ยินดีต้อนรับสู่ Fixed Income: กรอบการประเมินมูลค่าแบบปลอดการเก็งกำไร (Arbitrage-Free Valuation)
สวัสดีว่าที่ Charterholder ทุกคน! ยินดีต้อนรับสู่หนึ่งในบทที่สำคัญที่สุดของวิชา Fixed Income ในระดับ Level II ถ้าใครรู้สึกว่าเนื้อหา Fixed Income ใน Level I ค่อนข้างแห้งแล้ง เตรียมตัวให้ดีครับ เพราะใน Level II นี้ เราจะได้เรียนรู้วิธี "สร้าง" เครื่องมือที่เหล่ามืออาชีพใช้ในการประเมินมูลค่าตราสารหนี้ที่มีความซับซ้อนกันจริงๆ
ในบทนี้ เราจะไม่มองแค่อัตราดอกเบี้ยเพียงอัตราเดียว แต่เรากำลังยอมรับความจริงที่ว่าอนาคตนั้นมีความไม่แน่นอน เราจะได้เรียนรู้วิธีสร้าง Binomial Interest Rate Tree (ทรีอัตราดอกเบี้ยแบบทวิภาค) เพื่อประเมินมูลค่าตราสารหนี้ในวิธีที่ป้องกัน "การเก็งกำไรส่วนต่าง" (Arbitrage หรือการทำกำไรโดยไม่มีความเสี่ยง) ไม่ต้องกังวลไปนะครับถ้าดูเป็นคณิตศาสตร์ในตอนแรก เราจะค่อยๆ ย่อยไปทีละขั้นตอน!
1. แนวคิดหลัก: การประเมินมูลค่าแบบปลอดการเก็งกำไรคืออะไร?
ในโลกแห่งความเป็นจริง ถ้ามีสินค้าสองอย่างที่เหมือนกันเปี๊ยบแต่ขายในราคาที่ต่างกันในสองตลาด คุณสามารถซื้อของที่ถูกกว่าแล้วไปขายในที่ที่แพงกว่าเพื่อทำกำไรได้ทันที นั่นคือ Arbitrage ในโลกของตราสารหนี้ Arbitrage-free valuation คือการทำให้มั่นใจว่าราคาของตราสารหนี้สอดคล้องกับราคาของตราสารหนี้อื่นๆ ในตลาด
กรอบแนวคิดนี้ตั้งอยู่บนสมมติฐานที่ว่า:
1. มูลค่าของตราสารหนี้ต้องเท่ากับมูลค่าปัจจุบัน (PV) ของกระแสเงินสดที่คาดว่าจะได้รับในอนาคต
2. เราใช้อัตราผลตอบแทนแบบ Spot rates หรือ Forward rates ที่สอดคล้องกับ เส้นอัตราผลตอบแทน (Yield Curve) ของตลาดในปัจจุบัน
ทบทวนสั้นๆ: กฎราคาเดียว (Law of One Price)
นี่คือ "กฎทอง" ของการเงิน ซึ่งกล่าวว่าหากการลงทุนสองรายการให้กระแสเงินสดในอนาคตเหมือนกันทุกประการภายใต้ทุกสถานการณ์ ทั้งสองรายการนั้น จะต้อง มีราคาปัจจุบันเท่ากัน ถ้าไม่เท่ากัน แสดงว่ามีโอกาสทำ Arbitrage เกิดขึ้น!
