27/07/2026
อ่าน
⚠️ ประกัน AI คูณผลตอบแทน 260% ไม่ต้องปรับพอร์ตเอง…นวัตกรรมใหม่ หรือแค่ย้ายความเสี่ยงจากลูกค้าไปซ่อนไว้ในสูตร Quant?
ช่วงนี้เริ่มมีประกันชีวิตรูปแบบใหม่เข้ามาทำตลาด โดยใช้คำที่ฟังแล้วน่าสนใจมาก ไม่ว่าจะเป็น “AI วิเคราะห์ตลาดแบบ Real-time”, “ปรับพอร์ตอัตโนมัติ”, “ไม่ต้องบริหารพอร์ตเอง”, “ปกป้องเงินต้นเมื่อครบสัญญา” และที่สะดุดตาที่สุดคือ “มีส่วนร่วมในผลตอบแทนสูงถึง 260%”
อ่านครั้งแรก หลายคนอาจรู้สึกว่านี่คือการนำข้อดีของประกันสะสมทรัพย์มารวมกับ Unit Linked แล้วเติม AI เข้าไปอีกชั้นหนึ่ง ได้ทั้งความคุ้มครอง เงินต้นครบกำหนดมีรับรอง และยังมีโอกาสรับผลตอบแทนจากตลาดโดยไม่ต้องเลือกกองทุนหรือปรับพอร์ตเอง
แต่ก่อนจะว้าวกับตัวคูณ 260% เราต้องเข้าใจก่อนว่า ผลิตภัณฑ์นี้ไม่ได้เอาเงินของลูกค้าไปลงทุนในหุ้นสหรัฐฯ ตรงๆ และไม่ได้จ่าย 260% ของผลตอบแทน S&P 500 ตามที่บางคนอาจเข้าใจ มันคือประกันชีวิตแบบมีผลตอบแทนอ้างอิงดัชนี หรือ Index-Linked Insurance โดยดัชนีที่แอดเอามาเป็นตัวอย่างในกรณีนี้คือ Citi-QuantCube Multi-Asset Regime VT8 Index ซึ่งเป็นดัชนีแบบ Quant Multi-Asset ที่มีกฎจัดพอร์ตหลายชั้น ทั้งการวิเคราะห์สภาวะเศรษฐกิจ การเลือกสินทรัพย์ การควบคุมความผันผวน และการหักผลตอบแทนบางส่วนออกจากดัชนีอย่างต่อเนื่อง
พูดง่ายๆ คือ ลูกค้าไม่ได้ถือหุ้น พันธบัตร หรือกองทุนภายในดัชนีโดยตรง แต่บริษัทประกันอ้างอิงผลประโยชน์ส่วนหนึ่งกับการเปลี่ยนแปลงของระดับดัชนี แล้วนำผลตอบแทนดังกล่าวมาคูณด้วย Participation Rate ตามสูตรที่กำหนดไว้ในกรมธรรม์ บริษัทระบุว่าเบื้องหลังมีการลงทุนในตราสารอนุพันธ์ประเภท Call Option ที่อ้างอิงดัชนีดังกล่าว ส่วนเงินคืนและเงินครบกำหนดสัญญาเป็นผลประโยชน์อีกส่วนหนึ่งที่รับรองตามเงื่อนไขกรมธรรม์
🧐 ทำไมผลิตภัณฑ์นี้จึงดูเหมือนมาแทน Unit Linked?
