การวิเคราะห์แบ่งกลุ่มกองทุนรวมเพื่อการเลี้ยงชีพ

ผู้แต่ง

  • ศศิประภา หิริโอตป์
  • ชญานี พูลพิพัฒน์ ภาควิชาสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยศิลปากร
  • พรพิมล กันพงษ์ ภาควิชาสถิติ คณะวิทยาศาสตร์ มหาวิทยาลัยศิลปากร

คำสำคัญ:

อัตราส่วนชาร์ป, เจนเซ่นอัลฟ่า, อัตราส่วนเทรเนอร์, การวิเคราะห์แบ่งกลุ่มสำหรับข้อมูลอนุกรมเวลา, การตรวจสอบชุมชนในเครือข่าย, กองทุนรวมเพื่อการเลี้ยงชีพ

บทคัดย่อ

 

กองทุนรวมเพื่อการเลี้ยงชีพ (RMF) เป็นกองทุนรวมที่ส่งเสริมการออมและการลงทุนระยะยาวสำหรับการวางแผนหลังเกษียณอายุ  การลงทุนในกองทุนรวม RMF มีนโยบายการลงทุนที่หลากหลาย ตั้งแต่กองทุนที่มีความเสี่ยงต่ำซึ่งลงทุนในพันธบัตรรัฐบาลเป็นหลักไปจนถึงกองทุนที่มีความเสี่ยงสูงที่เน้นการลงทุนในหุ้นหรือทองคำ  ความเสี่ยงที่เกี่ยวข้องกับการลงทุนในกองทุนรวม RMF มีหลายชนิด เช่น ความเสี่ยงของตลาด ความเสี่ยงด้านสภาพคล่อง และความเสี่ยงด้านการกระจุกตัวของการลงทุน เป็นต้น  งานวิจัยนี้ศึกษาผลการดำเนินงานของกองทุน RMF ที่เสนอขายผ่านสถาบันการเงินต่าง ๆ โดยพิจารณาจากอัตราส่วนชาร์ป (Sharpe ratio) เจนเซ่นอัลฟ่า (Jensen’s alpha)  และอัตราส่วนเทรเนอร์ (Treynor ratio)  เพื่อนำมาใช้ในการแบ่งกลุ่มกองทุนรวม RMF โดยใช้เทคนิคการวิเคราะห์แบ่งกลุ่มสำหรับอนุกรมเวลา (time series cluster analysis)  ด้วยวิธีการตรวจสอบชุมชนในเครือข่าย (Community Detection in Networks)  ผลการแบ่งกลุ่มกองทุนสามารถใช้เป็นแนวทางสำหรับนักลงทุนในการเลือกกองทุน RMF ที่จะทำให้ความเสี่ยงในการลงทุนน้อยที่สุดโดยใช้หลักการกระจายความเสี่ยงในการจัดพอร์ตลงทุน

คำสำคัญ: อัตราส่วนชาร์ป, เจนเซ่นอัลฟ่า, อัตราส่วนเทรเนอร์, การวิเคราะห์แบ่งกลุ่มสำหรับข้อมูลอนุกรมเวลา, การตรวจสอบชุมชนในเครือข่าย, กองทุนรวมเพื่อการเลี้ยงชีพ

References

เอกสารอ้างอิง
[1] บริษัทหลักทรัพย์จัดการกองทุน กรุงศรี จำกัด (2562 ธันวาคม 23) เลือกกองทุนให้ดีต้องมองผ่านเลนส์ [Online] แหล่งที่มา: https://www.krungsriasset.com/th/PDFPlanStart-Invest/Start-investment_lesson5_TH.aspx
[2] นพดล อุดมวิศวกุล, อภิญญา วนเศรษฐ, สุนีย์ ศีลพิพัฒน์, “การวิเคราะห์เปรียบเทียบอัตราผลตอบแทนและความเสี่ยงในตราสารทางการเงินสำหรับการจัดพอร์ตการลงทุน,” การประชุมเสนอผลงานวิจัยระดับบัณฑิตศึกษา มหาวิทยาลัยสุโขทัยธรรมาธิราช ครั้งที่ 2, The 2nd STOU Graduate Research Conference, กรุงเทพฯ, 4-5 กันยายน 2555, OSS 0016.
[3] L. N. Ferreira and L. Zhao, “Time series clustering via community detection in networks,” Information Sciences, vol. 326, pp. 227-242, 2016.
[4] วริศรา มีศรีกมลกุล, “การจัดกลุ่มตามรูปร่างสำหรับข้อมูลอนุกรมเวลา,” วิทยานิพนธ์ วศ.ม., จุฬาลงกรณ์มหาวิทยาลัย, 2554.
[5] D. J. Berndt and J. Clifford, “Using Dynamic Time Warping to Find Patterns in Time Series,” In Proceedings of AAAI Workshop on Knowledge Discovery in Databases, Seattle, Washington, USA, Jul. 1994, pp. 359-370.
[6] C. A. Ratanamahatana and E. Keogh, “Making Time-Series Classification More Accurate Using Learned Constraints,” In Proceedings of SIAM International Conference on Data Mining, Lake Buena Vista, Florida, USA, Apr. 2004, pp. 11-22.
[7] E. F. Legara. (2020, April 15). Community Detection with Networkx, [Online]. Available: https://www.slideshare.net/ErikaFilleLegara/community-detection-with-networkx-59540229
[8] WealthMagik. (2562, ธันวาคม 17). WealthMagik-Screener. [Online] แหล่งที่มา: https://www.wealthmagik.com/Screener/BasicScreener.aspx

Downloads

เผยแพร่แล้ว

2021-06-15

How to Cite

[1]
หิริโอตป์ ศ. ., พูลพิพัฒน์ ช. ., และ กันพงษ์ พ. ., “การวิเคราะห์แบ่งกลุ่มกองทุนรวมเพื่อการเลี้ยงชีพ”, TJOR, ปี 9, ฉบับที่ 1, น. 67–78, มิ.ย. 2021.

ฉบับ

บท

Research Paper (3 ผู้ประเมิน ตามเกณฑ์การขอตำแหน่งวิชาการ)