Stochastic time series: random walks, stationarity, and autocorrelation

ยินดีต้อนรับสู่โลกของ Time Series: การทำนายสิ่งที่ดูเหมือนคาดเดาไม่ได้!

สวัสดีครับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! วันนี้เราจะมาเจาะลึกหัวใจสำคัญของ แบบจำลองอนุกรมเวลา (Time Series Models) กันครับ หากคุณเคยดูตารางหุ้น ติดตามอุณหภูมิในแต่ละวัน หรือสงสัยว่าทำไมยอดเคลมประกันถึงขึ้นๆ ลงๆ ในแต่ละเดือน แสดงว่าคุณกำลังดูอนุกรมเวลาอยู่ครับ ในบทนี้เราจะมาสำรวจวิธีทางคณิตศาสตร์ในการอธิบาย "ความเคลื่อนไหว" ตามช่วงเวลา ไม่ต้องกังวลนะครับถ้าตอนนี้ยังไม่ใช่เซียนคณิตศาสตร์ เราจะค่อยๆ ย่อยเรื่องนี้ไปทีละขั้นตอนด้วยตรรกะง่ายๆ และตัวอย่างจากชีวิตจริง

1. รากฐานที่สำคัญ: White Noise (สัญญาณรบกวนสีขาว)

ก่อนที่เราจะเข้าใจการเคลื่อนไหวที่ซับซ้อน เราต้องเข้าใจสิ่งที่ง่ายที่สุดก่อน นั่นคือ White Noise ลองนึกภาพ White Noise เหมือนกับสัญญาณ "ซ่า" บนทีวีรุ่นเก่าครับ มันคือความสุ่มโดยสมบูรณ์ ไม่มีรูปแบบ และคุณไม่สามารถใช้อดีตมาทำนายอนาคตได้เลย

ลำดับ \( \epsilon_t \) จะเรียกว่าเป็น white noise ก็ต่อเมื่อ:
1. ค่าเฉลี่ย (Mean) เป็น ศูนย์: \( E[\epsilon_t] = 0 \)
2. ความแปรปรวน (Variance) คงที่: \( Var(\epsilon_t) = \sigma^2 \)
3. ไม่มีความสัมพันธ์ ระหว่างจุดเวลาที่ต่างกัน: \( Cor(\epsilon_t, \epsilon_s) = 0 \) สำหรับทุกๆ \( t \neq s \)

ทบทวนสั้นๆ: ถ้าคุณเห็นกราฟที่จุดต่างๆ กระจายตัวแบบสุ่มรอบศูนย์โดยไม่มีแนวโน้ม (Trend) หรือการเกาะกลุ่มกัน แสดงว่าคุณน่าจะกำลังดู White Noise อยู่ครับ!

2. Random Walk: "เส้นทางของคนเมา"

ลองจินตนาการว่าคนคนหนึ่งยืนอยู่ที่ตำแหน่ง 0 บนเส้นตรง เขาโยนเหรียญ: ออกหัวก้าวไปทางขวาหนึ่งก้าว ออกก้อยก้าวไปทางซ้ายหนึ่งก้าว ตำแหน่งของเขาในวันพรุ่งนี้ขึ้นอยู่กับว่าวันนี้เขาอยู่ที่ไหน บวกกับอีกหนึ่งก้าวที่สุ่มได้ นี่คือ Random Walk ครับ

สูตรเป็นดังนี้:
\( x_t = x_{t-1} + w_t \)
โดยที่ \( w_t \) คือ white noise

คุณสมบัติสำคัญของ Random Walk:

