คำศัพท์
หน้านี้รวมคำที่ใช้ในหนังสือ แต่ละคำมีนิยามสั้นและลิงก์กลับไปยังบทเรียน คำด้านความเสี่ยงอ้างอิงบทความเสี่ยงในการลงทุน ส่วนเลขหน้าของบท Portfolio Insurance อ้างถึงวิทยานิพนธ์ da Silva (2018)
เป้าหมายและการวัดผล
Portfolio Insurance · กลยุทธ์ป้องกันพอร์ต
กลุ่มกลยุทธ์ที่มุ่งจำกัดการลดลงของมูลค่าพอร์ต พร้อมเหลือโอกาสรับการเติบโต อาจใช้ Option หรือกฎปรับสินทรัพย์ คำว่า Insurance ในชื่อไม่ได้หมายความว่าทุกแบบมีบริษัทประกันหรือคู่สัญญารับประกันผลลัพธ์
กลับไปเริ่มบทเรียน · แหล่งแนวคิด: พิมพ์ น. 4–16 / PDF 31–43
Floor · ระดับมูลค่าที่มุ่งป้องกัน
เป้าหมายขั้นต่ำของมูลค่าพอร์ต ต้องระบุจำนวนเงินและเวลา Floor เมื่อครบกำหนด FTF_T อาจต่างจากมูลค่าปัจจุบัน FtF_t ที่ใช้ในกฎปรับพอร์ต การรักษา Floor ปลายทางกับการจำกัดการลดลงตลอดช่วงลงทุนเป็นคนละเงื่อนไข
ดูว่าปกป้องเท่าไรและเมื่อไร · แหล่งแนวคิด: พิมพ์ น. 9, 13–15 / PDF 36, 40–42
Payoff · มูลค่าที่จ่ายตามผลลัพธ์เมื่อครบกำหนด
มูลค่าที่ได้ตามสินทรัพย์หรือสัญญาเมื่อรู้ผลลัพธ์ปลายทาง เช่น Payoff ของ Put คือ max(K−ST,0)\max(K-S_T,0) ตัวเลขนี้ยังไม่ได้หักเงินที่ใช้ซื้อสัญญาวันนี้ จึงยังไม่ใช่กำไรของผู้ซื้อ
ดูตัวอย่างหุ้นหนึ่งหน่วยบวก Put · แหล่งแนวคิด: พิมพ์ น. 10–13 / PDF 37–40
Drawdown · การลดลงจากจุดสูงสุดก่อนหน้า
ถ้า HtH_t เป็นจุดสูงสุดของมูลค่าพอร์ตจนถึงเวลา tt ขนาด Drawdown คือ 1−Vt/Ht1-V_t/H_t ส่วน Maximum drawdown คือค่าสูงสุดของขนาดดังกล่าวตลอดช่วงที่วัด การลดจากจุดสูงสุดต่างจากการขาดทุนเทียบเงินตั้งต้นและการหลุด Floor
ดูตัวอย่าง 100 → 120 → 108 · นิยามประกอบการวัดผลในบทเรียน
Shortfall · เงินที่ขาดจากเป้าหมาย
จำนวนเงินที่ต่ำกว่า Floor เช่น ณ วันครบกำหนด LT=max(FT−VT,0)L_T=\max(F_T-V_T,0) ถ้าพอร์ตอยู่เหนือหรือเท่ากับ Floor จะเป็นศูนย์ ความถี่ของการเกิด Shortfall กับขนาดเงินที่ขาดเมื่อเกิดเป็นคนละข้อมูล ต้องอ่านทั้งสองอย่าง
Turnover · ขนาดรวมของการซื้อขายเพื่อปรับพอร์ต
ในห้องทดลอง Portfolio Insurance นับผลรวมจำนวนเงินฝั่งสินทรัพย์เสี่ยงที่ซื้อหรือขายหลังเดือนที่ 1–11 ไม่รวมการจัดพอร์ตครั้งแรกและไม่มีการซื้อขาย ณ วันครบกำหนด เป็นหน่วยเงิน ไม่ใช่ค่าธรรมเนียมและไม่ใช่เปอร์เซ็นต์ ความหมายของ Turnover อาจต่างกันระหว่างรายงาน จึงต้องตรวจวิธีนับก่อนเทียบ
ดูตัวอย่างรายการซื้อขายและต้นทุน ส่วนบททดสอบ Diversification แสดงมูลค่าซื้อรวมขายเทียบกับทุนก่อนซื้อขาย และระบุการคิดต้นทุนทั้งสองฝั่ง
High-water mark · มูลค่าสูงสุดของพอร์ตที่เคยสังเกต
ถ้าพอร์ตมีมูลค่า VtV_t จะได้ Ht=maxs≤tVsH_t=\max_{s\leq t}V_s โดยระบุชุดเวลาที่สังเกตด้วย ใช้วัด Drawdown และตั้ง Floor แบบ Ratchet จุดสูงสุดนี้เป็นของพอร์ตที่กำลังประเมิน ไม่จำเป็นต้องตรงกับจุดสูงสุดของหุ้นหรือดัชนีอ้างอิง
สัญญาและกฎจัดสรรพอร์ต
Put option · สิทธิที่จะขายสินทรัพย์ที่ราคากำหนด
สัญญาที่ให้ผู้ถือสิทธิขายสินทรัพย์อ้างอิงที่ราคาใช้สิทธิ KK ภายใต้เงื่อนไขและเวลาของสัญญา บทเรียนใช้ European Put ที่พิจารณาการใช้สิทธิเมื่อหมดอายุ และหนึ่งหน่วย Option อ้างอิงสินทรัพย์หนึ่งหน่วย
ดูมูลค่า Put ที่วันหมดอายุ · แหล่งแนวคิด: พิมพ์ น. 10–13 / PDF 37–40
Premium · ราคา Option ที่จ่ายวันนี้
เงินที่ผู้ซื้อจ่ายเพื่อได้สิทธิตาม Option ต้องนับรวมในงบลงทุนและต้นทุนเมื่อต้องการคำนวณกำไร ค่า Premium ที่กรอกในเครื่องมือเป็นค่าตัวอย่าง ไม่ใช่ราคายุติธรรมที่เครื่องมือคำนวณให้
ดูต้นทุนรวม 100 + 4 · แหล่งแนวคิด: พิมพ์ น. 10–13 / PDF 37–40
SLPI · Stop Loss Portfolio Insurance
กฎถือสินทรัพย์เสี่ยงแล้วขายไปถือสินทรัพย์ปลอดความเสี่ยงเมื่อมูลค่าลดถึงเกณฑ์ ในรุ่นที่วิทยานิพนธ์ศึกษา เมื่อขายแล้วจะไม่กลับเข้าตลาดจนจบช่วงลงทุน ราคาอาจกระโดดผ่านเกณฑ์ก่อนขายได้
ดูการเปรียบเทียบสี่กลยุทธ์ · แหล่งแนวคิด: พิมพ์ น. 9, 50 / PDF 36, 77
OBPI · Option Based Portfolio Insurance
การจัดพอร์ตให้มีลักษณะการป้องกันด้วย Option เช่น สินทรัพย์เสี่ยงบวก Put หรือสินทรัพย์ปลอดความเสี่ยงบวก Call การซื้อ Option จริงกับการปรับสินทรัพย์เพื่อเลียนแบบ Option มีเงื่อนไขดำเนินงานต่างกัน
ดูการจัดงบซื้อการป้องกัน · แหล่งแนวคิด: พิมพ์ น. 10–13 / PDF 37–40
CPPI · Constant Proportion Portfolio Insurance
กฎจัดสรรเงินลงทุนเสี่ยงตามตัวคูณคงที่ของ Cushion เมื่อ Cushion เล็กลง เงินลงทุนเสี่ยงตามกฎจะลดลง รุ่นที่ไม่กู้และไม่ขายชอร์ตจะจำกัดเงินลงทุนเสี่ยงให้อยู่ระหว่างศูนย์กับมูลค่าพอร์ต
Cushion · ส่วนต่างเหนือ Floor
