ยินดีต้อนรับสู่เรื่อง Sample Moments!
ในการเดินทางบนเส้นทาง FRM Part I คุณจะได้ยินคำว่า "ประชากร (population)" (กระบวนการสร้างข้อมูลที่แท้จริงเบื้องหลัง) อยู่บ่อยครั้ง ในโลกความเป็นจริง ผู้จัดการความเสี่ยงแทบจะไม่มีทางสังเกตข้อมูลของประชากรทั้งหมดได้ เราจึงสังเกต กลุ่มตัวอย่าง (samples) ของข้อมูลที่มีจำกัด และคำนวณ Sample Moments เพื่ออนุมานคุณลักษณะของการแจกแจงของประชากรแทน
1. แนวคิดหลัก: ประชากร vs. กลุ่มตัวอย่าง & ตัวประมาณค่า vs. ค่าประมาณ
ก่อนที่จะเริ่มคำนวณสูตร สิ่งสำคัญคือต้องแยกความแตกต่างระหว่างโครงสร้างเชิงทฤษฎีและการคำนวณเชิงประจักษ์:
โมเมนต์ประชากร vs. โมเมนต์กลุ่มตัวอย่าง (Population Moment vs. Sample Moment): โมเมนต์ประชากร (เช่น ค่าเฉลี่ยประชากร \(\mu\) หรือความแปรปรวนประชากร \(\sigma^2\)) เป็นพารามิเตอร์คงที่และไม่ใช่ตัวแปรสุ่มที่ใช้อธิบายประชากรทั้งหมด ส่วนโมเมนต์กลุ่มตัวอย่าง (เช่น ค่าเฉลี่ยกลุ่มตัวอย่าง \(\bar{X}\) หรือความแปรปรวนกลุ่มตัวอย่าง \(s^2\)) คำนวณมาจากข้อมูลกลุ่มตัวอย่างที่สังเกตได้ และเป็นตัวแปรสุ่มที่ขึ้นอยู่กับความแปรปรวนของการสุ่มตัวอย่าง (sampling variation)
ตัวประมาณค่า vs. ค่าประมาณ (Estimator vs. Estimate): ตัวประมาณค่า (Estimator) คือกฎหรือฟังก์ชันทางคณิตศาสตร์ที่นำไปใช้กับกลุ่มตัวอย่างแบบสุ่ม (เช่น \(\hat{\theta} = \frac{1}{n}\sum X_i\)) ส่วน ค่าประมาณ (Estimate) คือค่าตัวเลขรูปธรรมที่ได้เมื่อประเมินฟังก์ชันของตัวประมาณค่าบนชุดข้อมูลกลุ่มตัวอย่างที่สังเกตได้จริง (เช่น \(4.2\%\))
2. คุณสมบัติพึงประสงค์หลักของตัวประมาณค่า
นักวิเคราะห์ความเสี่ยงประเมินตัวประมาณค่าโดยใช้เกณฑ์หลัก 3 ประการ:
ความไม่เอนเอียง (Unbiasedness): ตัวประมาณค่า \(\hat{\theta}\) จะไม่เอนเอียงก็ต่อเมื่อค่าคาดหมายของมันเท่ากับพารามิเตอร์ประชากรที่แท้จริง: \(E[\hat{\theta}] = \theta\) โดยค่าความเอนเอียง (Bias) นิยามโดย \(\text{Bias}(\hat{\theta}) = E[\hat{\theta}] - \theta\)
BLUE (Best Linear Unbiased Estimator): ตัวประมาณค่าจะเป็น BLUE หากเป็นฟังก์ชันเชิงเส้นของข้อมูลที่สังเกตได้ มีความไม่เอนเอียง และมีความแปรปรวนต่ำที่สุดในบรรดาตัวประมาณค่าเชิงเส้นที่ไม่เอนเอียงทั้งหมดที่เป็นไปได้ ความแปรปรวนต่ำสุดหมายความว่าค่าประมาณจะกระจุกตัวอยู่รอบๆ พารามิเตอร์ที่แท้จริงอย่างหนาแน่นที่สุด
ความสอดคล้อง (Consistency): ตัวประมาณค่าจะมีความสอดคล้อง หากมันลู่เข้าสู่พารามิเตอร์ที่แท้จริงในเชิงความน่าจะเป็น (converges in probability) เมื่อขนาดกลุ่มตัวอย่าง \(n\) เข้าสู่อนันต์: \(\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| > \epsilon) = 0\)
