Factor Risk Exposure และ Beta Hedging

ท่ามกลางการเคลื่อนไหวที่ซับซ้อนของตลาดการเงิน การเข้าใจสิ่งที่ขับเคลื่อนความเสี่ยง ถือเป็นสิ่งจำเป็นสำหรับนักลงทุนที่ต้องการฝ่าคลื่นความผันผวน และสร้างสมดุลระยะยาวให้กับพอร์ตการลงทุนของตนอย่างมั่นคง

หนึ่งในการประยุกต์ใช้แบบจำลองเชิงปัจจัยในโลกการลงทุนคือการบริหารความเสี่ยง วิธีการทดสอบความเสี่ยงอย่าง Factor Risk Exposure และป้องกันความเสี่ยงเมื่อปัจจัยใด้มีค่าเกินกว่าที่เรารับได้ Beta Hedging ซึ่งช่วยให้พอร์ตการลงทุนของเราสามารถทนทานต่อภูมิทัศน์ของตลาดการเงินในปัจจุบันมีความซับซ้อนมากกว่าการกระจายความเสี่ยงแบบดั้งเดิมที่เน้นเพียงการกระจายในหลากหลายสินทรัพย์อาจไม่เพียงพออีกต่อไป จำเป็นต้องมีการวิเคราะห์เชิงลึกถึงปัจจัยความเสี่ยงพื้นฐานที่มีอิทธิพลต่อผลการดำเนินงานของสินทรัพย์ต่าง ๆ เพื่อให้สามารถออกแบบพอร์ตและบริหารความเสี่ยงได้อย่างละเอียดและมีประสิทธิภาพยิ่งขึ้น

ในขณะเดียวกัน Beta Hedging ซึ่งเป็นกลยุทธ์ที่ใช้กันอย่างแพร่หลายในการบริหารความเสี่ยงเชิงระบบ (Systematic Risk) ก็ยังคงมีความสำคัญ แต่การนำไปใช้งานและประสิทธิภาพของกลยุทธ์นี้ควรพิจารณาในบริบทที่กว้างขึ้น ซึ่งรวมถึงปัจจัยความเสี่ยงที่มีปฏิสัมพันธ์กันหลายด้าน

การใช้แบบจำลองเชิงปัจจัยในการวัดความเสี่ยงของพอร์ตการลงทุน

เราสามารถใช้โมเดลปัจจัย (Factor Models) เพื่อวิเคราะห์แหล่งที่มาของความเสี่ยงและผลตอบแทนในพอร์ตการลงทุนได้ โดยโมเดลปัจจัยจะกำหนดผลตอบแทนเป็น:

โดยการจำลองผลตอบแทนในอดีต เราจะสามารถดูได้ว่าผลตอบแทนนั้นมาจากการเก็งกำไรในปัจจัยใดบ้าง และมาจากความผันผวนเฉพาะของสินทรัพย์ (ϵp) มากน้อยเพียงใด นอกจากนี้ เรายังสามารถดูแหล่งที่มาของความเสี่ยงที่พอร์ตเผชิญอยู่ได้ด้วย

ในการวิเคราะห์ความเสี่ยง เรามักจะใช้ผลตอบแทนแบบ Active (ผลตอบแทนเทียบกับ Benchmark) และ Active Risk (ส่วนเบี่ยงเบนมาตรฐานของผลตอบแทนแบบ Active หรือที่เรียกว่า Tracking Error หรือ Tracking Risk)

ตัวอย่างเช่น เราสามารถหาค่าการมีส่วนร่วมส่วนเกิน(Marginal Risk)ของปัจจัยหนึ่งต่อ Active Risk ยกกำลังสอง (FMCAR) ได้ สำหรับปัจจัย j ค่า FMCAR จะเป็น:

โดยที่ bi​ คือค่า Active Exposure ของพอร์ตต่อปัจจัย i ซึ่งบอกให้เราทราบว่าเรามีความเสี่ยงมากแค่ไหนจากการเผชิญกับปัจจัย j โดยที่เรายังมีความเสี่ยงจากปัจจัยอื่นๆ อยู่แล้ว โดยมาก Factor Models มักใช้ในการประเมินพอร์ตลงทุน เนื่องจากเกี่ยวข้องโดยตรงกับทางเลือกในการลงทุน