ผลต่าง Ct=Vt−FtC_t=V_t-F_t ระหว่างมูลค่าพอร์ตกับ Floor ณ เวลาเดียวกัน วัดเป็นหน่วยเงินเดียวกับพอร์ต ใน CPPI เป็นฐานที่นำไปคูณ Multiplier เพื่อกำหนดเงินลงทุนเสี่ยง
คำนวณจากพอร์ต 1,000 บาทและ Floor 800 บาท · ทดลองเปลี่ยน Floor
Multiplier · ตัวคูณ Cushion
พารามิเตอร์ mm ที่แปลง Cushion เป็นเงินลงทุนในสินทรัพย์เสี่ยงก่อนใช้ข้อจำกัดอื่น ไม่มีหน่วย m=3m=3 หมายถึงสามเท่าของ Cushion ไม่ใช่สามเท่าของมูลค่าพอร์ต
Rebalancing · การปรับสัดส่วนพอร์ต
การซื้อขายเพื่อให้จำนวนเงินหรือสัดส่วนสินทรัพย์ตรงกับกฎหลังราคาและมูลค่าพอร์ตเปลี่ยน การกำหนดเป้าหมายต่อเนื่องในสูตรกับการซื้อขายจริงเป็นรอบให้ผลต่างกันได้
Gap risk · ความเสี่ยงที่ราคาผ่านเกณฑ์ก่อนปรับได้ทัน
ความเสี่ยงที่ราคาหรือมูลค่าพอร์ตเคลื่อนที่ผ่านระดับป้องกันก่อนจะลดการถือสินทรัพย์เสี่ยงได้ การขายหลังจากหลุดเกณฑ์ไม่ได้ทำให้พอร์ตกลับไปมีมูลค่าเท่าเกณฑ์โดยอัตโนมัติ
เรียน Gap risk จากตัวเลข · ต่อยอดเมื่อมีดอกเบี้ยและเพดาน Exposure
Cash lock · พอร์ตติดอยู่ในสินทรัพย์ปลอดความเสี่ยง
ภาวะที่ Cushion หมดจนกฎป้องกันให้เงินลงทุนในสินทรัพย์เสี่ยงลดเหลือศูนย์ และกลยุทธ์ไม่กลับเข้าตลาดในช่วงที่เหลือ จึงอาจไม่มีส่วนร่วมกับการฟื้นตัวของตลาด ต่างจากการเลือก Multiplier เป็นศูนย์ตั้งแต่ต้น
ดูเหตุใดตลาดฟื้นแต่พอร์ตไม่ตาม · แหล่งแนวคิด: พิมพ์ น. 14 / PDF 41
Variable-Multiplier Portfolio Insurance · การป้องกันพอร์ตด้วยตัวคูณที่ปรับได้
แนวทาง Proportional Portfolio Insurance ที่ให้ mtm_t เปลี่ยนตามกฎและข้อมูลความเสี่ยงที่มี ณ เวลาจัดพอร์ต แทนการตรึง Multiplier เช่น ลดตัวคูณเมื่อความผันผวนที่ประเมินสูงขึ้น เงินเสี่ยงยังขึ้นกับ Cushion และเพดานที่กำหนด วิธีนี้ยังมีความเสี่ยงจากการประมาณค่า ราคากระโดด และต้นทุนซื้อขาย; ไม่ใช่การรับประกัน Floor
TIPP · Time Invariant Portfolio Protection
แนวทางต่อยอดจาก CPPI ที่ยก Floor ตามเงื่อนไขเมื่อมูลค่าพอร์ตเพิ่มขึ้น เพื่อเก็บการเติบโตบางส่วนไว้ในเป้าหมายป้องกัน ต้องระบุกฎยก Floor และความถี่ปรับพอร์ตให้ชัดก่อนเปรียบเทียบผล
ดูตัวอย่างพอร์ตโตเป็น 120 · แหล่งแนวคิด: พิมพ์ น. 15–16 / PDF 42–43
Constant Mix · การปรับกลับสู่สัดส่วนคงที่
กฎซื้อขายเพื่อให้พอร์ตกลับมามีสัดส่วนเป้าหมาย เช่น สินทรัพย์เสี่ยง 60% และสินทรัพย์ปลอดความเสี่ยง 40% ในแต่ละรอบ ต่างจากการจัดสัดส่วน 60/40 เพียงครั้งแรกแล้วถือโดยไม่ปรับ
ดูตัวเปรียบเทียบในเครื่องมือ CPPI · นิยามประกอบเครื่องมือของบทเรียน
Ratchet · กฎยกระดับป้องกันโดยไม่ลดกลับ
กฎอัปเดต Floor ให้สูงขึ้นเมื่อเข้าเงื่อนไข เช่น ตัวอย่าง TIPP ดอกเบี้ย 0% ของบทนี้ใช้ 90% ของ High-water mark และไม่ลด Floor ตามมูลค่าพอร์ตที่ถอยลง การยกเป้าหมายไม่สร้างเงินเพิ่มและยังต้องซื้อขายได้ทันจึงจะรักษาเป้าหมายได้
Put–call parity · ความสัมพันธ์ราคาระหว่าง Put กับ Call
สำหรับ European options ที่อ้างอิงสินทรัพย์เดียวกัน ราคาใช้สิทธิและวันครบกำหนดเดียวกัน เมื่อไม่มีเงินปันผลและใช้ดอกเบี้ยคงที่ เงื่อนไขไม่มี Arbitrage ให้ S0+P0=Ke−rT+C0S_0+P_0=Ke^{-rT}+C_0 เพราะสองโครงสร้างให้กระแสเงินปลายทางเท่ากัน ต้องจับคู่จำนวนหน่วยและกระแสเงินให้ตรงก่อนใช้
Self-financing · ปรับพอร์ตโดยใช้เงินภายในพอร์ตเอง
การเพิ่มสินทรัพย์ด้านหนึ่งใช้เงินจากการลดอีกด้าน ไม่มีการเติมหรือถอนเงินจากภายนอก ในตัวอย่างที่ไม่มีต้นทุน มูลค่าก่อนและหลังซื้อขาย ณ ราคาเดียวกันเท่ากัน ถ้ามีค่าซื้อขาย เงินจ่ายนั้นต้องออกจากพอร์ตและถูกหักในการคำนวณมูลค่าด้วย
แบบจำลองและการตัดสินใจ
GBM · Geometric Brownian Motion
แบบจำลองการเคลื่อนที่ของราคาที่รักษาระดับราคาให้เป็นบวก ภายใต้ Drift และ Volatility คงที่ Log return ของช่วงเวลาที่กำหนดเป็น Normal และราคาปลายช่วงเป็น Lognormal ไม่ได้รวมการกระโดดของราคาแบบฉับพลันไว้ในกระบวนการต่อเนื่องพื้นฐาน
ดูวิธีจำลองในวิทยานิพนธ์ · แหล่งแนวคิด: พิมพ์ น. 48–49, 85 / PDF 75–76, 112
Sampling error · ความคลาดเคลื่อนจากการสุ่ม
ความต่างของค่าประมาณที่เกิดจากใช้ตัวอย่างสุ่มจำนวนจำกัด แม้ใช้แบบจำลองและพารามิเตอร์เดิม การเพิ่มจำนวนเส้นทางช่วยลดส่วนนี้ได้ แต่ไม่ได้แก้การเลือกแบบจำลองที่ไม่ตรงกับตลาด
อ่านข้อจำกัดของผลจำลอง · คำอธิบายประกอบการอ่านงานที่บทเรียนเพิ่ม
Model risk · ความเสี่ยงจากแบบจำลอง
ความเสี่ยงที่สมมติฐาน โครงสร้าง พารามิเตอร์ หรือการนำแบบจำลองไปใช้ไม่เหมาะกับสิ่งที่ต้องการประเมิน เช่น ใช้แบบราคาต่อเนื่องเพื่อสรุปว่ากฎซื้อขายรับมือการกระโดดของราคาได้เสมอ
อ่านข้อจำกัดของผลจำลอง · คำอธิบายประกอบการอ่านงานที่บทเรียนเพิ่ม
