ตอนนี้เราอยู่ในสภาวะตลาดแบบไหน

เทรดด้วย Regimes อย่างเดียว แต่ได้ Sharpe 0.95 !! ทำยังไงมาอ่านกันครับ

คำถามนี้ดูง่าย แต่ในความจริงกลับตอบยากมาก นักลงทุนมักแบ่ง regime ของเศรษฐกิจด้วยกรอบง่าย ๆ เช่น Growth สูง/ต่ำ Inflation สูง/ต่ำ หรือบางคนใช้คำจำกัดความเช่น Bull market, Bear market, Sideway, Crisis

ปัญหาคือการแบ่งแบบนี้มักเกิดขึ้นหลังจากเหตุการณ์ผ่านไปแล้ว ตัวอย่างเช่น สถาบัน NBER มักประกาศว่าเศรษฐกิจเข้าสู่ recession หลังจากที่เศรษฐกิจเริ่มถดถอยไปแล้วหลายเดือน ดังนั้นคำถามสำคัญจึงไม่ใช่ "เรากำลังอยู่ใน regime อะไร" แต่คือ "เราจะรู้ regime แบบ real-time ได้อย่างไร"

Paper เรื่อง Regimes จาก Man Group

Paper เรื่อง Regimes ของ Amara Mulliner, Campbell Harvey และทีมวิจัยจาก Man Group เสนอวิธีใหม่ที่น่าสนใจมาก แทนที่จะพยายามนิยาม regime พวกเขาเสนอแนวคิดที่ง่ายกว่า คือดูว่า "วันนี้เหมือนอดีตช่วงไหนที่สุด" แล้วใช้ข้อมูลจากอดีตนั้นมาคาดการณ์อนาคต

ปัญหาของวิธีเดิม

งานวิจัยจำนวนมากพยายามตรวจจับ regime ด้วยวิธีเชิงสถิติ เช่น Markov regime switching, Clustering, Machine learning classification แต่แนวทางเหล่านี้มีข้อจำกัดสำคัญ: (1) ต้องกำหนดจำนวน regime ล่วงหน้า (2) มี parameter จำนวนมาก (3) มีความเสี่ยง overfitting (4) การตีความผลลัพธ์ทำได้ยาก

อีกวิธีหนึ่งที่นิยมคือการใช้ตัวแปรเศรษฐกิจ เช่น GDP, Inflation, Unemployment แต่การกำหนด threshold เช่น inflation สูง = 4% growth ต่ำ = 1% มักเป็นการกำหนดที่ค่อนข้าง arbitrary โลกเศรษฐกิจจริงมีความซับซ้อนมากกว่านั้น ทีมวิจัยจึงเสนอแนวคิดใหม่: ไม่ต้องกำหนด regime แต่ใช้ "ความคล้ายกันของสภาวะเศรษฐกิจ"

แนวคิดหลักของงานวิจัย

วิธีของ paper นี้สามารถอธิบายได้ง่ายมาก ด้วยขั้นตอนเพียงสามขั้น

ขั้นที่ 1 วัดสภาพเศรษฐกิจวันนี้ด้วยตัวแปรหลายตัว

ขั้นที่ 2 ค้นหาในอดีตว่าเดือนไหนมีค่าตัวแปรที่ "คล้ายวันนี้ที่สุด"

ขั้นที่ 3 ดูว่า asset ต่าง ๆ ทำอะไรหลังจากช่วงเวลานั้น — ถ้าหลังจาก regime ที่คล้ายกันในอดีต ตลาดมักขึ้นเราก็ถือ Long ถ้าหลังจากนั้นตลาดมักลงเราก็ถือ Short

แนวคิดนี้คล้ายกับวิธีของ machine learning ที่เรียกว่า Nearest Neighbors คือการหา "ตัวอย่างในอดีตที่คล้ายที่สุด"

วิธีคำนวณความคล้ายกันของ regime

หลังจากได้ค่าของตัวแปรทั้ง 7 ตัว เราสามารถมองสภาพเศรษฐกิจแต่ละเดือนเป็น "จุดหนึ่งใน space 7 มิติ" เช่น เดือนปัจจุบัน x = [market, yield curve, oil, copper, rate, volatility, correlation] จากนั้นคำนวณระยะห่างระหว่างเดือนปัจจุบันกับทุกเดือนในอดีตด้วย Euclidean distance — distance = square root ของผลรวมกำลังสองของความต่างของตัวแปรทั้งหมด ถ้า distance ต่ำหมายความว่าสภาวะเศรษฐกิจของสองเดือนนั้น "คล้ายกันมาก" ผู้วิจัยเลือก 15% ของเดือนที่มี distance ต่ำที่สุดเป็น "historical regimes ที่คล้ายที่สุด"

ตัวอย่างผลลัพธ์ที่น่าสนใจ

วิกฤตการเงินโลก ปี 2009 — เมื่อ model คำนวณความคล้ายกันของเดือนมกราคม 2009 พบว่าเดือนที่คล้ายที่สุดในอดีตคือช่วง recession ในต้นทศวรรษ 1980 ซึ่งเป็นช่วงเศรษฐกิจถดถอยรุนแรงเช่นกัน โมเดลสามารถจับ pattern ของ crisis ได้ค่อนข้างดี

วิกฤต COVID ปี 2020 — ในกรณีนี้ โมเดลพบว่าแทบไม่มีช่วงในอดีตที่คล้ายกันมาก เหตุผลคือ COVID เป็น shock ที่ไม่เคยเกิดขึ้นในประวัติศาสตร์สมัยใหม่ นี่ถือเป็น insight ที่สำคัญ ซึ่งแสดงว่าบางครั้งตลาดกำลังอยู่ใน regime ใหม่จริง ๆ

Factor investing กับ Fama-French

ผู้วิจัยทดลองใช้วิธีนี้กับ factor investing โดยใช้ Fama-French factors: Market, Size, Value, Profitability, Investment, Momentum กลยุทธ์คือ ถ้า factor ใดมีผลตอบแทนเฉลี่ยเป็นบวกหลัง regime ที่คล้ายกันในอดีตก็ถือ Long factor นั้น ถ้าผลตอบแทนเฉลี่ยเป็นลบก็ถือ Short

ผลลัพธ์การลงทุน

ผลการทดสอบตั้งแต่ปี 1985 ถึง 2024 พบว่า portfolio ที่ใช้ regime similarity มี Sharpe ratio ประมาณ 0.95 ที่สำคัญ drawdown ของกลยุทธ์นี้ต่ำกว่า portfolio factor แบบ static อย่างชัดเจน

อ้างอิง: Paper Regimes — Amara Mulliner, Campbell Harvey, Man Group (LinkedIn)