Understand and use single and multifactor models for investment returns

ยินดีต้อนรับสู่บทเรียนการประเมินมูลค่าสินทรัพย์: แบบจำลองปัจจัย (Factor Models)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่บทเรียนที่นำไปใช้จริงได้มากที่สุดบทหนึ่งในเส้นทาง CM2 ของคุณ ที่ผ่านมาเราได้ดูพฤติกรรมของสินทรัพย์รายตัวกันไปแล้ว แต่คุณเคยสงสัยไหมว่าทำไมกลุ่มหุ้นบางกลุ่มถึงเคลื่อนไหวไปในทิศทางเดียวกัน? หรือทำไมหุ้นบางตัวถึงร่วงหนักกว่าตัวอื่นในช่วงเศรษฐกิจถดถอย? แบบจำลองปัจจัย (Factor Models) คือเครื่องมือที่นักคณิตศาสตร์ประกันภัยและผู้จัดการกองทุนใช้หาคำตอบเหล่านี้ แทนที่จะมองหุ้นทุกตัวแยกกัน เราจะมองไปที่ "แรงขับเคลื่อน" (ปัจจัย) ที่กำหนดผลตอบแทนของหุ้นเหล่านั้นแทน ถ้าดูสมการแล้วรู้สึกกลัวในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยมันไปทีละส่วน!

1. แนวคิดหลัก: ทำไมต้องใช้แบบจำลองปัจจัย?

ในโลกอุดมคติ เราคงอยากรู้เหตุผลที่แน่ชัดว่าทำไมราคาหุ้นถึงเปลี่ยนแปลง แต่ในความเป็นจริง มันคือส่วนผสมของแนวโน้มเศรษฐกิจในภาพรวมกับข่าวสารเฉพาะตัวของบริษัท แบบจำลองปัจจัยช่วยให้เราแยกส่วนประกอบเหล่านี้ออกจากกัน โดยสมมติว่าผลตอบแทนของสินทรัพย์ใดๆ นั้นมีความอ่อนไหวต่อ ปัจจัยร่วม (Common Factors) ตั้งแต่หนึ่งปัจจัยขึ้นไป บวกกับ สัญญาณรบกวน (Random Noise) เล็กน้อย

การเปรียบเทียบ: ลองจินตนาการถึงเรือลำหนึ่งในมหาสมุทร การเคลื่อนที่ของเรือขึ้นอยู่กับ กระแสน้ำ (ปัจจัยที่กระทบเรือทุกลำ), กระแสลม (อีกหนึ่งปัจจัย) และความสมบูรณ์ของ เครื่องยนต์ (ปัจจัยเฉพาะของบริษัท) แบบจำลองปัจจัยจะช่วยให้เราวัดได้ว่ากระแสน้ำและกระแสลมมีความสำคัญมากแค่ไหนเมื่อเทียบกับประสิทธิภาพของเครื่องยนต์

ทบทวนสั้นๆ: คำศัพท์สำคัญ
ความเสี่ยงเชิงระบบ (Systematic Risk): ความเสี่ยงที่ส่งผลกระทบต่อทั้งตลาด (เช่น การเปลี่ยนแปลงของอัตราดอกเบี้ย) ซึ่งคุณไม่สามารถหลีกเลี่ยงได้ด้วยการกระจายความเสี่ยง
ความเสี่ยงเฉพาะตัว (Specific / Idiosyncratic Risk): ความเสี่ยงที่เกิดกับบริษัทใดบริษัทหนึ่งโดยเฉพาะ (เช่น ไฟไหม้โรงงาน) ซึ่งความเสี่ยงนี้ สามารถ กำจัดออกไปได้ด้วยการถือหุ้นหลากหลายตัว

2. แบบจำลองดัชนีเดียว (Single-Index Model หรือ Market Model)

วิธีที่ง่ายที่สุดในการสร้างแบบจำลองผลตอบแทนคือการสมมติว่ามีปัจจัยเพียง หนึ่งอย่าง ที่สำคัญที่สุด นั่นคือ ตลาดโดยรวม ซึ่งเรามักเรียกสิ่งนี้ว่า Market Model

สมการ

สำหรับสินทรัพย์ \( i \) ใดๆ ผลตอบแทน \( R_i \) สามารถแสดงได้ดังนี้:
\( R_i = \alpha_i + \beta_i R_m + \epsilon_i \)

มาแยกส่วนประกอบกัน:
1. \( R_i \): ผลตอบแทนของสินทรัพย์ \( i \)
2. \( \alpha_i \) (Alpha): ค่าคงที่ (Intercept) คือผลตอบแทนที่เราคาดหวังในกรณีที่ผลตอบแทนของตลาดเป็นศูนย์
3. \( \beta_i \) (Beta): ค่าความอ่อนไหว (Sensitivity) บอกให้รู้ว่าหากผลตอบแทนตลาด \( R_m \) เปลี่ยนไป 1% ผลตอบแทนของหุ้นตัวนั้นจะเปลี่ยนไปเท่าใด
4. \( R_m \): ผลตอบแทนของดัชนีตลาด (เช่น FTSE 100)
5. \( \epsilon_i \) (Epsilon): ค่าความคลาดเคลื่อน (Error term) หรือ "สัญญาณรบกวน" ซึ่งแสดงถึงความเสี่ยงเฉพาะตัวที่เกิดขึ้นกับสินทรัพย์ \( i \) เท่านั้น

