Autoregressive conditionally heteroskedastic models

ยินดีต้อนรับสู่โลกของข้อมูลที่ "สั่นคลอน"!

สวัสดีครับ! ถ้าคุณเดินทางมาถึงจุดนี้ในการเตรียมสอบ Exam SRM คุณคงได้เห็นวิธีการสร้างแบบจำลอง "ค่าเฉลี่ย" (Mean) ของข้อมูลไปแล้ว แต่ในโลกแห่งความเป็นจริง โดยเฉพาะในวงการการเงินและประกันภัย ความ "สั่นคลอน" หรือ ความผันผวน (Volatility) ของข้อมูลไม่ได้คงที่เสมอไป บางครั้งสถานการณ์ก็สงบนิ่งเป็นเวลานาน แต่แล้วจู่ๆ ทุกอย่างก็ปั่นป่วนขึ้นมาพร้อมกัน!

ในบทนี้ เราจะมาเรียนรู้เรื่องแบบจำลอง Autoregressive Conditionally Heteroskedastic (ARCH) กันครับ อย่าเพิ่งตกใจกับชื่อยาวๆ ของมันนะ! พออ่านจบ คุณจะเห็นว่ามันเป็นแค่ศัพท์หรูๆ ที่แปลง่ายๆ ว่า: "ถ้าเมื่อวานสถานการณ์มันบ้าคลั่ง วันนี้ก็น่าจะบ้าคลั่งตามไปด้วย"

1. Heteroskedasticity คืออะไร?

ก่อนจะไปดูคณิตศาสตร์ เรามาแยกคำยักษ์ใหญ่นี้กันก่อนครับ: Heteroskedasticity

ในการถดถอย (Regression) ทั่วไป เรามักสมมติให้เกิด "Homoskedasticity" ซึ่งหมายถึงความแปรปรวน (การกระจายตัวของค่าคลาดเคลื่อน) นั้นคงที่ตลอดเวลา ส่วน Heteroskedasticity คือภาวะที่ความแปรปรวนนั้น เปลี่ยนแปลง ไปตามกาลเวลา

คำว่า Conditional Heteroskedasticity หมายความว่าความแปรปรวนจะเปลี่ยนไป โดยขึ้นอยู่กับข้อมูลในอดีต ถ้าตลาดหุ้นเพิ่งพังไปเมื่อวานนี้ ความแปรปรวนแบบมีเงื่อนไขของวันนี้ก็ย่อมสูงกว่าวันที่ตลาดเงียบเหงาอย่างแน่นอน

หัวใจสำคัญ: การเกาะกลุ่มกันของความผันผวน (Volatility Clustering)
คุณเคยสังเกตไหมว่าในตลาดหุ้น การที่ราคาเหวี่ยงตัวแรงๆ มักจะมีราคาที่เหวี่ยงตัวแรงตามมาอีก และช่วงที่ตลาดเงียบสงบก็มักจะมีช่วงที่เงียบสงบตามมาเช่นกัน ปรากฏการณ์นี้เรียกว่า Volatility clustering ซึ่งแบบจำลอง ARCH ถูกสร้างขึ้นมาเพื่อจับ "อารมณ์ขึ้นๆ ลงๆ" ของข้อมูลแบบนี้โดยเฉพาะ

ประเด็นสำคัญ

แบบจำลอง ARCH ใช้ในกรณีที่ความแปรปรวนของค่าคลาดเคลื่อน (Error terms) ไม่คงที่ แต่ขึ้นอยู่กับขนาดของความผิดพลาดที่เกิดขึ้นในอดีต

2. แบบจำลอง ARCH(1): ย่อยทีละขั้นตอน

มาดูเวอร์ชันที่ง่ายที่สุดกันก่อนครับ นั่นคือ ARCH(1) โดยที่เลข "1" หมายความว่าเรามองย้อนกลับไปเพียงหนึ่งช่วงเวลา (เมื่อวาน)

ในอนุกรมเวลามาตรฐาน เราจะมีค่าคลาดเคลื่อนที่เรียกว่า \( \epsilon_t \) ในแบบจำลอง ARCH เราสมมติให้ค่าคลาดเคลื่อนนี้อยู่ในรูป:

\( \epsilon_t = \sigma_t Z_t \)

