ยินดีต้อนรับสู่โลกของ VaR!
สวัสดีครับ! วันนี้เราจะมาเจาะลึกหนึ่งในแนวคิดที่โด่งดัง (และสำคัญที่สุด) ในโลกการเงิน นั่นคือ Value at Risk (VaR) หากคุณเคยสงสัยว่าธนาคารหรือกองทุนเฮดจ์ฟันด์ตอบคำถามที่ว่า "เราอาจจะขาดทุนได้มากที่สุดเท่าไหร่ในช่วงเวลาที่กำหนดภายใต้สภาวะปกติ?" ได้อย่างไร คุณมาถูกที่แล้วครับ VaR คือกรอบการทำงานมาตรฐานที่ใช้ตัวเลขเพียงตัวเดียวในการวัดปริมาณความเสี่ยงด้านขาลง (downside risk) เราจะค่อยๆ ย่อยมันทีละขั้นตอนด้วยตรรกะที่ชัดเจนและตัวอย่างที่นำไปใช้ได้จริงครับ
1. VaR คืออะไรกันแน่?
โดยเนื้อแท้แล้ว Value at Risk (VaR) วัดระดับการขาดทุนขั้นต่ำที่คาดว่าจะเกิดขึ้นในช่วงเวลาที่กำหนด ณ ระดับนัยสำคัญที่ระบุ หรือเทียบเท่ากับมูลค่าการขาดทุนสูงสุดที่จะไม่เกินไปกว่านี้ ณ ระดับความเชื่อมั่นที่กำหนดไว้
ในการนิยาม VaR คุณจำเป็นต้องมีสองพารามิเตอร์เสมอ:
1. กรอบเวลา (Time Horizon - \(T\)): คือระยะเวลาที่เรากำลังพิจารณา (เช่น 1 วัน, 10 วัน หรือ 1 ปี)
2. ระดับความเชื่อมั่น (Confidence Level - \(1 - \alpha\)): คือระดับความมั่นใจที่เราต้องการ (เช่น 95% หรือ 99% โดยที่ \(\alpha\) คือระดับนัยสำคัญ)
ตัวอย่าง: หากพอร์ตการลงทุนมี 1-day 95% VaR เท่ากับ 1 ล้านดอลลาร์ นั่นหมายความว่าภายใต้สภาวะตลาดปกติ มีโอกาสเพียง 5% เท่านั้นที่พอร์ตการลงทุนจะขาดทุนเกิน 1 ล้านดอลลาร์ในเวลาเพียงหนึ่งวัน
3 วิธีในการตีความ VaR ที่มีความหมายเทียบเท่ากัน
• เรา มั่นใจ 95% ว่าพอร์ตการลงทุนจะไม่ขาดทุนเกิน 1 ล้านดอลลาร์ในหนึ่งวัน
• มี โอกาส 5% ที่การขาดทุนจะเท่ากับหรือมากกว่า 1 ล้านดอลลาร์ในหนึ่งวัน
• ในช่วงเวลา 100 วันทำการ เราคาดว่าจะมีการขาดทุนเกิน 1 ล้านดอลลาร์ประมาณ 5 วัน
ประเด็นสำคัญ: VaR กำหนดจุดตัดที่เป็นเกณฑ์ตามการแจกแจงของการขาดทุน แต่มันไม่ได้ระบุขนาดของความเสียหายเมื่อการขาดทุนนั้นทะลุเกินเกณฑ์ดังกล่าวออกไป
2. การคำนวณ VaR: วิธี Parametric (Delta-Normal)
วิธี Parametric (มักเรียกว่า Delta-Normal) ตั้งสมมติฐานว่าผลตอบแทนของปัจจัยเสี่ยงมีการกระจายตัวตามรูปแบบเฉพาะ ซึ่งโดยทั่วไปคือ Normal Distribution (การแจกแจงแบบปกติ)
สูตรการคำนวณ
