ทำไม “วิจัยการเงิน” ถึงยากและปวดหัวที่สุด?
ในสายสังคมศาสตร์ (Social Science) ถือได้ว่างานวิจัยทางการเงินมีความยุ่งยากมากที่สุดสาขาหนึ่ง บทความนี้นำเสนอเนื้อหาอธิบายว่า ทำไม “วิจัยการเงิน” ถึงยากและปวดหัวที่สุด? เพื่อให้นักศึกษาปริญญาเอก ปริญญาโท ที่เตรียมตัวทำวิจัยการเงิน วิทยานิพนธ์การเงิน สามารถเตรียมใจและเตรียมตัว เพื่อให้มีความพร้อมที่สุดสำหรับการทำวิจัยให้สำเร็จ
เหตุใด “วิจัยการเงินจึงยากกว่าวิจัยสาขาอื่น”
การวิจัยทางการเงินเป็นงานที่ต้องอาศัยความรู้หลายด้านพร้อมกัน ทั้งทฤษฎีการเงิน เศรษฐศาสตร์ คณิตศาสตร์ สถิติ เศรษฐมิติ การเขียนโปรแกรม และความเข้าใจพฤติกรรมของตลาด ผู้วิจัยไม่เพียงต้องรู้ว่าจะใช้สถิติอะไร แต่ต้องเข้าใจด้วยว่าข้อมูลทางการเงินเกิดขึ้นอย่างไร มีข้อจำกัดอะไร และผลวิเคราะห์มีความหมายต่อการตัดสินใจในโลกจริงอย่างไร ด้วยเหตุนี้ งานวิจัยการเงินจึงมักมีความซับซ้อนและมีโอกาสผิดพลาดมากกว่างานวิจัยที่ใช้ข้อมูลแบบภาคตัดขวางหรือแบบสอบถามทั่วไป
1. ข้อมูลทางการเงินมีความซับซ้อนและเปลี่ยนแปลงตลอดเวลา
ข้อมูลที่ใช้ในงานวิจัยการเงิน เช่น ราคาหุ้น อัตราผลตอบแทน อัตราแลกเปลี่ยน อัตราดอกเบี้ย ราคาทองคำ ราคาน้ำมัน และมูลค่าการซื้อขาย มีการเปลี่ยนแปลงตามเวลาอย่างต่อเนื่อง ข้อมูลอาจมีความถี่รายปี รายไตรมาส รายเดือน รายวัน รายชั่วโมง ไปจนถึงระดับวินาที ยิ่งข้อมูลมีความถี่สูงเท่าใด โครงสร้างข้อมูลก็ยิ่งซับซ้อนมากขึ้นเท่านั้น
ข้อมูลทางการเงินยังได้รับผลกระทบจากข่าวสาร นโยบายของธนาคารกลาง สงคราม วิกฤตเศรษฐกิจ การเลือกตั้ง ภัยพิบัติ และความคาดหวังของนักลงทุน เหตุการณ์เพียงเหตุการณ์เดียวอาจทำให้ความสัมพันธ์ของตัวแปรเปลี่ยนแปลงอย่างรวดเร็ว แบบจำลองที่อธิบายตลาดได้ดีในอดีตจึงอาจไม่สามารถอธิบายตลาดในช่วงปัจจุบันได้
2. ข้อมูลอนุกรมเวลามีปัญหาเฉพาะตัว
งานวิจัยในหลายสาขาสามารถใช้สถิติพื้นฐาน เช่น ค่าเฉลี่ย การทดสอบค่าที การวิเคราะห์ความแปรปรวน หรือการถดถอยเชิงเส้นได้โดยตรง แต่งานวิจัยการเงินส่วนใหญ่มักใช้ข้อมูลอนุกรมเวลา ซึ่งมีปัญหาสำคัญ เช่น ความไม่นิ่งของข้อมูล ความสัมพันธ์ของค่าคลาดเคลื่อนตามเวลา ความแปรปรวนไม่คงที่ และการเปลี่ยนแปลงเชิงโครงสร้าง
หากผู้วิจัยนำราคาหุ้นหรือดัชนีตลาดหลักทรัพย์ที่มีลักษณะไม่นิ่งไปวิเคราะห์ด้วยการถดถอยทันที อาจเกิด “การถดถอยลวง” กล่าวคือ แบบจำลองแสดงค่าอาร์สแควร์สูงและตัวแปรมีนัยสำคัญทางสถิติ ทั้งที่ตัวแปรไม่ได้มีความสัมพันธ์กันอย่างแท้จริง ผู้วิจัยจึงต้องตรวจสอบ Unit Root และ Stationarity ด้วยวิธีที่เหมาะสม เช่น ADF, PP หรือ KPSS ก่อนเลือกแบบจำลอง