1. ไม่เป็น Stationary (ไม่คงที่): เพราะคนคนนี้สามารถเดินออกห่างจากจุดเริ่มต้นไปได้เรื่อยๆ ทำให้ความแปรปรวนเพิ่มขึ้นตามเวลา (\( Var(x_t) = t\sigma^2 \))
2. มีความจำ (Memory): Random Walk มี "ความจำที่สมบูรณ์แบบ" เพราะทุกแรงกระแทกจากอดีตจะถูกฝังอยู่ในค่าปัจจุบันอย่างถาวร
3. Random Walk แบบมี Drift: บางครั้งอาจมีแรงส่งที่สม่ำเสมอในทิศทางใดทิศทางหนึ่ง
\( x_t = c + x_{t-1} + w_t \)
ลองนึกภาพคนเมาคนเดิมที่กำลังเดินบนทางเลื่อนในสนามบินครับ เขาเดินสุ่มก้าวของเขาไปเรื่อยๆ แต่ทางเลื่อนกำลังค่อยๆ ผลักเขาไปข้างหน้า (\( c \))

คุณรู้หรือไม่? นักทฤษฎีตลาดที่มีประสิทธิภาพหลายคนโต้แย้งว่าราคาหุ้นมีพฤติกรรมเหมือน Random Walk ถ้าเป็นเช่นนั้นจริง หมายความว่าคุณไม่สามารถทำนายราคาของวันพรุ่งนี้จากราคาของวันนี้ได้ เพราะการเปลี่ยนแปลงใดๆ ก็เป็นเพียงสัญญาณรบกวนแบบสุ่มเท่านั้น!

3. Stationarity (ความอยู่ตัว): กฎของเกม

ในทางสถิติ เราชอบเวลาที่ "กฎ" ไม่เปลี่ยนแปลง Stationarity หมายความว่าคุณสมบัติทางสถิติของอนุกรมนั้นไม่ขึ้นอยู่กับว่าคุณสังเกตการณ์ที่ เวลาใด

สำหรับข้อสอบ SRM เราจะเน้นไปที่ Weak Stationarity (หรือที่เรียกว่า Covariance Stationarity) เพื่อให้อนุกรมหนึ่งๆ เป็น weakly stationary มันต้องผ่านเกณฑ์ 3 ข้อที่เข้มงวดนี้:
1. ค่าเฉลี่ยคงที่: ค่าเฉลี่ย \( E[x_t] \) ต้องเท่ากันสำหรับทุก \( t \)
2. ความแปรปรวนคงที่: การกระจายตัวของข้อมูล \( Var(x_t) \) ต้องมีค่าจำกัดและเท่ากันสำหรับทุก \( t \)
3. ค่าความแปรปรวนร่วมคงที่ (Constant Autocovariance): ความสัมพันธ์ระหว่าง \( x_t \) และ \( x_{t-h} \) ขึ้นอยู่กับระยะห่างระหว่างจุดเวลา (\( h \)) เท่านั้น ไม่ใช่ขึ้นอยู่กับเวลาจริงๆ (\( t \))

เปรียบเทียบให้เห็นภาพ:

ลองนึกถึงเกมบาสเกตบอล:
- Stationary: ห่วงสูง 10 ฟุตเท่าเดิม สนามขนาดเท่าเดิม และลูกบอลเด้งดีเท่าเดิมตลอดทั้งเกม
- Non-stationary: ห่วงสูงขึ้นทุกนาที หรือสนามยาวขึ้นเรื่อยๆ ขณะที่เกมดำเนินไป แบบนี้จะทำนายคะแนนได้ยากเพราะกฎมันเปลี่ยนตลอดเวลา!

ประเด็นสำคัญ: Random Walk คือตัวอย่างคลาสสิกของอนุกรมแบบ non-stationary เพราะความแปรปรวนของมันเพิ่มขึ้นตามกาลเวลานั่นเอง

4. Autocorrelation: ความสัมพันธ์กับตัวมันเอง

Autocorrelation คือการวัดว่าตัวแปรนั้นมีความสัมพันธ์กับค่าในอดีตของตัวมันเองอย่างไร หากอุณหภูมิวันนี้สัมพันธ์อย่างมากกับอุณหภูมิของเมื่อวาน เราจะบอกว่าอนุกรมนี้มี autocorrelation สูงที่ Lag 1

ฟังก์ชันสหสัมพันธ์ในตัวเอง (Autocorrelation Function - ACF) ที่ lag \( k \) นิยามโดย:
\( \rho_k = \frac{\gamma_k}{\gamma_0} \)
โดยที่ \( \gamma_k \) คือ covariance ที่ lag \( k \), และ \( \gamma_0 \) คือ variance

ACF บอกอะไรเราได้บ้าง?