Expected utility · อรรถประโยชน์คาดหมาย
ค่าเฉลี่ยของ Utility ที่ได้จากผลลัพธ์หลายแบบ ถ้า WTW_T เป็นความมั่งคั่งปลายทาง เกณฑ์คือ E[U(WT)]\mathbb{E}[U(W_T)] รูปร่างของ UU สะท้อนว่าผู้ลงทุนให้คุณค่ากับความมั่งคั่งและความเสี่ยงอย่างไร
อ่าน EUT กับ CPT · แหล่งแนวคิด: พิมพ์ น. 43–47, 86–89 / PDF 70–74, 113–116
Loss aversion · ความไวต่อการสูญเสีย
การให้ผลกระทบด้านลบแก่การขาดทุนมากกว่าผลกระทบด้านบวกจากกำไรขนาดเท่ากัน เมื่อวัดจากจุดอ้างอิงเดียวกัน เป็นคนละแนวคิดกับการไม่ชอบความผันผวนโดยรวม
อ่าน Value function ใน CPT · แหล่งแนวคิด: พิมพ์ น. 81–84 / PDF 108–111
Reference point · จุดอ้างอิง
ฐานที่ใช้ตัดสินว่าผลลัพธ์หนึ่งเป็นกำไรหรือขาดทุน ในตาราง CPT ของวิทยานิพนธ์ใช้เงินตั้งต้น 100 หรือผลตอบแทน 0% การปรับ Floor ไม่ได้หมายความว่าจุดอ้างอิงต้องเปลี่ยนตาม
ดูความต่างระหว่าง Floor กับจุดอ้างอิง · แหล่งแนวคิด: พิมพ์ น. 84, 90, 95 / PDF 111, 117, 122
CPT · Cumulative Prospect Theory
กรอบอธิบายการตัดสินใจที่ประเมินกำไรและขาดทุนเทียบจุดอ้างอิง ร่วมกับน้ำหนักการตัดสินใจที่คำนวณจากความน่าจะเป็นสะสม คะแนน CPT จึงมีความหมายตาม Value function และน้ำหนักที่เลือก ไม่ใช่ผลตอบแทนจากการลงทุน
อ่านตัวอย่างคะแนนจากงานวิจัย · แหล่งแนวคิด: พิมพ์ น. 83–91 / PDF 110–118
Risk aversion · ความหลีกเลี่ยงความเสี่ยงในเกณฑ์การตัดสินใจ
ใน EUT ฟังก์ชัน Utility ที่เพิ่มขึ้นและโค้งเว้าทำให้เงินแน่นอนเท่าค่าเฉลี่ยของทางเลือกเสี่ยงมี Utility ไม่ต่ำกว่าทางเลือกเสี่ยงนั้น ความหลีกเลี่ยงความเสี่ยงไม่ได้หมายถึงปฏิเสธสินทรัพย์เสี่ยงทุกชนิด และต่างจาก Loss aversion ที่ให้คุณค่าขาดทุนกับกำไรเทียบจุดอ้างอิงไม่เท่ากัน
Certainty equivalent · เงินแน่นอนที่ให้คุณค่าเท่าทางเลือกเสี่ยง
จำนวนเงินแน่นอน CECE ที่ทำให้ U(CE)=E[U(W)]U(CE)=\mathbb E[U(W)] ภายใต้ Utility ที่กำหนด สำหรับผู้หลีกเลี่ยงความเสี่ยง CE ไม่เกินเงินคาดหมายของทางเลือกเสี่ยง ค่านี้แปลงคะแนน Utility กลับเป็นจำนวนเงินเพื่อช่วยตีความ ไม่ใช่ราคา Option โดยอัตโนมัติ
Probability weighting · การให้น้ำหนักความน่าจะเป็นในการตัดสินใจ
ฟังก์ชันแปลงความน่าจะเป็นให้เป็นน้ำหนักสำหรับประเมินทางเลือก ใน CPT ต้องเรียงผลลัพธ์แล้วหาผลต่างของน้ำหนักความน่าจะเป็นสะสม น้ำหนักนี้สะท้อนการตัดสินใจ ไม่ใช่ความน่าจะเป็นเกิดจริงที่แก้ใหม่
Risk capacity · ความสามารถทางการเงินในการรับความเสี่ยง
ความสามารถรับผลขาดทุนโดยยังรองรับเป้าหมายและภาระทางการเงินได้ ขึ้นกับกำหนดใช้เงิน เงินสำรอง รายรับ และภาระ ไม่ใช่เพียงความรู้สึกว่ายอมรับราคาผันผวนได้มากแค่ไหน
Risk tolerance · ความเต็มใจยอมรับความเสี่ยง
ความเต็มใจยอมรับความไม่แน่นอนและการขาดทุนในการลงทุน ต้องพิจารณาร่วมกับความสามารถทางการเงินในการรับผลขาดทุน ผู้ลงทุนอาจยอมรับความผันผวนทางความรู้สึกได้ แต่ยังมีข้อจำกัดจากเงินที่ต้องใช้ในเวลาใกล้กัน
ความเสี่ยงและตัววัด
Investment risk · ความเสี่ยงในการลงทุน
ความไม่แน่นอนของผลลัพธ์ทางการเงิน โดยเฉพาะโอกาสและขนาดของผลลัพธ์ที่ไม่ต้องการ ต้องกำหนดพอร์ต ช่วงเวลา หน่วย และจุดอ้างอิงก่อนเลือกตัววัด ความผันผวนเป็นเพียงตัววัดหนึ่ง
Volatility · ความผันผวน
การกระจายตัวของผลตอบแทนที่มักวัดด้วย Standard deviation รวมทั้งค่าที่สูงกว่าและต่ำกว่าค่าเฉลี่ย บทความเสี่ยงใช้ Sample standard deviation ตัวหาร n−1n-1 และรายงานความถี่ของข้อมูลเสมอ
Downside deviation · การกระจายตัวต่ำกว่าเกณฑ์
รากที่สองของค่าเฉลี่ยกำลังสองของส่วนที่ผลตอบแทนต่ำกว่าเกณฑ์ บทนี้หารด้วยจำนวนช่วงทั้งหมด และกำหนดเกณฑ์ในความถี่เดียวกับผลตอบแทน จึงต้องตรวจนิยามก่อนเทียบคนละโปรแกรม
Covariance · ความแปรปรวนร่วม
ค่าเฉลี่ยของผลคูณระหว่างการเบี่ยงเบนจากค่าเฉลี่ยของตัวแปรสองตัว ใช้อธิบายว่าสินทรัพย์เคลื่อนไหวร่วมกันอย่างไร และเป็นส่วนหนึ่งของสูตร Variance ของพอร์ต หน่วยขึ้นกับตัวแปรทั้งสอง
Correlation · สหสัมพันธ์
Covariance ที่หารด้วยผลคูณ Standard deviation ของตัวแปรทั้งสองเมื่อค่านี้ไม่เป็นศูนย์ อยู่ระหว่าง −1 กับ 1 และไม่มีหน่วย วัดความสัมพันธ์เชิงเส้น; ค่าเป็นศูนย์ไม่ได้รับรองความเป็นอิสระ
Diversification · การกระจายความเสี่ยง
การผสมสถานะที่มีโครงสร้างการเคลื่อนไหวต่างกันเพื่อลดความเสี่ยงรวมในมิติที่สนใจ ต้องดูขนาดสถานะและความสัมพันธ์ร่วมด้วย การถือหลายชื่อที่รับแรงกระทบเดียวกันอาจยังมีความเสี่ยงกระจุกตัว
Value at Risk (VaR) · ควอนไทล์ของผลขาดทุน
เส้นแบ่งของการแจกแจงผลขาดทุน ณ ระดับความน่าจะเป็นและช่วงเวลาที่กำหนด ต้องบอกสกุลเงินและแบบจำลองด้วย VaR ไม่ใช่ขาดทุนสูงสุด; ตัวอย่างข้อมูลจำกัดในบทใช้ Inverse empirical CDF
