ยินดีต้อนรับสู่บทเรียนเรื่อง Multivariate Empirical Methods และ Performance Persistence!
ยินดีต้อนรับสู่หนึ่งในบทเรียนที่นำไปใช้ได้จริงที่สุดในหมวด Methods and Models ของหลักสูตร CAIA Level II ครับ เมื่อต้องประเมินผู้จัดการกองทุนการลงทุนทางเลือก (Alternative Investment) สองคำถามพื้นฐานที่มักเกิดขึ้นเสมอคือ: "ปัจจัยเชิงระบบและปัจจัยแบบไดนามิกใดบ้างที่เป็นตัวขับเคลื่อนผลตอบแทนของกองทุนอย่างแท้จริง?" และ "ผลการดำเนินงานที่โดดเด่นนั้นมีความต่อเนื่องจริง หรือเป็นเพียงผลลัพธ์จากความบังเอิญและสภาวะตลาดที่เปลี่ยนแปลงไป?"
เพื่อตอบคำถามเหล่านี้ นักวิเคราะห์จึงต้องพึ่งพาเครื่องมือเชิงประจักษ์แบบตัวแปรพหุ (Multivariate Empirical Tools) ได้แก่ การถดถอยแบบหลายปัจจัย (Multifactor Regressions), การแยกส่วนประกอบของปัจจัยทางสถิติ (เช่น การวิเคราะห์ส่วนประกอบหลัก หรือ Principal Component Analysis), โมเดลความเสี่ยงแบบไดนามิก และการทดสอบความต่อเนื่องของผลการดำเนินงานเชิงประจักษ์
1. Multifactor Regression และการแยกส่วนประกอบของผลตอบแทน (Return Decomposition)
ในโมเดลเชิงเส้นอย่างง่าย (Simple Linear Models) ผลตอบแทนของสินทรัพย์จะถูกนำไปวิเคราะห์การถดถอยเทียบกับดัชนีตลาดเพียงตัวเดียว แต่ Multivariate Regression จะขยายกรอบการทำงานนี้ โดยการประเมินความไวต่อปัจจัยเชิงระบบหลายปัจจัยพร้อมกันครับ
สมการทั่วไปของโมเดลหลายปัจจัยคือ:
\( R_{i,t} - R_{f,t} = \alpha_i + \beta_{i,1} F_{1,t} + \beta_{i,2} F_{2,t} + \dots + \beta_{i,K} F_{K,t} + \epsilon_{i,t} \)
โดยที่:
• \( R_{i,t} - R_{f,t} \) คือผลตอบแทนส่วนเกิน (Excess Return) ของสินทรัพย์หรือกองทุน \( i \) ณ เวลา \( t \)
• \( \alpha_i \) (Alpha) คือจุดตัดแกน Y ซึ่งวัดผลตอบแทนผิดปกติที่ไม่สามารถอธิบายได้ด้วยปัจจัยต่างๆ
• \( \beta_{i,k} \) คือค่าน้ำหนักปัจจัย (Factor Loading) หรือความไวต่อปัจจัย \( k \)
• \( F_{k,t} \) คือผลตอบแทนของปัจจัย \( k \) ณ เวลา \( t \)
• \( \epsilon_{i,t} \) คือตัวแปรความคลาดเคลื่อนเฉพาะตัว (Idiosyncratic Error Term หรือสัญญาณรบกวนส่วนที่เหลือซึ่งมีค่าเฉลี่ยเป็นศูนย์)
เกณฑ์การวินิจฉัยทางสถิติที่สำคัญ
