"Our job is not to write papers, our job is to get people to read papers" Eugene Fama
มีคนเคยกล่าวไว้ว่า Quantitative Investment คือการหาปัจจัยที่ขับเคลื่อนผลตอบแทน(EDHEC) ในบทความก่อนหนัาเราพูดถึงแบบจำลอง CAPM เราจะเห็นได้ว่าราคาถูกขับเคลื่อนโดยปัจจัยเดียวนั้นคือความเสี่ยงเมื่อเปรียบเทียบกับตลาด แต่ในโลกแห่งความเป็นจริงมันเป็นเช่นนั้นจริงๆหรือ ? เราเพียงแค่ลงทุนในกลุ่มหลักทรัพย์ตลาดและหลักทรัพย์ไร้ความเสี่ยงแค่นั้นโลกการลงทุนมันง่ายขนาดนั้นหรือ เหตุใดผู้คนถึงพยายามค้นหาวิธีการเอาชนะตลาด และ หากเราต้องการค้นหาปัจจัยของหุ้นที่สามารถเอาชนะตลาดมีขั้นตอนอย่างไร เราจะมาคำตอบทั้งหมดนั้นกันในตอนนี้
ตลาดมีสิ่งผิดปกติ
หลังจากที่ William F. Sharpe นำเสนอแบบจำลอง CAPM เขากลับพบสิ่งผิดปกติเมื่อเขาสังเกตุเห็นว่าหุ้นขนาดเล็กมักชนะหุ้นขนาดใหญ่ Sharpe ทบทวนกับตัวเองอีกครั้งว่าเกิดอะไรขึ้น จนกระทั้งนักเษศรษฐสาตร์คนหนึ่งนำเสนอบทความที่ชื่อว่า “The Arbitrage Theory of Capital Asset Pricing” ใน the Journal of Economic Theory ชายผู้นั้นคือ Stephen Ross
Ross นักฟิสิกต์ที่จบปริญาเอกด้านเศรษฐสาตร์ เริ่มต้นที่บอกว่า Sharpe และ Markewitz คิดถูกแต่ไม่ทั้งหมด แม้ว่าใน efficient markets พอร์ตการลงทุนสองพอร์ตการลงทุนที่มีปัจจัยขับเคลื่อนเหมือนกันควรจะให้ผลตอบแทนที่เท่ากัน แต่ปัจจัยนั้นไม่ควรมีแค่ปัจจัยเดียวอย่างที่ Sharpe และ Markewitz เชื่อ แต่ควรขึ้นอยู่กับหลายปัจจัย Ross เริ่มต้นด้วยการผ่อนคลายสมมุติฐานของ CAPM และบอกว่าปัจจัยกำหนดราคาอาจมีได้หลากหลาย ที่เหลือแทบจะเหมือนกับ CAPM โดยบอกว่าปัจจัยต่าง ๆ สามารถส่งผลต่อผลตอบแทนได้ตามสมการเส้นตรง(linear) และเรียกความอ่อนไหวของปัจจัยกับตอบแทนว่าค่า beta ของแต่ละปัจจัย