ข้อสมมติฐานหลัก

เพื่อให้แบบจำลองนี้ใช้ได้ในทางคณิตศาสตร์ เรามีข้อสมมติว่า:
- ค่าความคลาดเคลื่อนของหุ้นสองตัวไม่มีความสัมพันธ์กัน: \( Cov(\epsilon_i, \epsilon_j) = 0 \)
- ค่าความคลาดเคลื่อนไม่มีความสัมพันธ์กับตลาด: \( Cov(R_m, \epsilon_i) = 0 \)
- ค่าเฉลี่ย (ค่าคาดหมาย) ของค่าความคลาดเคลื่อนมีค่าเป็นศูนย์: \( E[\epsilon_i] = 0 \)

เทคนิคจำ: ให้คิดว่า Beta เหมือน "ปุ่มปรับระดับเสียง" ถ้า Beta เท่ากับ 1.5 แสดงว่าถ้าตลาดเร่งเสียงขึ้น 1 หุ้นของคุณจะเร่งเสียงขึ้นตามไปถึง 1.5!

ข้อสรุปสำคัญ

แบบจำลองดัชนีเดียวทำให้โลกง่ายขึ้นโดยกล่าวว่า: "ฉันสนใจแค่ว่าหุ้นตัวนี้เคลื่อนไหวสัมพันธ์กับตลาดโดยรวมอย่างไร"

3. แบบจำลองหลายปัจจัย (Multifactor Models)

บางครั้งปัจจัยเดียวก็ไม่เพียงพอ หุ้นเทคโนโลยีอาจตอบสนองต่อการเปลี่ยนแปลงของอัตราดอกเบี้ยแตกต่างจากร้านขายของชำ แม้ว่า "ตลาด" จะยังเหมือนเดิมก็ตาม นี่คือที่มาของ Multifactor Models

สมการทั่วไป

แทนที่จะมีแค่ \( \beta R_m \) ตัวเดียว เราจะมีปัจจัยอื่นๆ เพิ่มเข้ามา:
\( R_i = \alpha_i + \beta_{i,1}F_1 + \beta_{i,2}F_2 + ... + \beta_{i,k}F_k + \epsilon_i \)

โดยที่:
- \( F_1, F_2, ... \) คือ ปัจจัย (Factors) ต่างๆ
- \( \beta_{i,1}, \beta_{i,2}, ... \) คือ น้ำหนักปัจจัย (Factor loadings) (ความอ่อนไหวที่หุ้นมีต่อแต่ละปัจจัย)

ประเภทของแบบจำลองหลายปัจจัย

หลักสูตรของ IFoA จำแนกแบบจำลองตามที่มาของ "ปัจจัย" ออกเป็น 3 ประเภทหลัก:

1. แบบจำลองเศรษฐศาสตร์มหภาค (Macroeconomic Models)
ใช้ข้อมูลทางเศรษฐกิจที่สังเกตได้ ปัจจัยทั่วไปได้แก่:
- อัตราเงินเฟ้อ
- การเติบโตของ GDP
- การเปลี่ยนแปลงของอัตราดอกเบี้ย
ตัวอย่าง: หุ้นสายการบินอาจมีความอ่อนไหว (Beta) สูงต่อปัจจัย "ราคาน้ำมัน"

2. แบบจำลองพื้นฐาน (Fundamental Models)
ใช้ลักษณะเฉพาะของบริษัทนั้นๆ ปัจจัยทั่วไปได้แก่:
- ขนาด (Size): บริษัทขนาดเล็กมักมีพฤติกรรมต่างจากบริษัทข้ามชาติขนาดใหญ่
- มูลค่า (Value): การเปรียบเทียบราคาหุ้นกับมูลค่าตามบัญชี (เช่น อัตราส่วน P/E)
- อุตสาหกรรม: เป็นบริษัทเทคโนโลยีหรือธนาคาร?

3. แบบจำลองทางสถิติ (Statistical Models)
เป็น "กล่องปริศนา" ที่เราใช้คณิตศาสตร์ขั้นสูง (เช่น Principal Component Analysis) เพื่อหาแพทเทิร์นจากข้อมูลในอดีต เราไม่จำเป็นต้องตั้งชื่อปัจจัยว่า "เงินเฟ้อ" แต่เรารู้ว่า "ปัจจัย A" อธิบายการเคลื่อนไหวได้ 40%

รู้หรือไม่? แบบจำลอง Fama-French Three-Factor Model เป็นแบบจำลองพื้นฐานที่มีชื่อเสียง ซึ่งใช้ความเสี่ยงตลาด, ขนาด, และมูลค่า มาอธิบายผลตอบแทน นี่คือตัวอย่างคลาสสิกของการขยับข้ามผ่านการใช้ดัชนีเดี่ยวมาสู่แนวทางที่ครอบคลุมขึ้น!