เพราะมันเข้ามาปิดข้อเสียที่สำคัญที่สุดของ Unit Linked ได้หลายข้อค่ะ
Unit Linked เปิดโอกาสให้ลูกค้าเลือกกองทุน สับเปลี่ยนกองทุน และปรับสัดส่วนการลงทุนเอง ซึ่งดูเหมือนเป็นข้อดี แต่สำหรับลูกค้าทั่วไป ความยืดหยุ่นนี้อาจกลายเป็นภาระ หลายคนไม่รู้ว่าจะเลือกกองอะไร ไม่รู้ว่าควรปรับพอร์ตเมื่อไร ไม่เข้าใจระดับความเสี่ยงของตัวเอง หรือปล่อยให้พอร์ตเดิมค้างอยู่เป็นเวลาหลายปีโดยไม่มีใครดูแล
บางคนกลับทำตรงกันข้าม คือปรับพอร์ตบ่อยเกินไป เมื่อตลาดตกก็กลัวจนขายกองทุนหุ้น พอตลาดฟื้นจึงกลับเข้าไปซื้อใหม่ในราคาที่สูงกว่า พฤติกรรมแบบนี้เรียกว่า Behavioral Risk หรือความเสี่ยงจากการตัดสินใจด้วยอารมณ์ ซึ่งสามารถทำให้ผลตอบแทนของนักลงทุนต่ำกว่าผลตอบแทนของสินทรัพย์ที่ถืออยู่จริงได้มาก
ประกันแบบ Index-Linked จึงเสนอทางออกว่า ลูกค้าไม่ต้องเลือกกองทุน ไม่ต้องจับจังหวะตลาด ไม่ต้องกดสับเปลี่ยน และไม่ต้องตัดสินใจตอนที่อารมณ์กำลังถูกตลาดครอบงำ เพราะการจัดพอร์ตทั้งหมดถูกส่งไปให้ระบบ Quant หรืออัลกอริทึมทำแทน
เอกสารการตลาดอธิบายว่าดัชนีใช้ข้อมูลเศรษฐกิจแบบ Real-time จาก QuantCube เพื่อวิเคราะห์ว่าเศรษฐกิจอยู่ในสภาวะใด แล้วปรับการลงทุนในสินทรัพย์หลายประเภทตามกรอบที่กำหนดไว้ ระบบถูกออกแบบให้ลดการใช้ความเห็นส่วนบุคคล และปรับสัดส่วนการลงทุนตามกฎอย่างเป็นระบบค่ะ
นี่คือข้อดีจริงของผลิตภัณฑ์ประเภทนี้ เพราะช่วยลด Human Error และลด Behavioral Risk ได้อย่างชัดเจน
⚠️ แต่คำถามสำคัญคือ เมื่อเอาคนออกจากการตัดสินใจแล้ว ความเสี่ยงหายไปหรือไม่?
คำตอบคือไม่หายค่ะ มันเพียงย้ายจาก Behavioral Risk ไปเป็น Model Risk
จากเดิมที่ลูกค้าอาจจัดพอร์ตผิด กลายเป็นโมเดลอาจจัดพอร์ตผิด จากเดิมที่ลูกค้าอาจซื้อแพงขายถูก กลายเป็นระบบอาจปรับพอร์ตช้า ลดสินทรัพย์เสี่ยงหลังตลาดตก และกลับเข้าตลาดไม่ทันเมื่อราคาฟื้นตัว
Quant ไม่ได้แปลว่ารู้อนาคต ‼️
คำว่า Quant มาจาก Quantitative Model หรือแบบจำลองเชิงปริมาณ หมายถึงการนำข้อมูล ตัวเลข และกฎทางคณิตศาสตร์มาใช้ตัดสินใจแทนความคิดเห็นของมนุษย์
ข้อดีคือมีวินัย สม่ำเสมอ ตรวจสอบกฎได้ และไม่ตกใจตามข่าวรายวัน แต่ข้อจำกัดคือโมเดลจะทำได้ดีเพียงใด ขึ้นอยู่กับว่ากฎถูกออกแบบมาเหมาะกับโลกจริงแค่ไหน และข้อมูลที่ใช้เป็นตัวแทนของอนาคตได้หรือไม่
แม้จะใช้คำว่า AI แต่ AI ในผลิตภัณฑ์นี้ไม่ได้หมายถึงระบบที่มองเห็นอนาคตหรือปรับตัวได้อย่างอิสระเหมือนผู้จัดการกองทุนที่สามารถตีความเหตุการณ์ใหม่ๆ ได้ทุกแบบ
ส่วนสำคัญของกลยุทธ์ยังคงเป็นระบบที่มีกฎชัดเจน เช่น การแบ่งเศรษฐกิจออกเป็นภาวะ Goldilocks, Heating Up, Slow Growth และ Stagflation แล้วกำหนดว่าสภาวะแต่ละแบบควรให้น้ำหนักสินทรัพย์ใดมากหรือน้อย