2. ทรีอัตราดอกเบี้ยแบบทวิภาค (Binomial Interest Rate Tree)
ลองจินตนาการว่า Binomial tree คือแผนที่ "เลือกการผจญภัยของคุณเอง" สำหรับอัตราดอกเบี้ย ในแต่ละช่วงเวลา (แต่ละ Node) อัตราดอกเบี้ยสามารถขยับ ขึ้น (Up) หรือ ลง (Down) ได้ในงวดถัดไป
การสร้างทรี
เพื่อให้ได้ทรีที่ใช้ประเมินมูลค่าได้จริง เราต้องมีส่วนประกอบหลัก 3 อย่าง:
1. อัตราดอกเบี้ย Spot ปัจจุบัน: นี่คือจุดเริ่มต้นที่เวลา 0 (Node 0)
2. สมมติฐานเกี่ยวกับความผันผวน (\(\sigma\)): ซึ่งจะบอกเราว่าอัตราดอกเบี้ยมีโอกาสกระโดดขึ้นหรือลงมากแค่ไหน
3. แบบจำลองอัตราดอกเบี้ย: ซึ่งกำหนดความสัมพันธ์ทางคณิตศาสตร์ระหว่างอัตราดอกเบี้ย "ขาขึ้น" และ "ขาลง"
สูตรสำคัญ:
ใน Binomial tree มาตรฐาน ความสัมพันธ์ระหว่างอัตราดอกเบี้ยขาขึ้น (\(i_{u}\)) และขาลง (\(i_{d}\)) ในช่วงเวลาเดียวกันคือ:
\(i_{u} = i_{d} \cdot e^{2\sigma}\)
การเปรียบเทียบ: ลองนึกภาพว่าคุณกำลังขว้างลูกบอล ถ้ามีความผันผวนสูง (\(\sigma\)) ความสูงที่เป็นไปได้ของลูกบอลหลังจากผ่านไป 1 วินาทีจะมีช่วงที่กว้างมาก แต่ถ้าความผันผวนต่ำ ช่วงความสูงก็จะแคบลง ปัจจัย \(e^{2\sigma}\) ก็คือสูตรคณิตศาสตร์ที่กำหนดว่า "ช่วงความกว้าง" ของอัตราดอกเบี้ยนั้นกว้างแค่ไหนนั่นเอง
คุณทราบหรือไม่?
Binomial tree นี้เป็นแบบ "Recombining" หมายความว่าถ้าอัตราดอกเบี้ยขยับ ขึ้นแล้วลง มันจะไปจบที่จุดกลางจุดเดียวกับที่ขยับ ลงแล้วขึ้น ซึ่งช่วยให้ทรีจัดการได้ง่ายและไม่ขยายตัวใหญ่จนเกินไป!
ประเด็นสำคัญ: Binomial tree คือแบบจำลองของอัตราดอกเบี้ยระยะสั้นที่เป็นไปได้ในอนาคต แต่ละ Node แทนค่าอัตราดอกเบี้ย Forward rate 1 งวดที่เป็นไปได้
3. การประเมินมูลค่าตราสารหนี้โดยใช้ "Backward Induction"
นี่คือจุดที่ความมหัศจรรย์เกิดขึ้น เพื่อหาค่าของตราสารหนี้ ในวันนี้ เราจะเริ่มจาก จุดสิ้นสุด ของอายุตราสารหนี้ (วันครบกำหนด) แล้วค่อยๆ ย้อนกลับมาที่เวลา 0 กระบวนการนี้เรียกว่า Backward Induction
ขั้นตอนการคำนวณทีละขั้น:
1. ที่วันครบกำหนด: มูลค่าของตราสารหนี้ที่ทุกโหนดสุดท้ายคือ ราคาพาร์ (Par Value) (ปกติคือ \$100 หรือ \$1,000) เพราะนั่นคือสิ่งที่ผู้ออกตราสารหนี้ต้องจ่ายคืนให้คุณ
2. ถอยหลังกลับหนึ่งงวด: ในแต่ละโหนด ให้คำนวณมูลค่าโดยหาค่าเฉลี่ยของมูลค่าในอนาคตที่เป็นไปได้สองค่า (รวมคูปอง) แล้วคิดลดกลับด้วยอัตราดอกเบี้ยที่โหนดนั้นๆ
3. ทำซ้ำ: ทำแบบนี้ต่อไปเรื่อยๆ จนถึงเวลา 0
ตรรกะทางคณิตศาสตร์:
มูลค่าที่โหนดใดๆ (\(V_{\text{node}}\)) คำนวณได้จาก:
\(V_{\text{node}} = \frac{1}{2} \times \left[ \frac{V_{u} + C}{1 + i} + \frac{V_{d} + C}{1 + i} \right]\)
โดยที่:
\(V_{u}\) = มูลค่าหากอัตราดอกเบี้ยขยับขึ้น
\(V_{d}\) = มูลค่าหากอัตราดอกเบี้ยขยับลง
\(C\) = เงินค่าคูปอง
\(i\) = อัตราดอกเบี้ยที่โหนดนั้นๆ
ข้อผิดพลาดที่พบบ่อยและควรระวัง: ผู้เรียนหลายคนลืมบวก คูปอง (\(C\)) เข้าไปในมูลค่าในอนาคตก่อนที่จะคิดลด จำไว้ว่าผู้ถือตราสารหนี้จะได้รับมูลค่าในอนาคตของตราสารหนี้ บวกกับ ดอกเบี้ยที่จ่าย!
