Upload
hangoc
View
214
Download
0
Embed Size (px)
Citation preview
HA, Almen 6. Semester Gruppe nr. S11-13,64
Bachelor afhandling
Tværfagligt institut Opgaveskriver:
Lasse Maigaard Randløv
Vejleder:
Henning Rud Jørgensen
Moderne Porteføljeteori
Handelshøjskolen, Aarhus Universitet
Forår 2011
Abstract
Harry Markowitz developed the modern portfolio theory in 1952. He’s theory is accepted as one of
the most important pieces of theory in portfolio theory. This thesis will consider how well Harry
Markowitz’ theory performs in the market of 2010.
The thesis is divided into two parts. One of which is a theoretical review of the theory, and the
second is an empirical analysis of the performance of 2010. The aim with the theoretical review
show how the parts of modern portfolio theory works and how to make an efficient portfolio. The
theory consist of three parts, expected yield, risk for an asset and the correlation between the assets.
The risk calculation is based around the mean-variance method, where each little piece of
information is wheigted equally. It is also important to show how to use diversification to reduce
risk. The theoretical part also contained a number of performance measures. These measures is used
to analyse the portfolio’s that is to be constructed.
Before the empirical analysis can take place it is important to conduct a test of the data material.
Since modern portfolio theory is based on the condition that the data should follow a normal
distribution, the data is tested for skewness, kurtosis and this leads to the jarque-bera test. The test
showed that the data material to choose was that of weekly return, hence it was the data closest to
the normal distribution.
During the construction of portfolio’s according to the mean variance it appered that the rise in the
stock market did only have little effect on the portfolio’s. This is because of the size of the data
material. Even though the portfolio’s still pointed towards an increased portion of stocks in the late
2010. It was concluded with statistic certainty that the minimum variance portfolios was not able to
perform better than a simple benchmark.
A new approach was taken to calculate the risk of assets. The GARCH(1,1) is considered to be
better at capturing the developments in the market, hence it has a built in decay factor. This means
that the data will be wheighted accourding to its relevance, with the newest data being the most
relevant. This approach led to a better interpretation of what the market was ought to do. The
calculated risk came a lot closer to the real risk for the assets due to the weighting of the data. The
portfolio’s constructed according to the new risk showed that they we’re more likely to increase the
portion of stocks in the portfolio.
The Sharpe ratio showed that the mvp constructed accourding to the mean variance method was
superior to the mvp constructed by the GARC(1,1) model. When the tangency portfolios was
measured it showed that the GARCH was far superior to the mean variance method. It was
therefore concluded that the GARCH(1,1) model was better at capturing the movements of the
market.
Indhold
1. Indledning ..................................................................................................................................... 1
1.1 Problemformulering .............................................................................................................. 1
1.2 Afgrænsning .......................................................................................................................... 2
1.3 Metodevalg ............................................................................................................................ 3
2. Markowitz’ mean-variance porteføljeteori ................................................................................... 4
2.1 Forventet afkast og standardafvigelse for et aktiv ................................................................. 4
2.2 Kovarians og korrelation ....................................................................................................... 5
2.3 Forventet afkast og standardafvigelse for en portefølje ........................................................ 8
2.4 Diversifikation ....................................................................................................................... 9
2.4.1 Systematisk risiko ........................................................................................................ 10
2.4.2 Usystematisk risiko ...................................................................................................... 10
2.5 Den efficiente rand .............................................................................................................. 11
2.5.1 Den efficiente rand uden mulighed for kortsalg .......................................................... 11
2.5.2 Den efficiente rand med mulighed for kortsalg ........................................................... 11
2.5.3 Den efficiente rand kombineret med et risikofrit aktiv ................................................ 12
2.6 Performanceevaluering ........................................................................................................ 13
2.7 Delkonklusion ..................................................................................................................... 15
3. Databehandling ........................................................................................................................... 16
3.1 Datagrundlaget .................................................................................................................... 16
3.1.1 Porteføljedata ............................................................................................................... 16
3.1.2 Den risikofrie rente ...................................................................................................... 17
3.2 Test af normalfordeling ....................................................................................................... 18
3.2.1 Skewness ...................................................................................................................... 18
3.2.2 Kurtosis ........................................................................................................................ 18
3.2.3 Jarque-bera ................................................................................................................... 18
3.3 Test af datamateriale ........................................................................................................... 19
4. Porteføljekonstruktion ved Mean-variance ................................................................................. 20
4.1 Datamateriale....................................................................................................................... 20
4.1.1 Afkastserie for de enkelte aktiver ................................................................................ 21
4.1.2 Standardafvigelse for de enkelte aktiver ...................................................................... 22
4.1.3 Korrelation og kovarians .............................................................................................. 24
4.2 Porteføljekonstruktion uden kortsalg .................................................................................. 27
4.2.1 Udledning af MVP ....................................................................................................... 27
4.2.2 Udledning af tangentporteføljen .................................................................................. 29
4.3 Porteføljekonstruktion med kortsalg ................................................................................... 32
4.3.1 Udledning af MVP ....................................................................................................... 32
4.3.2 Udledning af tangentporteføljen .................................................................................. 33
4.4 Performancevaluering ......................................................................................................... 35
4.4.1 Performance for MVP .................................................................................................. 35
4.4.2 Performance for tangentporteføljen ............................................................................. 37
4.5 Delkonklusion ..................................................................................................................... 39
5. Porteføljekonstruktion ved GARCH(1,1) ................................................................................... 40
5.1 Teoretisk gennemgang af GARCH(1,1) .............................................................................. 40
5.2 Datamateriale....................................................................................................................... 41
5.2.1 Standardafvigelse for de enkelte aktiver ...................................................................... 41
5.2.2 Korrelation og kovarians .............................................................................................. 42
5.3 Porteføljekonstruktion uden kortsalg .................................................................................. 45
5.3.1 Udledning af MVP ....................................................................................................... 45
5.3.2 Udledning af tangentporteføljen .................................................................................. 47
5.4 Porteføljekonstruktion med kortsalg ................................................................................... 49
5.4.1 Udledning af tangentporteføljen .................................................................................. 49
5.5 Performancemål................................................................................................................... 51
5.5.1 Performance for MVP .................................................................................................. 51
5.5.2 Performance for tangentporteføljen ............................................................................. 52
5.6 Delkonklusion ..................................................................................................................... 54
5.7 Performanceforskelle imellem GARCH(1,1) og Mean-variance ........................................ 54
6. Konklusion .................................................................................................................................. 56
7. Litteraturliste ............................................................................................................................... 58
8. Bilag ............................................................................................................................................ 59
Side | 1
1. Indledning
Moderne porteføljeteori går i al sin enkelthed ud på at måle en porteføljes mulige afkast i forhold til
dennes risiko. Dette koncept blev introduceret at Harry Markowitz i 1952, hvor han lancerede netop
dette begreb, moderne porteføljeteori. Stik imod datidens normer introducerede Markowitz, at man
ikke blot så på, hvor højt et afkast en portefølje kunne generere, men også hvor stor en risiko, der
var forbundet med denne portefølje. Når der foretages en investering i en aktie eller en obligation,
er der forbundet en risiko med dette køb. Denne risiko bliver beregnet ved at se på historiske data,
hvilket har ført til nogle massive tab for investorer, senest under finanskrisen i 2008. Her blev
mange forblændet af, at alle investeringer, der blev foretaget i en lang periode inden finanskrisen,
gik overordentligt godt. Dette fik selvsagt lokket flere mennesker til at investere på egen hånd.
En investor har muligheden for at sprede sine aktiver, således at disse danner en portefølje af
aktiver. Det kan således lade sig gøre for investor at minimere dennes risiko ved at sprede sin
investering ved diversificering. Det var i denne forbindelse, at Markowitz introducerede sin teori.
Teorien indregner aktivernes indbyrdes korrelation, således at mange risikofyldte aktiver kan
sammensættes på en sådan måde, at de tilsammen danner en mindre porteføljerisiko, end de ville
have gjort enkeltvis. Risikoen bliver, som tidligere nævnt, baseret på historiske data, der skal
forsøge at fortælle noget om fremtiden. Dette er dog problematisk, da historien sjældent gentager
sig selv. Dette skaber nogle problemer for Markowitz’s teori.
1.1 Problemformulering
Hovedformålet med denne opgave er at analysere, hvordan moderne porteføljeteori klarede sig i
2010. Dette vil blive gjort med udgangspunkt i C20 indekset samt tre danske statsobligationer. Den
moderne porteføljeteori gør det muligt at forudsige hvilke risikofyldte aktiver, der skal skæres ned
på i den samlede portefølje ved konstant at søge minimering af risikoen for den samlede portefølje.
Den første del af opgaven bruges til gennemgang af moderne porteføljeteori ved at redegøre for
beregningerne af afkast, risiko samt indbyrdes korrelation aktiverne imellem. Disse værdier kan
således bruges til at sammensætte den efficiente rand, minimumvariansporteføljen samt en
udledning af kapitalmarkedslinien, eller tangentporteføljen. Det vil ydermere blive udledt, hvordan
det med teorien er muligt at bortdiversificere den usystematiske risiko, hvilket så betyder, at en
investor kan påregne at modtage afkast for den systematiske risiko.
Side | 2
Inden den empiriske del at analysen af moderne porteføljeteori undersøges, hvorvidt
forudsætningerne for teorien er opfyldt. Dette gøres ved at undersøge, om det udregnede afkast
følger en normalfordeling.
Den empiriske del af opgaven vil være en demonstration af moderne porteføljeteori, der viser,
hvordan porteføljernes afkast og risiko ændres i løbet af 2010. Det er i denne sammenhæng også
vigtigt at se på den indbydes korrelation, da denne har stor indvirkning på risikoreduktionen, alt
efter om korrelationen er høj eller lav. Det er ydermere interessant at se på udviklingen i
minimumvariansporteføljen i forhold til den risikofrie rente.
I den oprindelige teori blev der brugt gennemsnitlig varians. Problemet med at benytte
gennemsnitlig varians er, at varianserne i finansielle tidsserier ikke er stationære. Derfor inddrages
en model, der tager højde for dette. GARCH(1,1) bliver brugt til at udregne den nye risiko. Dette
bruges til at sammensætte nye korrelationsmatricer og derigennem også sammensætning af nye
porteføljer. Det vil til slut blive undersøgt, om de sammensatte porteføljer er i stand til at performe
bedre end et simpelt benchmark, og ikke mindst om GARCH(1,1) eller den gennemsnitlige
varianser klarer sig bedst.
Med inddragelse af kortsalg bliver det analyseret, hvorvidt det er muligt at tjene på aktier, der går
nedad i et ellers opadgående marked. Det vil i givet fald være muligt at udnytte, at en aktie generer
et negativt afkast. Dette bruges også til at minimere den samlede porteføljes risiko. Dette vil blive
anvendt ved konstruktion ved mean-variance og GARCH(1,1).
Det store spørgsmål er, om moderne porteføljeteori er brugbar i den moderne verden, altså om den
virkelig er så moderne. Det vil derfor være nødvendigt undervejs at forholde sig til, hvordan teorien
performer i forhold til benchmarket.
1.2 Afgrænsning
Datamaterialet strækker sig fra 2000 til 2010, da dette giver et billede af, hvordan markedet har
svinget de seneste 10 år. I forbindelse med beregning af de enkelte investeringsmuligheders afkast
vil der ikke blive taget højde for eventuelle handelsomkostninger samt skattemæssige forhold.
Teorien vil ikke komme med noget bud på, hvor meget der skal investeres i aktiver, men blot
vægtningen imellem aktiverne.
Side | 3
1.3 Metodevalg
Til sammensætning af porteføljerne vil der blive taget udgangspunkt i moderne porteføljeteori, som
blev introduceret af Harry Markowitz i 1952.
Til at teste, om datamaterialet følger en nomalfordeling, vil det blive foretaget test for skewness,
kurtosis og Jarque-bera i EViews. Dette gøres for at undersøge, om analysen skal bygge på uge-
eller dagsdata.
Selve udregningen af de enkelte porteføljer vil blive udført i Excel ved brug af en solver-funktion.
For at undersøge, hvordan den moderne porteføljeteori klarede sig igennem 2010, vil der blive
sammensat en ny portefølje primo i hver måned året igennem. Der bliver i denne sammenhæng
både fundet minimumvariansporteføljer og tangentporteføljer, med og uden kortsalg for alle
månederne. Disse porteføljer vil derefter blive bedømt på baggrund at tre perfomancemål. De tre
mål er Sharpe ratio, Treynor ratio og Jensens alpha. Ud fra disse tre er det muligt at konkludere, om
porteføljerne har klaret sig bedre end benchmarket.
Vægtene for GARCH(1,1) modellen vil blive estimeret ved brug af EViews. Dette er blevet gjort
ved at følge eksemplet fra Eviews 6 users guide II på siden 194. Vægtene er estimeret ud fra en t-
fordeling. Herudover vil afsnittet for GARCH(1,1) varianserne følge samme fremgangsmåde som
mean-variance afsnittet for enkelthedens skyld.
Side | 4
2. Markowitz’ mean-variance porteføljeteori
Dette afsnit har til formål at præsentere den bagvedliggende teori som den senere analyse skal
bygge på. Afsnittet fremhæver elementerne i Markowitz’ mean-variance porteføljeteori samt
performancemåling af porteføljerne.
2.1 Forventet afkast og standardafvigelse for et aktiv
For at kunne udlede den efficiente rand er det nødvendigt først at kunne bestemme det forventede
afkast for et enkelt aktiv. Dette afkast vil senere blive brugt igen, når det forventede afkast for en
portefølje skal udregnes. Det forventede afkast skal give en eventuel investor en idé om, hvad denne
kan forvente sig af den investering, vedkommende skal til at foretage. Når det forventede afkast
skal udregnes, kan man vælge to forskellige tilgange til dette - den aritmetiske og den geometriske.
I denne sammenhæng giver det mest mening at anvende det geometriske gennemsnit, da dette
bygger på historiske data. Da porteføljeteorien er opbygget til at betragte ting over flere
tidsperioder, er det givetvis det geometriske gennemsnit, der skal anvendes. Dette udregnes på
følgende måde:
1
Hvis der i samme ombæring skal tages højde for udbetaling af dividende, så ser ligningen imidlertid
lidt anderledes ud:
2
Hvor E(R) er det gennemsnitlige forventede afkast for aktiv i i perioden t.
Ovenstående formel kan regne det gennemsnitlige forventede afkast ud, men den giver ikke
investoren nogen idé om, hvor meget det egentlige afkast kan afvige fra gennemsnittet. Hertil
bruges variansen til at beskrive, hvor stor risiko, der er forbundet med aktivet. Variansen udregnes
ved følgende formel:
1 Simon Benninga: Financial Modelling, second edition s. 131
2 Simon Benninga: Financial Modelling, second edition s. 132
2.1
2.2
Side | 5
3
Senere i forløbet skal standardafvigelsen bruges. Standardafvigelsen udregnes ved at tage
kvadratroden af variansen.
2.2 Kovarians og korrelation
Markowitz’ porteføljeteori tager ikke kun højde for risikoen for det enkelte aktiv. Den inkorporerer
også de enkelte aktivers korrelation. Dette betyder, at man ved at samle en portefølje kan få en
lavere samlet risiko for porteføljen, end hvad der er på det enkelte aktiv.
For at udregne den samlede porteføljes risiko må man først beregne kovariansen imellem de enkelte
aktiver. Kovariansen er et mål for, hvordan afkastene svinger med hinanden. Kovariansen imellem
to aktiver udregnes på følgende måde:
4
Hvor σij er kovariansen imellem aktiv 1 og aktiv 2. er den sum, som afkastet for aktiv 1
afviger fra aktiv 1’s forventede gennemsnitlige afkast, og er den sum, som afkastet for
aktiv 2 afviger fra det forventede gennemsnitlige afkast for aktiv 2.
Da kovariansen potentielt kan gå fra -∞ til ∞, kan den være umådelig svær at arbejde med. Derfor
kan det være en god idé at omregne kovariansen til en korrelationsfaktor. Dette gøres på følgende
måde:
5
3 Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 47
4 Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 54
5 Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave, s. 51
2.3
2.4
2.5
Side | 6
Hvor ρij er korrelationsfaktoren. Denne formel indregner proportionerne fra kovariansen, men lader
kun tallene gå fra -1 til 1. Dette er en stor fordel, når der tolkes på tallene, da det således bliver mere
håndgribeligt.
Da korrelationsfaktoren kan svinge i intervallet [-1;1], kan det tilskrives forskellige betydninger, alt
efter om korrelationsfaktoren er -1, 0 eller 1. Dette er vist nedenfor:
Hvis 0 < ρij < 1 så korrelerer aktiverne positivt med hinanden.
Hvis ρij = 0 så korrelerer aktiverne ikke med hinanden.
Hvis -1 < ρij < 0 så korrelerer aktiverne negativt med hinanden.
Da der tidligere er udledt korrelationsfaktorer for to aktiver, kan der matematisk udledes, hvordan
korrelationen vil påvirke en portefølje med to aktivers standardafvigelse. Formlen herfor ses
nedenunder:
6
Hvor variansen således kan udledes som
Dette danner grundlaget for betragtning af korrelationsfaktorer lig -1, 0 og 1.
Hvis korrelationsfaktoren er lig med -1 siges det, at aktiverne korrelerer negativt med hinanden. Det
vil sige, at når aktiv 1 falder i værdi, så stiger aktiv 2 med en tilsvarende værdi. Dette kaldes perfekt
negativ korrelation. Risikoen kan i tilfælde af perfekt negativ korrelation elimineres på følgende
måde:
1.
