การเงินและธุรกิจขั้นสูง

Asset Correlation Calculator

Asset 1 Weight (%)

Asset 2 Weight (%)

Asset 3 Weight (%)

Asset 1 Vol (%)

Asset 2 Vol (%)

Asset 3 Vol (%)

Corr A1-A2

Corr A1-A3

Corr A2-A3

คืออะไร Asset Correlation Calculator?

▾

เมทริกซ์สหสัมพันธ์เป็นเครื่องมือพื้นฐานในทฤษฎีพอร์ตโฟลิโอและการบริหารความเสี่ยงที่ระบุปริมาณความสัมพันธ์เชิงเส้นระหว่างผลตอบแทนของสินทรัพย์ต่างๆ แต่ละองค์ประกอบ ρ(i,j) ในเมทริกซ์แสดงถึงสัมประสิทธิ์สหสัมพันธ์แบบเพียร์สันระหว่างสินทรัพย์ i และ j โดยมีตั้งแต่ −1 (ความสัมพันธ์เชิงลบที่สมบูรณ์แบบ - สินทรัพย์เคลื่อนที่ไปในทิศทางตรงกันข้ามทุกประการ) ถึง +1 (ความสัมพันธ์เชิงบวกที่สมบูรณ์แบบ - สินทรัพย์เคลื่อนที่ในขั้นตอนล็อค) โดย 0 บ่งชี้ว่าไม่มีความสัมพันธ์เชิงเส้น เมทริกซ์สหสัมพันธ์เป็นรากฐานของทฤษฎีพอร์ตโฟลิโอสมัยใหม่ (MPT) ซึ่งพัฒนาโดย Harry Markowitz ในปี 1952 ความแปรปรวนของพอร์ตโฟลิโอถูกกำหนดไม่เพียงแต่จากความผันผวนของสินทรัพย์แต่ละรายการเท่านั้น แต่ยังพิจารณาจากความสัมพันธ์ระหว่างสิ่งเหล่านั้นด้วย: σ²_portfolio = Σ Σ w_i w_j σ_i σ_j ρ(i,j) ความสัมพันธ์ที่ต่ำหรือเชิงลบระหว่างสินทรัพย์จะช่วยลดความแปรปรวนของพอร์ตโฟลิโอให้ต่ำกว่าค่าเฉลี่ยถ่วงน้ำหนักของความแปรปรวนแต่ละรายการ นี่คือรากฐานทางคณิตศาสตร์ของการกระจายความเสี่ยง ในทางปฏิบัติ เมทริกซ์สหสัมพันธ์มีคุณสมบัติและความท้าทายที่สำคัญหลายประการ ประการแรก ความสัมพันธ์ไม่คงที่เมื่อเวลาผ่านไป สินทรัพย์ที่ไม่มีความสัมพันธ์กันในตลาดที่เงียบสงบมักจะมีความสัมพันธ์กันอย่างมากในช่วงวิกฤตตลาด ('ความสัมพันธ์ที่เพิ่มขึ้นอย่างรวดเร็ว') GFC ประจำปี 2551 มีลักษณะเฉพาะด้วยความสัมพันธ์ระหว่างสินทรัพย์เสี่ยงที่เข้าใกล้ 1.0 พร้อมๆ กัน ทำให้ขจัดประโยชน์จากการกระจายความเสี่ยงที่คาดหวังไว้ได้อย่างแม่นยำในเวลาที่จำเป็นที่สุด ปรากฏการณ์นี้เรียกว่า 'การสลายความสัมพันธ์' หรือ 'การติดเชื้อ' ประการที่สอง เมทริกซ์สหสัมพันธ์ต้องเป็นค่าบวกกึ่งกำหนด (PSD) เพื่อให้สอดคล้องกันทางคณิตศาสตร์ - ค่าลักษณะเฉพาะทั้งหมดจะต้องไม่เป็นค่าลบ ด้วยสินทรัพย์จำนวนมากและข้อมูลที่จำกัด เมทริกซ์สหสัมพันธ์ตัวอย่างมักจะละเมิด PSD เนื่องจากข้อผิดพลาดในการประมาณค่า ซึ่งจำเป็นต้องมีการทำให้เป็นมาตรฐาน (การหดตัว การฉายเมทริกซ์ PSD ที่ใกล้ที่สุด) ก่อนใช้ในแบบจำลองความเสี่ยง เครื่องประมาณค่าการหดตัวของ Ledoit-Wolf ถูกนำมาใช้อย่างแพร่หลายเพื่อสร้างเมทริกซ์สหสัมพันธ์ที่มีเงื่อนไขที่ดีสำหรับพอร์ตการลงทุนขนาดใหญ่ ประการที่สาม ความสัมพันธ์เชิงเส้นไม่เพียงพอสำหรับการจับการพึ่งพาส่วนท้าย — แนวโน้มที่สินทรัพย์จะพังทลายร่วมกันในเหตุการณ์ที่รุนแรง แม้ว่าปกติแล้วจะไม่มีความสัมพันธ์กันก็ตาม แบบจำลอง Copula (โดยเฉพาะ Gaussian และ t-copula) ขยายการวิเคราะห์ความสัมพันธ์เพื่อจับโครงสร้างการพึ่งพาแบบไม่เชิงเส้นและการพึ่งพาส่วนท้าย ซึ่งจำเป็นสำหรับพอร์ตโฟลิโอเครดิตที่ถูกต้องและการสร้างแบบจำลองความเสี่ยง CDO

DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.