โดยที่:
1. \( Z_t \) คือ "สัญญาณรบกวนสีขาว" (White noise) (ปกติจะสมมติให้มีการแจกแจงปกติมาตรฐานที่มีค่าเฉลี่ยเป็น 0 และความแปรปรวนเป็น 1)
2. \( \sigma_t \) คือ ส่วนเบี่ยงเบนมาตรฐานแบบมีเงื่อนไข (ความ "สั่นคลอน" ณ เวลา \( t \))

สมการ ARCH(1) สำหรับความแปรปรวนคือ:

\( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} \)

แปลเป็นภาษาคนคือ:
ความแปรปรวนของวันนี้ (\( \sigma^2_t \)) เท่ากับค่าพื้นฐานคงที่ (\( \alpha_0 \)) บวกกับเศษเสี้ยวของค่าความผิดพลาดที่ยกกำลังสองของเมื่อวาน (\( \alpha_1 \epsilon^2_{t-1} \))

เดี๋ยวนะ ทำไมต้องยกกำลังสองค่าความผิดพลาด?
เป็นคำถามที่ดีมากครับ! เราต้องยกกำลังสอง (\( \epsilon^2_{t-1} \)) เพราะความแปรปรวนต้องเป็นบวกเสมอ ไม่ว่าเมื่อวานตลาดจะขึ้นหรือลง 10% มันถือเป็น "ความเคลื่อนไหวครั้งใหญ่" และมันควรจะเพิ่มการคาดการณ์ความผันผวนสำหรับวันนี้

ตัวช่วยจำ: อุปมาเรื่อง "พายุ"

ลองจินตนาการว่า \( \alpha_0 \) คือความเร็วลมปกติในวันที่อากาศดี ส่วน \( \alpha_1 \) คืออิทธิพลที่พายุเมื่อวานส่งผลต่ออากาศในวันนี้ ถ้า \( \alpha_1 \) มีค่าสูง และเมื่อวานเกิดพายุลูกใหญ่ (\( \epsilon^2_{t-1} \)) พยากรณ์อากาศวันนี้ (\( \sigma^2_t \)) ก็จะมีความผันผวนสูงมากแน่นอน!

3. กฎและข้อจำกัด

เพื่อให้แบบจำลอง ARCH(1) สมเหตุสมผลในเชิงคณิตศาสตร์และมีความเสถียร เรามีกฎสำหรับพารามิเตอร์ \( \alpha_0 \) และ \( \alpha_1 \) ดังนี้:

1. ความเป็นบวก (Positivity): เราต้องได้ว่า \( \alpha_0 > 0 \) และ \( \alpha_1 \geq 0 \) เพราะความแปรปรวนไม่สามารถติดลบได้ คุณไม่มีทางมีความ "สั่นคลอนแบบติดลบ" ได้จริงไหมล่ะครับ
2. ภาวะอยู่ตัว (Stationarity): เพื่อให้ความแปรปรวนมีเสถียรภาพในระยะยาว เราต้องการ \( \alpha_1 < 1 \) ถ้า \( \alpha_1 \geq 1 \) ความแปรปรวนจะเพิ่มขึ้นเรื่อยๆ จนพุ่งทะยานไปสู่ค่าอนันต์!

ทบทวนสั้นๆ: ความแปรปรวนในระยะยาว
ถ้าแบบจำลองมีภาวะอยู่ตัว (\( \alpha_1 < 1 \)) ความแปรปรวนเฉลี่ยในระยะยาว (Unconditional variance) จะเป็น:
\( Var(\epsilon_t) = \frac{\alpha_0}{1 - \alpha_1} \)

ข้อควรระวัง!

นักศึกษามักสับสนระหว่าง ค่าเฉลี่ย (Mean) ของกระบวนการกับ ความแปรปรวน (Variance) ในแบบจำลอง ARCH พื้นฐาน ค่าเฉลี่ย ของค่าคลาดเคลื่อน \( \epsilon_t \) ยังคงเป็น 0 สิ่งที่เปลี่ยนไปคือ ความแปรปรวน ตัวข้อมูลเองไม่ได้มีแนวโน้มขาขึ้นหรือขาลง แต่มันแค่ "มีสัญญาณรบกวน" มากขึ้นเท่านั้น

4. ขยายขนาด: แบบจำลอง ARCH(p)

ถ้าความผันผวนของวันนี้ไม่ได้ขึ้นอยู่กับแค่เมื่อวาน แต่ขึ้นอยู่กับสองวันที่ผ่านมา หรือหนึ่งสัปดาห์ที่ผ่านมาล่ะ? เราก็แค่เพิ่มพจน์เข้าไปในสมการครับ! นี่เรียกว่าแบบจำลอง ARCH(p) โดยที่ \( p \) คือจำนวนคาบเวลาในอดีตที่เรานำมาพิจารณา