ประเด็นสำคัญ: Backward induction เหมือนกับการเดินย้อนกลับทางเดิมเพื่อกลับบ้าน คุณเริ่มจากปลายทางแล้วค่อยๆ คิดว่าระหว่างทางตราสารหนี้นั้นมีค่าเท่าไหร่ในแต่ละจุด
4. การประเมินมูลค่าตามเส้นทาง (Pathwise Valuation)
ในขณะที่ Backward induction ทำงานย้อนกลับผ่านทรีไปทีละโหนด Pathwise valuation เป็นอีกหนึ่งวิธีที่เทียบเท่ากันในการประเมินมูลค่าตราสารหนี้โดยใช้ทรีอัตราดอกเบี้ยชุดเดียวกันทุกประการ
หลักการทำงานของ Pathwise Valuation
สำหรับตราสารหนี้ที่มีอายุ \(n\) งวด จะมีเส้นทางอัตราดอกเบี้ยที่เป็นไปได้ทั้งหมด \(2^{n-1}\) เส้นทางผ่านทรีตั้งแต่เวลา 0 จนถึงวันครบกำหนด ในวิธี Pathwise valuation เราจะประเมินแต่ละเส้นทางของอัตราดอกเบี้ยที่สมบูรณ์แบบแยกจากกัน:
1. ตามรอยแต่ละเส้นทาง: ระบุลำดับของอัตราดอกเบี้ย Forward rate 1 งวดที่ไม่ซ้ำกันในแต่ละเส้นทางตั้งแต่เวลา 0 จนสิ้นสุดอายุตราสารหนี้
2. คิดลดกระแสเงินสดตามเส้นทาง: สำหรับแต่ละเส้นทาง ให้คำนวณหามูลค่าปัจจุบันของกระแสเงินสดตามสัญญาของตราสารหนี้ (คูปองและราคาพาร์) โดยคิดลดกลับตามลำดับด้วยอัตราดอกเบี้ยระยะสั้นที่พบตลอดเส้นทางนั้นๆ
3. หาค่าเฉลี่ยจากทุกเส้นทาง: เนื่องจากแต่ละเส้นทางในทรีทวิภาคแบบปลอดการเก็งกำไรมีความน่าจะเป็นแบบ Risk-neutral เท่าๆ กันที่จะเกิดขึ้น (\(1 / 2^{n-1}\)) มูลค่าแบบปลอดการเก็งกำไรในวันนี้จึงเท่ากับค่าเฉลี่ยอย่างง่าย (Unweighted average) ของมูลค่าปัจจุบันที่คำนวณได้จากทุกเส้นทางที่เป็นไปได้
ประเด็นสำคัญ: Pathwise valuation และ Backward induction ให้ราคาตราสารหนี้แบบปลอดการเก็งกำไรที่ เหมือนกันทุกประการ Backward induction จะเร็วกว่าในแง่ของการคำนวณสำหรับทรี ในขณะที่ Pathwise valuation ช่วยให้เข้าใจการกระจายตัวของมูลค่าภายใต้สถานการณ์อัตราดอกเบี้ยที่แตกต่างกันได้ง่ายขึ้น
5. การปรับเทียบทรี (Calibrating the Tree)
เพื่อให้ทรีเป็นแบบ "ปลอดการเก็งกำไร" มันจะต้องถูก ปรับเทียบ (Calibrated) หมายความว่าถ้าเราใช้ทรีนี้ประเมินมูลค่า ตราสารหนี้อ้างอิง (Benchmark bond) แบบมาตรฐานที่ไม่มีออปชั่น (เช่น พันธบัตรรัฐบาล) ราคาที่ทรีคำนวณได้ จะต้องตรงกับราคาตลาด
ถ้าทรีประเมินราคาตราสารหนี้อ้างอิงได้ \$102 แต่ราคาตลาดคือ \$100 เราต้องปรับอัตราดอกเบี้ยในทรีจนกว่ามันจะตรงกัน เมื่อทรีถูกปรับเทียบกับตลาดแล้ว เราจึงจะสามารถนำไปใช้ประเมินมูลค่าตราสารหนี้ที่ซับซ้อนกว่าได้ (เช่น ตราสารหนี้ที่มีออปชั่นฝังตัว)
6. การพึ่งพาเส้นทาง (Path Dependency): เมื่อทรีไม่เพียงพอ