สูตร

▾

f(x)

ρ(i,j) = Cov(R_i, R_j) / (σ_i × σ_j)
ความแปรปรวนของพอร์ตโฟลิโอ = Σ_i Σ_j w_i × w_j × σ_i × σ_j × ρ(i,j)
อัตราการกระจายความเสี่ยง = ความผันผวนเฉลี่ยถ่วงน้ำหนัก / ความผันผวนของพอร์ตโฟลิโอ

คำอธิบายตัวแปร

▾

สัญลักษณ์	ชื่อ	หน่วย	คำอธิบาย
ρ(i,j)	สัมประสิทธิ์สหสัมพันธ์เพียร์สัน	dimensionless	ความสัมพันธ์เชิงเส้นตรงระหว่างผลตอบแทนของสินทรัพย์ i และ j: อยู่ในช่วงตั้งแต่ -1 ถึง +1 วัดทิศทางและความแข็งแกร่งของการเคลื่อนไหวร่วม
σ_p²	ความแปรปรวนของพอร์ตโฟลิโอ	%²	ผลรวมของ w_i × w_j × σ_i × σ_j × ρ(i,j) ตลอดทุกคู่ ลดลงจากความสัมพันธ์ระหว่างสินทรัพย์ที่ต่ำ
R	กลับเมทริกซ์	%	เมทริกซ์ T×N ของผลตอบแทนในอดีตสำหรับสินทรัพย์ N รายการในช่วงเวลา T ใช้ในการประมาณค่าเมทริกซ์สหสัมพันธ์
β_div	ผลประโยชน์จากการกระจายความเสี่ยง	%	ความผันผวนของพอร์ตการลงทุนลดลงจากการกระจายความเสี่ยง: (Weighted avg vol − Portfolio vol) / Weighted avg vol
λ_min	ค่าลักษณะเฉพาะขั้นต่ำ	dimensionless	ค่าลักษณะเฉพาะที่น้อยที่สุดของเมทริกซ์สหสัมพันธ์ ต้องเป็น ≥ 0 สำหรับความกึ่งแน่นอนเชิงบวก ค่าลบบ่งบอกถึงปัญหาการประมาณค่า

วิธี Asset Correlation Calculator

▾

1รวบรวมข้อมูลผลตอบแทนในอดีตสำหรับสินทรัพย์ทั้งหมดในพอร์ตโฟลิโอ: ผลตอบแทนรายวัน รายสัปดาห์ หรือรายเดือนในช่วงอย่างน้อย 1-3 ปี (ข้อมูลเพิ่มเติม = ค่าประมาณที่มีเสถียรภาพมากขึ้น)
2คำนวณผลตอบแทนเฉลี่ยตัวอย่างสำหรับแต่ละสินทรัพย์ ลบหมายถึงการทำให้ข้อมูลอยู่ตรงกลาง
3คำนวณเมทริกซ์ความแปรปรวนร่วมตัวอย่าง: Cov(i,j) = (1/(T−1)) × Σ (R_it − μ_i)(R_jt − μ_j)
4ปรับความสัมพันธ์ให้เป็นมาตรฐาน: ρ(i,j) = Cov(i,j) / (σ_i × σ_j) องค์ประกอบในแนวทแยงคือ 1.0 โดยการก่อสร้าง
5ตรวจสอบความกึ่งแน่นอนเชิงบวก: คำนวณค่าลักษณะเฉพาะ หากค่าลักษณะเฉพาะใดๆ เป็นลบ ให้ใช้การทำให้เป็นมาตรฐาน (การหดตัวของ Ledoit-Wolf, เมทริกซ์ PSD ที่ใกล้ที่สุด)
6วิเคราะห์เมทริกซ์สหสัมพันธ์: ระบุกลุ่มสินทรัพย์ที่มีความสัมพันธ์กันสูง ความสัมพันธ์ใกล้ศูนย์ (ตัวกระจายความเสี่ยงที่ดี) และความสัมพันธ์เชิงลบ (การป้องกันความเสี่ยงตามธรรมชาติ)
7คำนวณความแปรปรวนของพอร์ตโฟลิโอโดยใช้เมทริกซ์สหสัมพันธ์และความผันผวนส่วนบุคคล คำนวณผลประโยชน์จากการกระจายความเสี่ยง

ตัวอย่างที่มีคำตอบ

▾

ตัวอย่าง 1คลาสสิก 60/40 พอร์ตโฟลิโอสหสัมพันธ์

กำหนดให้:หุ้นสหรัฐฯ σ=15%, พันธบัตร σ=7%; ρ(ตราสารทุน, พันธบัตร)=−0.25; น้ำหนัก 60/40