Expected Shortfall (ES) · ค่าเฉลี่ยผลขาดทุนส่วนที่แย่ที่สุด
ค่าเฉลี่ยของผลขาดทุนในส่วนหางที่แย่ที่สุดตามสัดส่วนที่กำหนด เช่น ES 95% เฉลี่ยส่วนที่แย่ที่สุด 5% เมื่อมีค่าซ้ำตรง VaR ต้องจัดน้ำหนักให้ครอบคลุมมวลความน่าจะเป็น 5% พอดี; บางแหล่งใช้ชื่อ CVaR
EWMA · Exponentially Weighted Moving Average
วิธีให้น้ำหนักข้อมูลย้อนหลังลดลงแบบเรขาคณิต ในแบบจำลอง Variance น้ำหนัก λ\lambda คูณค่าประมาณเดิม และ 1−λ1-\lambda คูณผลตอบแทนส่วนที่ไม่คาดหมายยกกำลังสอง ใช้ข้อมูลที่สังเกตแล้วเพื่อประมาณช่วงถัดไป
Conditional volatility · ความผันผวนตามข้อมูลที่มี
ความผันผวนที่ประมาณโดยมีเงื่อนไขจากข้อมูล ณ เวลาหนึ่ง จึงอาจเปลี่ยนตามสถานการณ์ ต่างจากการรวมข้อมูลทุกช่วงแล้วรายงานค่าการกระจายตัวเดียว
Risk factor · ปัจจัยเสี่ยง
ตัวแปรที่การเปลี่ยนแปลงส่งผลต่อมูลค่าสถานะ เช่น ราคาหุ้น อัตราผลตอบแทนพันธบัตร หรือค่าเงิน ต้องแยกตัวปัจจัย ขนาดสถานะ และความไวของมูลค่าต่อปัจจัยออกจากตัววัดความเสี่ยงรวม
Systematic risk · ความเสี่ยงร่วมกับตลาด
ความเสี่ยงที่กระจายออกไม่ได้ด้วยการเพิ่มจำนวนหลักทรัพย์ในกรอบ CAPM และเกี่ยวข้องกับพอร์ตตลาด แบบจำลองเชื่อมผลตอบแทนคาดหวังส่วนเกินกับ Beta; ความสัมพันธ์นี้ไม่รับประกันผลตอบแทนที่จะเกิดจริง
การสร้างพอร์ตและค่าประมาณ
Portfolio weight · น้ำหนักพอร์ต
มูลค่าเงินที่ลงทุนในสินทรัพย์หนึ่งหารด้วยมูลค่าพอร์ตรวม ณ เวลาเดียวกัน ใช้น้ำหนักต้นงวดคูณผลตอบแทนของงวดนั้นเมื่อไม่มีซื้อขายหรือฝากถอนระหว่างงวด น้ำหนักอาจเปลี่ยนเองเมื่อราคาสินทรัพย์เปลี่ยน
Efficient frontier · ขอบพอร์ตที่มีประสิทธิภาพ
พอร์ตที่ไม่มีพอร์ตอื่นในชุดทางเลือกให้ผลตอบแทนคาดหมายสูงขึ้นโดยไม่เพิ่ม variance หรือให้ variance ต่ำลงโดยไม่ลดผลตอบแทนคาดหมาย ขอบนี้ขึ้นกับพารามิเตอร์และข้อจำกัดที่ใส่ในแบบจำลอง ส่วนล่างของเส้น minimum-variance locus ไม่ใช่ efficient frontier
GMV · Global Minimum Variance
พอร์ตที่มี variance ต่ำสุดภายใต้ข้อจำกัดที่กำหนด โดยไม่ตั้งเป้าผลตอบแทน น้ำหนักจึงไม่ต้องใช้ค่าประมาณ expected return แต่ยังขึ้นกับ covariance matrix ที่อาจประมาณผิดได้
MSR · Maximum Sharpe Ratio
พอร์ตที่ทำให้ผลตอบแทนคาดหมายส่วนเกินจากอัตราปลอดความเสี่ยงต่อหน่วย SD สูงสุดในชุดพอร์ตที่อนุญาต ต้องใช้ mean, covariance และ risk-free rate บนหน่วยเวลาที่สอดคล้องกัน ค่าที่เหมาะที่สุดตามข้อมูลเข้าอาจไม่ให้ Sharpe สูงสุดในอนาคต
Capital Allocation Line · เส้นการผสมกับสินทรัพย์ปลอดความเสี่ยง
เส้นแสดง expected return และ SD เมื่อผสมพอร์ตเสี่ยงหนึ่งชุดกับสินทรัพย์ปลอดความเสี่ยงในสัดส่วนต่าง ๆ ความชันเท่ากับ Sharpe ratio ของพอร์ตเสี่ยง ภายใต้เงื่อนไขการลงทุนและอัตราดอกเบี้ยที่ใช้ เส้นที่อ้างถึงพอร์ตตลาดในกรอบดุลยภาพ CAPM เรียกว่า Capital Market Line
Estimation error · ความคลาดเคลื่อนของค่าประมาณ
ความต่างระหว่างพารามิเตอร์ที่ประมาณจากข้อมูลกับค่าที่ต้องการรู้ เช่น expected return และ covariance การแก้ optimization ได้แม่นตามตัวเลขเข้าไม่ได้ทำให้ค่าประมาณเหล่านั้นถูกต้องขึ้น
Look-ahead bias · การใช้ข้อมูลอนาคตในการทดสอบย้อนหลัง
ความเอนเอียงที่เกิดเมื่อการตัดสินใจ ณ เวลาหนึ่งใช้ข้อมูลซึ่งยังไม่ทราบในเวลานั้น เช่น นำน้ำหนักจากมูลค่าตลาดปลายเดือนมาคูณผลตอบแทนของเดือนเดียวกัน ต้องตรวจวันประกาศและเวลาที่ข้อมูลใช้งานได้ รวมถึงเวลาตัดสินใจและซื้อขาย
Monte Carlo · การคำนวณด้วยการสุ่มซ้ำ
สร้างผลลัพธ์จำนวนมากจากแบบจำลองและสมมติฐานที่กำหนด แล้วประมาณค่าเฉลี่ย ความถี่ หรือการแจกแจง การเพิ่มจำนวนตัวอย่างช่วยลดความคลาดเคลื่อนจากการสุ่ม แต่ไม่ได้ยืนยันว่าแบบจำลองอธิบายตลาดจริงได้
เงินที่ต้องใช้และพอร์ตที่รองรับ
Present value · มูลค่าปัจจุบัน
มูลค่าวันนี้ของเงินที่จะได้รับหรือจ่ายในอนาคต โดยใช้ตัวคูณคิดลดที่ตรงกับกำหนดเวลา สกุลเงิน และประเภทกระแสเงิน การประเมินภาระ nominal คงที่ไม่ควรใช้อัตราผลตอบแทนหุ้นที่คาดหวังแทนอัตราคิดลดโดยไม่มีเหตุผลรองรับ
Funding ratio · อัตราส่วนสินทรัพย์ต่อมูลค่าภาระ
มูลค่าสินทรัพย์หารด้วยมูลค่าปัจจุบันของภาระ ณ วันเดียวกัน ค่า 1 หมายถึงมีมูลค่าเท่ากันตามวิธีประเมินที่ใช้ อัตราส่วนยังเปลี่ยนได้จากราคาสินทรัพย์ อัตราคิดลด และการปรับภาระ จึงต้องระบุทั้งวันที่และสมมติฐาน
Zero-coupon bond · พันธบัตรไม่มีคูปองระหว่างทาง
ตราสารที่จ่ายเงินก้อนเดียวเมื่อครบกำหนด จับคู่กับภาระจำนวนเงินคงที่ในวันเดียวกันได้ในแบบจำลองที่ไม่มีการผิดนัด หากขายก่อนวันครบกำหนด ราคายังอาจขึ้นลงตามอัตราดอกเบี้ย
