Drawdown เกิดจากอะไร? ทำความเข้าใจด้วย Causal AI

เรามักวัดผลตอนขาดทุนกันด้วยค่า Drawdown แต่เคยสงสัยกันมั้ยว่า drawdown เกิดจากอะไร? หรืออะไรทำให้เกิด Drawdown?

ในโลกของการลงทุน คำถามที่ดูเหมือนง่ายแต่ตอบยากที่สุดคำถามหนึ่งคือ "อะไรเป็นสาเหตุของการเกิด drawdown ครั้งใหญ่ของหุ้น" เรามักจะคุ้นชินกับคำอธิบายเดิม ๆ เช่น หุ้นแพงเกินไป ความผันผวนสูง beta สูง หรือ sentiment ตลาดแย่ แต่ถ้ามองให้ลึกจะพบว่าคำอธิบายเหล่านี้แทบทั้งหมดตั้งอยู่บนสิ่งเดียวกัน คือความสัมพันธ์ในเชิงสถิติ ไม่ใช่ความเป็นเหตุเป็นผล เหมือนกับการที่เราได้ยินว่าพระอาทิตย์ขึ้นเพราะไก่ขัน ซึ่งมันเกิดขึ้นจริงมั้ย? ก็จริง แต่มันเกี่ยวข้องกันจริง ๆ หรือเปล่า?

จุดอ่อนของโมเดลเชิงปริมาณ

นี่คือจุดอ่อนสำคัญของโมเดลเชิงปริมาณส่วนใหญ่ในปัจจุบัน ไม่ว่าจะเป็น factor model หรือ machine learning model ขั้นสูง โมเดลเหล่านี้ถูกฝึกมาเพื่อหาความสัมพันธ์ที่เสถียรที่สุดในข้อมูลย้อนหลัง แต่ตลาดการเงินไม่ได้ให้รางวัลกับคนที่เข้าใจ correlation ได้เก่งที่สุด มันให้รางวัลกับคนที่เข้าใจโครงสร้างความเสี่ยงที่แท้จริง

บทความจาก HackerNoon ที่ผมหยิบมาแชร์นี้ตั้งคำถามนี้อย่างตรงไปตรงมา ผู้เขียนไม่ได้ถามว่า "ตัวแปรอะไรช่วยทำนาย drawdown ได้ดี" แต่ถามว่า "อะไรคือสาเหตุที่ทำให้ drawdown เกิดขึ้นจริง ๆ" ความต่างของคำถามนี้สำคัญมาก เพราะการทำนายกับการอธิบายไม่ใช่เรื่องเดียวกัน และบ่อยครั้งมันนำไปสู่ข้อสรุปที่ขัดแย้งกันโดยสิ้นเชิง

Valuation กับความเสี่ยง

ในโมเดลเชิงสถิติทั่วไป หากเราพบว่าหุ้นที่ valuation สูงมี drawdown มาก เรามักสรุปทันทีว่า valuation เป็นปัจจัยเสี่ยง แต่ในโลกความเป็นจริง valuation อาจเป็นเพียงผลลัพธ์ของแรงอื่น เช่น leverage ความคาดหวังของตลาด หรือ exposure ต่อ macro factor เมื่อระบบเกิด stress หุ้นเหล่านี้จึงพังพร้อมกัน ไม่ใช่เพราะมันแพง แต่เพราะมันเปราะบาง

Causal AI และ counterfactual

Causal AI ที่ผู้เขียนพยายามสร้างขึ้น มีเป้าหมายเพื่อแยกสองสิ่งนี้ออกจากกัน แทนที่จะดูว่าอะไรเคลื่อนไหวพร้อม drawdown โมเดลตั้งคำถามเชิง counterfactual ว่า หากเราเปลี่ยนตัวแปรหนึ่งโดยที่อย่างอื่นคงเดิม drawdown จะเปลี่ยนจริงหรือไม่ นี่คือหัวใจของ causal inference ซึ่งแตกต่างจาก machine learning แบบทำนายโดยสิ้นเชิง

ผลลัพธ์ที่ท้าทายสัญชาตญาณ

ผลลัพธ์ที่ได้ค่อนข้างท้าทายสัญชาตญาณนักลงทุนจำนวนมาก Valuation ซึ่งมักถูกกล่าวหาว่าเป็นต้นเหตุของความเสี่ยง กลับมีผลเชิงเหตุที่อ่อนกว่าที่คิด มันสัมพันธ์กับ drawdown จริง แต่ไม่ได้เป็นตัวจุดชนวนหลัก สิ่งที่มีผลเชิงเหตุชัดเจนกว่าคือ beta และ market exposure หุ้นที่มี beta สูงไม่ได้แค่ตกพร้อมตลาด แต่โครงสร้างความเสี่ยงแบบนี้ทำให้ขนาดของ drawdown ใหญ่ขึ้นจริงเมื่อเกิด market shock