ผลลัพธ์:พอร์ตโฟลิโอ σ=9.1% เทียบกับค่าเฉลี่ยถ่วงน้ำหนัก σ=11.8% | ผลประโยชน์จากการกระจายความเสี่ยง=23%

ความสัมพันธ์เชิงลบระหว่างตราสารทุนและพันธบัตรเป็นรากฐานของพอร์ตการลงทุน 60/40

ผลต่างพอร์ตโฟลิโอ = (0.6)²(0.15)² + (0.4)²(0.07)² + 2(0.6)(0.4)(0.15)(0.07)(−0.25) = 0.0081 + 0.00078 − 0.00126 = 0.00762 พอร์ตโฟลิโอσ = √0.00762 = 8.73% เฉลี่ยถ่วงน้ำหนัก σ = 0.6×15% + 0.4×7% = 11.8% ผลประโยชน์จากการกระจายความเสี่ยง = (11.8% − 8.73%) / 11.8% = 26% ความสัมพันธ์เชิงลบระหว่างหุ้นและพันธบัตรเป็นรากฐานเชิงโครงสร้างของพอร์ตโฟลิโอ 60/40 ในอดีต เมื่อหุ้นตกอยู่ในภาวะถดถอย พันธบัตรจะปรับตัวขึ้นเมื่ออัตราดอกเบี้ยลดลง ความสัมพันธ์นี้ไม่น่าเชื่อถือในปี 2022 เมื่อทั้งสองตกลงมารวมกัน (การปรับขึ้นอัตราเงินเฟ้อ)

ตัวอย่าง 2เมทริกซ์สหสัมพันธ์ภาค

กำหนดให้:เทคโนโลยี การดูแลสุขภาพ พลังงาน สาธารณูปโภค: เมทริกซ์สหสัมพันธ์ 4×4 จากข้อมูลย้อนหลัง 5 ปี

ผลลัพธ์:เทค-เฮลธ์แคร์: 0.45 | เทคโนโลยี-พลังงาน: 0.30 | สาธารณูปโภคมีความสัมพันธ์ต่ำที่สุด — ตัวกระจายที่ดีที่สุด

สาธารณูปโภคและพลังงานให้ความหลากหลายมากที่สุดเมื่อเทียบกับเทคโนโลยี

เมทริกซ์สหสัมพันธ์แสดงให้เห็นว่าเทคโนโลยีและการดูแลสุขภาพมีความสัมพันธ์กันมากที่สุด (0.45) ทั้งสองภาคส่วนการเติบโตมีความอ่อนไหวต่อปัจจัยมหภาคที่คล้ายคลึงกัน พลังงานมีความสัมพันธ์ปานกลางกับเทคโนโลยี (0.30) และการดูแลสุขภาพ (0.20) — โดยได้รับแรงหนุนจากปัจจัยวัฏจักรสินค้าโภคภัณฑ์ สาธารณูปโภคมีความสัมพันธ์ต่ำที่สุดกับภาคส่วนอื่นๆ ทั้งหมด (0.10–0.35) — ได้แรงหนุนจากความอ่อนไหวของอัตราดอกเบี้ยและรายได้ที่ได้รับการควบคุม ทำให้พวกเขาเป็นผู้กระจายพอร์ตการลงทุนที่ดีที่สุด การเพิ่มยูทิลิตี้ช่วยลดความแปรปรวนของพอร์ตโฟลิโอได้อย่างมีความหมายโดยไม่ทำให้ผลตอบแทนที่คาดหวังลดลงมากนัก

ตัวอย่าง 3การวิเคราะห์ Spike สหสัมพันธ์วิกฤต

กำหนดให้:ระยะเวลาปกติ (2556–2562): เครดิตส่วนของผู้ถือหุ้น ρ=0.25; ช่วงวิกฤต (ไตรมาสที่ 4 ปี 2551): เครดิตส่วนทุน ρ=0.85

ผลลัพธ์:ผลประโยชน์จากการกระจายความเสี่ยงในช่วงเวลาปกติ=40%; ผลประโยชน์จากการกระจายความเสี่ยงในช่วงวิกฤต=8%

ความสัมพันธ์ในภาวะวิกฤติพุ่งไปที่ 1.0 ซึ่งทำลายความหลากหลายอย่างแม่นยำเมื่อจำเป็น

ในตลาดปกติ หุ้นและสินเชื่อ (พันธบัตร HY) มีความสัมพันธ์กันในระดับปานกลาง (0.25) ซึ่งทำให้เกิดการกระจายความเสี่ยงในพอร์ตการลงทุนอย่างมีนัยสำคัญ ในวิกฤตการณ์ปี 2551 ทั้งตลาดตราสารทุนและตลาดสินเชื่อพังทลายพร้อมกัน เนื่องจากความหลีกเลี่ยงความเสี่ยงเพิ่มสูงขึ้น โดยความสัมพันธ์เพิ่มขึ้นเป็น 0.85 การลดความเสี่ยงพอร์ตโฟลิโอจากการกระจายความเสี่ยงลดลงจาก 40% เหลือเพียง 8% 'การแจกแจงความสัมพันธ์' นี้เป็นความสม่ำเสมอเชิงประจักษ์ที่ได้รับการบันทึกไว้อย่างดี: ความสัมพันธ์ระหว่างสินทรัพย์เสี่ยงมีแนวโน้มที่จะเพิ่มขึ้นอย่างรวดเร็วในช่วงขาลง ทำให้การกระจายความเสี่ยงมีประสิทธิภาพน้อยลงมากในช่วงเวลาที่มีความต้องการมากที่สุด ต้องใช้ความสัมพันธ์ระหว่างช่วงความเครียดในการทดสอบภาวะวิกฤต