ถ้าโลกในอนาคตมีความสัมพันธ์ระหว่างเงินเฟ้อ ดอกเบี้ย หุ้น พันธบัตร และสินค้าโภคภัณฑ์ไม่เหมือนในอดีต โมเดลก็อาจวิเคราะห์ได้ไม่ดี แม้ว่าจะประมวลผลข้อมูลได้เร็วมากก็ตาม
👉🏻 ความเร็วในการรับข้อมูลกับความถูกต้องในการตัดสินใจเป็นคนละเรื่องกัน
ตัวคูณ 260% สูงมากจริง แต่ต้องถามว่าเอาไปคูณกับอะไร ✅
Participation Rate 260% เป็นตัวเลขที่ดูโดดเด่นมาก และอาจทำให้หลายคนเข้าใจว่า ถ้าตลาดสหรัฐฯ ให้ผลตอบแทน 10% ลูกค้าจะได้ 26%
แต่ไม่ใช่ค่ะ
สูตรการจ่ายผลตอบแทนอ้างอิงการเปลี่ยนแปลงของระดับ Citi-QuantCube Multi-Asset Regime VT8 Index ไม่ใช่การเปลี่ยนแปลงของ S&P 500 และนำผลตอบแทนของดัชนีตั้งแต่วันเริ่มต้นถึงวันสุดท้ายมาคูณด้วย Participation Rate รวมถึงปรับด้วยอัตราแลกเปลี่ยน USD/THB ตามสูตรที่กำหนด
ดังนั้น ตัวคูณ 260% จะน่าสนใจแค่ไหน ขึ้นอยู่กับว่าดัชนีที่ใช้เป็นฐานเติบโตได้จริงเท่าไร
และดัชนีฐานนี้มีคุณสมบัติสำคัญที่ลูกค้าต้องรู้ 3 เรื่อง
👉🏻 เรื่องแรก ดัชนีเป็น Multi-Asset ไม่ได้ลงทุนหุ้นสหรัฐฯ 100% แต่กระจายไปยังหุ้น พันธบัตรรัฐบาล พันธบัตรป้องกันเงินเฟ้อ เครดิต สินค้าโภคภัณฑ์ และอัตราแลกเปลี่ยน รวมถึงสามารถมีสถานะที่ได้ประโยชน์จากขาขึ้นหรือขาลงตามสภาวะเศรษฐกิจ
👉🏻 เรื่องที่สอง ดัชนีเป็น Excess Return Index
👉🏻 เรื่องที่สาม ดัชนีมี Volatility Target 8% และยังหัก Decrement 2% ต่อปี
ดังนั้น 260% จึงไม่ควรถูกมองแยกออกจากกลไกเหล่านี้ เพราะตัวคูณที่สูงมากอาจถูกออกแบบมาเพื่อชดเชยกับฐานดัชนีที่ถูกควบคุมไม่ให้วิ่งแรง มีต้นทุนถูกหักออก และไม่ได้สะท้อนผลตอบแทนรวมของสินทรัพย์ทั้งหมด
💰Excess Return คืออะไร และทำไมสำคัญมาก?
เอกสารระบุชัดว่าผลตอบแทนของดัชนีเป็นแบบ Excess Return ไม่ใช่ Total Return โดยอธิบายว่าเทียบเคียงได้กับผลตอบแทนรวมของดัชนี หักด้วยผลตอบแทนที่ปราศจากความเสี่ยง
ลองนึกภาพว่า พอร์ตสินทรัพย์ภายในกลยุทธ์สร้างผลตอบแทนรวมได้ 7% แต่ในช่วงเดียวกันอัตราผลตอบแทนของเงินสดหรือสินทรัพย์ปลอดภัยอยู่ที่ 4% ดัชนีแบบ Excess Return อาจสะท้อนผลตอบแทนส่วนเกินเพียงประมาณ 3% ก่อนพิจารณากลไกอื่น
👉🏻 ดังนั้น การเห็นสินทรัพย์ภายในดัชนีให้ผลตอบแทนดี ไม่ได้หมายความว่าระดับดัชนีที่ลูกค้านำไปคำนวณผลตอบแทนจะเพิ่มขึ้นเท่ากัน
เรื่องนี้สำคัญมากในยุคดอกเบี้ยสูง เพราะ hurdle rate หรือระดับผลตอบแทนที่กลยุทธ์ต้องเอาชนะสูงขึ้น หากพอร์ตทำได้ใกล้เคียงผลตอบแทนเงินสด ดัชนี Excess Return อาจแทบไม่เพิ่มขึ้นเลยก็ได้
