ฉบับภาษาไทย — original English ที่ asset-allocation

Asset Allocation

Interactive Deep-Study Labs

• LO 2a + 2c — Ch5 Asset Allocation Lab (strict) — 13 modules · Governance Stack + PM Process · IPS + Investor-Type Matrix · Economic BS calc (F2025 Q3 preset + pension flip) · AO vs LDI · MVO Lab (utility · w* · Sharpe-ρ gate · GPFC stepper) · LDI Surplus Vol + GPLE $163M stress · 4-way SAA/DAA/TAA/Rebal classify quiz · Passive-Active Spectrum · Risk Budget Bar · Rebalancing Simulator (Exhibit 15 replay) + 7-Factor Corridor Tree · Flashcards (70 SM-2) · Drill Arena (10 past-Q).
• LO 2d — Ch6 Principles of Asset Allocation (Mean-Variance) — MVO Foundation · Corner Portfolios · 6 Criticisms · 6 Fixes (B-L · MC · CVaR) · Less-Liquid De-smooth · Risk Budgeting + Factor AA · Liability-Relative (Surplus / Hedge+RSP / Integrated A-L) · 5 Heuristics · Rebalancing Corridor · Formula Sheet (18) · Flashcards (30) · Cheat Sheet.

Syllabus LOs:

• 2c — Portfolio construction approaches (asset allocation, passive/active, rebalancing)
• 2d — Optimal portfolio allocation in a risk-return framework

Key Resources:

• Portfolio Management in Practice Vol 1 (CFA Institute), Ch. 5: Overview of Asset Allocation (sec. 2–8, excl. 6.3) — for 2c
• Portfolio Management in Practice Vol 1 (CFA Institute), Ch. 6: Principles of Asset Allocation (sec. 2–3 & 5–7) — for 2d

Excluded — Out of Scope

Goals-based asset allocation ตัดออกจากทั้งสองบท:

• CFA Ch. 5, §6.3 (goals-based approach) — ตัดเพราะ institutional investors ไม่ค่อยใช้
• CFA Ch. 6, §4 (goals-based approach to asset allocation) — ตัดเหตุผลเดียวกัน

Focus เฉพาะ asset-only กับ liability-relative approaches เท่านั้น (inv101-strategy-guide)

Asset Allocation Approaches

SAA คือ long-term target mix ของ asset classes — ถือว่าเป็น investment decision ที่สำคัญที่สุด การเลือก approach ขึ้นอยู่กับว่ามี liabilities ที่กำหนดไว้หรือไม่

Asset-Only vs. Liability-Relative (LDI)

Dimension	Asset-Only	Liability-Relative (LDI)
Focus	ดูเฉพาะฝั่ง asset ของ balance sheet — ไม่ model liabilities	Model liabilities ชัดเจน — focus ที่ funding
Objective	Maximize expected return ต่อ unit of risk (เช่น maximize Sharpe Ratio)	ให้ assets พอจ่าย liabilities — optimize Surplus (A − L)
Risk Concept	Volatility ของ asset returns (standard deviation)	Shortfall risk (P(A < L)) หรือ Surplus volatility (σ ของ [A − L])
ใครใช้	Foundations, Endowments, Individual investors	DB Pension Plans, Insurance Companies (Life & P&C), Banks

Exam Tip

ในฐานะ actuary ตรงนี้คือ home turf — institutional clients (pension/insurer) จ้างเราเพื่อ ทำให้แน่ใจว่าจ่าย claims/benefits ได้ (LDI) ไม่ใช่ maximize Sharpe Ratio (Asset-Only) คำตอบ exam สำหรับ pension/insurer scenarios ต้องสะท้อน liability-relative thinking เสมอ — ถ้าเขียน “standard deviation of assets” เป็น risk metric สำหรับ DB plan โดน ตัดแต้ม

Passive vs. Active Management

ทางเลือก implementation ทำงานบน 2 มิติแยกกัน

Dimension 1: Managing Asset Class Weights

Approach	Description	Nature
Passive (SAA)	ยึด long-term target weights — rebalance กลับไปเท่านั้น	Passive, policy-driven
Active (TAA)	เบี่ยงจาก SAA targets ตาม short-term market views	Active, return-seeking

