พศิน มรุปัณฑ์ธร | นักวิจัยเชิงปริมาณ

หวยเกษียณ

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

การสร้างแรงจูงใจในการออมและการสร้างแบบจำลองการเข้าร่วมโครงการ
การออกแบบรางวัลและการวิเคราะห์ความน่าจะเป็น
การประเมินความมั่งคั่งเพื่อการเกษียณและผลกระทบด้านการกระจายผลประโยชน์
ความยั่งยืนทางการคลังและการประเมินผลโครงการ

ประเทศ

ประเทศไทย

ข้อมูลนโยบายจากหน่วยงานทางการ

ข้อมูลรัฐบาลไทยเกี่ยวกับหวยเกษียณ

ประกันภัยพิบัติแห่งชาติ

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

การสร้างแบบจำลองความเสี่ยงจากภัยพิบัติและการรวมความเสี่ยงของพอร์ตโฟลิโอ
การวิเคราะห์เบี้ยประกัน ความคุ้มครอง และศักยภาพในการชำระค่าสินไหม
การออกแบบการถ่ายโอนความเสี่ยงและการประกันภัยต่อระหว่างภาครัฐกับภาคเอกชน
การทดสอบภาวะวิกฤตทางการคลังและการประเมินการคุ้มครองครัวเรือน

ประเทศ

ประเทศไทย

ข้อมูลนโยบายจากหน่วยงานทางการ

รัฐบาลไทย: ประกันภัยพิบัติแห่งชาติ

การเปลี่ยนผ่านสู่ระบบซื้อขายสิทธิในการปล่อยก๊าซเรือนกระจกของประเทศไทย (Thailand ETS)

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

ความพร้อมของระบบตรวจวัด รายงาน ทวนสอบ และข้อมูลการปล่อยระดับสถานประกอบการ
การกำหนดภาคส่วน เพดานการปล่อย การจัดสรรสิทธิ และข้อกำหนดการปฏิบัติตาม
ทะเบียน แพลตฟอร์มซื้อขาย การกำกับตลาด และมาตรการรักษาเสถียรภาพราคา
การทดลองเป็นระยะ การประเมินความสามารถในการแข่งขัน และการติดตามผลการเปลี่ยนผ่าน

ประเทศ

ประเทศไทย

ข้อมูลนโยบายจากหน่วยงานทางการ

ผลิตภาพเมืองและการพัฒนาเมืองรอง

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

ยกระดับผลิตภาพของกรุงเทพมหานคร พร้อมลดความแออัด แรงกดดันต่อโครงสร้างพื้นฐาน และความเปราะบางด้านภูมิอากาศ
พัฒนาเมืองรองที่มีความเชี่ยวชาญและเชื่อมโยงกัน เพื่อเสริมบทบาททางเศรษฐกิจของกรุงเทพมหานครแทนการแข่งขันซ้ำซ้อน
ประสานการลงทุนด้านคมนาคม การใช้ที่ดิน โครงสร้างพื้นฐานที่ยืดหยุ่น บริการสาธารณะ และการเงินเพื่อพัฒนาเมือง
เสริมธรรมาภิบาลหลายระดับ การจัดลำดับโครงการ และการประเมินนโยบายเชิงพื้นที่ที่วัดผลได้

ประเทศ

ประเทศไทย

หลักฐานและแหล่งอ้างอิงเชิงนโยบาย

สินทรัพย์ดิจิทัลและโทเคนไนเซชัน

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

ออกแบบขอบเขตการกำกับดูแลสำหรับโทเคนดิจิทัลของรัฐบาล สิทธิที่แปลงเป็นโทเคน และโครงสร้างสินทรัพย์ดิจิทัลรูปแบบใหม่
ประเมินการออก การจัดจำหน่าย การเก็บรักษา การซื้อขาย ราคาอ้างอิง และสภาพคล่องในตลาดรอง
คุ้มครองผู้ลงทุนด้วยการประเมินความเหมาะสม การเปิดเผยข้อมูลที่โปร่งใส การเข้าถึงอย่างเป็นธรรม และการกำกับพฤติกรรมตลาด
ประเมินประโยชน์ด้านการเข้าถึงบริการทางการเงินควบคู่กับความเสี่ยงด้านปฏิบัติการ ไซเบอร์ เทคโนโลยี และหนี้สาธารณะ

ประเทศ

ประเทศไทย

ข้อมูลนโยบายจากหน่วยงานทางการ

สำนักงาน ก.ล.ต.: หลักเกณฑ์เกี่ยวกับโทเคนดิจิทัลของรัฐบาล (G-Token)

แผนพัฒนาการประกันภัย ฉบับที่ 5 (พ.ศ. 2569-2573)

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

อึด: การกำกับดูแลคนกลาง บริษัท และกลุ่มธุรกิจประกันภัยเชิงป้องกันและอิงความเสี่ยง
รับ: ศักยภาพการประกันภัยต่อ การวิเคราะห์ภัยพิบัติ ความพร้อมต่อความเสี่ยงใหม่ และกลไกกันชนความเสี่ยงระดับประเทศ
ทั่ว: ความคุ้มครองที่เข้าถึงได้สำหรับครัวเรือน สังคมสูงวัย และกลุ่มที่ยังเข้าไม่ถึง ผ่านกรมธรรม์และบริการดิจิทัล
ล้ำ: การบูรณาการข้อมูล InsurTech โครงสร้างพื้นฐาน e-Policy การพัฒนาบุคลากร และผลลัพธ์การกำกับที่วัดได้

ประเทศ

ประเทศไทย

ข้อมูลนโยบายจากหน่วยงานทางการ

โครงการประกันภัยข้าวนาปี ปี 2569

Sat, 03 Oct 2026 00:00:00 +0700

ประเด็นนโยบาย

สนับสนุนค่าเบี้ยแบบมุ่งเป้าแก่เกษตรกรรายย่อยและลูกค้า ธ.ก.ส. สำหรับพื้นที่เพาะปลูกไม่เกินรายละ 10 ไร่
ออกแบบความคุ้มครองแบบผสมผสานให้สมดุลระหว่างการคุ้มครองเกษตรกร งบประมาณรัฐ ศักยภาพของผู้รับประกัน และความเสี่ยงภูมิอากาศ
ใช้ภาพถ่ายดาวเทียมร่วมกับกระบวนการประเมินเดิม เพื่อเพิ่มความแม่นยำในการตรวจสอบความเสียหายและจ่ายสินไหมภายใน 7-14 วัน
บูรณาการข้อมูลเกษตรภาครัฐและเอกชน เสริมความรู้ด้านความเสี่ยง และประเมินความครอบคลุม ความเร็ว ความแม่นยำ และผลด้านการกระจายประโยชน์

ประเทศ

ประเทศไทย

ข้อมูลนโยบายจากหน่วยงานทางการ

รัฐบาลไทย: โครงการประกันภัยข้าวนาปี ปี 2569

ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องในด้านการเงินและการประกันภัย

Fri, 28 Jun 2024 00:00:00 +0000

โมเดลภาษาขนาดใหญ่

การใช้ Generative Pre-trained Transformers สำหรับการบูรณาการปัจจัยด้านสิ่งแวดล้อม สังคม และการกำกับดูแลในการบริหารการลงทุนของหุ้นไทย (นัฐดนัย, ธีรสิทธิ์, ปรินทร์, จุฑา, ชานน, คารัต)

การจัดประเภทในตลาดการเงิน

การเพิ่มประสิทธิภาพแบบมีเงื่อนไขสำหรับการเตือนล่วงหน้าของงานช่วยเหลือที่รายงานโดย CFPB (นัสมน, ปรินทร์)

การจัดการสินทรัพย์

Fri, 28 Jun 2024 00:00:00 +0000

การลดคาร์บอนและ ESG

กลไกการดำเนินการถอนการลงทุนจากเชื้อเพลิงฟอสซิลในการบริหารพอร์ตโฟลิโอโดยมีผลต่อความเสี่ยง ผลตอบแทน และการลดคาร์บอน (ปสิน, คริสตินา, อีริค, การ์เรธ และ ไคลี-แอนน์)
DivFolio: แอปพลิเคชัน Shiny สำหรับการถอนการลงทุนในพอร์ตโฟลิโอทางการเงินสีเขียวสำหรับการบริหารความมั่งคั่ง (ปสิน, การ์เรธ, อีริค, คริสตินา และ ไคลี-แอนน์)
การตรวจจับการเปลี่ยนแปลงเชิงโครงสร้างในโมเดลการถดถอยอนุกรมเวลา Panel-MIDAS-ARDL; การประยุกต์กับมูลค่าบริษัทและคะแนน ESG (เมสแซม, การ์เรธ, ปสิน, เอเมเซ่, วู)

การลงทุนตามปัจจัยและสมาร์ทเบต้า

การพัฒนาปัจจัย ESG เพื่อเสริมสร้างโมเดลปัจจัยในตลาดหุ้นไทย (ปสิน, ธีรสิทธิ์, นุชดนัย, จูธา, ชานนท์, คารัต)

ตลาดคาร์บอน

Sat, 26 Sep 2026 00:00:00 +0000

การซื้อขายสิทธิ์ปล่อยก๊าซและพลวัตของตลาดคาร์บอน

พลวัตของระบอบที่รัฐกำหนดในสัญญาซื้อขายล่วงหน้าสิทธิ์ปล่อยก๊าซในยุโรป (Wanyok, Pasin)

การลงทุนเชิงปริมาณและการวิเคราะห์พอร์ตโฟลิโอ

Sat, 03 Oct 2026 00:00:00 +0700

พื้นที่การสนับสนุน

การสร้างพอร์ตโฟลิโอและการหาค่าที่เหมาะสม
งานวิจัยปัจจัยการลงทุน สมาร์ตเบตา และการบูรณาการ ESG
การทดสอบย้อนหลังและการวิเคราะห์ที่มาของผลการดำเนินงาน
ต้นแบบงานวิจัยและการวิเคราะห์ที่ทำซ้ำได้

งานวิจัยและเครื่องมือที่เกี่ยวข้อง

ตลาดอนุพันธ์

Fri, 28 Jun 2024 00:00:00 +0000

อนุพันธ์สภาพอากาศ

ทฤษฎีพอร์ตโฟลิโอของออปชัน

ทฤษฎีการจัดพอร์ตโฟลิโอออปชันยุโรป (ปสิน)

การซื้อขาย ตราสารอนุพันธ์ และความเสี่ยงตลาด

Sat, 03 Oct 2026 00:00:00 +0700

พื้นที่การสนับสนุน

การวิจัยกลยุทธ์การซื้อขายอย่างเป็นระบบและการทดสอบย้อนหลัง
การกำหนดราคาตราสารอนุพันธ์และการวิเคราะห์ความผันผวน
การวัดความเสี่ยงส่วนหางและขีดจำกัดที่ตอบสนองต่อภาวะตึงเครียด
งานวิจัยโครงสร้างจุลภาคของตลาดและการทำอาร์บิทราจเชิงสถิติ

งานวิจัยที่เกี่ยวข้อง

ตลาดประกันภัย

Fri, 28 Jun 2024 00:00:00 +0000

ประกันแบบกระจายอำนาจ

ประกันแบบพารามิทริก

ความเสี่ยงด้านอายุยืนและกองทุนบำนาญ

โซลูชันประกันภัย คณิตศาสตร์ประกันภัย และปัญญาประดิษฐ์

Sat, 03 Oct 2026 00:00:00 +0700

พื้นที่การสนับสนุน

การกำหนดราคาเชิงคณิตศาสตร์ประกันภัยและการหาปริมาณความไม่แน่นอน
การสร้างแบบจำลองเชิงพยากรณ์และการเรียนรู้ของเครื่อง
การตรวจสอบความถูกต้อง ความทนทาน และความสามารถในการอธิบายของแบบจำลอง
การพัฒนางานวิจัยสู่ต้นแบบเพื่อสนับสนุนการตัดสินใจ

งานวิจัยที่เกี่ยวข้อง

โครงสร้างตลาดและผู้ทำตลาด

Fri, 29 Mar 2024 00:00:00 +0000

โมเดลที่ขับเคลื่อนโดยตัวแทน

การสร้างใหม่ในเชิงทฤษฎีเกมวิวัฒนาการของโมเดล Lux–Marchesi สำหรับตลาดการเงิน (Nassamon, Pasin)

ธนาคารเพื่อการเกษตร

Sat, 03 Oct 2026 00:00:00 +0700

พื้นที่การสนับสนุน

การให้คะแนนสินเชื่อภาคเกษตรและการแบ่งกลุ่มความเสี่ยงของผู้กู้
การวิเคราะห์ความเสี่ยงด้านผลผลิต สภาพอากาศ ภูมิอากาศ และภัยพิบัติ
การติดตามและทดสอบภาวะวิกฤตของพอร์ตโฟลิโอการเงินชนบท
ระบบเตือนล่วงหน้าสำหรับหนี้ค้างชำระ สภาพคล่อง และภาระงานปฏิบัติการ

งานวิจัยที่เกี่ยวข้อง

การจำลองมอนติคาร์โล

Fri, 29 Mar 2024 00:00:00 +0000

การอินทิเกรตแบบมอนติคาร์โล

การเดินสุ่มบนเครือข่าย

พื้นที่ความเชื่อมั่นและสถิติอะซิมโทติก

วงรีความเชื่อมั่นอะซิมโทติกสำหรับการแจกแจงแบบลอการิทมิกปกติกับการประยุกต์ในการกำหนดราคาประกันภัย (นัสสมน, อุภฤทธิ, ปสิน)

การปรับเชิงสโตกาสติก

การเงินควอนตัม

Sat, 03 Oct 2026 00:00:00 +0000

อัลกอริทึมควอนตัมสำหรับการเงิน

งานวิจัยเกี่ยวกับการประมวลผลแบบควอนตัมและอัลกอริทึมที่ได้รับแรงบันดาลใจจากควอนตัม สำหรับการหาพอร์ตที่เหมาะที่สุด การจำลองทางการเงิน การวัดความเสี่ยง การกำหนดราคาอนุพันธ์ และปัญหาทางการเงินที่มีมิติสูง

นักลงทุนรายย่อย

Sat, 03 Oct 2026 00:00:00 +0700

พื้นที่การสนับสนุน

การออกแบบกลยุทธ์อย่างโปร่งใสและการทดสอบย้อนหลังโดยไม่ใช้ข้อมูลอนาคต
การวิเคราะห์ต้นทุนธุรกรรม สลิปเพจ และคุณภาพการส่งคำสั่ง
การกำหนดขนาดสถานะ การกระจายความเสี่ยง และขีดจำกัดความเสี่ยงพอร์ตโฟลิโอ
ความรู้ด้านตราสารอนุพันธ์และแดชบอร์ดตัดสินใจที่อธิบายได้

งานวิจัยที่เกี่ยวข้อง

เศรษฐศาสตร์เชิงปริมาณ

Sat, 26 Sep 2026 00:00:00 +0000

เศรษฐมิติและการสร้างแบบจำลองทางเศรษฐกิจ

การวิจัยเกี่ยวกับวิธีเชิงปริมาณเพื่อทำความเข้าใจระบบเศรษฐกิจ ประเมินนโยบาย และสนับสนุนการตัดสินใจที่มีหลักฐานประกอบ

การบริหารความเสี่ยงเชิงปริมาณ

Sat, 03 Oct 2026 00:00:00 +0000

การวัดความเสี่ยงก้นหางแบบปรับตัว

ค่าสัมประสิทธิ์ความเสี่ยง Lambda ที่ตอบสนองต่อความเครียดพร้อมการบิดเบือนสัญญาณซิกมอยด์แบบเรียบที่ขับเคลื่อนด้วย VIX (นัสซามอน, ปาสิน)

กองทุนเฮดจ์ฟันด์

Sat, 03 Oct 2026 00:00:00 +0700

พื้นที่การสนับสนุน

การวิจัยอัลฟาอย่างเป็นระบบและการตรวจสอบอาร์บิทราจเชิงสถิติ
การสร้างพอร์ตโฟลิโอหลายสินทรัพย์และการจัดสรรแบบพลวัต
การวิเคราะห์ตราสารอนุพันธ์ ความผันผวน และผลตอบแทนแบบไม่เชิงเส้น
การควบคุมความเสี่ยงส่วนหาง การทดสอบภาวะวิกฤต และธรรมาภิบาลแบบจำลอง

งานวิจัยที่เกี่ยวข้อง

การซื้อขายเชิงปริมาณ

Fri, 28 Jun 2024 00:00:00 +0000

การเก็งกำไรเชิงสถิติ

การหาค่าเหมาะที่สุด

Sat, 03 Oct 2026 00:00:00 +0000

การหาค่าเหมาะที่สุดทางคณิตศาสตร์และการตัดสินใจ

การวางแผนการผลิตผงใบมะรุมโดยใช้การโปรแกรมเชิงเส้นจำนวนเต็มผสม (นัสสมน, ภาสิน, กุลิสารา, อุปฤทธิ์ และวิสิษฐ์)

อื่นๆ

Thu, 28 Sep 2023 00:00:00 +0000

การวิเคราะห์ข้อมูลทางการเกษตร

ผลการผลิตและลักษณะสัณฐานวิทยาของไก่แม่ฮ่องสอนเปรียบเทียบไก่ประดู่หางดำ ไก่ไข่เพศผู้ และไก่เนื้อ (วัชรพงศ์, นครินทร์, นิราพร, นัฐวุฒิ, ภาสิน, และกุลิสารา)

อาร์บิทราจเชิงสถิติในตลาดอนุพันธ์

Sat, 21 Nov 2026 13:00:00 +0700

การวิเคราะห์การศึกษากิจกรรมและการหากำไรทางสถิติ

Thu, 24 Sep 2026 00:00:00 +0700

การเก็งกำไรเชิงสถิติในตลาดอนุพันธ์ ภาค I: การเก็งกำไรความผันผวน

Wed, 23 Sep 2026 14:00:00 +0700

พลวัตของระบอบที่กำกับด้วยสถานะนโยบายในสัญญาซื้อขายล่วงหน้าสิทธิการปล่อยก๊าซเรือนกระจกของยุโรป

Sun, 13 Sep 2026 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

ผลตอบแทนของสิทธิการปล่อยก๊าซเรือนกระจกสหภาพยุโรปสลับระหว่างช่วงสงบและช่วงตึงเครียด แต่ยังไม่ชัดเจนว่าเงื่อนไขด้านนโยบายและตลาดที่สังเกตได้อธิบายการเปลี่ยนผ่านระหว่างระบอบเหล่านี้ได้อย่างน่าเชื่อถือเพียงพอสำหรับการติดตามเชิงปฏิบัติหรือไม่

ผู้ได้รับประโยชน์:

ผู้กำหนดนโยบายและหน่วยงานกำกับดูแลตลาดคาร์บอน
ผู้ซื้อขาย EUA และผู้จัดการพอร์ตโฟลิโอ
นักวิเคราะห์ตลาดพลังงานและความเสี่ยงด้านสภาพภูมิอากาศ
นักวิจัยด้านตลาดการเงินที่มีการสลับระบอบ

วิธีการ

งานวิจัยผสานราคาสัญญาซื้อขายล่วงหน้า EUA รายวันกับข้อมูลทางการของจำนวนสิทธิหมุนเวียนทั้งหมด ความผันผวนของตลาดก๊าซเนเธอร์แลนด์ และกิจกรรมการซื้อขายสิทธิ แบบจำลองผลตอบแทนแบบสลับระบอบที่กำกับด้วยสถานะนโยบายเชื่อมตัวแปรเหล่านี้กับการเคลื่อนย้ายระหว่างสถานะความผันผวนต่ำและสูง พร้อมเปรียบเทียบกับโครงสร้างการเปลี่ยนผ่าน การแจกแจงผลตอบแทน และแบบจำลองความผันผวนทางเลือก

ผลการศึกษา

ผลการศึกษาสนับสนุนการมีอยู่ของระบอบความผันผวนที่แตกต่างกัน การเปลี่ยนแปลงตำแหน่งสัมพัทธ์ของราคาสิทธิให้สัญญาณการเปลี่ยนผ่านที่เสถียรที่สุด โดยเฉพาะการออกจากภาวะตึงเครียด ข้อมูลส่วนเกินของสิทธิ ความผันผวนของก๊าซ และกิจกรรมซื้อขายให้บริบททางเศรษฐกิจ แต่ไม่ให้ข้อมูลการเปลี่ยนผ่านอิสระที่ทนทานเมื่อคำนึงถึงแนวโน้มและความซับซ้อนของแบบจำลอง กรอบงานเหมาะสำหรับตีความภาวะตึงเครียด ขณะที่แบบจำลองความผันผวนที่ยืดหยุ่นยังคาดการณ์การแจกแจงผลตอบแทนทั้งชุดได้ดีกว่า

การบูสต์แบบมีเงื่อนไขตามสถานะสำหรับการเตือนล่วงหน้าเชิงคาดการณ์ภาระงานการเยียวยาที่รายงานต่อ CFPB

Sat, 12 Sep 2026 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

ฐานข้อมูลข้อร้องเรียนของผู้บริโภคให้สัญญาณที่มีประโยชน์ต่อการกำกับดูแล แต่ข้อร้องเรียนไม่ได้เป็นหลักฐานยืนยันความเสียหายของผู้บริโภค ภารกิจเชิงปฏิบัติคือการระบุคู่บริษัท–ผลิตภัณฑ์ที่มีกิจกรรมสูงและควรได้รับการตรวจสอบเชิงบริหารเร็วขึ้น เมื่อภาระงานจากการเยียวยาที่รายงานเริ่มเพิ่มสูงขึ้น

ผู้ได้รับประโยชน์:

หน่วยงานกำกับดูแลทางการเงิน
นักวิเคราะห์ด้านการกำกับดูแลและความเสี่ยง
ทีมปฏิบัติการจัดการข้อร้องเรียนของผู้บริโภค
นักวิจัยที่พัฒนาระบบเตือนล่วงหน้าที่โปร่งใส

วิธีการ

งานวิจัยสร้างพาเนลรายสัปดาห์ระดับบริษัท–ผลิตภัณฑ์ที่เติมปฏิทินครบถ้วนและใช้การเยียวยาที่บริษัทรายงานเป็นตัวบ่งชี้ภาระงาน โดยกำหนดสถานะการดำเนินงานสี่แบบ และเปรียบเทียบกฎการคงอยู่กับแบบจำลองทวินามลบแบบเวียนเกิด รวมทั้ง LightGBM, XGBoost และ CatBoost ที่จับคู่กัน การประเมินครอบคลุมการปรับเทียบ ขอบเขตเป้าหมายแบบเลื่อน ชุดความเชื่อมั่นของแบบจำลอง การวินิจฉัยการเปลี่ยนแปลง การปรับแบบจำลองเป็นระยะ และคำอธิบายด้วย SHAP