แนวคิดของ Ross ถูกสนับสนุนจากงานของ Fama and French (1993). ที่แสดงผลลัพธ์ที่เราสังเกตได้ ( Empirical evidence) จนเป็นแบบจำลองที่โด่งดัง Fama French Model โดย Eugene F. Fama และ Kenneth R. French บอกว่าในตลาดหุ้นสหรัฐมีปัจจัยส่งผลต่อผลตอบแทนได้แก่ ปัจจัยตลาด ปัจจัยที่เกี่ยวข้องกับขนาดของบริษัท และปัจจัยมูลค่าตามบัญชีต่อมูลค่าตลาดของหุ้น(อาจจะฟังดูตลกเมื่อเจ้าของทฤษฏีตลาดมีประสิทธิภาพบอกว่าตลาดไม่มีประสิทธิภาพ)
ทั้งหมดที่เราพูดคุยกันก่อนหน้านี้เป็นที่มาที่ไปของ Arbitrage Pricing Theory และ แบบจำลองเชิงปัจจัย เราจะมาดำดิ่งกันไปในโลกของ Arbitrage Pricing Theory กัน
Arbitrage Pricing Theory
แม้ว่าแบบจำลอง CAPM จะได้รับความนิยมและมีการศึกษากันอย่างแพร่หลาย แต่ก็มีข้อจำกัดหลายประการ ด้วยสมมติฐานที่เข้มงวดและจำกัดเกินไป ทำให้แบบจำลองนี้ไม่ค่อยผ่านการทดสอบเชิงประจักษ์ (empirical tests) ทฤษฎี Arbitrage Pricing Theory หรือ APT จึงถูกพัฒนาขึ้นเพื่อขยายขอบเขตของ CAPM ให้กว้างขึ้น เนื่องจากในความเป็นจริงสินทรัพย์อาจเผชิญความเสี่ยงในมิติอื่นนอกเหนือจากความเสี่ยงตลาด และนักลงทุนเองก็อาจสนใจปัจจัยอื่นๆ นอกเหนือจากแค่ผลตอบแทนเฉลี่ย(mean) และความแปรปรวน (variance) เท่านั้น
APT เป็นทฤษฎีหลักในการกำหนดราคาสินทรัพย์ โดยอาศัยการแสดงผลตอบแทนผ่าน แบบจำลองปัจจัยเชิงเส้น (Linear Factor Model) ซึ่งสามารถเขียนออกมาในลักษณะสมการได้ดังนี้:
ปัจจัย (Factor) คือสิ่งที่มีผลต่อผลตอบแทน (return stream) ที่ถูกกำหนดขึ้นจากลักษณะเฉพาะบางอย่าง ตัวอย่างเช่น ในแบบจำลอง CAPM จะมีเพียงปัจจัยเดียว นั่นคือผลตอบแทนจากตลาด (Market Return)
ถ้าหากเราได้กำหนดแบบจำลองผลตอบแทนดังที่กล่าวมาข้างต้นแล้ว ผลตอบแทนที่คาดหวัง (Expected Return) ก็ควรจะมีรูปแบบดังนี้:
เมื่อเรามีวิธีคำนวณผลตอบแทนที่คาดหวังที่ค่อนข้างทั่วไปแล้ว เราสามารถต่อยอดถึงแนวคิดของการทำอาร์บิทราจ (arbitrage) ได้ลึกซึ้งขึ้น ในทางปฏิบัติ เรามีหลักทรัพย์จำนวนมากในจักรวาลการลงทุน หากเราเลือกใช้หลักทรัพย์ที่ต่างกันเพื่อคำนวณตัวแปร λi เราจะได้ผลลัพธ์ที่สอดคล้องกันหรือไม่?
