Mean-variance optimization – balanser avkastning og risiko i portefølj

Hva er mean-variance optimization?

Mean-variance optimization, ofte forkortet MVO, er en matematisk metode for å konstruere en portefølje som gir best mulig avveining mellom forventet avkastning og risiko. Risiko måles her som variansen (eller standardavviket) til porteføljens avkastning. Metoden ble introdusert av Harry Markowitz i 1952 og utgjør kjernen i det vi kaller moderne porteføljeteori (MPT).

I stedet for å velge enkeltaksjer basert på magefølelse, setter MVO opp et formelt optimeringsproblem. Målet kan være å maksimere forventet avkastning gitt en øvre grense for risiko, eller å minimere risiko gitt et krav til forventet avkastning. Løsningen er en sett med vekter for hvert aktivum i porteføljen.

For en norsk investor betyr dette at du kan bruke MVO til å fordele pengene dine mellom for eksempel Equinor, DNB, Telenor og et obligasjonsfond, slik at den samlede porteføljen får en så gunstig risikoprofil som mulig. Metoden er like relevant for en privatperson som for en institusjonell forvalter.

Forstå mean-variance optimization

For å forstå MVO må vi først bli kjent med tre nøkkelbegreper: forventet avkastning, varians og korrelasjon. Forventet avkastning er det du tror et aktivum vil gi i gjennomsnitt per år. Varians (eller standardavvik) måler hvor mye avkastningen typisk svinger – jo høyere varians, desto større risiko. Korrelasjon forteller hvordan to aktiva beveger seg i forhold til hverandre; en korrelasjon på +1 betyr at de beveger seg helt likt, mens -1 betyr at de beveger seg motsatt.

MVO utnytter det faktum at ved å kombinere aktiva med lav eller negativ korrelasjon kan du redusere porteføljens samlede risiko uten å ofre like mye avkastning. Dette er den eneste «gratis lunsjen» i finans – diversifisering. For eksempel har norske aksjer og statsobligasjoner ofte lav korrelasjon, så en blanding kan gi en jevnere avkastning over tid.

Optimeringen finner den såkalte effisiente fronten: en kurve som viser alle porteføljer som gir maksimal avkastning for et gitt risikonivå. Porteføljer under fronten er suboptimale – du kunne fått høyere avkastning med samme risiko. Porteføljer over fronten er ikke oppnåelige med de gitte aktivaene.

Hvordan fungerer mean-variance optimization?

Teknisk sett løser MVO et kvadratisk optimeringsproblem. Du må først estimere forventet avkastning for hvert aktivum, standardavvik og korrelasjonene mellom dem. Deretter definerer du en risikotoleranse eller et avkastningsmål. Optimeringen beregner deretter vektene som minimerer porteføljens varians for det gitte avkastningsnivået.

Formelen for porteføljens forventede avkastning er: E(Rp) = Σ wi × E(Ri) der wi er vekten av aktivum i og E(Ri) er forventet avkastning for aktivum i.

Porteføljens varians er: σ²p = Σ Σ wi × wj × σi × σj × ρij hvor σi er standardavviket til aktivum i, og ρij er korrelasjonen mellom aktivum i og j. Dobbeltsummen går over alle par av aktiva.

I praksis bruker man ofte programvare som Excel med Solver, eller spesialiserte verktøy som MATLAB eller Python-biblioteker. For norske investorer finnes det også enklere kalkulatorer på nett, men de krever at du selv legger inn estimater. Resultatet er en tabell med vekter, for eksempel 40 % i Equinor, 30 % i DNB, 20 % i et globalt indeksfond og 10 % i norske statsobligasjoner.

Historisk bakgrunn

Mean-variance optimization ble først formulert av Harry Markowitz i en artikkel i Journal of Finance i 1952 med tittelen «Portfolio Selection». Markowitz vant Nobelprisen i økonomi i 1990 for dette arbeidet. Ideen var revolusjonerende: før Markowitz så investorer ofte på enkeltaksjer isolert, ikke på hvordan de spilte sammen i en portefølje.

Markowitz viste at risiko ikke bare handler om hvor mye en aksje svinger alene, men også om hvordan den svinger sammen med andre aksjer. Dette la grunnlaget for hele den moderne porteføljeforvaltningen. I løpet av 1960- og 70-tallet ble MVO tatt i bruk av store pensjonsfond og institusjonelle investorer.