• t-statistic และ p-value: ประเมินว่าค่าน้ำหนักปัจจัย \( \beta \) หรือแอลฟา \( \alpha \) แตกต่างจากศูนย์อย่างมีนัยสำคัญทางสถิติหรือไม่ โดยทั่วไปค่า \( |t| > 2 \) จะบ่งชี้ถึงนัยสำคัญที่ระดับ 5% (\( p < 0.05 \))
• R-squared (\( R^2 \)) และ Adjusted \( R^2 \): \( R^2 \) วัดสัดส่วนของความแปรปรวนของผลตอบแทนทั้งหมดที่อธิบายได้ด้วยโมเดล ส่วน Adjusted \( R^2 \) จะมีการหักคะแนนสำหรับตัวแปรอิสระที่เพิ่มเข้ามาแต่ละตัว เพื่อป้องกันปัญหา Overfitting (การปรับโมเดลจนพอดีกับข้อมูลเกินไป)
• Partial Autocorrelation: วัดค่าสหสัมพันธ์ระหว่างอนุกรมเวลา ณ เวลา \( t \) และเวลา \( t-k \) หลังจากควบคุมอิทธิพลเชิงเส้นของช่วงเวลาหน่วง (Lags) ระหว่างกลางทั้งหมดแล้ว (\( t-1, \dots, t-k+1 \)) ซึ่งช่วยแยกแยะระหว่างสหสัมพันธ์ในตัวเองที่แท้จริงของผลตอบแทนกองทุน กับผลกระทบเทียมที่เกิดจากความต่อเนื่องของอันดับที่ต่ำกว่า
2. แนวทางโมเดลหลายปัจจัยในการอธิบายผลตอบแทน
โมเดลเชิงประจักษ์แบ่งกลุ่มปัจจัยความเสี่ยงออกเป็น 3 ตระกูลหลัก:
• Macroeconomic Factors (ปัจจัยเศรษฐกิจมหภาค): ตัวแปรสภาวะทางเศรษฐกิจที่สังเกตได้ เช่น อัตราเงินเฟ้อที่ไม่คาดคิด, การเปลี่ยนแปลงของ Term Spread, การเปลี่ยนแปลงอย่างฉับพลันของ Credit Spread และการเติบโตของผลผลิตภาคอุตสาหกรรม
• Fundamental Factors (ปัจจัยพื้นฐาน): ลักษณะทางการเงินในระดับบริษัทที่ถูกแปลงสภาพเป็นพอร์ตโฟลิโอของปัจจัย ตัวอย่างที่สำคัญ ได้แก่ Fama-French Three-Factor Model (ตลาด, ขนาดผ่าน SMB และมูลค่าหุ้นผ่าน HML) และ Carhart Four-Factor Model (เพิ่มโมเมนตัมผ่าน UMD)
• Statistical Factors (ปัจจัยทางสถิติ): ปัจจัยแฝง (Latent Factors) ที่สกัดออกมาได้โดยตรงจากผลตอบแทนของสินทรัพย์ในอดีต โดยไม่ต้องกำหนดนิยามทางเศรษฐศาสตร์ไว้ล่วงหน้า
3. ปัจจัยทางสถิติและการวิเคราะห์ส่วนประกอบหลัก (Principal Component Analysis - PCA)
เมื่อนักวิเคราะห์ไม่ต้องการกำหนดปัจจัยขับเคลื่อนทางเศรษฐกิจมหภาคหรือปัจจัยพื้นฐานไว้ล่วงหน้า พวกเขาจะใช้เทคนิคการลดมิติข้อมูลทางสถิติ ซึ่งเทคนิคที่โดดเด่นที่สุดคือ Principal Component Analysis (PCA) ครับ
กลไกการทำงานของ PCA
PCA ทำหน้าที่แปลงชุดผลตอบแทนของสินทรัพย์ที่มีความสัมพันธ์กันจำนวนมาก ให้กลายเป็นชุดค่าผสมเชิงเส้นที่มีขนาดเล็กลง และตั้งฉากกันโดยไม่มีความสัมพันธ์กัน ซึ่งเรียกว่า ส่วนประกอบหลัก (Principal Components) (หรือปัจจัยทางสถิติ):
