ข้อมูลเบื้องต้นเกี่ยวกับโมเดลหลายปัจจัย

ภาพรวม

การเคลื่อนไหวของราคาเป็นการเดินแบบสุ่มเสมอ ดังนั้นจึงไม่มีกลยุทธ์เชิงปริมาณใดที่สามารถครอบคลุมการเคลื่อนไหวของราคาทั้งหมดได้ กลยุทธ์เชิงปริมาณหรือการจัดสรรสินทรัพย์ที่แตกต่างกันนั้นเหมาะสมกับสภาวะตลาดที่แตกต่างกัน ตัวอย่างเช่น การเทรดแบบกริดนั้นเหมาะสมกับสภาวะตลาดที่ผันผวนมากกว่า บทความนี้มีวัตถุประสงค์เพื่อแนะนำรูปแบบการวิเคราะห์ที่หลากหลายมากขึ้นให้กับนักลงทุน เพื่อให้นักลงทุนมีทางเลือกและวิจารณญาณมากขึ้นในการเปลี่ยนแปลงแบบสุ่มในตลาด

รายงาน

ภาพรวม

การเคลื่อนไหวของราคาเป็นการเดินแบบสุ่มเสมอ ดังนั้นจึงไม่มีกลยุทธ์เชิงปริมาณใดที่สามารถครอบคลุมการเคลื่อนไหวของราคาทั้งหมดได้ กลยุทธ์เชิงปริมาณหรือการจัดสรรสินทรัพย์ที่แตกต่างกันนั้นเหมาะสมกับสภาวะตลาดที่แตกต่างกัน ตัวอย่างเช่น การเทรดแบบกริดนั้นเหมาะสมกับสภาวะตลาดที่ผันผวนมากกว่า บทความนี้มีวัตถุประสงค์เพื่อแนะนำรูปแบบการวิเคราะห์ที่หลากหลายมากขึ้นให้กับนักลงทุน เพื่อให้นักลงทุนมีทางเลือกและวิจารณญาณมากขึ้นในการเปลี่ยนแปลงแบบสุ่มในตลาด
รายงาน

• รู้เบื้องต้นเกี่ยวกับแบบจำลองหลายปัจจัย

• แบบจำลองหลายปัจจัยได้กลายเป็นวิธีการหลักในการลงทุน และมีประสิทธิภาพที่เหนือกว่าในการวัดและควบคุมความเสี่ยง

• ในการลงทุน ปัจจัยต่างๆ หมายถึง ลักษณะทั่วไปของผลตอบแทนของสินทรัพย์ต่างๆ นักลงทุนใช้โมเดลหลายปัจจัยในการสร้างพอร์ตสินทรัพย์ การจัดการพอร์ตโฟลิโอ การจัดการความเสี่ยง และการวิเคราะห์แหล่งที่มา เมื่อเปรียบเทียบกับโมเดลปัจจัยเดียว พลังอธิบายของโมเดลหลายปัจจัยนั้นแข็งแกร่งกว่าและยืดหยุ่นกว่า แบบจำลองหลายปัจจัยสามารถช่วยนักลงทุน:

• สร้างพอร์ตสินทรัพย์เพื่อติดตามดัชนีหรือลักษณะเฉพาะ

• ปรับความเสี่ยงของพอร์ตโฟลิโอตามประเภทความเสี่ยงที่ระบุ

• ระบุความเสี่ยงและผลตอบแทนในการจัดการการลงทุนที่ใช้งานอยู่

ทำความเข้าใจความเสี่ยงที่ครอบคลุมของสินทรัพย์ประเภทใหญ่ เช่น ตราสารทุนและตราสารหนี้

การตัดสินใจลงทุนที่ใช้งานอยู่ตามเกณฑ์มาตรฐานที่ระบุและวัดความสามารถของตลาดสำหรับการตัดสินใจนั้น