ในทางกลับกัน เมื่อดอกเบี้ยต่ำมาก ต้นทุนส่วนนี้จะต่ำลง และดัชนีมีโอกาสสะท้อนผลตอบแทนจากกลยุทธ์ได้มากขึ้น
และถ้าถามแอดว่าตอนนี้เทียบกับเมื่อก่อน (ผล backtest) เป็นแบบไหน… แอดก็บอกว่าเราอยู่ในยุค higher for longer เทียบกับเมื่อก่อนที่เป็นยุค ZIRP ซึ่งย่อมาจาก Zero Interest Rate Policy หรือ นโยบายดอกเบี้ยใกล้ศูนย์ค่ะ
⚠️ นอกจากเป็น Excess Return ยังถูกหัก Decrement อีก 2% ต่อปี
ดัชนีนี้มีการหัก Decrement ในอัตรา 2% ต่อปีออกจากผลการดำเนินงานอย่างต่อเนื่อง เอกสารเองอธิบายว่า กลไกนี้ช่วยให้สามารถออกแบบผลิตภัณฑ์และเพิ่ม Participation Rate ได้สูงขึ้น แต่ก็เตือนว่าหากดัชนีพื้นฐานสร้างผลตอบแทนไม่เพียงพอ ดัชนีหลัง Decrement อาจไม่สร้างผลตอบแทนให้ลูกค้าเลย
ตัวอย่างง่ายๆ ตามเอกสารคือ หากดัชนีอ้างอิงก่อน Decrement ทำได้ 5% ดัชนีหลังหัก 2% จะเหลือประมาณ 3% แต่หากดัชนีทำได้เพียง 2% ผลตอบแทนหลัง Decrement อาจเหลือประมาณ 0%
ดังนั้น 260% ไม่ได้คูณกับผลตอบแทนตลาดหุ้น ไม่ได้คูณกับผลตอบแทนรวมของ Multi-Asset และไม่ได้คูณกับผลตอบแทนก่อนหักต้นทุน
มันคูณกับการเพิ่มขึ้นของระดับดัชนีที่ผ่านทั้ง Excess Return, Volatility Control และ Decrement แล้ว
นี่คือเหตุผลว่าทำไม Participation Rate ที่ดู “เว่อร์” อาจไม่ได้ใจดีเกินจริง เพราะบริษัทกำลังให้ตัวคูณสูงกับ underlying ที่ถูกออกแบบให้มีความผันผวนต่ำและมีแรงฉุดทางคณิตศาสตร์หลายชั้นค่ะ
‼️กลไกคุม Volatility 8% ทำงานอย่างไร?
อีกหัวใจของดัชนีคือ Daily Volatility Targeting โดยระบบมีเป้าหมายควบคุมความผันผวนของดัชนีให้อยู่ใกล้ 8% ต่อปี
หลักการโดยทั่วไปคือ หากความผันผวนที่วัดได้สูงกว่าเป้าหมาย ระบบจะลด Investment Exposure ลง แต่หากความผันผวนต่ำกว่าเป้าหมาย ระบบสามารถเพิ่ม Exposure ได้ โดยเอกสารระบุเพดานสูงสุดไว้ที่ 150%
กลไกนี้มีข้อดีจริงหลายข้อ
👉🏻 ข้อแรก ช่วยลดความรุนแรงของ Drawdown หากตลาดเข้าสู่ขาลงต่อเนื่องและความผันผวนอยู่ในระดับสูงเป็นเวลานาน ระบบที่ค่อยๆ ลดสินทรัพย์เสี่ยงสามารถช่วยป้องกันไม่ให้พอร์ตรับขาดทุนเต็มจำนวนตลอดขาลง
👉🏻 ข้อสอง ทำให้ความผันผวนของดัชนีค่อนข้างคงที่ จึงช่วยให้บริษัทสามารถบริหารต้นทุนของ Option ได้ง่ายขึ้น และเสนอ Participation Rate ที่ดูสูงขึ้นได้
👉🏻 ข้อสาม เหมาะกับลูกค้าที่รับความผันผวนสูงไม่ได้ เพราะดัชนีจะไม่เปิดรับความเสี่ยงของหุ้นเต็มพอร์ตตลอดเวลา
‼️แต่ข้อเสียก็มี และเป็นข้อเสียเชิงโครงสร้างที่สำคัญมาก