Duration · เวลาเฉลี่ยถ่วงน้ำหนักและความไวต่อ Yield
Macaulay duration คือเวลาเฉลี่ยของ cash flow ถ่วงน้ำหนักด้วยสัดส่วนมูลค่าปัจจุบัน ส่วน modified duration ใช้ประมาณการเปลี่ยนแปลงราคาต่อการเปลี่ยน yield ขนาดเล็ก ต้องจับคู่ทั้งมูลค่าและความไวหากต้องการให้สินทรัพย์รองรับภาระภายใต้การเลื่อนเส้น yield ที่สมมติ
CIR · แบบจำลองอัตราดอกเบี้ย Cox–Ingersoll–Ross
แบบจำลอง short rate ที่มีแรงดึงเข้าหาระดับระยะยาวและขนาดความผันผวนแปรตามรากที่สองของอัตราดอกเบี้ย ต้องแยกพารามิเตอร์สำหรับจำลองสถานการณ์จริงกับพารามิเตอร์สำหรับคิดราคา และตรวจวิธีคำนวณเป็นช่วงเวลาซึ่งอาจมีข้อจำกัดต่างจากสมการต่อเนื่อง
PSP · Performance-Seeking Portfolio
ส่วนพอร์ตที่รับความเสี่ยงเพื่อหาโอกาสเติบโต เช่น พอร์ตหุ้นที่กระจายการลงทุน การกำหนดบทบาทว่า PSP ไม่ได้ระบุว่าต้องเป็นหุ้นทั้งหมด และไม่ได้รับรองผลตอบแทนที่จะเกิดขึ้น
GHP · Goal-Hedging Portfolio
พอร์ตที่ออกแบบให้มูลค่าหรือกระแสเงินเคลื่อนไหวสอดคล้องกับเป้าหมายที่ต้องรองรับ การเลือกสินทรัพย์ขึ้นกับจำนวนเงิน วันจ่าย เงินเฟ้อ และสกุลเงินของเป้าหมาย เงินสดอาจไม่ใช่สินทรัพย์ที่ลดความเสี่ยงต่อเป้าหมายได้ดีที่สุด
Glidepath · แผนเปลี่ยนสัดส่วนตามเวลา
กฎกำหนดน้ำหนักพอร์ตตามเวลาที่เหลือ เช่น ลดสัดส่วนหุ้นเมื่อใกล้วันใช้เงิน กฎที่ขึ้นกับเวลาเพียงอย่างเดียวไม่ได้ตอบสนองต่อ funding ratio หรือความเปลี่ยนแปลงของเป้าหมาย จึงยังเกิดเงินขาดได้
ปัจจัย สไตล์ และ Benchmark
CAPM · Capital Asset Pricing Model
แบบจำลองดุลยภาพที่เชื่อมผลตอบแทนคาดหวังส่วนเกินกับ market beta ภายใต้ข้อสมมติ ค่า alpha/beta จากการ fit ข้อมูลย้อนหลังเป็นค่าประมาณที่ต้องแยกจากข้ออ้างเรื่องผลตอบแทนคาดหวัง
Beta / Factor loading · ความไวต่อปัจจัย
สัมประสิทธิ์ของผลตอบแทนปัจจัยในแบบจำลอง เช่น market beta 1.2 หมายถึงเส้นที่ fit มีความชัน 1.2 ค่านี้ไม่ใช่น้ำหนักเงินจริงโดยอัตโนมัติ และ beta ศูนย์ยังอยู่ร่วมกับความเสี่ยงเฉพาะตัวได้
Alpha · ค่าคงที่ของแบบจำลองผลตอบแทน
Intercept ที่เหลือหลังใช้ปัจจัยที่เลือกอธิบายผลตอบแทนส่วนเกิน หน่วยตรงกับความถี่ข้อมูล ค่า alpha เปลี่ยนได้เมื่อเปลี่ยนแบบจำลอง ช่วงเวลา หรือข้อมูล และค่าบวกยังไม่ยืนยันฝีมือผู้จัดการ
SMB · Small Minus Big
ผลตอบแทนพอร์ตหุ้นเล็กลบพอร์ตหุ้นใหญ่ตามกฎสร้างปัจจัยของ Fama–French เป็น factor spread ค่า loading บวกสื่อความไวต่อ size factor ในแบบจำลอง ไม่ใช่สัดส่วนหุ้นเล็กโดยตรง
HML · High Minus Low
ผลตอบแทนพอร์ตที่ book-to-market สูงลบพอร์ตที่อัตราส่วนต่ำตามกฎ Fama–French ใช้แทน value factor; high/low ในชื่อนี้ไม่ได้หมายถึงราคาหุ้นต่อหน่วยสูงหรือต่ำ
Returns-based style analysis · การประมาณสไตล์จากผลตอบแทน
หาส่วนผสมดัชนีที่อธิบายผลตอบแทนกองทุนภายใต้ข้อจำกัดน้ำหนัก เช่น long-only และรวมหนึ่ง ต้องระบุ objective และการใส่ intercept ผล fit เป็น benchmark ทางสถิติ ไม่ใช่รายชื่อ holdings ที่ตรวจพบจริง
Tracking Error · ความผันผวนของผลต่างจาก Benchmark
โดย convention ที่บทเรียนระบุ คือ SD ของ active return ในความถี่เดียวกัน บางโค้ดใช้ชื่อนี้กับรากผลรวม residual ยกกำลังสอง จึงต้องตรวจสูตรและหน่วยก่อนเทียบผล
Smart beta · กฎเลือกหุ้นและให้น้ำหนักที่ปรับจาก Cap Weight
กลุ่มแนวทางสร้างพอร์ตตามกฎเพื่อให้ได้ exposure หรือการกระจายน้ำหนักที่ต้องการ ไม่มีสูตรเดียวที่ใช้กับทุกดัชนี ต้องตรวจการเลือกหุ้น น้ำหนัก เวลาใช้ข้อมูล และต้นทุนของแต่ละกฎ
การประมาณความเสี่ยง
Sample covariance · Covariance จากตัวอย่าง
ค่าที่คำนวณจากผลคูณของผลตอบแทนที่ลบค่าเฉลี่ยแล้ว บทเรียนใช้ข้อมูลครบทุกสินทรัพย์ในงวดเดียวกันและหารด้วยจำนวนงวดลบหนึ่ง ค่านี้ยังมีความคลาดเคลื่อนจากข้อมูลที่นำมาประมาณ
Rank · จำนวนทิศทางอิสระของ Matrix
จำนวนคอลัมน์อิสระที่ matrix มีอยู่จริง สำหรับผลตอบแทน N สินทรัพย์ที่มี T งวด หลังลบค่าเฉลี่ย sample covariance มี rank ไม่เกิน min(N, T−1) ถ้า rank ต่ำกว่า N จะหา inverse ตามปกติไม่ได้
Positive semidefinite · PSD
คุณสมบัติที่ทำให้ผลคูณ wᵀΣw ไม่ติดลบสำหรับเวกเตอร์ w ทุกค่า ซึ่งจำเป็นสำหรับ matrix ที่ใช้เป็น covariance ถ้าเป็นบวกเสมอสำหรับ w ที่ไม่ใช่ศูนย์ เรียก positive definite หรือ PD และมี inverse
Covariance shrinkage · การดึงค่าประมาณเข้าหา Target
การผสม sample covariance S กับ matrix เป้าหมาย F เช่น δF + (1−δ)S เมื่อ δ อยู่ระหว่างศูนย์กับหนึ่ง ลดการพึ่งค่าจากตัวอย่างเพียงชุดเดียว แต่ต้องยอมรับความคลาดเคลื่อนที่โครงสร้าง target อาจสร้างขึ้น