I Norge har MVO vært sentral i forvaltningen av Oljefondet (Statens pensjonsfond utland) siden tidlig på 2000-tallet. Fondet bruker en variant av MVO for å bestemme allokeringen mellom aksjer, obligasjoner og eiendom, selv om de i dag også tar hensyn til bærekraft og andre faktorer.

Praktisk eksempel

La oss si du har 100 000 NOK å investere, og du vurderer to norske aksjer: Equinor og Telenor. Du har estimert følgende (tallene er fiktive, men realistiske):

Hvis du setter alt i Equinor, får du forventet avkastning 10 % og risiko 25 %. Setter du alt i Telenor, får du 7 % og 18 %. Men ved å blande kan du oppnå en portefølje med lavere risiko enn 18 % og likevel høyere avkastning enn 7 %. For eksempel med 50 % i hver:

Forventet avkastning = 0,5×10 % + 0,5×7 % = 8,5 % Porteføljevarians = (0,5²×0,25²) + (0,5²×0,18²) + 2×0,5×0,5×0,25×0,18×0,3 = 0,015625 + 0,0081 + 0,00675 = 0,030475 Standardavvik = √0,030475 ≈ 17,5 %

Du har altså redusert risikoen fra 18 % til 17,5 % samtidig som avkastningen økte fra 7 % til 8,5 %. Det er diversifiseringens kraft. En full MVO ville prøvd mange flere kombinasjoner for å finne den vekten som gir lavest risiko for et gitt avkastningsmål.

Fordeler og ulemper

Fordelene med mean-variance optimization er flere. For det første gir metoden en systematisk og matematisk fundert måte å bygge porteføljer på, i stedet for å stole på intuisjon. For det andre utnytter den diversifiseringseffekten fullt ut, noe som kan redusere risiko uten å ofre avkastning. For det tredje er den intuitiv: du kan plotte den effisiente fronten og se avveiningen mellom risiko og avkastning.

Ulempene er likevel betydelige. MVO er ekstremt følsom for inputdataene. Små endringer i forventet avkastning kan gi helt andre vekter. I praksis er det umulig å estimere fremtidig avkastning og korrelasjoner med stor presisjon. Dette kalles «estimeringsfeil» og kan føre til at den optimale porteføljen i teorien blir suboptimal i virkeligheten.

I tillegg antar MVO at avkastningen er normalfordelt, noe som ofte ikke stemmer for aksjer – ekstreme fall (som finanskrisen i 2008) skjer oftere enn normalfordelingen tilsier. Metoden tar heller ikke hensyn til transaksjonskostnader, skatt eller likviditetsbegrensninger. Derfor brukes MVO ofte som et utgangspunkt, men justeres med skjønn eller kombineres med andre modeller som Black-Litterman.

Vanlige misforståelser

En vanlig misforståelse er at mean-variance optimization garanterer den beste porteføljen. Det stemmer bare hvis inputdataene er helt korrekte, noe de sjelden er. Den optimale porteføljen er optimal i forhold til dine estimater, ikke i forhold til fremtiden.

En annen misforståelse er at MVO alltid gir en veldiversifisert portefølje. I praksis ender optimeringen ofte opp med å konsentrere seg om få aktiva med høy forventet avkastning, spesielt hvis korrelasjonene er høye. Derfor legger mange forvaltere begrensninger på maksimal vekt per aktivum.

Noen tror også at MVO bare er for profesjonelle investorer. Selv om det krever litt matematikk, kan vanlige investorer bruke forenklede versjoner, for eksempel via regneark eller nettbaserte verktøy. Det viktigste er å forstå prinsippet: å spre risikoen smart, ikke bare tilfeldig.

Oppsummering

Mean-variance optimization er en grunnleggende metode i porteføljeforvaltning som hjelper investorer å finne den beste balansen mellom forventet avkastning og risiko. Ved å ta hensyn til korrelasjoner mellom aktiva kan du redusere risiko uten å ofre like mye avkastning – diversifiseringens gave.

Metoden har sine begrensninger, spesielt knyttet til usikre estimater og antakelser om normalfordeling. Likevel er den et uvurderlig verktøy for å strukturere tankegangen rundt porteføljekonstruksjon. For norske investorer gir den en ramme for å vurdere alt fra aksjer og obligasjoner til eiendom og fond.

Ved å kombinere MVO med sunn fornuft, risikobegrensninger og jevnlig rebalansering kan du bygge en portefølje som er tilpasset din egen risikotoleranse og tidshorisont. Start gjerne med en enkel modell i Excel og utvid etter hvert som du blir mer erfaren.