หากตัวแปรไม่นิ่งแต่มีความสัมพันธ์ระยะยาว ผู้วิจัยอาจต้องใช้ Cointegration, Vector Error Correction Model หรือ Autoregressive Distributed Lag แทนการถดถอยทั่วไป การเลือกวิธีผิดเพียงขั้นตอนเดียวอาจทำให้ผลการศึกษาทั้งหมดคลาดเคลื่อน
3. ความผันผวนของตลาดไม่ได้เกิดขึ้นอย่างสม่ำเสมอ
ข้อมูลผลตอบแทนทางการเงินมักมีลักษณะ Volatility Clustering คือ ช่วงที่ตลาดผันผวนรุนแรงมักเกิดติดต่อกัน ขณะที่ช่วงสงบก็มักดำเนินต่อเนื่องเป็นระยะเวลาหนึ่ง ความแปรปรวนของค่าคลาดเคลื่อนจึงไม่ได้คงที่ตามสมมติฐานของการถดถอยแบบปกติ
การศึกษาความผันผวนจึงอาจต้องใช้แบบจำลองตระกูล ARCH และ GARCH รวมถึงแบบจำลองที่ซับซ้อนขึ้น เช่น EGARCH, GJR-GARCH, TGARCH, APARCH, FIGARCH หรือแบบจำลอง Multivariate GARCH แต่ละแบบมีสมมติฐานและความสามารถในการอธิบายพฤติกรรมตลาดแตกต่างกัน ผู้วิจัยต้องเข้าใจว่าแบบจำลองใดเหมาะกับข้อมูล ไม่ใช่เลือกใช้เพียงเพราะแบบจำลองมีความซับซ้อนหรือได้รับความนิยม
ตัวอย่างเช่น หากต้องการศึกษาว่าข่าวร้ายทำให้ตลาดผันผวนมากกว่าข่าวดีหรือไม่ แบบจำลอง GARCH แบบพื้นฐานอาจไม่เพียงพอ ผู้วิจัยควรเลือกแบบจำลองที่สามารถตรวจสอบผลกระทบแบบไม่สมมาตรได้
4. ความสัมพันธ์ทางการเงินอาจเกิดพร้อมกันทั้งสองทิศทาง
ปัญหาสำคัญอีกประการหนึ่งคือ Endogeneity หรือตัวแปรอิสระมีความสัมพันธ์กับค่าคลาดเคลื่อน ตัวอย่างเช่น ผู้วิจัยต้องการศึกษาว่าโครงสร้างเงินทุนส่งผลต่อผลการดำเนินงานของบริษัทหรือไม่ แต่ในเวลาเดียวกัน ผลการดำเนินงานก็อาจมีอิทธิพลต่อการตัดสินใจเลือกโครงสร้างเงินทุนเช่นกัน
หากใช้การถดถอยทั่วไป ผลประมาณการอาจมีอคติและไม่สอดคล้อง ผู้วิจัยจึงต้องพิจารณาตัวแปรเครื่องมือ การประมาณค่าแบบ Two-Stage Least Squares, Fixed Effects, Difference GMM หรือ System GMM พร้อมตรวจสอบความเหมาะสมของเครื่องมือด้วยสถิติต่าง ๆ เช่น Hansen test, Sargan test และการทดสอบ Serial Correlation
ความยากจึงไม่ได้อยู่ที่การสั่งโปรแกรมให้แสดงผล แต่อยู่ที่การวินิจฉัยว่าปัญหา Endogeneity เกิดจากสาเหตุใด และควรแก้ด้วยวิธีใดจึงจะเหมาะสม
5. ต้องเชื่อมโยงทฤษฎีกับแบบจำลองเชิงปริมาณ