Tactical Asset Allocation (TAA): tilts ระยะสั้น opportunistic ออกจาก SAA ตัวอย่าง: “Equities จะ outperform bonds ใน 6 เดือนข้างหน้า → shift จาก 60/40 เป็น 65/35” — เป็น active management ระหว่าง asset classes

Dimension 2: Managing Within Asset Classes

Approach	Description	Rationale
Passive (Indexing)	รับ market return — ซื้อ index fund หรือ ETF	Cost ต่ำ, เชื่อ market efficiency, transparent
Active (Security Selection)	พยายาม beat benchmark โดยเลือก securities เฉพาะ	เชื่อ market inefficiency, มีโอกาสได้ alpha

Common Mistake — TAA vs. Active Selection

TAA คือ active management ระหว่าง asset classes (เปลี่ยน weights) — Active security selection คือ active management ภายใน asset class (เลือก stocks/bonds) สอง dimension นี้ต่างกัน exam ทดสอบ distinction นี้

SAA vs. TAA Comparison

Dimension	SAA	TAA
Time Horizon	Long-term (หลายปี)	Short-term (เดือนถึงไตรมาส)
Goal	Risk control, ทำตาม long-term objectives	Return enhancement (alpha generation)
Implementation	Passive approach กับ asset class weights	Active approach กับ asset class weights
Governance	Baseline กำหนดใน IPS	ต้อง IPS อนุญาตชัดเจน — ต้องการ separate risk budget

Rebalancing

ระเบียบการปรับ portfolio weights กลับไปสู่ SAA targets เมื่อ market movements ทำให้ drift

ทำไมต้อง Rebalance?

Exam Tip

Goal หลักของ rebalancing คือ RISK CONTROL — ไม่ใช่ return-enhancement strategy ห้ามตอบว่า “เหตุผลหลักของการ rebalance คือเพิ่ม return” Rebalancing ขายแพงซื้อถูก บังคับวินัย — ถ้าไม่ทำ assets ที่ growth สูง (เช่น equities) จะ dominate ทำให้ portfolio เสี่ยงกว่าที่ต้องการมาก

Rebalancing Methods

Method	Mechanism	Pro	Con
Calendar Rebalancing	Rebalance ตามตารางคงที่ (รายไตรมาส, รายปี)	ง่าย, มีวินัย	Arbitrary — อาจพลาด drift ใหญ่ระหว่างวันที่กำหนด
Percent-Range (Corridors)	กำหนด range ที่ยอมรับได้ (เช่น 50% ± 5% = 45–55%) — rebalance เมื่อทะลุ	Risk control แน่นกว่า, หลีกเลี่ยง trade ที่ไม่จำเป็น	ต้อง monitor บ่อยขึ้น

Corridor Width: เมื่อไหร่ใช้ Wide vs. Tight Bands

Factor	Tighter Bands (Rebalance บ่อยกว่า)	Wider Bands (Rebalance น้อยกว่า)	Rationale
Transaction Costs	Costs ต่ำ	Costs สูง	หลีกเลี่ยง trade บ่อยถ้า costs สูง
Risk Aversion	Aversion สูง	Aversion ต่ำ	คนกลัว risk ต้องการ control แน่นกว่า
Asset Correlation	Correlation ต่ำ (diversifying)	Correlation สูง (คล้ายกัน)	ถ้า assets คล้ายกัน drift สำคัญน้อยกว่า
Market Belief	Mean reversion	Momentum	Mean reversion → rebalance บ่อย; Momentum → ปล่อย winners run
Liquidity	Liquid assets	Illiquid assets	Illiquid (PE, RE) trade แพง → wide bands
Taxes	Tax-exempt	Taxable account	Taxes คือ transaction cost สูง — หลีกเลี่ยงการ trigger gains

Exam Tip

ตาราง corridor width นี้ high-yield สำหรับ exam — อาจถูกถาม: “Portfolio ถือ illiquid alternatives เยอะ และ investor เชื่อ momentum, แนะนำ rebalancing approach” Answer: wider corridors เพราะ illiquidity เพิ่ม trading costs และ momentum belief หนุนให้ปล่อย winners run