หากผลลัพธ์ของเราไม่สอดคล้องกัน จะทำให้เกิด โอกาสในการทำอาร์บิทราจ (Arbitrage Opportunity) หรือโอกาสในการสร้างผลกำไรโดยไม่มีความเสี่ยงและไม่ต้องลงทุนเงินเพิ่ม(ไม่ใช่ไร้ความเสี่ยงจริงๆนั้น แต่ไร้ความเสี่ยงเมื่อสมมุติฐานเป็นจริง) ในกรณีนี้ เราหมายถึงการดำเนินงานที่ไม่เสี่ยง มีผลตอบแทนที่คาดหวังเป็นบวก และไม่ต้องลงทุนเพิ่มเลยแม้แต่นิดเดียว โดยโอกาสนี้จะเกิดขึ้นเมื่อความคาดหวังของผลตอบแทนมีความไม่สอดคล้องกัน หรือพูดง่ายๆ ก็คือเมื่อราคาของความเสี่ยงไม่ได้ถูกตั้งอย่างสม่ำเสมอทั่วทุกหลักทรัพย์
ตัวอย่างเช่น สมมติว่ามีสินทรัพย์หนึ่งที่มีผลตอบแทนที่คาดหวัง 0.2 สำหรับปีถัดไป และมีค่า β เท่ากับ 1.2 เมื่อเปรียบเทียบกับตลาด ในขณะที่ตลาดมีผลตอบแทนที่คาดหวังอยู่ที่ 0.1 และอัตราผลตอบแทนที่ปราศจากความเสี่ยง (risk-free rate) สำหรับพันธบัตรอายุ 1 ปี เท่ากับ 0.05 ตามแบบจำลอง APT ผลตอบแทนที่คาดหวังของสินทรัพย์นี้จะถูกคำนวณได้จากสูตรต่อไปนี้:
ผลลัพที่ได้นี้กลับไม่ตรงกับที่เราคาดไว้ว่าสินทรัพย์จะให้ผลตอบแทนถึง 0.2 ดังนั้นหากเราซื้อสินทรัพย์ดังกล่าว 100 หน่วย (long position), ขายชอร์ตตลาดไป 120 หน่วย และซื้อพันธบัตร 20 หน่วย เราจะได้พอร์ตที่ลงทุนโดยรวมเท่ากับศูนย์ (market-neutral) และไม่มีความเสี่ยงเชิงระบบแต่กลับได้ผลตอบแทนส่วนเกิน
การที่จะทราบค่า E(Ri) หรือ ผลตอบแทนที่คาดหวังของสินทรัพย์ อย่างแม่นยำนั้นเป็นเรื่องยากมาก แต่แบบจำลองนี้ช่วยบอกเราว่าผลตอบแทนที่คาดหวังของสินทรัพย์แต่ละตัวควรมีค่าเท่าใด หากตลาดไม่มีโอกาสในการทำอาร์บิทราจ (arbitrage-free)
สิ่งนี้เป็นพื้นฐานสำคัญของกลยุทธ์การลงทุนที่พัฒนาจากการจัดอันดับสินทรัพย์ โดยใช้แบบจำลองเชิงปัจจัย (factor models) กล่าวคือ หากคุณมีแบบจำลองที่ใช้คำนวณผลตอบแทนที่คาดหวังของสินทรัพย์แต่ละตัวแล้ว คุณก็สามารถนำสินทรัพย์เหล่านั้นมาจัดอันดับตามผลตอบแทนที่คาดว่าจะได้รับ จากนั้นจึงนำข้อมูลนี้ไปใช้ในการซื้อขายได้ทันที
การสร้างระบบจัดอันดับลักษณะนี้ถือเป็นหัวใจสำคัญของกลยุทธ์ที่เรียกว่า Long-Short Equity Strategy หรือการลงทุนแบบถือครองสินทรัพย์ที่มีอันดับสูง และขายชอร์ตสินทรัพย์ที่มีอันดับต่ำ เพื่อลดความเสี่ยงจากตลาดโดยรวม
ตรวจจับความผิดปกติในตลาด