งานวิจัยการเงินที่มีคุณภาพไม่สามารถเริ่มต้นจากการนำตัวแปรจำนวนมากมาใส่ในแบบจำลองแล้วดูว่าตัวแปรใดมีนัยสำคัญ ผู้วิจัยต้องสร้างสมมติฐานจากทฤษฎี เช่น Efficient Market Hypothesis, Capital Asset Pricing Model, Arbitrage Pricing Theory, Agency Theory, Signaling Theory, Pecking Order Theory หรือ Trade-Off Theory
ทฤษฎีเป็นตัวกำหนดการเลือกตัวแปร ทิศทางของความสัมพันธ์ ระดับการวัด และแบบจำลองที่เหมาะสม หากเลือกทฤษฎีไม่สอดคล้องกับปัญหาวิจัย แม้ผลทางสถิติจะดูดี งานก็อาจไม่มีคุณค่าทางวิชาการ ผู้วิจัยจึงต้องเข้าใจทั้งเหตุผลทางเศรษฐศาสตร์และกลไกทางการเงิน ไม่ใช่อาศัยผลจากโปรแกรมเพียงอย่างเดียว
6. การได้มาของข้อมูลเป็นเรื่องยากและมีต้นทุนสูง
ข้อมูลทางการเงินที่มีคุณภาพจำนวนมากไม่ได้เปิดให้ใช้โดยไม่มีค่าใช้จ่าย ฐานข้อมูลระดับมืออาชีพ เช่น Bloomberg, Refinitiv, Datastream, S&P Capital IQ หรือ Compustat อาจมีค่าบริการสูง นอกจากนี้ ข้อมูลจากแต่ละฐานอาจใช้รหัสบริษัท หน่วยเงิน รอบบัญชี และวิธีปรับราคาที่แตกต่างกัน
ผู้วิจัยต้องตรวจสอบการแตกพาร์หุ้น การจ่ายเงินปันผล การควบรวมกิจการ การเพิกถอนหลักทรัพย์ และการเปลี่ยนแปลงมาตรฐานบัญชี หากไม่ปรับข้อมูลให้ถูกต้อง อาจเกิด Survivorship Bias, Selection Bias หรือ Look-Ahead Bias ซึ่งทำให้ผลตอบแทนของแบบจำลองสูงเกินความจริง
การทำความสะอาดข้อมูลจึงอาจใช้เวลามากกว่าการวิเคราะห์ ผู้วิจัยต้องตรวจสอบข้อมูลสูญหาย ค่าผิดปกติ วันซื้อขายที่ไม่ตรงกัน และความแตกต่างของเขตเวลาก่อนนำข้อมูลมารวมกัน
7. ตลาดมีการเปลี่ยนแปลงเชิงโครงสร้าง
ความสัมพันธ์ระหว่างตัวแปรทางการเงินไม่ได้คงอยู่ตลอดไป วิกฤตการเงินโลก การระบาดของโรค นโยบายดอกเบี้ย สงคราม และการเปลี่ยนแปลงกฎระเบียบสามารถทำให้โครงสร้างตลาดเปลี่ยนแปลงได้ แบบจำลองที่ใช้ค่าสัมประสิทธิ์คงที่ตลอดช่วงเวลาจึงอาจปิดบังความแตกต่างระหว่างแต่ละภาวะตลาด
ผู้วิจัยอาจต้องทดสอบ Structural Break หรือแบ่งช่วงเวลาการศึกษา รวมถึงใช้แบบจำลอง Markov Switching, Threshold Model, Quantile Regression หรือ Time-Varying Parameter Model เพื่ออธิบายพฤติกรรมตลาดในแต่ละสภาวะ การเลือกช่วงเวลาศึกษาจึงมีผลต่อข้อสรุปอย่างมาก
8. ผลทางสถิติอาจไม่มีความสำคัญในทางเศรษฐกิจ
งานวิจัยการเงินต้องแยกระหว่าง Statistical Significance กับ Economic Significance ผลการศึกษาที่มีนัยสำคัญทางสถิติอาจมีขนาดผลกระทบเล็กมากจนไม่คุ้มค่าต่อการนำไปลงทุนจริง เมื่อรวมค่าธรรมเนียม ค่าคอมมิชชัน ส่วนต่างราคา ภาษี และข้อจำกัดด้านสภาพคล่องแล้ว กลยุทธ์ที่ดูมีกำไรในแบบจำลองอาจไม่สามารถทำกำไรได้จริง