2.
3.
4.
Det er nu muligt at divercificere risikoen bort, såfremt at σP = 0. Dette kan gøres på følgende
måde:
6 Moffet, Stonehill, Eitman; Fundamentals of multinational finance, Third edition, s. 462
Side | 7
5.
6.
7.
8.
Dette kan nu sættes ind i sætning 5, hvorefter følgende opnås:
9.
og
Det ses herved, at ved perfekt negativ korrelation, vil det være muligt at bortdivercificere risikoen
fuldstændigt.
Hvis korrelationsfaktoren er lig 0, betyder det, at der ingen sammenhæng er imellem aktiverne. Det
første led er som vist tidligere:
1.
Da korrelationsfaktoren er lig 0, kan det sidste led udelukkes. Derfor kan formlen forlænges til at
gælde M aktiver.
2.
3.
4.
5.
6.
7.
Det kan herved ses, at risikoen for porteføljen kan reduceres, når korrelationsfaktoren er lig 0.
Effekten er dog aftagende jo flere aktiver, man åbner op for.
Hvis korrelationsfaktoren er lig 1, betyder det, at der er positiv korrelation imellem de to aktiver.
Dette er ensbetydende med, at når aktiv 1 stiger i værdi, så stiger aktiv 2 med samme værdi. Derfor
kan risikoen beregnes på følgende måde:
Side | 8
1.
2.
3.
4.
Det kan herved ses, at når aktiverne er perfekt korrelerede, så er det ikke muligt at nedbringe
risikoen. Det betyder, at porteføljens risiko blot vil være summen af aktivernes totale risiko. Dette
betyder selvsagt også, at der ved inddragelse af yderligere aktiver ikke kan opnås nogen reduktion
af risikoen.
Nedenfor ses forholdet imellem forventet afkast og standardafvigelse for de tre korrelationsfaktorer.
Figur 2.2 1: Viser hvordan risikoen kan minimeres i forhold til forskellige korrelationer imellem 2 aktiver
Kilde: Egen tilvirkning
Det ses her tydeligt, at jo højere korrelation, jo lavere mulighed er der for at reducere risikoen.
2.3 Forventet afkast og standardafvigelse for en portefølje
Det samlede forventede afkast for en portefølje indeholdende flere aktiver kan udregnes ved
følgende formel:
Korrelation = 1 Korrelation = 0 Korrelation = -1 standardafvigelse
Afkast
Side | 9
2.7
7
Hvor angiver det samlede afkast for porteføljen, og M angiver antallet af aktiver i porteføljen. wi
angiver vægten af det enkelte aktiv i porteføljen. Såfremt samtlige aktiver i porteføljen er vægtet
ens, så kan wi erstattes med M-1
.
Porteføljens varians kan udregnes på følgende måde:
8
2.4 Diversifikation
Diversifikation er en måde, hvorpå en investor kan nedbringe risikoen i dennes portefølje ved at
sprede aktiverne i porteføljen. Det er i denne sammenhæng da nødvendigt at skelne imellem
systematisk og usystematisk risiko. Systematisk risiko er risiko, der forekommer som følge af
usikkerhed i økonomien. Usystematisk risiko er den risiko, der er forbundet med det enkelte aktiv.
Det er ikke muligt at bortdiversificere den systematiske risiko, da denne type risiko har ens
indflydelse på samtlige aktiver i porteføljen. Den usystematiske risiko kan derimod godt
diversificeres bort, i og med at risikoen for porteføljen er faldende, alt efter hvor mange aktiver, der
inkorporeres i denne. Jo flere aktiver, jo mindre risiko. Sammenhængen er illustreret nedenfor.
7 Moffet, Stonehill, Eitman; Fundamentals of multinational finance, Third edition, s. 464
8 Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 58
2.6
Side | 10
Figur 2.4 1: Illustration af systematisk og usystematisk risiko
Kilde: Egen tilvirkning
Sammenhængen imellem risiko og antallet af aktiver ses tydeligt. Når antallet af aktiver stiger, så
falder den usystematiske risiko også. Det ses også, at diversificering ingen effekt har på systematisk
risiko.
2.4.1 Systematisk risiko
Systematisk risiko kaldes også for markedsrisikoen. Det er ikke muligt at diversificere
markedsrisikoen bort ved at øge mængden af aktiver, da det er hele markedet, der bliver påvirket af
denne risiko. Man kan dog, vha. af international diversificering reducere markedsrisikoen. Dette
kan lade sig gøre, da de forskellige markeder har forskellig markedsrisiko. Så ved at sprede sin
portefølje ud på forskellige markeder med lav markedsrisiko kan man nedbringe den samlede
porteføljerisiko.
2.4.2 Usystematisk risiko
Den usystematiske risiko er den risiko, der forekommer ved investering i et enkelt aktiv. Denne
risiko kan nedbringes ved at investere i flere forskellige aktiver. Sammenhængen er som tidligere
vist:
systematisk risiko usystematisk risiko
Porteføljerisiko
Antal aktiver
Side | 11
2.8
Dog under den forudsætning af, at korrelationen imellem de aktiver, der er i porteføljen, er lig 0.
Derfor forekommer det, at når man øger mængden af aktiver (M), så falder den samlede
porteføljerisiko. Effekten er dog aftagende, når mængden af aktiver øges kraftigt, som vist ovenfor.
2.5 Den efficiente rand
Den efficiente rand udgøres af mange forskellige porteføljer. Selve randen er sammensat af de
porteføljer, som har det mest gunstige forhold imellem risiko og afkast. Den findes ved at plotte alle
de forskellige kombinationer af porteføljer i forhold til risiko og afkast. Gøres dette, vil alle
porteføljerne komme til at fremstå som en sky i et koordinatsystem. Den efficiente rand har
begyndelsespunkt i et punkt, der hedder minimum varians porteføljen (MVP). Minimum varians
porteføljen er den porteføljekombination, der indeholder den lavest mulige risiko.
2.5.1 Den efficiente rand uden mulighed for kortsalg
Når den efficiente rand skal udregnes uden mulighed for kortsalg, kan man benytte Lagrange-
optimering. Optimeringen sker ved, at porteføljens varians minimeres under en række betingelser.
9
Under betingelse af:
1.
2.
3.
Betingelse nr. 1 sørger for, at de samlede vægte for porteføljen bliver 1. Sammen med betingelse 3,
der sørger for, at vægtene ikke bliver negativ, gør dette, at der ikke er mulighed for kortsalg.
Betingelse 2 skal forsøge at minimere variansen.
2.5.2 Den efficiente rand med mulighed for kortsalg
Mulighed for kortsalg er en situation, hvor en investor kan ’låne’ et aktiv hos en anden investor.
Man kan sige, at første investor sælger et aktiv, som denne reelt set ikke ejer. Bevæggrunden for
denne aktivitet er, at investor har en forventning om et kursfald. Aktivet lånes og videresælges,
hvorefter det, efter forventningerne, falder i kurs. Investor køber så reelt aktivet tilbage fra
9 Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave, s. 55
Side | 12
vedkommende, han har videresolgt det til for så at give det tilbage til den person, aktivet er lånt hos.
10
Rent praktisk betyder dette blot, at betingelsen om, at porteføljens vægte skal være positive, glider
bort.
2.5.3 Den efficiente rand kombineret med et risikofrit aktiv
I de foregående afsnit er der kun blevet beskrevet, hvordan man arbejder med risikofyldte aktiver. I
det følgende vil også risikofrie aktiver blive taget med i overvejelserne. Den lineære sammenhæng
imellem et risikofrit aktiv og de risikofyldte porteføljer, afbilledet som den efficiente rand, kaldes
for kapitalmarkedslinien . Denne linie tangerer den efficiente rand i det punkt hvor porteføljens
forhold imellem risikopræmie og risiko er mest gunstig, men mere om det senere.
Figur 2.5.3 1: Illustration af kapitalmarkedlinien
Kilde: Egen tilvirkning
Det forventede afkast for kombinationen imellem det risikofrie aktiv og den risikofyldte portefølje-
sammensætning er givet ved:
11
10
Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave, s. 55 11
Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 85
Den efficinte rand Kapitalmarkedslinien Tangentporteføljen MVP
Afkast
std. afv.
2.9
Side | 13
Hvor wp angiver andelen, der investeres i den risikofyldte portefølje, angiver det afkast, den
risikofyldte portefølje skaber. RF er det sikre afkast for det risikofrie aktiv. Risikoen for
kombinationen udregnes således:
12
Da risikoen for det risikofrie aktiv selvsagt er 0, kan udtrykket reduceres til følgende:
Formlen for udregning af risiko kan forkortes til kun at gælde risikoen for porteføljen og den andel,
der investeres i den risikofyldte portefølje.
2.5.3.1 Kapitalmarkedslinien
Kapitalmarkedslinien er den lineære sammenhæng imellem det risikofrie aktiv og den risikofyldte
portefølje. Denne sammenhæng kan beskrives ved følgende udtryk:
13
Kapitalmarkedslinien er således bestemt af to dele. Den ene er en konstant i form af den risikofrie
rente, og den anden er hældningskoefficienten, som er bestemt ud fra risikoen for den kombinerede
portefølje ganget med risikopræmien, som er det forventede afkast for porteføljesammensætningen
minus den risikofrie rente, pr. risikoenhed. Det sidste udtryk i ligningen kaldes for Reward-to-
Variability ratio (RTVR). Hældningen på kapitalmarkedslinien vil således blive der, hvor RTVR er
størst.
2.6 Performanceevaluering
Til evaluering af, hvorledes de forskellige porteføljer klarer sig, er der tre nøgletal, der er essentielle
at betragte. Disse er Sharpe’s ratio, Treynor’s ratio og Jensens alpha. Sharpe’s ratio er udtrykt vha.
kapitalmarkedslinien, imens Treynor’s-ration og Jensens alpha er udtrykt vha.
sikkerhedsmarkedslinien. Performanceevaluering er vigtigt, fordi disse nøgletal ikke bare
12
Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 85 13
Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave, s. 62
2.10
2.11
Side | 14
analyserer, hvor stort afkastet for en portefølje er. De sammenholder afkastet med den risiko, det
indebærer.
Sharpe’s ratio udregner porteføljens merafkast udover den risikofrie rente, pr. risikoenhed. Dette er
det samme som hældningen på kapitalmarkedslinien, og er udtrykt på følgende måde:
14
Sharpe’s ratio angiver altså risikopræmien pr. ekstra risikoenhed, man er villig til at påtage sig.
Treynor-indekset er et mål for porteføljens merafkast udover den risikofrie rente, ligesom Sharpe. I
stedet for at bruge risikoenheden bruger Treynor porteføljens Betaværdi, som er et udtryk for den
systematiske risiko.
15
Hvor for porteføljen er udtrykt ved:
16
Treynor indekset er også hældningen på sikkerhedsmarkedslinien i en CAPM model, og kaldes for
Reward-to-Volatility.
Jensens alpha er porteføljens risikopræmie minus det forventede afkast bestemt ud fra CAPM
modellen. Det beregnes på følgende måde:
17
Jensens alpha måler således afstanden imellem det reelle afkast og det forventede afkast. Jensen
alpha kan, ved brug af en lineær regression, estimeres. Formlen for dette er ud på følgende måde:
18
14
Moffet, Stonehill, Eitman; Fundamentals of multinational finance, Third edition, s. 467 15
Moffet, Stonehill, Eitman; Fundamentals of multinational finance, Third edition, s. 468 16
Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave, s. 129 17
Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave, s. 146 18
Farrell, Reinhart & Farrell; Porfolio management: Theory and application, second edition s. 522
2.12
2.13
2.14
2.15
2.16
Side | 15
2.7 Delkonklusion
I ovenstående afsnit er det blevet gennemgået, hvordan den mest efficiente portefølje kan
sammensættes ved Markowitz’ porteføljeteori. Det blev udledt, hvordan det forventede afkast og
standardafvigelse for et aktiv blev fundet. Disse to tal danner grundlaget for resten af analysen.
Denne analyse byggede på udregningen af det forventede afkast for en portefølje og risikoen for
denne portefølje, samt udledningen af, hvordan den efficiente rand bestemmes med og uden
kortsalg. Til sidst blev de tre performanceevalueringstal, Sharpe’s ratio, Treynor’s ratio og Jensen
alpha, gennemgået.
Side | 16
3. Databehandling
I indestående afsnit vil de elementer, der indgår i datamaterialet blive fremlagt. Datamaterialet skal
selvsagt danne grundlag for anvendelse af teorien, som er beskrevet ovenfor. Ydermere vil der også
være en beskrivelse af hvilke statistiske tests og krav, der skal efterprøves.
3.1 Datagrundlaget
I dette afsnit vil det bagvedliggende datamateriale blive fremlagt, således at det fremkommer hvilke
data, der bruges til at skabe de enkelte porteføljer. Der vil ydermere være en beskrivelse af det
benchmark, der skal bruges til performanceevaluering.
3.1.1 Porteføljedata
Datamaterialet vil indeholde både aktier og obligationer. Da fokus er på det danske marked, vil der
indgå aktier fra C20 indekset og danske statsobligationer. Data vil strække sig fra primo 2000 til
ultimo 2010. Der vil blive set bort fra aktier, der ikke har været i indekset i hele perioden. Dette
betyder, at følgende aktier og obligationer er blevet valgt:
Tabel 3.1.1 1: Oversigt over valgte aktiver
Aktier Obligationer
Maersk A GN Store Nord Danske statsobligationer - 2 årige
Maersk B NKT Danske statsobligationer - 5 årige
Carlsberg B Novo Nordisk Danske statsobligationer - 10 årige
Danisco Sydbank Danske Bank Topdanmark
DSV Vestas
FL Smidth William Demant
Kilde: Egen tilvirkning
Dataserien er optaget over så lang en periode på grund af, at jo længere en periode data er indsamlet
over, jo mere præcis bliver estimaterne. Dette gælder, hvis der er tale om statiske tal19
.
19
Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 90
Side | 17
Figur 3.1.1 1: Illustration af udviklingen i C20 indekset
Kilde: Egen tilvirkning
Man kan af figuren se, at markedet her gennemgår både høj- og lavkonjunktur, samt konjunktur-
svingninger.
3.1.1.1 Afkast for aktiverne
Afkastet for aktiverne bliver fundet vha. Datastream. Selve afkastene bliver udregnet ved brug af
den funktion, der kaldes ’total return index’. Denne funktion sørger for, at der bliver taget højde for
dividendeudbetalinger i perioden. Dette gøres ved følgende funktion:
20
Hvor RIt er return indekset i tidspunktet t, PIt er pris indekset i tidspunktet t, DYt er dividenden i
tidspunktet t og N er det samlede antal observationer. Det er herefter muligt at udregne forventede
afkast ved brug af RIt.
3.1.2 Den risikofrie rente
Den risikofrie rente er bestemt ud fra det afkast som den 10-årige sstatsobligation giver. Grunden til
at det 10-årige statsobligation er valgt til netop dette, er at man for dette aktiv kan sige at der
genereres en sikkert og forudsigeligt afkast ved obligationen.
20
Datastream 4
0
100
200
300
400
500
600
1999 2001 2002 2004 2005 2006 2008 2009 2010
OMX COPENHAGEN (OMXC20)- PRICE INDEX
3.1
Side | 18
3.2 Test af normalfordeling
Som tidligere skrevet er Markowitz’ porteføljeteori afhængig af normalfordeling. I dette afsnit skal
afkastet testes for normalfordeling. Da dette er en forudsætning, vil materialet blive testet for
skævhed og kurtosis. Til slut vil der blive udført en Jarque-bera test, som bygger på kurtosis og
skævhed. Denne test bruger de to foregående tests til at vurdere, om der er tale om en
normalfordeling.
3.2.1 Skewness
Skewness er et mål for, hvor assymetrisk fordelingen er omkring sit gennemsnit. Skewness
udregnes på følgende måde:
21
Hvor yi er, i dette tilfælde, afkastet, og N er antallet af observationer. Ved en skævhed på 0 vil det
betyde, at fordelingen er normalfordelt. Hvis værdien er positiv, betyder det, at fordelingen er
højreskæv, og negativ betyder, at den er venstreskæv.
3.2.2 Kurtosis
Dette er et mål for fladheden af fordelingen. Det er udregnet ved følgende formel:
22
Hvis fordelingen er normalfordelt, vil den have en kurtosisfaktor på 3. Er den over 3, vil det betyde,
at fordelingen vil have en større sandsynlighed for fede haler.
3.2.3 Jarque-bera
Denne test måler, om fordelingen følger en normalfordeling. Dette gør den ved at bruge både
skewness og kurtosis. Jarque-bera testen udregnes ved følgende formel:
23
Hvor S er skewness og K er kurtosis. Tallet skal vurderes ud fra en χ2
fordeling med 2
frihedsgrader. Det betyder, at hypotesetesten vil se således ud:
21
Eviews 6 users guide 1 s. 307 22
Eviews 6 users guide 1 s. 308 23
Eviews 6 users guide 1 s. 308
3.2
3.3
3.4
Side | 19
H0: Testen viser en normalfordeling
H1: Testen viser ikke en normalfordeling
Nul-hypotesen kan forkastes, hvis Jarque-beraværdien er højere end 5,99 med et konfidensinterval
på 5%24
.
3.3 Test af datamateriale
Da der igennem datastream er mulighed for at trække både data ud på ugentlig basis og på
dagsbasis, er det nødvendigt at teste hvilken af disse to, der er bedst egnet til videre analyse.