ผลการศึกษา

ตัวแปรการคงอยู่ของการเยียวยาที่ล่าช้ากู้คืนสัญญาณส่วนใหญ่สำหรับการจัดอันดับเหตุการณ์ได้ ขณะที่วิธี boosting ที่จับคู่กันยังเพิ่มคุณค่าได้อีก การแทนสถานะช่วยเพิ่มการจำแนกการเยียวยาส่วนเกินแบบรวมสำหรับ LightGBM และ XGBoost แต่ไม่พบผลดังกล่าวใน CatBoost และการเปรียบเทียบภายใต้ขีดความสามารถไม่พบแบบจำลองที่ดีที่สุดเสมอไป ระบบนี้ใช้สนับสนุนการจัดลำดับการตรวจสอบ ไม่ใช่เครื่องมือตรวจจับความเสียหายที่ได้รับการยืนยัน

ทฤษฎีพอร์ตโฟลิโอการเขียนออปชันยุโรป

Fri, 28 Aug 2026 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

การเขียนออปชันยุโรปโดยไม่ป้องกันความเสี่ยงเป็นปัญหาการจัดการภาระมากกว่าปัญหาการลงทุนทั่วไป ผู้ขายต้องกำหนดจุดที่ภาระพุตด้านล่างและภาระคอลด้านบนเริ่มเกิดขึ้น พร้อมจัดสรรเงินทุนรับภาระที่มีอยู่อย่างจำกัด พุตที่มีเงินสดค้ำประกันมีขอบเขตภาระเมื่อครบกำหนดที่แท้จริง แต่คอลที่ไม่มีสินทรัพย์ค้ำยังมีขาดทุนไม่จำกัด แม้ใช้ตัวแทนเงินทุนแบบจำกัดเพื่อกำหนดขนาดสถานะ

ผู้ได้รับประโยชน์:

ผู้ขายออปชันและผู้จัดการพอร์ตโฟลิโออนุพันธ์
ทีมความเสี่ยงของโบรกเกอร์ ตลาดซื้อขาย และผู้ดูแลสภาพคล่อง
นักวิเคราะห์เชิงปริมาณที่ออกแบบราคาใช้สิทธิและนโยบายจัดสรรเงินทุน
นักวิเคราะห์เงินทุน มาร์จิน และความมั่นคงทางการเงิน
นักวิจัยด้านอนุพันธ์คริปโตและความเสี่ยงพอร์ตโฟลิโอไม่เชิงเส้น

วิธีการ

งานวิจัยพัฒนากรอบปลายงวดแบบสถิตสำหรับพุตและคอลยุโรปที่ชำระด้วยเงินสดและมีวันครบกำหนดร่วมกัน กรอบดังกล่าวแยกค่าพรีเมียมที่สังเกตได้ ณ วันสร้างพอร์ตออกจากภาระคาดหมายภายใต้ความน่าจะเป็นจริง หารภาระแต่ละรายการด้วยหน่วยเงินทุนที่กำหนด และเพิ่มค่าส่วนเกินคาดหมายจากการรับภาระภายใต้พจน์ลงโทษกำลังสองจากโมเมนต์อันดับสองดิบของภาระรวมที่ปรับแล้ว ภายใต้กฎราคาปลายงวดแบบล็อกนอร์มัลหลายตัวแปร งานวิจัยหาโมเมนต์ของพุต คอล และภาระร่วมแบบปิด การจัดสรรเงินทุนตามเงื่อนไข KKT เงื่อนไขราคาใช้สิทธิเฉพาะที่ ผลของความสัมพันธ์ และเส้นขอบประสิทธิภาพฝั่งภาระ การประยุกต์ใช้ข้อมูลออปชันคริปโตย้อนหลังจาก Deribit โดยคัดกรองสัญญาและจัดสรรเงินทุนแบบมีเพดาน ใช้เฉพาะข้อมูลที่มี ณ เวลาตัดสินใจ ผลตอบแทนย้อนหลัง 365 วัน เกณฑ์พุต 90% และคอล 110% ช่วงความเชื่อมั่น HAC แบบจับคู่ และ circular block bootstrap

ผลการศึกษา

สำหรับพุต BTC/ETH ที่จับคู่กัน 209 รอบ นโยบายแบบเป็นขั้นภายใต้เพดาน 70% เพิ่มส่วนเกินรวมเฉลี่ยจาก 0.294% เป็น 0.945% ต่างกัน 0.651 จุดร้อยละ โดยช่วงความเชื่อมั่น HAC 95% เท่ากับ [0.382, 0.920] แต่มีการกระจายสูงขึ้นและยังไม่ยืนยันความเหนือกว่าด้านความเสี่ยงขาลง สำหรับพอร์ตสองด้าน 209 รอบ ค่าเฉลี่ยเท่ากับ 3.112% เทียบกับ 0.601% ต่างกัน 2.511 จุดร้อยละ [1.499, 3.522] ค่าเฉลี่ยของ 5% ที่แย่ที่สุดดีขึ้น แต่ความแตกต่างของความผันผวนยังไม่แม่นยำ สำหรับ USDC หลายสินทรัพย์ 23 รอบ ค่าเฉลี่ยเท่ากับ 5.685% เทียบกับ 1.684% ต่างกัน 4.001 จุดร้อยละ [2.885, 5.116] และชนะ 20 รอบ แต่ความผันผวนเพิ่มจาก 1.376% เป็น 3.864% นอกจากนี้ ภาระคอล BTC ที่ไม่มีสินทรัพย์ค้ำหนึ่งครั้งเกินตัวแทนเงินทุนแบบจำกัดและทำให้ส่วนเกินในรอบนั้นเท่ากับ -99.917% หลักฐานจึงสนับสนุนกรอบวินิจฉัยที่คำนึงถึงความสามารถชำระภาระ ไม่ได้ยืนยันความน่าจะเป็นหางที่ปรับเทียบแล้ว กำไรสุทธิที่ซื้อขายได้จริง หรือการรอดพ้นมาร์จินของโบรกเกอร์

กลยุทธ์เล่น Short Option

Wed, 26 Aug 2026 00:00:00 +0700

ใช้ AI agents ช่วยเทรดยังไง?

Sat, 22 Aug 2026 00:00:00 +0700

เทรดแบบ Quant — The Trading Lab EP.14

Wed, 19 Aug 2026 20:00:00 +0700

ตลาดทอง 2 แห่ง: COMEX × TFEX

Sun, 02 Aug 2026 10:00:00 +0700

กลยุทธ์ Quant Trading ในตลาด TFEX

Fri, 31 Jul 2026 14:00:00 +0700

อาร์บิทราจเชิงสถิติขั้นสูง

Sat, 28 Mar 2026 09:00:00 +0700

การซื้อขายแบบจับคู่ที่เพิ่มกำไรจาก Carry ผ่านความสมดุลของการซื้อขาย Put-Call

Fri, 27 Mar 2026 10:45:00 +0700

Lambda Value at Risk ที่ตอบสนองต่อภาวะตึงเครียดด้วยการบิดเบือนซิกมอยด์แบบเรียบที่ขับเคลื่อนด้วย VIX

Fri, 02 Jan 2026 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

Value at Risk แบบเดิมใช้ความน่าจะเป็นของการเกินขีดจำกัดคงที่ แม้ว่าความตึงเครียดของตลาดจะเปลี่ยนไปตามเวลา เป้าหมายคงที่จึงอาจตอบสนองช้าเกินไปในช่วงวิกฤตและเข้มงวดเกินความจำเป็นเมื่อภาวะตลาดกลับสู่ปกติ

ผู้ได้รับประโยชน์:

ผู้จัดการความเสี่ยงตลาด
ธนาคาร บริษัทจัดการสินทรัพย์ และฝ่ายซื้อขาย
ทีมกำกับดูแลความเสี่ยงและตรวจสอบความถูกต้องของแบบจำลอง
นักวิจัยด้านมาตรวัดความเสี่ยงส่วนหางแบบพลวัต

วิธีการ

งานวิจัยกำหนดฟังก์ชันความน่าจะเป็น/ผลขาดทุนของ ΛVaR เป็นซิกมอยด์แบบเรียบ มีขอบเขต และเพิ่มทางเดียว โดยตำแหน่งและความชันขึ้นกับคะแนนมาตรฐานแบบเลื่อนช่วงของค่าล็อก VIX กระบวนการ forecast-and-distort แบบแยกส่วนสามารถใช้ร่วมกับการแจกแจงผลตอบแทนพยากรณ์ใดก็ได้ภายใต้ข้อกำหนดห้ามใช้ข้อมูลอนาคต และประเมินนอกตัวอย่างเทียบกับ VaR ที่ใช้ระดับแอลฟาคงที่และ ΛVaR ที่ไม่เปลี่ยนตามเวลา

ผลการศึกษา

กฎที่ขับเคลื่อนด้วย VIX ทำขีดจำกัดผลขาดทุนให้เข้มขึ้นในช่วงตึงเครียดและผ่อนคลายเมื่อภาวะกลับสู่ปกติ ทำให้เห็นข้อแลกเปลี่ยนระหว่างความเข้มงวดเฉลี่ย การปรับพอร์ต และความรุนแรงของการเกินขีดจำกัดอย่างชัดเจน ทิศทางของผลด้านความครอบคลุมยังคงเสถียรภายใต้ข้อจำกัดที่สมเหตุสมผล ขณะที่การแทน VIX ด้วยตัวแปรความเครียดจากความผันผวนที่เกิดขึ้นจริงทำให้การปรับเทียบอ่อนลง

วงรีความเชื่อมั่นเชิงกำกับสำหรับการแจกแจงล็อกนอร์มอลและการประยุกต์ในการกำหนดราคาเชิงคณิตศาสตร์ประกันภัย

Wed, 24 Dec 2025 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

การกำหนดราคาเชิงคณิตศาสตร์ประกันภัยด้วยความเสียหายแบบล็อกนอร์มอลขึ้นกับพารามิเตอร์ประมาณสองค่าที่มีความไม่แน่นอนสัมพันธ์กัน ช่วงความเชื่อมั่นแยกกันอาจปิดบังความไม่แน่นอนร่วมและให้คำแนะนำจำกัดเกี่ยวกับความแม่นยำของเบี้ยหรือจำนวนกรมธรรม์ที่ต้องการ

ผู้ได้รับประโยชน์:

นักคณิตศาสตร์ประกันภัยและทีมกำหนดราคา
นักวิเคราะห์ความเสี่ยงและเงินสำรอง
นักสถิติที่ใช้แบบจำลองล็อกนอร์มอล
บริษัทประกันที่วางแผนขนาดตัวอย่างและปริมาณกรมธรรม์

วิธีการ

งานวิจัยสร้างวงรีความเชื่อมั่นร่วมเชิงกำกับจากตัวประมาณภาวะน่าจะเป็นสูงสุดของพารามิเตอร์ล็อกนอร์มอล การทดลองมอนติคาร์โลใช้พารามิเตอร์ 9 ชุด ขนาดตัวอย่าง 10, 100 และ 1,000 และจำลองซ้ำ 1,000 รอบ พร้อมอนุมานและตรวจสอบขอบล่างเชิงทฤษฎีของขนาดตัวอย่างที่จำเป็นต่อความแม่นยำเป้าหมาย ก่อนประยุกต์กับข้อมูลประกันสุขภาพ 1,338 ราย

ผลการศึกษา

ความครอบคลุมเชิงประจักษ์อยู่ระหว่างร้อยละ 94.27 ถึง 95.13 ใกล้ระดับเป้าหมายร้อยละ 95 แม้ในตัวอย่างขนาดเล็ก วงรีร่วมให้ช่วงความเชื่อมั่นของเบี้ยที่กระชับกว่าการพิจารณาพารามิเตอร์แยกกัน และความสัมพันธ์ของขนาดตัวอย่างช่วยสนับสนุนความแม่นยำด้านราคา การวางแผนเงินสำรอง และการตัดสินใจด้านจำนวนกรมธรรม์

การปรับแบบจำลองตลาดการเงินลักซ์–มาร์เคซีใหม่ด้วยเกมเชิงวิวัฒนาการแบบสุ่ม

Tue, 16 Dec 2025 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

กลไกลักซ์–มาร์เคซีอธิบายความไม่เสถียรทางการเงินที่เกิดจากภายในระบบ แต่กรอบการจำลองแบบเดิมยังไม่ได้แสดงความน่าจะเป็นการเปลี่ยนผ่านของประชากรจำกัด การครอบงำของกลยุทธ์ การเลือกระบอบในระยะยาว ตลอดจนการพำนักและการออกจากระบอบอย่างชัดเจน งานวิจัยนี้สร้างสะพานเชิงวิเคราะห์ดังกล่าว พร้อมแยกผลที่แบบจำลองรองรับออกจากข้ออ้างที่การจำลองยังยืนยันไม่ได้

ผู้ได้รับประโยชน์:

นักวิจัยตลาดการเงินและการเงินเชิงพฤติกรรม
ผู้เชี่ยวชาญด้านแบบจำลองที่ใช้ตัวแทน
ทีมบริหารความเสี่ยงตลาดและการทดสอบภาวะวิกฤต
ผู้ศึกษาทฤษฎีเกมเชิงวิวัฒนาการและโครงสร้างจุลภาคของตลาด

วิธีการ

แบบจำลองเชื่อมนักพื้นฐานกับนักวิเคราะห์กราฟฝ่ายมองบวกและมองลบผ่านวงจรป้อนกลับของราคาจากอุปสงค์ส่วนเกิน ผลตอบแทนจริงใช้ปรับความทรงจำของผลตอบแทน ความน่าดึงดูด และ fitness แบบเอ็กซ์โพเนนเชียล จากนั้นความน่าจะเป็นปลายทางแบบการกลายพันธุ์–การคัดเลือกและแถวการทบทวนแบบพหุนามจำแนกตามกลยุทธ์ต้นทางจะปรับประชากรจำกัด แบบจำลองเกิด–ตายลดรูปที่รวมเป็นนักวิเคราะห์กราฟเทียบกับนักพื้นฐานใช้หาความน่าจะเป็นการครอบงำภายใต้ข้อสมมติด้านเวลาและการลดสถานะที่ระบุไว้ การศึกษาเชิงตัวเลขทำซ้ำ 200 ครั้งในแต่ละระบอบ 8 แบบ และเปรียบเทียบแบบจับคู่ 300 ครั้งกับกฎความเข้มการสลับแบบลักซ์–มาร์เคซี

ผลการศึกษา

ภายใต้ข้อสมมติของแบบจำลองลดรูป ความเข้มการคัดเลือกและผลกระทบต่อราคาที่สูงขึ้นเพิ่มโอกาสที่นักวิเคราะห์กราฟจะครอบงำ เมื่อความได้เปรียบของผลตอบแทนสะสมเป็นบวก การจำลองแยกระบอบสงบ มีสัญญาณรบกวน และระบอบที่นักวิเคราะห์กราฟครองตลาดได้ แต่เส้นทางมุมมองบวกและลบเป็นระบอบเก็งกำไรที่คงอยู่ ไม่ใช่ฟองสบู่หรือการพังทลายกึ่งเสถียรที่พิสูจน์แล้ว สหสัมพันธ์อันดับหนึ่งของค่าสัมบูรณ์ผลตอบแทนอยู่ใกล้ศูนย์ (-0.004 ถึง 0.008) จึงยังไม่ยืนยันการกระจุกตัวของความผันผวน ทั้งสองกฎยอมให้การรบกวนที่ออกแบบไว้ขยายตัวในการทดลองแบบจับคู่ หลักฐานจึงเป็นการพิสูจน์กลไก ไม่ใช่การสอบเทียบเชิงประจักษ์

อาร์บิทราจเชิงสถิติ

Sat, 11 Oct 2025 09:00:00 +0700

การตรวจจับการเปลี่ยนแปลงเชิงโครงสร้างในแบบจำลองถดถอยอนุกรมเวลา Panel-MIDAS-ARDL: การประยุกต์กับมูลค่าบริษัทและคะแนน ESG

Fri, 08 Aug 2025 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

มูลค่าบริษัทถูกสังเกตรายสัปดาห์ ขณะที่ปัจจัยตลาดและ ESG มีข้อมูลรายวัน และความสัมพันธ์ระหว่าง ESG กับมูลค่าอาจเปลี่ยนหลังเหตุการณ์เศรษฐกิจ การเมือง หรือกฎระเบียบ แบบจำลองพาเนลความถี่เดียวหรือสัมประสิทธิ์คงที่อาจสูญเสียข้อมูลด้านเวลาและบดบังจุดเปลี่ยนเฉพาะอุตสาหกรรม ทำให้ผลเฉลี่ยไม่น่าเชื่อถือสำหรับการลงทุนและนโยบาย

ผู้ได้รับประโยชน์:

นักวิเคราะห์ ESG และการลงทุนยั่งยืน
ผู้จัดการ ETF และนักวิเคราะห์หลักทรัพย์
นักเศรษฐมิติการเงินที่ใช้พาเนลต่างความถี่
ทีมความเสี่ยงที่ติดตามความสัมพันธ์ด้านมูลค่าที่เปลี่ยนแปลง

วิธีการ

งานวิจัยพัฒนากระบวนการ Panel-MIDAS-ARDL สำหรับข้อมูลต่างความถี่ที่มีการพึ่งพาข้ามหน่วย ขั้นที่ 1 ใช้ iterative GLS-induced independence กับส่วนอัตถดถอย ขั้นที่ 2 ประมาณตัวแปรรายวันที่เหลือด้วยกำลังสองน้อยที่สุดแบบไม่เชิงเส้น และขั้นที่ 3 ใช้ Sequential Binary Segmentation Cross-Entropy กับสัมประสิทธิ์ ESG จุดที่เป็นไปได้จากหน้าต่างซ้อนทับถูกรวมด้วย K-means และการเลือกด้วย silhouette แล้วตรวจสอบด้วย Welch's t-test ที่ระดับ 5% การประยุกต์ใช้ Tobin's Q รายสัปดาห์ของ ETF รายอุตสาหกรรม S&P 500 จำนวน 11 กอง ร่วมกับปัจจัย Fama–French โมเมนตัม และปัจจัย ESG แบบ Best-Minus-Worst รายวัน ตั้งแต่กลางเดือนมีนาคม 2013 ถึงธันวาคม 2022

ผลการศึกษา

พบจุดเปลี่ยนที่มีนัยสำคัญใน ETF กลุ่มวัสดุ พลังงาน การเงิน เทคโนโลยีสารสนเทศ สินค้าอุปโภคบริโภคพื้นฐาน สุขภาพ และสินค้าฟุ่มเฟือย โดยมักอยู่ใกล้ช่วงราคาน้ำมันตกในปี 2014 ความตกลงปารีสปี 2015 การเลือกตั้งสหรัฐฯ ปี 2016 และช่วงโควิด-19 กลุ่มเทคโนโลยีสารสนเทศมีจุดเปลี่ยนที่ผ่านการตรวจสอบ 4 จุด ขณะที่บริการสื่อสาร อุตสาหกรรม อสังหาริมทรัพย์ และสาธารณูปโภคไม่พบจุดเปลี่ยนที่มีนัยสำคัญ ผลลัพธ์จึงชี้ว่าผลของ ESG ต่อมูลค่าผันแปรตามเวลาและอุตสาหกรรม ไม่ใช่สัมประสิทธิ์คงที่เพียงค่าเดียว ส่วนความเชื่อมโยงกับเหตุการณ์สำคัญเป็นการตีความ มิใช่การพิสูจน์เหตุและผล

กลยุทธ์การใช้ Options กับตลาด TFEX

Fri, 25 Jul 2025 15:00:00 +0700

ความเสี่ยงที่หาง (Tail Dependence)

Sat, 12 Apr 2025 00:00:00 +0000

📉 Tail Dependence – เมื่อเกิดวิกฤต ความสัมพันธ์เชิงเส้นล้มเหลว แล้วเราจะทำอย่างไร?

🎯 หากคุณเป็นหนึ่งในผู้ที่สามารถรอดพ้นจากความผันผวนของตลาดหุ้นสหรัฐฯ และสินทรัพย์ดิจิทัลในสัปดาห์ที่ผ่านมา — บทความนี้คือสิ่งที่คุณควรอ่านต่อ

บทความนี้นำเสนอแนวคิดเรื่อง Tail Dependence หรือ “ความสัมพันธ์ในหางของการแจกแจงร่วม” ซึ่งเป็นเครื่องมือสำคัญในเชิงสถิติและการวิเคราะห์ความเสี่ยงเชิงปริมาณ (Quantitative Risk Analysis)

📆 เหตุการณ์สำคัญในตลาดหุ้นสหรัฐฯ สัปดาห์ที่ผ่านมา

ในวันที่ 3 เมษายน 2025 ตลาดหุ้นสหรัฐฯ เผชิญกับความผันผวนอย่างรุนแรง:

ดัชนี S&P 500ลดลงกว่า4.84%- ดัชนีNASDAQลดลงกว่า5.97%ต่อมาในวันที่ 9 เมษายน 2025 ประธานาธิบดีโดนัลด์ ทรัมป์ได้ประกาศชะลอการขึ้นภาษีเพิ่มเติม (ยกเว้นกับจีน)
ส่งผลให้ตลาดพลิกกลับอย่างรุนแรง:
S&P 500ฟื้นตัวขึ้น9.5%-NASDAQเพิ่มขึ้นถึง12.2% ภายในวันเดียว

🔄 ความสัมพันธ์ของสินทรัพย์เปลี่ยนไปอย่างไร?

โดยทั่วไป นักลงทุนมักเข้าใจว่า:

หากสินทรัพย์สองรายการมีค่า Pearson Correlation ต่ำ พอร์ตการลงทุนจะมีความเสี่ยงรวมลดลง

อย่างไรก็ตาม เหตุการณ์ “Trump Tariff 2025” แสดงให้เห็นว่า
ความสัมพันธ์เชิงเส้นที่วัดในช่วงปกติอาจล้มเหลว ในช่วงวิกฤต

📌 ตัวอย่าง: จาก รูปที่ 1

ผลตอบแทนรายวันของ IBMและMSFT โดยปกติมี Pearson correlation ~0.2
แต่ในช่วงเกิดเหตุการณ์ Tariff — ค่า correlation พุ่งขึ้นถึง 0.8
👉 สะท้อนว่าพอร์ตที่ดู “diversified” กลับประสบความเสียหายพร้อมกัน

##❗ นิยามของ Tail Dependence

ในโลกของ Math-Stat-Quant ความสัมพันธ์ไม่ได้จำกัดเพียง Pearson Correlation
เครื่องมืออื่น ๆ ที่ถูกใช้ได้แก่: Kendall’s Tau, Concordance, Directional Dependence และ Tail Dependence

Tail Dependence วัดว่า:

“เมื่อหนึ่งในตัวแปรร่วงหนัก (หรือพุ่งแรง) อีกตัวจะตามไปหรือไม่?”