เมื่อวัดการขาดทุนเป็นมูลค่าเงิน ณ ระดับนัยสำคัญ \(\alpha\) ด้วยค่าวิกฤต \(z_{\alpha}\), ส่วนเบี่ยงเบนมาตรฐาน \(\sigma_{p}\), ผลตอบแทนที่คาดหวัง \(\mu_{p}\) และมูลค่าพอร์ตการลงทุน \(V\):
\( VaR = (z_{\alpha} \times \sigma_{p} - \mu_{p}) \times V \)
หมายเหตุ: สำหรับช่วงเวลาสั้นๆ (เช่น 1 วัน) เรามักสมมติให้ผลตอบแทนที่คาดหวัง \(\mu_{p}\) เป็นศูนย์ ซึ่งทำให้สูตรลดรูปลงเหลือ:
\( VaR = z_{\alpha} \times \sigma_{p} \times V \)
ค่าวิกฤตของการแจกแจงปกติมาตรฐาน (\(z\)-scores) ที่คุณต้องจำให้ขึ้นใจ
• สำหรับ ความเชื่อมั่น 95% (หางข้างเดียว 5%): \( z_{0.05} = 1.645 \)
• สำหรับ ความเชื่อมั่น 99% (หางข้างเดียว 1%): \( z_{0.01} = 2.326 \) (หรือ 2.33)
เนื่องจากระดับความเชื่อมั่น 99% เจาะลึกเข้าไปในหางฝั่งที่ไม่พึงประสงค์มากกว่าระดับ 95% ดังนั้น VaR 99% จึงมีค่าสูงกว่า VaR 95% เสมอสำหรับการแจกแจงที่กำหนด
3. การปรับขนาด VaR: กฎรากที่สองของเวลา
เมื่อตั้งสมมติฐานว่าผลตอบแทนมีความเป็นอิสระต่อกันและมีการแจกแจงเหมือนกัน (i.i.d.) ด้วยความผันผวนคงที่ ส่วนเบี่ยงเบนมาตรฐานจะปรับขนาดตามรากที่สองของเวลา:
\( \sigma_{T} = \sigma_{1} \times \sqrt{T} \)
เมื่อสมมติว่าผลตอบแทนเฉลี่ยเป็นศูนย์ตลอดทุกกรอบเวลา:
\( VaR_{T} = VaR_{1} \times \sqrt{T} \)
คำเตือน: การปรับขนาดด้วย \(\sqrt{T}\) จะใช้ได้ก็ต่อเมื่ออยู่ภายใต้สมมติฐาน i.i.d. เท่านั้น หากผลตอบแทนมี autocorrelation (การกลับสู่ค่าเฉลี่ยหรือมีแนวโน้ม) หรือมีความผันผวนเกาะกลุ่มกัน (volatility clustering) กฎนี้จะประเมินความเสี่ยงต่ำเกินไปหรือสูงเกินจริงได้
4. พอร์ตการลงทุนและตราสารอนุพันธ์แบบเชิงเส้น vs. ไม่เป็นเชิงเส้น
การนำ VaR ไปใช้ขึ้นอยู่กับว่าลักษณะของสินทรัพย์ในพอร์ตเป็นแบบเชิงเส้นหรือไม่เป็นเชิงเส้นเป็นอย่างมาก
ตราสารอนุพันธ์แบบเชิงเส้น (สัญญา Forwards, Futures, Swaps)
สัญญาแบบเชิงเส้นมีผลตอบแทน (payoffs) ที่แปรผันตรงตามราคาสินทรัพย์อ้างอิง การเปลี่ยนแปลงมูลค่าพอร์ตโดยประมาณคือ:
\( \Delta P \approx \Delta \times \Delta S \)
เนื่องจากความสัมพันธ์เป็นแบบเชิงเส้น ผลตอบแทนของสินทรัพย์อ้างอิงที่มีการแจกแจงแบบปกติจะทำให้การเปลี่ยนแปลงของมูลค่าพอร์ตมีการแจกแจงแบบปกติด้วย จึงทำให้แนวทาง Delta-Normal แม่นยำและตรงไปตรงมา
ตราสารอนุพันธ์แบบไม่เป็นเชิงเส้น (ออปชัน)