ขั้นตอนสำคัญที่สุดของแบบจำลองเชิงปัจจัย(Factor Model )คือการระบุ ความผิดปกติ (anomaly) ต่างๆ ในตลาดให้ได้ แต่ความยากและซับซ้อนของงานนี้ก็ไม่ควรถูกมองข้าม ด้วยแรงกดดันทางวิชาการที่มักสนับสนุนเฉพราะผลลัพธ์ในเชิงบวก (positive results) นักวิจัยจึงมักมีแนวโน้มที่จะนำเสนอผลการศึกษาบางส่วนที่อาจถูกลบล้างด้วยงานวิจัยอื่นๆ ในภายหลัง ดังนั้น ความจำเป็นในการทำซ้ำ (replication) จึงสูงมาก และผลลัพธ์หลายๆ อย่างก็ไม่มีอนาคตที่ยั่งยืน โดยเฉพาะอย่างยิ่งหากพิจารณาเรื่องต้นทุนการซื้อขาย (transaction costs) ด้วย การใช้เทคนิคการวิเคราะห์ข้อมูลแบบดั่งเดิมจนได้ผลลัพธ์ที่ต้องการ (p-hacking) เพียงอย่างเดียวก็ยังไม่สามารถอธิบายความผิดปกติทั้งหมด แต่วิธีนี้ก็ยังเป็นที่ถกเถียงกันอยู่ หรืออาจใช้วิธี multiple testing เพื่อควบคุมความน่าเชื่อถือของผลลัพธ์ให้ดีขึ้น
นอกจากนี้ ยังมีนักวิจัยที่ระบุว่าความผิดปกติของตลาดอาจจางหายไปหลังจากถูกตีพิมพ์เผยแพร่ออกไป เพราะทันทีที่ความผิดปกติเป็นที่รู้จัก นักลงทุนก็จะรีบเข้าไปลงทุนทันที ส่งผลให้ราคาปรับตัวขึ้นอย่างรวดเร็ว และสุดท้ายความผิดปกติก็หายไปในที่สุด
นอกจากนี้ การลดลงของ ผลตอบแทนจากปัจจัยเสี่ยง (factor premia) อาจเป็นผลจากพฤติกรรมการลงทุนแบบ herdingและอาจถูกเร่งให้เร็วขึ้นได้ด้วยการที่ผลิตภัณฑ์การลงทุนแบบ smart-beta เช่น ETFs กลายเป็นที่นิยมมากขึ้น เพราะช่วยให้นักลงทุนเข้าถึงการลงทุนแบบเน้นปัจจัยเสี่ยงโดยตรง (เช่น ปัจจัย value, low volatility เป็นต้น) สำหรับมุมมองเชิงทฤษฎีเกี่ยวกับความน่าสนใจของการลงทุนแบบ factor investing สามารถดูงานของ Jin (2019) ได้ ส่วน DeMiguel, Martin Utrera และ Uppal (2019) แย้งว่า ผลกระทบด้านราคาจากการลงทุนรวมตัวกันมากเกินไปใน smart-beta อาจถูกลดทอนจากความหลากหลายในการซื้อขายของสถาบันการเงินภายนอกที่มีวิธีการลงทุนแตกต่างออกไป (เช่น high-frequency traders ที่ใช้ algorithm ในการซื้อขายผ่าน order-book)
การสร้าง Factor Model Portfolio
วิธีพื้นฐานที่นำใช้ในการสร้าง Factor model Portfolio และถูกนำมาใช้ในงานวิจัยของ Fama และ French (1992) โดยแนวคิดของวิธีนี้เรียบง่ายมาก กล่าวคือ:
กำหนดวันหนึ่งของข้อมูล เราจะจัดอันดับหุ้นของบริษัทต่างๆ ตามเกณฑ์ที่กำหนด (เช่น ขนาดของบริษัท หรืออัตราส่วนมูลค่าตามบัญชีต่อมูลค่าตลาด (Book-to-Market Ratio))