ตัวอย่าง 4การกระจายความเสี่ยงระหว่างประเทศ — Rolling Correlation

กำหนดให้:US S&P 500 เทียบกับตลาดเกิดใหม่: ความสัมพันธ์แบบต่อเนื่อง 3 ปีตั้งแต่ปี 2548-2567

ผลลัพธ์:พรี-GFC ργ0.65 | GFC ρ→0.88 | ค่าเฉลี่ยของปี 2010 ργ0.75 | โควิด ρ→0.90

ความสัมพันธ์ระหว่าง EM-US เพิ่มขึ้นเมื่อเวลาผ่านไป — โลกาภิวัตน์ลดความหลากหลาย

ความสัมพันธ์ต่อเนื่อง 3 ปีระหว่างตลาดหุ้นสหรัฐฯ และตลาดเกิดใหม่ได้เพิ่มขึ้นอย่างมีนัยสำคัญตั้งแต่ปี 2000 (จาก 0.4–0.5 ในปี 1990 เป็น 0.7–0.8 ในปี 2010) ส่วนหนึ่งเป็นผลมาจากโลกาภิวัตน์ นโยบายการเงินที่ประสานกัน และกระแสเงินทุนข้ามพรมแดนที่เพิ่มขึ้น ในภาวะวิกฤติ (GFC 2008, COVID 2020) ความสัมพันธ์เพิ่มขึ้นเป็น 0.85–0.90 แนวโน้มนี้ — ความสัมพันธ์ที่เพิ่มขึ้นทั่วโลก — ถือเป็นความท้าทายที่สำคัญสำหรับกลยุทธ์การกระจายความเสี่ยงระหว่างประเทศ ซึ่งในอดีตมีเหตุผลอันสมควรในการจัดสรร EM ส่วนหนึ่งบนพื้นฐานของการกระจายความเสี่ยง ประโยชน์ของการกระจายความเสี่ยงของการจัดสรร EM ลดลงเมื่อเวลาผ่านไป เนื่องจากตลาดมีการบูรณาการมากขึ้น

การประยุกต์ใช้จริง

▾

🏗️

การสร้างพอร์ตโฟลิโอและการเพิ่มประสิทธิภาพความแปรปรวนเฉลี่ย ช่วยให้ผู้ปฏิบัติงานสามารถตัดสินใจเชิงปริมาณโดยมีข้อมูลครบถ้วนโดยอาศัยวิธีการคำนวณที่ผ่านการตรวจสอบและวิธีการมาตรฐานอุตสาหกรรม ซึ่งต้องการการวิเคราะห์เชิงปริมาณที่แม่นยำเพื่อสนับสนุนการตัดสินใจตามหลักฐานเชิงประจักษ์ การจัดสรรทรัพยากรเชิงกลยุทธ์ และการเพิ่มประสิทธิภาพประสิทธิภาพในบริบทองค์กรที่หลากหลายและสาขาวิชาชีพ

🔬

ความเท่าเทียมกันของความเสี่ยงและกลยุทธ์พอร์ตโฟลิโอการกระจายความเสี่ยงสูงสุด ช่วยให้นักวิเคราะห์สร้างผลลัพธ์ที่แม่นยำซึ่งสนับสนุนการวางแผนเชิงกลยุทธ์ การจัดสรรทรัพยากร และการเปรียบเทียบประสิทธิภาพทั่วทั้งองค์กร โดยที่การคำนวณเชิงตัวเลขที่แม่นยำเป็นสิ่งจำเป็นสำหรับการสร้างผลลัพธ์ที่เชื่อถือได้ ซึ่งแจ้งการวางแผน การประเมิน และกระบวนการปรับปรุงอย่างต่อเนื่องทั้งในการตั้งค่าองค์กรและส่วนบุคคล

📊

การตั้งค่าการจำลอง VaR แบบมอนติคาร์โล (การสลายตัวของ Cholesky) ช่วยให้ผู้เชี่ยวชาญสามารถวัดปริมาณผลลัพธ์อย่างเป็นระบบและเปรียบเทียบสถานการณ์โดยใช้กรอบงานทางคณิตศาสตร์ที่เชื่อถือได้และสูตรที่กำหนดขึ้น ต้องใช้วิธีการคำนวณอย่างเป็นระบบซึ่งแปลข้อมูลอินพุตดิบเป็นข้อมูลเชิงลึกที่นำไปปฏิบัติได้สำหรับผู้มีส่วนได้ส่วนเสียที่ต้องพึ่งพาความเข้มงวดเชิงปริมาณในกิจกรรมทางวิชาชีพในแต่ละวัน