ออปชันมีผลตอบแทนแบบอสมมาตรอันเนื่องมาจากความโค้ง ซึ่งวัดโดยค่า Gamma (\(\Gamma\)):
\( \Delta P \approx \Delta \times \Delta S + \frac{1}{2} \Gamma (\Delta S)^2 \)
• Delta-Normal VaR: ละทิ้งพจน์ \(\Gamma\) และมองออปชันเป็นสถานะเชิงเส้นที่มีค่าเท่ากับส่วนเทียบเท่าเดลตา (\(\Delta \times S\)) แม้ว่าจะคำนวณได้เร็ว แต่จะนำไปสู่ความคลาดเคลื่อนอย่างมากหากมีการเคลื่อนไหวของราคาขนาดใหญ่ โดยจะประเมินความเสี่ยงของสถานะ Short option ต่ำเกินไป (gamma เป็นลบ) และประเมินความเสี่ยงของสถานะ Long option สูงเกินไป (gamma เป็นบวก)
• Full Revaluation: คำนวณราคาออปชันใหม่ทั้งหมดโดยใช้โมเดลกำหนดราคา (เช่น Black-Scholes-Merton) ในแต่ละสถานการณ์จำลองหรือการเปลี่ยนแปลงช็อกในอดีต ซึ่งวิธีนี้จะจับค่าแกมมาและความอ่อนไหวในอันดับที่สูงกว่าได้อย่างแม่นยำ
5. Historical Simulation และ Monte Carlo Simulation
Historical Simulation
วิธีแบบ non-parametric นี้จะนำการเปลี่ยนแปลงเปอร์เซ็นต์ที่เกิดขึ้นจริงของปัจจัยเสี่ยงในตลาดจากช่วงเวลาในอดีต (เช่น 500 วันล่าสุด) มาใช้กับพอร์ตปัจจุบัน เพื่อสร้างการแจกแจงเชิงประจักษ์ (empirical distribution) ของกำไรและขาดทุนตามสมมติฐานขึ้นมา
• จุดแข็ง: ไม่ต้องตั้งสมมติฐานเกี่ยวกับการแจกแจง และรวมเอาหางหนา (fat tails), ความเบ้ (skewness) รวมถึงผลตอบแทนที่ไม่เป็นเชิงเส้นของออปชันมาคำนวณโดยธรรมชาติ
• จุดอ่อน: เป็นการมองย้อนอดีตทั้งหมด ไม่สามารถคาดการณ์เหตุการณ์ช็อกที่ไม่เคยเกิดขึ้นมาก่อนได้ และถือว่าข้อมูลในอดีตมีน้ำหนักเท่ากันและเป็นอิสระต่อกัน
Monte Carlo Simulation
Monte Carlo จะสร้างการแจกแจงแบบพารามิเตอร์สำหรับปัจจัยเสี่ยงต่างๆ จากนั้นสุ่มสร้างเส้นทางราคาจำลองที่มีความสัมพันธ์กันนับพันๆ รูปแบบ และใช้การประเมินมูลค่าใหม่ทั้งหมด (full revaluation) เพื่อคำนวณมูลค่าพอร์ตในแต่ละเส้นทาง
• จุดแข็ง: มีความยืดหยุ่นสูงสุด สามารถจำลองอนุพันธ์ที่ไม่เป็นเชิงเส้นที่มีความซับซ้อนและขึ้นกับเส้นทางของราคา (path-dependent) ตลอดจนจัดการกับปฏิสัมพันธ์ระหว่างสินทรัพย์หลายตัวได้
• จุดอ่อน: ใช้ทรัพยากรการประมวลผลของคอมพิวเตอร์สูงมาก และมีความเสี่ยงด้านแบบจำลอง (model risk) รวมถึงความผิดพลาดในการประมาณค่าพารามิเตอร์อย่างรุนแรง