จากนั้นก็จัดกลุ่มหุ้นเป็นพอร์ตการลงทุนจำนวนตามที่กำหนดโดยมากมักจะแบ่งเป็นสามส่วน หรือสามารถโดยอ้างอิงจากการแบ่งตามค่ามัธยฐาน (Median), ค่าสามส่วน (Terciles), ค่าห้าส่วน (Quintiles), หรือค่าสิบส่วน (Deciles) ตามลำดับ)
หุ้นแต่ละตัวที่อยู่ในพอร์ตจะถูกกำหนดน้ำหนัก (Weight) ซึ่งอาจเป็นน้ำหนักเท่ากัน (Equal Weight) หรือกำหนดตามสัดส่วนของมูลค่าหลักทรัพย์ตามราคาตลาด (Market Capitalization)
เมื่อเวลาผ่านไปช่วงเวลาหนึ่ง ก็จะวัดผลตอบแทนของแต่ละพอร์ต จากนั้นจึงทำซ้ำขั้นตอนนี้ไปเรื่อยๆ จนกว่าจะถึงช่วงเวลาสุดท้ายของข้อมูลที่มีอยู่
ผลที่ได้จากกระบวนการนี้คืออนุกรมเวลาของผลตอบแทนจากแต่ละพอร์ตการลงทุน สำหรับกลุ่มที่อยู่ลำดับต้น โดยเราจะเรียกว่าเกิด ความผิดปกติ (anomaly) หากผลจากการทำ t-test เพื่อเปรียบเทียบผลตอบแทนเฉลี่ยระหว่างกลุ่มแรก และกลุ่มสุดท้าย แสดงให้เห็นว่ามีความแตกต่างที่มีนัยสำคัญทางสถิติ
นอกจากการใช้เกณฑ์เพียงเกณฑ์เดียว ยังสามารถจัดกลุ่มสินทรัพย์โดยใช้เกณฑ์หลายอย่างพร้อมกันได้ ในงานต้นฉบับของ Fama และ French (1992) ยังได้รวมการจัดอันดับหุ้นตามมูลค่าตลาด (Market Capitalization) และอัตราส่วน Book-to-Market Ratio ร่วมกัน โดยแบ่งแต่ละเกณฑ์ออกเป็น 10 กลุ่ม ส่งผลให้มีพอร์ตทั้งหมด 100 พอร์ต ที่จริงแล้วจำนวนเกณฑ์ที่นำมาใช้ในการจัดอันดับไม่มีขีดจำกัดสูงสุด หากข้อมูลเพียงพอ งานวิจัยบางชิ้นได้ศึกษาวิธีจัดอันดับที่มีความซับซ้อนและสามารถจัดการกับเกณฑ์จำนวนมากได้ เช่นงานของ Feng, Polson และ Xu (2019) รวมถึง Bryzgalova, Pelger และ Zhu (2019)
ตัวอย่าง Factor Model
ส่วนสุดท้านเราจะมาพูดถึงตัวอย่าง Factor Model ที่นิยมใช้กัน(นิยมแปลว่ากำไรส่วนเกินน่าจะไม่เหลือแล้ว) ส่วน Python Code หรือรายละเอียดการสร้างพอร์ตผมขอยกไปโพสต์หน้าแล้วกัน เลื่อนไปดูด้านบนผมรู้สึกว่ามันยาวอแล้ว และแน่นอนเราจะลงลึกแยกในแต่ละบทความ
Fama-French Three-Factor Model:
ต้นกำเนิดของ Factor Model ต้นกำเนิดไปอ่านได้ที่ https://www.bauer.uh.edu/rsusmel/phd/Fama-French_JFE93.pdf Fama-French Three Factor Mode ได้ขยายตัวแบบจำลอง CAPM โดยเพิ่มสองปัจจัยคือ
ขนาดของกิจการ (SMB - Small Minus Big): ปัจจัยนี้สะท้อนถึงแนวโน้มที่บริษัทขนาดเล็กจะให้ผลตอบแทนสูงกว่าบริษัทขนาดใหญ่
มูลค่าตามบัญชีต่อมูลค่าตลาด (HML - High Minus Low): ปัจจัยนี้แสดงถึงบริษัทที่มีอัตราส่วนมูลค่าตามบัญชีต่อมูลค่าตลาดสูง (หุ้นคุณค่า) มักให้ผลตอบแทนสูงกว่าบริษัทที่มีอัตราส่วนต่ำ (หุ้นเติบโต)