🏥

การทดสอบความเครียดความสัมพันธ์ตามข้อบังคับภายใต้ Basel FRTB สนับสนุนกระบวนการประเมินที่ขับเคลื่อนด้วยข้อมูล ซึ่งความแม่นยำเชิงตัวเลขเป็นสิ่งจำเป็นสำหรับวัตถุประสงค์ด้านการปฏิบัติตามข้อกำหนด การรายงาน และการเพิ่มประสิทธิภาพ จำเป็นต้องมีวิธีการคำนวณที่แข็งแกร่งซึ่งให้ผลลัพธ์ที่สม่ำเสมอและตรวจสอบได้ ซึ่งเหมาะสำหรับการรายงาน การตรวจสอบ และการวิเคราะห์แนวโน้มระยะยาวในสภาพแวดล้อมแบบมืออาชีพ

⚙️

การระบุแหล่งที่มาของปัจจัยกองทุนเฮดจ์ฟันด์และการป้องกันความเสี่ยงสหสัมพันธ์ ซึ่งต้องการการวิเคราะห์เชิงปริมาณที่แม่นยำเพื่อสนับสนุนการตัดสินใจตามหลักฐานเชิงประจักษ์ การจัดสรรทรัพยากรเชิงกลยุทธ์ และการเพิ่มประสิทธิภาพการปฏิบัติงานในบริบทองค์กรที่หลากหลายและสาขาวิชาวิชาชีพ

กรณีพิเศษ

▾

ผู้เชี่ยวชาญที่ทำงานกับเมทริกซ์สหสัมพันธ์ควรให้ความสนใจเป็นพิเศษกับสถานการณ์นี้ เนื่องจากอาจนำไปสู่ผลลัพธ์ที่ทำให้เข้าใจผิดได้หากไม่ได้รับการจัดการอย่างเหมาะสม ตรวจสอบเงื่อนไขขอบเขตและตรวจสอบข้ามด้วยวิธีการอิสระเสมอเมื่อเกิดกรณีนี้ในทางปฏิบัติ

ในทางปฏิบัติ กรณีขอบนี้จำเป็นต้องพิจารณาอย่างรอบคอบ เนื่องจากสมมติฐานมาตรฐานอาจไม่ถือได้ เมื่อเผชิญกับสถานการณ์นี้ในการคำนวณเครื่องคำนวณความสัมพันธ์ของสินทรัพย์ ผู้ปฏิบัติงานควรตรวจสอบเงื่อนไขขอบเขต ตรวจสอบความเสี่ยงแบบหารด้วยศูนย์ และพิจารณาว่าสมมติฐานของแบบจำลองยังคงใช้ได้ภายใต้สภาวะที่รุนแรงเหล่านี้หรือไม่

ความสัมพันธ์ประเภทสินทรัพย์ทั่วไป (ค่าเฉลี่ยระยะยาว, มุมมองของ USD)

▾

คู่สินทรัพย์	ระยะเวลาปกติ ρ	วิกฤตการณ์-ช่วงเวลา ρ	มูลค่าการกระจายความเสี่ยง
ตลาดหุ้นสหรัฐฯ — คลังสหรัฐฯ	−0.25 ถึง +0.10	−0.40 ถึง −0.60	สูงมาก (บินสู่คุณภาพ)
หุ้นสหรัฐฯ — พันธบัตรที่ให้ผลตอบแทนสูง	0.55–0.70	0.75–0.90	อยู่ในภาวะวิกฤตต่ำ
ตราสารทุนสหรัฐ — พันธบัตรองค์กร IG	0.10–0.30 น	0.40–0.60	ปานกลาง
ตลาดหุ้นสหรัฐ — ทองคำ	−0.10 ถึง +0.10	−0.20 ถึง +0.20	ปานกลาง
ตลาดหุ้นสหรัฐ — ตลาดเกิดใหม่	0.70–0.80	0.85–0.92	ต่ำ (เพิ่มขึ้นเมื่อเวลาผ่านไป)
หุ้นสหรัฐ — อสังหาริมทรัพย์ (REIT)	0.60–0.75	0.70–0.85	Low
คลังสหรัฐ — ทองคำ	0.0 ถึง 0.15	0.0 ถึง 0.20	ปานกลาง

คำถามที่พบบ่อย

▾

ความสัมพันธ์ 0.7 ระหว่างสองสินทรัพย์มีความหมายในทางปฏิบัติอย่างไร?