Nedenstående er udført de tre ovenstående former for tests i EViews. Det er ikke de reelle afkast,
der er blevet testet på, men derimod de afkast, der er udregnet i henhold til formlen for geometrisk
afkast.
Tabel 3.3 1: Tabel over normalfordelingsstesten
Ugedata Dagsdata
Skewness Kurtosis Jarque-Bera Skewness Kurtosis Jarque-Bera
MAERSK 'A' 0,04 5,34 131,38 0,00 8,88 4125,35
MAERSK 'B' 0,08 4,69 69,22 0,34 10,39 6576,35
CARLSBERG 'B' -0,56 9,59 1068,84 -0,28 11,58 8831,21
DANISCO -0,92 12,68 2320,61 -0,25 14,98 17185,54
DANSKE BANK -1,04 16,38 4386,03 -0,03 9,49 5035,78
DSV 'B' -0,18 5,94 210,31 0,14 8,25 3298,25
FLSMIDTH -0,40 5,58 174,44 0,06 8,05 3043,44
GN STORE NORD 0,01 6,68 324,45 -0,45 13,03 12128,74
NKT 0,60 9,93 1183,32 0,40 10,22 6306,91
NOVO NORDISK 'B' -0,89 8,29 745,68 -0,57 16,47 21833,94
SYDBANK -2,23 23,85 10871,34 -0,51 18,68 29496,56
TOPDANMARK -0,06 7,60 505,77 -0,04 8,14 3157,18
VESTAS -0,68 8,65 808,20 -0,14 16,86 22954,78
WILLIAM DEMANT 0,23 7,68 528,36 -0,14 12,53 10854,81
OBL. 10 YEARS -0,11 4,34 44,21 -0,07 6,36 1352,57
OBL. 2 YEARS -0,09 6,11 231,76 -0,33 12,50 10829,88
OBL. 5 YEARS -0,12 4,68 68,99 0,00 1433,64 244585793,21
Kilde: Egen tilvirkning
Det er af ovenstående tabel tydeligt at se, at der er problemer med både uge- og dagsdata. Ingen af
afkastserierne lever op til kravet om en Jarque-Bera værdi på under 5,99. Det betyder, at den
føromtalte H0 hypotese om normalfordeling kan forkastes. Det kan dog konkluderes, at ugedata er
bedre egnet til videre brug på grund af de betragteligt lavere Jarque-Bera værdier. Grunden til, at
24
Madsen: Statistical Tables s.29
Side | 20
værdierne alligevel bliver så høje, er, at afkastserierne har høje kurtosisværdier. Det er dog ikke kun
kurtosisværdierne, der er problemet, da der heller ikke er nogen af afkastserierne, der har en
tilfredsstillende skewness værdi.
Tager man udgangspunkt i ugedata for GN Store nord, observeres det, at denne har en skewness-
værdi tæt på 0, hvilket ville være tilfredsstillende. Ser man på histogrammet for GN Store Nord, er
det tydeligt, at afkastserien er både højreskæv og ’spidsere’, end hvis den havde været
normalfordelt, hvilket kurtosisværdien fortæller, da denne er over 3.25
Da det er et krav til Markowitz’ porteføljeteori, at afkastserierne skal være normalfordelte, kan der
stilles spørgsmålstegn ved validiteten af de følgende porteføljekonstruktioner. Ud fra de værdier,
som er vist ovenfor, vil ugedata blive brugt i de følgende afsnit, da denne form for data er den mest
pålidelige.
4. Porteføljekonstruktion ved Mean-variance
Efter at have gennemgået den teoretiske del, der er nødvendig for at udarbejde porteføljer vha.
Markowitz’ Mean-variance porteføljeteori, vil teorien blive anvendt til at konstruere den optimale
portefølje. I foregående afsnit blev de rå data behandlet og analyseret. Der blev ud fra en
normalfordelingstest besluttet, at ugedata var den mest pålidelige form for data, selvom ingen af de
to dataformer var specielt tilfredsstillende.
I indeværende afsnit vil først udviklingen i afkastserierne for de enkelte aktiver blive gennemgået.
Derefter vil det blive undersøgt, hvordan udviklingen for standardafvigelserne har været igennem
2010. Dette vil blive kombineret med en undersøgelse af, hvordan korrelationskoefficienterne og
kovarianserne har udviklet sig. Efter dette vil der blive udarbejdet porteføljekonstruktioner med og
uden kortsalg. Disse konstruktioner vil indeholde en udarbejdelse af minimum-varians porteføljen
samt udarbejdelse af tangentporteføljen. Til slut vil tangentporteføljerne og MVP blive analyseret i
forhold til de tidligere gennemgåede performancemålinger.
4.1 Datamateriale
Ud fra nedenstående figur kan det udledes, at 2010 var et godt aktieår, da OMXC20 indekset
generelt er stigende igennem hele perioden. Dette kan dog siges at skyldes det markante dyk, som
indekset i 2008 foretog som følge af finanskrisen.
25
Se bilag 1
Side | 21
Figur 4.1 1: Udviklingen i C20 indekset igenne 2010
Kilde: Egen tilvirkning
Det vil blive undersøgt, hvordan Markowitz’ porteføljeteori agerer, efter finanskrisen er overstået,
og opsvinget er i gang.
4.1.1 Afkastserie for de enkelte aktiver
Det er interessant at analysere, hvordan udsvingene i aktiekurserne for 2010 kommer til at påvirke
porteføljekonstruktionerne. Her kan man både se, når markedet stiger, og når det svinger. Dette
gøres ved at sammenholde de værdier, som er udregnet til brug i porteføljekonstruktionen, med de
reelle værdier.26
Ud fra bilaget kan det ses, at de fleste udregnede afkast stiger i takt med stigningen
i C20-indekset. Det gælder dog ikke NKT, Sydbank, Topdanmark, Vestas, William Demant og den
2-årige statsobligation. De reelle afkast giver et godt billede af, hvordan C20-indekset udvikler sig.
I måneder, hvor C20-indekset svinger, kommer det også til udtryk i de reelle afkast. Afkastene
stiger også, når C20-indekset stiger. Dette viser, at de udregnede afkast er nogenlunde retvisende,
da både de udregnede og de reelle afkast følger udviklingen i C20-indekset. Dette betyder, at
porteføljen vil være nogenlunde efficient, da afkastene er baseret på historiske data, der går langt
26
Se bilag 2
300
320
340
360
380
400
420
440
460
480
500
janu
ar
febru
ar
marts
april
maj
jun
i
juli
augu
st
septem
ber
okto
ber
no
vemb
er
decem
ber
Price index
Side | 22
tilbage.27
Det har netop været vigtigt at bruge data, der går så langt tilbage for at sikre sig, at de
anvendte data er stationære og derved i nogen grad beskyttet imod ekstreme udsving, såsom
finanskrisen.
De reelle afkast ligger noget højere end de udregnede afkast, men dette skyldes, at de reelle afkast
kun bygger på månedsdata, imens de udregnede afkast bygger på hele dataserien.
Det udregnede afkast er positivt for alle aktiverne igennem hele perioden med undtagelse af GN
Store Nord aktien, som er negativ igennem hele 2010. Maersk B aktien starter ud med et negativt
afkast i januar. Det er ydermere værd at bemærke, at både Maersk A og Maersk B’s gennemsnitlige
afkast ligger under de tre obligationers. Yderligere bemærkes det, at Danisco ligger på samme
niveau som obligationerne, hvilket betyder, at Danisco-aktien ikke generer noget merafkast i
forhold til de tre obligationer. Det samme gør sig gældende for Maersk A og Maersk B. Dvs. at der
ingen risikopræmie er for at investere i de mere risikofyldte aktier.
De aktier, der performer bedst, er DSV B og NKT aktierne.
4.1.2 Standardafvigelse for de enkelte aktiver
I forbindelse med porteføljesammensætningen er det ikke kun vigtig at behandle afkastet for de
enkelte aktiver. Det er mindst lige så vigtigt at medregne risikoen, eller standardafvigelsen, for det
enkelte aktiv. Man kan af bilaget se, at de udregnede standardafvigelser forbliver nogenlunde
konstante igennem hele 2010.
Ud fra tallene er det tydeligt at se, at der er langt større risiko ved at investere i aktier i forhold til at
investere i obligationer. Dette skal også ses i lyset af, at aktier generelt giver et højere afkast end
obligationer, og aktierne derfor vil have en højere risikopræmie.
Det ses, at Vestas og GN Store Nord har de to største standardafvigelser igennem hele 2010. Hvis
man ser på afkastværdierne igennem hele dataperioden, kan man godt se hvorfor.
27
Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth edition, s. 91
Side | 23
Figur4.1.2 1: Afkastserie for Vestas
Kilde: Egen tilvirkning
Det ses tydeligt, at der i ovenstående figur er store udsving, dvs. hvor den beregnede afkastværdi er
forskellig fra nul. Det ses her, at Vestas-aktien er meget svingende og med store fald i slutningen af
2008, hvor finanskrisen fladede ud. Det er grundet alle disse udsving, at standardafvigelsen for
Vestas ligger så højt. Ser man derimod på obligationen i nedenstående figur, ses det, at spredningen
omkring 0 er meget lille, derfor også den tilsvarende mindre standardafvigelse.
Figur4.1.2 2: Afkastserie for 2-årige statsobligation
Kilde: Egen tilvirkning
Betragtes afkastserien for Vestas er de store udsving tydelige. Disse udsving kan tyde på heteroske-
dasticitet, som er meget almindeligt for aktier. I tilfælde at heteroskedasticitet vil de udregnede
standardafvigelser blive beregnet forkert, og med forkerte standardafvigelser vil alle konstruktioner,
som standardafvigelserne er brugt til at udarbejde, blive forkert. Dette gælder den efficiente rand,
MVP og tangentporteføljen.
-50
-40
-30
-20
-10
0
10
20
30
40
2000 2001 2002 2004 2005 2006 2008 2009
-5-4-3-2-1012345
2000 2001 2002 2004 2005 2006 2008 2009
Side | 24
4.1.3 Korrelation og kovarians
Ved porteføljekonstruktion er korrelationen imellem de enkelte aktiver og disse aktivers
standardafvigelser med til at fortælle en eventuel investor om risikoen ved en given portefølje.
Kovariansen og standardafvigelsen hænger sammen i form af korrelationen, der forklarer, hvordan
aktiverne stiger eller falder afhængigt af hinanden. Hvis korrelationen ligger omkring 0, vil det være
muligt at reducere risikoen ved hjælp af diversificering af aktiverne. Som tidligere beskrevet er
kovariansen svær at tolke på, så der vil kun blive fokuseret på korrelationskoefficienterne i følgende
afsnit.
Tabel 4.1.3 1: Korrelationsmatrice for januar
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
MAERSK 'B' 1,00
MAERSK 'A' 0,93 1,00
CARLSBERG 'B' 0,32 0,32 1,00
DANISCO 0,36 0,34 0,28 1,00
DANSKE BANK 0,41 0,42 0,40 0,42 1,00
DSV 'B' 0,53 0,51 0,36 0,37 0,43 1,00
FLSMIDTH 'B' 0,45 0,46 0,38 0,34 0,43 0,53 1,00
NKT 0,41 0,42 0,31 0,34 0,34 0,40 0,49 1,00
GN STORE NORD 0,26 0,26 0,28 0,16 0,33 0,29 0,29 0,41 1,00
NOVO NORDISK 'B' 0,25 0,24 0,22 0,20 0,28 0,34 0,23 0,22 0,18 1,00
SYDBANK 0,41 0,41 0,36 0,39 0,69 0,43 0,36 0,32 0,30 0,23 1,00
TOPDANMARK 0,35 0,36 0,25 0,31 0,38 0,42 0,38 0,28 0,26 0,25 0,35 1,00
VESTAS 0,30 0,31 0,28 0,25 0,37 0,38 0,39 0,32 0,35 0,27 0,35 0,26 1,00
WILLIAM DEMANT 0,23 0,27 0,20 0,22 0,24 0,38 0,27 0,30 0,40 0,26 0,21 0,25 0,29 1,00
OBL. 10 YEARS -0,16 -0,15 -0,14 -0,10 -0,17 -0,20 -0,17 -0,20 -0,09 -0,09 -0,11 -0,06 -0,10 -0,16 1,00
OBL. 2 YEARS -0,16 -0,17 -0,06 -0,16 -0,17 -0,19 -0,24 -0,22 -0,13 -0,09 -0,08 -0,08 -0,09 -0,17 0,65 1,00
OBL. 5 YEARS -0,17 -0,16 -0,07 -0,16 -0,22 -0,21 -0,20 -0,18 -0,11 -0,12 -0,16 -0,12 -0,12 -0,17 0,83 0,77 1,00
Kilde: Egen tilvirkning
Ved at betragte ovenstående tabel for korrelationskoefficienterne fra januar 2010 ses det tydeligt, at
der er et skel imellem obligationer og aktiver. Korrelationen imellem obligationer og aktier er i alle
tilfælde negative. Det betyder, som det fremgår af teoriafsnittet, at når aktierne stiger i værdi, så
falder obligationerne i værdi. Obligationerne korrelerer derimod positivt med hinanden, hvilket
betyder, at når en obligation stiger i værdi, så stiger de andre obligationer også. Det samme gør sig
gældende for aktierne, da de også korrelerer positivt med hinanden. Ser man udelukkende på
Side | 25
obligationerne, ser man, at 10- og 2-års obligationerne korrelerer næsten perfekt med 5-års
obligationen.
Tabel 4.1.3 2: Korrelationsmatrice for obligationer i januar
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
OBL. 10 YEARS -0,16 -0,15 -0,14 -0,10 -0,17 -0,20 -0,17 -0,20 -0,09 -0,09 -0,11 -0,06 -0,10 -0,16 1,00
OBL. 2 YEARS -0,16 -0,17 -0,06 -0,16 -0,17 -0,19 -0,24 -0,22 -0,13 -0,09 -0,08 -0,08 -0,09 -0,17 0,65 1,00
OBL. 5 YEARS -0,17 -0,16 -0,07 -0,16 -0,22 -0,21 -0,20 -0,18 -0,11 -0,12 -0,16 -0,12 -0,12 -0,17 0,83 0,77 1,00
Kilde: Egen tilvirkning
Dette betyder, at det ikke er muligt at fjerne risikoen ved at investere i yderligere obligationer,
medmindre der er tale om porteføljekonstruktioner med kortsalg. Det vil da være muligt at sælge en
obligation kort og købe en anden.
Da korrelationen imellem obligationer og aktier er negativ, tyder det på, at man her ved at sprede
sin investering til en kombination af både aktier og obligationer kan reducere porteføljerisikoen. Ser
man på ændringen i korrelationskoefficienterne igennem 2010, er disse hovedsagligt faldet i værdi,
dog kun med en ganske lille smule. Dette betyder stadigvæk, at det bliver marginalt lettere at
reducere risikoen for porteføljen ved at investere både i obligationer og aktier. Da
standardafvigelserne er forblevet rimeligt konstante igennem 2010, vil dette være muligt.
Tabel 4.1.3 3: Ændring i korrelationsmatricen for obligationerne fra januar til december
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
OBL. 10 YEARS -0,02 -0,02 -0,01 -0,03 -0,03 -0,04 -0,04 -0,02 -0,02 -0,02 -0,03 -0,02 -0,02 0,00 0,00
OBL. 2 YEARS 0,00 -0,00 -0,00 -0,01 -0,01 -0,02 -0,00 0,00 -0,01 -0,01 -0,01 0,00 0,00 0,00 -0,01 0,00
OBL. 5 YEARS -0,01 -0,01 -0,01 -0,02 -0,02 -0,03 -0,03 -0,01 -0,01 -0,01 -0,02 -0,01 -0,01 0,00 0,01 -0,01 0,00
Kilde: Egen tilvirkning
Ovenstående tabel viser, at korrelationskoefficienterne kun er faldet med en ganske, ganske lille
smule. Det kan af tabellen ses, at det hovedsageligt er hos 10-års obligationen, at de største fald i
korrelationen er sket. For aktierne noteres det, at DSV B er faldet mest, over alle obligationerne, i
korrelation i forhold til de andre aktier. Korrelationerne iblandt obligationerne er mere eller mindre
uændrede. Når ændringen i korrelationskoefficienterne er af så uvæsentlig en karakter, vil dette ikke
Side | 26
få nogen effekt på måden, man kan behandle investeringen på. Obligationerne er stadig indbyrdes
positivt korrelerede, imens de i forhold til aktierne stadig er negativt korrelerede.
I nedenstående tabel er der kun fokuseret på aktierne. Det bemærkes, at de alle har positive
korrelationskoefficienter i begyndelsen af 2010. Der er næsten perfekt korrelation imellem Maersk
B og Maersk A, hvilket er logisk, da det er samme virksomhed. Derudover bemærkes det, at
korrelationen imellem Danske Bank og Sydbank ligeledes er høj, hvilket skyldes, at de opererer i
samme branche. Det samme gør sig gældende, dog i mindre grad, for DSV B og Maersk B, Maersk
A og FLSmidth B.