3. โมเมนต์ที่ 1: ค่าเฉลี่ยกลุ่มตัวอย่าง (Sample Mean) \(\bar{X}\)
ค่าเฉลี่ยกลุ่มตัวอย่าง (Sample Mean) วัดแนวโน้มเข้าสู่ส่วนกลาง (central tendency) และใช้ประมาณค่าเฉลี่ยประชากร \(\mu\):
\( \bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i \)
โดยที่ \(n\) คือจำนวนข้อมูล และ \(X_i\) แทนค่าของข้อมูลแต่ละตัวในกลุ่มตัวอย่าง ค่าเฉลี่ยกลุ่มตัวอย่างเป็นตัวประมาณค่าแบบไม่เอนเอียงของ \(\mu\) (เนื่องจาก \(E[\bar{X}] = \mu\)) และภายใต้ข้อสมมติแบบดั้งเดิม มันจัดเป็นตัวประมาณค่าแบบ BLUE ของ \(\mu\)
การแจกแจงของการสุ่มตัวอย่าง, LLN และ CLT
เนื่องจาก \(\bar{X}\) คำนวณมาจากข้อมูลสุ่ม ตัวมันเองจึงมีการแจกแจงความน่าจะเป็นเฉพาะตัว พร้อมด้วย ความคลาดเคลื่อนมาตรฐาน (Standard Error: SE):
\( SE_{\bar{X}} = \frac{\sigma}{\sqrt{n}} \)
กฎจำนวนมาก (Law of Large Numbers: LLN): เมื่อขนาดกลุ่มตัวอย่าง \(n\) มีขนาดใหญ่ขึ้น ค่าเฉลี่ยกลุ่มตัวอย่าง \(\bar{X}\) จะลู่เข้าสู่ค่าเฉลี่ยประชากร \(\mu\) ในเชิงความน่าจะเป็น สิ่งนี้พิสูจน์ได้ว่า \(\bar{X}\) เป็นตัวประมาณค่าที่มีความสอดคล้อง (consistent estimator) ของ \(\mu\)
ทฤษฎีบทขีดจำกัดส่วนกลาง (Central Limit Theorem: CLT): สำหรับกลุ่มตัวอย่างที่มีการแจกแจงแบบอิสระและเหมือนกัน (i.i.d.) ซึ่งมีความแปรปรวนจำกัด \(\sigma^2\) เมื่อ \(n \to \infty\) การแจกแจงของ \(\sqrt{n}(\bar{X} - \mu)\) จะลู่เข้าสู่การแจกแจงปกติในเชิงการแจกแจง (converges in distribution): \(\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)\) โดยไม่ขึ้นอยู่กับว่ารูปทรงการแจกแจงของประชากรเดิมจะเป็นอย่างไร
4. โมเมนต์ที่ 2: ความแปรปรวนกลุ่มตัวอย่างและส่วนเบี่ยงเบนมาตรฐาน
ความแปรปรวนกลุ่มตัวอย่าง (Sample Variance) วัดการกระจายตัวของข้อมูลรอบๆ ค่าเฉลี่ยกลุ่มตัวอย่าง
\( s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2 \)
การปรับแก้ของเบสเซล (\(n-1\)) (Bessel's Correction): การหารด้วย \(n-1\) แทนที่จะเป็น \(n\) ช่วยปรับแก้ระดับความเป็นอิสระ (degrees of freedom) ที่สูญเสียไปจากการใช้ \(\bar{X}\) แทนค่าเฉลี่ยประชากรที่แท้จริง \(\mu\) ซึ่งไม่ทราบค่า การปรับนี้ทำให้ \(s^2\) เป็นตัวประมาณค่าที่ ไม่เอนเอียง (unbiased) ของความแปรปรวนประชากร \(\sigma^2\)
