การประมาณค่าความผันผวนของอัตราผลตอบแทนของสัญญาฟิวเจอร์สที่อ้างอิงกับดัชนีเซท 50 โดยใช้แบบจำลอง GARCH-X
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อ ศึกษาถึงการนำเทคนิค GARCH-X มาประยุกต์ใช้ในการพยากรณ์ความเคลื่อนไหวของดัชนี SET50 Index Futures เพื่อประมาณค่าความผันผวนสำหรับผลตอบแทน ซึ่งจะช่วยลดความเสี่ยงจากการเปลี่ยนแปลงของดัชนีราคา โดยใช้ข้อมูลราคาปิดรายวันของดัชนี SET50 Index Futures และข้อมูลรายวันของการซื้อขายสุทธิของนักลงทุนต่างชาติ เริ่มตั้งแต่วันที่ 2 มกราคม 2551 ถึงวันที่ 28 มิถุนายน 2555 รวมทั้งสิ้น 1,172 ชุดข้อมูล ในการศึกษาครั้งนี้ได้แบ่งการศึกษาออกเป็น 2 ส่วน คือ ส่วนแรกทำการศึกษาความสัมพันธ์ของการเคลื่อนไหวของข้อมูล แยกเป็นข้อมูลอัตราผลตอบแทนของ SET50 Index Futures และมูลค่าการซื้อขายสุทธิของนักลงทุนต่างชาติ นักลงทุนสถาบัน และนักลงทุนรายย่อย เพื่อนำมาสร้างแบบจำลองความแปรปรวนอย่างมีเงื่อนไข หลังจากได้แบบจำลองที่เหมาะสมแล้ว นำแบบจำลองมาสร้างค่าพยากรณ์เพื่อเปรียบเทียบกับค่าจริง จากนั้นกำหนดช่วงความเชื่อมั่นของค่าพยากรณ์ จากการศึกษาความสัมพันธ์ของการเคลื่อนไหวของข้อมูลอัตราผลตอบแทนของ SET50 Index Futures เมื่อนำมาทดสอบความนิ่งด้วย Unit Root ณ ระดับ Level พบว่าข้อมูลมีลักษณะกราฟแบบมีแนวโน้มและฤดูกาล จึงทำให้ลักษณะของข้อมูลไม่มีความนิ่ง แต่เมื่อพิจารณาการเคลื่อนไหวของข้อมูลการซื้อสุทธิของนักลงทุนต่างชาติ นักลงทุนสถาบัน และนักลงทุนรายย่อยพบว่าข้อมูลมีลักษณะนิ่ง ณ ระดับ Level สามารถนำไปใช้พยากรณ์ ARMA เพื่อหารูปแบบจำลองที่ดีที่สุดต่อได้ ในการพิจารณาเลือกแบบจำลองจะเลือกจากค่า AIC และ SIC ที่ต่ำที่สุด พบว่าแบบจำลองที่มีความเหมาะสม คือ AR(1) MA(1) MA(2) เมื่อนำรูปแบบจำลองมาพยากรณ์ต่อด้วยเทคนิค GARCH-X พบว่าอัตราผลตอบแทนของ SET50 Index Futures นอกจากจะขึ้นอยู่กับค่าความคาดเคลื่อนและค่าความแปรปรวนในอดีตอย่างมีนัยสำคัญแล้ว ยังขึ้นกับการซื้อขายสุทธิของนักลงทุนต่างชาติ นักลงทุนสถาบัน และนักลงทุนรายย่อย อย่างมีนัยสำคัญทางสถิติอีกด้วย
Article Details
1. กองบรรณาธิการสงวนสิทธิ์ในการพิจารณาและตัดสินการตีพิมพ์บทความในวารสาร
2. บทความทุกเรื่องจะได้รับการตรวจสอบทางวิชาการโดยผู้ทรงคุณวุฒิ แต่ข้อความและเนื้อหาในบทความที่ตีพิมพ์เป็นความรับผิดชอบของผู้เขียนแต่เพียงผู้เดียว มิใช่ความคิดเห็นและความรับผิดชอบของมหาวิทยาลัยศรีปทุม
3.การคัดลอกอ้างอิงต้องดำเนินการตามการปฏิบัติในหมู่นักวิชาการโดยทั่วไป และสอดคล้องกับกฎหมายที่เกี่ยวข้อง
References
จิรัตน์ สังข์แก้ว. (2547). การลงทุน. พิมพ์ครั้งที่ 6. กรุงเทพฯ: โรงพิมพ์มหาวิทยาลัยธรรมศาสตร์.