ในบทความเรื่องทฤษฎีการกำหนดราคาด้วยอาร์บิทราจ(Arbitrage Pricing Theory) เราได้กล่าวไว้ว่าสำหรับโมเดลที่ใช้ในการพยากรณ์ (Predictive Models) คุณควรใช้พารามิเตอร์ให้น้อยที่สุดเพื่อหลีกเลี่ยงการฟิตข้อมูลมากเกินไป (Overfitting) อย่างไรก็ตามในการหา Factor Risk Exposure แทนที่จะพยายามหลีกเลี่ยงการฟิตข้อมูล เรากลับต้องการค้นหาปัจจัยความเสี่ยงทุกชนิดที่อาจมีผลต่อผลตอบแทนของคุณ ดังนั้น การประมาณค่าการเผชิญความเสี่ยงต่อปัจจัยจำนวนมากจึงถือว่าปลอดภัยกว่า เพื่อดูว่ามีปัจจัยใดบ้างที่มีผลกระทบอย่างมีนัยสำคัญ หากยังมีผลตอบแทนบางส่วนเหลืออยู่ที่ไม่สามารถอธิบายได้จากปัจจัยที่เลือกไว้ นั่นคือ "ความเสี่ยงที่ยังไม่สามารถอธิบายได้" (Unexplained Risk Exposure)

เป้าหมายคือให้ผลตอบแทนของกลยุทธ์เป็น "อัลฟา" (Alpha) ทั้งหมด — กล่าวคือ ไม่สามารถอธิบายได้ด้วยปัจจัยเสี่ยงใดๆ หากคุณสามารถแสดงได้ว่าผลตอบแทนในอดีตของคุณแทบไม่มีความสัมพันธ์กับปัจจัยจำนวนมาก นั่นถือเป็นพอร์ตการลงทุนที่ดีมากๆ

Factor และ Tracking portfolios

เมื่อพูดถึง Factor Risk Exposure เรามักจะพูดพอร์ตการลงทุนอีกสองพอร์ตคือ Factor Portfolio และ Tracking Portfolio โดยปรับ Sensitivity ของพอร์ตลงทุนให้สอดคล้องกับแหล่งความเสี่ยงต่างๆ ได้ Factor Portfolio คือพอร์ตที่มีความไวต่อปัจจัยที่เราสนใจเท่ากับ 1 และมีความไวต่อปัจจัยอื่นๆ เท่ากับ 0 กล่าวคือพอร์ตการลงทุนนั้นสะท้อนถึงความเสี่ยงของปัจจัยที่เราสนใจเพียงปัจจัยเดียว เราสามารถเพิ่มพอร์ตปัจจัยเข้าไปในพอร์ตใหญ่เพื่อปรับระดับการเผชิญกับปัจจัยนั้นได้

ส่วน Tracking Portfolio ซึ่งถูกสร้างขึ้นมาให้มีความไวต่อปัจจัยเหมือนกับดัชนีชี้วัด(Benchmark) หรือพอร์ตอื่นๆ โดยพอร์ตแบบนี้ช่วยให้เราสามารถเก็งกำไรหรือป้องกันความเสี่ยง (Hedge) ที่เกี่ยวข้องกับดัชนีหรือพอร์ตอ้างอิงได้ ตัวอย่างเช่น เรามักป้องกันความเสี่ยงจากตลาด เพราะเราสนใจว่าพอร์ตของเราทำผลงานได้ดีแค่ไหนเมื่อเทียบกับตลาด และไม่ต้องการรับผลกระทบจากความผันผวนของตลาดโดยตรง

เพื่อสร้าง Factor Portfolio หรือTracking Portfolio  เราต้องรู้ค่าความไวต่อปัจจัยที่เราสนใจ ถ้าเราทราบค่าความไวอยู่แล้ว แต่สำหรับ Tracking Portfolio เราต้องคำนวณค่าความไวเหล่านี้ด้วยวิธีการของโมเดลปัจจัยตามปกติ จากนั้นเราจะเลือกสินทรัพย์จำนวนหนึ่ง (โดยปกติเท่ากับจำนวนปัจจัยที่เรากำลังพิจารณา) และแก้สมการหาน้ำหนักของสินทรัพย์แต่ละตัวในพอร์ต