• Orthogonality (ความเป็นอิสระตั้งฉากกัน): ส่วนประกอบหลักแต่ละตัวจะตั้งฉาก (ไม่มีความสัมพันธ์กัน) กับส่วนประกอบตัวอื่นๆ ทั้งหมด ช่วยขจัดปัญหา Multicollinearity (ภาวะร่วมเส้นตรงหลายตัวแปร) ระหว่างปัจจัยที่สร้างขึ้นมา
• Variance Maximization (การเพิ่มความแปรปรวนสูงสุด): ส่วนประกอบหลักตัวแรก (\( PC_1 \)) จะอธิบายความแปรปรวนของชุดข้อมูลผลตอบแทนให้ได้มากที่สุดเท่าที่จะเป็นไปได้ ส่วนประกอบตัวที่สอง (\( PC_2 \)) จะจับความแปรปรวนที่เหลืออยู่ให้ได้มากที่สุดโดยตั้งฉากกับ \( PC_1 \) และทำเช่นนี้ต่อไปเรื่อยๆ
• Eigenvectors และ Eigenvalues: การแปลงทางคณิตศาสตร์จะพึ่งพาการแยกสเปกตรัม (Spectral Decomposition) ของเมทริกซ์ความแปรปรวนร่วมเกี่ยว (หรือเมทริกซ์สหสัมพันธ์) ของผลตอบแทน โดยค่า Eigenvalue แต่ละค่าจะแสดงถึงปริมาณความแปรปรวนทั้งหมดที่อธิบายได้ด้วย Eigenvector (ค่าน้ำหนักของปัจจัย) ที่สอดคล้องกัน
การประยุกต์ใช้: ในพอร์ตโฟลิโอตราสารหนี้และการลงทุนทางเลือก ส่วนประกอบทางสถิติสามตัวแรกมักจะสะท้อนการเปลี่ยนแปลงที่เข้าใจได้ง่าย: \( PC_1 \) มักสะท้อนถึงการเปลี่ยนแปลงของระดับตลาดโดยรวม (Level Shift), \( PC_2 \) สะท้อนถึงความชันหรือการเอียง (Slope หรือ Tilt) และ \( PC_3 \) สะท้อนถึงความโค้งหรือการกระจายตัว (Curvature หรือ Dispersion)
4. โมเดล Dynamic Risk-Exposure และ Changing-Correlation
การถดถอยแบบดั้งเดิมตั้งสมมติฐานว่าการเปิดรับปัจจัยมีความคงที่ (ค่า Beta คงที่) และมีค่าสหสัมพันธ์ที่เสถียร อย่างไรก็ตาม ผู้จัดการกองทุนการลงทุนทางเลือก (เช่น Global Macro, CTA และ Long/Short Equity Hedge Funds) มีการหมุนเวียนการเปิดรับความเสี่ยงอย่างต่อเนื่อง จับจังหวะสภาวะตลาด และปรับระดับเลเวอเรจแบบไดนามิกอยู่เสมอครับ
การสร้างโมเดลสำหรับการเปิดรับความเสี่ยงแบบไดนามิก
• Rolling-Window Regressions: การประมาณค่าการถดถอยในช่วงเวลาย่อยแบบเลื่อนไปเรื่อยๆ (เช่น ทุก 24 หรือ 36 เดือน) จะเผยให้เห็นว่าความไวของผู้จัดการกองทุนต่อปัจจัยตลาด, สินเชื่อ หรือความผันผวนนั้นมีความผันแปรไปตามกาลเวลาหรือไม่
• Contingent/Interaction Terms: การใส่ตัวแปรหุ่นปฏิสัมพันธ์ (Interactive Slope Dummies) ช่วยให้ค่าน้ำหนักปัจจัยสามารถปรับเปลี่ยนตามสภาวะแวดล้อมของตลาดที่แตกต่างกันได้ (เช่น ภาวะตลาดขาขึ้นเทียบกับตลาดขาลง หรือสภาวะความผันผวนสูงเทียบกับความผันผวนต่ำ)