Tabel 4.1.3 4: Korrelationsmatrice for aktier i december
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
MAERSK 'B' 1,00
MAERSK 'A' 0,93 1,00
CARLSBERG 'B' 0,32 0,32 1,00
DANISCO 0,36 0,34 0,28 1,00
DANSKE BANK 0,41 0,42 0,40 0,42 1,00
DSV 'B' 0,53 0,51 0,36 0,37 0,43 1,00
FLSMIDTH 'B' 0,45 0,46 0,38 0,34 0,43 0,53 1,00
NKT 0,41 0,42 0,31 0,34 0,34 0,40 0,49 1,00
GN STORE NORD 0,26 0,26 0,28 0,16 0,33 0,29 0,29 0,41 1,00
NOVO NORDISK 'B' 0,25 0,24 0,22 0,20 0,28 0,34 0,23 0,22 0,18 1,00
SYDBANK 0,41 0,41 0,36 0,39 0,69 0,43 0,36 0,32 0,30 0,23 1,00
TOPDANMARK 0,35 0,36 0,25 0,31 0,38 0,42 0,38 0,28 0,26 0,25 0,35 1,00
VESTAS 0,30 0,31 0,28 0,25 0,37 0,38 0,39 0,32 0,35 0,27 0,35 0,26 1,00
WILLIAM DEMANT 0,23 0,27 0,20 0,22 0,24 0,38 0,27 0,30 0,40 0,26 0,21 0,25 0,29 1,00
Kilde: Egen tilvirkning
Da korrelationen aktierne imellem alle er positive, vil dette betyde, at risikoreduktionen ved en
portefølje udelukkende bestående af aktier vil være begrænset. Derfor vil det, for at reducere
risikoen, være nødvendigt også at investere i obligationer og derved opnå risikoreduktion ved
diversifikation.
Nedenstående tabel viser ændringerne i korrelationskoefficienterne over 2010. Det kan, ligesom ved
obligationerne, bemærkes, at der ikke er sket nogen væsentlige forskydninger i værdierne. I de
fleste tilfælde er korrelationen dog staget en ganske lille smule, men ikke nogen af så væsentlig
karakter, at det ændrer på situationen angående diversifikation.
Side | 27
Tabel 4.1.3 5: Forskellen imellem akternes korrelationsmatrice fra januar til december
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
MAERSK 'B' 0,00
MAERSK 'A' 0,00 0,00
CARLSBERG 'B' 0,01 0,01 0,00
DANISCO 0,02 0,02 0,01 0,00
DANSKE BANK 0,03 0,02 0,01 0,00 0,00
DSV 'B' 0,01 0,01 0,01 0,02 0,02 0,00
FLSMIDTH 'B' 0,01 0,02 0,00 0,02 0,02 0,02 0,00
NKT 0,02 0,02 0,00 0,02 0,02 0,02 0,01 0,00
GN STORE NORD 0,03 0,03 0,00 0,02 0,02 0,02 0,02 0,00 0,00
NOVO NORDISK 'B' 0,01 0,01 0,00 0,01 0,01 0,00 0,01 0,01 0,01 0,00
SYDBANK 0,02 0,02 0,00 0,00 0,01 0,02 0,02 0,03 0,02 0,01 0,00
TOPDANMARK 0,00 0,00 0,01 0,00 0,01 0,00 0,01 0,00 0,00 0,00 0,00 0,00
VESTAS 0,01 0,01 0,01 0,00 0,00 0,01 0,01 0,00 0,00 0,01 0,01 0,01 0,00
WILLIAM DEMANT 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,01 0,00 0,00 0,01 0,00
Kilde: Egen tilvirkning
4.2 Porteføljekonstruktion uden kortsalg
Der vil i det følgende afsnit blive konstrueret porteføljer uden kortsalg for 2010. Porteføljerne vil
blive konstrueret for hver måned, startende i januar og med slut i december. Disse konstruktioner
kommer til at danne baggrund for yderligere undersøgelse af udviklingen igennem 2010.
4.2.1 Udledning af MVP
Hvis man ser på fordelingen af aktier og obligationer over hele tidsperioden for minimum-varians
porteføljen, er det tydeligt, at fordelingen ikke forskyder ret meget. Fordelingen favoriserer klart
obligationer over aktier. Grunden til dette er, at obligationerne er de mindst risikofyldte aktiver, der
kan inkluderes i porteføljen. Årsagen til, at MVP ikke udelukkende består af obligationer, er at man
ved diversifikation kan reducere risikoen yderligere. Dette er muligt pga. den negative korrelation
aktier og obligationer imellem. Da porteføljen hovedsageligt består af 2-årige obligationer, kan
porteføljerisikoen sammenlignes med risikoen for den 2-årige obligation. Porteføljen har reduceret
risikoen i forhold til, hvis der kun investeres i 2-årige obligationer.
Side | 28
Tabel 4.2.1 1: Fordeling af aktier og obligationer for MVP
MVP Aktier Obligationer Afkast Risiko RTVR
januar 1,620% 98,380% 0,08574 0,68194 0,01944
februar 1,621% 98,379% 0,08575 0,68171 0,01827
marts 1,615% 98,385% 0,08643 0,68070 0,02024
april 1,623% 98,377% 0,08625 0,67871 0,02102
maj 1,625% 98,375% 0,08576 0,68166 0,02045
juni 1,612% 98,388% 0,08758 0,67596 0,02488
juli 1,612% 98,388% 0,08705 0,67492 0,02801
august 1,615% 98,385% 0,08565 0,67493 0,02588
september 1,619% 98,381% 0,08673 0,67494 0,02676
oktober 1,625% 98,375% 0,08573 0,67471 0,02965
november 1,639% 98,361% 0,08407 0,67665 0,02546
december 1,642% 98,358% 0,08403 0,67673 0,02341
gennemsnit 1,622% 98,378% 0,08590 0,67780 0,02362
Kilde: Egen tilvirkning
Ovenstående tabel viser, hvordan andelen af aktier og obligationer udvikler sig året igennem.
Modellen forslår, at investor i årets første måneder forholder sig i ro og ikke afviger fra de ca.
1,620% aktier. I marts og juni bør investor derimod sælge aktier fra og investere i flere obligationer,
da der i disse måneder er stor usikkerhed i markedet. I april og maj foreslår modellen, at investor
allokerer sin investering over på en større portion aktier. I de resterende måneder, hvor C20-
indekset svinger lidt op og ned, falder andelen af aktier i porteføljen for at investere i de mindre
risikofyldte obligationer. Fra juni og fremefter er der dog en tendens til, at aktieandelen øges som
følge af, at markedet ’falder lidt til ro’. I november og december stiger andelen af aktier igen, da
markedet også bevæger sig opad. Den store andel af obligationer i alle porteføljerne skyldes, at det
er MVP, der findes. Når MVP skal udledes, fokuseres der på at finde den absolut laveste risiko på
den efficiente rand og det dertilhørende afkast. RTVR kolonnen viser den risikopræmie, en investor
modtager for hvert risikopoint i forhold til den risikofrie rente. Da ratioen er positiv igennem hele
perioden, viser dette, at det på intet tidspunkt har kunnet betale sig udelukkende at investere i 10 års
obligationer, som den risikofrie rente er udregnet fra. RTVR er det samme som Sharpe’s ratio, men
mere om det senere.
I den samlede portefølje er der en klar overvægt af de 2-årige obligationer igennem hele 2010. Der
er dog investeret mindre andele i de to andre obligationer. Grunden til dette skal findes i
obligationernes korrelationer, der giver mulighed for at reducere risikoen yderligere ved at sprede
Side | 29
investeringen ud på flere aktiver, da obligationerne kun næsten er perfekt korrelerede. Porteføljen er
udover de tre obligationer sammensat af samtlige aktier i markedet.
Tabel 4.2.1 2: Specifikke fordeling aktier og obligationer for MVP
MVP MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
januar 0,12% 0,12% 0,11% 0,18% 0,12% 0,12% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,58% 81,37% 12,43%
februar 0,12% 0,12% 0,11% 0,19% 0,12% 0,12% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,61% 81,30% 12,47%
marts 0,13% 0,12% 0,11% 0,18% 0,12% 0,12% 0,09% 0,08% 0,06% 0,16% 0,14% 0,14% 0,04% 0,11% 4,53% 80,47% 13,39%
april 0,12% 0,12% 0,11% 0,18% 0,12% 0,12% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,58% 81,40% 12,39%
maj 0,12% 0,12% 0,11% 0,19% 0,12% 0,13% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,61% 81,30% 12,47%
juni 0,12% 0,12% 0,11% 0,19% 0,12% 0,12% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,40% 81,88% 12,11%
juli 0,12% 0,12% 0,11% 0,18% 0,12% 0,12% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,38% 81,94% 12,07%
august 0,12% 0,12% 0,11% 0,18% 0,12% 0,12% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,42% 81,81% 12,15%
september 0,12% 0,12% 0,11% 0,18% 0,12% 0,13% 0,10% 0,08% 0,06% 0,16% 0,14% 0,15% 0,04% 0,11% 4,40% 81,85% 12,13%
oktober 0,12% 0,12% 0,11% 0,18% 0,12% 0,13% 0,10% 0,08% 0,06% 0,16% 0,14% 0,16% 0,04% 0,11% 4,38% 81,83% 12,16%
november 0,12% 0,12% 0,11% 0,18% 0,12% 0,13% 0,10% 0,09% 0,06% 0,16% 0,14% 0,16% 0,04% 0,11% 4,41% 81,74% 12,21%
december 0,12% 0,12% 0,11% 0,19% 0,12% 0,13% 0,10% 0,09% 0,06% 0,16% 0,14% 0,16% 0,04% 0,11% 4,39% 81,84% 12,13%
Kilde: Egen tilvirkning
Det er værd at bemærke, at porteføljerne konstrueret i juli og oktober har større RTVR end de
resterende konstruktioner. Det modsatte gør sig gældende for porteføljerne for de første tre
måneder. Disse er lavere end de resterende måneder og ligger markant under gennemsnittet.
4.2.2 Udledning af tangentporteføljen
Tangentporteføljen er den porteføljesammensætning, der maksimerer RTVR. Det betyder, at den vil
have en markant anderledes sammensætning end MVP. Ud fra tabellen observeres det, at
aktieandelen er steget med 10-14% i forhold til MVP.
Side | 30
Tabel 4.2.2 1: Fordeling aktier og obligationer for tangentporteføljen
MAX Aktier Obligationer Afkast Risiko RTVR
januar 12,476% 87,524% 0,12084 1,28152 0,03774
februar 13,682% 86,318% 0,12512 1,37264 0,03775
marts 12,874% 87,126% 0,12292 1,29203 0,03891
april 12,830% 87,170% 0,12267 1,26472 0,04008
maj 12,398% 87,602% 0,12109 1,26708 0,03889
juni 10,426% 89,574% 0,12033 1,15206 0,04303
juli 9,676% 90,324% 0,11648 1,07380 0,04502
august 10,671% 89,329% 0,11832 1,13633 0,04413
september 9,671% 90,329% 0,11788 1,10634 0,04449
oktober 9,655% 90,345% 0,11546 1,05826 0,04699
november 11,062% 88,938% 0,11844 1,16301 0,04437
december 12,018% 87,982% 0,12000 1,21451 0,04266
gennemsnit 11,453% 88,547% 0,11996 1,19853 0,04200
Kilde: Egen tilvirkning
Ud fra ovenstående tabel er det værd at bemærke, at aktieandelen fra februar til juli falder, for så at
stige i august. Fra august til oktober falder aktieandelen igen for så at stige i november og
december. Nedenstående figur viser, hvordan obligationsandelen ser ud, lagt op imod udviklingen i
C20-indekset.
Figur 4.2.2 1: Udviklingen i C20 indekset sammenholdt med udviklingen i obligationsandelen for MVP
Kilde: Egen tilvirkning
86,00%
86,50%
87,00%
87,50%
88,00%
88,50%
89,00%
89,50%
90,00%
90,50%
91,00%
300
320
340
360
380
400
420
440
460
480
500
januar februar april maj juli september oktober december
OMX COPENHAGEN (OMXC20)- PRICE INDEX Obligationer
Side | 31
Figuren indikerer, at teorien kan bruges til at forudsige, hvornår en investors aktieandel skal
reduceres i forhold til obligationer. Linjen forslår, at obligationsandelen øges, når markedet
begynder at svinge. Det sker dog med en måneds forsinkelse, hvilket betyder, at
anvendelsesmulighederne er begrænsede.
I tangentporteføljen er den 2-årige obligation stadig den dominerende. Den indgår i
obligationsandelen med mellem 37% og 47% af porteføljen. Tangentporteføljen er i større grad
sammensat af 10- og 5-årige obligationer samt små andele af aktier. Igennem året er der en klar
fordeling af obligationerne. Den 2-årige dominerer den 5-årige, som så igen dominerer den 10-
årige. Grunden til, at den 2-årige obligation er dominerende, er, at dette aktiv har den højeste RTVR
i forhold til de andre aktiver. Dernæst kommer den 5-årige obligation og den 10-årige obligation.
Tabel 4.2.2 2: Specifikke fordeling aktier og obligationer for tangentportfeføljen
MAX MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L.
10 Y
EA
RS
OB
L.
2 Y
EA
RS
OB
L.
5 Y
EA
RS
januar 0,00% 0,00% 0,34% 0,00% 0,32% 2,09% 0,39% 1,40% 0,00% 2,13% 2,49% 2,38% 0,21% 0,71% 19,59% 41,26% 26,67%
februar 0,00% 0,00% 0,45% 0,00% 0,47% 2,30% 0,32% 1,57% 0,00% 2,42% 2,77% 2,35% 0,18% 0,84% 20,90% 37,00% 28,42%
marts 0,00% 0,00% 0,51% 0,07% 0,47% 2,01% 0,34% 1,42% 0,00% 2,41% 2,56% 2,19% 0,15% 0,75% 19,59% 39,85% 27,68%
april 0,00% 0,00% 0,58% 0,20% 0,45% 1,99% 0,38% 1,33% 0,00% 2,45% 2,47% 2,17% 0,17% 0,62% 18,85% 41,44% 26,88%
maj 0,00% 0,00% 0,41% 0,00% 0,43% 2,08% 0,30% 1,42% 0,00% 2,19% 2,50% 2,12% 0,17% 0,77% 19,20% 41,63% 26,77%
juni 0,00% 0,00% 0,49% 0,00% 0,27% 1,58% 0,33% 1,06% 0,00% 2,19% 1,95% 1,79% 0,14% 0,62% 18,66% 42,80% 28,11%
juli 0,00% 0,00% 0,49% 0,23% 0,24% 1,44% 0,35% 0,97% 0,00% 2,05% 1,66% 1,56% 0,10% 0,60% 17,08% 46,61% 26,64%
august 0,00% 0,00% 0,58% 0,25% 0,35% 1,63% 0,36% 1,02% 0,00% 2,16% 1,85% 1,77% 0,12% 0,58% 18,23% 43,49% 27,61%
september 0,00% 0,00% 0,66% 0,25% 0,32% 1,50% 0,24% 0,83% 0,00% 2,10% 1,57% 1,64% 0,05% 0,52% 19,25% 42,68% 28,39%
oktober 0,00% 0,00% 0,64% 0,50% 0,31% 1,49% 0,31% 0,86% 0,00% 2,01% 1,46% 1,56% 0,01% 0,51% 17,17% 46,72% 26,45%
november 0,00% 0,00% 0,75% 0,40% 0,42% 1,72% 0,34% 1,03% 0,00% 2,40% 1,83% 1,62% 0,00% 0,55% 18,82% 41,80% 28,31%
december 0,00% 0,00% 0,72% 0,36% 0,45% 1,87% 0,53% 1,03% 0,00% 2,62% 1,95% 1,90% 0,00% 0,60% 18,79% 40,31% 28,88%
Kilde: Egen tilvirkning
For aktieandelen er alle aktier, undtagen Maersk B, Maersk A, GN Store Nord og Vestas, i
november og december med i tangentporteføljen. Andelen af Vestas aktier er dalende året igennem
og ender med at udgøre 0%. Andelen af Carlsberg B aktier er igennem året stigende.
Det er tvivlsomt, om tangentporteføljen reelt set er diversificeret effektivt nok, da den hovedsageligt
består af kun tre dele. Da de tre dele alle er obligationer, er tangentporteføljens performance stærkt
afhængig af, hvordan obligationerne klarer sig. Modellen kunne have indbygget en max værdi for,
hvor stor en andel et aktiv må have i porteføljen, for at søge en større spredning akter og
obligationer imellem.
Side | 32
4.3 Porteføljekonstruktion med kortsalg
Der vil i det følgende afsnit blive konstrueret porteføljer med kortsalg for 2010. Når porteføljerne
bliver konstrueret med kortsalg, betyder det, at investor har mulighed for at låne et aktiv og sælge
det videre, og derved opnå en negativ vægt for aktivet i porteføljen. Det vil derved, for investor,
være muligt at tjene penge på kursfald. Porteføljerne vil blive konstrueret for hver måned, startende
i januar og med slut i december. Disse konstruktioner kommer til at danne baggrund for yderligere
undersøgelse af udviklingen igennem 2010.
Når porteføljekonstruktionen sker med kortsalg, er der to måder, hvorpå aktie og
obligationsandelene kan udregnes på. Den første metode er den, som er anvendt i ovenstående
afsnit. Her bliver alle vægtene blot summeret. Problemet med denne metode er, at den ikke
medregner hvor stor en andel, der bliver kortsolgt. Derfor er metode nr. 2 med. Denne metode tager
den numeriske værdi af vægtene, således at de alle bliver positive. Herefter summeres alle vægtene,
både for aktierne og obligationerne. Andelen af obligationer og aktier bliver udregnet på baggrund
af denne værdi ved at dividere den numeriske værdi for aktieandelen med den samlede numeriske
værdi for porteføljen. Ligeledes gøres med obligationsandelen.