Systematic vs. Idiosyncratic Risk

ทฤษฎีพอร์ตการลงทุนสมัยใหม่ (Modern Portfolio Theory) แบ่งความเสี่ยงออกเป็น 2 ประเภทหลัก คือ ความเสี่ยงที่เป็นระบบ(Systematic Risk) ที่กระทบกับหลักทรัพย์ทุกตัว และ ความเสี่ยงเฉพาะตัวของสินทรัพย์ (Idiosyncratic Risk)

แบบจำลองการกำหนดราคาสินทรัพย์ทุน (CAPM) เสนอแนวคิดว่า ผลตอบแทนส่วนเกินที่คาดหวังของสินทรัพย์เป็นสัดส่วนกับค่าเบต้า (Beta) ซึ่งวัดการเผชิญความเสี่ยงของสินทรัพย์ต่อความผันผวนของตลาดโดยรวม

ใน CAPM แหล่งของความผันผวนของผลตอบแทนมีเพียงสองประเภทคือ:

• ความเสี่ยงเชิงระบบ (Systematic Risk): ความเสี่ยงจากตลาดที่ไม่สามารถกระจายความเสี่ยงออกไปได้ นักลงทุนจึงต้องได้รับผลตอบแทนชดเชย

• ความเสี่ยงเฉพาะตัว (Idiosyncratic Risk): ความเสี่ยงที่เกี่ยวข้องกับสินทรัพย์รายตัว ซึ่งสามารถลดทอนได้ผ่านการกระจายการลงทุน และจึงไม่ให้ผลตอบแทนส่วนเกินในระยะยาว

ภายใต้ CAPM ผลตอบแทนของหุ้นตัวหนึ่งขึ้นอยู่กับการเคลื่อนไหวของตลาด (ผ่านเบต้า) บวกกับองค์ประกอบสุ่มเฉพาะบริษัท

การประยุกต์ใช้ Risk Exposure Models

เมื่อเราทราบว่าพอร์ตของเรามีความเสี่ยงจากปัจจัยใดบ้าง เราก็สามารถทำอะไรได้หลายอย่าง เช่น หลีกเลี่ยงการเปิดสถานะที่มีการเผชิญกับปัจจัยบางอย่างในระดับสูง หรือทำการเฮดจ์ (Hedge) เพื่อลดหรือทำให้ความเสี่ยงนั้นเป็นกลาง

การบริหารความเสี่ยง (Risk Management)

กองทุนมักจะมีระบบป้องกันไว้เหนือกลยุทธ์การลงทุนหรืออัลกอริทึมของตน โดยระบบนี้จะรับคำสั่งซื้อขายที่กองทุนต้องการดำเนินการ แล้วคำนวณระดับการเผชิญความเสี่ยงของพอร์ตใหม่ จากนั้นจะตรวจสอบว่าค่าที่ได้อยู่ในช่วงที่กำหนดไว้หรือไม่ หากไม่อยู่ในช่วงจะไม่สามารถส่งคำสั่งได้

Beta Hedging

อีกวิธีหนึ่งในการจัดการความเสี่ยงคือการทำเฮดจ์ ตัวอย่างเช่น คุณสามารถประเมินว่าพอร์ตของคุณมีการเผชิญกับแต่ละกลุ่มอุตสาหกรรมในตลาดมากแค่ไหน หากกลุ่มใดกลุ่มหนึ่งส่งผลกระทบต่อผลตอบแทนของคุณมากเกินไป คุณก็สามารถทำเฮดจ์เพื่อลดผลกระทบนั้นได้