ความสัมพันธ์ที่ 0.7 หมายความว่าสินทรัพย์ทั้งสองมีแนวโน้มที่จะเคลื่อนไหวไปในทิศทางเดียวกันประมาณ 70% ของเวลา (อย่างไม่เป็นทางการ) และความแปรปรวนประมาณ 49% (0.7²) ของสินทรัพย์หนึ่งสามารถอธิบายได้ด้วยการเคลื่อนไหวเชิงเส้นในอีกด้านหนึ่ง ในแง่พอร์ตโฟลิโอ ความสัมพันธ์ 0.7 ระหว่างสินทรัพย์ทั้งสองจะให้ประโยชน์จากการกระจายความเสี่ยงน้อยกว่าความสัมพันธ์ 0.0 หรือเชิงลบ การเพิ่มสินทรัพย์ที่สองที่มีความสัมพันธ์ 0.7 ไปยังตำแหน่งที่มีอยู่จะช่วยลดความเบี่ยงเบนมาตรฐานของพอร์ตโฟลิโอเพียงเล็กน้อยเท่านั้น เมื่อเปรียบเทียบกับการถือครองสินทรัพย์เพียงอย่างเดียว การกระจายความเสี่ยงที่แท้จริงต้องการความสัมพันธ์ที่ใกล้ชิดกับ 0 หรือลบ

เหตุใดความสัมพันธ์จึงเปลี่ยนแปลงไปตามกาลเวลา

ความสัมพันธ์ไม่ใช่ค่าคงที่เชิงโครงสร้าง แต่สะท้อนถึงสภาพแวดล้อมทางเศรษฐกิจและการเงินในปัจจุบัน ในตลาดกระทิงที่มีเงื่อนไขมหภาคที่มีเสถียรภาพ สินทรัพย์เสี่ยงอาจมีความสัมพันธ์ค่อนข้างต่ำ เนื่องจากปัจจัยเฉพาะบริษัทมีอิทธิพลเหนือ ในตลาดหมีและวิกฤตการณ์ ปัจจัยเสี่ยงระดับมหภาคมีอิทธิพลเหนือ (การเปลี่ยนแปลงไปสู่คุณภาพ การบังคับให้ลดภาระหนี้สิน การลดภาระสินเชื่อ) ซึ่งผลักดันความสัมพันธ์ไปสู่ 1.0 ระหว่างสินทรัพย์เสี่ยง นอกจากนี้ โลกาภิวัตน์ที่เพิ่มขึ้น นโยบายของธนาคารกลางที่ประสานกัน และมาตรการผ่อนคลายเชิงปริมาณ ได้เพิ่มความสัมพันธ์ระหว่างสินทรัพย์เชิงโครงสร้างในช่วงสองทศวรรษที่ผ่านมา แบบจำลองความเสี่ยงที่ใช้ความสัมพันธ์โดยเฉลี่ยในระยะยาวจะต่ำกว่าความเสี่ยงวิกฤตอย่างเป็นระบบ เนื่องจากไม่ได้จับความไม่แน่นอนของความสัมพันธ์นี้

ตัวประมาณค่าการหดตัวของความสัมพันธ์คืออะไร และเหตุใดจึงจำเป็น

ด้วยข้อมูลในอดีตที่จำกัด (การสังเกต T) และเนื้อหาจำนวนมาก (N) เมทริกซ์สหสัมพันธ์ตัวอย่างจึงประเมินได้ไม่ดีและมีเสียงรบกวน เมื่อ T < N เมทริกซ์ตัวอย่างจะไม่สามารถกลับด้านได้ด้วยซ้ำ แม้ว่าเมื่อ T > N ความสัมพันธ์แบบคู่โดยประมาณหลายอย่างจะอยู่ห่างไกลจากค่าที่แท้จริงเนื่องจากข้อผิดพลาดในการประมาณค่า ตัวประมาณค่าการหดตัว (Ledoit-Wolf, Oracle Approximating Shrinkage) จะทำให้เมทริกซ์สหสัมพันธ์ตัวอย่างเป็นปกติโดยย่อไปยังเป้าหมายที่มีโครงสร้าง (โดยทั่วไปคือเมทริกซ์เอกลักษณ์หรือแบบจำลองปัจจัย) สิ่งนี้จะช่วยลดข้อผิดพลาดในการประมาณค่าโดยต้องเสียค่าใช้จ่ายในการทำให้เกิดอคติบางประการ แต่จะสร้างเมทริกซ์ที่มีพฤติกรรมที่ดีขึ้นและมีความชัดเจนเชิงบวก ซึ่งจะช่วยปรับปรุงการเพิ่มประสิทธิภาพพอร์ตโฟลิโอและความเสถียรของโมเดลความเสี่ยง