ที่น่าสนใจที่สุดคือบทบาทของ profitability บริษัทที่มีกำไรสูงมี drawdown น้อยกว่าอย่างมีนัยสำคัญ แม้เมื่อควบคุมปัจจัยด้าน volatility และ beta แล้ว ผลลัพธ์นี้ไม่ได้เป็นเพียง correlation แต่เป็น causal effect แปลเป็นภาษาคนทำระบบได้ว่า: งบกำไรขาดทุนที่แข็งแรงทำหน้าที่เหมือน shock absorber ในช่วงตลาดพัง ช่วยลดความรุนแรงของ downside ได้จริง

บทเรียนจากงานชิ้นนี้

บทเรียนจากงานชิ้นนี้ไม่ได้อยู่ที่ตัวโมเดล แต่อยู่ที่กรอบความคิด โมเดลที่ให้ Sharpe สูงอาจไม่ได้เข้าใจ risk structure อย่างที่เราคิด Feature ที่ช่วยพยากรณ์ได้ดี อาจเป็นแค่ proxy ไม่ใช่ cause และการจัดการ downside risk ต้องใช้วิธีคิดที่ต่างจากการ optimize return โดยสิ้นเชิง

สรุปผลจาก Causal AI

จากโมเดล Causal AI ที่ผู้เขียนสร้างขึ้น ผลลัพธ์สำคัญคือ: valuation ไม่ได้เป็นสาเหตุหลักของ drawdown แม้จะมีความสัมพันธ์ในข้อมูลย้อนหลัง แต่เมื่อควบคุมปัจจัยอื่นแล้ว ผลเชิงเหตุของ valuation ต่อการขาดทุนหนักค่อนข้างอ่อน

ในทางตรงกันข้าม: beta และ market exposure มีผลเชิงเหตุที่ชัดเจน หุ้นที่มี beta สูงจะมี drawdown ลึกกว่าอย่างเป็นเหตุเป็นผลเมื่อเกิด market shock ไม่ใช่แค่เคลื่อนไหวตามตลาดเฉย ๆ

อีกผลลัพธ์ที่เด่นที่สุดคือ profitability มี causal effect เชิงป้องกัน drawdown บริษัทที่มีกำไรสูงมี downside น้อยกว่าอย่างมีนัยสำคัญ แม้จะควบคุม beta และ volatility แล้ว แปลว่ากำไรไม่ได้เป็นแค่ตัวเลขทางบัญชี แต่ช่วยลดความเปราะบางของหุ้นจริง ส่วน volatility ทำหน้าที่เป็นตัวขยายผลมากกว่าต้นเหตุ คือไม่ได้สร้าง drawdown เอง แต่ทำให้ผลกระทบจาก shock รุนแรงขึ้น

มุมของ PopQuants

ตลาดไม่ใช่สมการเดียว แต่เป็นระบบซับซ้อนที่เต็มไปด้วย feedback loop drawdown ไม่ได้เกิดจากปัจจัยเดียว แต่มาจาก interaction ระหว่าง leverage beta flow และความแข็งแรงของงบดุล Causal AI ไม่ได้ให้คำตอบสำเร็จรูป แต่มันบังคับให้เราถามคำถามที่ถูกต้องขึ้น จากเดิมที่ถามว่าอะไรสัมพันธ์กับความเสี่ยง เป็นการถามว่าอะไรทำให้ความเสี่ยงนั้นเกิดขึ้นจริง

ทิศทางของ quant ในอนาคตอาจไม่ใช่การสร้างโมเดลที่ทำนายได้แม่นขึ้นเรื่อย ๆ แต่เป็นการสร้างโมเดลที่เข้าใจโครงสร้างของความเปราะบางได้ดีขึ้น จาก prediction ไปสู่ explanation จาก signal ไปสู่ structure และนั่นอาจเป็นความได้เปรียบที่แท้จริงในโลกที่ข้อมูลมีเท่ากัน แต่ความเข้าใจไม่เท่ากัน

หากคุณอ่านมาถึงตรงนี้ คำถามที่ควรถามตัวเองไม่ใช่ว่าโมเดลของเราทำนาย drawdown ได้ดีแค่ไหน แต่คือเราเข้าใจหรือยังว่าอะไรเป็นเหตุให้มันเกิดขึ้นจริง

อ่านเพิ่มเติม: HackerNoon - I Built a Causal AI Model to Find What Really Causes Drawdowns