Practice Scenario: SAA vs. TAA Decision

Endowment มี SAA 60% Equity / 40% Bonds — IPS อนุญาต TAA ภายใน ±5% CIO คาดว่า rate hikes ใน 6–12 เดือนข้างหน้า

1. TAA Application: Rising rates → ลบต่อ bond prices CIO underweight bonds (→35%) และ overweight equities หรือ cash (→65% equity หรือ 55% equity/10% cash) — เป็น active, return-seeking decision
2. Contrast กับ Rebalancing: ถ้า equities outperform (push เป็น 65/35) rebalancing จะ ขาย equities, ซื้อ bonds กลับเป็น 60/40 — Rebalancing เป็น passive, risk-control ส่วน TAA เป็น ตรงข้าม — active deliberate tilt ออกจาก SAA

Optimization & Principles (Ch. 6 — LO 2d)

Mean-Variance Optimization (MVO) — Asset-Only Framework

Foundational quantitative framework สำหรับ asset allocation (Markowitz) — MVO หา Efficient Frontier ชุด portfolios ที่ให้ expected return สูงสุดที่แต่ละระดับ volatility

Utility Function (วิธีเลือก optimal portfolio บน frontier):

$U_m=E(R_m)-0.005\lambda {\sigma }_m^2$

• $\lambda$ = risk aversion coefficient ของ investor (สูง = risk-averse มาก)
• Optimal portfolio คือตัวที่ maximize $U_m$ สำหรับ $\lambda$ ที่กำหนด
• เมื่อไหร่ใช้: investors ที่ไม่มี defined liabilities — endowments, individuals, foundations

Key MVO Concepts:

Term	Definition
Efficient Frontier	ชุด portfolios ที่มี maximum E(R) ที่แต่ละ σ level
Global Minimum Variance Portfolio (GMVP)	จุดซ้ายสุดบน efficient frontier — σ ต่ำสุดในบรรดา risky portfolios ทั้งหมด ทุกการ reallocation ออกจาก GMVP เพิ่ม risk
Tangency Portfolio	Portfolio บน efficient frontier ที่มี Sharpe Ratio สูงสุด — จุดที่ CML แตะ frontier
Capital Market Line (CML)	เส้นจาก risk-free rate ผ่าน Tangency Portfolio — Portfolios บน CML dominate ตัวที่อยู่บน efficient frontier (risk-return ดีกว่าผ่าน leverage/deleveraging)
Corner Portfolios	Portfolios บน efficient frontier ที่ asset weights เปลี่ยนจาก zero เป็น positive (หรือกลับกัน) — ทุก efficient portfolio ระหว่าง 2 corner portfolios ติดกัน เป็น linear combination ของทั้งสอง

Exam Tip — Corner Portfolio Interpolation

การคำนวณที่ออกบ่อย: ให้ corner portfolios 4 และ 5 รู้ E(R) กับ weights — หา asset mix สำหรับ target return ระหว่างกัน แก้ $R_{target}=w\cdot R_4+(1-w)\cdot R_5$ หา $w$ แล้ว apply $w$ กับ asset weight แต่ละตัว — ออก F2020 Q16

MVO Flaws & Solutions

MVO มี 2 ปัญหาใหญ่ที่ exam ชอบทดสอบ:

Flaw	Description
1. Input Sensitivity	เปลี่ยน E(R) inputs นิดเดียว → output weights swing แรงและไม่นิ่ง E(R) คือ input ที่ sensitive ที่สุด
2. Concentration	มักออกมา portfolios ที่กระจุกใน 2–3 asset classes จาก 10+ — ไม่ diversified จริง

Solutions (ต้องรู้ว่าใช้ตัวไหนเมื่อไหร่):