เช่น หากตลาดหุ้นร่วงแรงในหางซ้ายของการแจกแจง Tail Dependence ช่วยวิเคราะห์ว่าสินทรัพย์อื่นจะมีแนวโน้มร่วงตามหรือไม่

ประเภทของ Tail Dependence:

Lower Tail Dependence: วัดโอกาสที่สินทรัพย์จะร่วงพร้อมกัน
Upper Tail Dependence: วัดโอกาสที่สินทรัพย์จะพุ่งแรงพร้อมกัน

🧪 ตัวอย่างจากข้อมูลจริง

ข้อมูลระหว่าง IBMและMSFT สะท้อนลักษณะของ Tail Dependence อย่างชัดเจน

ในภาวะปกติ ค่า correlation อยู่ในระดับต่ำ (~0.2)
แต่ในช่วงที่ตลาดตกหนักและฟื้นตัวแรง ทั้งสองสินทรัพย์มีพฤติกรรมเหมือนกัน

📌 จาก รูปที่ 1 Panel 3:

ความถี่ของจุดใน มุมล่างซ้ายแสดงถึงLower Tail Dependence- ความถี่ของจุดในมุมขวาบนแสดงถึงUpper Tail Dependence

แม้ในช่วงกุมภาพันธ์–เมษายน 2025 จะมี Tail Dependence ไม่มาก
แต่หากพิจารณา ข้อมูลย้อนหลังตั้งแต่ปี 2000 (รูปที่ 2 Panel 3)
พบว่าแม้ correlation โดยรวมจะต่ำแต่มีUpper Tail Dependence ที่สังเกตได้ชัด
👉 เวลาขึ้นแรงมักไปด้วยกัน แต่เวลาลงแรงอาจไม่ลงพร้อมกัน

🛠️ การประยุกต์ใช้ Tail Dependence

📊 การบริหารพอร์ตการลงทุน (Portfolio Risk Management)

ใช้เพื่อประเมินว่า สินทรัพย์ที่ดูแตกต่างกัน จะพังพร้อมกันในช่วงวิกฤตหรือไม่
ตัวอย่าง: หุ้นพลังงานและหุ้นเทคโนโลยี แม้ดูไม่สัมพันธ์กัน แต่เมื่อเกิด shock ระดับมหภาค เช่น COVID-19 หรือ Trump Tariff — ทั้งคู่ร่วงพร้อมกัน

🏦 การบริหารเงินทุนของสถาบันการเงิน (Capital Management)

Tail Dependence ถูกใช้ในการประเมิน Value-at-Risk (VaR)และExpected Shortfall ให้แม่นยำขึ้น
โดยเฉพาะกับพอร์ตสินทรัพย์ที่มีพฤติกรรมร่วมที่ไม่เป็นเชิงเส้น

🧠 การคำนวณ Tail Dependence

Tail Dependence สามารถนิยามได้สองรูปแบบที่สำคัญ:

นิยามผ่าน Copula Function2.นิยามผ่าน Conditional Probability (แบบ intuitive สำหรับการตีความ)

ทั้งสองแนวทางให้ความเข้าใจลึกซึ้งเกี่ยวกับ โครงสร้างความสัมพันธ์เชิงสุดขั้ว (extreme dependence structure) ระหว่างตัวแปรสุ่ม

🟥 1. Lower Tail Dependence (λ_L)

วัดความน่าจะเป็นที่ $ X $ และ $ Y $ จะ ลดลงอย่างรุนแรงพร้อมกัน

\[ \lambda_L = \lim_{u \to 0^+} \mathbb{P}\left( Y \leq F_Y^{-1}(u) \,\middle|\, X \leq F_X^{-1}(u) \right) \]

🔍 คำอธิบายตัวแปร:

สัญลักษณ์	ความหมาย
$ X, Y $	ตัวแปรสุ่มสองตัว เช่น ผลตอบแทนของสินทรัพย์
$ F_X, F_Y $	ฟังก์ชันสะสมความน่าจะเป็น (CDF) ของแต่ละตัวแปร
$ F_X^{-1}(u), F_Y^{-1}(u) $	ค่าควอนไทล์ที่ระดับ $ u $ เช่น ค่าที่ต่ำกว่าร้อยละ $ u $ ของข้อมูล
$ u \to 0^+ $	มองที่ค่าต่ำมาก (บริเวณหางซ้ายของการแจกแจง) เช่น $ u = 0.01 $ หรือ $ 0.001 $

✨ ใช้เพื่อดูว่า

“ถ้า $ X $ ร่วงหนักมากๆ แล้ว $ Y $ จะมีแนวโน้มร่วงตามหรือไม่?”

🟩 2. Upper Tail Dependence (λ_U)

วัดความน่าจะเป็นที่ $ X $ และ $ Y $ จะ พุ่งขึ้นแรงพร้อมกัน

\[ \lambda_U = \lim_{u \to 1^-} \mathbb{P}\left( Y > F_Y^{-1}(u) \,\middle|\, X > F_X^{-1}(u) \right) \]

🔍 คำอธิบายตัวแปร:

สัญลักษณ์	ความหมาย
$ u \to 1^- $	มองที่ค่าที่สูงมาก (บริเวณหางขวาของการแจกแจง) เช่น $ u = 0.99 $ หรือ $ 0.999 $
ตัวแปรอื่น ๆ	เหมือนกับนิยามใน $ \lambda_L $

✨ ใช้เพื่อดูว่า

“ถ้า $ X $ พุ่งขึ้นแรงมากๆ แล้ว $ Y $ จะพุ่งขึ้นตามหรือไม่?”

🔄 สรุปเปรียบเทียบสองนิยาม:

นิยาม	สูตร (แบบ Copula)	สูตร (แบบ Conditional Prob.)
Lower Tail (λ_L)	$ \lambda_L = \lim_{u \to 0^+} \frac{C(u,u)}{u} $	$ \lambda_L = \lim_{u \to 0^+} \mathbb{P}(Y \leq F_Y^{-1}(u) \mid X \leq F_X^{-1}(u)) $
Upper Tail (λ_U)	$ \lambda_U = \lim_{u \to 1^-} \frac{1 - 2u + C(u,u)}{1 - u} $	$ \lambda_U = \lim_{u \to 1^-} \mathbb{P}(Y > F_Y^{-1}(u) \mid X > F_X^{-1}(u)) $

📌 ทั้งสองนิยามให้ผลลัพธ์เทียบเคียงกันได้ในเชิงพฤติกรรม Tail Risk
แต่แบบที่สอง (Conditional Probability) ตีความง่ายกว่า และเหมาะกับการอธิบายเชิงประยุกต์ในเชิงพอร์ตและระบบการเงิน

🧠 การคำนวณ Tail Dependence จากข้อมูลจริง (Empirical Estimation)

Tail Dependence คือความสัมพันธ์ของตัวแปรสุ่มในช่วง “หางของการแจกแจง” เช่น เหตุการณ์สุดขั้วในตลาด
เราสามารถคำนวณจากข้อมูลจริงโดยไม่ต้องสมมติฟังก์ชันการแจกแจงล่วงหน้า ด้วยวิธี Empirical (Nonparametric)

✅ Input:

ข้อมูลผลตอบแทนรายวันของสินทรัพย์สองตัว เช่น หุ้น IBM และ MSFT
ข้อมูลควรจัดเรียงตามเวลา และมีจำนวนข้อมูลมากพอ (เช่น 500 จุดขึ้นไป)

🔢 Step-by-step:

🔹 Step 1: เตรียมข้อมูล

สร้างเวกเตอร์ผลตอบแทนรายวัน: \[ R_X = [r_{X,1}, \dots, r_{X,n}], \quad R_Y = [r_{Y,1}, \dots, r_{Y,n}] \]
ตรวจสอบให้ข้อมูลเรียงวันตรงกัน (time-aligned)

🔹 Step 2: แปลงข้อมูลเป็นค่าควอนไทล์ (Empirical Quantiles)

แปลงค่าผลตอบแทนเป็นตำแหน่งในข้อมูล (rank) แล้วหารด้วย $ n+1 $:

\[ U_i = \frac{\text{rank}(R_{X,i})}{n + 1}, \quad V_i = \frac{\text{rank}(R_{Y,i})}{n + 1} \]

ผลลัพธ์คือ $ U_i, V_i \in (0,1) $ อยู่ในรูปของ อันดับสัมพัทธ์ ของแต่ละจุดข้อมูล

🟥 Step 3: คำนวณ Lower Tail Dependence $ \hat{\lambda}_L(u) $

เลือกค่า $ u $ ที่แสดงถึงหาง เช่น $ u = 0.05 $

\[ \hat{\lambda}_L(u) = \frac{ \#\{ i : U_i \leq u \,\land\, V_i \leq u \} }{ \#\{ i : U_i \leq u \} } \]

หมายถึงความน่าจะเป็นที่ $ Y $ จะตกแรง เมื่อ $ X $ ตกแรงเช่นกัน

🟩 Step 4: คำนวณ Upper Tail Dependence $ \hat{\lambda}_U(u) $

เลือกค่า $ u = 0.95 $ เพื่อดูพฤติกรรมด้านขวาของหาง

\[ \hat{\lambda}_U(u) = \frac{ \#\{ i : U_i > u \,\land\, V_i > u \} }{ \#\{ i : U_i > u \} } \]

หมายถึงความน่าจะเป็นที่ $ Y $ จะพุ่งแรง เมื่อ $ X $ พุ่งแรงเช่นกัน

🔍 คำอธิบายตัวแปร:

สัญลักษณ์	ความหมาย
$ U_i, V_i $	ค่าควอนไทล์แบบ empirical ของ $ R_X $ และ $ R_Y $
$ u $	ค่าคัดกรองหาง เช่น 0.05 (5%) หรือ 0.01 (1%)
$ \#\{ \cdot \} $	จำนวนข้อมูลที่เข้าเงื่อนไข

🖥️ ตัวอย่างโค้ด Python (Empirical Estimation)

import numpy as np
from scipy.stats import rankdata

def empirical_tail_dependence(x, y, u=0.05):
 n = len(x)
 ux = rankdata(x) / (n + 1)
 uy = rankdata(y) / (n + 1)

 lower = np.sum((ux <= u) & (uy <= u)) / np.sum(ux <= u)
 upper = np.sum((ux > 1 - u) & (uy > 1 - u)) / np.sum(ux > 1 - u)

 return lower, upper

อาร์บิทราจเชิงสถิติสำหรับนักเทรด

Sun, 30 Mar 2025 13:00:00 +0000

ปัญญาประดิษฐ์และการวิเคราะห์ข้อมูลในปศุสัตว์

Wed, 26 Mar 2025 13:00:00 +0000

แนวโน้มการเงิน 2025

Sat, 22 Mar 2025 13:00:00 +0000

การประเมินผลกระทบ ESG ต่อลงทุนโดยใช้โมเดลแฟกเตอร์

Thu, 27 Feb 2025 19:00:00 +0000

บทนำสู่การสร้างพอร์ตโฟลิโออย่างยั่งยืนเชิงปริมาณและ ESG

Thu, 20 Feb 2025 19:00:00 +0000

เวิร์กช็อปการซื้อขายเชิงปริมาณ

Sat, 15 Feb 2025 13:00:00 +0000

การแนะนำโมเดลแบล็ก-ลิเทอร์แมนและโมเดลปัจจัย จากการปฏิบัติสู่ทฤษฎี

Sat, 25 Jan 2025 13:00:00 +0000

การซื้อขายคู่สินทรัพย์หลายประเภท

Sat, 21 Dec 2024 09:00:00 +0000

ไพธอน 101 และแบบจำลองแบบตัวแทน

Thu, 12 Dec 2024 09:00:00 +0000

การประเมินผลกระทบของปัจจัยด้านความยั่งยืน ESG ต่อตัวชี้วัดผลตอบแทนของสหรัฐอเมริกา

Thu, 28 Nov 2024 08:00:00 +0000

แนวทางการศึกษาระดับปริญญาโทสาขาวิศวกรรมการเงินที่มหาวิทยาลัยเวิลด์ควอนท์

Mon, 25 Nov 2024 19:00:00 +0000

ปัญญาประดิษฐ์สำหรับการวิจัย

Mon, 25 Nov 2024 13:00:00 +0000

บทนำสู่การซื้อขายเชิงปริมาณ

Wed, 20 Nov 2024 10:00:00 +0000

การประชุมข้อมูล CQF

Sat, 16 Nov 2024 13:00:00 +0000

แนวทางอาชีพเชิงปริมาณ

Sat, 05 Oct 2024 13:00:00 +0000

โคปูลาเบื้องต้น (Introduction to Copula)

Thu, 19 Sep 2024 00:00:00 +0000

ภาษาไทย

1. Copula คืออะไร

โคปูลา (Copula) เป็นฟังก์ชันทางคณิตศาสตร์ที่ใช้ในการเชื่อมโยงการแจกแจงสะสมของตัวแปรสุ่มหลายตัวเข้าด้วยกัน โดยการใช้ copula เราสามารถสร้างการแจกแจงร่วมของตัวแปรสุ่มที่ไม่เป็นอิสระกันจากการแจกแจงของตัวแปรสุ่มแต่ละตัวได้ copula เป็นเครื่องมือที่สำคัญในการวิเคราะห์ความสัมพันธ์ที่ไม่เป็นเชิงเส้นระหว่างตัวแปรสุ่มหลายตัว

ฟังก์ชันคอปูลา $ C(u_1, u_2, \dots, u_d) $ คือฟังก์ชันการแจกแจงสะสมร่วมของตัวแปรสุ่มมาตรฐาน $ U_1, U_2, \dots, U_d $ โดยที่ตัวแปรสุ่มเหล่านี้มีการแจกแจงแบบสม่ำเสมอบนช่วง $[0,1]$ และสามารถเขียนฟังก์ชันคอปูลาได้ดังนี้:

\[ F(x_1, x_2, \dots, x_d) = C(F_1(x_1), F_2(x_2), \dots, F_d(x_d)) \]

โดยที่ $ F_1, F_2, \dots, F_d $ คือฟังก์ชันการแจกแจงสะสมของตัวแปรสุ่ม $ X_1, X_2, \dots, X_d $ ตามลำดับ และ $ F $ คือฟังก์ชันการแจกแจงสะสมร่วมของตัวแปรสุ่มเหล่านี้

คุณสมบัติของคอปูลา:

คอปูลาใช้ในการจำลองความสัมพันธ์ระหว่างตัวแปรสุ่มที่มีการแจกแจงต่างกัน
คอปูลาเป็นฟังก์ชันที่ไม่ขึ้นกับการแจกแจงแบบขอบ (Marginal Distribution)
คอปูลาได้รับความนิยมในการประยุกต์ใช้ในด้านการเงินและการบริหารความเสี่ยง เช่น การสร้างแบบจำลองความสัมพันธ์ระหว่างสินทรัพย์ในพอร์ตการลงทุน

ตัวอย่างการใช้คอปูลา:

ในตลาดการเงิน การใช้คอปูลาในการวิเคราะห์ความเสี่ยงจะช่วยให้เราสามารถจำลองความสัมพันธ์ระหว่างการเปลี่ยนแปลงของราคาสินทรัพย์ที่มีการกระจายตัวต่างกัน เช่น การเชื่อมโยงการแจกแจงของหุ้นและพันธบัตรเข้าด้วยกัน

ตัวอย่างการประยุกต์ใช้

ศึกษา Copula ได้จากที่ไหน

แนวคิดทฤษฎี

คำภี ต้นตำหรับ แน่นอนครับเป็นใครไปไม่ได้ Neson นั่นเอง

การประยุกต์ใช้การจัดการคสามเสี่ยง

การใช้งานผ่าน Package R

เอกสารอ้างอิง

[1] V. K. Chauhan, K. Dahiya, and A. Sharma. Problem formulations and solvers in linear svm: a review. Artificial Intelligence Review, 52(2):803–855, 2019. [2] เจ. แพลตต์. การปรับค่าเล็กทีละขั้นตอนอย่างต่อเนื่อง: อัลกอริทึมที่รวดเร็วสำหรับการฝึกเครื่องเวกเตอร์สนับสนุน 1998.

ปัญญาประดิษฐ์สำหรับการวิจัย

Mon, 16 Sep 2024 13:30:00 +0000

แนวทางสำหรับโครงการระดับปริญญาตรีด้านคณิตศาสตร์การเงิน

Fri, 13 Sep 2024 13:00:00 +0000

การอภิปรายเกี่ยวกับกลยุทธ์การซื้อขายของ King Quant

Sat, 07 Sep 2024 20:00:00 +0000

แนวทางของโครงการคณิตศาสตร์ประยุกต์

Thu, 05 Sep 2024 13:30:00 +0000

บทนำสู่การวิเคราะห์ความเสี่ยงเชิงปริมาณ

Thu, 08 Aug 2024 00:00:00 +0000

คำอธิบายหลักสูตร:

การบริหารความเสี่ยงและการวัดความเสี่ยง ความหมายของความเสี่ยง ความไม่แน่นอน ความน่าจะเป็น และเหตุการณ์ที่เกี่ยวข้องกับความเสี่ยง เทคนิคการบริหารความเสี่ยง การประยุกต์ใช้และข้อจำกัดของการวิเคราะห์เชิงปริมาณ การวัดความเสี่ยงเชิงปริมาณ ความผันผวนและมูลค่าเมื่อประสบความเสี่ยง การวิเคราะห์ความเสี่ยงของประเภทสินทรัพย์ และการนำเสนอผลการวิเคราะห์ความเสี่ยง

กลไกการดำเนินการถอนการลงทุนจากเชื้อเพลิงฟอสซิลในการบริหารพอร์ตโฟลิโอและผลต่อความเสี่ยง ผลตอบแทน และการลดคาร์บอน

Wed, 03 Jul 2024 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

การถอนการลงทุนจากเชื้อเพลิงฟอสซิลมักถูกประเมินเหมือนเป็นการตัดสินใจตัดสินทรัพย์ออกเพียงครั้งเดียว ทำให้นักลงทุนขาดหลักฐานที่ชัดเจนว่าความเร็วในการดำเนินการและการนำเงินไปลงทุนซ้ำส่งผลต่อความเสี่ยง ผลตอบแทน เสถียรภาพ และการลดคาร์บอนของพอร์ตโฟลิโอตลอดเวลาอย่างไร

ผู้ได้รับประโยชน์:

ผู้จัดการพอร์ตโฟลิโอสถาบันและรายย่อย
กองทุนบำนาญและเจ้าของสินทรัพย์ระยะยาว
ผู้ให้บริการ ETF และที่ปรึกษาการลงทุน
ผู้กำหนดนโยบายการเงินเพื่อสภาพภูมิอากาศและนักวิเคราะห์ ESG

วิธีการ

งานวิจัยใช้วิธีจัดสรรสินทรัพย์แบบพลวัตหลายช่วงเวลาเพื่อประเมินตารางเวลาการถอนแบบช้า เร็ว และทันที ระหว่างปี 2010-2020 ในพอร์ต S&P 500, FTSE 100 และ ETF iShares ทั่วโลก 5 กอง การวิเคราะห์รวมการคัดกรองตามอุตสาหกรรมและ ESG เข้ากับการถอนเงิน การเปิดสถานะขาย และกฎการลงทุนซ้ำ แล้วติดตามผลตอบแทน ความเสี่ยง การกระจุกตัว tracking error การกระจายความเสี่ยง ค่าธรรมเนียม เงินปันผล และการลดคาร์บอนฟุตพรินต์

ผลการศึกษา

รูปแบบผลตอบแทนโดยรวมไม่ไวต่อตารางเวลา แต่การถอนการลงทุนอย่างรวดเร็วอาจเพิ่มการกระจุกตัว ความเสี่ยง และ tracking error ตารางเวลาที่ช้ากว่าให้เสถียรภาพมากขึ้นและช่วยลดคาร์บอนผ่านการลงทุนซ้ำ การถอนอุตสาหกรรมพลังงานและสาธารณูปโภคลดคาร์บอนฟุตพรินต์ได้สูงสุดร้อยละ 7 ส่วนการถอน ETF ที่มีคาร์บอนสูงให้การลดเพิ่มเติมแต่มีข้อแลกเปลี่ยนด้านค่าธรรมเนียมและเงินปันผล การคัดกรอง FTSE 100 ตาม ESG ยังช่วยเพิ่มการกระจายความเสี่ยงได้

เครื่องเวกเตอร์สนับสนุนสำหรับการจำแนกประเภทบนผลตอบแทน SET100

Mon, 17 Jun 2024 00:00:00 +0000

หมายเหตุ

โครงการนี้เป็นการสอบ CQF ในเรื่องการเรียนรู้ของเครื่องในด้านการเงิน

ความเข้าใจปัญหา

ดัชนี SET100 ซึ่งเป็นตัวแทนของหุ้น 100 ตัวบนตลาดหลักทรัพย์แห่งประเทศไทย (SET) ทำหน้าที่เป็นตัวชี้วัดที่สำคัญสำหรับตลาดหุ้นของไทย แตกต่างจากดัชนีที่เป็นที่ยอมรับในตลาดพัฒนาหรือประเทศที่พัฒนาแล้ว เช่น S&P 500 หรือ FTSE 100 ดัชนี SET100 เผชิญกับสภาพเศรษฐกิจที่เปลี่ยนแปลงอย่างรวดเร็วของตลาดเกิดใหม่ ตลาดเกิดใหม่อย่างประเทศไทยมีศักยภาพในการเติบโตที่สูงขึ้นเนื่องจากการอุตสาหกรรม, การขยายตัวของเมือง และโครงสร้างประชากรที่เอื้ออำนวย อย่างไรก็ตาม การเติบโตนี้มาพร้อมกับความผันผวนที่เพิ่มขึ้นและความเสี่ยงที่สูงขึ้น ซึ่งได้รับอิทธิพลจากความไม่มั่นคงทางการเมือง, ความผันผวนทางเศรษฐกิจ และผลกระทบจากเศรษฐกิจโลกSET100 มอบโอกาสการลงทุนที่โดดเด่นในหลายสาขา รวมถึงการเงิน พลังงาน สินค้าอุปโภคบริโภค และอุตสาหกรรม การรวมเอาธุรกิจขนาดเล็กถึงขนาดกลางเข้าสู่ดัชนีนี้เน้นศักยภาพในการเติบโตอย่างมีนัยสำคัญ คุณลักษณะเหล่านี้ พร้อมกับความท้าทายและโอกาสที่มีอยู่ในตลาดเกิดใหม่ ทำให้ SET100 เป็นหัวข้อที่น่าสนใจสำหรับการวิเคราะห์ทางการเงินและการคาดการณ์ผลตอบแทนการทำนายผลตอบแทนของหุ้นอย่างแม่นยำเป็นสิ่งสำคัญสำหรับการตัดสินใจลงทุนอย่างมีข้อมูล ตลาดการเงินที่ผันผวนและซับซ้อน พร้อมปัจจัยต่าง ๆ เช่น ความรู้สึกของตลาด ตัวชี้วัดทางเศรษฐกิจ และเหตุการณ์ทางภูมิรัฐศาสตร์ ก่อให้เกิดความท้าทายอย่างมากต่อการทำนายผลตอบแทน วิธีการทางสถิติแบบดั้งเดิมมักไม่สามารถจับความสัมพันธ์แบบไม่เชิงเส้นภายในข้อมูลได้ ทำให้ต้องพึ่งพาเทคนิคการเรียนรู้ของเครื่องที่ล้ำหน้า ในโครงการนี้ เราใช้เครื่องมือ Support Vector Machines (SVM) เพื่อจำแนกผลตอบแทนรายวันของหุ้น SET100 โดยใช้ความสามารถของอัลกอริทึมในการจัดการข้อมูลมิติสูงและจำลองรูปแบบที่ซับซ้อน เป้าหมายของเราคือการเพิ่มความแม่นยำในการทำนาย เพื่อให้ข้อมูลเชิงลึกที่มีคุณค่าสำหรับนักลงทุนและผู้จัดการพอร์ตโฟลิโอ