การพึ่งพาส่วนท้ายคืออะไร และเหตุใดความสัมพันธ์เชิงเส้นจึงไม่จับมัน

การพึ่งพาส่วนท้ายจะวัดความน่าจะเป็นที่สินทรัพย์ทั้งสองจะประสบกับความเคลื่อนไหวที่รุนแรงพร้อมกัน ซึ่งเกินกว่าความสัมพันธ์เชิงเส้นที่จะคาดการณ์ได้ สินทรัพย์สองรายการสามารถมีความสัมพันธ์เชิงเส้นเป็นศูนย์แต่มีการพึ่งพาส่วนท้ายสูง (สินทรัพย์ทั้งสองชนกันแม้ว่าปกติจะไม่ได้เคลื่อนไหวร่วมกันก็ตาม) โมเดล Copula แยกการกระจายส่วนเพิ่มของสินทรัพย์แต่ละรายการออกจากโครงสร้างการพึ่งพา ที-โคปูลา ต่างจากเกาส์เซียนโคปูลา โดยแสดงการพึ่งพาส่วนหางด้านบนและด้านล่างแบบสมมาตร ทรัพย์สินที่จำลองโดยทีโคปูลามีแนวโน้มที่จะชนหรือพุ่งเข้าหากันมากกว่าที่เกาส์เซียนโคปูลาทำนายไว้ ความแตกต่างนี้มีความสำคัญอย่างยิ่งในวิกฤต CDO ปี 2008 ซึ่งแบบจำลอง Gaussian copula ประเมินความน่าจะเป็นของการผิดนัดชำระหนี้ร่วมภายใต้ความเครียดต่ำเกินไปอย่างมาก

จำเป็นต้องมีสินทรัพย์จำนวนเท่าใดก่อนที่เมทริกซ์สหสัมพันธ์จะไม่น่าเชื่อถือ

กฎทั่วไปโดยคร่าวๆ: คุณต้องมีการสังเกตอย่างน้อย T > 3N (ช่วงเวลาเทียบกับจำนวนสินทรัพย์) เพื่อการประมาณค่าสหสัมพันธ์ที่มีความเสถียรพอสมควร ด้วยการสังเกตรายวัน 252 ครั้ง (1 ปี) คุณสามารถประมาณการความสัมพันธ์สำหรับสินทรัพย์ประมาณ 80 รายการได้อย่างน่าเชื่อถือ สำหรับสินทรัพย์ 2,000 รายการ (พอร์ตโฟลิโอขนาดใหญ่ทั่วไป) คุณจะต้องสังเกตการณ์มากกว่า 6,000 รายการต่อวัน (24 ปี) ซึ่งเห็นได้ชัดว่าทำไม่ได้ในทางปฏิบัติ นี่คือเหตุผลว่าทำไมแบบจำลองปัจจัย (CAPM, Fama-French) จึงถูกนำมาใช้สำหรับพอร์ตการลงทุนขนาดใหญ่ โดยจะแยกผลตอบแทนออกเป็นปัจจัยทั่วไปจำนวนเล็กน้อยบวกกับความเสี่ยงที่แปลกประหลาด ทำให้ลดจำนวนพารามิเตอร์ในการประมาณการลงอย่างมาก ในขณะเดียวกันก็ให้แบบจำลองความแปรปรวนร่วมที่มีโครงสร้างและมีเสถียรภาพมากขึ้น

Diversification Ratio คืออะไร และนำไปใช้อย่างไร?

อัตราส่วนการกระจายความเสี่ยง = (ความผันผวนของรายบุคคลโดยเฉลี่ยถ่วงน้ำหนัก) / (ความผันผวนของพอร์ตการลงทุน) อัตราส่วน 1.0 หมายถึงไม่มีประโยชน์ในการกระจายความเสี่ยง (สินทรัพย์ทั้งหมดมีความสัมพันธ์กันอย่างสมบูรณ์) อัตราส่วน 2.0 หมายความว่าความผันผวนของพอร์ตโฟลิโอคือครึ่งหนึ่งของความผันผวนรายบุคคลโดยเฉลี่ยถ่วงน้ำหนัก — การกระจายความเสี่ยงอย่างมาก พอร์ตโฟลิโอความเท่าเทียมกันของความเสี่ยงจะเพิ่มอัตราส่วนการกระจายความเสี่ยงให้สูงสุดโดยการถ่วงน้ำหนักสินทรัพย์ตามสัดส่วนผกผันกับสัดส่วนที่ส่งผลต่อความเสี่ยงของพอร์ตโฟลิโอ แทนที่จะเป็นสัดส่วนผกผันกับผลตอบแทนที่คาดหวัง (เช่นเดียวกับการปรับให้เหมาะสมแบบ Mean-Variance Optimize) พอร์ตการลงทุนที่มีความหลากหลายมากที่สุด (MDP) — พัฒนาโดย Choueifaty และ Coignard — เลือกน้ำหนักที่เพิ่มอัตราส่วนการกระจายความเสี่ยงสูงสุด โดยไม่ตั้งสมมติฐานเกี่ยวกับผลตอบแทนที่คาดหวัง

ควรประมาณความสัมพันธ์สำหรับการทดสอบความเครียดกับการวัดความเสี่ยงปกติอย่างไร

VaR ปกติและการเพิ่มประสิทธิภาพพอร์ตโฟลิโอควรใช้ความสัมพันธ์ที่ประมาณจากวงจรตลาดทั้งหมด หรือการปรับให้เรียบของค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียล (EWMA) ที่เน้นข้อมูลล่าสุด สำหรับการทดสอบความเครียดและ CVaR ในภาวะวิกฤต ให้ใช้ความสัมพันธ์ที่ประมาณจากช่วงวิกฤตในอดีต โดยเฉพาะจากหน้าต่างที่มี GFC (2008), ความผิดพลาดของ COVID (2020) หรือเหตุการณ์ความเครียดอื่นๆ ที่เกี่ยวข้อง โดยทั่วไปความสัมพันธ์ระหว่างช่วงวิกฤตระหว่างสินทรัพย์เสี่ยงจะสูงกว่าค่าเฉลี่ยทั้งช่วง 30–50% การใช้ความสัมพันธ์ที่เน้นย้ำในการวิเคราะห์ความเพียงพอของเงินทุนจะช่วยป้องกันสมมติฐานที่เป็นอันตรายที่ว่าผลประโยชน์จากการกระจายความเสี่ยงที่สังเกตได้ในตลาดที่สงบจะยังคงอยู่ในสถานการณ์วิกฤต