1. สำหรับ White Noise: ค่า ACF จะเกือบเป็น 0 สำหรับทุกๆ lag \( k > 0 \) (ไม่มีความสัมพันธ์กับอดีต)
2. สำหรับ Random Walk: ค่า ACF จะสูงค้างและลดลงช้ามากๆ นี่คือสัญญาณเตือนภัยว่าข้อมูลของคุณเป็น non-stationary!
3. สำหรับ Stationary Series: ค่า ACF มักจะตกลงเข้าใกล้ศูนย์ค่อนข้างเร็วเมื่อ lag เพิ่มขึ้น

เทคนิคช่วยจำ: นึกถึงคำว่า "Auto-" ว่าแปลว่า "ตนเอง" ดังนั้น Autocorrelation ก็คือ "ความสัมพันธ์กับตนเอง" นั่นเองครับ

5. ทำให้เป็น Stationary: การทำ Differencing (การหาผลต่าง)

ถ้าเราเจอ Random Walk ที่เป็น non-stationary เราจะแก้ปัญหายังไง? เราใช้ Differencing ครับ! แทนที่จะดูที่ระดับของค่า (ว่าคนเมาอยู่ที่ไหน) เราจะไปดู การเปลี่ยนแปลง (ว่าเขาก้าวไปเท่าไหร่) แทน

ถ้า \( x_t = x_{t-1} + w_t \) แล้ว:
\( x_t - x_{t-1} = w_t \)
"ผลต่างอันดับที่หนึ่ง" (First Difference) ของ Random Walk ก็คือ white noise ซึ่งเป็น stationary นั่นเอง!

ข้อผิดพลาดที่ควรระวัง: นักศึกษามักลืมว่าการ ทำ Log-transform ช่วยจัดการเรื่องความแปรปรวนที่ไม่คงที่ ส่วนการ ทำ Differencing ช่วยจัดการเรื่องค่าเฉลี่ย/แนวโน้มที่ไม่คงที่ ถ้าข้อมูลมีการเติบโตแบบ "Exponential" ให้ทำ Log ก่อน แล้วค่อยทำ Differencing นะครับ!

สรุปสั้นๆ ให้เช็กความเข้าใจ

1. White Noise: สุ่มล้วนๆ ค่าเฉลี่ยเป็น 0, variance คงที่, ไม่มีความสัมพันธ์
2. Random Walk: วันนี้ = เมื่อวาน + สัญญาณรบกวน เป็น non-stationary (variance เพิ่มขึ้นตามเวลา)
3. Stationarity: ค่าเฉลี่ย, ความแปรปรวน, และ ACF ต้องคงที่ตลอดเวลา ซึ่งจำเป็นมากสำหรับแบบจำลองส่วนใหญ่
4. ACF: วัด "ความจำ" ถ้าค่าสูงค้างนานๆ แสดงว่าเป็น non-stationary
5. Differencing: การลบด้วยค่าก่อนหน้าเพื่อเปลี่ยนอนุกรมแบบ non-stationary ให้กลายเป็น stationary

ไม่ต้องกังวลถ้าเรื่องนี้ดูยากในตอนแรก! อนุกรมเวลาก็เหมือนการเรียนภาษาใหม่ครับ เมื่อคุณเริ่มมองเห็นรูปแบบใน ACF และเข้าใจว่าทำไม stationarity ถึงสำคัญ แล้วชิ้นส่วนที่เหลือก็จะเข้าที่เข้าทางเอง พยายามฝึกทำโจทย์และสูตรเหล่านี้ต่อไปนะ สู้ๆ!