การดึงข้อมูลข้อมูลสำหรับการศึกษานี้ รวมถึงราคาสำหรับเปิด สูง ต่ำ และปิด (OHLC) ของหุ้น SET100 ถูกดึงมาจาก Investing.com ชุดข้อมูลครอบคลุมตั้งแต่วันที่ 3 มกราคม 2018 ถึง 30 พฤษภาคม 2024 ให้ข้อมูลราคาประวัติศาสตร์อย่างครบถ้วน ที่นี่ ราคาทั้งหมดปรับตามเงินปันผลและนำเสนอเป็นสกุลเงินบาท (THB) หลังจากดึงข้อมูลมา ข้อมูลได้ผ่านกระบวนการทำความสะอาดอย่างละเอียดเพื่อให้มั่นใจในคุณภาพและความน่าเชื่อถือ กระบวนการนี้รวมถึงการจัดการกับค่าที่หายไป การลบข้อมูลซ้ำ และการทำให้รูปแบบวันที่สอดคล้องกัน

การสร้างภาพข้อมูล/คำอธิบายชุดข้อมูลประกอบด้วยคุณลักษณะหลักดังต่อไปนี้:

เปิด (Open): ราคาหุ้นเปิดในวันซื้อขายที่กำหนด
สูง (High): ราคาหุ้นสูงสุดในช่วงวันซื้อขาย
ต่ำ (Low): ราคาหุ้นต่ำสุดในช่วงวันซื้อขาย
ปิด (Close): ราคาหุ้นปิดในวันซื้อขาย

รูปที่ 1 แสดงการกระจายตัวของคุณลักษณะที่เลือกบางประการ ซึ่งให้ข้อมูลเชิงลึกเกี่ยวกับช่วงและแนวโน้มศูนย์กลางของพวกมัน ข้อมูลไม่มีค่าผิดปกติสุดโต่ง เนื่องจาก SET100 ไม่เติบโตอย่างรวดเร็วเมื่อเทียบกับตลาดอื่นและช่วงเวลาการศึกษาเป็นระยะเวลาสั้น ๆ ฮิสโตแกรมของคุณลักษณะต่าง ๆ แสดงแนวโน้มศูนย์กลาง นอกจากนี้คุณลักษณะเหล่านี้มีความสัมพันธ์กันสูง การสร้างคุณลักษณะเพิ่มเติมเป็นสิ่งจำเป็นเพื่อจับรูปแบบที่แท้จริงและปรับปรุงประสิทธิภาพของโมเดล

การทำความสะอาด/จัดการข้อมูลการทำความสะอาดและจัดการข้อมูลอย่างมีประสิทธิภาพเป็นขั้นตอนสำคัญในการเตรียมชุดข้อมูลสำหรับการวิเคราะห์และสร้างแบบจำลอง ในการศึกษานี้ ชุดข้อมูลซึ่งประกอบด้วยข้อมูลราคาประวัติศาสตร์ของดัชนี SET100 ได้ผ่านกระบวนการทำความสะอาดข้อมูลอย่างละเอียดเพื่อให้มั่นใจในคุณภาพและความน่าเชื่อถือของข้อมูล

การจัดการค่าที่หายไป

ค่าที่หายไปในชุดข้อมูลสามารถทำให้ผลลัพธ์ไม่ถูกต้องและเกิดอคติในแบบจำลอง เพื่อแก้ไขปัญหานี้ เราได้ดำเนินการตามขั้นตอนดังต่อไปนี้:

ระบุค่าที่หายไปในชุดข้อมูล
เติมค่าที่หายไปโดยใช้วิธีเติมต่อจากค่าก่อนหน้าหรือค่าหลังที่เหมาะสม
สำหรับคุณสมบัติที่ไม่เหมาะสมกับการเติมค่า แถวที่มีค่าหายไปจะถูกลบออกเพื่อรักษาความสมบูรณ์ของข้อมูล

การลบข้อมูลซ้ำ

ระเบียนที่ซ้ำซ้อนสามารถทำให้การวิเคราะห์ผิดเพี้ยนและนำไปสู่ข้อสรุปที่ไม่ถูกต้อง เรารับประกันว่าชุดข้อมูลปราศจากข้อมูลซ้ำโดย:- ระบุและลบแถวที่ซ้ํากันตามคอลัมน์ ‘วันที่’

ในกระบวนการนี้ 70.% ของข้อมูลถูกจัดสรรให้กับชุดฝึก และ 30.% ไปยังชุดทดสอบพารามิเตอร์ \texttt{random_state} ถูกตั้งเป็น 42 เพื่อให้มั่นใจว่าผลลัพธ์สามารถทําซ้ําได้

วิศวกรรมฟีเจอร์

ตารางต่อไปนี้แสดงคุณลักษณะที่ถูกแปลง คําอธิบาย และสูตรทางคณิตศาสตร์ที่ใช้คํานวณ:|คุณสมบัติ |คําอธิบาย |สูตรคณิตศาสตร์ | |————————|———————————————————————————————————————————-|————————————————| |ความผันผวน |ส่วนเบี่ยงเบนมาตรฐานของผลตอบแทนในช่วงเวลา 10 วันแสดงระดับความผันผวนของราคาหุ้น แสดงถึงความไม่แน่นอนและความเสี่ยงของตลาด|$\text{std}(\text{Return}_{t-10:t-1})$ | |โมเมนตัม |ความแตกต่างระหว่างราคาปิดปัจจุบันกับราคาปิดเมื่อ 10 วันที่แล้วฟีเจอร์นี้ช่วยระบุแนวโน้มและความแข็งแกร่งของการเคลื่อนไหวของราคาหุ้น|$\text{ปิด}_{t-10} - \text{ปิด}_{t-20}$ || Avg_Open_Close | ค่าเฉลี่ยของราคาปิดและราคาเปิด ให้ค่าที่เรียบง่ายซึ่งแสดงถึงแนวโน้มศูนย์กลางของราคาภายในวันซื้อขาย | $ rac{ ext{Open}_{t-1} + ext{Close}_{t-1}}{2}$ | | Avg_High_Low | ค่าเฉลี่ยของราคาสูงสุดและราคาต่ำสุด ให้ข้อมูลเกี่ยวกับช่วงความผันผวนของราคาในแต่ละวัน แสดงถึงความผันผวนภายในวันซื้อขายเดียว | $ rac{ ext{High}_{t-1} + ext{Low}_{t-1}}{2}$ | | Price_Range | ความต่างระหว่างราคาสูงสุดและราคาต่ำสุด คุณสมบัตินี้แสดงการเคลื่อนไหวของราคาภายในวัน | $ ext{High}_{t-1} - ext{Low}_{t-1}$ | | Daily_Change | ความต่างระหว่างราคาปิดและราคาเปิด | $ ext{Close}_{t-1} - ext{Open}_{t-1}$ || เปอร์เซ็นต์การเปลี่ยนแปลงรายวัน | การเปลี่ยนแปลงรายวันเป็นเปอร์เซ็นต์ของราคาปิด เปิด เพื่อให้มุมมองที่ปรับมาตรฐานของการเปลี่ยนแปลงราคาประจำวัน | $ rac{ ext{Daily_Change}_{t}}{ ext{Open}_{t-1}} imes 100$ | | ค่าเฉลี่ยเคลื่อนที่ของราคาปิด | ค่าเฉลี่ยเคลื่อนที่ของราคาปิดในช่วง 10 วัน ให้แนวโน้มราคาปิดที่เรียบขึ้น | $ ext{mean}( ext{Close}_{t-10:t-1})$ | | ค่าเฉลี่ยเคลื่อนที่ของความผันผวน | ค่าเฉลี่ยเคลื่อนที่ของความผันผวนในช่วง 10 วัน เน้นแนวโน้มระยะยาวของความผันผวนในตลาด | $ ext{mean}( ext{Volatility}_{t-10:t-1})$ | | ค่าเฉลี่ยเคลื่อนที่ของโมเมนตัม | ค่าเฉลี่ยเคลื่อนที่ของโมเมนตัมในช่วง 10 วัน ช่วยในการระบุแนวโน้มที่ต่อเนื่องของการเคลื่อนไหวของราคา | $ ext{mean}( ext{Momentum}_{t-10:t-1})$ |ด้วยการออกแบบคุณสมบัติเหล่านี้ เราได้เปลี่ยนข้อมูลราคาหุ้นดิบให้เป็นชุดข้อมูลที่มีโครงสร้างซึ่งจับตัวชี้วัดทางการเงินที่สําคัญ ช่วยให้สามารถสร้างแบบจําลองและทํานายได้อย่างมีประสิทธิภาพด้วยแนวทาง SVM

การสร้างแบบจําลองข้อมูล

รองรับเครื่องเวกเตอร์

SVM ทํางานโดยหาไฮเปอร์เพลนที่แยกคลาสในพื้นที่ฟีเจอร์ได้ดีที่สุดไฮเปอร์เพลนถูกเลือกเพื่อเพิ่มขอบเขตสูงสุด ซึ่งเป็นระยะห่างระหว่างไฮเปอร์เพลนกับจุดข้อมูลที่ใกล้ที่สุดจากแต่ละคลาส

สําหรับ SVM เชิงเส้น ฟังก์ชันการตัดสินใจถูกกําหนดไว้ดังนี้:

$$ f(\mathbf{x}) = \mathbf{w} \cdot \mathbf{x} + b $$

โดยที่ $\mathbf{w}$ คือเวกเตอร์น้ําหนัก, $\mathbf{x}$ คือเวกเตอร์อินพุต และ $b$ คือเทอมไบแอสไฮเปอร์เพลนถูกกําหนดโดยสมการ $\mathbf{w} \cdot \mathbf{x} + b = 0$วัตถุประสงค์ของ SVM คือการเพิ่มมาร์จิ้นให้สูงสุดในขณะที่จัดประเภทข้อมูลฝึกสอนอย่างถูกต้องซึ่งสามารถกําหนดเป็นปัญหาการเพิ่มประสิทธิภาพที่มีข้อจํากัด:

$$ \min_{\mathbf{w}, b} \frac{1}{2} \|\mathbf{w}\|^2 + C \sum_{i=1}^{n} \xi_i $$ $$ \text{subject to } y_i (\mathbf{w} \cdot \mathbf{x}_i + b) \geq 1 \quad \forall i $$

โดยที่ $y_i$ คือป้ายกํากับของคลาส และ $\mathbf{x}_i$ คือเวกเตอร์อินพุต, $\xi_i \geq 0 \quad \forall i$, และ $C$ คือพารามิเตอร์การทําให้เป็นปกติ

ค่าที่มากขึ้น $C$ จะเน้นการลดข้อผิดพลาดในการจัดประเภทผิดให้น้อยที่สุด ซึ่งอาจแลกมาด้วยขอบเขตที่น้อยลงสิ่งนี้อาจนําไปสู่โมเดลที่ตรงกับข้อมูลการฝึกอย่างใกล้ชิด (อคติต่ําแต่ความแปรปรวนสูง) ซึ่งอาจนําไปสู่การ overfitting

ในทางกลับกัน ค่าที่เล็กลง $C$ จะเน้นการเพิ่มมาร์จิ้นให้สูงสุด ทําให้เกิดการจัดประเภทผิดพลาดบางอย่างสิ่งนี้อาจนําไปสู่โมเดลที่ง่ายขึ้นซึ่งสามารถขยายผลได้ดีขึ้นกับข้อมูลที่ไม่เคยเห็น (อคติสูงแต่ความแปรปรวนต่ํา) ลดความเสี่ยงของการฟิตเกินโครงการนี้ใช้เทคนิคเคอร์เนลกับเคอร์เนลเชิงเส้น, RBF และซิกมอยด์ ตามที่สามารถพบได้ในภาคผนวก \ref{app:A}.

การเลือกแบบจำลองผ่านการปรับพารามิเตอร์

เพื่อเพิ่มประสิทธิภาพของแบบจำลอง SVM เราได้ใช้ Grid Search ซึ่งเป็นวิธีแบบเป็นระบบในการปรับพารามิเตอร์ Grid Search เกี่ยวข้องกับการประเมินผลการทำงานของแบบจำลองผ่านชุดพารามิเตอร์ที่กำหนดล่วงหน้าเพื่อหาชุดค่าที่ให้ผลลัพธ์ดีที่สุด

ในการศึกษานี้ เราได้พิจารณาพารามิเตอร์สำคัญสามตัวสำหรับแบบจำลอง SVM:- $C$: พารามิเตอร์การทําให้เป็นปกติ ซึ่งควบคุมการแลกเปลี่ยนระหว่างการได้ค่าความคลาดเคลื่อนต่ําในข้อมูลฝึกสอนและการลดความซับซ้อนของโมเดลเพื่อหลีกเลี่ยงการฟิตเกิน

$\gamma$: สัมประสิทธิ์เคอร์เนลสําหรับเคอร์เนลที่ไม่เชิงเส้น (เช่น ฟังก์ชันฐานรัศมี RBF)มันกําหนดขอบเขตของอิทธิพลของตัวอย่างฝึกสอนเพียงหนึ่งตัว โดยค่าต่ําหมายถึง ‘ไกล’ และค่าสูงหมายถึง ‘ใกล้’
เคอร์เนล: ประเภทของฟังก์ชันเคอร์เนลที่ใช้ในการแปลงข้อมูลนําเข้าเราพิจารณาเคอร์เนลสองประเภท ได้แก่ ฟังก์ชันฐานเชิงเส้นและเรเดียล และเคอร์เนลซิกมิโอดเราได้กําหนดกริดของไฮเปอร์พารามิเตอร์โดยมีค่าดังนี้ $C \in \{0.1, 1, 10, 100\}$, $\gamma \in \{1, 0.1, 0.01, 0.001\}$ และเคอร์เนลสามประเภทที่เคยเป็นดิสปัสก่อนหน้านี้กริดที่กําหนดข้างต้นให้ผลลัพธ์รวมทั้งหมด 48 ชุด (4 ค่าสําหรับ $C$, 4 ค่าสําหรับ $\gamma$ และ 3 ค่าสําหรับเคอร์เนล)แต่ละค่าถูกประเมินเพื่อกําหนดชุดไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุด หลังจากทําการค้นหาแบบกริด พบว่าพารามิเตอร์ที่ดีที่สุดคือ: $C = 1$ ในเคอร์เนลเชิงเส้น

ในทางปฏิบัติ ไลบรารี scikit-learn ของ Python ใช้อัลกอริทึม Sequential Minimal Optimization (SMO) [2] เพื่อแก้ปัญหาการปรับแต่ง SVM แบบคู่ [1]SMO แบ่งปัญหาออกเป็นปัญหาย่อยย่อย โดยแต่ละปัญหาเกี่ยวข้องกับตัวคูณ Lagrange เพียงสองตัวในแต่ละครั้ง ซึ่งทําให้การปรับแต่งมีประสิทธิภาพและขยายตัวได้มากขึ้นรายละเอียดสามารถดูได้ในภาคผนวก \ref{app:smo}## การตรวจสอบ/พัฒนาโมเดล

ประสิทธิภาพของโมเดลแสดงไว้ในตาราง \ref{tab:classification_report}โมเดล SVM มีความแม่นยํา 65.80% ซึ่งบ่งชี้ถึงอัตราการทํานายที่ถูกต้องสูงความแม่นยําสําหรับคลาส 0.0 (ผลตอบแทนลบ) อยู่ที่ 0.68 และสําหรับคลาส 1.0 (ผลตอบแทนบวก) อยู่ที่ 0.62 แสดงให้เห็นถึงความสามารถของโมเดลในการระบุผลตอบแทนลบได้แม่นยํากว่าผลตอบแทนบวกการเรียกคืนสําหรับคลาส 0.0 อยู่ที่ 0.74 และสําหรับคลาส 1.0 คือ 0.55 ซึ่งบ่งชี้ว่าโมเดลสามารถระบุผลตอบแทนลบจริงส่วนใหญ่ได้สําเร็จ แต่น้อยกว่าสําหรับผลตอบแทนบวกคะแนน F1 สําหรับทั้งสองคลาสอยู่ในระดับปานกลาง (0.71 สําหรับคลาส 0.0 และ 0.58 สําหรับคลาส 1.0) สะท้อนถึงความสมดุลระหว่างความแม่นยําและการเรียกคืนคะแนน ROC AUC 0.64 ยังยืนยันความสามารถในการแยกแยะผลตอบแทนบวกและลบของโมเดลนี้อีกด้วยเมทริกซ์ความสับสน (Confusion Matrix) ซึ่งแสดงในรูปที่ 2 ให้ข้อมูลเชิงลึกอย่างละเอียดเกี่ยวกับการทำนายของโมเดล จากการทำนายทั้งหมด 462 ครั้ง โมเดลทำการทำนายที่ถูกต้องและไม่ถูกต้องอย่างสมดุลสำหรับทั้งสองคลาส โดยเฉพาะ โมเดลทำนายค่า True Negative ถูกต้อง 194 ครั้ง และ True Positive ถูกต้อง 110 ครั้ง ซึ่งชี้ให้เห็นความน่าเชื่อถือของโมเดลในการแยกความแตกต่างระหว่างสองคลาส แต่ก็ยังมีพื้นที่ที่ต้องปรับปรุง

ค่า ROC AUC ซึ่งย่อมาจาก Receiver Operating Characteristic Area Under Curve ที่แสดงในรูปที่ 3 เป็นเครื่องวัดความสามารถของโมเดลในการแยกแยะระหว่างคลาส ค่า ROC AUC 0.64 แสดงถึงระดับการแยกแยะปานกลางระหว่างผลตอบแทนเชิงบวกและลบ แสดงให้เห็นว่าโมเดลดีกว่าการเดาสุ่ม แต่ยังมีพื้นที่ปรับปรุงอยู่

ข้อสรุปเกี่ยวกับการซื้อขายความแม่นยำและตัวชี้วัดประสิทธิภาพในระดับปานกลางของโมเดล SVM บ่งชี้ถึงความเป็นไปได้ในการประยุกต์ใช้ในกลยุทธ์การซื้อขายทางการเงิน ตัวอย่างเช่น การทำนายผลตอบแทนเป็นบวก (คลาส 1.0) อาจทำหน้าที่เป็นสัญญาณซื้อ ในขณะที่การทำนายผลตอบแทนเป็นลบ (คลาส 0.0) อาจบ่งชี้ถึงการขายหรือการถือครอง ความสามารถในการทำนายนี้สามารถผนวกรวมเข้ากับระบบการซื้อขายอัตโนมัติเพื่อปรับปรุงกระบวนการตัดสินใจ นอกจากนี้ การรวมกลยุทธ์การบริหารความเสี่ยง เช่น การตั้งคำสั่งหยุดขาดทุนตามการทำนายความผันผวน สามารถลดความสูญเสียที่อาจเกิดขึ้นได้ การปรับแต่งพอร์ตโฟลิโอยังสามารถได้รับประโยชน์จากการทำนายเหล่านี้โดยการกระจายการลงทุนไปยังหลายหุ้นใน SET100 เพื่อสร้างความสมดุลระหว่างความเสี่ยงและผลตอบแทน| มาตรฐาน|ความแม่นยำ|การดึงข้อมูล|F1-Score|จำนวนตัวอย่าง | |—————–|—————|————|————–|————-| | 0 | 0.68 | 0.74 | 0.71 | 262 | | 1 | 0.62 | 0.55 | 0.58 | 200 | | ความถูกต้อง | 0.66 | 0.66 | 0.66 | 462 | | ค่าเฉลี่ยแบบมาโคร | 0.65 | 0.64 | 0.65 | 462 | | ค่าเฉลี่ยถ่วงน้ำหนัก| 0.65 | 0.66 | 0.65 | 462 |

ตาราง: รายงานการจำแนกประเภทและมาตรฐาน

ภาคผนวก

เทคนิคเคอร์เนลSVM สามารถทําการจําแนกแบบไม่เชิงเส้นได้อย่างมีประสิทธิภาพโดยใช้ฟังก์ชันเคอร์เนลเคอร์เนลจะแปลงข้อมูลนําเข้าเป็นพื้นที่มิติที่สูงขึ้น ซึ่งสามารถใช้ตัวแยกเชิงเส้นเพื่อแยกความแตกต่างระหว่างคลาสต่าง ๆที่นี่ เราจะอธิบายเคอร์เนลที่ใช้กันทั่วไปสามประเภท ได้แก่ ฟังก์ชันเชิงเส้น, ฟังก์ชันฐานรัศมี (RBF) และซิกมอยด์

เคอร์เนลเชิงเส้น

เคอร์เนลเชิงเส้นเป็นเคอร์เนลประเภทที่ง่ายที่สุด ใช้เมื่อข้อมูลสามารถแยกเชิงเส้นในพื้นที่ฟีเจอร์เดิมได้ขอบเขตการตัดสินใจเป็นไฮเปอร์เพลนในพื้นที่ฟีเจอร์เดิม

ในทางคณิตศาสตร์ ฟังก์ชันเคอร์เนลเชิงเส้นถูกกําหนดไว้ดังนี้:

$$ K(\mathbf{x}_i, \mathbf{x}_j) = \mathbf{x}_i \cdot \mathbf{x}_j $$

โดยที่ $\mathbf{x}_i$ และ $\mathbf{x}_j$ เป็นเวกเตอร์อินพุต และ $\cdot$ หมายถึงผลคูณจุด

