Abstract:
ค่าคาดหวังแบบมีเงื่อนไขของข้อมูลอันดับสามารถนำไปประยุกต์ใช้ในปัญหาเพื่อการตัดสินใจในกรณีที่มีข้อมูลเชิงปริมาณในอดีตกับข้อมูลปัจจุบันที่เป็นข้อมูลอันดับ อย่างไรก็ตามในทางปฏิบัติ ณ เวลาที่ต้องตัดสินใจ ข้อมูลอันดับที่นำมาใช้มักเป็นข้อมูลอันดับที่ไม่สมบูรณ์ งานวิจัยนี้จึงศึกษาผลของการอนุมานเชิงสถิติเมื่อใช้ข้อมูลอันดับที่ไม่สมบูรณ์จากตัวแปรร่วมที่มีความสัมพันธ์กับตัวแปรที่ต้องการศึกษา ผลการศึกษาพบว่า ความถูกต้องซึ่งวัดจากระยะห่างระหว่างค่าจริงกับค่าคาดหวังแบบมีเงื่อนไขเมื่อใช้ข้อมูลอันดับที่ไม่สมบูรณ์จากตัวแปรร่วมจะเพิ่มมากขึ้น หากระดับความสมบูรณ์ของข้อมูลอันดับของตัวแปรร่วมมีค่าสูง และระยะห่างของค่าในเวกเตอร์ค่าเฉลี่ยห่างกันมาก แต่หากจำนวนตัวแปรที่สนใจศึกษาและค่าสัมประสิทธิ์สหสัมพันธ์ของตัวแปรร่วมมีค่าเพิ่มขึ้น ความถูกต้องดังกล่าวกลับมีค่าลดลง การจัดพอร์ตการลงทุนเมื่อมีข้อมูลผลตอบแทนในอดีตกับข้อมูลอันดับกลุ่มหลักทรัพย์เป็นตัวอย่างหนึ่งของการประยุกต์ใช้ค่าคาดหวังแบบมีเงื่อนไขของข้อมูลอันดับ ผลการจัดพอร์ตการลงทุนเมื่อจำลองข้อมูลของ 10 หลักทรัพย์ ที่แต่ละหลักทรัพย์มีค่าสัมประสิทธิ์สหสัมพันธ์เป็น 0.5 และ 0.75 และใช้ค่าสัมประสิทธิ์การหลีกเลี่ยงความเสี่ยงเป็น 4 พบว่า เมื่อใช้ค่าคาดหวังแบบมีเงื่อนไขบนข้อมูลอันดับที่ถูกต้องของตัวแปรที่ต้องการศึกษา (Perfect Rank) ได้ค่าอรรถประโยชน์ใกล้เคียงกับเมื่อใช้ข้อมูลผลตอบแทนจริงมากที่สุด ส่วนการใช้ค่าคาดหวังแบบมีเงื่อนไขบนข้อมูลอันดับของตัวแปรร่วม (Imperfect Rank) ได้อรรถประโยชน์สูงกว่าเมื่อข้อมูลของการแจกแจงก่อน และค่าคาดหวังแบบมีเงื่อนไขโดยนัยบนข้อมูลอันดับของตัวแปรร่วม (Implied Rank) จะมีประสิทธิภาพเหนือกว่าการใช้ข้อมูลของการแจกแจงก่อนเมื่อตัวแปรร่วมที่มีระดับความสมบูรณ์ของข้อมูลอันดับของตัวแปรร่วมมากกว่า 0.6 กรณีศึกษาเมื่อทดลองจัดพอร์ตการลงทุนโดยใช้ข้อมูลผลตอบแทนรายวันของกลุ่มอุตสาหกรรมในตลาดหลักทรัพย์แห่งประเทศไทยระหว่างเดือนสิงหาคม พ.ศ. 2559 ถึงเดือนมกราคม พ.ศ. 2560 ร่วมกับข้อมูลอันดับที่ได้จากบทวิเคราะห์หลักทรัพย์ พบว่าเมื่อใช้ข้อมูลอันดับที่ได้จากการรวบรวมคำแนะนำให้ซื้อและขายหุ้น แล้วถ่วงน้ำหนักด้วยสัดส่วนมูลค่าของหลักทรัพย์และความแม่นยำของการทำนายในอดีตตามเกณฑ์ที่เหมาะสม สามารถได้พอร์ตการลงทุนที่มีอรรถประโยชน์สะสมสูงกว่าการใช้ข้อมูลจากการแจกแจงก่อนเพียงอย่างเดียวได้