โดยปกติ เราจะสมมติว่ามูลค่าของตราสารหนี้ในวันนี้ไม่สนใจว่า "กว่าจะถึง" อัตราดอกเบี้ยในอนาคตนั้นมันผ่านอะไรมาบ้าง มันสนใจแค่ว่าอัตราดอกเบี้ย ณ ขณะนั้นคือเท่าไหร่ ซึ่งเรียกว่า Path independence
อย่างไรก็ตาม ตราสารบางอย่างมีความเป็น Path Dependent ตัวอย่างที่โด่งดังที่สุดคือ ตราสารหนี้ที่มีสินเชื่อที่อยู่อาศัยค้ำประกัน (MBS)
ตัวอย่างในโลกจริง: ถ้าปีที่แล้วอัตราดอกเบี้ยอยู่ที่ 10% แล้วลดลงมาเหลือ 3% ในปีนี้ คนจำนวนมากจะรีไฟแนนซ์บ้านไปแล้ว แต่ถ้าปีที่แล้วดอกเบี้ยอยู่ที่ 4% แล้วลดลงมาเหลือ 3% ในปีนี้ คนอาจจะรีไฟแนนซ์น้อยกว่า แม้ว่าวันนี้ดอกเบี้ยจะอยู่ที่ 3% เท่ากันทั้งสองสถานการณ์ แต่ ประวัติ ของการเปลี่ยนแปลงอัตราดอกเบี้ยทำให้กระแสเงินสดของ MBS แตกต่างกัน
การจำลองแบบมอนติคาร์โล (Monte Carlo Simulation)
เนื่องจาก Binomial tree จัดการกับกระแสเงินสดที่ขึ้นอยู่กับเส้นทางได้ยาก เราจึงใช้ Monte Carlo Simulation แทนที่จะเป็นทรีเรียบร้อยๆ เราใช้คอมพิวเตอร์สร้าง "เส้นทาง" สุ่มของอัตราดอกเบี้ยขึ้นมาหลายพันรูปแบบ จากนั้นคำนวณมูลค่าของตราสารหนี้ตามแต่ละเส้นทางแล้วค่อยหาค่าเฉลี่ยออกมา
กล่องทบทวน: Tree vs. Monte Carlo
• Binomial Tree: เหมาะที่สุดสำหรับออปชั่นแบบ "American-style" หรือตราสารหนี้ที่เส้นทางไม่มีผล
• Monte Carlo: จำเป็นสำหรับตราสารหนี้แบบ "Path-Dependent" เช่น MBS
7. สรุปและเคล็ดลับสุดท้าย
ยินดีด้วยครับ! คุณเพิ่งผ่านกรอบแนวคิดสำหรับการประเมินมูลค่าแบบปลอดการเก็งกำไรไปได้ นี่คือจุดที่ "ต้องรู้" สำหรับการสอบ:
• Arbitrage-Free หมายถึงราคาจากแบบจำลองต้องตรงกับราคาตลาดของตราสารหนี้อ้างอิง
• Binomial Trees ใช้ความผันผวนและเส้น Yield curve ปัจจุบันในการคาดการณ์อัตราดอกเบี้ยที่เป็นไปได้ในอนาคต
• Backward Induction คือกระบวนการประเมินมูลค่าตราสารหนี้โดยเริ่มจากวันครบกำหนดและคิดลดกลับมาสู่วันปัจจุบัน
• Pathwise Valuation คำนวณหามูลค่าปัจจุบันของตราสารหนี้ตามแต่ละเส้นทางเดี่ยวๆ ทั้งหมด \(2^{n-1}\) เส้นทาง แล้วหาค่าเฉลี่ย ซึ่งให้ผลลัพธ์เหมือนกับ Backward induction ทุกประการ
• Path Dependency หมายถึงประวัติของอัตราดอกเบี้ยมีผล (ให้ใช้ Monte Carlo)
• Volatility (\(\sigma\)) สำคัญมาก ยิ่งความผันผวนสูง กิ่งก้านของทรีจะยิ่งกางกว้างขึ้น
เคล็ดลับการเรียน: เวลาฝึกทำโจทย์ ลองวาดทรีเล็กๆ 2 งวดบนกระดาษทดดูครับ การขยับปากกาจากขวาไปซ้ายขณะทำ "Backward Induction" จริงๆ จะช่วยให้สมองของคุณจดจำตรรกะของกระบวนการนี้ได้แม่นขึ้น! คุณทำได้แน่นอน!