivity, Positive Homogeneity และ Translation Invariance ถ้าขาดข้อใดข้อหนึ่งไป ก็ถือว่าไม่เป็น Coherent!
2. เปรียบเทียบมาตรวัดความเสี่ยงทั่วไป
เมื่อเรามี "ไม้บรรทัด" (คุณสมบัติ 4 ประการ) แล้ว มาดูมาตรวัดความเสี่ยงสองตัวที่เจอบ่อยที่สุดในข้อสอบ CM2 กัน นั่นคือ Value at Risk (VaR) และ Tail Value at Risk (TVaR)
Value at Risk (VaR)
มันคืออะไร? VaR คือผลขาดทุนสูงสุดที่คุณคาดว่าจะเกิดขึ้นในช่วงเวลาหนึ่งที่ระดับความเชื่อมั่นที่กำหนด เช่น VaR 95% เท่ากับ 1 ล้านปอนด์ หมายความว่ามีโอกาสเพียง 5% เท่านั้นที่ผลขาดทุนของคุณจะเกิน 1 ล้านปอนด์
เป็น Coherent หรือไม่?
ไม่เป็น นี่คือคำถามที่ออกสอบบ่อยมาก! แม้ว่า VaR มักจะมีคุณสมบัติ Monotonicity, Positive Homogeneity และ Translation Invariance ครบ แต่ VaR มักจะไม่ผ่านคุณสมบัติ Sub-additivity
ข้อผิดพลาดที่พบบ่อย: นักเรียนมักเข้าใจผิดว่า VaR เป็น Sub-additive เสมอ แต่จริงๆ แล้วมันจะเป็นได้ก็ต่อเมื่อผลตอบแทนพื้นฐานมีการแจกแจงแบบ Normal Distribution (หรือการแจกแจงแบบวงรีอื่นๆ) เท่านั้น สำหรับการแจกแจงที่มี "หางหนา (Fat-tailed)" มากๆ VaR อาจชี้แนะว่าการกระจายความเสี่ยงกลับทำให้ความเสี่ยงเพิ่มขึ้น ซึ่งนั่นคือเหตุผลว่าทำไมหน่วยงานกำกับดูแลจึงมักนิยมใช้มาตรวัดอื่นมากกว่า
Tail Value at Risk (TVaR) / Expected Shortfall
มันคืออะไร? TVaR ไม่ได้ดูแค่จุดตัด (เหมือน VaR) แต่จะดู ค่าเฉลี่ย ของผลขาดทุนทั้งหมดที่ เลวร้ายกว่า VaR มันตั้งคำถามว่า: "ถ้าเกิดเรื่องแย่ๆ ขึ้น โดยเฉลี่ยแล้วมันจะแย่ขนาดไหน?"
เชิงคณิตศาสตร์: \(TVaR_p = E[X | X > VaR_p]\)
เป็น Coherent หรือไม่?