ค่า Volatility ที่ระบบใช้ไม่ได้มาจากอนาคต แต่มาจากข้อมูลราคาย้อนหลัง ไม่ว่าจะใช้ Moving Average, Exponentially Weighted Model หรือสูตรอื่น ระบบก็ต้องรอให้ความผันผวนที่เกิดขึ้นใหม่ไหลเข้าไปในตัวประมาณค่าเสียก่อน
👉🏻 ดังนั้น เมื่อตลาดเริ่มร่วงแรง พอร์ตอาจยังถือสินทรัพย์เสี่ยงอยู่ในระดับสูง เพราะค่าความผันผวนย้อนหลังยังไม่สะท้อนเหตุการณ์ใหม่เต็มที่ พอร์ตจึงรับขาดทุนในช่วงแรกไปก่อน
หลังจากตลาดลงไปแล้วหลายวัน ค่า Volatility จึงค่อยสูงขึ้น ระบบจึงเริ่มลด Exposure แต่จังหวะนั้นราคาอาจลงมาใกล้จุดต่ำแล้ว
ยิ่งไปกว่านั้น เมื่อหุ้นเด้งกลับเร็ว ค่า Volatility ย้อนหลังยังคงสูง เพราะวันที่ตลาดร่วงแรงยังค้างอยู่ในชุดข้อมูล ระบบจึงยังถือสินทรัพย์เสี่ยงในระดับต่ำ และกลับเข้าร่วมการฟื้นตัวได้ไม่เต็มที่
จึงมีโอกาสเกิดภาพที่ว่า
👉🏻 รับขาลงไปก่อน แล้วค่อยลดหุ้นหลังตลาดตก แต่เมื่อตลาดเด้งกลับ กลับซื้อคืนไม่ทัน
หรือพูดให้เห็นภาพชัดกว่านั้นคือ
👉🏻 ขายหลังตลาดลง และเพิ่มความเสี่ยงกลับหลังตลาดขึ้น
กลไกนี้จะทำงานได้ดีในตลาดขาลงที่ยาวและต่อเนื่อง เพราะการลด Exposure แม้จะช้าบ้างก็ยังช่วยหลีกเลี่ยงความเสียหายช่วงหลังได้ แต่จะเสียเปรียบในตลาดที่ร่วงแรงและเด้งกลับแบบ V-shape หรือแกว่งขึ้นลงถี่ๆ เพราะระบบอาจถูกสัญญาณความผันผวนหลอกให้ลดและเพิ่มความเสี่ยงผิดจังหวะหลายครั้ง
ดังนั้นคำว่า “ควบคุมความผันผวน” ไม่ได้แปลว่าไม่มีความเสี่ยง และไม่ได้แปลว่าระบบจะป้องกันทุกการตกของตลาดได้ทัน มันเพียงพยายามควบคุมความเสี่ยงโดยใช้ข้อมูลที่มีอยู่ ณ เวลานั้น
แล้วผล Backtest ที่สวยมาก เชื่อได้แค่ไหน? 🧐
เอกสารนำเสนอผลการดำเนินงานตั้งแต่เดือนพฤศจิกายน 2559 ถึงเดือนมกราคม 2569 โดยระบุผลตอบแทนเฉลี่ยต่อปี 9.21% ความผันผวน 7.39% Sharpe Ratio 1.25 และ Max Drawdown เพียง -8.10%
ตัวเลขนี้ถือว่าสวยมากสำหรับ Multi-Asset Index ที่มีเป้าหมาย Volatility เพียง 8% และยังเป็นดัชนีแบบ Excess Return รวมถึงถูกหัก Decrement 2% ต่อปีแล้ว
แต่ประเด็นสำคัญคือ เอกสารระบุเองว่า ผลงานดังกล่าว “รวมข้อมูล Backtested” และไม่ใช่สิ่งยืนยันผลการดำเนินงานในอนาคต
Backtest คือการนำสูตรหรือกฎของโมเดลในปัจจุบัน ไปคำนวณย้อนกลับกับข้อมูลในอดีต แล้วดูว่าหากโมเดลนี้มีอยู่ในตอนนั้น ผลลัพธ์จะเป็นอย่างไร
Backtest มีประโยชน์ เพราะช่วยให้เราเห็นว่ากลยุทธ์น่าจะตอบสนองอย่างไรในเหตุการณ์ต่างๆ เช่น COVID-19 เงินเฟ้อสูง หรือภาวะตลาดพันธบัตรตก แต่ Backtest ไม่ใช่ผลงานเงินจริง และมีข้อจำกัดสำคัญหลายประการ
👉🏻 ข้อแรกคือ Hindsight Bias ผู้พัฒนาโมเดลรู้แล้วว่าอดีตเกิดอะไรขึ้น แม้จะไม่ได้ตั้งใจโกง แต่การเลือกตัวแปร ช่วงเวลา วิธีกรองข้อมูล และกฎต่างๆ อาจได้รับอิทธิพลจากสิ่งที่เกิดขึ้นแล้ว