ตรวจสอบให้แน่ใจว่าความเสี่ยงและผลตอบแทนของพอร์ตสินทรัพย์ของนักลงทุนตรงกับต้นทุน

ที่มาของโมเดลหลายปัจจัย

ในปี 1952 Markowitz ได้เสนอกรอบการทำงานใหม่สำหรับการสร้างพอร์ตการลงทุนหลักทรัพย์ กรอบนี้พิจารณาผลตอบแทนและความเสี่ยงของหลักทรัพย์ต่าง ๆ อย่างครอบคลุม ซึ่งแตกต่างจากการจัดการหลักทรัพย์ต่าง ๆ แบบแยกกันในอดีต นี่คือทฤษฎี Modern Portfolio Theory (MPT) ที่รู้จักกันดี Markowitz ถือว่าผลตอบแทนของหลักทรัพย์ต่างๆ เป็นไปตามการแจกแจงแบบปกติ ข้อสรุปหลักของทฤษฎีคือ ตราบใดที่ความสัมพันธ์ระหว่างสินทรัพย์ทั้งสองที่ให้มาไม่เป็น 1 ความเสี่ยงสามารถกระจายได้โดยการจัดสรรสัดส่วนที่แตกต่างกัน ในปี 1964 Sharp ได้เปิดตัว Capital Asset Pricing Model (CAPM) ตามทฤษฎีความแปรปรวนเฉลี่ย ทฤษฎี CAPM และวรรณกรรมที่เกี่ยวข้องได้นำแนวคิดใหม่ๆ มาสู่นักลงทุน เช่น ความเสี่ยงอย่างเป็นระบบ ความเสี่ยงอย่างเป็นระบบเป็นกุญแจสำคัญในการทำความเข้าใจแบบจำลองหลายปัจจัย สินทรัพย์แต่ละประเภทมีความเสี่ยงประเภทต่างๆ กัน แต่ความเสี่ยงเหล่านี้มีความสำคัญไม่เท่ากัน ทฤษฎีนี้ถือว่าความเสี่ยงสามารถลดลงได้โดยการปรับสัดส่วนของสินทรัพย์ต่างๆ บนสมมติฐานว่าผลตอบแทนที่คาดว่าจะได้รับยังคงไม่เปลี่ยนแปลง อย่างไรก็ตาม ความเสี่ยงเชิงระบบไม่สามารถกระจายได้ ดังนั้นความเสี่ยงส่วนนี้จึงมีความต้องการผลตอบแทนที่สอดคล้องกัน ในทฤษฎี CAPM ความเสี่ยงอย่างเป็นระบบของสินทรัพย์คือฟังก์ชันที่เพิ่มขึ้นของค่าเบต้า ซึ่งจะวัดความไวของผลตอบแทนของสินทรัพย์ต่อผลตอบแทนของตลาด ตามทฤษฎี CAPM มูลค่าผลตอบแทนของสินทรัพย์มีความสัมพันธ์กับปัจจัยหนึ่ง นั่นคือ ผลตอบแทนของตลาด ยิ่งความเสี่ยงเชิงระบบสูง ค่าเบต้ายิ่งสูง และผลตอบแทนที่ต้องการก็จะยิ่งสูงขึ้น แต่ข้อมูลจำนวนมากแสดงให้เห็นว่าทฤษฎี CAPM ให้คำอธิบายที่ไม่สมบูรณ์ของความเสี่ยง การสร้างแบบจำลองผลตอบแทนของสินทรัพย์จะมีประสิทธิภาพมากขึ้นหากแบบจำลองคำนึงถึงความเสี่ยงอย่างเป็นระบบมากขึ้น ดังนั้นแบบจำลองหลายปัจจัยจึงถือกำเนิดขึ้น

ประเภทของโมเดลหลายปัจจัย
ตามประเภทของปัจจัยสามารถแบ่งออกเป็น 3 ประเภท

แบบจำลองปัจจัยมหภาค

ปัจจัยต่างๆ แสดงถึงการเปลี่ยนแปลงที่ไม่คาดคิดในตัวแปรทางเศรษฐกิจมหภาคซึ่งอาจส่งผลต่อผลตอบแทนอย่างมีนัยสำคัญ ยกตัวอย่างส่วนของผู้ถือหุ้น ข้อพิจารณาหลักคือปัจจัยที่ส่งผลต่อกระแสเงินสดในอนาคตและอัตราคิดลด ตัวอย่างเช่น อัตราดอกเบี้ย ความเสี่ยงด้านเงินเฟ้อ วัฏจักรธุรกิจ และส่วนต่างของสินเชื่อ

แบบจำลอง Macrofactor ถือว่าผลตอบแทนของปัจจัยขึ้นอยู่กับการเปลี่ยนแปลงที่ไม่คาดคิดในตัวแปรทางเศรษฐกิจมหภาคบางอย่าง เช่น อัตราเงินเฟ้อหรือผลผลิตจริง การเปลี่ยนแปลงที่ไม่คาดคิดถูกกำหนดให้เป็นความแตกต่างระหว่างค่าจริงและค่าที่คาดการณ์ การเปลี่ยนแปลงที่ไม่คาดคิดของปัจจัยคือส่วนประกอบของผลตอบแทนที่ไม่คาดคิดของปัจจัย และการเปลี่ยนแปลงที่ไม่คาดคิดของปัจจัยทั้งหมดประกอบขึ้นเป็นตัวแปรอิสระของแบบจำลอง ตัวอย่างเช่น ค่าความเสี่ยงของปัจจัยอัตราการเติบโตของ GDP เป็นบวก แต่ค่าความเสี่ยงพิเศษของปัจจัยอัตราเงินเฟ้อเป็นค่าลบ ดังนั้น หากความอ่อนไหวของสินทรัพย์ต่อปัจจัยอัตราเงินเฟ้อเป็นหลักฐาน เมื่ออัตราเงินเฟ้อเพิ่มขึ้น ผลตอบแทนที่คาดว่าจะได้รับจากสินทรัพย์จะลดลง และสินทรัพย์ประเภทนี้มีคุณสมบัติต้านเงินเฟ้อที่ดี