สมการของตัวแบบคือ
โดยที่ r คืออัตราผลตอบแทนที่คาดหวังของพอร์ตโฟลิโอ, Rf คืออัตราผลตอบแทนปราศจากความเสี่ยง, Rm คืออัตราผลตอบแทนของตลาด, และ alpha คือค่าคงที่ที่ไม่สามารถอธิบายได้โดยปัจจัยอื่น ๆ
The Carhart Model: Refining Fama-French
Mark Carhart ได้พัฒนาตัวแบบสามปัจจัยของ Fama-French โดยเพิ่มปัจจัยที่สี่คือ: โมเมนตัม (UMD - Up Minus Down): ปัจจัยนี้สะท้อนถึงแนวโน้มที่หุ้นที่มีผลตอบแทนดีในช่วง 12 เดือนที่ผ่านมา มักจะมีผลตอบแทนดีต่อเนื่องในอนาคตระยะสั้น และหุ้นที่มีผลตอบแทนแย่จะมีแนวโน้มต่อเนื่องเช่นกัน การเพิ่มปัจจัยโมเมนตัมช่วยอธิบายปรากฏการณ์ที่หุ้นที่มีผลตอบแทนสูงในอดีตมักจะยังคงมีผลตอบแทนสูงในอนาคตอันใกล้
Pastor-Stambaugh Model
Lubos Pastor และ Robert F. Stambaugh ได้เสนอว่าปัจจัยสภาพคล่องมีบทบาทสำคัญในการกำหนดราคาสินทรัพย์ สภาพคล่อง (LIQ): ปัจจัยนี้สะท้อนถึงความเสี่ยงที่เกี่ยวข้องกับสภาพคล่องของสินทรัพย์ โดยสินทรัพย์ที่มีสภาพคล่องต่ำมักจะต้องให้ผลตอบแทนสูงขึ้นเพื่อชดเชยความเสี่ยงที่เพิ่มขึ้น
Factor Zoo
การค้นพบปัจจัยต่าง ๆ จำนวนมากในช่วงหลายปีที่ผ่านมา ทำให้เกิดสิ่งที่เรียกว่า "Factor Zoo" ซึ่งนักลงทุนและนักวิจัยต้องเผชิญกับความท้าทายในการแยกแยะว่าปัจจัยใดมีความสำคัญจริง ๆ และปัจจัยใดเป็นเพียงผลจากการวิเคราะห์ข้อมูลที่มากเกินไป การทดสอบและการตรวจสอบอย่างเข้มงวดจึงเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าปัจจัยที่ระบุมีความน่าเชื่อถือและมีความสัมพันธ์กับผลตอบแทนของสินทรัพย์อย่างแท้จริง
CMRI factor library
ในประเทศไทย สถาบันวิจัยตลาดทุน (CMRI) ได้พัฒนาห้องสมุดปัจจัยเพื่อสนับสนุนการวิจัยและการประยุกต์ใช้ตัวแบบเหล่านี้ในบริบทของตลาดไทย ทรัพยากรนี้รวมถึง:
Fama-French หกปัจจัย : ประกอบด้วย ตลาด (mkt), ขนาด (sml), มูลค่า (hml), ความสามารถในการทำกำไร (rmw), การลงทุน (cma), และโมเมนตัม (umd)
q-Factors โดย Hou, Xue, และ Zhang: ประกอบด้วย ตลาด (mkt), ขนาด (me), อัตราส่วนการลงทุนต่อสินทรัพย์ (ia), และผลตอบแทนต่อส่วนของผู้ถือหุ้น (roe)
การวิจัยโดย Charoenwong, Nettayanun, และ Saengchote (2021) แสดงให้เห็นว่า q-factors อาจอธิบายความแปรปรวนของผลตอบแทนในตลาดไทยได้ดีกว่าตัวแบบ Fama-French หกปัจจัย
Use cased