ส่วนเบี่ยงเบนมาตรฐานกลุ่มตัวอย่าง \(s\) (Sample Standard Deviation): \( s = \sqrt{s^2} \) ในขณะที่ \(s^2\) เป็นตัวประมาณค่าที่ไม่เอนเอียงของ \(\sigma^2\) แต่ในทางเทคนิคแล้ว \(s\) จะเป็นตัวประมาณค่าที่เอนเอียงเล็กน้อยของ \(\sigma\) อันเป็นผลมาจากอสมการของเจนเซน (Jensen's inequality) อย่างไรก็ตาม มันยังคงมีคุณสมบัติความสอดคล้อง (consistent)
5. โมเมนต์ที่ 3: ความเบ้กลุ่มตัวอย่าง (Sample Skewness)
ความเบ้ (Skewness) วัดระดับความไม่สมมาตร (asymmetry) ของการแจกแจงความน่าจะเป็นรอบค่าเฉลี่ย
ตัวประมาณค่าความเบ้กลุ่มตัวอย่างคำนวณได้จาก:
\( \hat{S} = \frac{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^3}{s^3} \)
ความเบ้เป็นบวก (Positive Skew / Right-skewed, \(\hat{S} > 0\)): หางยาวไปทางขวา โดยทั่วไปค่าเฉลี่ยจะมีค่ามากกว่ามัธยฐาน
ความเบ้เป็นลบ (Negative Skew / Left-skewed, \(\hat{S} < 0\)): หางยาวไปทางซ้าย ข้อมูลมักมีผลกำไรเล็กน้อยเกิดขึ้นบ่อยครั้ง แต่ชดเชยด้วยการขาดทุนหนักที่เกิดขึ้นไม่บ่อย ผู้จัดการความเสี่ยงจะกังวลกับความเบ้ของผลตอบแทนที่เป็นลบเป็นพิเศษ
ความเบ้เป็นศูนย์ (Zero Skew, \(\hat{S} = 0\)): การแจกแจงแบบสมมาตร (เช่น การแจกแจงปกติมาตรฐาน)
6. โมเมนต์ที่ 4: ความโด่งกลุ่มตัวอย่าง (Sample Kurtosis)
ความโด่ง (Kurtosis) วัดความหนาของหางและแนวโน้มที่จะเกิดค่าสุดโต่ง (outliers) เมื่อเทียบกับการแจกแจงปกติ
ตัวประมาณค่าความโด่งกลุ่มตัวอย่างคำนวณได้จาก:
\( \hat{K} = \frac{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^4}{s^4} \)
ความโด่งส่วนเกิน (Excess Kurtosis) ปรับจุดศูนย์กลางของค่าวัดให้เป็นศูนย์เมื่อเทียบกับการแจกแจงปกติ (ซึ่งมีความโด่งเท่ากับ 3):
\( \text{Excess Kurtosis} = \hat{K} - 3 \)
Leptokurtic (\(\hat{K} > 3\), Excess > 0): หางหนาและมียอดแหลม ผลตอบแทนของสินทรัพย์ทางการเงินมักแสดงลักษณะ leptokurtosis ซึ่งหมายความว่าการดิ่งลงอย่างรุนแรงของตลาด (extreme market drawdowns) จะเกิดขึ้นบ่อยกว่ามากเมื่อเทียบกับการคาดการณ์ของการแจกแจงปกติ
Mesokurtic (\(\hat{K} = 3\), Excess = 0): พฤติกรรมของหางเหมือนการแจกแจงปกติ
Platykurtic (\(\hat{K} < 3\), Excess < 0): หางบางและมีโอกาสเกิดค่าสุดโต่งต่ำกว่า
7. ควอนไทล์กลุ่มตัวอย่าง (Sample Quantiles)
ควอนไทล์กลุ่มตัวอย่าง (Sample Quantile) แบ่งข้อมูลกลุ่มตัวอย่างที่เรียงลำดับแล้วออกเป็นสัดส่วนที่กำหนด หากข้อมูลกลุ่มตัวอย่างขนาด \(n\) ถูกนำมาเรียงลำดับเป็น \(X_{(1)} \le X_{(2)} \le \dots \le X_{(n)}\) ควอนไทล์ที่ \(p\) คือ \(q_p\) (โดยที่ \(0 < p < 1\)) ซึ่งเป็นค่าที่มีสัดส่วนข้อมูลจำนวน \(p\) ตกอยู่ต่ำกว่าค่านั้น
