ความเป็นเหตุเป็นผลหมายถึงความสัมพันธ์ระหว่างเหตุและผล โดยที่เหตุการณ์หรือตัวแปรหนึ่งมีอิทธิพลต่อการเกิดขึ้นหรือพฤติกรรมของอีกเหตุการณ์หนึ่ง ในบริบทของการเงินเชิงปริมาณ การทำความเข้าใจสาเหตุเป็นสิ่งสำคัญสำหรับการคาดการณ์ที่แม่นยำและระบุปัจจัยที่ขับเคลื่อนตลาดการเงิน
ความสัมพันธ์เชิงสาเหตุมักถูกสำรวจด้วยวิธีการทางสถิติและแบบจำลองทางเศรษฐมิติ ด้วยการวิเคราะห์ข้อมูลในอดีต นักวิจัยมีเป้าหมายที่จะเปิดเผยความสัมพันธ์ระหว่างเหตุและผลระหว่างตัวแปรต่างๆ เช่น ผลกระทบของอัตราดอกเบี้ยต่อราคาหุ้นหรือผลกระทบของตัวชี้วัดทางเศรษฐกิจต่ออัตราแลกเปลี่ยนสกุลเงิน
อย่างไรก็ตาม สิ่งสำคัญคือต้องทราบว่าการสร้างสาเหตุในระบบที่ซับซ้อน เช่น ตลาดการเงินอาจเป็นเรื่องที่ท้าทาย ปัจจัยต่างๆ เช่น ตัวแปรที่ซ่อนอยู่ ตัวแปรที่ละเว้น และลูปป้อนกลับอาจทำให้การระบุความสัมพันธ์เชิงสาเหตุที่แท้จริงซับซ้อนขึ้น
ในการเงินเชิงปริมาณ การยอมรับและจัดการกับสาเหตุอย่างเหมาะสมเป็นสิ่งสำคัญสำหรับการพัฒนาแบบจำลองที่มีประสิทธิภาพ การตัดสินใจลงทุนอย่างชาญฉลาด และทำความเข้าใจพลวัตของโลกการเงิน
สมมติว่าเราอยู่ในห้าง แล้วเรากำลังจะคาดเดาว่าฝนตกหรือไม่ จากการที่มองไปข้างนอก แล้วใช้จำนวนคนที่กางร่ม มา predict outcome ว่าฝนตกไหม เราก็น่าจะสามารถใช้ x ที่เป็นจำนวนคนกางร่มในการพยากรณ์ y ที่ว่าฝนจะตกหรือไม่ตกได้
แต่ถ้าวันนึง ผมอยากให้ฝนตก ผมคงไม่สามารถให้คนหลายๆ คนไปยืนกางร่ม เพื่อให้ฝนตกได้ เนื่องจากการกางล่ม ไม่ใช่ cause ของการที่ฝนตก
ในหลายๆ field เช่นการเงิน การเข้าใจผิดเกี่ยวกับ causality หน้ากลัว เพราะบางอย่างมันใช้ได้แค่พยากรณ์ แต่เราไม่สามารถ twist ค่าของตัวแปร x เพื่อให้ค่าของตัวแปร y เปลี่ยนไปได้ครับ แต่บางคนพยามทำแบบนั้น
การสร้างโมเดลจาก causality จะทำให้โมเดลยังใช้ได้อยู่เมื่อกระบวนการเบื้องหลังข้อมูลเปลี่ยนไปจากความเป็น non-stationary ด้วยครับ เพราะกรณีนี้ input คือสาเหตุที่ทำให้เกิด output จริงๆ
แล้ว Granger causality มันเทสยังไงหรอครับ
เราจะรู้ได้ไงว่า ข้อมูลเรามัน causalityเราจะรู้ได้ไงว่า ข้อมูลเรามัน causality ใช้ granger causality test อะแหละครับ แต่อันนั้นจะได้แค่ความสัมพันธ์แบบ linear ระหว่างรอน้องมาตอบ อันนี้จากประสบการณ์ที่เคยมำโมเดลมาครับ