แบบจำลองเชิงปัจจัย(Factor Models) เป็นเครื่องมือสำคัญในโลกการเงินสมัยใหม่ ช่วยให้นักลงทุนและผู้จัดการความเสี่ยงสามารถวิเคราะห์และทำความเข้าใจปัจจัยที่มีผลต่อผลตอบแทนและความเสี่ยงของสินทรัพย์
ช่วยวัดความเสี่ยงของพอร์ตการลงทุน เราสามารถใช้แบบจำลองเชิงปัจจัย ช่วยแยกแยะผลตอบแทนของพอร์ตโฟลิโอออกเป็นส่วนที่เกิดจากปัจจัยร่วม (systematic components) และส่วนที่เกิดจากปัจจัยเฉพาะของสินทรัพย์แต่ละรายการ (idiosyncratic components) การแยกแยะนี้ช่วยให้ผู้จัดการพอร์ตการลงทุนเข้าใจแหล่งที่มาของความเสี่ยงในพอร์ตโฟลิโอได้อย่างละเอียดด้วยการประมาณค่าตวามอ่อนไหวต่อปัจจัยต่าง ๆ นักลงทุนสามารถระบุความเสี่ยงที่ไม่พึงประสงค์และปรับพอร์ตโฟลิโอให้เหมาะสมได้ ตัวอย่างเช่น หากพอร์ตโฟลิโอมีอ่อนไหวกับปัจจัยโมเมนตัมสูง อาจเสี่ยงต่อการเปลี่ยนแปลงอย่างรวดเร็วของตลาด ผู้จัดการการลงทุนหรือผู้ดูแลความเสี่ยงอาจพิจารณากระจายการลงทุนเพื่อลดความเสี่ยงที่เกี่ยวข้องกับการกลับตัวของโมเมนตัม
กลยุทธ์ Smart Beta หรือการลงทุนแบบปัจจัยเชิงรับ เป็นการผสมผสานระหว่างการลงทุนแบบเชิงรุกและเชิงรับ โดยสร้างพอร์ตโฟลิโอที่มุ่งเน้นการจับปัจจัยเฉพาะ เช่น มูลค่า ขนาด โมเมนตัม คุณภาพ หรือความผันผวนต่ำ แทนที่จะติดตามดัชนีที่มีการถ่วงน้ำหนักตามมูลค่าตลาด ซึ่งในตลาดมีกองทุนประเภทนี้เยอะแล้วมี AUM สูงมาก โดยเฉพาะกองทุน Vanguard
ประกอบการตัดสินใจ กองทุนเฮดจ์ฟันด์และผู้จัดการการลงทุนเชิงรุกมักใช้โมเดลปัจจัยเพื่อสนับสนุนการตัดสินใจลงทุนและจัดการความเสี่ยง ด้วยความเข้าใจการเปิดรับปัจจัย
การวิเคราะห์ผลการดำเนินงาน (Performance Attribution) บางครั้งเราต้องการวัดความสามารถของผู้จัดการกองทุน เราจึงแยกผลตอบแทนของพอร์ตโฟลิโอเพื่อทำความเข้าใจการมีส่วนร่วมของปัจจัยต่าง ๆ และการตัดสินใจลงทุน โมเดลปัจจัยช่วยให้สามารถระบุได้ว่าผลตอบแทนเกิดจากปัจจัยเฉพาะหรือความสามารถของผู้จัดการลงทุน
บทสรุป
ในบทสรุปของบทนี้ เห็นได้ชัดว่า การกำหนดราคาสินทรัพย์เปิดโอกาสให้เกิดการประยุกต์ใช้ที่หลากหลาย แม้ว่าจะมีงานวิจัยที่ครอบคลุมอยู่แล้ว แต่บ่อยครั้งก็ยากที่จะแยกแยะระหว่างแนวคิดที่ยอดเยี่ยมกับเสียงรบกวนการปฏิบัติและการนำไปใช้จริงเป็นวิธีเดียวที่จะสกัดคุณค่าออกจากกระแสที่เกินจริง สิ่งนี้เป็นจริงโดยเฉพาะอย่างยิ่งเนื่องจากผู้เข้าร่วมตลาดมักจะประเมินบทบาทของปัจจัยในการตัดสินใจจัดสรรของนักลงทุนในโลกแห่งความเป็นจริงสูงเกินไป