6. Correlation Breakdown และ Worst-Case Scenario Analysis
Correlation Breakdown
ในแบบจำลอง VaR มาตรฐาน ประโยชน์จากการกระจายความเสี่ยงขึ้นอยู่กับการประมาณค่าสหสัมพันธ์ (correlation) ในอดีตระหว่างสินทรัพย์ อย่างไรก็ตาม ในช่วงที่ตลาดเกิดภาวะวิกฤตอย่างรุนแรง ค่าสหสัมพันธ์เชิงประจักษ์มักจะพังทลายลง (break down):
• สินทรัพย์ที่ปกติไม่สัมพันธ์กันหรือมีความสัมพันธ์เชิงลบ มักจะปรับตัวลดลงอย่างรวดเร็วและพร้อมๆ กัน ซึ่งผลักดันให้สหสัมพันธ์พุ่งเข้าใกล้ +1
• ปรากฏการณ์นี้เรียกว่า correlation breakdown ซึ่งจะขจัดประโยชน์จากการกระจายความเสี่ยงที่คาดหวังไว้ ณ เวลาที่ต้องการการป้องกันมากที่สุด ส่งผลให้ผลขาดทุนจริงที่เกิดขึ้นนั้นสูงกว่าค่า VaR ที่แบบจำลองคาดการณ์ไว้มาก
Worst-Case Scenario Analysis vs. VaR
ในขณะที่ VaR ตอบคำถามว่าอาจเกิดการขาดทุนได้เท่าใด ณ ระดับความเชื่อมั่นทางสถิติที่กำหนดภายใต้สภาวะตลาดปกติ แต่ Worst-Case Scenario (WCS) analysis จะตรวจสอบการขาดทุนสูงสุดที่อาจเกิดขึ้นภายใต้สถานการณ์วิกฤตขั้นรุนแรงที่สมเหตุสมผล โดยไม่คำนึงถึงการแจกแจงความน่าจะเป็นในอดีต
• VaR: ขึ้นอยู่กับการแจกแจง อิงตามเปอร์เซ็นไทล์ และไม่ได้บอกถึงความรุนแรงของหางกราฟที่เกินกว่าจุดตัด
• Worst-Case Scenario Analysis: มุ่งเน้นไปที่ผลลัพธ์ในหางกราฟระดับสุดโต่ง สถานการณ์ความตึงเครียด (stress scenarios) และการเปลี่ยนผ่านเชิงโครงสร้างของสภาวะตลาด (regime shifts) ซึ่งเป็นจุดที่ความสัมพันธ์ทางสถิติและค่าสหสัมพันธ์ไม่สามารถใช้การได้
7. สรุปข้อจำกัดของ VaR
1. การมองไม่เห็นส่วนหาง (Tail Blindness): VaR บ่งชี้เพียงเกณฑ์การขาดทุนเท่านั้น โดยไม่ได้เปิดเผยข้อมูลเกี่ยวกับขนาดของความเสียหายที่เกินกว่าจุดนั้นเลย มีการนำ Expected Shortfall (ES) มาใช้ร่วมกับ VaR เพื่อวัดค่าเฉลี่ยของการขาดทุนในส่วนหางกราฟ
2. Non-Subadditivity: โดยทั่วไป VaR ไม่ถือเป็น coherent risk measure เนื่องจากสามารถละเมิดคุณสมบัติ subadditivity ได้ นั่นคือ VaR ของพอร์ตการลงทุนรวมอาจสูงกว่าผลรวมของ VaR ของสินทรัพย์แต่ละตัว
3. Model Risk: สมมติฐานที่ไม่ถูกต้องเกี่ยวกับการแจกแจงแบบปกติ ความมีเสถียรภาพของสหสัมพันธ์ หรือพลวัตของความผันผวน จะนำไปสู่การประมาณการความเสี่ยงที่บิดเบือนไปจากความเป็นจริง