Solution	What It Does	แก้ Flaw ตัวไหน
Reverse Optimization	ดึง implied E(R) จาก portfolio ที่สมมติว่า optimal (เช่น Global Market Portfolio cap weights) — E(R)s ที่ได้นิ่งและสร้าง diversified allocations	Input Sensitivity + Concentration
Black-Litterman Model	Bayesian approach — เริ่มจาก reverse-optimized E(R) เป็น “prior” แล้วผสมด้วย Views ของ investor (เช่น “EM จะ outperform US 2%”) Output: E(R) ที่ทั้งนิ่ง (จาก market) และสะท้อน expertise (จาก views)	Input Sensitivity
Resampled MVO	Monte Carlo simulation generate input sets ที่ผันแปรเล็กน้อยหลายพันชุด → run MVO ในแต่ละชุด → average efficient frontiers — ได้ frontier ที่ smoother และ diversified กว่า	Input Sensitivity + Concentration
Adding Constraints	กำหนดกฎ (เช่น “max 30% ใน asset ใด ๆ”, “min 5% ใน bonds”) เพื่อบังคับ diversification — straightforward ที่สุดสำหรับแก้ concentration	Concentration

Exam Tip — Black-Litterman Scope

B-L แก้ input E(R) problem — ไม่ได้ แก้ non-normal return distributions (skewness, kurtosis) อย่าสับสน — exam จะทดสอบว่ารู้หรือไม่ว่า B-L แก้อะไร ไม่แก้อะไร

Liability-Relative Asset Allocation (Surplus Optimization)

สำหรับ institutional investors ที่มี defined liabilities (pensions, insurers) แทนที่จะ optimize assets อย่างเดียว — optimize Surplus (Assets − Liabilities)

Surplus Utility Function:

$U_m^{LR}=E(R_{s,m})-0.005\lambda {\sigma }^2(R_{s,m})$

• $E(R_{s,m})$ = expected surplus return
• ${\sigma }^2(R_{s,m})$ = surplus variance
• Risk คือ surplus volatility ไม่ใช่ asset volatility

Key Inputs (เพิ่มจาก standard MVO): $E(R_L)$, ${\sigma }_L$, และ ${\rho }_{A,L}$ (correlation ระหว่าง asset แต่ละตัวกับ liability)

Exam Tip — The Correlation Insight

Portfolio ที่มี asset volatility ต่ำ อาจมี surplus volatility สูง ถ้า correlation กับ liabilities ต่ำ — Hedge ที่ดีที่สุดคือ asset portfolio ที่มี correlation กับ liabilities สูง assets และ liabilities เคลื่อนพร้อมกัน — surplus stable นี่คือ core insight ของ liability-relative thinking และเป็น trap โปรดของ exam (ดู lo-2d-exam-patterns Scenario 2)

Funding Ratio = Market Value of Assets / PV(Liabilities) — Overfunded > 1; Underfunded < 1

Liability-Relative Approaches อื่น ๆ

Approach	Description	When to Use
Hedging / Return-Seeking (Two-Portfolio)	แยก assets เป็น: (1) Hedging Portfolio — match PV(L) ผ่าน duration/cash-flow matching (2) Return-Seeking Portfolio — invest surplus เพื่อ growth (equities, PE)	Overfunded plans ที่มี surplus เป็นบวก — ง่ายและ practical
Integrated Asset-Liability	Optimize ทั้ง asset allocation AND liability decisions พร้อมกัน	สถาบันที่ สร้าง liabilities — banks (deposit/lending mix), insurers (product design) Approach ที่ซับซ้อนสุด

Heuristic Approaches (Rules of Thumb)

Strategies ที่ลัดขั้นตอน formal optimization — exam มักให้ critique

Heuristic	Description	Standard Critique
60/40 Stock/Bond	Allocation คงที่ ไม่ optimize	Static; ไม่สนใจ liabilities, risk aversion, หรือ asset classes อื่น ๆ ของ investor
Endowment Model (Yale)	Allocation สูงไปทาง alternatives (PE, RE, HF) เพื่อหา illiquidity premiums	พึ่ง manager skill (alpha) มาก; ต้องการ risk tolerance สูง; assets illiquid — ไม่ใช่ทุก investor copy ได้
Risk Parity	Allocate ให้ asset class แต่ละตัว contribute risk เท่ากันต่อ total portfolio risk	ไม่สนใจ expected returns เลย — risk-based ล้วน Sub-optimal เพราะ treat asset return ต่ำ เหมือน asset return สูง
1/N Rule	Equal weight ให้ N asset classes	หลีกเลี่ยง input sensitivity แต่ treat ทุก asset เหมือนกัน — ไม่มี theoretical justification