👉🏻 ข้อสองคือ Overfitting หากโมเดลมีพารามิเตอร์จำนวนมาก ก็สามารถปรับสูตรให้เข้ากับข้อมูลย้อนหลังได้ดีมาก แต่เมื่อเจอสภาพตลาดใหม่ที่ไม่เหมือนอดีต ผลลัพธ์อาจแย่ลงอย่างมาก
👉🏻 ข้อสามคือ Data Assumption Backtest ต้องสมมติว่าข้อมูลทุกชุดมีคุณภาพ พร้อมใช้ในเวลานั้น และไม่มีปัญหาเรื่องการแก้ไขข้อมูลภายหลัง แต่ข้อมูลเศรษฐกิจจำนวนมากมีการปรับย้อนหลัง และข้อมูลทางเลือกบางประเภทอาจมีประวัติจริงสั้นกว่าที่ภาพการตลาดทำให้รู้สึก
👉🏻 ข้อสี่คือ Implementation Assumption ผลจำลองอาจตั้งอยู่บนสมมติฐานว่าสามารถซื้อขายหรือปรับพอร์ตได้ตามราคาที่คำนวณ ไม่มี slippage ไม่มี market disruption ไม่มีข้อจำกัดด้านสภาพคล่อง และไม่มีต้นทุนที่แตกต่างจากสูตร
👉🏻 ข้อห้าคือ Stable Relationship Assumption โมเดลต้องสมมติว่าความสัมพันธ์ระหว่าง GDP เงินเฟ้อ หุ้น พันธบัตร เครดิต สินค้าโภคภัณฑ์ และค่าเงิน จะยังทำงานคล้ายกับอดีต แต่โลกจริงสามารถเปลี่ยน regime ได้ เช่น หุ้นและพันธบัตรอาจตกพร้อมกัน หรือเงินเฟ้ออาจตอบสนองต่อนโยบายแตกต่างจากเดิม (คุ้นๆ ไหมคะ)
👉🏻 ข้อหกคือ Model Selection Risk เราเห็นเฉพาะกลยุทธ์ที่ถูกเลือกมาออกผลิตภัณฑ์ แต่ไม่เห็นโมเดลอื่นที่ถูกทดลองแล้วผลงานไม่ดี หากมีการทดสอบโมเดลหลายสิบแบบแล้วเลือกตัวที่ Backtest สวยที่สุด ผลลัพธ์ที่เห็นย่อมมี Selection Bias
ดังนั้น Backtest ไม่ได้ไร้ประโยชน์ แต่ควรใช้เพื่อตอบคำถามว่า “โมเดลมีพฤติกรรมอย่างไร” ไม่ใช่ใช้ตอบว่า “อนาคตจะได้ผลตอบแทนเท่าไร”
โดยเฉพาะเมื่อเห็นผลตอบแทน 9.21% บน Volatility 7.39% และ Max Drawdown เพียง -8.10% นักลงทุนควรตั้งคำถามมากกว่าตื่นเต้น เพราะ risk-adjusted return ระดับนี้ดีมากผิดปกติสำหรับกลยุทธ์ Multi-Asset หลังหัก Excess Return และ Decrement แล้ว
✅ ผลิตภัณฑ์นี้ปิดข้อเสียอะไรของ Unit Linked?
มันปิดข้อเสียเรื่องการเลือกกองทุนผิด ลดปัญหาลูกค้าไม่ยอมปรับพอร์ต ลดการขายด้วยความกลัว ลดภาระในการติดตามกองทุนหลายกอง และช่วยให้ลูกค้าที่ไม่ต้องการเห็นมูลค่าพอร์ตผันผวนทุกวันมีวินัยถือยาวขึ้น
นอกจากนี้ หากอยู่ครบกำหนดสัญญา ลูกค้ายังได้รับผลประโยชน์ส่วนที่รับรองตามเงื่อนไขกรมธรรม์ ขณะที่ Unit Linked ไม่มีการรับรองว่ามูลค่ากองทุนจะเท่ากับเงินที่จ่ายไป บริษัทเองระบุว่าผลิตภัณฑ์ Index-Linked มีทั้งส่วนเงินคืนที่รับรอง และส่วนผลตอบแทนตามดัชนีที่ไม่รับรอง ส่วน Unit Linked ลูกค้ารับกำไรหรือขาดทุนตามกองทุนที่เลือกเอง
นี่คือข้อดีที่มีคุณค่าจริงสำหรับลูกค้าบางกลุ่ม
‼️แต่แลกกับข้อเสียอะไรมาแทน?