ข้อสรุปสำคัญ

แบบจำลองหลายปัจจัยช่วยให้เห็น "ลายพิมพ์นิ้วมือ" ความเสี่ยงของสินทรัพย์ได้ละเอียดขึ้น โดยพิจารณาตัวขับเคลื่อนผลตอบแทนหลายตัวพร้อมกัน

4. การกระจายความเสี่ยงในแบบจำลองปัจจัย

หนึ่งในประโยชน์ที่สำคัญที่สุดของแบบจำลองเหล่านี้คือการเข้าใจเรื่อง การกระจายความเสี่ยง (Diversification) ลองดูความแปรปรวน (ความเสี่ยง) ของพอร์ตการลงทุนโดยใช้แบบจำลองปัจจัยกัน

ความแปรปรวนรวมของหุ้นสามารถแบ่งออกเป็นสองส่วน:
ความแปรปรวนรวม = ความแปรปรวนเชิงระบบ + ความแปรปรวนเฉพาะตัว

ในแบบจำลองดัชนีเดียว สมการจะเป็น:
\( Var(R_i) = \beta_i^2 Var(R_m) + Var(\epsilon_i) \)

ทำไมถึงสำคัญ?
เมื่อคุณเพิ่มจำนวนหุ้นในพอร์ตมากขึ้นเรื่อยๆ:
1. ความแปรปรวนเฉพาะตัว (ส่วนที่เป็น \( \epsilon \)) จะเล็กลงเรื่อยๆ จนมีค่าเฉลี่ยเข้าใกล้ศูนย์
2. ความแปรปรวนเชิงระบบ (ส่วนที่เป็น \( \beta \)) จะไม่หายไป ไม่ว่าคุณจะซื้อหุ้นกี่ตัว ถ้าตลาดถล่ม พอร์ตของคุณก็จะได้รับผลกระทบอย่างแน่นอน

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักเข้าใจผิดว่าการกระจายความเสี่ยงช่วยขจัดความเสี่ยง ทั้งหมด ออกไป จำไว้ว่า: การกระจายความเสี่ยงกำจัดได้เพียง ความเสี่ยงเฉพาะตัว (\( \epsilon \)) เท่านั้น ไม่สามารถลดทอน ความเสี่ยงของตลาด (\( \beta \)) ได้

5. ขั้นตอนการคำนวณผลตอบแทนที่คาดหวัง

หากคุณเจอโจทย์แบบจำลองปัจจัยในข้อสอบ นี่คือวิธีหา ผลตอบแทนที่คาดหวัง (Expected Return) \( E[R_i] \):

ขั้นตอนที่ 1: ระบุค่าคงที่ โดยปกติโจทย์จะให้ \( \alpha_i \) และค่า \( \beta \) มา
ขั้นตอนที่ 2: หาค่าคาดหมายของปัจจัยต่างๆ เช่น \( E[F_1], E[F_2] \), เป็นต้น
ขั้นตอนที่ 3: จำไว้ว่า \( E[\epsilon_i] = 0 \) เพราะค่าความคลาดเคลื่อนจะหักล้างกันไปเองเมื่อคิดเป็นค่าเฉลี่ย!
ขั้นตอนที่ 4: แทนค่าในสูตร:
\( E[R_i] = \alpha_i + \beta_{i,1}E[F_1] + \beta_{i,2}E[F_2] \)

ตัวอย่าง: ถ้า \( \alpha = 2\% \), \( \beta = 1.2 \) และผลตอบแทนคาดหวังของตลาดคือ \( 10\% \):
\( E[R] = 2\% + 1.2(10\%) = 14\% \)

6. สรุปและคำแนะนำส่งท้าย

เช็คลิสต์สรุป:
- [ ] Single-Index Model: ปัจจัยเดียว (มักเป็นตลาด) ผลตอบแทนเป็น \( \alpha + \beta R_m + \epsilon \)
- [ ] Multifactor Models: หลายปัจจัย (เศรษฐกิจ, พื้นฐาน, หรือสถิติ)
- [ ] Beta: วัดความอ่อนไหวต่อปัจจัย
- [ ] Alpha: ผลตอบแทนที่ปัจจัยอธิบายไม่ได้
- [ ] Diversification: กำจัดความเสี่ยงเฉพาะตัว (\( \epsilon \)) แต่ไม่ใช่ความเสี่ยงเชิงระบบ (\( \beta \))

กำลังใจจากผู้สอน: บทนี้คือสะพานเชื่อมระหว่างสถิติทั่วไปกับการเงินในโลกความเป็นจริง เมื่อคุณเข้าใจแนวคิดที่ว่า "ผลตอบแทน = ฐาน + (ความอ่อนไหว \(\times\) แรงกระทำ) + สัญญาณรบกวน" แล้ว สมการต่างๆ จะเริ่มดูเป็นธรรมชาติมากขึ้น หมั่นฝึกฝนการแยกส่วนประกอบของความแปรปรวนให้คล่อง เพราะข้อสอบชอบออกเรื่องนี้มาก! คุณทำได้แน่นอน!