ฟังก์ชันการตัดสินใจสําหรับเคอร์เนลเชิงเส้นกําหนดโดย:

$$ f(\mathbf{x}) = \mathbf{w} \cdot \mathbf{x} + b $$

โดยที่ $\mathbf{w}$ คือเวกเตอร์น้ําหนัก และ $b$ คือเทอมไบแอส

เคอร์เนลฟังก์ชันฐานรัศมี (RBF)เคอร์เนล RBF หรือที่รู้จักกันในชื่อเคอร์เนลเกาส์เซียน เป็นตัวเลือกยอดนิยมสําหรับ SVM เพราะสามารถจัดการความสัมพันธ์ที่ไม่เชิงเส้นโดยการแมปข้อมูลไปยังพื้นที่มิติอนันต์มันมีประสิทธิภาพเป็นพิเศษเมื่อขอบเขตการตัดสินใจไม่เป็นเชิงเส้นสูง

ฟังก์ชันเคอร์เนล RBF ถูกกําหนดไว้ดังนี้:

$$ K(\mathbf{x}_i, \mathbf{x}_j) = \exp\left(-\gamma \|\mathbf{x}_i - \mathbf{x}_j\|^2\right) $$

โดยที่ $\gamma$ เป็นพารามิเตอร์ที่กําหนดความกว้างของฟังก์ชันเกาส์เซียน และ $\|\mathbf{x}_i - \mathbf{x}_j\|^2$ คือระยะทางยูคลิดยกกําลังสองระหว่างเวกเตอร์อินพุต

ฟังก์ชันการตัดสินใจสําหรับเคอร์เนล RBF คือ:

$$ f(\mathbf{x}) = \sum_{i=1}^{n} \alpha_i y_i \exp\left(-\gamma \|\mathbf{x} - \mathbf{x}_i\|^2\right) + b $$

โดยที่ $\alpha_i$ คือตัวคูณลากรังจ์, $y_i$ คือป้ายกํากับคลาส และ $b$ คือเทอมไบแอส

เคอร์เนลซิกมอยด์

เคอร์เนลซิกมอยด์มีพื้นฐานมาจากฟังก์ชันซิกมอยด์ ซึ่งมักใช้ในเครือข่ายประสาทเทียมมันสามารถแมปข้อมูลอินพุตไปยังพื้นที่มิติสูงกว่า คล้ายกับ RBF แต่ใช้กันน้อยกว่าฟังก์ชันเคอร์เนลซิกมอยด์ถูกนิยามว่า:

$$ K(\mathbf{x}_i, \mathbf{x}_j) = \tanh\left(\gamma \mathbf{x}_i \cdot \mathbf{x}_j + c\right) $$

โดยที่ $\alpha$และ $c$ คือพารามิเตอร์ของเคอร์เนล และ $\tanh$ คือฟังก์ชันสัมผัสไฮเปอร์โบลิก

ฟังก์ชันการตัดสินใจสําหรับเคอร์เนลซิกมอยด์คือ:

$$ f(\mathbf{x}) = \tanh\left(\sum_{i=1}^{n} \gamma_i y_i (\mathbf{x} \cdot \mathbf{x}_i) + c\right) $$

โดยที่ $\alpha_i$ คือตัวคูณลากรังจ์, $y_i$ คือป้ายกํากับคลาส และ $c$ คือพารามิเตอร์

SVM สูตรคู่

ปัญหาการหาค่าที่เหมาะสมมักถูกแก้โดยใช้สูตรคู่ของมันปัญหาคู่เน้นการหาตัวคูณลากรังจ์ $\alpha_i$ ที่เป็นไปตามเงื่อนไขดังต่อไปนี้:

$$ \max_{\alpha} \sum_{i=1}^{n} \alpha_i - \frac{1}{2} \sum_{i=1}^{n} \sum_{j=1}^{n} \alpha_i \alpha_j y_i y_j K(\mathbf{x}_i, \mathbf{x}_j) $$

ขึ้นอยู่กับ:

$$ 0 \leq \alpha_i \leq C \quad \forall i $$

และ

$$ \sum_{i=1}^{n} \alpha_i y_i = 0 $$

โดยที่ $K(\mathbf{x}_i, \mathbf{x}_j)$ คือฟังก์ชันเคอร์เนลที่คํานวณผลคูณจุดในพื้นที่ฟีเจอร์ที่แปลงแล้ว

การปรับแต่งขั้นต่ําแบบลําดับ

อัลกอริทึม SMO ทํางานดังนี้:- เริ่มต้นตัวคูณลากรังจ์ $\alpha_i$ ให้เป็นศูนย์

รายการ ทําซ้ําจนกว่าจะบรรลุเป้าหมาย:
1. เลือกตัวคูณสองตัว $\alpha_i$ และ $\alpha_j$ ที่ละเมิดเงื่อนไข Karush-Kuhn-Tucker (KKT)
2. แก้ปัญหาการหาค่าที่เหมาะสมสําหรับตัวคูณทั้งสองนี้ในขณะที่ยังคงค่าตัวคูณอื่น ๆ ไว้
3. อัปเดตตัวคูณและเวกเตอร์น้ําหนักที่เกี่ยวข้อง $\mathbf{w}$ และเทอมไบแอส $b$

ข้อดีของอัลกอริทึม SMO คือมันแยกปัญหาการเขียนโปรแกรมกําลังสองขนาดใหญ่ออกเป็นชุดปัญหาขนาดเล็กที่แก้ไขได้ง่ายและรวดเร็วกว่า

การเพิ่มประสิทธิภาพของตัวคูณลากรังจ์สองตัว $\alpha_i$ และ $\alpha_j$ สามารถแสดงได้ดังนี้:

$$ \max_{\alpha_i, \alpha_j} \left( \alpha_i + \alpha_j - \frac{1}{2} \left( \alpha_i^2 K(\mathbf{x}_i, \mathbf{x}_i) + \alpha_j^2 K(\mathbf{x}_j, \mathbf{x}_j) + 2 \alpha_i \alpha_j K(\mathbf{x}_i, \mathbf{x}_j) \right) \right) $$

ภายใต้ข้อจํากัดดังนี้:

$$ 0 \leq \alpha_i, \alpha_j \leq C $$

และ

$$ y_i \alpha_i + y_j \alpha_j = \text{constant} $$

ปัญหาการหาค่าที่เหมาะสมแบบกําลังสองนี้แก้ไขได้ง่ายกว่ามาก และอัลกอริทึม SMO จะอัปเดตตัวคูณซ้ํา ๆ เพื่อหาคําตอบที่เหมาะสมที่สุด## อ้างอิง

[1] V. K. Chauhan, K. Dahiya, และ A. Sharma. การกำหนดปัญหาและตัวแก้ปัญหาใน SVM เชิงเส้น: การทบทวน. Artificial Intelligence Review, 52(2):803–855, 2019.

[2] J. Platt. การเพิ่มประสิทธิภาพน้อยลำดับ: อัลกอริธึมเร็วสำหรับการฝึกเครื่องเวกเตอร์สนับสนุน. 1998.

การออกแบบกลยุทธ์การซื้อขายเชิงปริมาณ

Thu, 30 May 2024 20:00:00 +0000

ซอฟต์แวร์ โค้ด และข้อมูล

Sun, 19 May 2024 00:00:00 +0000

DivFolio: แอปพลิเคชัน Shiny สำหรับการถอนการลงทุนในพอร์ตโฟลิโอเพื่อการบริหารความมั่งคั่งด้านการเงินสีเขียว

Mon, 13 May 2024 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

นักลงทุนต้องการเครื่องมือที่ใช้งานง่ายสำหรับทดสอบว่าเกณฑ์ ESG ข้อจำกัดด้านคาร์บอน และตารางเวลาการถอนการลงทุนส่งผลต่อพอร์ตโฟลิโอตลอดเวลาอย่างไร หากไม่มีเครื่องมือแบบบูรณาการ การเปรียบเทียบผลการดำเนินงานทางการเงินกับเป้าหมายด้านสภาพภูมิอากาศในสินทรัพย์และหลายช่วงเวลาทำได้ยาก

ผู้ได้รับประโยชน์:

ผู้จัดการพอร์ตโฟลิโอและผู้จัดการความมั่งคั่ง
ทีมกองทุนบำนาญ คณิตศาสตร์ประกันภัย และที่ปรึกษาการลงทุน
นักวิเคราะห์การเงินยั่งยืนและนักลงทุนสถาบัน
นักวิจัยและผู้สอนด้านการออกแบบพอร์ตโฟลิโอ ESG

วิธีการ

งานวิจัยพัฒนา DivFolio เป็นแอปพลิเคชัน R Shiny แบบเปิดให้ใช้งานฟรีพร้อมส่วนติดต่อแบบกราฟิก กลไกหลายช่วงเวลารองรับพอร์ตโฟลิโอถ่วงน้ำหนักเท่ากันแบบเชิงรับและเชิงรุก พอร์ตความแปรปรวนต่ำสุด พอร์ต Sharpe สูงสุด และ Principal Portfolios ผู้ใช้เลือกสินทรัพย์ลงทุนและสินทรัพย์ที่จะถอนด้วยตนเองหรือด้วยเกณฑ์ ESG กำหนดตารางการถอนแบบทันที เชิงเส้น หรือไฮเพอร์โบลิก แล้วลงทุนเงินที่ถอนออกกลับไปในสินทรัพย์ที่เหลือ ซอฟต์แวร์เปรียบเทียบความเสี่ยงและผลตอบแทน ใช้การจัดกลุ่ม CLARA ประเมินเสถียรภาพ และใช้ Graphical Lasso วิเคราะห์การกระจายความเสี่ยง ตัวอย่างครอบคลุมการถอนการลงทุนรายภาคส่วนใน FTSE 100 และพอร์ตโฟลิโอบำนาญผสมในสหรัฐอเมริกาและสหราชอาณาจักร

ผลการศึกษา

DivFolio รวมการสร้างพอร์ตโฟลิโอและการวิเคราะห์การถอนการลงทุนไว้ในกระบวนการที่โปร่งใส กรณี FTSE 100 แสดงว่าคุณลักษณะด้านสิ่งแวดล้อมสามารถดีขึ้น ขณะที่ทางเลือกการถอนอาจเปลี่ยนความเสี่ยง การติดตามเกณฑ์อ้างอิง และเสถียรภาพ สำหรับตัวอย่างกองทุนบำนาญผสมสหรัฐอเมริกาและสหราชอาณาจักรช่วงปี 2013-2023 ค่าเฉลี่ยผลตอบแทนก่อนและหลังถอนการลงทุนไม่แตกต่างอย่างมีนัยสำคัญทางสถิติที่ระดับความเชื่อมั่น 99% อย่างไรก็ตาม การถอนแบบช้าให้ผลตอบแทนและ Sharpe ratio สูงสุดในบรรดาตารางเวลาที่ทดสอบในตัวอย่างดังกล่าว จึงควรประเมินความเร็วในการถอนอย่างเป็นระบบแทนการมองเป็นการตัดสินใจตัดออกเพียงครั้งเดียว

ทำไมตัวเลือกแบบ Lookback จึงมีราคาสูงกว่าตัวเลือกแบบ Asian, แนวทางการจำลอง

Mon, 22 Apr 2024 00:00:00 +0000

หมายเหตุ

โครงการนี้คือการสอบ CQF ในการจำลองมอนติคาร์โลสำหรับการประเมินราคาตัวเลือก

บทนำ

ออปชันแบบเอเชียนและลุคแบ็ค ซึ่งเป็นออปชันเอ็กโซติกสองประเภทที่แตกต่างกัน มีความแตกต่างกันในโครงสร้างการจ่ายผลตอบแทนโดยพื้นฐาน แต่ละประเภทออกแบบมาเพื่อตอบสนองความต้องการทางการเงินและโปรไฟล์ความเสี่ยงที่เฉพาะเจาะจง ออปชันแบบเอเชียน ซึ่งรวมถึงประเภทราคาเฉลี่ยและราคาใช้สิทธิ์เฉลี่ย จะคำนวณผลตอบแทนของพวกเขาจากราคากลางของสินทรัพย์อ้างอิงในช่วงเวลาที่กำหนด การเฉลี่ยนี้ช่วยลดผลกระทบของความผันผวน ทำให้ตัวเลือกเหล่านี้มักมีราคาถูกกว่าตัวเลือกมาตรฐาน จึงเหมาะสำหรับการป้องกันความเสี่ยงในตลาดที่มีความผันผวนสูงแต่แนวโน้มราคายังไม่แน่นอนในทางตรงกันข้าม ออปชั่นแบบลุคแบ็ค (lookback options) จะมีผลตอบแทนที่ขึ้นอยู่กับราคาสูงสุดหรือต่ำสุดของสินทรัพย์อ้างอิงในช่วงอายุของออปชั่น คุณสมบัตินี้ทำให้ผู้ถือออปชั่นได้รับประโยชน์จากราคาที่เอื้ออำนวยที่สุดในช่วงเวลาของออปชั่น ซึ่งช่วยให้ได้ผลตอบแทนที่เหมาะสมที่สุด เนื่องจากลักษณะดังกล่าว ออปชั่นแบบลุคแบ็คจึงมักมีราคาสูงกว่าออปชั่นมาตรฐานและออปชั่นเอเชียน และเป็นที่นิยมในกลุ่มนักลงทุนที่คาดการณ์การเคลื่อนไหวของตลาดอย่างมีนัยสำคัญและต้องการใช้ประโยชน์เต็มที่จากความผันผวนเหล่านั้น

ในกรอบตลาดที่สมบูรณ์ ค่าคาดหวังของผลตอบแทนที่ลดค่าด้วยอัตราดอกเบี้ยภายใต้มาตรการความน่าจะเป็นเป็นกลางความเสี่ยง $Q$ สำหรับราคาของอนุพันธ์ใด ๆ $V(S, t)$ สามารถนิยามทางคณิตศาสตร์ได้ดังนี้:

$$ V(S, t) = e^{r(T-t)} \mathbb{E}^Q[\Lambda(S_T)] $$

โดยที่ $r$ คืออัตราความเสี่ยง, $T$ คือเวลาหมดอายุ, $t$ คือเวลาปัจจุบัน, $S_T$ คือราคาหุ้นเมื่อหมดอายุ และ $\Lambda(S_T)$ หมายถึงฟังก์ชันการจ่ายเงินเฉพาะของออปชัน

ออปชันที่ขึ้นกับเส้นทาง เช่น ออปชันเอเชียแบบเฉลี่ยเลขคณิต แสดงให้เห็นถึงอิทธิพลของราคาสินทรัพย์อ้างอิงในอดีตต่อผลตอบแทน:

$$ \Lambda_{asian}(t) = (\bar{S} - K)^+, \ \text{where} \ \bar{S} = \frac{1}{m}\sum_{j = 1}^m S(t_j), $$

โดย $m$ แทนจํานวนช่วงเวลาการสังเกตในทํานองเดียวกัน ผลตอบแทนของตัวเลือกการมองย้อนกลับแบบตรอกคงที่ถูกกําหนดโดย:

$$ \Lambda_{lookback}(t) = (S_{\text{max}} - K)^+ $$

โดยที่ $S_{\text{max}}$ คือราคาสูงสุดที่ได้ในช่วงระยะเวลาของออปชันผลตอบแทนทั้งสองตัวเลือกสามารถหาได้ง่ายในตําราวรรณกรรม เช่น หนังสือมาตรฐานโดย Hull และ Basu [2]แม้ว่าตัวเลือกเหล่านี้จะไม่สามารถตั้งราคาวิเคราะห์ได้ภายในกรอบ Black-Scholes แบบดั้งเดิม แต่มีการใช้วิธีวิเคราะห์ทางเลือก เช่น ทฤษฎีสเปกตรัม เพื่อประมาณราคาของตัวเลือกในเอเชีย [3]อย่างไรก็ตาม การอภิปรายนี้จะเน้นไปที่การใช้ระบบออยเลอร์-มารุยามะมาตรฐานในการประมาณราคาของตัวเลือกเหล่านี้ และอธิบายทางคณิตศาสตร์ว่าทําไมตัวเลือกล็อกแบ็คจึงมีราคาสูงกว่าตัวเลือกเอเชียในส่วนถัดไป

วิธีการเชิงตัวเลข

วิธีการประมาณที่ง่ายที่สุดสําหรับกระบวนการราคาปกติแบบลอการิมอลคือระบบออยเลอร์-มารุยามะ ตามที่กล่าวไว้ใน [4] เพื่อจําลองราคาหุ้น $S$ ณ เวลา $t + \Delta t$ โดยอิงจากราคาหุ้น ณ เวลา $t$สูตรนี้กําหนดโดย:

$$ S_i(t_j) = S_i(t_{j-1})\left(1 + r (t_j - t_{j-1}) + \sigma \sqrt{t_j - t_{j-1}} Z_{ij} \right) $$

โดยที่ $r$ คืออัตราปลอดความเสี่ยง, $S_i(t_j)$ คือราคาสินทรัพย์พื้นฐานที่ดัชนีเส้นทาง $i$ และดัชนีเวลา $j$, $Z_{ij}$ เป็นตัวแปรปกติมาตรฐานอัลกอริทึมสําหรับสร้างเส้นทางและประมาณผลตอบแทนที่คาดว่าจะลดได้ถูกอธิบายไว้ในขั้นตอนต่อไปนี้

ผลลัพธ์และการอภิปรายจากการจําลองสถานการณ์

ตามอัลกอริทึมที่กล่าวถึง เราประเมินราคาของตัวเลือกเอเชียและตัวเลือก lookback โดยตั้งค่าพารามิเตอร์ดังนี้ โดยใช้ข้อมูลตัวอย่างที่ให้มา:

ราคาหุ้นเริ่มต้น $S_0 = 100$
ราคาขาย $E = 100$
เวลาหมดอายุ $T-t = 1$ ต่อปี
ความผันผวน $\sigma = 20\%$
อัตราดอกเบี้ยไร้ความเสี่ยงคงที่ $r = 5%$ควรสังเกตว่าสมการมาตรฐานแบบออยเลอร์-มารูยามาไม่ค่อยมีประสิทธิภาพเมื่อใช้กับออปชันที่ขึ้นอยู่กับเส้นทาง วิธีการแบ่งช่วงเวลา (discretization) ที่มีประสิทธิภาพมากกว่าซึ่งพิจารณาผลกระทบของเวลาช่วงกลางได้มีการอภิปรายใน [1] หน้า 7-8

เส้นทางง่าย 10,000 เส้นที่จำลองขึ้นแสดงไว้ในรูปที่ 1 ราคาของออปชันเป็นไปตามการแจกแจงแบบลอการิทึมปกติ ต่อไปจะมีการประยุกต์ใช้สมการที่เสนอเพื่อประเมินราคาของออปชันที่ให้พารามิเตอร์ ที่นี่ ช่วงเวลา (time step) ถูกตั้งค่าเป็น $m = 252$ หรือหนึ่งขั้นทุกวัน

ราคาของออปชันเอเชียนคือ 5.843582
ราคาของออปชันลุคแบ็คคือ 18.348289

รูปที่ 2 แสดงความแตกต่างของผลตอบแทนระหว่างออปชันแบบดูย้อนหลังและออปชันแบบเอเชียสำหรับแต่ละเส้นทาง ความแตกต่างทั้งหมดเป็นค่าที่ไม่เป็นลบ ซึ่งแสดงให้เห็นว่าผลตอบแทนของออปชันแบบดูย้อนหลังมีความเหนือกว่าออปชันแบบเอเชียอย่างสม่ำเสมอภายใต้พารามิเตอร์ที่เท่ากัน ผลลัพธ์นี้ได้มาจากฟังก์ชันผลตอบแทนของพวกเขา เนื่องจาก

$$ \max\{S(t_1), S(t_2), \dots, S(t_j)\} \geq \bar{S}(t), $$

จึงได้ว่า:

$$ \Lambda_{asian}(t) \leq \Lambda_{lookback}(t). $$

เป็นเรื่องง่ายที่จะพิสูจน์ว่าฟังก์ชันค่ามากสุดมีความเหนือกว่าฟังก์ชันค่าเฉลี่ยเสมอ ดังที่ได้กล่าวถึงในภาคผนวก

ต่อไป สิ่งสำคัญคือการพิจารณาว่าจะเกิดอะไรขึ้นกับช่วงราคาของออปชันหากวันครบกำหนดแตกต่างกัน รูปที่ 3 แสดงความแตกต่างระหว่างราคาของออปชันลุคแบ็กและออปชันเอเชียนในวันครบกำหนดที่แตกต่างกัน ดังที่สามารถสังเกตได้ ช่วงราคาจะเพิ่มขึ้นอย่างทวีคูณเมื่อระยะเวลาสัญญายาวขึ้น ซึ่งสมเหตุสมผลเพราะผู้ที่ออกออปชันลุคแบ็กจะรับความเสี่ยงมากขึ้นเนื่องจากราคาสูงสุดของสินทรัพย์อ้างอิงสามารถเกิดขึ้นได้ในช่วงเวลาที่ยาวขึ้น ในทางกลับกัน ผลตอบแทนเฉลี่ยของออปชันเอเชียนมักจะคาดเดาได้มากกว่าเมื่อช่วงเวลาของข้อมูลขยายออกไป เนื่องจากตัวอย่างเพียงไม่กี่ตัวจะไม่เปลี่ยนค่าเฉลี่ยของจำนวนมากอย่างมีนัยสำคัญในด้านการเงิน ตัวเลือกแบบมองย้อนหลังจะช่วยลดความเสี่ยงเรื่องเวลาได้อย่างมีประสิทธิภาพเนื่องจากผู้ถือรับประกันว่าจะสามารถได้ประโยชน์จากราคาที่ดีที่สุดที่เกิดขึ้นตลอดอายุของตัวเลือก คุณลักษณะนี้น่าสนใจเป็นพิเศษในตลาดที่ผันผวน ซึ่งการทำนายเวลาที่เหมาะสมที่สุดในการใช้สิทธิ์อาจเป็นเรื่องท้าทาย ในทางกลับกัน ตัวเลือกแบบเอเชียช่วยลดความเสี่ยงจากการถูกจัดการของตลาดใกล้วันหมดอายุและบรรเทาความเสี่ยงที่เกี่ยวข้องกับความผันผวนในระยะสั้น ลักษณะเหล่านี้ทำให้ตัวเลือกเอเชียมีความเสี่ยงต่ำกว่าสำหรับผู้ออกเมื่อเปรียบเทียบกับตัวเลือกแบบมองย้อนหลัง

สรุปรายงานฉบับนี้ได้สำรวจลักษณะทางการเงินและกลไกการกำหนดราคาของออปชั่นแบบคอลเอเชียนและลุคแบ็คโดยใช้วิธีการจำลองแบบออยเลอร์-มารูยามา การจำลองของเราได้ยืนยันว่าออปชั่นลุคแบ็คมักมีราคาสูงกว่าออปชั่นเอเชียนภายใต้พารามิเตอร์ที่เท่ากัน ความแตกต่างนี้มาจากโครงสร้างการจ่ายผลตอบแทนที่มีอยู่ในแต่ละออปชั่น ออปชั่นลุคแบ็ค ซึ่งจ่ายตามราคาสูงสุดหรือต่ำสุดของสินทรัพย์อ้างอิง ให้ผลตอบแทนที่ใช้ประโยชน์จากสภาวะตลาดที่ดีที่สุดในช่วงอายุของออปชั่น ดังนั้น ออปชั่นเหล่านี้จึงมีคุณค่าเป็นพิเศษในตลาดที่มีความผันผวนสูงซึ่งราคาสามารถมีจุดสูงสุดที่สำคัญในทางกลับกัน ออปชันเอเชียจะเฉลี่ยราคาสินทรัพย์พื้นฐานในช่วงเวลาหนึ่ง ซึ่งช่วยปรับความเคลื่อนไหวของตลาดให้ราบรื่นขึ้นลักษณะนี้ไม่เพียงแต่ลดต้นทุนของออปชัน แต่ยังลดโอกาสในการตอบแทนเมื่อเทียบกับออปชันย้อนหลังจากมุมมองการบริหารความเสี่ยง ออปชันเอเชียให้การลงทุนที่มั่นคงกว่าแต่โดยทั่วไปให้ผลตอบแทนน้อยกว่าออปชันย้อนหลัง

ภาคผนวก

เลมมา: ให้ $X$ เป็นเซตของจํานวนจริงจากนั้น

$$ \bar{X} \leq \max X $$

หลักฐาน: เมื่อกําหนดว่า $\bar{X} = \frac{1}{m}\sum_{i = 1}^m x_i$ โดยที่ $x_i \ใน X$ จะได้ว่า $x_i \leq \max X$ดังนั้น เรามี

$$ \bar{X} = \frac{1}{m}\sum_{i = 1}^m x_i \leq \frac{1}{m}\sum_{i = 1}^m \max X = \frac{1}{m} (m \max X) = \max X. $$

สิ่งนี้แสดงให้เห็นว่าค่าเฉลี่ยของสมาชิกใน $X$ ไม่สามารถเกินค่าสูงสุดในหน่วย $X$

อ้างอิง

[1] พี. กลาสเซอร์แมน.วิธีการมอนติคาร์โลในวิศวกรรมการเงิน เล่ม 53.สปริงเกอร์, 2004.[2] J. C. Hull และ S. Basu. Options, futures, and other derivatives. Pearson Education India, 2016.