ลูกค้าเสียความยืดหยุ่นในการตัดสินใจ เพราะไม่สามารถเลือกกองทุน เปลี่ยนดัชนี เพิ่มหุ้น ลดหุ้น หรือปรับโมเดลเองได้
หากอีก 5 ปีข้างหน้า โมเดลมีผลงานไม่ดี ลูกค้าก็ไม่สามารถย้ายไปใช้กลยุทธ์อื่นได้ง่ายเหมือน Unit Linked
หากระบบ Volatility Target ลดความเสี่ยงผิดจังหวะ ลูกค้าไม่สามารถ Override ได้
หากดัชนีสร้างผลตอบแทนต่ำกว่า Decrement หรือไม่สามารถชนะอัตราผลตอบแทนปราศจากความเสี่ยงได้มากพอ ผลตอบแทนตามดัชนีอาจเป็นศูนย์ แม้ว่าตลาดบางสินทรัพย์จะปรับตัวขึ้นก็ตาม
นอกจากนี้ การคุ้มครองเงินที่จ่ายไปทำงานเมื่ออยู่ครบกำหนดตามเงื่อนไข ไม่ได้หมายความว่าสามารถเวนคืนเมื่อไรก็ได้แล้วได้เงินต้นครบ เว็บไซต์บริษัทระบุว่าผลตอบแทนตามดัชนีกรณีเวนคืนจะเริ่มพิจารณาตั้งแต่ปีกรมธรรม์ที่ 6 และสิทธิหรือมูลค่าเมื่อออกก่อนกำหนดต้องเป็นไปตามเงื่อนไขกรมธรรม์
ยังมีความเสี่ยงจากค่าเงินบาท เพราะผลตอบแทนส่วนดัชนีคำนวณจากดัชนีในสกุลดอลลาร์และแปลงเป็นเงินบาท แม้เงินคืนส่วนที่รับรองจะไม่ได้รับผลกระทบจากค่าเงินก็ตาม
สุดท้าย ลูกค้าไม่ได้ถือสินทรัพย์จริงในดัชนี แต่มีสิทธิรับผลประโยชน์ตามสัญญากับบริษัทประกัน จึงยังมีความเสี่ยงของบริษัทประกันและโครงสร้างอนุพันธ์อยู่ด้วย
‼️ก่อนซื้อ ลูกค้าควรถามอะไร?
คำถามแรก อย่าถามเพียงว่า Participation Rate เท่าไร แต่ให้ถามว่า 260% คูณกับผลตอบแทนของดัชนีตัวไหน และดัชนีนั้นเป็น Total Return หรือ Excess Return
คำถามที่สอง ให้ถามว่า ดัชนีหัก Decrement หรือค่าหักคงที่กี่เปอร์เซ็นต์ต่อปี และหักก่อนหรือหลังคำนวณ Participation Rate
คำถามที่สาม ให้ถามว่า ผลตอบแทนย้อนหลังที่นำมาเสนอเป็นผลงานจริงกี่ปี และเป็น Backtest กี่ปี
คำถามที่สี่ ให้ถามว่า Live Date ของดัชนีคือวันไหน เพราะดัชนีที่มีกราฟย้อนหลัง 10 ปี อาจเพิ่งเปิดใช้งานจริงได้ไม่กี่เดือน
คำถามที่ห้า ให้ถามว่า Volatility Target คำนวณจากข้อมูลย้อนหลังแบบใด ใช้ช่วงเวลากี่วัน และปรับ Exposure บ่อยแค่ไหน
คำถามที่หก ให้ถามว่า ดัชนีลด Exposure ได้ต่ำสุดเท่าไร เพิ่มได้สูงสุดเท่าไร และสามารถ Short สินทรัพย์ประเภทใดได้บ้าง
คำถามที่เจ็ด ให้ถามว่า หากตลาดตกแรงแล้วเด้งกลับเร็ว ระบบมีโอกาสลดพอร์ตหลังตลาดตกและกลับเข้าตลาดไม่ทันหรือไม่
คำถามที่แปด ให้ถามว่า ถ้าดัชนีไม่โตตลอด 15 ปี จะได้รับเงินรวมเท่าไร และคิดเป็น IRR ต่อปีเท่าไร