4.3.1 Udledning af MVP
Nedenstående tabel viser, at der igennem 2010 ikke har været nogen store udsving i andelene.
Ligesom ved porteføljekonstruktion uden kortsalg består MVP primært af obligationer. Det
bemærkes, at der for MVP med kortsalg ikke er kortsolgt nogen aktiver. Derfor bliver brutto- og
nettoandelen ens. Andelen af aktier stiger i årets første fem måneder, med et lille dyk i april. I juni
falder andelen til det laveste niveau, for så at stige igennem den resterende tid. Aktieandelen er
generelt stigende igennem hele perioden da aktieandelen i december er større end den i januar. Med
hensyn til RTVR tegner der sig et billede af, at porteføljerne konstrueret fra juni til november
udkonkurrerer de resterende porteføljer, da RTVR hos disse er højere.
Side | 33
Tabel 4.3.1 1: Fordelingen af aktier og obligationer for MVP
Brutto Netto
Aktier obligationer Aktier obligationer afkast risiko RTVR
Januar 1,620% 98,380% 1,620% 98,380% 0,086 0,682 0,019
Februar 1,621% 98,379% 1,621% 98,379% 0,086 0,682 0,018
Marts 1,625% 98,375% 1,625% 98,375% 0,086 0,680 0,020
April 1,623% 98,377% 1,623% 98,377% 0,086 0,679 0,015
Maj 1,625% 98,375% 1,625% 98,375% 0,086 0,682 0,020
Juni 1,612% 98,388% 1,612% 98,388% 0,088 0,676 0,025
Juli 1,612% 98,388% 1,612% 98,388% 0,087 0,675 0,028
August 1,615% 98,385% 1,615% 98,385% 0,086 0,675 0,026
september 1,619% 98,381% 1,619% 98,381% 0,087 0,675 0,027
Oktober 1,625% 98,375% 1,625% 98,375% 0,086 0,675 0,030
november 1,639% 98,361% 1,639% 98,361% 0,084 0,677 0,025
december 1,642% 98,358% 1,642% 98,358% 0,084 0,677 0,023
Gennemsnit 1,623% 98,377% 1,623% 98,377% 0,086 0,678 0,023
Kilde: Egen tilvirkning
Ifølge teorien er det muligt at konstruere porteføljer med lavere risiko, når kortsalg er tilladt. Dette
vil betyde, at den efficiente rand forskydes imod venstre. Da der i MVP med kortsalg ikke er
kortsolgt nogen aktiver, så betyder MVP med og uden kortsalg er identiske. Hvis kortsalget havde
fundet sted, ville dette have betydet, at afkastværdierne for porteføljerne med kortsalg ville dale og
derved føre til, at risikoen, i forhold til porteføljerne uden kortsalg, ville falde i værdi.
4.3.2 Udledning af tangentporteføljen
I tangentporteføljen udgør aktieandelen en langt større portion end ved MVP. Aktie- og
obligationsandelen gøres op efter de to principper beskrevet ovenfor. Der er her forskel på andelene,
alt efter hvilken metode der anvendes. Sammenligner man bruttoandelen med fordelingen fra
konstruktionen uden kortsalg, er det tydeligt, at aktieandelen er formindsket i tangentporteføljen
med kortsalg. Fra juni og frem til oktober er aktieandelen lavere end i de resterende måneder. For
den numeriske metode viser det, at den faktiske aktieandel med kortsalg er højere end som så. Det
ses ligesom tidligere, at aktieandelen øges, når markedet er på vej op, og obligationsandelen øges,
når markedet stiger og falder ofte.
Side | 34
Tabel 4.3.2 1: Brutto og Netto fordelingen af aktier og obligationer for tangentporteføljen
Brutto Netto
Aktier obligationer Aktier obligationer afkast risiko RTVR
januar 10,53% 89,47% 15,39% 84,61% 0,1272 1,3852 0,0395
februar 12,19% 87,81% 16,04% 83,96% 0,1300 1,4549 0,0390
marts 11,51% 88,49% 15,06% 84,94% 0,1275 1,3656 0,0402
april 15,52% 84,48% 20,30% 79,70% 0,1436 1,7511 0,0385
maj 11,07% 88,93% 14,51% 85,49% 0,1253 1,3354 0,0401
juni 9,55% 90,45% 11,79% 88,21% 0,1224 1,1844 0,0436
juli 9,11% 90,89% 10,67% 89,33% 0,1181 1,0986 0,0455
august 9,93% 90,07% 11,88% 88,12% 0,1205 1,1676 0,0448
september 8,84% 91,16% 11,02% 88,98% 0,1202 1,1398 0,0452
oktober 9,04% 90,96% 10,67% 89,33% 0,1170 1,0806 0,0475
november 10,26% 89,74% 12,37% 87,63% 0,1205 1,1936 0,0449
december 11,14% 88,86% 13,45% 86,55% 0,1221 1,2486 0,0432
gennemsnit 10,72% 89,28% 13,60% 86,40% 0,1245 1,2838 0,0427
Kilde: Egen tilvirkning
Afkastværdierne for tangentporteføljen med kort salg ligger en smule over afkastværdierne for
tangentporteføljen uden kortsalg. Det gennemsnitlige afkast ligger omkring 4% højere med
kortsalg. Dette betyder selvsagt, at risikoen også er højere. Ved RTVR er det muligt at udlede
nøjagtig, hvilken slags portefølje der giver den største risikopræmie i forhold til risikoen, man løber
ved porteføljen. Her er tangentporteføljen med kortsalg også en anelse bedre end tangentporteføljen
med kortsalg.
Tabel 4.3.2 2: Specefikke fordeling af aktier og obligationer for tangentporteføljen
MAX MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
januar -0,84% -0,72% 0,40% -0,18% 0,39% 2,22% 0,46% 1,50% -1,13% 2,24% 2,64% 2,52% 0,25% 0,79% 20,12% 42,02% 27,33%
februar -0,66% -0,56% 0,50% 0,02% 0,53% 2,42% 0,37% 1,65% -1,07% 2,52% 2,90% 2,46% 0,21% 0,91% 21,35% 37,47% 29,00%
marts -0,57% -0,49% 0,56% 0,11% 0,52% 2,10% 0,39% 1,49% -1,02% 2,50% 2,67% 2,28% 0,17% 0,80% 19,97% 40,34% 28,18%
april -0,90% -0,77% 0,84% 0,26% 0,66% 2,89% 0,55% 1,94% -1,33% 3,51% 3,57% 3,13% 0,27% 0,90% 25,14% 25,90% 33,44%
maj -0,58% -0,49% 0,46% 0,04% 0,48% 2,17% 0,34% 1,49% -0,95% 2,27% 2,60% 2,21% 0,20% 0,82% 19,56% 42,14% 27,23%
juni -0,37% -0,29% 0,52% -0,07% 0,31% 1,63% 0,35% 1,10% -0,54% 2,24% 2,01% 1,85% 0,16% 0,65% 18,88% 43,15% 28,42%
juli -0,21% -0,14% 0,51% 0,25% 0,26% 1,48% 0,37% 1,00% -0,52% 2,09% 1,70% 1,60% 0,11% 0,63% 17,25% 46,77% 26,87%
august -0,29% -0,20% 0,61% 0,27% 0,38% 1,68% 0,39% 1,06% -0,62% 2,20% 1,90% 1,81% 0,13% 0,61% 18,41% 43,79% 27,87%
september -0,35% -0,27% 0,69% 0,28% 0,35% 1,55% 0,27% 0,87% -0,61% 2,14% 1,62% 1,69% 0,06% 0,55% 19,46% 43,01% 28,69%
oktober -0,25% -0,18% 0,67% 0,52% 0,33% 1,53% 0,32% 0,89% -0,48% 2,04% 1,50% 1,60% 0,02% 0,53% 17,31% 47,01% 26,65%
november -0,33% -0,26% 0,78% 0,43% 0,45% 1,77% 0,37% 1,07% -0,55% 2,46% 1,89% 1,67% -0,07% 0,58% 19,02% 42,12% 28,60%
december -0,39% -0,29% 0,75% 0,39% 0,48% 1,93% 0,56% 1,07% -0,56% 2,68% 2,02% 1,96% -0,10% 0,64% 19,01% 40,64% 29,21%
Kilde: Egen tilvirkning
I tangentporteføljen er der kortsolgt af Maersk B, Maersk A og GN Store Nord igennem hele
perioden. Derudover er der kortsolgt af Danisco i januar og juni, samt Vestas i november og
Side | 35
december. Det er værd at bemærke, at den 2-årige obligation ikke er den dominerende igennem hele
perioden. I april bliver denne overgået af den 5-årige obligation og næsten af den 10-årige.
Tangentporteføljen kunne igen have været bedre diversificeret, hvis der var lagt begrænsninger for,
hvor stor en andel af den samlede portefølje et aktiv må udgøre. Tangentporteføljen består
hovedsageligt af obligationer. I april er aktieandelen dog oppe på omkring 20%, hvilket er den
højeste andel i løbet af hele året.
4.4 Performancevaluering
Indeværende afsnit har til formål at undersøge, hvordan de forskellige porteføljekonstruktioner har
performet. Dette gøres ved at matche konstruktionerne op imod et simpelt benchmark. Benchmarket
sættes til 20% aktier og 80% obligationer. Aktiedelen for benchmarket bliver udregnet på baggrund
af det generelle afkast for C20-indekset. Afkastet for obligationsdelen bliver udregnet ud fra 10-års
obligationen, da det også er denne, som den risikofrie rente er baseret på.
Porteføljekonstruktionerne vil blive bedømt ud fra Sharpe’s- og Treynor’s ratio, samt Jensen’s
alpha. Disse tre performancemål er blevet gennemgået i det teoretiske afsnit.
Performancemålingen sker både for MVP og RTVR. Disse er blevet delt op i fire forskellige
investeringsstrategier. Derudover skelnes der mellem med og uden kortsalg. De fire strategier er
som følger:
Strategi 1: Porteføljen konstrueres primo januar
Strategi 2: Porteføljen er tilpasset primo januar og juli
Strategi 3: Porteføljen er tilpasset primo januar, april, juli og oktober
Strategi 4: Porteføljen er tilpasset primo hver måned
Det er som tidligere nævnt ikke kun vigtigt at bedømme porteføljerne på det afkast, de giver, men
også på hvor stor en risiko, der løbes i sammenhæng med afkastet.
4.4.1 Performance for MVP
I indeværende afsnit vil performancemålene for MVP blive gennemgået. Der vil dog blive set bort
fra Treynor’s ratio, da denne forudsætter, at porteføljerne skal være fuldt ud diversificerede. Dette
er ikke tilfældet, da der er tale om MVP, og denne hovedsageligt består af 2-årige obligationer.
Nedenstående tabel viser tallene i forbindelse med performancemålingen for MVP. Benchmarket
leverer positivt ugeafkast med en standardafvigelse på 0,5892. Denne standardafvigelse viser, at der
Side | 36
igennem 2010 ikke har været store udsving i markedet. Da markedet generelt har været i fremgang,
betyder dette, at benchmarket selvfølgelig får et positivt afkast. Det bemærkes, at MVP genererer et
positivt afkast igennem hele perioden. Dog ikke lige så meget som benchmarket, men dette har
samtidig en højere risiko forbundet med sig i forhold til MVP. Hvis der ikke tages højde for
risikoen, ser det ud til, at benchmarket er bedre end MVP igennem 2010.
Med udgangspunkt i Jensens alpha ses det, at benchmarket har klaret sig bedre end MVP igennem
hele perioden. Dette ses ved, at Jensens værdierne er negative. Den værdi, der kommer tættest på
benchmarket, er MVP tilpasset primo hver måned med kortsalg. Da MVP med og uden kortsalg er
ens, giver det ingen mening at skelne mellem disse. Det var generelt forventningen, at benchmarket
ville klare sig bedre end MVP, da der ikke har været nogen store negative udsving i markedet. Det
var dog forventet, at investeringsstrategien, der blev tilpasset månedligt, ville have den Jensens
værdi tættest på benchmarket. Dette er også tilfældet, men det er ikke, fordi den skiller sig markant
ud.
Tabel 4.4.1 1: Performancemåling for MVP
MVP Benchmark
MVP1 MVP2 MVP3 MVP4
Afkast 0,0656 0,0656 0,0656 0,0657 0,1831
Std. afv 0,1904 0,1897 0,1898 0,1899 0,5892
Beta 2,3164 2,3156 2,3150 2,3145
Sharpe 0,0227 0,0225 0,0226 0,0222 0,1922
Jensen 0,2666 0,2664 0,2664 0,2663
Kilde: Egen tilvirkning
Porteføljernes performance kan betragtes ud fra bredde og dybde, hvor dybde relaterer til det ekstra
afkast, der bliver genereret, og bredde er antallet af forskellige aktiver, porteføljen kan bruge til at
skabe ekstra afkast. Dette betyder, at Jensens ikke tager højde for antallet af forskellige aktier, dette
ekstra afkast er genereret ud fra, men kun måler ud fra, om der er opnået ekstra afkast i forhold til
benchmarket.28
Dette betyder, at hvis der tages højde for bredden af porteføljen ved brug af Sharpes’, ses det, at de
to performancemålinger ikke altid giver et entydigt svar på, hvilken portefølje der performer bedst.
Ifølge Sharpe’s ratio er det ligeledes investeringsstrategi nr. 4, der performer bedst. Dernæst
kommer MVP for investeringsstrategi nr. 2. Alle Sharpe’s ratioerne for MVP’erne er negative,
28
Haugen, Robert A.; Modern Investment Theory, fourth edition s.313
Side | 37
hvilket indikerer, at benchmarket performer bedre end MVP. I tråd med hvad Jensens værdierne
fortalte, er det MVP justeret primo hver måned, der giver den bedste Sharpe’s ratio. Dette betyder,
at det sagtens kan betale sig at omstrukturere porteføljen i løbet af året. Grunden til, at Sharpe’s
ratio er negativ for MVP’erne, er, at afkastene ligger under den gennemsnitlige ugentlige risikofrie
rente, som Sharpe’s ratio bliver udregnet ud fra.
Ifølge teorien skulle det være muligt at konstruere MVP’er med kortsalg, der har en mindre risiko
end MVP’er uden kortsalg. Dette er dog ikke tilfældet her, da der ikke er kortsolgt nogen aktiver i
forbindelse med konstruktionen af MVP.
I nedenstående tabel er Jensens alpha blevet estimeret ud fra lineær regression. Dette gøres for at
teste, hvorvidt det med statistisk sikkerhed kan siges, at benchmarket performer bedre end MVP for
alle fire strategier.
Tabel 4.4.1 2: Alphaværdier for MVP
MVP1 MVP2 MVP3 MVP4
alpha -0,0317 -0,0315 -0,0315 -0,0314
0,0180 0,0180 0,0180 0,0180
Kilde: Egen tilvirkning, Eviews output vedlagt i bilag 3
I ovenstående tabel er de estimerede alphaværdier i EViews. De estimerede alphaværdier er,
ligesom de udregnede, negative. Det kan ud fra ovenstående tabel siges med statistisk sikkerhed, at
benchmarket performer bedre end MVP.
4.4.2 Performance for tangentporteføljen
I dette afsnit vil performancemålene for tangentporteføljerne blive gennemgået. Da det er tangent-
porteføljerne, der arbejdes med vil Treynor’s ratio her blive inkluderet, da porteføljerne er perfekt
diversificerede. Dette kan der stilles spørgsmålstegn ved, da tangentporteføljerne generelt består af
de tre obligationer.
Nedenstående tabel viser performancemålene for tangentporteføljerne. Alle otte
investeringsstrategier genererer et positivt afkast. Det bemærkes, at alle afkastene for
tangentporteføljerne uden kortsalg er højere end de tilsvarende værdier for tangentporteføljerne med
kortsalg. Standardafvigelserne for investeringsstrategierne viser, at tangentporteføljerne uden
Side | 38
kortsalg har været udsat for mere risiko end dem med kortsalg. Dette er i god tråd med teorien, der
dikterer, at risikoen burde være lavere, når muligheden for at kortsælge er til stede.
Tabel 4.4.2 1: Performancemål for tangentporteføljerne
Tangent porteføljer uden kortsalg Tangent porteføljer med kortsalg Benchmark
RTVR1U RTVR2U RTVR3U RTVR4U RTVR1M RTVR2M RTVR3M RTVR4M
Afkast 0,1321 0,1269 0,1266 0,1272 0,1135 0,1096 0,1140 0,1206 0,1831
Std. afv 0,3158 0,3034 0,3076 0,3081 0,2821 0,2783 0,2983 0,2756 0,5892
Beta 1,0683 1,1978 1,1497 1,2052 1,4317 1,5160 1,1186 1,3984
Sharpe 0,1971 0,1879 0,1844 0,1861 0,1546 0,1426 0,1478 0,1841 0,1922
Treynor 0,0583 0,0476 0,0493 0,0476 0,0305 0,0262 0,0394 0,0363
Jensen 0,0587 0,0786 0,0734 0,0791 0,1185 0,1320 0,0825 0,1076
Kilde: Egen tilvirkning
Den portefølje, der har klaret sig bedst i forhold til Jensens alpha, er strategi 1 uden kortsalg. Af
tangentporteføljerne uden kortsalg er det denne, der genererer det højeste afkast med en lidt højere
risiko end de andre strategier. Treynor’s ratio viser, at det er investeringsstrategi 3 uden kortsalg,
der er den bedste portefølje. Det er vigtigt at bemærke, at både Jensen og Treynor har samme
svagheder, da ingen af dem tager højde for bredden i porteføljen, og betaværdierne, som Jensen og
Treynor er baseret på, ikke nødvendigvis ændres ved inddragelse af flere aktiver29
.