[3] V. Linetsky. การกำหนดราคาที่แม่นยำของออปชันแบบเอเชียน: การประยุกต์ใช้ทฤษฎีสเปกตรัม. Operat. Res, 2001.

[4] G. Maruyama. กระบวนการมาร์คอฟต่อเนื่องและสมการสุ่ม. Rendiconti del Circolo Matematico di Palermo, 4:48–90, 1955.

การลงทุนแบบปัจจัย

Sun, 21 Apr 2024 13:00:00 +0000

บทนำสู่แบบจำลองปัจจัย

Sat, 20 Apr 2024 12:30:00 +0000

การเดินแบบสุ่มแบบกระโดดไปข้างหน้า

Fri, 29 Mar 2024 00:00:00 +0000

โค้ด R สำหรับการคำนวณความน่าจะเป็นการมาถึงของสถานะ ฟังก์ชันมวลความน่าจะเป็น เวลาในการชน และค่าคาดหมายรวมถึงความแปรปรวนของเวลาในการชนสำหรับการเดินแบบสุ่มก้าวไปข้างหน้า

การเดินสุ่มแบบกระโดดไปข้างหน้าบนกราฟวงรอบและเวลาการถึงเป้าหมาย

Fri, 29 Mar 2024 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

การเดินสุ่มบนกราฟวงรอบใช้แทนระบบที่เป็นคาบได้ แต่การจำกัดให้เคลื่อนที่ด้วยการกระโดดไปข้างหน้าทำให้พฤติกรรมของสถานะปลายทางและเวลาการถึงเป้าหมายเปลี่ยนไป จึงต้องการสูตรที่แม่นตรงโดยไม่พึ่งวิธีเวกเตอร์ลักษณะเฉพาะเพียงอย่างเดียว

ผู้ได้รับประโยชน์:

นักวิจัยด้านความน่าจะเป็นและกระบวนการสุ่ม
ผู้เชี่ยวชาญทฤษฎีกราฟและคณิตศาสตร์เชิงการจัด
นักวิเคราะห์เครือข่ายและวงจรไฟฟ้า
ผู้สอนและนักพัฒนาแบบจำลอง

วิธีการ

บนวงรอบที่มี d สถานะ แต่ละก้าวเป็นการกระโดดไปข้างหน้าอิสระ X ในเซต {1,...,m} ด้วยความน่าจะเป็นสม่ำเสมอ งานวิจัยนับเส้นทางเพื่อสร้างฟังก์ชันมวลความน่าจะเป็นของสถานะปลายทางในรูปจำนวนเชิงซ้อน ผลบวกตรีโกณมิติ และสูตรเชิงการจัดหมู่ จากนั้นใช้ความสัมพันธ์เวียนเกิดและฟังก์ชันก่อกำเนิดความน่าจะเป็นเพื่อหาการแจกแจงเวลาการถึงเป้าหมายครั้งแรก ค่าคาดหมาย และความแปรปรวนแบบแม่นตรง พร้อมสาธิตด้วยเกมกระดานวงรอบ 12 สถานะ

ผลการศึกษา

การแจกแจงสถานะปลายทางเข้าใกล้การแจกแจงสม่ำเสมอเร็วขึ้นเมื่อขีดจำกัดการกระโดด m หรือจำนวนก้าว n เพิ่มขึ้น และสม่ำเสมอทันทีเมื่อ m=d สำหรับการทดลองที่ d=12 ค่าคาดหมายของเวลาการถึงเป้าหมายอยู่ระหว่าง 7.75 ถึง 12 ก้าว โดย m=4 เร็วที่สุดและ m=12 นานที่สุด โดยทั่วไปการอนุญาตให้กระโดดไกลขึ้นเพิ่มทั้งค่าเฉลี่ยและความแปรปรวนของเวลาการถึงเป้าหมาย ขณะที่ขนาดกราฟมีอิทธิพลค่อนข้างน้อยในกรณีที่ศึกษา

การใช้ประโยชน์จากแบบจำลอง Generative Pre-trained Transformer เพื่อบูรณาการประเด็นสิ่งแวดล้อม สังคม และธรรมาภิบาลในการบริหารการลงทุนหุ้นไทย

Fri, 01 Mar 2024 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

รายงาน 56-1 One Report ของไทยมีความยาวและซับซ้อน ขณะที่ข้อมูลความยั่งยืนมักถูกมองเป็นข้อมูลที่ไม่ใช่การเงินและเชื่อมเข้ากับการวิเคราะห์ทางการเงินได้ยาก นักลงทุนทั่วไปจึงต้องการวิธีที่เข้าถึงง่ายเพื่อสกัดประเด็น ESG ที่มีสาระสำคัญโดยไม่ต้องอ่านเอกสารหลายร้อยหน้าด้วยตนเองทั้งหมด

ผู้ได้รับประโยชน์:

นักวิเคราะห์หุ้นไทยและผู้จัดการพอร์ตโฟลิโอ
ทีมวิจัย ESG และการใช้สิทธิผู้ถือหุ้น
ผู้เชี่ยวชาญด้านการปฏิบัติตามกฎและความเสี่ยงการลงทุน
หน่วยงานกำกับและนักพัฒนาเทคโนโลยีการเงิน

วิธีการ

ซอฟต์แวร์สร้าง GPT บนคู่มือตัวชี้วัด ESG รายอุตสาหกรรมของ SET และรายงาน ESG ปี 2021 จากทุกกลุ่มอุตสาหกรรม กระบวนการ Python และ LangChain ผสาน prompt chain ที่กำหนดบทบาทเป็นนักวิเคราะห์ ESG ที่มีประสบการณ์เข้ากับ toolchain สำหรับค้นคืนข้อมูลจาก embeddings และฐานข้อมูลเวกเตอร์ ผู้ใช้อัปโหลดรายงาน 56-1 One Report แล้วรับผลลัพธ์ที่มีโครงสร้างสามส่วน ได้แก่ การประเมินสาระสำคัญ การมีส่วนร่วมของผู้มีส่วนได้ส่วนเสีย และความท้าทายและข้อจำกัด งานวิจัยสาธิตด้วยรายงาน PTT 454 หน้าและ SCBX 350 หน้า

ผลการศึกษา

ตัวอย่างแสดงว่า GPT สามารถย่อย One Report ที่ยาวให้เป็นประเด็น ESG กระชับ และสนับสนุนการทบทวนสาระสำคัญกับการวางแผนมีส่วนร่วม อย่างไรก็ตาม งานวิจัยยังไม่ได้เปรียบเทียบความแม่นยำกับวิธีอื่น และระบบไม่ได้ฝึกเพื่อพยากรณ์ราคาหุ้นแบบเรียลไทม์หรือให้คำแนะนำการลงทุนที่เด็ดขาด ความเสี่ยงสำคัญคืออคติของข้อมูล รายงานที่ไม่มีมาตรฐาน ข้อมูลสาธารณะที่ไม่ครบ และประเด็น ESG ที่เปลี่ยนแปลง ผู้เขียนจึงเสนอให้เพิ่มข้อมูล พัฒนาการตรวจสอบความถูกต้อง อัปเดตอย่างต่อเนื่อง และคงการกำกับดูแลของมนุษย์

การพัฒนาปัจจัย ESG เพื่อยกระดับแบบจำลองปัจจัยในตลาดหุ้นไทย

Tue, 13 Feb 2024 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

แบบจำลองปัจจัยหุ้นแบบดั้งเดิมไม่ได้แทนคุณลักษณะ ESG ของตลาดไทยโดยตรง ขณะที่ผู้ให้คะแนนแต่ละรายอาจจัดกลุ่มบริษัทต่างกัน นักลงทุนจึงต้องการหลักฐานว่าปัจจัย ESG แตกต่างจากปัจจัยตลาดเดิมและช่วยอธิบายผลตอบแทนได้ดีขึ้น

ผู้ได้รับประโยชน์:

นักลงทุนหุ้นไทยและผู้จัดการพอร์ตโฟลิโอ
นักวิเคราะห์ ESG และผู้ให้บริการจัดอันดับความยั่งยืน
นักวิจัยด้านการกำหนดราคาสินทรัพย์
ผู้ออกแบบกองทุนที่ใช้หลักทรัพย์ใน THSI

วิธีการ

งานวิจัยใช้ข้อมูลรายวันของหุ้นไทย 520 บริษัทตั้งแต่เดือนมกราคม 2013 ถึงพฤศจิกายน 2023 สำหรับข้อมูลจาก ESG Book, Refinitiv และ S&P Global แยกกัน อัลกอริทึม k-means แบ่งบริษัทเป็นพอร์ต Better ESG และ Worse ESG ที่ถ่วงน้ำหนักเท่ากัน แล้วสร้าง BMW จากผลต่างของผลตอบแทน การทดสอบ Wald ตรวจความแตกต่างของโครงสร้างความแปรปรวนร่วมก่อนเพิ่ม BMW ของแต่ละผู้ให้คะแนนในแบบจำลอง Fama–French จากนั้นใช้การถดถอยกำลังสองน้อยที่สุดรายหุ้น t-tests, adjusted R-squared, การคัดกรอง Durbin–Watson และ paired sign test เพื่อเปรียบเทียบกับแบบจำลอง q-factor สำหรับหุ้นใน THSI

ผลการศึกษา

การทดสอบแทนปัจจัยทั้ง 9 กรณีปฏิเสธความเท่ากันของความแปรปรวนร่วมที่ p<10^-15 และปัจจัย BMW ยังแตกต่างกันอย่างมีนัยสำคัญระหว่างผู้ให้คะแนน เมื่อเทียบกับแบบจำลอง q-factor ค่ามัธยฐานของ adjusted R-squared เพิ่มขึ้น 0.0058 สำหรับ BMWR, 0.0056 สำหรับ BMWB และ 0.0045 สำหรับ BMWS โดยรายงานค่า p ของ sign test เท่ากับ 0.0000 ผลตอบแทนพอร์ตแตกต่างกันตามผู้ให้คะแนน ดังนั้นแหล่งคะแนนจึงมีผลต่อข้อสรุปอย่างสำคัญ ทั้งนี้สัมประสิทธิ์ BMW วัดความไวต่อส่วนชดเชย ESG ของตลาด ไม่ใช่ผลเชิงสาเหตุจากแนวปฏิบัติ ESG ของบริษัทเอง

สรุป CQF, แคลคูลัสเชิงสโตแคสติกประยุกต์ II และมาร์ตินเกล

Sat, 10 Feb 2024 20:00:00 +0000

แบบจำลองปัจจัย SET

Thu, 25 Jan 2024 00:00:00 +0000

รหัสงานวิจัยที่สนับสนุนการพัฒนาและการประเมินโมเดลปัจจัยที่ปรับปรุงด้วย ESG สำหรับตลาดหุ้นไทย

การดูแลนักศึกษาและโอกาสทางการศึกษา

Mon, 01 Jan 2024 00:00:00 +0000

ผมยินดีต้อนรับการสอบถามจากนักศึกษาระดับปริญญาเอก ปริญญาโท และปริญญาตรีที่มีแรงจูงใจ และมีความสนใจตรงกับการเงินเชิงปริมาณ ประกันภัย คณิตศาสตร์ประยุกต์ และการเรียนรู้ของเครื่องเชิงสถิติ

ทิศทางการวิจัยที่เปิดรับ

ตลาดคาร์บอน ระบบซื้อขายการปล่อยก๊าซ และความเสี่ยงเครดิตคาร์บอน
การเก็งกำไรเชิงสถิติ การซื้อขายคู่ และโครงสร้างตลาดขนาดย่อม
การลงทุนที่เชื่อมโยงกับประกันภัย และแบบจำลองประกันภัยแบบสุ่ม
การลงทุนกองทุนบำนาญที่ยั่งยืน และการลดคาร์บอนในพอร์ตโฟลิโอ
การเรียนรู้ของเครื่องเชิงสถิติ ปัญญาประดิษฐ์ที่อธิบายได้ และการวิเคราะห์ความเสี่ยงทางการเงิน
การจำลองมอนติคาร์โล กระบวนการสุ่ม และการเงินเชิงคำนวณ

สิ่งที่ควรรวมในการสอบถาม

โปรดส่งอีเมลไปที่ quantfilab@gmail.com พร้อมการแนะนำตัวสั้น ๆ ประวัติย่อหรือพื้นฐานการศึกษา หัวข้อที่คุณสนใจ และประสบการณ์ด้านคณิตศาสตร์ สถิติ หรือการเขียนโปรแกรมที่เกี่ยวข้อง

ความร่วมมือส่วนบุคคล

Mon, 01 Jan 2024 00:00:00 +0000

ความร่วมมือทางวิชาการ

ประธาน ศาสตราจารย์ Gareth W. Peters, มหาวิทยาลัยแคลิฟอร์เนีย ซานตาบาร์บารา

ศาสตราจารย์ Christina Nikitopoulos Sklibosios, มหาวิทยาลัยเทคโนโลยีซิดนีย์

Eric D. Ofosu-Hene, มหาวิทยาลัยดี มอนต์ฟอร์ท

ความร่วมมือทางอุตสาหกรรม

Nuthdanai Wangpratham, KAsset

อุตสาหกรรมและบริษัท

Mon, 01 Jan 2024 00:00:00 +0000

บทบาทและความร่วมมือทางวิชาชีพที่ครอบคลุมด้านการเงินเชิงปริมาณ วิศวกรรมการเงิน การเรียนรู้ของเครื่อง และการวิจัยในอุตสาหกรรม.

คณะกรรมการ

สมาคมนักวิเคราะห์เชิงปริมาณและวิศวกรการเงินแห่งประเทศไทย รองประธาน เยี่ยมชมองค์กร ↗

งานและความร่วมมือ

ResilientML นักวิจัยเชิงปริมาณ เยี่ยมชมบริษัท ↗ ห้องปฏิบัติการวิจัย QuantCorner ผู้อำนวยการ เยี่ยมชมห้องปฏิบัติการวิจัย ↗ GroundUp Academy ผู้ร่วมก่อตั้ง เยี่ยมชมสถาบัน ↗

ที่ปรึกษา

WorldQuant BRAIN ที่ปรึกษาด้านการวิจัย เยี่ยมชม WorldQuant BRAIN ↗

แนวทางการศึกษาในมหาวิทยาลัยเวิลด์ควอนท์

Mon, 18 Dec 2023 20:00:00 +0000

กลไกในการจูงใจการถอนการลงทุนจากเชื้อเพลิงฟอสซิลและผลกระทบต่อความเสี่ยงและผลตอบแทนของพอร์ตโฟลิโอ

Tue, 21 Nov 2023 14:00:00 +0000

ดิฟโฟลิโอ

Thu, 26 Oct 2023 00:00:00 +0000

แอปพลิเคชัน Shiny สำหรับการขายสินทรัพย์ในพอร์ตโฟลิโอในด้านการจัดการความมั่งคั่งการเงินสีเขียว

บอทเอพีไอ

Thu, 26 Oct 2023 00:00:00 +0000

แพ็กเกจ R เพื่อช่วยผู้ใช้ R รวบรวมข้อมูลเศรษฐกิจและการเงินของไทยเป็นชุดจากธนาคารแห่งประเทศไทยผ่าน API

ประสบการณ์

Tue, 24 Oct 2023 00:00:00 +0000

การลงทุนในโครงสร้างตลาดตัวเลือก

Sat, 30 Sep 2023 20:00:00 +0000

การซื้อขายคู่แบบง่ายในตลาด FX I

Thu, 28 Sep 2023 00:00:00 +0000

การออกแบบเชิงปริมาณหลัก

ผลการทดสอบย้อนหลัง

การทดสอบไปข้างหน้า

ประสิทธิภาพการผลิตและลักษณะสัณฐานวิทยาของไก่แม่ฮ่องสอนเมื่อเทียบกับไก่ประดู่หางดำ ไก่ไข่เพศผู้ และไก่เนื้อ

Thu, 28 Sep 2023 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

เกษตรกรและโครงการพัฒนาสายพันธุ์ยังขาดการเปรียบเทียบโดยตรงระหว่างไก่แม่ฮ่องสอน ไก่ประดู่หางดำ ไก่ไข่เพศผู้ และไก่เนื้อที่เลี้ยงภายใต้สภาพเดียวกัน จึงต้องการหลักฐานด้านการเจริญเติบโต ประสิทธิภาพอาหาร รูปร่าง และลักษณะเฉพาะ เพื่อสนับสนุนการเลือกเลี้ยงและพัฒนาสายพันธุ์ท้องถิ่น

ผู้ได้รับประโยชน์:

เกษตรกรผู้เลี้ยงไก่พื้นเมืองและกลุ่มผู้ผลิต
นักปรับปรุงพันธุ์ปศุสัตว์และเจ้าหน้าที่ส่งเสริม
นักวิจัยด้านเกษตรและสัตวศาสตร์
ชุมชนที่พัฒนาไก่แม่ฮ่องสอนเป็นสินค้าสิ่งบ่งชี้ทางภูมิศาสตร์

วิธีการ

การทดลองแบบสุ่มสมบูรณ์ใช้ลูกไก่อายุหนึ่งวัน 600 ตัว ได้แก่ ไก่แม่ฮ่องสอน ไก่ประดู่หางดำ ไก่ไข่เพศผู้สายพันธุ์โรดไอส์แลนด์เรด และไก่เนื้อ ROSS-308 กลุ่มละ 150 ตัว จัดเป็น 10 ซ้ำ ซ้ำละ 15 ตัว ทุกกลุ่มได้รับอาหารไก่พื้นเมืองสำเร็จรูปชนิดเดียวกัน ให้น้ำเต็มที่ และเลี้ยงในสภาพแวดล้อมเดียวกัน บันทึกน้ำหนักตัวและอาหารทุกสัปดาห์ วัดสัณฐานวิทยา 8 ลักษณะแยกเพศในหลายช่วงอายุ และบันทึกการขันของไก่แม่ฮ่องสอนเพศผู้อายุ 16 สัปดาห์ 30 ตัว นาน 24 ชั่วโมง แบ่งเป็น 8 ช่วง ช่วงละ 3 ชั่วโมง วิเคราะห์ด้วย ANOVA วิธีพหุพิสัยของ Duncan สหสัมพันธ์ Pearson การจัดกลุ่ม K-means สามกลุ่ม และการถดถอย Poisson

ผลการศึกษา

ไก่เนื้อมีน้ำหนักเพิ่มเฉลี่ยต่อวันสูงสุด 32.53 กรัมต่อวัน รองลงมาคือไก่ประดู่หางดำ 17.76 กรัม ไก่ไข่เพศผู้ 9.79 กรัม และไก่แม่ฮ่องสอน 8.52 กรัม ไก่เนื้อมีอัตราแลกเนื้อช่วง 0–5 สัปดาห์ดีที่สุดที่ 1.37 ขณะที่ไก่ประดู่หางดำมีน้ำหนักตัวสุดท้ายที่อายุ 16 สัปดาห์สูงสุด 2,011 กรัม ไก่แม่ฮ่องสอนเพศเมียมีความกว้างลำตัวต่ำสุดที่อายุ 5 และ 16 สัปดาห์ ไก่แม่ฮ่องสอนเพศผู้ 30 ตัวขันรวม 1,219 ครั้งใน 24 ชั่วโมง และขันสูงสุดช่วง 09.00–12.00 น. การจัดกลุ่มและการถดถอยชี้ว่าความถี่การขันสัมพันธ์เด่นกับความสูงและน้ำหนักตัว จึงใช้ประกอบการคัดเลือกพันธุ์และคัดเลือกไก่เพื่อประกวดการขันได้

ระบบการเดิมพัน FX I

Thu, 28 Sep 2023 00:00:00 +0000

การออกแบบเชิงปริมาณหลัก

ผลการทดสอบย้อนหลัง

ผลการทดสอบต่อไปข้างหน้า

ขอบเขตการสร้างแบบจำลองเชิงปริมาณ; การทบทวนวรรณกรรมเกี่ยวกับวิวัฒนาการในแบบจำลองการเงินและความเสี่ยงหลังวิกฤตการเงิน (2008-2019)

Sat, 16 Sep 2023 20:00:00 +0000

การปรับพอร์ตโฟลิโอตามเป้าหมาย

Tue, 12 Sep 2023 20:00:00 +0000

โมเดลเชิงปฏิบัติในประกันภัย

Thu, 17 Aug 2023 00:00:00 +0000

คำอธิบายหลักสูตร:

หลักการของการสร้างแบบจำลองด้านตัวเลขประกันภัย, แบบจำลองสำหรับการได้มาซึ่งลูกค้าและการสูญเสียลูกค้า, ความคุ้มค่าตลอดอายุของลูกค้า, การแบ่งกลุ่มลูกค้า, การตรวจจับการทุจริต, การสร้างแบบจำลองเหตุการณ์ภัยพิบัติ, การตั้งราคาและการรับประกันภัย, การวิเคราะห์การเรียกร้องค่าสินไหมทดแทน.