Constant-correlation target · Target ที่ใช้ Correlation ร่วมค่าเดียว
Covariance matrix ที่คง variance ของแต่ละสินทรัพย์ไว้ แต่แทน correlation ระหว่างสินทรัพย์ต่างคู่ด้วยค่าเฉลี่ยร่วมค่าเดียว คำว่า constant ในที่นี้หมายถึงเหมือนกันทุกคู่ภายใน matrix นั้น; ค่าเฉลี่ยยังเปลี่ยนได้เมื่อเลื่อนช่วงข้อมูล
Volatility clustering · ความผันผวนที่รวมตัวเป็นช่วง
ลักษณะที่ช่วงผลตอบแทนแกว่งมากมักตามด้วยช่วงที่แกว่งมาก และช่วงสงบมักตามด้วยช่วงสงบ เป็นเรื่องขนาดการเปลี่ยนแปลง ไม่ได้บอกเครื่องหมายผลตอบแทนงวดหน้า
GARCH · Generalized Autoregressive Conditional Heteroskedasticity
แบบจำลอง variance ที่มีเงื่อนไขจากข้อมูลที่ผ่านมา ใน GARCH(1,1) ค่าของงวดหน้าขึ้นกับค่าคงที่ shock ล่าสุดยกกำลังสอง และ variance ปัจจุบัน ต้องแยกพารามิเตอร์ที่ตั้งเพื่อสาธิตออกจากพารามิเตอร์ที่ประมาณจากข้อมูลจริง
ค่าคาดหวังและมุมมองผลตอบแทน
Expected return · ผลตอบแทนคาดหวัง
ค่าเฉลี่ยของผลตอบแทนภายใต้การแจกแจงและข้อมูลที่กำหนด ต้องระบุช่วงเวลาและว่าเป็น total หรือ excess return ค่าเฉลี่ยจากอดีตเป็นตัวประมาณหนึ่งซึ่งอาจห่างจากค่าเฉลี่ยในอนาคต
Standard Error · ความผันผวนของตัวประมาณ
SD ของตัวประมาณเมื่อสุ่มข้อมูลซ้ำ เช่น Standard Error ของ sample mean ประมาณด้วย s/√T ภายใต้ข้อมูลอิสระจากการแจกแจงเดียวกัน เป็นความไม่แน่นอนของค่าเฉลี่ยที่ประมาณ ไม่ใช่ SD ของผลตอบแทนเดือนหน้า
Mean shrinkage · การดึงค่าเฉลี่ยเข้าหา Target
การผสมค่าเฉลี่ยจากตัวอย่างกับค่าตั้งต้นที่กำหนด เช่น ค่าเฉลี่ยรวมของสินทรัพย์ เพื่อลดการพึ่งตัวเลขที่ประมาณแยกจากข้อมูลสั้น ๆ ต้องระบุ target และกฎให้น้ำหนัก เพราะโครงสร้างที่เลือกยังอาจสร้าง bias ได้
Prior · การแจกแจงก่อนรวมข้อมูลหรือ Views ชุดใหม่
การระบุสิ่งที่แบบจำลองเชื่อเกี่ยวกับพารามิเตอร์ก่อนรับข้อมูลเพิ่มเติม ใน Black–Litterman ระบุทั้งค่ากลางของ expected returns และ covariance ของความไม่แน่นอนรอบค่ากลางนั้น
Posterior · การแจกแจงหลังรวมข้อมูลหรือ Views
ผลการปรับ prior ด้วยข้อมูลเพิ่มเติมและแบบจำลองความคลาดเคลื่อนของข้อมูลนั้น Posterior mean เป็นค่ากลางใหม่ ส่วน posterior covariance ของค่าเฉลี่ยยังต่างจาก covariance ที่ใช้พยากรณ์ผลตอบแทน
Implied returns · ผลตอบแทนที่ย้อนหาได้จากพอร์ตและแบบจำลอง
Expected returns ที่ทำให้น้ำหนักอ้างอิงสอดคล้องกับเงื่อนไขความเหมาะสมในโจทย์ที่กำหนด สูตร Π = δΣw ต้องระบุ covariance, risk aversion และข้อจำกัดพอร์ต น้ำหนักเพียงอย่างเดียวไม่ได้ระบุ expected returns ได้เป็นชุดเดียว
Active views · มุมมองเพิ่มเติมต่อผลตอบแทน
ข้อสมมติเรื่อง expected returns ที่ต้องการรวมเข้ากับ prior เช่น ค่าคาดหวังของสินทรัพย์หนึ่งตัว หรือผลต่างของพอร์ตสองชุด เมทริกซ์ P ระบุส่วนผสมสินทรัพย์ และ Q ระบุค่าของมุมมองในหน่วยเวลาที่ตรงกัน
View uncertainty · ความไม่แน่นอนของมุมมอง
Covariance matrix Ω ของความคลาดเคลื่อนใน views แนวทแยงเป็น variance และช่องนอกแนวทแยงบอกความสัมพันธ์ของความคลาดเคลื่อน ไม่ใช่โอกาสที่ราคาจะขึ้น และไม่จำเป็นต้องเท่ากับความเสี่ยงของพอร์ตที่ปรากฏใน view
Black–Litterman · การรวม Prior กับ Views ของผลตอบแทน
กรอบประมาณ expected returns ที่ผสมค่าตั้งต้นกับมุมมองเพิ่มเติมตามความไม่แน่นอนที่ระบุ ผลลัพธ์ขึ้นกับ prior, covariance, views และความเชื่อมั่น การเปลี่ยนข้อมูลเข้าหรือข้อจำกัดพอร์ตยังเปลี่ยนคำตอบได้
การกระจายพอร์ตและส่วนแบ่งความเสี่ยง
Effective Number of Constituents · ENC
ค่ากลับของผลรวมน้ำหนักยกกำลังสอง 1/Σw² สำหรับพอร์ต long-only ที่น้ำหนักรวมหนึ่ง มีค่าตั้งแต่ 1 ถึงจำนวนสินทรัพย์ ใช้อ่านการกระจุกตัวของเงิน จำนวนชื่อที่มากขึ้นไม่ได้รับรองว่ามีแหล่งความเสี่ยงอิสระมากขึ้น
Diversification ratio · DR
อัตราส่วนระหว่างผลรวมถ่วงน้ำหนักของ SD รายสินทรัพย์กับ SD ของพอร์ตรวม เป็นเกณฑ์ด้านการกระจายความผันผวนภายใต้ covariance ที่เลือก และไม่ใช่ผลตอบแทนที่พอร์ตจะได้รับ
Maximum decorrelation · ลดความสัมพันธ์ตามเกณฑ์ที่กำหนด
ในบทนี้หมายถึงการลด wᵀCorr w ภายใต้ long-only และน้ำหนักรวมหนึ่ง โดยใช้ correlation matrix แทน covariance ถ้า SD ต่างกัน น้ำหนักที่ได้ต่างจาก GMV และ Maximum DR ได้
Risk contribution · ส่วนของความเสี่ยงที่จัดสรรให้สินทรัพย์
การแยกค่าความเสี่ยงของพอร์ตออกเป็นส่วนของแต่ละสินทรัพย์ตามกฎที่ระบุ ต้องบอกว่าใช้ variance, volatility หรือสัดส่วนของค่ารวมนั้น เพราะหน่วยและตัวเลขไม่เหมือนกัน