Ved at inddrage bredden i porteføljerne i form af Sharpe’s ratio, bemærkes det, at
tangentporteføljerne uden kortsalg klart dominerer tangentporteføljerne med kortsalg. Benchmarket
har ifølge Sharpe’s ratio klaret sig bedre end alle porteføljerne med undtagelse af
investeringsstrategi 1 uden kortsalg. Ellers bemærkes det, at strategierne med kortsalg har lavere
Sharpe ratioer end tilsvarende uden kortsalg.
Ved at estimere Jensen alpha kan det ses, at investeringsstrategierne egentlig performer bedre end
benchmarket, da de generede alphaværdier er positive.
Tabel 4.4.2 2: Alphaværdier for tangenporteføljen
RTVR1U RTVR2U RTVR3U RTVR4U RTVR1M RTVR2M RTVR3M RTVR4M
alpha 0,0275 0,0210 0,0212 0,0200 0,0065 0,0014 0,0089 0,0066
0,0369 0,0341 0,0351 0,0341 0,0293 0,0277 0,0346 0,0294
Kilde: Egen tilvirkning
Det kan ikke med statistisk sikkerhed siges, om tangentporteføljerne performer bedre eller dårligere
end benchmarket grundet insignifikante alphaværdier. Det ser dog ud til, at tangentporteføljerne
29
Haugen s. 315
Side | 39
uden kortsalg klarer sig bedre end tangentporteføljerne med kortsalg, men der er intet statistisk
grundlag for at fastslå dette.
4.5 Delkonklusion
I afsnittet blev der konstrueret MVP’er for hele 2010 både med og uden kortsalg. Der blev
ydermere bestemt tangentporteføljer til alle månederne, med og uden kortsalg. Disse porteføljer
blev således brugt til at konstruere fire forskellige investeringsstrategier. Strategierne blev tilpasset
en gang årligt, halvårligt, kvartalsvist eller månedligt. Tallene, som investeringsstrategierne
genererede, blev derefter evalueret ved hjælp af Sharpe’s- og Treynor’s ratio samt Jensens alpha.
Dette blev gjort for at teste, om investeringsstrategierne ville klare sig bedre end, hvis der blev
investeret efter et simpelt benchmark lydende på 10% aktier og 90% obligationer.
Efter at have foretaget performancemålingerne af investeringsstrategierne kunne der for MVP’ernes
vedkommende ikke påvises statistisk sikkerhed for, hvorvidt de havde et afkast, der var signifikant
forskelligt fra benchmarket. Det kunne dog påvises med statistisk sikkerhed, at tangentporteføljerne
generer bedre afkast end benchmarket.
Grunden til, at porteføljerne ikke alle performede bedre end benchmarket, skal findes i det
bagvedliggende datamateriale. De værdier, der blev estimeret på baggrund af datamaterialet,
svarede ikke til de reelle værdier. Dette resulterede i, at modellen ikke følger markedet, og der
derved går potentiale til spilde, eller der løbes unødvendige risici. Dette er resultatet af, at de
bagvedliggende værdier bliver beregnet ud fra gennemsnit, hvilket er årsagen til, at modellen ikke
tilpasser sig hurtigt nok.
På baggrund af performanceanalyse kan der stilles spørgsmålstegn ved, om Markowitz’ model kan
bruges til at sammensætte efficiente porteføljer, der kan klare sig bedre end benchmarket. Da
analysen kun bygger på et enkelt år og ikke inkluderer alle år op til 2010, vil det være forkert at
konkludere endegyldigt, om modellen kan bruges eller ej.
Side | 40
5. Porteføljekonstruktion ved GARCH(1,1)
I dette afsnit vil der blive konstrueret porteføljer efter samme opskrift som ovenfor. Ovenstående
porteføljekonstruktion var lavet med Mean-variance, hvilket ikke gav gode resultater. I dette afsnit
vil variansen blive udregnet på baggrund af en GARCH(1,1) model. Forhåbningen er, at GARCH
kan hjælpe med til, at teorien kan reagere hurtigere på udsving i markedet.
GARCH blev udviklet af Tim Bollerslev i 1986. Bollerslev byggede sin teori op omkring Robert F.
Engle’s ARCH model. ARCH modellen er begrænset af, at de estimerede varianser skal være
positive, og jo flere parametre, der puttes ind i modellen, jo større er chancen for, at estimaterne
bliver negative. Dette problem tager GARCH hånd om. 30
5.1 Teoretisk gennemgang af GARCH(1,1)
GARCH(1,1) er den simpleste udgave af GARCH(p,q) modellerne. Det er som oftest GARCH(1,1),
der anvendes i den finansielle sektor. Modellen er bygget op omkring tre led og ser således ud:
31
Hvor og . Alpha, beta og gamma er vægte, der gør, at de mest relevante
data bliver fremhævet. Leddet udgør den langvarige varians, udgør det geometriske afkast i
tidspunktet n-1, og er variansen i tidspunktet n-1. Alt dette bliver til variansen i tidspunktet n.
Denne formel kan strækkes til at inkludere store mængder af data. Dette gøres på følgende måde:
Udtrykket for sættes da blot ind i formlen. Dette kan gøres for alle tidspunkter i dataserien
hvilket fører til at beta antager karater af en decay faktor. Denne sikre at det er det mest relevante
data der blive vægtet højest. Det er yderligere vigtigt at udregne kovarianser i forbindelse med
udarbejdelsen af porteføljer. Dette gøres ved følgende formel:
30
Horasanh, Fidan: ‘Portfolio Selection by Using Time Varying Covariance Matrices’. Journal of Economic and Social
Research 9(2) s. 1-22 31
Hull: ’Options, Futures and Other Derivatives’. Sixth edition. Side 465
5.1
5.2
5.3
Side | 41
Hvor er det forventede afkast i perioden n-1 for variablen y minus det gennemsnitlige
afkast, ganget med det forventede afkast i perioden n-1 for variablen x minus det gennemsnitlige
afkast.
5.2 Datamateriale
I dette afsnit vil datamaterialet for GARCH modellen blive gennemgået. Selve afkastserierne er de
samme som ved Mean-variance. Der er derfor ingen grund til at kommentere yderligere på disse.
Standardafvigelserne for de enkelte aktiver bliver udregnet og gennemgået. Derefter udregnes
kovarianserne og korrelationsfaktorer til udarbejdelse af porteføljerne.
5.2.1 Standardafvigelse for de enkelte aktiver
Standardafvigelserne for de enkelte aktiver udregnes ved hjælp af de vægte, der estimeres ved brug
af EViews. GARCH standardafvigelserne skal give et mere retvisende billede af risikoen for de
enkelte aktiver. Det kan derfor forventes, at standardafvigelserne er bedre til at følge udviklingen i
C20-indekset. De bør derfor starte med at være lave, for derfor omkring juni at stige indtil
september og derefter falde igen frem imod december. I nedenstående tabel er standardafvigelserne
for alle aktiverne listet.
Tabel 5.2.1 1: Standardafvigelser ifølge GARCH(1,1)
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
Januar 3.53 3.49 3.71 3.92 5.07 4.22 5.43 4.90 5.09 1.60 2.89 3.11 3.76 3.40 0.50 0.11 0.25
Februar 3.95 3.88 2.90 3.29 5.47 4.22 4.70 4.93 5.44 2.20 3.88 2.72 4.03 3.56 0.44 0.14 0.25
Marts 3.38 3.32 3.64 3.62 4.43 4.46 5.03 4.41 5.57 2.13 3.22 2.44 4.15 3.38 0.50 0.13 0.32
April 3.05 3.00 3.43 3.66 4.23 4.40 4.56 4.00 5.29 2.46 3.37 2.38 3.99 4.37 0.46 0.11 0.30
Maj 2.92 2.87 3.25 3.50 4.01 4.18 4.36 3.81 5.16 2.33 3.15 2.27 3.82 4.21 0.44 0.11 0.28
Juni 5.47 5.00 4.82 3.73 7.77 5.21 5.40 5.72 8.22 3.00 7.03 2.81 4.90 4.27 0.83 0.09 0.43
Juli 4.75 4.43 4.09 3.97 6.97 4.89 5.05 4.83 7.47 2.88 5.99 2.57 4.44 3.95 0.75 0.10 0.41
August 4.44 4.20 3.69 3.86 5.95 4.52 4.37 4.20 6.80 2.46 5.92 2.16 4.01 4.36 0.59 0.14 0.33
September 4.08 3.97 3.57 3.50 5.24 4.04 4.64 5.88 6.57 2.08 5.71 2.18 6.87 4.02 0.63 0.14 0.34
Oktober 3.71 3.58 3.16 3.98 4.59 4.06 4.45 5.60 6.51 2.19 4.98 1.95 5.88 3.77 0.63 0.15 0.31
November 3.28 3.16 2.89 3.49 3.86 3.85 4.12 4.61 5.96 2.07 4.14 2.17 5.97 3.33 0.58 0.19 0.35
December 3.47 3.32 2.88 2.98 3.57 3.41 4.28 4.34 5.55 1.90 3.39 2.19 5.32 3.02 0.63 0.18 0.40
Kilde: Egen tilvirkning
Side | 42
Ovenstående tabel viser en klar tendens til, at standardafvigelserne stiger midt på året. Dog med
undtagelse af de 2-årige obligationer. Der falder standardafvigelsen midt på året og går derved imod
tendensen. Ved at sammenligne GARCH standardafvigelserne med de reelle standardafvigelser ses
det, at det spring i standardafvigelser, som modellen forudsiger i juni, skyldes, at de reelle
standardafvigelser i måneden forinden stiger kraftigt.
Sammenholdes standardafvigelserne fra Mean-variance og GARCH ses det, at den største forskel er
ved Vestas-aktien. Her er standardafvigelsen klart højere ved Mean-variance i forhold til GARCH.
Der er en generel tendens til, at standardafvigelserne ved Mean-variance er højere end ved GARCH.
Det gælder dog ikke for Danske Bank og Sydbank-aktien, der i juni har markant højere afvigelser
ved GARCH end ved Mean-variance. Alt dette tilsammen giver et billede af en mere dynamisk
model i forhold til Mean-variance.
5.2.2 Korrelation og kovarians
Ligesom ved standardafvigelserne er korrelationerne blevet mere dynamiske, således at de tilpasser
sig bedre end ved Mean-variance. Dette gør ydermere, at de bliver sværere at tolke på. Der vil
derfor blive sammenlignet i januar, juni og december for at få inkluderet de svingninger, der var i
markedet omkring juni.
Nedenstående tabel viser korrelationerne for januar måned. Ud fra denne tabel bemærkes det, at
Maersk A og Maersk B er næsten perfekt korrelerede. Derudover ses det, at Vestas-aktien er meget
svagt negativ korreleret med Danisco, DSV B, FLSmidth B, Sydbank og William Demant.
Side | 43
Tabel 5.2.2 1: Korrelationsmatricen for januar
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
MAERSK 'B' 1,00
MAERSK 'A' 0,94 1,00
CARLSBERG 'B' 0,34 0,39 1,00
DANISCO 0,34 0,28 0,27 1,00
DANSKE BANK 0,58 0,60 0,45 0,19 1,00
DSV 'B' 0,54 0,48 0,43 0,42 0,31 1,00
FLSMIDTH 'B' 0,58 0,51 0,39 0,25 0,41 0,58 1,00
NKT 0,64 0,66 0,31 0,30 0,28 0,53 0,72 1,00
GN STORE NORD 0,29 0,33 0,37 0,17 0,25 0,19 0,35 0,35 1,00
NOVO NORDISK 'B' 0,33 0,32 0,28 0,05 0,37 0,43 0,31 0,39 0,18 1,00
SYDBANK 0,59 0,48 0,45 0,18 0,62 0,33 0,39 0,27 0,19 0,35 1,00
TOPDANMARK 0,28 0,23 0,21 0,26 0,37 0,42 0,12 0,26 0,19 0,37 0,27 1,00
VESTAS 0,10 0,06 0,19 -0,14 0,24 -0,02 -0,02 0,08 0,10 0,18 -0,01 0,18 1,00
WILLIAM DEMANT 0,26 0,25 0,20 0,42 0,31 0,46 0,36 0,37 0,20 0,42 0,38 0,35 -0,21 1,00
OBL. 10 YEARS -0,19 -0,19 -0,32 -0,00 -0,45 0,04 -0,19 -0,34 -0,08 0,08 -0,34 0,07 -0,15 0,04 1,00
OBL. 2 YEARS -0,14 -0,13 -0,54 -0,01 -0,39 0,13 -0,06 0,03 -0,12 0,19 -0,25 -0,01 -0,15 -0,01 0,61 1,00
OBL. 5 YEARS -0,19 -0,19 -0,43 -0,13 -0,40 -0,02 -0,16 -0,28 -0,20 0,02 -0,28 -0,07 -0,26 -0,02 0,78 0,71 1,00
Kilde: Egen tilvirkning
Betragtes korrelationen for obligationerne bemærkes det, at de ligesom tidligere er kraftigt positivt
korreleret. Derudover bemærkes, at der ikke er et klart skel imellem korrelationerne for aktier og
obligationer. Nogle af obligationerne korrelerer positivt med tre af aktierne. Her er tale om Novo
Nordisk B. Derudover korrelere DSV B positivt med den 10- og 2-årige obligation. Den 2-årige
obligation korrelerer yderligere positivt med NKT. Ovenstående tyder på, at der kan opnås en vis
form for risikoreduktion ved f.eks. udelukkende at investere i aktier.
Af nedenstående tabel, der er en sammenligning imellem korrelationerne for januar og juni, ses det,
at korrelationerne er steget kraftigt fra januar til juni. Dette skyldes, at de forskellige aktivers
standardafvigelse i samme periode er steget kraftigt. Dette har selvsagt også haft indflydelse på
aktivernes kovarianser, der så har fået korrelationerne til at stige.
Side | 44
Tabel 5.2.2 2: Forkellen i korrelationsmatricen for januar til juni
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
MAERSK 'B' 0,00
MAERSK 'A' 0,04 0,00
CARLSBERG 'B' 0,54 0,43 0,00
DANISCO 0,35 0,44 0,38 0,00
DANSKE BANK 0,36 0,31 0,45 0,58 0,00
DSV 'B' 0,28 0,35 0,20 0,51 0,51 0,00
FLSMIDTH 'B' 0,29 0,41 0,33 0,53 0,49 0,21 0,00
NKT 0,29 0,29 0,36 0,55 0,69 0,44 0,17 0,00
GN STORE NORD 0,56 0,46 0,27 0,25 0,46 0,46 0,32 0,15 0,00
NOVO NORDISK 'B' 0,52 0,46 0,20 0,54 0,19 0,26 0,30 0,29 0,50 0,00
SYDBANK 0,10 0,28 0,21 0,45 0,27 0,34 0,38 0,54 0,41 0,18 0,00
TOPDANMARK 0,64 0,68 0,71 0,33 0,47 0,36 0,62 0,50 0,29 0,17 0,33 0,00
VESTAS 0,85 0,81 0,53 0,74 0,76 0,86 0,75 0,70 0,52 0,39 0,71 0,50 0,00
WILLIAM DEMANT 0,29 0,29 0,25 -0,15 0,16 -0,05 0,04 -0,07 0,34 -0,06 -0,05 0,01 0,61 0,00
OBL. 10 YEARS -0,58 -0,59 -0,29 -0,76 -0,37 -0,84 -0,44 -0,45 -0,24 -0,50 -0,39 -0,56 -0,47 -0,13 0,00
OBL. 2 YEARS -0,43 -0,47 -0,01 -0,62 -0,22 -0,79 -0,48 -0,65 -0,31 -0,56 -0,20 -0,43 -0,44 -0,13 0,19 0,00
OBL. 5 YEARS -0,40 -0,42 -0,12 -0,56 -0,38 -0,73 -0,45 -0,47 -0,19 -0,37 -0,37 -0,48 -0,45 -0,21 0,01 0,09 0,00
Kilde: Egen tilvirkning
Det bemærkes også, at obligationerne er blevet kraftigt negativt korrelerede med aktierne. Enkelte
er blevet næsten perfekt negativt korrelerede med obligationerne. Derudover er korrelationen
imellem William Demant og Danisco, DSV B, GN Store Nord, Novo Nordisk B og Sydbank faldet
en smule igennem perioden.
Sammenligner man junis korrelationer med den tilsvarende måned for Mean-variance, ses det, at
korrelationerne for GARCH generelt ligger et stykke over korrelationerne for Mean-variance. Dette
skyldes ene og alene, at GARCH modellen er bedre til at følge udviklingen i markedet og aktiverne
imellem.
Endnu et bevis på dette kan fremhæves, hvis januar og december sammenlignes. I begge tilfælde er
markedet uden de store svingninger. Nedenstående tabel er ændringen i korrelationerne igennem
hele året, altså fra januar til december.