ด้วยวิธีคล้ายกันแต่อาจซับซ้อนกว่าเล็กน้อยหากเราทราบว่าพอร์ตการลงทุนของเรา sennsitive ต่อปัจจัยใดเราสามารถลดปัจจัยนั้นลงโดยทั่วไปแล้ว เบต้า (Beta) สื่อถึงแนวคิดของระดับความเสี่ยงที่คุณเผชิญเมื่อถือครองสินทรัพย์หนึ่ง หากสินทรัพย์มีเบต้าเทียบกับ S&P 500 สูง หมายความว่ามันจะให้ผลตอบแทนดีมากในช่วงที่ตลาดขาขึ้น แต่จะให้ผลตอบแทนแย่มากในช่วงที่ตลาดขาลง กล่าวอีกนัยหนึ่ง เบต้าที่สูงหมายถึงความเสี่ยงเชิงเก็งกำไรสูง — คุณกำลังเดิมพันในสิ่งที่มีความผันผวนสูง

ในอุดมคติแล้วพอร์ตการลงทุนที่ดีไม่ควรมีค่าเบต้าต่อปัจจัยใดเลย ซึ่งหมายความว่าผลตอบแทนทั้งหมดในกลยุทธ์นั้นมาจากส่วนของอัลฟา (α\alphaα) และไม่ขึ้นอยู่กับปัจจัยภายนอกอื่นๆ กลยุทธ์ลักษณะนี้ถือว่ามีคุณค่ามาก เพราะสามารถทำกำไรได้ไม่ว่าจะอยู่ในภาวะวิกฤตหรือตลาดขาขึ้น

alpha/beta Tradeoff

การทำ Hedging กับดัชนีชี้วัด เช่น ตลาด จะทำให้ผลตอบแทนของคุณลดลงเมื่อภาวะตลาดไม่ได้แย่มาก ซึ่งก็ถือว่าเป็นเรื่องปกติ หากกลยุทธ์ของคุณมีความผันผวนต่ำ คุณจะสามารถใช้ Leverage กับกลยุทธ์นั้นได้ และคูณผลตอบแทนกลับขึ้นไปถึงระดับเดิม หรืออาจสูงกว่าเดิมได้ ที่สำคัญคือ ผลตอบแทนของคุณจะมีเสถียรมากกว่ากลยุทธ์ที่เสี่ยงและผันผวนแบบเบต้าสูง

แม้ว่ากลยุทธ์ที่มีเบต้าสูงจะดูน่าสนใจในช่วงตลาดขาขึ้นเพราะให้ผลตอบแทนสูงมาก แต่ในระยะยาวกลับล้มเหลว เพราะจะขาดทุนหนักเมื่อเกิดวิกฤตตลาด

Ref:

• MSCI Research, “Foundations of Factor Investing,” Dec. 2013 – Introduction and definitions of factors, CAPM vs. multi-factor models​

• Wharton Finance (J. Wachter), “Understanding the CAPM,” Lecture Notes – Diversification, systematic vs. idiosyncratic risk in portfolios​

• Macrosynergy, “How to estimate factor exposure, risk premia, and discount factors,” Jan. 2022 – Overview of factor models, regressions, and factor mimicking approaches​

• Two Sigma Venn, “Factor Investing & Analysis Guide,” 2021 – Distinction between macroeconomic and style factors; cross-asset factor perspective

• MSCI Barra, Factor Model Documentation – Description of factor portfolios and cross-sectional regression methods for factor returns​

• Investopedia, “How Do Delta Hedging and Beta Hedging Differ?” Sep. 2022 – Definition of beta hedging as reducing portfolio beta via offsetting positions​

• Meketa Investment Group, “Portable Alpha,” 2019 – Discussion of hedging beta via futures/swaps in portable alpha strategies​

• HedgeNordic, “Market Neutral Strategies – 2015 Report,” (Jonathan Furelid) – Introduction to equity market-neutral strategy and beta-neutral positioning​

• Research Affiliates, “Ignored Risks of Factor Investing,” 2019 – Analysis of factor drawdowns, correlations, and the necessity of long horizons​

• MSCI, “Factor Crowding Model,” 2018 – Warnings about crowded factor trades and risk of liquidity/drawdown events when crowding unwinds​

• Fama & French (1993), Carhart (1997) – Original academic papers identifying the size, value, and momentum factors (canonized via MSCI summary)​

• Black, Jensen & Scholes (1972), Haugen & Heins (1975) – Low-beta anomaly findings (cited in Research Affiliates)​

• Chen, Roll & Ross (1986) – Early empirical APT model with macro factors (referenced in MSCI)​

•