ref:
อนุกรมพิทานศัพท์ (Glossary)
EDHEC สถาบันการศึกษาทางธุรกิจชั้นนำของยุโรป มีชื่อเสียงด้านการวิจัยการเงินเชิงลึก โดยเฉพาะในด้านการบริหารจัดการความเสี่ยง การลงทุนแบบ Smart Beta และการประยุกต์ใช้ Factor Models มักตีพิมพ์งานที่มีอิทธิพลสูงในวงการ Quant และ Asset Management
The Arbitrage Theory of Capital Asset Pricing ทฤษฎีราคาสินทรัพย์ทุนเชิงเก็งกำไร (Arbitrage Pricing Theory) พัฒนาโดย Stephen Ross เสนอว่าผลตอบแทนของสินทรัพย์สามารถอธิบายได้ผ่านปัจจัยเสี่ยงหลายตัว ไม่ใช่แค่ตลาดเพียงตัวเดียวเหมือนใน CAPM โดยใช้หลักการว่าไม่มี “arbitrage” หรือช่องว่างให้หากำไรฟรีได้ในตลาด
the Journal of Economic Theory วารสารวิชาการด้านเศรษฐศาสตร์ที่มุ่งเน้นงานวิจัยเชิงทฤษฎีล้วนๆ เป็นแหล่งตีพิมพ์งานวิจัยระดับลึก ทั้งในด้านเศรษฐศาสตร์จุลภาค ทฤษฎีเกม และโมเดลทางการเงินพื้นฐาน เช่น ทฤษฎีสมดุลทั่วไป หรือทฤษฎีการกำหนดราคาสินทรัพย์ (Asset Pricing Theory)
CAPM โมเดลกำหนดราคาสินทรัพย์ทุนแบบคลาสสิก โดยอิงจากความสัมพันธ์ระหว่างความเสี่ยงของสินทรัพย์ (Beta) กับผลตอบแทนที่คาดหวัง โมเดลนี้ถือว่ามีเพียงปัจจัยเดียวคือ "ตลาด" ที่อธิบายผลตอบแทนของสินทรัพย์ทั้งหมดได้
beta ค่าความไวของสินทรัพย์ต่อความเคลื่อนไหวของตลาด
Fama French Model โมเดลกำหนดราคาสินทรัพย์ที่ขยายจาก CAPM โดยเพิ่มปัจจัย
ขนาดกิจการ (SMB)
มูลค่า (HML)ต่อมามีการขยายเป็น 5 และ 6 ปัจจัย เช่น ความสามารถในการทำกำไร (RMW), การลงทุน (CMA) และโมเมนตัม (UMD)
Long-Short Equity Strategy กลยุทธ์การลงทุนที่ “ซื้อ” (long) สินทรัพย์ที่คาดว่าจะปรับตัวขึ้น และ “ขายชอร์ต” (short) สินทรัพย์ที่คาดว่าจะปรับตัวลง เพื่อทำกำไรจากส่วนต่างของผลตอบแทน มักใช้ในกองทุนเฮดจ์ฟันด์ และนิยมจับคู่หุ้นที่มีลักษณะทางปัจจัยแตกต่างกัน (เช่น value vs. growth)
factor premia ผลตอบแทนส่วนเกินที่นักลงทุนได้รับจากการเปิดรับ “ปัจจัยเสี่ยง” บางประเภท เช่น
Value Premium: หุ้นคุณค่ามักให้ผลตอบแทนมากกว่าหุ้นเติบโต
Size Premium: หุ้นขนาดเล็กมีแนวโน้มให้ผลตอบแทนสูงกว่าหุ้นขนาดใหญ่
Momentum Premium: หุ้นที่เคยขึ้นมักจะขึ้นต่อFactor Premia จึงเป็นรากฐานของการสร้างกลยุทธ์การลงทุนตามปัจจัย (Factor Investing)
Comentarios