มัธยฐาน (ควอนไทล์ที่ 0.50): แบ่งการแจกแจงออกเป็นสองส่วนเท่ากัน โดยมีความทนทาน (robust) ต่อค่าสุดโต่งมากกว่าค่าเฉลี่ยกลุ่มตัวอย่าง
ควอร์ไทล์ (Quartiles): เปอร์เซ็นไทล์ที่ 25 (\(Q_1\)), เปอร์เซ็นไทล์ที่ 50 (\(Q_2\)) และเปอร์เซ็นไทล์ที่ 75 (\(Q_3\)) โดย พิสัยระหว่างควอร์ไทล์ (Interquartile Range: IQR) คือ \(IQR = Q_3 - Q_1\)
Value at Risk (VaR): ในการบริหารความเสี่ยงทางการเงิน มูลค่าความเสี่ยง (Value at Risk หรือ VaR) ณ ระดับความเชื่อมั่น \(1 - \alpha\) สามารถประมาณค่าได้โดยตรงโดยใช้ควอนไทล์ส่วนล่างที่ระดับ \(\alpha\) ของผลตอบแทนพอร์ตการลงทุน
8. โมเมนต์ร่วม: Coskewness และ Cokurtosis
เมื่อวิเคราะห์ปัจจัยความเสี่ยงหรือสินทรัพย์หลายตัวไปพร้อมกัน โมเมนต์ร่วม (cross-moments) จะใช้อธิบายความสัมพันธ์ร่วมที่หางแบบไม่เป็นเชิงเส้น (non-linear joint tail dependencies) ซึ่งอยู่นอกเหนือขอบเขตของความแปรปรวนร่วมเชิงเส้น (linear covariance):
Coskewness: วัดว่าความแปรปรวนของสินทรัพย์หนึ่งสัมพันธ์กับผลตอบแทนของอีกสินทรัพย์หนึ่งอย่างไร หรือความสุดโต่งร่วมกันเอียงไปในทิศทางใด โดยเฉพาะอย่างยิ่ง \(S(X, X, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)]}{\sigma_X^2 \sigma_Y}\) การที่สินทรัพย์มีค่า coskewness เป็นลบกับผลตอบแทนของตลาด แสดงว่าสินทรัพย์ดังกล่าวมักจะเผชิญกับความผันผวนสูงเมื่อตลาดโดยรวมปรับตัวลดลงอย่างหนัก
Cokurtosis: วัดความหนาของหางร่วมกันและโอกาสที่จะเกิดเหตุการณ์สุดโต่งพร้อมๆ กันในหลายสินทรัพย์: \(K(X, X, Y, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)^2]}{\sigma_X^2 \sigma_Y^2}\) ค่า cokurtosis ที่สูงบ่งชี้ว่าความผันผวนสุดโต่งในสินทรัพย์หนึ่งจะเกิดขึ้นพร้อมกับความผันผวนสุดโต่งในอีกสินทรัพย์หนึ่ง ซึ่งจะทำลายประโยชน์ของการกระจายความเสี่ยงในช่วงที่เกิดวิกฤตการณ์ทางการเงิน
ตารางสรุป
โมเมนต์ที่ 1: ค่าเฉลี่ย (Mean) \(\to\) ตำแหน่งตรงกลาง; ไม่เอนเอียง, สอดคล้อง, เป็น BLUE
โมเมนต์ที่ 2: ความแปรปรวน & ส่วนเบี่ยงเบนมาตรฐาน (Variance & SD) \(\to\) การกระจายตัว; ใช้ระดับความเป็นอิสระ \(n-1\)
โมเมนต์ที่ 3: ความเบ้ (Skewness) \(\to\) ความไม่สมมาตร; ความเบ้เป็นลบบ่งบอกถึงความเสี่ยงของการทรุดตัวของตลาด (downside crash risk)
โมเมนต์ที่ 4: ความโด่ง (Kurtosis) \(\to\) ความหนาของหาง; ความโด่งส่วนเกิน > 0 แสดงถึงหางหนา (fat tails)
ควอนไทล์ (Quantiles) \(\to\) ค่าตัดแบ่งสำหรับสถิติลำดับและ Value at Risk
Coskewness & Cokurtosis \(\to\) ความไม่สมมาตรร่วมและความเสี่ยงที่หางสุดโต่งพร้อมกันระหว่างสินทรัพย์