ผู้วิจัยจึงต้องพิจารณาขนาดสัมประสิทธิ์ ผลตอบแทนหลังหักต้นทุน ความเสี่ยง และตัวชี้วัด เช่น Sharpe Ratio, Sortino Ratio, Maximum Drawdown และ Value at Risk ไม่ควรพิจารณาเฉพาะค่า p-value
9. การพยากรณ์ตลาดมีความเสี่ยงต่อการสร้างแบบจำลองที่ดีเกินจริง
เมื่อผู้วิจัยทดลองตัวแปร ช่วงเวลา และแบบจำลองจำนวนมาก ย่อมมีโอกาสพบผลที่ดูดีโดยบังเอิญ ปัญหานี้เรียกว่า Data Mining หรือ Overfitting แบบจำลองอาจอธิบายข้อมูลในอดีตได้อย่างยอดเยี่ยม แต่ไม่สามารถพยากรณ์ข้อมูลใหม่ได้
งานวิจัยที่มุ่งพยากรณ์จึงต้องแบ่งข้อมูลเป็น Training, Validation และ Testing Sets รวมถึงทดสอบแบบ Out-of-Sample หรือ Rolling Window การประเมินแบบจำลองต้องใช้หลายเกณฑ์ เช่น RMSE, MAE และ MAPE ตลอดจนเปรียบเทียบกับแบบจำลองอ้างอิง ไม่ควรสรุปว่าแบบจำลองมีประสิทธิภาพจากผล In-Sample เพียงอย่างเดียว
10. การใช้โปรแกรมต้องควบคู่กับความเข้าใจเชิงวิชาการ
โปรแกรมอย่าง STATA, EViews, R, Python, MATLAB และ SAS ช่วยให้การวิเคราะห์ที่ซับซ้อนทำได้รวดเร็วขึ้น แต่โปรแกรมไม่สามารถตัดสินแทนผู้วิจัยว่าแบบจำลองเหมาะสมหรือไม่ โปรแกรมอาจคำนวณผลให้ได้แม้ข้อมูลละเมิดสมมติฐาน
ผู้วิจัยจึงต้องอ่านผลการทดสอบ Diagnostic Tests อย่างรอบคอบ ตรวจสอบ Autocorrelation, Heteroskedasticity, Multicollinearity, Cross-Sectional Dependence และ Model Stability รวมถึงสามารถอธิบายเหตุผลในการเลือก Estimator ได้อย่างเป็นระบบ การคัดลอกคำสั่งจากงานอื่นมาใช้โดยไม่เข้าใจอาจนำไปสู่ข้อสรุปที่ผิดทั้งหมด
บทสรุป
วิจัยการเงินยากกว่างานวิจัยทั่วไปในหลายกรณี เพราะข้อมูลมีความผันผวน เปลี่ยนแปลงตามเวลา และได้รับอิทธิพลจากเหตุการณ์ที่ผู้วิจัยควบคุมไม่ได้ อีกทั้งยังมีปัญหาทางเศรษฐมิติ เช่น Non-Stationarity, Endogeneity, Volatility Clustering และ Structural Break ผู้วิจัยต้องเข้าใจทั้งทฤษฎี กลไกตลาด การจัดการข้อมูล แบบจำลองสถิติ และการตีความเชิงเศรษฐกิจพร้อมกัน
ความยากที่แท้จริงจึงไม่ใช่การใช้โปรแกรมเพื่อให้ได้ตารางผลวิเคราะห์ แต่คือการตั้งคำถามที่ถูกต้อง เลือกข้อมูลที่เหมาะสม สร้างแบบจำลองที่สอดคล้องกับทฤษฎี ตรวจสอบสมมติฐาน และแปลผลอย่างไม่เกินกว่าหลักฐาน งานวิจัยการเงินที่น่าเชื่อถือจึงต้องอาศัยทั้งความรู้ ประสบการณ์ ความละเอียดรอบคอบ และความซื่อสัตย์ทางวิชาการในระดับสูง
อ่านเพิ่มเติม