แบบจำลองทางสถิติมีพื้นฐานมาจาก distribution เกือบทั้งหมดครับ การที่จะมี distribution ได้ต้องมีความถี่ คือเหตุการณ์ที่เราจำลองจะต้องซ้ำๆ กัน ในช่วงใดๆ (เราถึงเรียกว่าสถิติ) สังเกตุมั้ยครับทำไมโมเดลทาง Mathematical Finance ทำบน Return เพราะ Return มันมี Frequency ในขณะที่ Price จะไปหยุดที่ไหนก็ไม่รู้
คราวนี้ถ้าเราจะโมเดลเหตุการณ์ที่เป็น Dynamic เหตุการณ์ที่เปลี่ยนตามเวลา คำถามคือถ้า Distribution มันเปลี่ยนไปเรื่อยตามเวลาแบบไม่มีแบบแผน เราจะได้ประโยชน์อะไรจากโมเดลนี้มั้ย คำตอบคือไม่ได้ครับ เพราะ เดี๋ยวพรุ่งนี้ผลมันก็เปลี่ยน
ดังนั้น Concept ที่เราสมมุติเข้ามาในโมเดลคือ 1. Stationary เป็นภาษาพูดคือ distribution ของข้อมูลไม่เปลี่ยนตามเวลา เพราะ เราจะบอกว่าที่เราวิเคราะห์มามันยังใช้ได้ในอนาคตนะ ไม่ใช่จบแค่วันนี้ ข้อมูลจริงไม่ Stationary หรอกครับ ต้องแบ่ง Regime เอา
Concept ที่ 2 คือ Causality คือการว่าตัวไหนควรจะเป็นเหตุที่ทำให้เกิด effect, อันไหนเป็นเหตุอันไหนเป็นผล ซึ่ง concept นี้กว้างมาครับ ทาง Econometrics มี Granger causality ที่เอาไว้ test ดูว่า time seires หรือ factor ใดๆ มีผลกับการ Predict อีก time series นึงหรือเปล่า (factor selection) ซึ่งบาง model อย่าง Bayesian Network หา Causality ว่าอันควรเห็นเหตุ อันไหนควรเป็นผลอันไหนมาก่อนอันไหนมาหลัง
***ปล. ศึกษาโมเดลและวิธี inference ก่อนใช้เด้ออย่าเอาไป fit แล้วแปลผลเลย บางทีมันมีข้อจำกัด ผมใช้ transfer entropy ครับ แต่น่าจะยังมี measure อื่นๆอีก Granger สุดท้ายมันก็เป็นแต่ใคร Leading ใคร Lacking นะครับ แต่ผมเองก็ไม่รู้ว่าใส่อะไรเพิ่มแล้วจะช่วยขนาดไหน
มันจะมีเรื่อง Causality Model แบบวาดกราฟโยง ๆ นู่นนี่แต่สุดท้ายก็คือ Theory อยู่ดี
Econometrics เอาจริง ๆ ผมเองก็มีความเห็นว่าค่อนข้างทำตัวหยิ่งจาก Data Sci 55555 แต่ก็ได้แต่อยู่ในวงวิชาการตัวเองต่อไป เข้าถึงยากอยู่แล้วก็ยังจะไม่ดังไม่ฮิต อีก
ถ้ามีเวลาลองอ่านกันก็แนะนำ Josh Angrist เล่ม Mastering Metrics กับ Mostly Harmless Econometrics
ถ้าจะพิสูจน์ก็ต้อง Adopt สายทดลองมาแหละครับ ทำ Randomized Control Trial ทำ Difference-in-Difference ซึ่งทำให้งาน Econ ถึงกับได้ Nobel เพราะว่ามัน Revolutionize มาก เนื่องจากเรามีแต่ Observational Data ถ้าเอามาประยุกต์กับ Financial Data มันก็น่าจะเปิดอีกโลกไปเลย
Comments