• Changing-Correlation Models: ค่าสหสัมพันธ์ของสินทรัพย์มักจะพุ่งขึ้นแตะระดับ 1.0 ในช่วงวิกฤตสภาพคล่องและภาวะตึงเครียดของตลาด โมเดล Dynamic Conditional Correlation (DCC) และโมเดล Regime-Switching จึงเข้ามาช่วยจับโครงสร้างความแปรปรวนร่วมเกี่ยวที่เปลี่ยนแปลงตามเวลา ซึ่งช่วยป้องกันไม่ให้ผู้จัดการความเสี่ยงประเมินความเสี่ยงส่วนหาง (Tail Risk) ของพอร์ตโฟลิโอต่ำเกินไป
5. หลักฐานเชิงประจักษ์เรื่องความต่อเนื่องของผลงาน (Performance Persistence)
Performance Persistence เป็นการทดสอบว่าผลงานที่โดดเด่นในอดีต (หรือผลงานที่ย่ำแย่) จะดำเนินต่อเนื่องไปยังรอบการประเมินถัดไปอย่างคาดการณ์ได้หรือไม่
ระเบียบวิธีในการทดสอบ
1. Contingency Tables (Cross-Product Ratio)
เราแบ่งผู้จัดการกองทุนออกเป็นกลุ่มผู้ชนะ (Winners: \( W \)) หรือผู้แพ้ (Losers: \( L \)) ในงวดที่ 1 แล้วติดตามดูผลงานในงวดที่ 2:
• \( WW \): ชนะในงวดที่ 1, ชนะในงวดที่ 2 (มีความต่อเนื่อง/Persistence)
• \( LL \): แพ้ในงวดที่ 1, แพ้ในงวดที่ 2 (มีความต่อเนื่อง/Persistence)
• \( WL \): ชนะในงวดที่ 1, แพ้ในงวดที่ 2 (มีการกลับตัว/Reversal)
• \( LW \): แพ้ในงวดที่ 1, ชนะในงวดที่ 2 (มีการกลับตัว/Reversal)
Cross-Product Ratio (CPR) ใช้วัดความต่อเนื่องเชิงเปรียบเทียบ:
\( CPR = \frac{WW \times LL}{WL \times LW} \)
ค่า \( CPR > 1.0 \) ที่มีค่า Z-statistic หรือการทดสอบ Chi-squared ที่มีนัยสำคัญทางสถิติ จะบ่งชี้ถึงการมีความต่อเนื่องของผลการดำเนินงาน หากค่า \( CPR = 1.0 \) แสดงว่าผลการดำเนินงานในอดีตเป็นอิสระจากผลการดำเนินงานในอนาคตครับ
2. Regression Tests
การวิเคราะห์การถดถอยแบบภาคตัดขวาง (Cross-sectional) หรือแบบข้อมูลพาเนล (Panel) โดยให้ผลการดำเนินงานในงวดที่ 2 เป็นตัวแปรตาม และผลการดำเนินงานในงวดที่ 1 เป็นตัวแปรอิสระ:
\( \text{Perf}_{i, t+1} = \alpha + \gamma \cdot \text{Perf}_{i, t} + \epsilon_{i, t+1} \)
หากค่าสัมประสิทธิ์ความชัน \( \gamma \) เป็นบวกและมีนัยสำคัญทางสถิติ จะบ่งชี้ถึงความต่อเนื่องของผลงานครับ
ข้อค้นพบเชิงประจักษ์ในแต่ละประเภทสินทรัพย์