Marginal risk · ความเสี่ยงที่เปลี่ยนต่อการเพิ่ม exposure
อนุพันธ์ของความเสี่ยงพอร์ตตาม exposure ของสินทรัพย์หนึ่งตัวโดยตรึงตัวอื่น สำหรับ volatility เป็น (Σw)ᵢ/σₚ หากย้ายเงินจากสินทรัพย์หนึ่งไปอีกตัว ต้องหาผลต่างของ marginal risks ของสองตัวนั้น
Component risk · ส่วนจัดสรรตาม Euler
สำหรับ volatility คำนวณ wᵢ(Σw)ᵢ/σₚ ผลรวมทุกสินทรัพย์เท่ากับ σₚ เมื่อ σₚ มากกว่าศูนย์ ส่วนจัดสรรอาจติดลบจากผลการหักล้างความเสี่ยง ไม่ใช่ค่าความน่าจะเป็น
Risk budget · สัดส่วนความเสี่ยงเป้าหมาย
กำหนดส่วนแบ่งของความเสี่ยงรวมที่ต้องการให้แต่ละสินทรัพย์รับ เช่น 40/30/20/10 แล้วแก้หาน้ำหนักเงินที่ให้ส่วนแบ่งตามนั้นภายใต้ covariance และข้อจำกัดที่ระบุ งบความเสี่ยงไม่ใช่น้ำหนักเงิน
Risk parity · การทำส่วนแบ่งความเสี่ยงให้เท่ากัน
ในบทนี้หมายถึง Equal Risk Contribution ของสินทรัพย์ตาม volatility covariance ที่เลือก ทุกตัวมี relative contribution เท่ากับ 1/N การแบ่งเงินเท่ากันหรือถือ inverse-volatility ไม่ได้ให้เงื่อนไขนี้ใน covariance ทั่วไป
Inverse volatility · น้ำหนักผกผันกับ SD
ให้น้ำหนักตาม 1/σᵢ แล้วหารให้รวมหนึ่ง ใช้เฉพาะ SD รายตัวและไม่ใช้ correlation ในการเลือกน้ำหนัก ให้ ERC ได้ภายใต้เงื่อนไขบางกรณี เช่นสองสินทรัพย์ที่ไม่มีการหักล้างจนความเสี่ยงพอร์ตเป็นศูนย์
Effective number of risk contributions · การกระจุกตัวของส่วนแบ่งความเสี่ยง
ถ้า relative risk contributions pᵢ ไม่ติดลบและรวมหนึ่ง ค่ากลับ 1/Σpᵢ² ใช้อ่านว่าความเสี่ยงกระจุกอยู่กี่ส่วนโดยเทียบกับกรณีส่วนเท่ากัน ต้องระบุฐานสินทรัพย์หรือ factors ที่ใช้ และไม่ถือว่าเท่ากับจำนวนปัจจัยอิสระโดยอัตโนมัติ
Machine Learning และภาวะตลาด
Feature · ตัวแปรที่ใช้เป็นข้อมูลเข้า
ข้อมูลที่โมเดลใช้สร้างคำพยากรณ์ เช่น ผลตอบแทนล่าสุดหรือความผันผวนย้อนหลัง ต้องมีอยู่จริง ณ เวลาตัดสินใจ หน่วยและเวลาพร้อมใช้เป็นส่วนหนึ่งของนิยาม ไม่ใช่เพียงชื่อคอลัมน์
Target / Label · คำตอบที่ต้องการเรียนรู้
ค่าที่ให้โมเดลเรียนรู้หรือใช้ตรวจคำพยากรณ์ อาจเป็นตัวเลขหรือหมวดหมู่ ต้องระบุช่วงเวลาที่คำตอบอธิบายและวันที่รู้คำตอบ เช่น ผลตอบแทนเดือนหน้าไม่พร้อมใช้ในวันนี้
Supervised learning · เรียนจากตัวอย่างที่มีคำตอบ
การเรียนความสัมพันธ์จากข้อมูลเข้าคู่กับคำตอบ ตัวอย่างที่ใช้ฝึกต้องมีคำตอบพร้อมใช้แล้ว ส่วนคำตอบของชุดทดสอบใช้ประเมินหลังออกคำพยากรณ์
Unsupervised learning · เรียนโครงสร้างของข้อมูล
วิธีค้นรูปแบบโดยไม่มี target ที่กำหนดให้ เช่น PCA หรือ clustering การไม่มี target ไม่ได้แปลว่าใช้ข้อมูลอนาคตฝึกก่อนการตัดสินใจได้
Regression · พยากรณ์ตัวเลข
โจทย์ supervised learning ที่คำตอบเป็นค่าตัวเลข เช่น ผลตอบแทนเดือนหน้า ต้องเลือก loss และ baseline ที่สอดคล้องกับหน่วยและวัตถุประสงค์
Classification · จำแนกประเภท
โจทย์พยากรณ์หมวดหมู่ เช่น เกิดเหตุการณ์หรือไม่เกิด หลายโมเดลให้ probability ก่อนนำไปเทียบ threshold การเลือก threshold จึงเป็นขั้นตอนแยกจากการประมาณ probability
Training set · ชุดฝึก
ข้อมูลที่อนุญาตให้ใช้ประมาณพารามิเตอร์ของโมเดล รวมถึง preprocessing เช่นค่าเฉลี่ยที่ใช้ปรับสเกล สำหรับการพยากรณ์ตามเวลา คำตอบของแต่ละแถวต้องประกาศแล้ว ณ วันฝึก
Validation set · ชุดเลือกแบบจำลอง
ข้อมูลที่ใช้เปรียบเทียบโมเดล ค่า hyperparameters หรือกฎตัดสินใจ แยกจากชุดฝึกและ final test เพราะคะแนนที่ใช้เลือกย่อมมีผลต่อวิธีที่เลือก
Test set · ชุดประเมินที่กันไว้
ข้อมูลที่ใช้ประเมินกระบวนการหลังตรึงวิธีเลือกโมเดลแล้ว หากนำผลไปปรับวิธีซ้ำ ชุดนั้นจะกลายเป็นส่วนหนึ่งของการเลือก ควรมีข้อมูลใหม่สำหรับประเมินครั้งถัดไป
Overfitting · เรียนรายละเอียดเฉพาะชุดฝึกมากเกินไป
สถานการณ์ที่โมเดลจับ noise หรือรายละเอียดของตัวอย่างจนผลบนข้อมูลฝึกดูดี แต่ไม่คงคุณภาพบนข้อมูลใหม่ การเพิ่มความซับซ้อนไม่ได้รับรองการพยากรณ์ที่ดีขึ้น
Data leakage · ข้อมูลที่ไม่ควรรู้รั่วเข้าสู่กระบวนการ
การใช้ข้อมูลที่ยังไม่พร้อมหรือไม่ควรใช้ในขั้นฝึกและเลือกโมเดล เช่น fit scaler จากทั้งไฟล์ ใช้ label ที่ประกาศภายหลัง หรือคัด features จากคะแนน final test
Cross-validation · ตรวจหลายส่วนของข้อมูล
การแบ่งข้อมูลเพื่อฝึกและประเมินหลายรอบตามกฎที่กำหนด อนุกรมเวลาควรคงลำดับอดีตก่อนอนาคต และเว้นข้อมูลที่ target ยังไม่ครบหรือยังไม่ประกาศ
Log loss · ค่าความผิดพลาดของ Probability แบบลอการิทึม
สำหรับ binary event คือค่าเฉลี่ยของ −[y log(p)+(1−y) log(1−p)] ให้ค่าปรับสูงเมื่อมั่นใจผิด คะแนนต่ำดีกว่าภายใต้เกณฑ์นี้ และต้องแยกจาก accuracy ที่ใช้ threshold