Side | 45
Tabel 5.2.2 3: Forskellen i korrelaitonsmatricen imellem januar til december
MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
MAERSK 'B' 0,00
MAERSK 'A' -0,02 0,00
CARLSBERG 'B' 0,00 0,04 0,00
DANISCO -0,18 -0,22 -0,01 0,00
DANSKE BANK -0,02 -0,05 -0,01 -0,00 0,00
DSV 'B' -0,09 -0,12 0,21 -0,12 -0,18 0,00
FLSMIDTH 'B' 0,25 0,21 0,43 -0,11 0,00 -0,09 0,00
NKT 0,06 0,09 0,13 -0,13 -0,05 0,12 0,45 0,00
GN STORE NORD -0,14 -0,15 0,23 -0,11 -0,13 -0,12 -0,07 0,05 0,00
NOVO NORDISK 'B' 0,43 0,38 0,43 -0,10 0,40 0,49 0,20 0,10 0,06 0,00
SYDBANK 0,03 -0,01 0,39 0,01 0,07 -0,17 0,05 -0,25 -0,15 0,33 0,00
TOPDANMARK 0,14 0,08 0,06 0,10 -0,00 0,18 -0,40 0,31 -0,07 0,38 0,21 0,00
VESTAS -0,28 -0,31 0,15 -0,36 0,00 -0,52 -0,36 -0,09 -0,01 0,37 -0,29 -0,18 0,00
WILLIAM DEMANT 0,18 0,12 0,24 0,31 0,23 0,36 0,20 0,03 -0,09 0,04 0,22 0,16 -0,33 0,00
OBL. 10 YEARS -0,41 -0,21 -0,55 0,14 -0,35 0,18 0,34 -0,14 0,16 0,41 -0,20 0,21 -0,19 0,15 0,00
OBL. 2 YEARS -0,11 -0,09 -0,70 0,11 -0,22 0,41 0,14 0,26 -0,14 0,39 0,06 -0,29 -0,11 -0,10 0,09 0,00
OBL. 5 YEARS -0,37 -0,34 -0,70 0,05 -0,24 0,25 0,31 -0,16 -0,09 0,33 -0,04 -0,06 -0,23 -0,05 -0,02 -0,05 0,00
Kilde: Egen tilvirkning
Der hvor de største ændringer forekommer, er ved Novo Nordisk B og Vestas. Disse aktier er
forbundet med stor risiko i løbet af året, og derfor er deres korrelation steget.
5.3 Porteføljekonstruktion uden kortsalg
Der vil i det følgende afsnit blive konstrueret porteføljer uden kortsalg for 2010. Porteføljerne vil
blive konstrueret for hver måned, startende i januar og med slut i december. Disse konstruktioner
kommer til at danne baggrund for yderligere undersøgelse af udviklingen igennem 2010.
5.3.1 Udledning af MVP
Fordelingen aktier og obligationer imellem er mere dynamisk for GARCH end for Mean-variance,
hvilket tydeligt ses ved et kig på nedenstående tabel. Hvor fordelingen mere eller mindre var det
samme året igennem ved Mean-variance metoden, er det her meget varieret. Fordelingen imellem
aktier og obligationer er stadig næsten udelukkende obligationer. Andelen af aktier i
minimumvariansporteføljen er i årets tre første måneder stigende. I de følgende måneder falder
Side | 46
andelen af aktier til lidt over 1,1%. Dog med undtagelse af juni. Her svinger vægten op på 1,7%.
Fra Juli og fremefter stiger aktieandelen for til slut at ende på 3,3%.
Tabel 5.3.1 1: Fordelingen af aktier og obligation for MVP
MVP Aktier Obligationer Afkast Risiko RTVR
Januar 1,245% 98,755% 0,08497 0,39856 0,03133
Februar 1,622% 98,378% 0,08818 0,49673 0,02995
Marts 1,854% 98,146% 0,08064 0,49120 0,02845
April 1,452% 98,548% 0,08544 0,40685 0,03308
Maj 1,195% 98,805% 0,08399 0,35620 0,03418
Juni 1,701% 98,299% 0,08549 0,35207 0,04183
Juli 1,135% 98,865% 0,08324 0,40834 0,03696
August 1,793% 98,207% 0,08630 0,50930 0,03558
september 1,941% 98,059% 0,08745 0,52998 0,03545
Oktober 2,320% 97,680% 0,08796 0,53408 0,04163
november 3,367% 96,633% 0,09019 0,66316 0,03521
december 3,351% 96,649% 0,08843 0,64310 0,03148
gennemsnit 1,915% 98,085% 0,08602 0,48246 0,03459
Kilde: Egen tilvirkning
De stigende aktieandele medfører naturligt nok en større risiko. Ud fra RTVR ses det, at juni og
september skiller sig ud som de måneder, der performer bedst i sammenligning med de andre
porteføljer.
Nedenstående tabel viser vægtningen af aktiver i minimumvariansporteføljen. Det er tydeligt, at
denne er mere omskiftelig end ved Mean-variance. Dette forekommer klarest ved betragtning af
andelen af 2-årige obligationer. Denne svinger markant mere ved GARCH end ved Mean-variance
metoden. Den 2-årige obligation svinger derfor imellem 70-90%, hvilket får betydning for andelen,
der investeres i 5-årige obligationer.
Side | 47
Tabel 5.3.1 2: Specifikke fordeling aktier obligationer for MVP
MVP MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
Januar 0,08% 0,08% 0,15% 0,06% 0,08% 0,02% 0,03% 0,04% 0,05% 0,26% 0,16% 0,08% 0,10% 0,06% 2,89% 82,19% 13,68%
Februar 0,05% 0,06% 0,28% 0,14% 0,05% 0,10% 0,06% 0,02% 0,06% 0,32% 0,07% 0,17% 0,07% 0,16% 6,25% 71,70% 20,44%
Marts 0,12% 0,13% 0,10% 0,15% 0,07% 0,13% 0,05% 0,05% 0,10% 0,37% 0,11% 0,15% 0,14% 0,19% 4,55% 81,38% 12,21%
April 0,07% 0,14% 0,08% 0,12% 0,07% 0,11% 0,06% 0,07% 0,08% 0,22% 0,10% 0,15% 0,10% 0,07% 3,94% 83,95% 10,66%
Maj 0,08% 0,08% 0,11% 0,13% 0,07% 0,11% 0,04% 0,06% 0,04% 0,11% 0,04% 0,19% 0,06% 0,08% 2,61% 90,17% 6,02%
Juni 0,13% 0,13% 0,14% 0,17% 0,13% 0,11% 0,08% 0,11% 0,03% 0,18% 0,13% 0,22% 0,10% 0,04% 2,86% 89,16% 6,28%
Juli 0,08% 0,10% 0,09% 0,13% 0,04% 0,08% 0,06% 0,07% 0,01% 0,18% 0,02% 0,17% 0,06% 0,05% 1,35% 92,21% 5,31%
August 0,09% 0,11% 0,15% 0,12% 0,09% 0,13% 0,09% 0,10% 0,02% 0,24% 0,06% 0,41% 0,09% 0,09% 3,93% 81,42% 12,86%
september 0,11% 0,13% 0,17% 0,10% 0,12% 0,17% 0,11% 0,06% 0,02% 0,32% 0,09% 0,43% 0,02% 0,09% 3,58% 81,69% 12,79%
Oktober 0,11% 0,13% 0,19% 0,12% 0,12% 0,16% 0,11% 0,09% 0,05% 0,42% 0,10% 0,56% 0,02% 0,14% 3,60% 78,47% 15,61%
november 0,21% 0,24% 0,29% 0,21% 0,23% 0,24% 0,21% 0,17% 0,11% 0,68% 0,26% 0,36% 0,01% 0,16% 6,75% 70,78% 19,10%
december 0,12% 0,15% 0,18% 0,28% 0,20% 0,25% 0,19% 0,15% 0,06% 0,83% 0,27% 0,37% 0,07% 0,21% 5,30% 77,60% 13,75%
Kilde: Egen tilvirkning
Aktieandelen er spredt godt ud på samtlige aktier, hvilket hjælper til at diversificere porteføljen og
derved minimere risikoen.
5.3.2 Udledning af tangentporteføljen
Det ses af nedenstående tabel, at tangentporteføljen følge nogenlunde sammen mønster som
minimumvariansporteføljen. Dog med undtagelse af sammensætningen i juni. Hvor den for MVP
var højere end de omkringliggende måneder, er juni for tangentporteføljerne nedsat i forhold til den
foregående måned. Aktieandelen er her også mere dynamisk end ved Mean-variance modellen.
GARCH tillader, at tangentporteføljen allokerer en større del til aktier, særligt udtrykt ved
november og december, hvor markedet er på vej op.
Side | 48
Tabel 5.3.2 1: Fordelingen af aktier og obligationer for tagentporteføljen
MAX Aktier Obligationer Afkast Risiko RTVR
Januar 12,854% 87,146% 0,11844 0,75548 0,06083
Februar 13,259% 86,741% 0,12495 0,91768 0,05629
Marts 15,492% 84,508% 0,12694 0,95296 0,05697
April 12,258% 87,742% 0,12048 0,76259 0,06359
Maj 12,469% 87,531% 0,11908 0,69731 0,06778
Juni 9,258% 90,742% 0,11309 0,59200 0,07151
Juli 7,293% 92,707% 0,10355 0,62353 0,05679
August 12,362% 87,638% 0,12103 0,86623 0,06101
september 13,439% 86,561% 0,12472 0,91052 0,06156
Oktober 13,329% 86,671% 0,12316 0,85401 0,06725
november 20,615% 79,385% 0,14247 1,18277 0,06394
december 26,066% 73,934% 0,15168 1,29658 0,06440
gennemsnit 14,058% 85,942% 0,12413 0,86764 0,06266
Kilde: Egen tilvirkning
RTVR for tangentporteføljerne ligger i juni på sit højeste niveau. Dette er måneden med den laveste
risiko og det næstmindste afkast. Når aktieandelen øges, stiger den samlede porteføljerisiko i takt
hermed.
Fordelingen af tangentporteføljens aktiver indbefatter alle aktier undtagen Maersk A, Maersk B og
GN Store Nord. Aktieandelen består hovedsageligt af Novo Nordisk B, Sydbank og Topdanmark
aktier i de første måneder. I takt med at den generelle aktieandel stiger, øges vægten hos Carlserg B,
NKT og DSV B aktierne.
Derudover består porteføljerne hovedsageligt af obligationer. Obligationsdelen er fordelt med stor
vægt-ning på 2- og 5-årige obligationer. Dog med undtagelse af tangentporteføljen i februar, hvor
den 5-årige obligation dominerer de to andre obligationer, der udgør hhv. 22,83% og 26,62%. Det
samme gør sig gældende for november, hvor den 5-årige obligation ligeledes er dominerende.
Side | 49
Tabel 5.3.2 2: Specifikke fordeling aktier og obligationer for tangentporteføljen
MAX MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
Januar 0,00% 0,00% 0,29% 0,00% 0,13% 1,02% 0,14% 0,91% 0,00% 5,51% 2,12% 1,56% 0,60% 0,59% 13,50% 42,71% 30,94%
Februar 0,00% 0,00% 0,72% 0,00% 0,10% 1,48% 0,20% 1,18% 0,00% 4,09% 1,49% 2,61% 0,51% 0,89% 22,83% 26,62% 37,30%
Marts 0,00% 0,00% 0,47% 0,02% 0,17% 1,31% 0,20% 1,51% 0,00% 4,90% 2,22% 3,29% 0,50% 0,92% 18,90% 39,31% 26,30%
April 0,00% 0,00% 0,48% 0,08% 0,21% 1,12% 0,25% 1,51% 0,00% 3,15% 1,74% 2,86% 0,45% 0,39% 17,49% 45,80% 24,45%
Maj 0,00% 0,00% 0,59% 0,10% 0,34% 1,10% 0,29% 1,47% 0,00% 3,05% 1,67% 2,98% 0,44% 0,42% 14,30% 56,02% 17,21%
Juni 0,00% 0,00% 0,42% 0,00% 0,19% 0,79% 0,19% 1,08% 0,00% 2,48% 1,29% 2,24% 0,25% 0,34% 14,70% 57,97% 18,07%
Juli 0,00% 0,00% 0,31% 0,13% 0,02% 0,73% 0,21% 0,81% 0,00% 2,07% 0,36% 1,96% 0,20% 0,48% 7,50% 69,41% 15,80%
August 0,00% 0,00% 0,62% 0,14% 0,11% 1,17% 0,36% 1,33% 0,00% 3,47% 0,51% 3,84% 0,33% 0,46% 15,36% 43,47% 28,81%
september 0,00% 0,00% 0,92% 0,16% 0,18% 1,46% 0,23% 0,59% 0,00% 5,07% 0,55% 3,74% 0,02% 0,52% 15,00% 42,14% 29,42%
Oktober 0,00% 0,00% 0,99% 0,24% 0,21% 1,33% 0,28% 0,64% 0,00% 4,21% 0,66% 4,18% 0,03% 0,57% 13,00% 42,35% 31,32%
november 0,00% 0,00% 1,62% 0,34% 0,55% 2,19% 0,54% 1,43% 0,00% 7,25% 1,58% 4,21% 0,00% 0,91% 20,69% 26,04% 32,65%
december 0,00% 0,00% 1,54% 0,43% 0,63% 2,98% 0,78% 1,58% 0,00% 9,49% 2,36% 4,96% 0,00% 1,31% 17,45% 30,42% 26,06%
Kilde: Egen tilvirkning
Grunden til, at skiftene i obligationsandelen opstår, er, at den dominerende obligation i netop det
tidspunkt, hvor den er dominerende, har det mest gunstige forhold imellem risiko og afkast.
5.4 Porteføljekonstruktion med kortsalg
I indeværende afsnit vil der forekomme porteføljekonstruktion med kortsalg ved brug af GARCH
standardafvigelser. MVP er ens med og uden kortsalg, så afsnittet om minimumvariansporteføljen
med kortsalg udelades, da det allerede er gennemgået. Der vil ligesom tidligere blive skelnet
imellem brutto- og nettoaktie og obligationsandele, da dette, som tidligere vist, giver et mere
retvisende billede af porteføljesammensætningen.
5.4.1 Udledning af tangentporteføljen
Betragtes bruttoandelen for tangentporteføljen, er det tydeligt, at denne følger samme mønster som
minimumvariansporteføljen. I de tre første måneder stiger aktieandelen for så at falde fra april til
juli, hvorfra andelen så igen stiger indtil december. Sammenlignes brutto- og nettoandelen, ses det,
at de reelle aktieandele, som er udtrykt ved nettoandelene er højere end ved brutto. Grunden til dette
er, at der ved tangentporteføljen forekommer kortsalg, der bevirker, at de reelle aktieandele er større
end som så.
Side | 50
Tabel 5.4.1 1: Fordeling af akter og obligationer for tangentporteføljen
Brutto Netto
Aktier obligationer Aktier obligationer afkast Risiko RTVR
januar 11,54% 88,46% 14,92% 85,08% 0,1228 0,8004 0,0629
februar 12,07% 87,93% 15,26% 84,74% 0,1290 0,9608 0,0579
marts 14,37% 85,63% 17,77% 82,23% 0,1317 1,0100 0,0585
April 11,14% 88,86% 14,19% 85,81% 0,1240 0,8001 0,0651
Maj 11,93% 88,07% 13,44% 86,56% 0,1204 0,7119 0,0683
Juni 8,89% 91,11% 10,44% 89,56% 0,1147 0,6079 0,0722
Juli 7,05% 92,95% 7,91% 92,09% 0,1044 0,6330 0,0573
august 11,91% 88,09% 13,31% 86,69% 0,1226 0,8824 0,0616
september 12,82% 87,18% 14,67% 85,33% 0,1268 0,9323 0,0624
oktober 12,83% 87,17% 14,39% 85,61% 0,1248 0,8705 0,0679
november 19,73% 80,27% 22,28% 77,72% 0,1454 1,2161 0,0646
december 24,90% 75,10% 27,72% 72,28% 0,1548 1,3303 0,0651
gennemsnit 13,26% 86,74% 15,53% 84,47% 0,1268 0,8963 0,0636
Kilde: Egen tilvirkning
Betragtes RTVR for tangentporteføljerne, er der en klar tendens til, at de stiger igennem det sidste
halve år. RTVR har dog sin højeste værdi i juni hvor aktieandelen er på 10,44%. Dette resulterer i
en lav risiko sammenlignet med de andre tangentporteføljer.
Nedenstående tabel viser fordelingen for de individuelle aktier og obligationer. Det er værd at
bemærke, at lige netop de aktier, der ikke er med i tangentporteføljen uden kortsalg, er kortsolgt i
tangentporteføljen med kortsalg.