สูตรจะเป็นดังนี้:
\( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} + \alpha_2 \epsilon^2_{t-2} + ... + \alpha_p \epsilon^2_{t-p} \)

ไม่ต้องกังวลถ้ามันดูยาว! ตรรกะของมันเหมือน ARCH(1) ทุกประการ แค่มองย้อนกลับไปไกลขึ้นเท่านั้นเอง และเพื่อให้แบบจำลองนี้มีภาวะอยู่ตัว ผลรวมของอัลฟาทุกตัว (\( \alpha_1 + \alpha_2 + ... + \alpha_p \)) จะต้องน้อยกว่า 1

5. ทำไมเราต้องใช้ ARCH ในคณิตศาสตร์ประกันภัย?

รู้หรือไม่?
การถดถอยเชิงเส้น (Linear Regression) แบบมาตรฐาน หรือแม้แต่แบบจำลอง ARIMA หลายตัว ต่างสมมติว่า "สัญญาณรบกวน" นั้นคงที่ แต่ในฐานะนักคณิตศาสตร์ประกันภัยที่ต้องกำหนดราคาผลิตภัณฑ์ประกันภัยที่ผูกกับตลาดหุ้น (เช่น Variable Annuities) การสมมติว่าสัญญาณรบกวนคงที่อาจนำไปสู่หายนะได้! หากคุณประเมินความ "สั่นคลอน" ของตลาดต่ำไป คุณอาจสำรองเงินไม่เพียงพอต่อการจ่ายเคลมเมื่อเกิดเหตุการณ์ตลาดพัง

ตัวอย่างในโลกจริง:
ในช่วงวิกฤตการเงินปี 2008 ความผันผวนอยู่ในระดับสูงมากนานหลายเดือน แบบจำลอง ARCH จะตรวจพบว่า "ความผันผวนสูงเมื่อวาน = ความผันผวนสูงวันนี้" และปรับเงินสำรองความเสี่ยงให้เหมาะสม แต่แบบจำลองมาตรฐานทั่วไปอาจมองว่ามันเป็นแค่ "ค่าผิดปกติ (outlier) ครั้งเดียว" แล้วมองข้ามไป

6. สรุปและเช็คลิสต์ก่อนสอบ

ก่อนจะไปบทต่อไป ตรวจสอบให้แน่ใจว่าคุณเข้าใจประเด็นเหล่านี้แล้ว:

1. เหตุผล (The "Why"): แบบจำลอง ARCH ใช้สำหรับ Volatility clustering (ช่วงที่ความแปรปรวนสูง/ต่ำ สลับกันไป)
2. นิยาม (The "What"): ความแปรปรวนวันนี้ขึ้นอยู่กับ ค่าความผิดพลาดที่ยกกำลังสอง ในอดีต
3. สูตร (The Formula): ต้องจำสมการ \( \sigma^2_t = \alpha_0 + \alpha_1 \epsilon^2_{t-1} \) ให้ขึ้นใจ
4. เงื่อนไข (The Constraints): พารามิเตอร์ต้องเป็นบวกเพื่อให้ความแปรปรวนเป็นบวก และ \( \alpha_1 \) ต้องน้อยกว่า 1 เพื่อให้แบบจำลองมีเสถียรภาพ
5. ตรรกะ (The Logic): ถ้า \( \epsilon_{t-1} \) มีค่ามาก (ไม่ว่าจะบวกหรือลบ) มันจะเพิ่มค่า \( \sigma^2_t \), ทำให้โอกาสที่ความผิดพลาดครั้งต่อไป (\( \epsilon_t \)) จะมีค่ามากไปด้วย

เคล็ดลับสำหรับการสอบ:
ถ้าโจทย์ถามว่าแบบจำลองใดดีที่สุดสำหรับ "ความแปรปรวนที่เปลี่ยนไปตามเวลา" หรือ "การเกาะกลุ่มของความผันผวน" สมองของคุณต้องตอบว่า ARCH! ทันทีครับ

พยายามเข้านะ! คุณกำลังเรียนรู้แนวคิดเดียวกับที่ทำให้ Robert Engle ได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์เชียวนะ คุณทำได้อยู่แล้ว!