เมทริกซ์อัตราเงินเฟ้อและการเติบโตของจีดีพี

แบบจำลองปัจจัยพื้นฐาน

ปัจจัยหลักคือปัจจัยหลักที่อธิบายความแปรปรวนของหลักทรัพย์ ตัวอย่างเช่น อัตราส่วนหนังสือต่อตลาด คู่ อัตราส่วนราคาต่อกำไร และอัตราส่วนเลเวอเรจ

แบบจำลองปัจจัยทางสถิติ

โดยจัดทำสถิติผลการดำเนินงานย้อนหลังของหลักทรัพย์และแยกปัจจัยหลักที่มีผลต่อผลตอบแทน แบบจำลองทางสถิติปัจจัยหลัก ได้แก่ แบบจำลองการวิเคราะห์ปัจจัยและแบบจำลองการวิเคราะห์องค์ประกอบหลัก ในแบบจำลองการวิเคราะห์ปัจจัย ปัจจัยต่างๆ สามารถอธิบายความแปรปรวนร่วมของผลตอบแทนในอดีตได้อย่างเพียงพอ ในแบบจำลอง PCA ปัจจัยสามารถอธิบายความแปรปรวนของผลตอบแทนในอดีตได้อย่างเพียงพอ
ในหมู่พวกเขา การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นวิธีที่ใช้กันทั่วไปสำหรับการสร้างแบบจำลองปัจจัยทางสถิติ จุดประสงค์คือเพื่อค้นหาปัจจัยที่ไม่สัมพันธ์กัน และทำให้การส่งคืนค่าความปลอดภัยที่สังเกตได้สามารถอธิบายได้ดีโดยการรวมค่าส่งคืนปัจจัยเชิงเส้น สำหรับการผสมที่ซับซ้อนของหลักทรัพย์หลายตัว PCA สามารถลดขนาดและกรองสัญญาณรบกวนได้อย่างมีประสิทธิภาพ และแยกปัจจัยน้อยลงเพื่อดำเนินการถดถอยเชิงเส้น การวิเคราะห์องค์ประกอบหลักเป็นวิธีการทางสถิติสำหรับการลดขนาด โดยจะแปลงเวกเตอร์สุ่มดั้งเดิมซึ่งมีส่วนประกอบที่เกี่ยวข้องกันเป็นเวกเตอร์สุ่มใหม่ที่มีส่วนประกอบไม่สัมพันธ์กันโดยใช้การแปลงมุมฉาก ซึ่งแสดงทางพีชคณิตเป็นเวกเตอร์สุ่มดั้งเดิม เมทริกซ์ความแปรปรวนร่วมของ การแปลงจะถูกแปลงเป็นเมทริกซ์แนวทแยง ซึ่งแสดงทางเรขาคณิตโดยการแปลงระบบพิกัดเดิมให้เป็นระบบพิกัดตั้งฉากใหม่ ทำให้ชี้ไปที่ p ทิศทางมุมฉากที่จุดตัวอย่างกระจัดกระจายมากที่สุด และลดหลายมิติ ระบบตัวแปร การประมวลผลมิติเพื่อให้สามารถเปลี่ยนเป็นระบบตัวแปรมิติต่ำที่มีความแม่นยำสูงขึ้นจากนั้นระบบมิติต่ำสามารถเปลี่ยนเป็นระบบมิติเดียวโดยการสร้างฟังก์ชันค่าที่เหมาะสม
บทบาทหลักของการวิเคราะห์องค์ประกอบหลัก
1. การวิเคราะห์องค์ประกอบหลักช่วยลดมิติของพื้นที่ข้อมูลภายใต้การศึกษา นั่นคือ แทนที่สเปซ x มิติ p ด้วยสเปซ Y มิติ m (ม
2. บางครั้งความสัมพันธ์บางอย่างระหว่างตัวแปร X สามารถอธิบายได้ผ่านบทสรุปของปัจจัยที่โหลด aij

4. แบบจำลองการถดถอยถูกสร้างขึ้นโดยการวิเคราะห์องค์ประกอบหลัก นั่นคือ แต่ละองค์ประกอบหลักจะถูกใช้เป็นตัวแปรอิสระใหม่เพื่อแทนที่ตัวแปรอิสระเดิม x สำหรับการวิเคราะห์การถดถอย

บทสรุป

5. คัดกรองตัวแปรการถดถอยโดยใช้การวิเคราะห์องค์ประกอบหลัก การเลือกตัวแปรการถดถอยมีความสำคัญในทางปฏิบัติ เพื่อให้ตัวแบบง่ายต่อการวิเคราะห์โครงสร้าง การควบคุม และการคาดการณ์ ทางที่ดีควรเลือกตัวแปรที่ดีที่สุดจากชุดย่อยของตัวแปรดั้งเดิมเพื่อสร้างชุดตัวแปรที่ดีที่สุด การคัดกรองตัวแปรด้วยการวิเคราะห์องค์ประกอบหลักสามารถเลือกปริมาณที่มีการคำนวณน้อยกว่าและรับผลกระทบจากการเลือกชุดย่อยของตัวแปรที่ดีที่สุด