ข้อผิดพลาดที่ควรหลีกเลี่ยง

▾

!การคำนวณความสัมพันธ์จากระดับราคามากกว่าผลตอบแทน — สร้างความสัมพันธ์ปลอมๆ ที่สูงจากแนวโน้มที่ใช้ร่วมกัน
!การใช้กรอบเวลาในอดีตแบบสั้น (< 1 ปี) สำหรับการประมาณค่าความสัมพันธ์ที่มีความอ่อนไหวสูงต่อช่วงเวลาเฉพาะที่เลือก
!การใช้ความสัมพันธ์ระยะยาวแบบไม่มีเงื่อนไขในการทดสอบภาวะวิกฤต แทนการใช้ความสัมพันธ์ในช่วงวิกฤต
!การเพิกเฉยต่อข้อกำหนดกึ่งความคมชัดเชิงบวก การใช้เมทริกซ์ที่ไม่ใช่ PSD ในแบบจำลองความเสี่ยงสามารถสร้างความแปรปรวนของพอร์ตโฟลิโอที่เป็นลบได้
!การรักษาความสัมพันธ์ระดับสูงเป็นแบบถาวร - ความสัมพันธ์นั้นแปรผันตามเวลาและควรได้รับการประเมินใหม่อย่างสม่ำเสมอ

💡

เคล็ดลับโปร

แสดงภาพเมทริกซ์สหสัมพันธ์เป็นแผนที่ความร้อนที่จัดเรียงตามการจัดกลุ่มแบบลำดับชั้น สิ่งนี้จะเปิดเผยกลุ่มสินทรัพย์ธรรมชาติทันที (กลุ่มของสินทรัพย์ที่คล้ายกันซึ่งมีความสัมพันธ์ภายในสูง) และตัวกระจายที่แท้จริง (สินทรัพย์ที่มีความสัมพันธ์ต่ำกับหลายกลุ่ม) ใช้โครงสร้างนี้เพื่อเป็นแนวทางในการสร้างพอร์ตโฟลิโอ

⭐

คุณรู้ไหม?

Harry Markowitz ผู้พัฒนาทฤษฎีพอร์ตโฟลิโอสมัยใหม่และบทบาทเชิงปริมาณของความสัมพันธ์ในการสร้างพอร์ตโฟลิโอ ได้รับรางวัลโนเบลสาขาเศรษฐศาสตร์ในปี 1990 มีรายงานว่าเขาลงทุนเงินออมบำนาญของตัวเอง 50/50 ในตอนแรกในหุ้นและพันธบัตร โดยไม่สนใจการคำนวณหาความเหมาะสมที่สุดของเขาเอง เพราะเขาไม่อยากเสียใจที่หุ้นมีน้ำหนักมากหากตลาดพัง แม้แต่บิดาแห่งทฤษฎีพอร์ตโฟลิโอเชิงปริมาณก็ยังยอมรับข้อจำกัดของการปรับให้เหมาะสมโดยแท้จริงโดยไม่ต้องตัดสินจากพฤติกรรม

Regional Guides

▾

🇺🇸 US▾

ใช้หน่วยและมาตรฐานตามธรรมเนียมของสหรัฐอเมริกาตามความเหมาะสม

🇬🇧 UK▾

อาจต้องมีการแปลงหน่วยเมตริกหรือมาตรฐานอังกฤษ

🇪🇺 EU▾

ปฏิบัติตามอนุสัญญาของสหภาพยุโรปและหน่วย SI หากมี

เอกสารอ้างอิง

📖ระดับความยาก:ปานกลาง

เพื่อวัตถุประสงค์ในการให้ข้อมูลเท่านั้น เครื่องมือนี้ไม่ถือเป็นคำแนะนำทางการเงิน ปรึกษาที่ปรึกษาทางการเงินที่มีคุณสมบัติก่อนตัดสินใจลงทุนหรือการเงิน

Accuracy-checked

Reviewed October 2026

Our methodology

รับเคล็ดลับคณิตศาสตร์รายสัปดาห์

เข้าร่วมกับสมาชิก 12,000+ รายที่ได้รับเคล็ดลับเครื่องคิดเลขทุกสัปดาห์

🔒

ฟรี 100%

ไม่ต้องสมัครสมาชิก

✓

แม่นยำ

สูตรที่ยืนยันแล้ว

⚡

ทันที

ผลลัพธ์ขณะพิมพ์

📱

รองรับมือถือ

ทุกอุปกรณ์