ฐานัสต์ อานนท์กิจพานิช และสุรชัย จันทร์จรัส. (2552). “การทดสอบประสิทธิภาพของตลาดหลักทรัพย์แห่งประเทศไทย.” วารสารวิจัย มข. (ฉบับบัณฑิตศึกษา). 9(1): 174-181.
นุชศรา เกสรประทุม. (2550). การเปรียบเทียบความแม่นยำในการพยากรณ์ราคาทองคำระหว่าง แบบจำลอง Neural Network, ARIMA และGARCH-M. การค้นคว้าแบบอิสระ เศรษฐศาสตรมหาบัณฑิต มหาวิทยาลัยเชียงใหม่.
ปิยนุช เรืองขจร. (2550). การประมาณค่าความผันผวนของผลตอบแทนของราคาน้ำมันดิบ ถ่านหิน และก๊าซธรรมชาติโดยวิธี ARIMA EGARCH, ARIMA GARCH-M and ARIMA GARCH. การค้นคว้าแบบอิสระ เศรษฐศาสตรมหาบัณฑิต มหาวิทยาลัยเชียงใหม่.
ภาคภูมิ ภาคย์วิศาล. (2549). กลยุทธ์เด็ด เคล็ดการลงทุนใน SET50 Index Futures. กรุงเทพฯ: เจเอสทีพับลิชชิ่ง.
วิสูตร พาราทิพย์เจริญชัย. (2551). ประสิทธิภาพและแบบจำลองสำหรับการประมาณค่าอัตราถัวความเสี่ยงที่เหมาะสมโดยใช้ดัชนีราคาหลักทรัพย์ล่วงหน้า: กรณีศึกษาของประเทศไทย. วิทยานิพนธ์เศรษฐศาสตรมหาบัณฑิต มหาวิทยาลัยธรรมศาสตร์.
สุรชัย จันทร์จรัส และมัณฑณา มาขุนทด. (2555). “การประมาณค่าความผันผวนและพยากรณ์ผลตอบแทนของหลักทรัพย์กลุ่มทรัพยากรโดยใช้แบบจำลอง GARCH-M.” วารสารวิจัย มข. สาขามนุษย์ศาสตร์และสังคมศาสตร์ (ฉบับธุรกิจและเศรษฐกิจ), 11(1), 19-31.
อนุศร ต่ายหัวดง. (2551). การประมาณค่าความผันผวนสำหรับผลตอบแทนของดัชนีกลุ่ม 50 หลักทรัพย์ ในตลาดหลักทรัพย์แห่งประเทศไทย โดยใช้แบบจำลอง ARIMA-GARCH. การค้นคว้าแบบอิสระเศรษฐศาสตรมหาบัณฑิต มหาวิทยาลัยเชียงใหม่.
Bollerslev, Tim. (1986). “Generalized Autoregressive Conditional Heteroskedasticity.” Journal of Econometric. 31: 307-327.
Box, G.E.P., and Jenkins, G.M., (1970). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.
Dickey, D.A. and Fuller,W.A. (1979). “Distribution of the Estimators for Autoregressive Time Series with a Unit Root” Journal of American Statistical Association. 74: 427-431.
Staikouras, S.K. (2006). “Testing the stabilization hypothesis in UK short-term interest rates: Evidence from a GARCH-X model.” The Quarterly Review of Economics and Finance. 46: 169-189.