• Private Equity: ในอดีตการศึกษาเชิงประจักษ์บันทึกไว้ว่ามีความต่อเนื่องของผลงานในกองทุน Buyout และ Venture Capital ที่บริหารโดย General Partner (GP) รายเดียวกันอย่างต่อเนื่อง ซึ่งขับเคลื่อนโดยขีดความสามารถในการดำเนินงาน, ดีลพิเศษเฉพาะตัว (Proprietary Deal Flow) และการสร้างมูลค่าผ่านการกำกับดูแล
• Hedge Funds: พบความต่อเนื่องในระยะสั้น (ในกรอบเวลารายเดือนหรือรายไตรมาส) แต่ความต่อเนื่องในระยะยาวค่อนข้างอ่อนแอ และมักถูกขับเคลื่อนด้วยภาระค่าธรรมเนียมที่คงที่, ส่วนชดเชยการขาดสภาพคล่อง (Illiquidity Premium) หรือการเปิดรับปัจจัยร่วมทั่วไป มากกว่าที่จะเกิดจากแอลฟาบริสุทธิ์ที่ยั่งยืน
• Mutual Funds: หลักฐานแสดงให้เห็นถึงความต่อเนื่องที่เด่นชัดในกลุ่มกองทุนที่มีผลงานย่ำแย่ (เนื่องจากอัตราค่าใช้จ่ายที่สูงต่อเนื่องและต้นทุนจากการซื้อขาย) แต่มีความต่อเนื่องน้อยมากในกลุ่มกองทุนที่เป็นผู้ชนะ เมื่อได้ทำการควบคุมปัจจัยการเปิดรับความเสี่ยงและค่าธรรมเนียมแล้ว
อคติที่ส่งผลกระทบต่อการศึกษาความต่อเนื่องของผลงาน
ข้อค้นพบเชิงประจักษ์จะต้องได้รับการปรับปรุงเพื่อลดผลกระทบจากอคติของฐานข้อมูล (Database Biases):
• Survivorship Bias (อคติจากการรอดชีวิต): กองทุนที่ล้มเหลวและปิดตัวลงจะหายไปจากฐานข้อมูลเชิงพาณิชย์ ส่งผลให้ผลตอบแทนเฉลี่ยในอดีตดูสูงเกินจริง และบิดเบือนมาตรวัดความต่อเนื่องของผลงาน
• Backfill (Instant History) Bias: กองทุนที่เข้าจดทะเบียนใหม่ในฐานข้อมูลจะนำผลงานในอดีตที่ประสบความสำเร็จเข้ามาใส่ด้วย ขณะที่กองทุนที่ไม่ประสบความสำเร็จจะไม่เคยถูกนำเข้าฐานข้อมูลเลย
• Selection Bias (อคติจากการคัดเลือก): มีเฉพาะผู้จัดการกองทุนที่มีแรงจูงใจในการระดมทุนเท่านั้นที่เลือกจะรายงานข้อมูลผลการดำเนินงานโดยสมัครใจ
เช็คลิสต์สรุปบทเรียน
ตรวจสอบดูว่าคุณมีความเข้าใจและสามารถทำสิ่งเหล่านี้ได้อย่างมั่นใจ:
• แยกความแตกต่างระหว่างโมเดลปัจจัยเศรษฐกิจมหภาค, ปัจจัยพื้นฐาน และปัจจัยทางสถิติได้
• อธิบายคุณลักษณะสำคัญของ PCA ได้: ส่วนประกอบที่ตั้งฉากกัน, การเพิ่มความแปรปรวนสูงสุด และการแยกสเปกตรัมของ Eigenvalue
• อธิบายได้ว่าเหตุใดการเปิดรับปัจจัยแบบไดนามิกและค่าสหสัมพันธ์ที่เปลี่ยนแปลงตามเวลาจึงมีความสำคัญยิ่งในการประเมินกลยุทธ์ Hedge Fund
• แปลผลตาราง Contingency Table, คำนวณค่า Cross-Product Ratio (\( CPR \)) และระบุรูปแบบความต่อเนื่องเชิงประจักษ์ใน Private Equity เทียบกับ Hedge Funds ได้