Confusion matrix · ตารางคำตอบจริงกับคำตอบที่ทาย
นับกรณีทายถูกและผิดแยกตามประเภท ช่วยอ่าน false positive และ false negative ต้องระบุลำดับแถว คอลัมน์ และ class ที่ถือเป็นเหตุการณ์เสมอ
K-nearest neighbors · เรียนจากเพื่อนบ้านใกล้ที่สุด
ใช้คำตอบของข้อมูลฝึกที่อยู่ใกล้จุดใหม่ที่สุด K จุดมาประมาณคำตอบ ความหมายของระยะทาง สเกล feature และค่า K มีผลต่อผลลัพธ์
Standardization · ปรับด้วยค่าเฉลี่ยและ SD
แปลง feature ด้วย (x−mean)/SD เพื่อเปลี่ยนสเกล ค่าที่ใช้แปลงต้องเรียนจากชุดฝึกของรอบนั้นแล้วนำไปใช้กับชุดถัดไป การปรับสเกลไม่ได้ทำให้ตัวแปรเป็น Normal หรือเป็นอิสระ
Ensemble learning · รวมหลายแบบจำลอง
รวมคำพยากรณ์จากตัวเรียนรู้หลายตัว เช่น เฉลี่ย probability หรือใช้ Forest/Boosting ซึ่งมีกระบวนการสร้างต่างกัน ผลที่รวมไม่จำเป็นต้องดีกว่าสมาชิกทุกตัว
Regularization · จำกัดความซับซ้อนระหว่างฝึก
เพิ่ม penalty หรือข้อจำกัดเพื่อลดความไวของค่าประมาณ โดยยอมแลกกับ bias ที่อาจเพิ่มขึ้น ผลต่อข้อมูลใหม่ต้องประเมินแยก
Ridge regression · ลงโทษผลรวม Coefficient ยกกำลังสอง
ใช้ squared L2 penalty หด coefficients โดยทั่วไปไม่ทำให้เป็นศูนย์พอดี ค่าความแรงขึ้นกับ convention ของ loss และ penalty จึงต้องตรวจสูตรเมื่อเปลี่ยนเครื่องมือ
Lasso · ลงโทษผลรวมค่าสัมบูรณ์
ใช้ L1 penalty และอาจทำให้ coefficients บางตัวเป็นศูนย์ ไม่ใช่การนับจำนวนตัวแปรโดยตรง การเลือกในกลุ่ม feature ที่สัมพันธ์กันอาจไม่เสถียร
Elastic Net · ผสม L1 และ Squared L2
ใช้ทั้ง penalty แบบ Lasso และ Ridge โดยมีค่าควบคุมความแรงรวมและสัดส่วนผสม ช่วยจัดรูปแบบการหด coefficients แต่ไม่ได้รับประกันว่าเหนือกว่าวิธีอื่นในข้อมูลใหม่
Multicollinearity · ตัวแปรอธิบายซ้ำกันเชิงเส้น
บางคอลัมน์อธิบายได้ด้วยชุดผสมเชิงเส้นของคอลัมน์อื่นหรือใกล้เคียงมาก ทำให้แยก coefficients รายตัวได้ยาก ความสัมพันธ์สูงทั้งบวกและลบก่อปัญหาได้
Hyperparameter · ค่าที่กำหนดวิธีฝึก
ค่าที่ตั้งก่อนประมาณพารามิเตอร์ เช่น K ของ KNN หรือ penalty ของ Ridge ควรเลือกด้วย validation ที่เหมาะสม ไม่ใช้ final test เป็นตัวเลือก
Pipeline · ลำดับการแปลงข้อมูลและฝึกโมเดล
รวม preprocessing กับ estimator ให้ fit บนข้อมูลฝึกชุดเดียวกันภายในแต่ละ fold ช่วยลดการเผลอปรับสเกลหรือเลือก feature จากข้อมูล validation
Principal Component Analysis · PCA
สร้างแกนตั้งฉากที่เรียงตาม variance ของข้อมูลที่ center แล้ว PCA บน covariance กับ correlation ให้ความหมายต่างกัน ส่วนแบ่ง variance ของข้อมูลไม่เท่ากับส่วนแบ่งความเสี่ยงของพอร์ตทุกน้ำหนัก
Asset clustering · จัดกลุ่มสินทรัพย์
แบ่งสินทรัพย์ตามความคล้ายกันภายใต้ feature และระยะทางที่เลือก กลุ่มที่ได้ขึ้นกับช่วงข้อมูลและวิธี ไม่ใช่หมวดหมู่ทางเศรษฐกิจที่แน่นอนหรือกฎเลือกน้ำหนักพอร์ตสำเร็จรูป
Partial correlation · ความสัมพันธ์หลังปรับตัวแปรอื่น
วัดความสัมพันธ์เชิงเส้นส่วนที่เหลือหลังหักความสัมพันธ์กับตัวแปรที่กำหนด สำหรับ multivariate Gaussian ค่า precision นอกแนวทแยงเป็นศูนย์เชื่อมกับ conditional independence แต่โดยทั่วไปไม่ใช่หลักฐานเชิงเหตุและผล
Brier score · Squared error ของ Probability
ในโจทย์ binary คือค่าเฉลี่ย (p−y)² มีช่วง 0 ถึง 1 และยิ่งต่ำยิ่งดี บางแหล่งนิยาม QPS เป็นสองเท่าของค่านี้ ต้องดูสูตรก่อนเปรียบเทียบ
Probability calibration · ความสอดคล้องของโอกาสกับความถี่
ตรวจว่ากลุ่มคำพยากรณ์ที่ให้ probability ใกล้กันมีอัตราเกิดเหตุการณ์ใกล้ probability นั้นหรือไม่ ต้องประเมินนอกข้อมูลที่ใช้ปรับ probability และคำนึงถึงจำนวนตัวอย่างในแต่ละกลุ่ม
Market regime · ภาวะตลาดในแบบจำลอง
สถานะที่กำหนดให้ผลตอบแทนหรือความเสี่ยงมีลักษณะใกล้กันภายในช่วง เช่น ภาวะปกติและตึงเครียด นิยามจากตลาดหุ้นไม่จำเป็นต้องตรงกับภาวะถดถอยทางเศรษฐกิจ
Transition matrix · ความน่าจะเป็นเปลี่ยนสถานะ
ตารางที่ระบุโอกาสจากสถานะปัจจุบันไปสถานะถัดไป ต้องระบุแถว/คอลัมน์และระยะเวลาหนึ่งช่วงให้ชัด เช่น ตารางรายเดือนไม่ควรถูกใช้เป็นรายปีโดยตรง
Trend filtering · ประมาณแนวโน้มด้วย Penalty
หาค่าที่สมดุลระหว่างการ fit ข้อมูลกับการจำกัดความเปลี่ยนแปลง First-difference L1 ให้เส้นคงที่เป็นช่วง ส่วน second-difference L1 ให้เส้นตรงเป็นช่วง การใช้ทั้งประวัติอาจนำอนาคตมาแก้ค่าช่วงอดีต
Scenario probability · น้ำหนักความน่าจะเป็นของสถานการณ์
โอกาสที่กำหนดให้แต่ละสถานการณ์ ต้องไม่ติดลบและรวมหนึ่ง ใช้คำนวณค่าเฉลี่ย ความเสี่ยง และ loss ของพอร์ตภายใต้ชุดสถานการณ์ที่ระบุ