คำถามที่เก้า ให้ถามว่า ตัวอย่างผลตอบแทนที่พนักงานนำเสนอ สมมติให้ดัชนีโตปีละกี่เปอร์เซ็นต์ และสมมติค่าเงินบาทอย่างไร
คำถามที่สิบ ให้ถามว่า ถ้าเงินบาทแข็งขึ้น 10–20% ผลตอบแทนส่วนดัชนีจะลดลงเหลือเท่าไร
คำถามที่สิบเอ็ด ให้ถามว่า หากเวนคืนในปีที่ 3, 5, 7 และ 10 จะได้เงินคืนเท่าไร และขาดทุนจากเบี้ยสะสมกี่เปอร์เซ็นต์
คำถามที่สิบสอง ให้ถามว่า ความคุ้มครองชีวิตจริงเป็นกี่เท่าของเบี้ย และถ้าต้องการทุนชีวิตสูง การซื้อ Term Life แยกจะคุ้มกว่าหรือไม่
คำถามที่สิบสาม ให้ถามว่า หากดัชนีถูกยกเลิกหรือเปลี่ยนผู้คำนวณ บริษัทมีสิทธิเปลี่ยนดัชนีหรือยุติผลตอบแทนส่วนนี้อย่างไร
คำถามที่สิบสี่ ให้ถามว่า ผลตอบแทนรับรองขั้นต่ำหลังถือครบสัญญาเทียบกับเบี้ยทั้งหมด คิดเป็น IRR เท่าไร ไม่ใช่เพียงได้เงินคืนรวมกี่เปอร์เซ็นต์
‼️และคำถามสุดท้ายที่สำคัญที่สุดคือ
หากไม่มีคำว่า AI ไม่มีตัวคูณ 260% และไม่แสดงกราฟ Backtest สวยๆ เรายังอยากซื้อผลิตภัณฑ์นี้อยู่หรือไม่?
🎯 สรุป
ประกันแบบ Index-Linked ที่ใช้ระบบ Quant และ AI ไม่ใช่ผลิตภัณฑ์ที่แย่ และไม่ได้เป็นเพียงกลยุทธ์การตลาดไร้สาระ เพราะมันแก้ข้อเสียของ Unit Linked ได้จริง โดยเฉพาะเรื่อง Behavioral Risk ความยุ่งยากในการเลือกกองทุน และความกลัวจากการเห็นมูลค่าพอร์ตผันผวน
แต่สิ่งที่ลูกค้าต้องเข้าใจคือ มันไม่ได้กำจัดความเสี่ยงออกไป
มันเปลี่ยนจากการให้ลูกค้าปรับพอร์ตเอง ไปเป็นการล็อกลูกค้าไว้กับสูตรจัดพอร์ตหนึ่งชุด
จาก Human Error ไปเป็น Model Error
จาก Behavioral Risk ไปเป็น Quant Risk
จากความเสี่ยงที่เรามองเห็นและแก้ไขได้ ไปเป็นความเสี่ยงในกลไก Excess Return, Volatility Target, Decrement, Option Pricing และ Backtest ที่คนทั่วไปอาจมองไม่เห็น
👉🏻 ดังนั้น อย่าซื้อเพียงเพราะคำว่า “AI” อย่าซื้อเพียงเพราะเห็นตัวคูณ 260% และอย่าใช้ Backtest 9% เป็นผลตอบแทนคาดหวังโดยอัตโนมัติ
ผลิตภัณฑ์นี้อาจเหมาะกับคนที่ยอมล็อกเงินยาว ต้องการผลประโยชน์ขั้นต่ำเมื่อครบสัญญา ไม่อยากบริหารพอร์ตเอง และยอมรับได้ว่าผลตอบแทนส่วนเพิ่มอาจเป็นศูนย์
แต่สำหรับคนที่เข้าใจการลงทุน ต้องการความยืดหยุ่น และต้องการมีสิทธิเปลี่ยนแผนเมื่อข้อมูลใหม่เกิดขึ้น สิ่งที่ถูกเรียกว่า “ไม่ต้องปรับพอร์ตเอง” อาจไม่ได้เป็นเพียงข้อดี
มันอาจหมายถึง คุณไม่มีสิทธิปรับพอร์ตเอง แม้วันที่คุณเริ่มเห็นแล้วว่าโมเดลกำลังทำงานไม่เหมือนที่ Backtest เคยสัญญาไว้ค่ะ