บทนำสู่ฟิสิกส์เศรษฐกิจ

Thu, 03 Aug 2023 13:30:00 +0000

กลไกในการจูงใจการถอนการลงทุนจากเชื้อเพลิงฟอสซิลและผลกระทบต่อความเสี่ยงและผลตอบแทนของพอร์ตโฟลิโอ

Mon, 17 Jul 2023 14:00:00 +0000

กลไกในการจูงใจการถอนการลงทุนจากเชื้อเพลิงฟอสซิลและผลกระทบต่อความเสี่ยงและผลตอบแทนของพอร์ตโฟลิโอ

Tue, 04 Jul 2023 14:00:00 +0000

แนวโน้มการวิจัยในแบบจำลองประกันภัยสมัยใหม่

Thu, 02 Feb 2023 12:30:00 +0000

การวางแผนการผลิตผงใบมะรุมด้วยโปรแกรมเชิงเส้นจำนวนเต็มผสม

Thu, 15 Dec 2022 00:00:00 +0000

แผนผังแนวคิด: การหาค่าเหมาะที่สุดของแผนผลิตผงใบมะรุมระยะเวลา 12 สัปดาห์

ความต้องการการผลิต
แทนอุปสงค์รายสัปดาห์ การตัดสินใจผลิต กำลังการผลิต และเงื่อนไขสินค้าคงคลัง
แบบจำลอง MILP
ลดต้นทุนการผลิตและสินค้าคงคลังรวมให้ต่ำที่สุด พร้อมตอบสนองอุปสงค์ของลูกค้าทั้งหมด
วิธี Branch and Bound
แก้แบบจำลองวางแผนจำนวนเต็มด้วยภาษา R ตลอดช่วงเวลา 12 สัปดาห์
แผนลดต้นทุน
เปรียบเทียบตารางการผลิตที่เหมาะที่สุดกับการผลิตที่ไม่มีแผนภายใต้ต้นทุนสินค้าคงคลังต่ำและสูง

ปัญหาที่งานวิจัยแก้ไข

ผู้ผลิตผงใบมะรุมต้องตอบสนองอุปสงค์ของลูกค้าพร้อมประสานการผลิตและสินค้าคงคลัง การผลิตที่ไม่มีแผนอาจก่อให้เกิดต้นทุนที่หลีกเลี่ยงได้ โดยเฉพาะเมื่อกระบวนการและสินค้าคงคลังซับซ้อนขึ้นในธุรกิจขนาดกลางและขนาดใหญ่

ผู้ได้รับประโยชน์:

ผู้ผลิตผงใบมะรุม
ธุรกิจแปรรูปเกษตรขนาดเล็กและขนาดกลาง
ผู้วางแผนการผลิตและสินค้าคงคลัง
นักวิจัยห่วงโซ่อุปทานการเกษตร

วิธีการ

แบบจำลองโปรแกรมเชิงเส้นจำนวนเต็มผสมลดต้นทุนการผลิตและสินค้าคงคลังให้ต่ำที่สุด พร้อมตอบสนองอุปสงค์ของลูกค้าทั้งหมด แบบจำลองแก้ด้วยอัลกอริทึม Branch and Bound ที่พัฒนาด้วยภาษา R สำหรับช่วงเวลา 12 สัปดาห์ กรณีจำลองสองแบบแทนต้นทุนสินค้าคงคลังต่ำในหน่วยผลิตระดับมหาวิทยาลัย และต้นทุนสูงกว่าในธุรกิจขนาดกลางหรือขนาดใหญ่

ผลการศึกษา

การวางแผนที่เหมาะที่สุดลดต้นทุนการผลิตรวมได้ร้อยละ 7.06 เมื่อเทียบกับการผลิตที่ไม่มีแผนในกรณีต้นทุนสินค้าคงคลังต่ำ และลดได้ร้อยละ 14.30 ในกรณีต้นทุนสูง วิธีนี้มีประโยชน์เป็นพิเศษต่อธุรกิจขนาดกลางและขนาดใหญ่ที่มีกระบวนการและต้นทุนซับซ้อน โดยต้องตรวจสอบว่าสมมติฐานและข้อจำกัดการดำเนินงานของแบบจำลองเป็นจริงก่อนตัดสินใจ

ลดคาร์บอนในพอร์ตโฟลิโอ

Mon, 05 Dec 2022 20:00:00 +0000

ข้อเท็จจริงบางประการของตราสารสิทธ์แบบง่าย 1 (Some Facts on Vanilla Option I)

Tue, 30 Aug 2022 00:00:00 +0000

1. ทำไมออปชั่นถึงมี Leverageเดลดาใน Black-Scholes Greek คืออะไรDelta เป็นกรีกออฟชั่นที่ใช้ในการวัดความไวของราคาของออปชั่นเมื่อราคาสินทรัพย์อ้างอิงเปลี่ยนแปลง โดยค่า Delta สำหรับ call option คำนวณได้จากอนุพันธ์ของราคาของออปชั่น $C$ กับราคาสินทรัพย์อ้างอิง $S$:

$$\Delta_C = \frac{\partial C}{\partial S} = N(d_1)$$

โดย $d_1$ ถูกนิยามโดย

$$d_1 = \frac{\ln\left(\frac{S}{K}\right) + \left(r + \frac{\sigma^2}{2}\right)T}{\sigma \sqrt{T}}$$

เนื่องจาก $N(d_1)$ เป็นฟังก์ชันสะสมของการแจกแจงปกติ มันจึงอยู่ระหว่าง 0 ถึง 1 เสมอ ทำให้ค่า Delta ไม่ต่ำกว่า 0

และสมการ BS ถูกสร้างมาจาด Hedging Position ของพอตโฟลิโอ

$$\Pi = -V + \Delta S$$

ซึ้งสามารถอนุมานได้ว่า $E(V) = \Delta E(S)$ การที่ $\Delta \leq 1$ นั่นคือ $E(S)$ ต้องมากกว่าหรือเท่ากับ $E(V)$

ออปชั่นมี Leverageเนื่องจากการเปลี่ยนแปลงเพียงเล็กน้อยของราคาสินทรัพย์อ้างอิงทำให้ราคาของออปชั่นเปลี่ยนแปลงมากขึ้นตามค่าDelta ซึ่งทำให้ผู้ลงทุนสามารถควบคุมสินทรัพย์ได้ด้วยเงินทุนที่น้อยกว่าเมื่อเปรียบเทียบกับการลงทุนโดยตรงในสินทรัพย์นั้น.

2. มูลค่าของออฟชั่นไวต่อความผันผวน

3. ทำไมราคาของออฟชันลดลงเมื่อเข้าใกล้วันหมดอายุ

การสุ่มตัวอย่างแบบวัง–ลันเดาสำหรับการประมาณความน่าเชื่อถือของโครงข่ายกายภาพ

Thu, 24 Jun 2021 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

การออกแบบระบบสื่อสารและขนส่งที่เชื่อถือได้ต้องประเมินว่าโหนดสำคัญยังเชื่อมต่อกันหรือไม่เมื่อการเชื่อมโยงบางส่วนขัดข้อง การจำลองแบบมาตรฐานทำได้ยากในโครงข่ายขนาดใหญ่หรือมีความน่าเชื่อถือสูง เพราะเหตุการณ์ล้มเหลวพบได้น้อยและการลู่เข้าใช้เวลานานมาก

ผู้ได้รับประโยชน์:

วิศวกรด้านความน่าเชื่อถือของโครงข่าย
ผู้ออกแบบระบบสื่อสารและการขนส่ง
นักวิเคราะห์ความเสี่ยงโครงสร้างพื้นฐาน
นักวิจัยที่พัฒนาวิธีมอนติคาร์โลสำหรับเหตุการณ์หายาก

วิธีการ

งานวิจัยสร้างเอนเซมเบิล Wang–Landau สามแบบ ได้แก่ การเดินบนฟังก์ชันโครงสร้างที่แบ่งเป็นสถานะเชื่อมต่อและไม่เชื่อมต่อ การเดินบนพหุนามความเชื่อถือได้โดยจำแนกตามจำนวนขอบที่ใช้งาน และการเดินในปริภูมิความน่าจะเป็นที่รวมความหนาแน่นสองสถานะกับความน่าจะเป็นการเชื่อมต่อเฉลี่ย จากนั้นเปรียบเทียบความแม่นยำและต้นทุนกับโครงข่ายสะพาน โครงข่ายบันได 17 ขอบ และโครงข่ายโดเดคาฮีดรอน 30 ขอบ โดยใช้ความน่าจะเป็นที่ขอบทำงานตั้งแต่ 0.8 ถึง 0.999 จำลองอิสระ 30 รอบ และสูงสุด 10^8 การทดลองมอนติคาร์โล พร้อมทดสอบการปรับแบบ 1/t สำหรับวิธีปริภูมิความน่าจะเป็นบนโครงข่ายโดเดคาฮีดรอน

ผลการศึกษา

การเดินบนฟังก์ชันโครงสร้างใช้ได้เฉพาะเมื่อความเชื่อถือได้ไม่สูงมาก และล้มเหลวเมื่อรูปแบบที่ไม่เชื่อมต่อพบได้น้อยเกินไป วิธีพหุนามและวิธีปริภูมิความน่าจะเป็นให้ผลแม่นยำกับโครงข่ายสะพานและบันได แต่สำหรับโครงข่ายบันได วิธีปริภูมิความน่าจะเป็นใช้ประมาณ 4.07 x 10^4 การทดลอง เทียบกับ 347.98 x 10^4 สำหรับวิธีพหุนาม สำหรับโดเดคาฮีดรอนที่มี 2^30 สถานะ มีเพียงวิธีปริภูมิความน่าจะเป็นแบบ 1/t ที่ให้ค่าประมาณภายในขีดจำกัดการรัน โดยได้ 3.6509 x 10^-2 เมื่อ p = 0.8 และ 2.7279 x 10^-3 เมื่อ p = 0.9 อย่างไรก็ตาม ความแปรปรวนสูงทำให้ความแม่นยำลดลงที่ p = 0.95 วิธีนี้สุ่มเพียง 0.093% ของโครงข่ายย่อยทั้งหมด จึงแสดงทั้งประสิทธิภาพและความจำเป็นของเทคนิคลดความแปรปรวนเมื่อความเชื่อถือได้สูงมาก

ตัวอย่างการแก้สมการเชิงอนุพันธ์เชิงสุ่ม

Mon, 10 Aug 2020 00:00:00 +0000

หมายเหตุ

โครงการนี้คือการบ้านของมหาวิทยาลัย WorldQuant ในวิชา MScFE 622 เรื่องกระบวนการสุ่มต่อเนื่อง

คําถาม

ให้ $W = \{W_t: t \geq 0\}$ เป็นการเคลื่อนที่แบบบราวเนียนบน $(\Omega, \mathcal{F}, \mathbb{F} = (\mathcal{F}_t)_{t \geq 0}, \mathbb{P})$.กําหนด $\alpha, \ \beta \ใน \mathbb{R}$ และพิจารณา SDE ดังนี้:

$$ d X_t = \frac{\beta - X_t}{T-t}dt + d W_t, \ \ \ 0< t < T, \ (E1) $$

และ

$$X_0 = \alpha, \ X_T = \beta.$$

คําตอบของ SDE นี้ที่มีเงื่อนไขขอบเขตที่กําหนด เรียกว่า บราวเนียนบริดจ์โดยการนําบทนิยามของอิโตะไปใช้กับ $Y_t := f(t,X_t) = \frac{X_t}{T-t}$ ให้แก้ SDE นี้และหาการแจกแจง ค่าเฉลี่ย และความแปรปรวนของ $X_t$ โดยที่ $0 < t < T.$\\

ตอบ

เรานําเลมมา Ito มาใช้กับกระบวนการ $Y_t =\frac{X_t}{T-t}$,

$$ \begin{align} d Y_t &= \pdv{f(t,X_t)}{t}dt + \pdv{f(t,X_t)}{X_t} d X_t + \frac{1}{2}\pdv[2]{f(t,X_t)}{X_t} d X_t^2 & \text{Ito's Lemma}\\ &= \frac{X_t}{(T-t)^2}dt + \frac{1}{(T-t)}d X_t + 0 & \text{Differentiating} \\ &= \frac{X_t}{(T-t)^2}dt + \frac{1}{(T-t)}\left(\frac{\beta - X_t}{T-t}dt + d W_t\right) & \text{Using (\ref{BB})} \\ &= \frac{\beta}{(T-t)^2}dt + \frac{1}{(T-t)}d W_t & \text{Rearranging} \ (E3). \end{align} $$

ต่อไปเราจะหาคําตอบของกระบวนการ $Y_t$ ใน (E3) โดยการอินทิเกรต

$$ \begin{align} Y_t &= Y_0 + \int_0^t \frac{\beta}{(T-s)^2}ds + \int_0^t \frac{1}{(T-s)}d W_s & \text{Integrating (\ref{DYR})} \nonumber\\ &= Y_0 + \frac{2\beta}{T-t} -\frac{2\beta}{T} + \int_0^t \frac{1}{(T-s)}d W_s & \nonumber \\ &= \frac{\alpha}{T-t} + \frac{2\beta}{T-t} -\frac{2\beta}{T} + \int_0^t \frac{1}{(T-s)}d W_s & Y_0 = \frac{X_0}{T-t} = \frac{\alpha}{T-t} \nonumber \\ &= \frac{\alpha+2\beta}{T-t} -\frac{2\beta}{T} + \int_0^t \frac{1}{(T-s)}d W_s & \nonumber \end{align} $$

ดังนั้น

$$ \begin{align} X_t &= (T-t)\left(\frac{\alpha+2\beta}{T-t} -\frac{2\beta}{T} + \int_0^t \frac{1}{(T-s)}d W_s \right)\nonumber \\ &= \alpha+2\beta \left( \frac{t}{T }\right) + (T-t)\int_0^t \frac{1}{(T-s)}d W_s \ (E4).\\ \end{align} $$

โดยใช้เงื่อนไขขอบเขต $X_T = \beta$,

$$ \begin{align} \beta &= \alpha+2\beta \left( \frac{T}{T }\right) + (T-T)\int_0^T \frac{1}{(T-s)}d W_s \\ & = -\alpha. \end{align} $$

ดังนั้นคําตอบใน (E4) สามารถเขียนใหม่เป็น

$$ X_t = \alpha \left( 1 -\frac{2t}{T }\right) + (T-t)\int_0^t \frac{1}{(T-s)}d W_s. $$

ดังนั้น $X_t$ จึงมีการแจกแจงปกติโดยมีค่าเฉลี่ย

$$\mathbb{E}(X_t) = \alpha \left( 1 -\frac{2t}{T }\right),$$

และความแปรปรวน

$$\text{Var}(X_t) = \text{Var}\left((T-t)\int_0^t \frac{1}{(T-s)}d W_s\right)= (T-t)^2\int_0^t \frac{1}{(T-s)^2}ds =2(T-t)^2\left(\frac{1}{T-t} - \frac{1}{T}\right),$$

เช่น $X_t \sim N\left(\alpha \left( 1 -\frac{2t}{T }\right),2(T-t)^2\left(\frac{1}{T-t} - \frac{1}{T}\right)\right)$.

ตัวอย่างของมาร์ติงเกล

Tue, 21 Jul 2020 00:00:00 +0000

หมายเหตุ

โครงการนี้คือมหาวิทยาลัย WorldQuant ในหลักสูตร MScFE 622 เรื่องกระบวนการเชิงสุ่มเวลาต่อเนื่อง

คําถามที่ 1

ให้ $W = \{W_t : t \geq 0\}$ เป็นการเคลื่อนที่แบบบราวเนียนบน $(\omega, \mathcal{F}, \mathbb{F} = (\mathcal{F}_t)_{t \geq 0}, \mathbb{P})$

คําถามที่ 1.1

แสดงว่า $W$ เป็น $\mathbb{F}$-martingale

ตอบ

เราพิจารณาข้อมูลที่สถานะ $s$ โดยที่ $s \leq t$จากสมมติฐานว่า $W$ เป็นการเคลื่อนที่แบบบราวเนียน ซึ่งบ่งชี้ว่า $W_t \sim N(0,t)$ และ $W_s \sim N(0,s)$ค่าคาดหวังแบบมีเงื่อนไขที่กําหนดสถานะข้อมูล $s$ ของการเคลื่อนที่แบบบราวเนียนคือ

$$ \begin{align*} \mathbb{E}[W_t|\mathcal{F}_s] &= \mathbb{E}[(W_t - W_s + W_s)|\mathcal{F}_s] & \text{Include and exclude rules} \\ & = \mathbb{E}[(W_t - W_s)|\mathcal{F}_s] + \mathbb{E}[W_s|\mathcal{F}_s] & \text{Linear property of the expectation } \\ & = \mathbb{E}[(W_t - W_s)] + W_s & \text{$W_t - W_s \sim N(0,t-s)$ and it is independent of $\mathcal{F}_s$}\\ & = \mathbb{E}[W_t] - \mathbb{E}[W_s] + W_s & \text{Linear property of the expectation} \\ & = 0 - 0+ W_s & \text{$W_t \sim N(0,t)$ and $W_s \sim N(0,s)$} \\ & = W_s. \end{align*} $$

ดังนั้น $W$ จึงเป็น $\mathbb{F}-$martingale

คําถามที่ 1.2

แสดงว่าสําหรับทุก $\alpha \ใน \mathbb{R}$ กระบวนการ

$$X_t^{\alpha} =: \exp(\alpha W_t - \frac{1}{2}\alpha^2t)$$

เป็น $\mathbb{F}$-martingale

ตอบเราทราบว่า $W_t \sim N(0,t)$จากการสร้างโมเมนต์ของการแจกแจงปกติ ($X \sim N(\mu,\sigma^2)$ แล้ว $M_X(\alpha) = \exp(\alpha\mu + \frac{1}{2}\sigma^2\alpha^2)$ ความสัมพันธ์ระหว่าง $W_t-W_s \sim N(0,s-t)$ กับฟังก์ชันการสร้างโมเมนต์ของมันถูกกําหนดโดย

$$ \begin{align} M_{W_t-W_s}(\alpha) &= \mathbb{E}(\exp(\alpha(W_t-W_s))) \nonumber\\ &= \exp(\alpha\mu + \frac{1}{2}\sigma^2\alpha^2) & W_t - W_s \sim N(0,s-t) \nonumber\\ & = \exp(\alpha (\mathbb{E}(W_t) - \mathbb{E}(W_s)) + \frac{1}{2}(s-t)\alpha^2) & \mu = \mathbb{E}(x),\ \sigma^2 = s-t \nonumber\\ & = \exp(\frac{1}{2}(s-t)\alpha^2) & \mathbb{E}(W_t) = \mathbb{E}(W_s) = 0. \ (E3) \end{align} $$

อีกครั้ง เราพิจารณาค่าคาดหวังแบบมีเงื่อนไขของกระบวนการ $X_t^\alpha$,

$$ \begin{align*} \mathbb{E}[X_t^{\alpha}|\mathcal{F}_s] &= \mathbb{E}\left[\exp(\alpha W_t - \frac{1}{2}\alpha^2t)\Bigg|\mathcal{F}_s\right] &\text{Given information} \\ & = \mathbb{E}\left[\exp(\alpha(W_t - W_s) + \alpha W_s- \frac{1}{2}\alpha^2t) \Bigg|\mathcal{F}_s\right] & \text{Include and exclude rules} \\ & = \mathbb{E}\left[\exp(\alpha(W_t - W_s))\exp(\alpha W_s -\frac{1}{2}\alpha^2t) \Bigg|\mathcal{F}_s\right] &\text{Exponential function's property} \\ & = \exp(\alpha W_s -\frac{1}{2}\alpha^2t) \mathbb{E}\left[\exp(\alpha(W_t - W_s)) \Bigg|\mathcal{F}_s\right] &\text{$W_s$ is measurable with respect to $\mathcal{F}_s$} \\ & = \exp(\alpha W_s -\frac{1}{2}\alpha^2t) \mathbb{E}[\exp(\alpha(W_t - W_s))]&\text{$W_t - W_s \sim N(0,t-s)$ independent of $\mathcal{F}_s$}\\ & = \exp(\alpha W_s -\frac{1}{2}\alpha^2t)\exp(\frac{1}{2}(s-t)\alpha^2) &\text{Using MGF (E3)} \\ & = \exp(\alpha W_s - \frac{1}{2}\alpha^2s) &\text{Simplifying} \\ & = X_s^\alpha &\text{From Definition of $X_s^\alpha$} \end{align*} $$

ดังนั้น $X_t^\alpha$ เป็น $\mathbb{F}-$martingale สําหรับทุก $\alpha \ใน \mathbb{R}$\

คําถามที่ 2

กําหนดพหุนาม $H_n(x,y);\ n = 0,1,2,\dots$ โดย

$$H_n(x,y) = \frac{\partial^n}{\partial \alpha^n} \exp(\alpha x - \frac{1}{2}\alpha^2y) \ \text{at} \ \alpha = 0$$

ตัวอย่างเช่น

$$H_0(x,y) = 1, \ H_(x,y) =x, \ H_2(x,y) = x^2-y, \ H_3(x,y) = x^3-3xy,\ H_4(x,y) = x^4-6x^2y+3y^3, \ \text{etc.}$$

สามารถแสดงได้ (โดยใช้ชุด Taylor) ว่า

$$X_t^\alpha = \exp(\alpha W_t - \frac{1}{2}\alpha^2t) = \sum_{n = 0}^{\infty} \frac{\alpha^n}{n!}H_n(W_t,t)$$