Risk Budgeting vs. Risk Parity

Critical Distinction — Exam Trap

ดูคล้ายกันแต่ต่างกันที่รากเลย:

• Risk Parity = heuristic บังคับให้ risk contribution เท่ากันทุก asset — ไม่สนใจ E(R) ไม่ optimal
• Risk Budgeting = MVO concept ใน optimal portfolio จริง ๆ — ratio ของ excess return ต่อ Marginal Contribution to Total Risk (MCTR) จะเท่ากันทุก asset รวม E(R) เป็น optimality condition ไม่ใช่การลด simplification

ถ้า exam ถาม “Risk Parity optimal หรือไม่?” → No เพราะไม่สนใจ returns ถ้าถามถึง MCTR equalization → นั่นคือ Risk Budgeting ซึ่งเป็น optimality condition

Critical Keywords for Exam Answers

Term	How to Use It
SAA	”SAA defines the long-term policy mix.”
TAA	”TAA represents short-term, active deviations from the SAA to exploit perceived market opportunities.”
Asset-Only vs. LDI	”Given the nature of pension liabilities, a Liability-Relative approach is more appropriate than an Asset-Only approach.”
Surplus Volatility	”The primary risk to manage is surplus volatility — the volatility of the asset-liability mismatch.”
Shortfall Risk	”A key risk objective is to minimize shortfall risk, the probability of assets falling below liabilities.”
Passive (Indexing)	“A passive implementation (indexing) is preferred for efficient markets due to its lower costs.”
Active (Security Selection)	“Active management (security selection) is justified if the manager believes markets are inefficient.”
Rebalancing / Corridors	”Rebalancing policy is primarily for risk control. We recommend percentage corridors.”
MVO / Utility Function	”We apply the utility function $U_m=E(R)-0.005\lambda {\sigma }^2$ to identify the portfolio with the highest risk-adjusted return for this investor’s risk aversion.”
Efficient Frontier	”The efficient frontier represents the set of optimal portfolios; the recommended portfolio lies on this frontier.”
Input Sensitivity	”MVO’s primary weakness is input sensitivity — small changes in E(R) produce large, unstable changes in output weights.”
Reverse Optimization	”Instead of forecasting E(R), we derive implied returns from market-cap weights, producing stable, diversified allocations.”
Black-Litterman	”We start with implied returns from reverse optimization and blend them with the manager’s views in a Bayesian framework.”
Surplus Optimization	”For this pension/insurer, a liability-relative framework is required. We optimize surplus return against surplus volatility.”
Funding Ratio	”The funding ratio (MV(A)/PV(L)) indicates the plan is overfunded/underfunded.”
Hedging / Return-Seeking	”For this overfunded plan, we recommend a two-portfolio approach: a hedging portfolio to defease liabilities and a return-seeking portfolio to invest the surplus.”
Risk Parity (Critique)	“Risk Parity is flawed as a standalone approach because it allocates based on risk contribution while completely ignoring expected returns.”
Risk Budgeting / MCTR	”An optimal portfolio has an equal ratio of excess return to MCTR for all assets — this is the optimality condition from risk budgeting.”

Cross-References

• portfolio-management-process — asset allocation ใน PM cycle
• investment-policy-statement — IPS constraints ขับ allocation
• fixed-income-portfolio-management — FI sub-allocation และ LDI strategies
• passive-equity-investing — implementation ของ equity allocation
• active-equity-investing — active implementation decisions
• behavioral-bias-in-investing — biases ที่บิดเบือน allocation decisions
• lo-2d-exam-patterns — LO 2d exam question patterns, answer templates, past exam analysis
• keynote-gem-lo-2d — source keynote สำหรับ LO 2d