ESTIMATING TIME-VARYING SYSTEMATIC RISK BY USING KALMAN FILTERAPPROACH: EVIDENCES FROM THE STOCK EXCHANGE OF THAILAND

บทคัดย่อ

          The objective of this study is focusing on the time-varying systematic risk or beta estimation by using the proper model which can explain the system that varies through time appropriately like Kalman filter model. The motivation of this study comes from requirement of investors and market contributors that wish for the suitable tools to estimate beta properly. Then, this study introduced Kalman filter which is the popular state space model to improve the process of estimation. There were three model specification used in this study which were random walk model, random coefficient model and autoregressive model (AR(1)) model. The results of estimation were compared with static beta from ordinary least squares method. The data applied in this study were the daily return of Thailand Stock Exchange industries group index since January 2007 to June 2014 and there were eight industries group indexes.  The results found from the plots of time-varying bet as that three models of Kalman filter can catch up volatility of risk quicker and better than Ordinary least squares. And the most volatile beta among three models of Kalman filter in most of the industries is the form of random coefficient model. Finally, the model were evaluated the performance through root mean square error and mean absolute error calculation, the study found that Kalman filter AR(1) model confirms the superiority in capturing Time-Varying Systematic risk.

          วัตถุประสงค์ของการศึกษาในครั้งนี้เป็นการประมาณค่าสัมประสิทธิ์ความเสี่ยงที่เป็นระบบ ซึ่งเปลี่ยนแปลงตามเวลาโดยใช้ตัวแบบ Kalman filter ซึ่งเป็นที่ยอมรับในความสามารถในการอธิบายข้อมูลที่เปลี่ยนแปลงตามเวลาได้อย่างดี ทั้งนี้ความเข้าใจในความเสี่ยงที่เป็นระบบอย่างถูกต้องเป็นประโยชน์อย่างยิ่งกับนักลงทุน เพื่อที่จะตอบสนองกับความผันผวนของตลาดทุนได้อย่างรวดเร็ว ดังนั้นวิธีในการประมาณค่าที่เหมาะสมจึงเป็นเครื่องมือทางการเงินที่สำคัญของนักลงทุน การศึกษาในครั้งนี้จึงมุ่งเน้นที่การใช้ตัวแบบ Kalman filter ในการพัฒนาการประมาณค่าสัมประสิทธิ์ความเสี่ยงที่เป็นระบบให้ถูกต้องมากขึ้น โดยตัวแบบ Kalman filter ที่ใช้มีทั้งหมด 3 ตัวแบบ ได้แก่ ตัวแบบ Random walk ตัวแบบ Random coefficient และตัวแบบ Autoregressive (AR(1)) โดยผลการประมาณค่าโดยตัวแบบทั้ง 3 นี้จะนำมาเปรียบเทียบกับผลการประมาณค่าสัมประสิทธิ์ความเสี่ยงที่เป็นระบบโดยวิธีการวิเคราะห์การถดถอยแบบ OLS ข้อมูลที่ใช้ในการศึกษาในครั้งนี้เป็นข้อมูลผลตอบแทนรายวันจาก ดัชนีกลุ่มอุตสาหกรรมต่างๆ ตามตลาดหลักทรัพย์แห่งประเทศไทย ประกอบไปด้วย 8 กลุ่มอุตสาหกรรม และใช้ข้อมูลรายวันตั้งแต่ มกราคม พ.ศ.2550 ถึงมิถุนายน พ.ศ.2557 จากผลการศึกษาโดยการสร้างแผนภาพพบว่า ตัวแบบของ Kalman filter ทั้ง 3 แบบสามารถแสดงให้เห็นถึงความผันผวนของตลาดได้รวดเร็วและดีกว่า ตัวแบบการวิเคราะห์การถดถอยแบบ OLS และตัวแบบที่ให้ค่าสัมประสิทธิ์ความเสี่ยงที่เป็นระบบผันผวนที่สุด คือ ตัวแบบ Random coefficient ซึ่งให้ผลสอดคล้องกันในกลุ่มดัชนีอุตสาหกรรมส่วนใหญ่ ในส่วนสุดท้าย การศึกษาในครั้งนี้ได้ทำการประเมินความสามารถของตัวแบบโดยคำนวณรากที่สองของควาคลาดเคลื่อนกำลังสองเฉลี่ย (root mean square error; RMSE) และความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (mean absolute error; MAE) ผลการศึกษาพบว่า ตัวแบบ Kalman filter AR(1) เป็นตัวแบบที่ให้ผลการประมาณค่าสัมประสิทธิ์ความเสี่ยงที่เป็นระบบ ซึ่งเปลี่ยนแปลงตามเวลาได้ดีกว่าตัวแบบอื่นในการศึกษาในครั้งนี้