ตอนนี้เราแสดงให้เห็นว่า $H_n(W_t,t)$ เป็นมาร์ติงเกลสําหรับแต่ละ $n$

คําถามที่ 2.1

ให้ $0 \leq s \leq t$ และ $\alpha \in \mathbb{R}$อธิบายว่าทําไมสําหรับแต่ละ$F \ใน \mathcal{F}_s$

$$\int_{F} X_t^\alpha d \mathbb{P} = \int_{F} X_s^\alpha d\mathbb{P}$$

ตอบข้อความนี้สามารถอธิบายได้ง่ายโดยนิยามของค่าคาดหวังแบบมีเงื่อนไข

$$\mathbb{E}(X|F) = \int_F X d\mathbb{P},$$

สําหรับ $F \ใน \mathcal{F}$เราใช้ค่าคาดหวังแบบมีเงื่อนไขของกระบวนการ $X_t^\alpha$,

$$ X_s^\alpha = \mathbb{E}[(X_t^\alpha|F)]= \int_{F} X_s^\alpha d\mathbb{P} \ (E1.), $$

เนื่องจาก $\mathbb{F}$-martingale ของ $X_t^\alpha$ และนิยามของค่าคาดหวังแบบมีเงื่อนไขเรายังทราบว่า $\mathbb{E}(X_t^\alpha) < \infty$จากนั้นเราพิจารณาอีกครั้ง $X_s^\alpha$,

$$ X_s^\alpha = \mathbb{E}[(X_s^\alpha|F)]= \int_{F} X_s^\alpha d\mathbb{P} \ (E2.), $$

เนื่องจาก $X_s$ เป็น $\mathcal{F}_s$-วัดได้ และเป็นนิยามของค่าคาดหวังแบบมีเงื่อนไขการตั้งค่า $E 1 = E2$,

$$\int_{F} X_t^\alpha d \mathbb{P} = \int_{F} X_s^\alpha d\mathbb{P}$$

คําถามที่ 2.2

โดยการหาอนุพันธ์ (3a) ทั้งสองด้าน $n$ คูณกับ $\alpha$ และสลับอนุพันธ์กับอินทิกรัล (ไม่จําเป็นต้องอธิบายขั้นตอนนี้) แสดงว่า

$$\mathbb{E}(H_n(W_t,t)|\mathcal{F}_s) = H_n(W_s,s),$$

ตอบ

เมื่อพิจารณาอนุพันธ์เวลา $n$ ตาม $\alpha$ เราจะได้

$$ \begin{align*} \pdv[n]{}{\alpha}\int_{F} X_t^\alpha d \mathbb{P} &= \pdv[n]{}{\alpha}\int_{F} X_s^\alpha d\mathbb{P} &\text{From (3a)} \\ \int_{F} \pdv[n]{}{\alpha} X_t^\alpha d \mathbb{P} &=\int_{F} \pdv[n]{}{\alpha} X_s^\alpha d\mathbb{P} & \text{Interchange between} \\ && \text{derivative and integral} \\ \int_{F} \pdv[n]{}{\alpha}\exp(\alpha W_t - \frac{1}{2}\alpha^2t) d \mathbb{P} &=\int_{F} \pdv[n]{}{\alpha} \exp(\alpha W_s - \frac{1}{2}\alpha^2s) d \mathbb{P} &\text{Definition of $X_{\cdot}^\alpha$}\\ \int_{F} H_n(W_t,t) d \mathbb{P} &=\int_{F} H_n(W_s,s) d\mathbb{P} &\text{Definition of $H_n(x,y)$}\\ \mathbb{E}(H_n(W_t,t)|F) &= \mathbb{E}(H_n(W_s,s)|F) &\text{Definition of}\\ &&\text{the conditional expectation}\\ \mathbb{E}(H_n(W_t,t)|F) &= H_n(W_s,s) &\text{$W_s$ is $F$-measurable} \end{align*} $$

เนื่องจาก $F \ใน \mathcal{F}_s$,

$$ \mathbb{E}(H_n(W_t,t)|\mathcal{F}_s) = H_n(W_s,s) $$

คําถามที่ 2.3สรุปว่า $\{ H_n(W_t,t) : t \geq 0 \}$ เป็นมาร์ติงเกล

ตอบ

จากสมการ (\ref{4}) กระบวนการ $\{ H_n(W_t,t) : t \geq 0 \}$ เป็น $\mathcal{F}_s$-martingale

อัลกอริทึม 1/t ที่ใช้ความหนาแน่นสองสถานะสำหรับประมาณปริพันธ์หลายมิติ

Wed, 01 Nov 2017 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

ปริพันธ์หลายมิติที่มียอดแหลมมีบริเวณหายากซึ่งตัวเดินสุ่มเข้าถึงและออกจากบริเวณนั้นได้ยาก การแบ่งความหนาแน่นของสถานะแบบเดิมยังต้องใช้หลายช่วงและต้องทราบขอบเขตการอินทิเกรต ทำให้ใช้เวลาคำนวณสูงและเกิดการอิ่มตัวของความคลาดเคลื่อน

ผู้ได้รับประโยชน์:

นักฟิสิกส์เชิงคำนวณ
นักวิจัยด้านการอินทิเกรตเชิงตัวเลข
นักวิทยาศาสตร์ที่วิเคราะห์ฟังก์ชันหลายมิติซึ่งมียอดแหลม
ผู้พัฒนาการจำลองที่ต้องการลดต้นทุนมอนติคาร์โล

วิธีการ

หลังสุ่มตัวอย่างเบื้องต้นจำนวนเล็กน้อย วิธีนี้เลือกเกณฑ์ y_s ที่เข้าถึงได้ในบริเวณที่มีความหนาแน่นสูง แล้วแบ่งปริภูมิ y เป็นเพียงสองสถานะ คือ y < y_s และ y >= y_s จากนั้นใช้การเดินสุ่ม 1/t ตามปกติระหว่างสองสถานะ พร้อมปรับค่าเฉลี่ยภายในสถานะ จึงไม่ต้องแบ่งช่วงคงที่ละเอียดหรือกำหนด y_min และ y_max งานวิจัยทดสอบปริพันธ์เกาส์เซียนหลายตัวแปรตั้งแต่หนึ่งถึงหกมิติ ปริพันธ์วงแหวนเกาส์เซียนตั้งแต่สองถึงหกมิติ และปริพันธ์แผนภาพไฟน์แมนแบบ setting-sun ด้วยการจำลองอิสระ 50 ครั้งและ N_final = 10^8

ผลการศึกษา

วิธีสองสถานะให้ค่าที่แม่นยำในการทดสอบเกาส์เซียนทุกกรณีถึงหกมิติ โดยได้ 0.9995586 สำหรับเกาส์เซียน 6D และ 0.9992425 สำหรับวงแหวนเกาส์เซียน 6D ขณะที่วิธี 1/t แบบหลายช่วงเยี่ยมไม่ครบทุกสถานะในการทดสอบเกาส์เซียน 5D และ 6D ภายใน 10^8 การทดลอง สำหรับตัวอย่าง setting-sun ค่าประมาณ 1.594486 x 10^9 ใกล้เคียงกับวิธีควอดราเจอร์แบบปรับตัวที่ 1.596160 x 10^9 แต่มอนติคาร์โลพื้นฐานให้เพียง 4.041376 x 10^7 ความคลาดเคลื่อนลดลงตามอัตรา N^(-1/2) โดยไม่เกิดการอิ่มตัว

วิธีเชิงตัวเลข

Sat, 01 Oct 2016 00:00:00 +0000

คำอธิบายหลักสูตร

ความรู้พื้นฐานเกี่ยวกับวิธีเชิงตัวเลขโดยใช้คอมพิวเตอร์ การประเมินความผิดพลาด การแก้สมการ ระบบสมการเชิงเส้นและไม่เชิงเส้น การประมาณค่าและการคาดคะเน การหาปริพันธ์ การแก้สมการเชิงอนุพันธ์

การขจัดผลกระทบจากความกว้างของช่วงของอัลกอริทึม 1/t สำหรับการอินทิเกรตเชิงตัวเลขหลายมิติ

Wed, 01 Jun 2016 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

อัลกอริทึมมอนติคาร์โล 1/t แบบเดิมอาจหยุดพัฒนา เพราะใช้ค่าคงที่เพียงค่าเดียวแทนทุกจุดภายในช่วงของฮิสโตแกรม ผลจากความกว้างของช่วงนี้ก่อให้เกิดความคลาดเคลื่อนที่คงอยู่และทำให้การอินทิเกรตหลายมิติไม่ลู่เข้าอย่างน่าเชื่อถือ

ผู้ได้รับประโยชน์:

นักวิเคราะห์เชิงตัวเลข
นักฟิสิกส์เชิงคำนวณและวิศวกร
นักวิจัยที่ใช้การอินทิเกรตแบบมอนติคาร์โล
ผู้พัฒนาซอฟต์แวร์จำลองหลายมิติ

วิธีการ

วิธีที่เสนอแทนจุดกึ่งกลางคงที่ของแต่ละช่วงด้วยค่าเฉลี่ยสะสมของค่า y ที่สุ่มได้ภายในช่วงนั้น และปรับค่าเฉลี่ยระหว่างการจำลอง 1/t ทำให้ค่าปริพันธ์ดีขึ้นตามจำนวนตัวอย่างมอนติคาร์โล งานวิจัยแยกองค์ประกอบความคลาดเคลื่อนเพื่อพิสูจน์ว่าวิธีเดิมมีเศษคงเหลือจากความกว้างของช่วง แต่ความคลาดเคลื่อนของวิธีใหม่ลู่เข้าสู่ศูนย์ด้วยอัตรา N^(-1/2) จากนั้นทดสอบกรณีที่ทราบค่าจริงตั้งแต่หนึ่งถึงหกมิติ ด้วยการจำลองอิสระ 50 ครั้งและหลายค่าความกว้างของช่วง

ผลการศึกษา

ค่าประมาณจากวิธีใหม่ลู่เข้าสู่ค่าปริพันธ์จริงโดยไม่เกิดการอิ่มตัวของความคลาดเคลื่อน แม้ใช้ช่วงที่ค่อนข้างกว้าง ในการทดสอบหนึ่งมิติที่ dy = 0.1 ความคลาดเคลื่อนสัมบูรณ์ต่ำกว่าวิธี 1/t เดิม 77.51 เท่า และในการทดสอบสามมิติที่ dy = 1 ต่ำกว่าประมาณ 89,732 เท่า ความคลาดเคลื่อนยังคงลดลงตามอัตรา N^(-1/2) จึงสามารถใช้ช่วงที่กว้างขึ้นและลดเวลาคำนวณได้มาก

แคลคูลัส 2

Thu, 01 Oct 2015 00:00:00 +0000

คำอธิบายหลักสูตร

ระบบพิกัดเชิงขั้วและการสร้างกราฟ การหาพื้นที่ในระบบพิกัดเชิงขั้ว เส้นโค้ง ระนาบ และพื้นผิวในอวกาศสามมิติ การหาตัวอนุพันธ์และอินทิกรัลของฟังก์ชันเวกเตอร์ที่มีค่าตัวแปรจริงและการประยุกต์ใช้ แคลคูลัสของฟังก์ชันค่าจริงที่มีตัวแปรสองตัวและการประยุกต์ใช้ พีชคณิตเวกเตอร์ในระนาบสองมิติและอวกาศสามมิติ สนามเวกเตอร์ แคลคูลัสของฟังก์ชันค่าจริงหลายตัวแปรและการประยุกต์ใช้ การแนะนำอินทิกรัลเชิงเส้น

บทที่ 1 ระบบพิกัดเชิงขั้ว

แคลคูลัส 1

Mon, 01 Jun 2015 00:00:00 +0000

คำอธิบายหลักสูตร

ฟังก์ชันค่าจริง, ลิมิต, และความต่อเนื่อง อนุพันธ์และปริพันธ์ของฟังก์ชันค่าจริงของตัวแปรจริง รูปแบบที่ไม่กำหนด การประยุกต์ใช้อณูอนุพันธ์ เทคนิคในการหาปริพันธ์ การประยุกต์ใช้อณูปริพันธ์

คณิตศาสตร์เบื้องต้น

Thu, 01 Jan 2015 00:00:00 +0000

คำอธิบายหลักสูตร

ตรรกศาสตร์เบื้องต้น ฟังก์ชัน ขีดจำกัด ความต่อเนื่อง และแคลคูลัสเชิงอนุพันธ์เบื้องต้น ลำดับและอนุกรม เมทริกซ์และดีเทอร์มิแนนท์ ทฤษฎีทวินาม

บทที่ 1

วิธี 1/t ที่ปรับปรุงแล้วสำหรับการหาปริพันธ์เชิงตัวเลขของฟังก์ชันที่คำนวณได้ยาก

Thu, 20 Mar 2014 00:00:00 +0000

ปัญหาที่งานวิจัยแก้ไข

การสุ่มมอนติคาร์โลทั่วไปอาจไม่พบพื้นที่แคบที่ฟังก์ชันมียอดสูงมาก จึงประเมินปริพันธ์ที่คำนวณยากต่ำกว่าความเป็นจริงอย่างมาก แม้อัลกอริทึม 1/t แบบเดิมสำรวจพื้นที่ดังกล่าวได้ดีขึ้น แต่การใช้ค่าคงที่แทนแต่ละช่วงทำให้เกิดความคลาดเคลื่อนจากความกว้างช่วงและเกิดภาวะความคลาดเคลื่อนอิ่มตัว

ผู้ได้รับประโยชน์:

นักวิทยาศาสตร์เชิงคำนวณที่ประเมินปริพันธ์หลายมิติซึ่งคำนวณได้ยาก
นักวิจัยด้านมอนติคาร์โลและความหนาแน่นของสถานะ
นักคณิตศาสตร์ประยุกต์ที่ศึกษาการลู่เข้าเชิงตัวเลข
นักวิเคราะห์ฟิสิกส์และวิศวกรรมที่ทำงานกับฟังก์ชันยอดแหลม

วิธีการ

ตัวประมาณที่เสนอคงการเดินสุ่มแบบ 1/t ไว้เพื่อประมาณความหนาแน่นของสถานะ g(y) แต่แทนค่าคงที่ประจำแต่ละช่วงในปริภูมิ y ด้วยค่าเฉลี่ยของค่าฟังก์ชันที่สุ่มพบจริงภายในช่วงนั้นและปรับค่าอย่างต่อเนื่อง ค่าปริพันธ์จึงประมาณจากผลรวมของ g(y) คูณค่าเฉลี่ยภายในช่วง งานวิจัยทดสอบกับปริพันธ์เกาส์เซียนยอดแหลมหนึ่ง สอง และสามมิติ โดยกำหนดค่าเฉลี่ยเป็นศูนย์ ส่วนเบี่ยงเบนมาตรฐานเท่ากับรากที่สองของ 0.4 และโดเมน [-10, 10] ในแต่ละมิติ จากนั้นเปรียบเทียบการสุ่มอย่างง่าย อัลกอริทึม 1/t แบบเดิม และวิธีที่เสนอภายใต้ความกว้างช่วงสี่ระดับ การทดลอง 10^10 ครั้งต่อรอบ และการจำลองอิสระ 50 ชุด โดยใช้ค่าปริพันธ์จริงและความคลาดเคลื่อนเชิงสัดส่วน

ผลการศึกษา

การสุ่มอย่างง่ายประเมินปริพันธ์ยอดแหลมต่ำกว่าความเป็นจริงอย่างมาก ขณะที่ค่าประมาณจาก 1/t แบบเดิมยังไวต่อความกว้างช่วงและเกิดภาวะความคลาดเคลื่อนอิ่มตัว เมื่อใช้ความกว้างช่วง 0.0005 วิธีที่เสนอให้ค่าประมาณกรณีหนึ่ง สอง และสามมิติเท่ากับ 1.585321, 2.513090 และ 3.984088 ซึ่งใกล้ค่าจริง 1.585331, 2.513274 และ 3.984371 ตามลำดับ ความคลาดเคลื่อนลดลงโดยประมาณตาม N^-1/2 โดยไม่อิ่มตัว และเมื่อความแม่นยำไม่ถูกกำหนดด้วยความกว้างช่วงแล้ว จึงใช้ช่วงที่กว้างเพื่อเข้าถึงทุกสถานะได้เร็วขึ้นและลดภาระการคำนวณ

ชุดเรื่องในแบบจำลองทางคณิตศาสตร์ในวิทยาศาสตร์

Wed, 01 Jan 2014 00:00:00 +0000

ชีววิทยาคณิตศาสตร์ I

นี่คือคำอธิบายสั้น ๆ เกี่ยวกับหนังสือ เล่มนี้ให้ภาพรวมของเนื้อหา เน้นคุณลักษณะสำคัญ และอธิบายกลุ่มเป้าหมายที่ตั้งไว้ คำอธิบายควรกระชับแต่ให้ข้อมูลที่ครบถ้วน ทำให้ผู้อ่านที่มีศักยภาพเข้าใจอย่างชัดเจนว่าสิ่งที่คาดหวังจากหนังสือคืออะไร

upcoming

ชุดวิชาในคณิตศาสตร์พื้นฐานและสถิติ

Wed, 01 Jan 2014 00:00:00 +0000

แคลคูลัส I

หนังสือเล่มนี้ครอบคลุมหัวข้อต่าง ๆ รวมถึงลิมิตและความต่อเนื่อง อนุพันธ์และอินทิกรัลของฟังก์ชันค่าจริงของตัวแปรจริง รูปแบบไม่แน่นอน การประยุกต์ใช้อนุพันธ์ เทคนิคในการหาค่าอินทิกรัล และการประยุกต์ใช้อินทิกรัล ทฤษฎีบททั้งหมดมีการพิสูจน์อย่างละเอียด พร้อมทั้งมีภาพประกอบเพื่อเสริมความเข้าใจ

Thai English

แคลคูลัส II

นี่คือคำอธิบายสั้น ๆ ของหนังสือ ซึ่งให้ภาพรวมของเนื้อหา เน้นคุณสมบัติสำคัญ และอธิบายกลุ่มผู้อ่านที่ตั้งใจจะได้อ่าน คำอธิบายควรกระชับแต่ให้ข้อมูลเพียงพอ เพื่อให้ผู้อ่านที่มีโอกาสได้อ่านเข้าใจชัดเจนว่าควรคาดหวังอะไรจากหนังสือเล่มนี้

upcoming

ทฤษฎีความน่าจะเป็น

Wed, 01 Jan 2014 00:00:00 +0000

คำอธิบายหลักสูตร

พีชคณิตเชิงเส้น

Wed, 01 Jan 2014 00:00:00 +0000

คำอธิบายหลักสูตร

ลำดับในคณิตศาสตร์การเงิน

Wed, 01 Jan 2014 00:00:00 +0000

การจัดการความเสี่ยงเชิงปริมาณ

นี่คือคำอธิบายสั้น ๆ ของหนังสือ หนังสือเล่มนี้ให้ภาพรวมของเนื้อหา เน้นคุณสมบัติสำคัญ และอธิบายกลุ่มเป้าหมายที่ตั้งใจไว้ คำอธิบายควรกระชับแต่ให้ข้อมูลเพียงพอ เพื่อให้ผู้อ่านที่สนใจมีความเข้าใจชัดเจนเกี่ยวกับสิ่งที่คาดหวังจากหนังสือ

กำลังจะมา

ทฤษฎีพอร์ตโฟลิโอของมาร์คอวิทซ์

นี่คือคำอธิบายสั้น ๆ ของหนังสือ มันให้ภาพรวมของเนื้อหา เน้นคุณสมบัติสำคัญ และอธิบายกลุ่มผู้อ่านที่ตั้งใจจะได้อ่าน คำอธิบายควรกระชับแต่ให้ข้อมูลเพียงพอ ทำให้ผู้อ่านที่มีโอกาสได้อ่านเข้าใจชัดเจนว่าควรคาดหวังอะไรจากหนังสือเล่มนี้

Upcoming

สถิติ

Wed, 01 Jan 2014 00:00:00 +0000

คำอธิบายหลักสูตร

สมการเชิงอนุพันธ์ธรรมดา

Wed, 01 Jan 2014 00:00:00 +0000

คำอธิบายหลักสูตร

หนังสือขั้นสูง

Wed, 01 Jan 2014 00:00:00 +0000

อนุกรมในคณิตศาสตร์ประกันภัย

Wed, 01 Jan 2014 00:00:00 +0000

แบบจำลองปฏิบัติในประกันภัย

นี่คือคำอธิบายสั้น ๆ ของหนังสือ ซึ่งให้ภาพรวมของเนื้อหา เน้นคุณสมบัติสำคัญ และอธิบายถึงกลุ่มผู้อ่านที่ตั้งใจไว้ คำอธิบายควรสั้นแต่ให้ข้อมูลอย่างครบถ้วน เพื่อให้ผู้อ่านที่มีศักยภาพเข้าใจได้ชัดเจนว่าควรคาดหวังอะไรจากหนังสือเล่มนี้

กำลังจะมาถึง

สัญลักษณ์	ความหมาย
\( X, Y \)	ตัวแปรสุ่มสองตัว เช่น ผลตอบแทนของสินทรัพย์
\( F_X, F_Y \)	ฟังก์ชันสะสมความน่าจะเป็น (CDF) ของแต่ละตัวแปร
\( F_X^{-1}(u), F_Y^{-1}(u) \)	ค่าควอนไทล์ที่ระดับ \( u \) เช่น ค่าที่ต่ำกว่าร้อยละ \( u \) ของข้อมูล
\( u \to 0^+ \)	มองที่ค่าต่ำมาก (บริเวณหางซ้ายของการแจกแจง) เช่น \( u = 0.01 \) หรือ \( 0.001 \)

สัญลักษณ์	ความหมาย
\( u \to 1^- \)	มองที่ค่าที่สูงมาก (บริเวณหางขวาของการแจกแจง) เช่น \( u = 0.99 \) หรือ \( 0.999 \)
ตัวแปรอื่น ๆ	เหมือนกับนิยามใน \( \lambda_L \)

นิยาม	สูตร (แบบ Copula)	สูตร (แบบ Conditional Prob.)
Lower Tail (λ_L)	\( \lambda_L = \lim_{u \to 0^+} \frac{C(u,u)}{u} \)	\( \lambda_L = \lim_{u \to 0^+} \mathbb{P}(Y \leq F_Y^{-1}(u) \mid X \leq F_X^{-1}(u)) \)
Upper Tail (λ_U)	\( \lambda_U = \lim_{u \to 1^-} \frac{1 - 2u + C(u,u)}{1 - u} \)	\( \lambda_U = \lim_{u \to 1^-} \mathbb{P}(Y > F_Y^{-1}(u) \mid X > F_X^{-1}(u)) \)

สัญลักษณ์	ความหมาย
\( U_i, V_i \)	ค่าควอนไทล์แบบ empirical ของ \( R_X \) และ \( R_Y \)
\( u \)	ค่าคัดกรองหาง เช่น 0.05 (5%) หรือ 0.01 (1%)
\( \#\{ \cdot \} \)	จำนวนข้อมูลที่เข้าเงื่อนไข