เป็น TVaR มีคุณสมบัติครบทั้ง 4 ประการ รวมถึง Sub-additivity ด้วย ทำให้ในเชิงทฤษฎีถือว่าเป็นมาตรวัดที่ดีกว่า VaR ในการเปรียบเทียบความเสี่ยง
กล่องทบทวนด่วน:
VaR: อธิบายง่าย แต่ละเลยเหตุการณ์ที่เลวร้ายสุดๆ ใน "ส่วนหาง" และไม่เป็น Coherent เสมอไป
TVaR: คำนวณยากกว่า แต่เก็บข้อมูลความเสี่ยงในส่วนหางได้ครบถ้วนและเป็น Coherent เสมอ
3. การใช้มาตรวัดความเสี่ยงเพื่อเปรียบเทียบโอกาสในการลงทุน
ในการสอบ คุณอาจถูกขอให้เลือกระหว่างโครงการ A และโครงการ B โดยดูจากความเสี่ยง นี่คือขั้นตอนที่คุณสามารถใช้ช่วยตัดสินใจ:
ขั้นตอนที่ 1: ตรวจสอบการแจกแจง (Distribution)
ผลตอบแทนมีการแจกแจงแบบปกติ (Normally distributed) หรือไม่? ถ้าใช่ VaR และ Variance มักจะเชื่อถือได้ แต่ถ้าผลตอบแทนมีความเบ้ (มี "หางหนา") คุณควรระมัดระวังอย่างมากในการใช้ VaR
ขั้นตอนที่ 2: ตรวจสอบ "ความเสี่ยงที่ส่วนหาง (Tail Risk)"
หากการลงทุนมีความเสี่ยงเพียงเล็กน้อยที่จะเกิดหายนะ (เช่น น้ำท่วม 1 ใน 100 ปี) VaR อาจมองไม่เห็นเลยหากคุณดูแค่เปอร์เซ็นไทล์ที่ 95 ส่วน TVaR จะดีกว่าในกรณีนี้เพราะมันจะเฉลี่ยเหตุการณ์เลวร้ายสุดๆ เหล่านั้นเข้ามารวมด้วย
ขั้นตอนที่ 3: พิจารณา "กำไร (Upside)"
จุดสำคัญ: Standard Deviation และ Variance มักถูกใช้เป็นมาตรวัดความเสี่ยง แต่มันลงโทษผลลัพธ์ที่เป็น บวก (กำไรดี) ด้วย! (มันมองว่ากำไรมหาศาลที่ไม่คาดคิดคือ "ความเสี่ยง") มาตรวัดอย่าง Semi-variance จะดูเฉพาะผลลัพธ์ที่ต่ำกว่าค่าเฉลี่ย ซึ่งนักลงทุนหลายคนมองว่ามีประโยชน์มากกว่า
รู้หรือไม่?
กฎระเบียบ Basel III และ Solvency II (เปรียบเสมือน "กฎเหล็ก" สำหรับธนาคารและบริษัทประกัน) ได้เปลี่ยนมาใช้มาตรวัดแนว TVaR มากขึ้นเรื่อยๆ เพราะพวกเขาต้องการให้มั่นใจว่าบริษัทจะมีเงินทุนเพียงพอที่จะอยู่รอดในสถานการณ์ที่เลวร้ายที่สุด ไม่ใช่แค่สถานการณ์ที่ "แย่เป็นส่วนใหญ่"
4. บทสรุปและหัวใจสำคัญ
เพื่อให้เชี่ยวชาญบทนี้สำหรับการสอบ CM2 ให้จำประเด็นหลักเหล่านี้ไว้:
- Coherence คือมาตรฐานทองคำ: มาตรวัดต้องมีคุณสมบัติ Monotonic, Sub-additive, Positively Homogeneous และ Translation Invariant ถึงจะเป็น Coherent ได้
- ข้อบกพร่องของ VaR: Value at Risk นิยมใช้เพราะเข้าใจง่าย แต่การที่มันไม่ผ่านคุณสมบัติ Sub-additivity คือจุดอ่อนที่ใหญ่ที่สุดของมัน การกระจายความเสี่ยงไม่ควรดู "เสี่ยงขึ้น" ในกระดาษ!
- TVaR คือพระเอก: มันสามารถจับความรุนแรงของความเสี่ยงในส่วนหางได้และเป็น Coherent ครบถ้วน
- บริบทคือสิ่งสำคัญ: เมื่อเปรียบเทียบการลงทุน ให้ดูรูปร่างของการแจกแจงเสมอ หากมี "หางหนา" ให้มองข้าม VaR ไปได้เลย
ไม่ต้องกังวลถ้าตอนแรกจะรู้สึกว่ามันยาก! คณิตศาสตร์เกี่ยวกับคุณสมบัติความสอดคล้องก็เป็นเพียงวิธีการเปลี่ยนสามัญสำนึกให้เป็นสูตรเท่านั้น หมั่นฝึกฝนตามนิยามบ่อยๆ แล้วมันจะกลายเป็นเรื่องที่ทำได้โดยอัตโนมัติเอง!