Side | 51
Tabel 5.4.1 2: Specefikke fodeling af aktier og obligationer for tangentporteføljen
MAX MA
ERSK
'B'
MA
ERSK
'A'
CA
RLS
BER
G 'B
'
DA
NIS
CO
DA
NSK
E B
AN
K
DSV
'B'
FLSM
IDTH
'B'
NK
T
GN
STO
RE
NO
RD
NO
VO
NO
RD
ISK
'B'
SYD
BA
NK
TOP
DA
NM
AR
K
VES
TAS
WIL
LIA
M D
EMA
NT
OB
L. 1
0 YE
AR
S
OB
L. 2
YEA
RS
OB
L. 5
YEA
RS
Januar -0,62% -0,53% 0,33% -0,07% 0,17% 1,08% 0,18% 0,97% -0,77% 5,70% 2,22% 1,62% 0,63% 0,63% 13,74% 43,32% 31,40%
Februar -0,55% -0,49% 0,80% 0,04% 0,15% 1,54% 0,24% 1,25% -0,84% 4,26% 1,56% 2,66% 0,53% 0,94% 23,22% 26,66% 38,05%
Marts -0,66% -0,59% 0,50% 0,06% 0,23% 1,40% 0,23% 1,62% -0,82% 5,16% 2,34% 3,37% 0,55% 0,99% 19,31% 39,51% 26,81%
April -0,64% -0,51% 0,50% 0,12% 0,26% 1,19% 0,29% 1,59% -0,63% 3,30% 1,82% 2,94% 0,49% 0,42% 17,78% 46,30% 24,78%
Maj -0,37% -0,29% 0,60% 0,12% 0,38% 1,13% 0,31% 1,52% -0,21% 3,12% 1,72% 3,01% 0,46% 0,44% 14,51% 56,12% 17,45%
Juni -0,36% -0,28% 0,46% -0,04% 0,23% 0,83% 0,22% 1,12% -0,20% 2,58% 1,34% 2,33% 0,29% 0,36% 14,78% 58,16% 18,18%
Juli -0,13% -0,09% 0,33% 0,15% 0,04% 0,75% 0,23% 0,83% -0,25% 2,10% 0,38% 2,00% 0,21% 0,50% 7,49% 69,66% 15,80%
August -0,22% -0,18% 0,65% 0,16% 0,13% 1,20% 0,39% 1,37% -0,41% 3,54% 0,53% 3,90% 0,35% 0,48% 15,40% 43,81% 28,89%
September -0,34% -0,29% 0,93% 0,19% 0,21% 1,51% 0,27% 0,62% -0,46% 5,19% 0,58% 3,84% 0,04% 0,55% 15,06% 42,52% 29,59%
Oktober -0,31% -0,25% 1,01% 0,26% 0,24% 1,37% 0,31% 0,66% -0,36% 4,30% 0,68% 4,26% 0,04% 0,59% 13,06% 42,61% 31,50%
November -0,55% -0,45% 1,68% 0,39% 0,60% 2,27% 0,60% 1,50% -0,54% 7,41% 1,64% 4,33% -0,09% 0,96% 20,91% 26,31% 33,04%
December -0,67% -0,51% 1,59% 0,50% 0,70% 3,09% 0,83% 1,64% -0,65% 9,63% 2,45% 5,07% -0,13% 1,36% 17,70% 30,89% 26,52%
Kilde: Egen tilvirkning
Tangentporteføljen består hovedsageligt af de 2-og 5-årige obligationer. Disse to obligationer er på
alle tidspunkter dominerende. Dog er der et skift fra 2-årig til 5-årig dominans i februar og
november. I disse måneder er andelen af 10-årige obligationer også høj i forhold til resten af året.
5.5 Performancemål
Performancemålingen af porteføljesammensætningerne ved GARCH følger samme fremgangsmåde
som ved Mean-variance. Her blev der sammensat fire forskellige investeringsstrategier, som hver
især blev tilpasset forskelligt. Investeringsstrategierne blev tilpasset henholdsvis årligt, halvårligt,
kvartalsvist og månedligt.
5.5.1 Performance for MVP
Af nedenstående tabel ses det, at alle fire investeringsstrategier genererer et positivt afkast. Med
baggrund udelukkende i afkastet for de enkelte strategier ses det, at den mest hensigtsmæssige er
strategi nr. 2, hvor der kun bliver tilpasset efter hver sjette måned. Inddrager man også risikoen for
de fire strategier ses det, at det ligeledes er strategi nr. 2, der genererer den laveste
standardafvigelse.
Sammenlignes nedenstående værdier med Mean-variance værdierne ses det, at afkastene er lavere
for alle fire strategier. Derudover er risikoen for strategi nr. 1 og nr. 4 højere ved GARCH end ved
Mean-variance. Dette medfører en bedre Sharpe’s ratio for Mean-variance metoden for alle fire
strategier.
Side | 52
Tabel 5.5.1 1: Performancemål for MVP
MVP Benchmark
MVP1 MVP2 MVP3 MVP4
Afkast 0,0630 0,0641 0,0613 0,0638 0,1831
Std. Afl 0,1915 0,1811 0,1885 0,1953 0,5892
Beta 2,2579 2,2225 2,2204 2,1995 Sharpe 0,0360 0,0321 0,0458 0,0314 0,1922
Jensen 0,2625 0,2574 0,2600 0,2552
Kilde: Egen tilvirkning
Ud fra Jensens alpha ses det, at det er strategi nr. 4, der har performet bedst, hvilket er logisk, da
denne bliver tilpasset hver måned. Det er ligeledes denne strategi, der performer bedst i henhold til
Sharpe’s ratio. Det er dog uden, at den overgår benchmarkets Sharpe’s ratio.
I nedenstående tabel er Jensens alpha blevet estimeret ved hjælp af EViews. De estimerede
alphaværdier foreslår ligesom de udregnede alphaværdier, at benchmarket performer bedre end
MVP. Det kan fastslås med nogen statistisk sikkerhed, at de estimerede alphaværdier er korrekte.
Tabel 5.5.1 2: Alphaværdier for MVP
MVP1 MVP2 MVP3 MVP4
alpha -0,0339 -0,0296 -0,0344 -0,0335
0,0185 0,0189 0,0189 0,0191
Kilde: Egen tilvirkning, Eviews output vedlagt i bilag 4
Ifølge de estimerede alphaværdier er det MVP for investeringsstrategi nr. 2, der performer bedst.
Dette er i strid med de ovenstående udregnede Jensen alpha’er, da disse pegede på, at det var MPV
for investeringsstrategi nr. 4, der performede bedst i forhold til benchmarket.
5.5.2 Performance for tangentporteføljen
Det kan generelt for tangentporteføljerne siges, at de burde generere et bedre afkast i forhold til
MVP, men med en noget større risiko. Da tangentporteføljerne forsøger at maximere RTVR, der er
risikopræmie pr. risikoenhed, er det selve risikopræmien, der er vigtig i denne sammenhæng.
Af nedenstående tabel ses det, at alle tangentporteføljerne genererer positive afkast. Dog rammer
tangentporteføljerne uden kortsalg et højere afkast end tangentporteføljerne med kortsalg. Dette
giver ganske god mening i sammenhæng med standardafvigelserne for de enkelte strategier.
Tangentporteføljerne med kortsalg har generelt lavere standardafvigelser i forhold til
tangentporteføljerne uden kortsalg.
Side | 53
Tangentporteføljen med det højeste afkast er strategi nr. 4 uden kortsalg. Ellers kommer det
næsthøjeste afkast fra strategi nr.1 uden kortsalg. Generelt genererer strategi nr. 3 et lavere afkast
både med og uden kortsalg end de tilsvarende strategier. Dette er dog ikke nødvendigvis forbundet
med den laveste standardafvigelse. Den tilfalder nemlig strategi nr. 2 både med og uden kortsalg.
Tabel 5.5.2 1: Performancemål for tangentporteføljen
Tangent porteføljer uden kortsalg Tangent porteføljer med kortsalg Benchmark
RTVR1U RTVR2U RTVR3U RTVR4U RTVR1M RTVR2M RTVR3M RTVR4M
Afkast 0,1547 0,1414 0,1362 0,1552 0,1431 0,1304 0,1253 0,1436 0,1831
Std. Afl 0,3071 0,2847 0,2888 0,3205 0,2835 0,2658 0,2712 0,3061 0,5892
Beta 1,0651 1,1291 1,1813 0,9464 1,3097 1,3581 1,3903 1,0494
Sharpe 0,2761 0,2511 0,2296 0,2663 0,2581 0,2275 0,2044 0,2408 0,1922
Treynor 0,0796 0,0633 0,0561 0,0902 0,0559 0,0445 0,0399 0,0702 Jensen 0,0358 0,0564 0,0674 0,0218 0,0751 0,0933 0,1020 0,0451
Kilde: Egen tilvirkning
Ser man på Sharpe’s ratio for tangentporteføljerne kan det konstateres, at de alle performer bedre en
benchmarket, Generelt har tangentporteføljerne uden kortsalg højere Sharpe’s ratio end deres
tilsvarende tangentporteføljer med kortsalg. Højest af alle er tangentporteføljen for strategi nr. 1.
Det er tilfældet både med og uden kortsalg, at denne udperformer de andre. Betragtes Treynor’s
ratio danner der sig dog et andet billede. Her performer strategi nr. 1 ganske pænt, men det er
strategi nr. 4, der er klart bedst i dette performancemål. Det gælder stadig, at tangentporteføljerne
uden kortsalg performer bedre end tangentporteføljerne med kortsalg.
Nedenstående tabel viser de estimerede alphaværdier for tangentporteføljerne. Det ses, at de
estimerede alphaværdier peger på, at tangentporteføljerne for alle strategierne klarer sig bedre end
benchmarket. Det ses, at strategi nr. 4 både med og uden kortsalg har højere estimerede alpha’er
end de resterende investeringsstragerier med og uden kortsalg.
Det er også klart, at de estimerede alphaværdier uden kortsalg gernerelt performer bedre end de
tilsvarende strategier med kortsalg.
Tabel 5.5.2 2: Alphaværdier for tangentporteføljen
RTVR1U RTVR2U RTVR3U RTVR4U RTVR1M RTVR2M RTVR3M RTVR4M
Alpha 0,0520 0,0416 0,0342 0,0537 0,0388 0,0292 0,0221 0,0416
0,0364 0,0340 0,0336 0,0392 0,0314 0,0300 0,0297 0,0366
Kilde: Egen tilvirkning, Eviews output vedlagt i bilag 4
De ovenfor estimerede alphaværdier viser sig i alle tilfælde at være insignifikante. Der kan derfor
Side | 54
ikke konkluderes med nogen form for statistisk sikkerhed, at Jensens estimerede alphaværdier giver
et retvisende billede af den reelle situation.
5.6 Delkonklusion
I indestående afsnit er den teoretiske del af GARCH(1,1) modellen blevet gennemgået. Det er
blevet vist, hvordan det er muligt at udregne standardafvigelser og kovarianser ud fra det valgte
datamateriale. På baggrund af dette er udviklet minimumvariansporteføljer og tangentporteføljer for
alle måneder. Disse er i tråd med metoden ved Mean-variance blevet brugt i henhold til 4
forskellige investeringsstrategier, der dækker over årlig tilpasning, halvårlig tilpasning, kvartalsvis
og månedlig tilpasning. Resultaterne af disse investeringsstrategier er blevet vurderet i forhold til de
tidligere beskrevne performancemål.
I og med at GARCH(1,1) modellen består af to forskellige vægte og en konstant varians, gav dette
en forventning om, at modellen kunne generere højere afkast ved månedlig tilpasning af porteføljen.
Grunden til, at denne forventning blev skabt, er, at GARCH modellens betaværdi som tidligere vist
virker som en decayfaktor. Denne decayfaktor påvirker vægtningen af dataene på en sådan måde, at
det er de nyeste data, der tildelen den højeste vægtning.
Under performancemålingen forekom det, at det ifølge Sharpe’s ratio bedst kunne betale sig kun at
tilpasse investors portefølje årligt. Dette kan indikere, at GARCH(1,1) modellen drager forhastede
konklusioner. Problemet med GARCH(1,1) er, som tidligere nævnt, at der ikke er nogen bedste
måde at bestemme vægtene på. Da disse blot bygger på estimeringer i EViews, er der en mulighed
for, at det ikke er de optimale vægte, der er blevet anvendt.
5.7 Performanceforskelle imellem GARCH(1,1) og Mean-variance
Performancemålingerne giver ikke alene et billede på, hvordan porteføljerne har performet.
Målingerne giver også baggrund for sammenligning af de to tilgange til udregning af varianser.
Sammenholdes MVP for Mean-variance og MVP for GARCH modellen, er det tydeligt, at det
egentlig er Mean-variance, der genererer den mindst negative Sharpe’s ratio. Sammenlignes
tangentporteføljerne, er det tydeligt at se, at Sharpe’s ratio for GARCH er klart højere end ved
Mean-variance. Dette var helt som forventet og skyldes, at GARCH har en indbygget decayfaktor i
form af beta. Sammenlignes tangentporteføljerne i henhold til Treynor’s ratio, er det også her
tydeligt, at GARCH performer bedre end Mean-variance. Det er tilfældet for alle
Side | 55
tangentporteføljerne. Den tangentportefølje, der ved Mean-variance kommer tættest på GARCH, er
tangentporteføljen for strategi nr. 3 for Treynor’s ratio, som kun rammer 0,0011 under GARCH.
Det kan herudfra konkluderes, at GARCH, som forventet, er bedre til at indkapsle udviklingen i
markedet end Mean-variance metoden, og derved udvikle bedre porteføljesammensætninger.
Side | 56
6. Konklusion
Med baggrund i Markowitz’ moderne porteføljeteori’s skelet er det blevet undersøgt, hvordan
denne klarede sig igennem 2010 ved at sammensætte forskellige porteføljer på baggrund af Mean-
variance og GARCH.
Moderne porteføljeteori er opbygget omkring tre elementer, nemlig afkast, risiko og korrelation
imellem aktiver. Til beregning af afkastet for aktiverne blev det geometriske afkast udregnet.
Grunden til, at det netop var det geometriske afkast, der blev beregnet, og ikke det aritmetriske
afkast, skal findes i datamaterialet. Da datamaterialet består af finansielle tidsserier, er det
geometriske afkast mest hensigtsmæssigt. På baggrund af det geometriske afkast kan risikoen for de
individuelle aktiver findes. Dette giver også mulighed for igen at beregne korrelationerne imellem
aktiverne. Det er ud fra disse tre parametre, at det er muligt at udlede den efficiente rand. Den
efficiente rand er defineret ud fra den mindste risiko for en række forskellige afkast. På den
efficiente rand er to punkter, der findes interessante. Det første punkt er MVP. MVP er den
porteføljesammensætning, hvor den efficiente rand indtager den absolut mindst risiko. Det andet
punkt på den efficiente rand er tangentporteføljen. Denne dækker over det punkt på den efficiente
rand, hvor forholdet imellem afkastet - fratrukket den risikofrie rente, så at den viser risikopræmien
ved porteføljen - og risikoen er mest gunstigt. Den søger således at maksimere forholdet imellem
risikopræmien og risikoen for porteføljesammensætningen. Ved sammensætning af porteføljer blev
det vist, hvordan det var muligt at bortdiversificere den usystematiske risiko, der er forbundet med
at investere i et enkelt aktiv. Når den efficiente rand skal sammensættes, er der to forskellige måder,
hvorpå dette kan gøres. Forskellen på de to måder er, at den ene tillader kortsalg, hvor den anden
ikke tillader det.
Datamaterialet, som porteføljekonstruktionerne skal opbygges omkring, blev testet for, hvorvidt de
fulgte en normalfordeling. Datamaterialet blev testet for skewness, jarque bera og kurtosis.
Datamaterialet viste problemer med jarque bera testen. Der forelå data for ugeafkast og dagsafkast,
og da det var ugeafkastet, der klarede sig bedst i forhold til den statistiske test, faldt valget på denne
dataserie.
Den moderne porteføljeteori gør brug af Mean-variance. Problemet med Mean-variance er, at alle
værdierne tilskrives den samme vægt. Ved Mean-variance blev det konkluderet, at korrelationerne
aktiverne imellem ikke flyttede sig meget i løbet af året. Dette tyder på, at modellen er ufleksibel.
Side | 57
På grund af at markedet generelt bevægede sig opad igennem hele perioden, kunne det ikke betale
sig at kortsælge aktiver i forbindelse med konstruktionen af MVP.
Til udledning af performance af MVP og tangentporteføljerne blev forslået fire forskellige
investeringsstrategier. Den første var kun justeret i januar, den anden var kun justeret for januar og
juli, den tredje var justeret for januar, april, juli og oktober, og den sidste investeringsstrategi blev
tilpasset hver måned. Performancemålingen bestod af tre målinger i form af Sharpe’s ratio,
Treynor’s ratio og Jensens alpha. De fire investeringsstrategier blev matchet op imod et benchmark
fastsat til at bestå af 10% aktier og 90% obligationer. Det viste sig, at der for MVP ikke kunne
genereres nogle performancemål, der var bedre end benchmarket. For MVP var Sharpe’s ratio
negativ for alle investeringsstrategierne. Ved estimering af jensen alpha For tangentporteføljerne
derimod var billedet et noget andet. Tangentporteføljerne for de fire investeringsstrategier viste, at
det med kortsalg ikke var muligt at performe bedre end benchmarket. Det gjorde det derimod for en
af investeringsstrategierne uden kortsalg. Dette var tangentporteføljen der kun blev tilpasset i januar
måned, hvilket var imod forventningen.
Ved at anvende GARCH(1,1) metoden blev datamaterialet vægtet således, at de nyeste data fik
tilskrevet den højeste vægt. Dette bevirkede, at de reelle værdier og de beregnede værdier var langt
tættere på hinanden i forhold til, hvad de var ved Mean-variance. Dette bevirkede, at modellen blev
langt mere dynamisk. Der blev ved GARCH fulgt samme fremgangsmåde som ved Mean-variance,
og der blev dannet fire forskellige investeringsstrategier. MVP for de fire investeringsstrategier var
ligeledes under, hvad benchmarket performede. Sharpe’s ratioerne for MVP var dog mere negative
ved GARCH end ved Mean- variance. Det samme kunne ikke siges om tangentporteføljerne. Hvor
de ved Mean-variance havde svært ved at performe bedre end benchmarket, har de ved GARCH
performet klart bedre. Ifølge Sharpe’s ratio var det den tangentportefølje, der blev tilpasset i januar
uden kortsalg, der performede bedst igennem hele perioden. Sammenlignede man med Treynor’s
ratio, var det tydeligt, at det var investeringsstrategi nr. 4 uden kortsalg, der performede bedst. Det
blev på denne baggrund konkluderet, at GARCH metoden var bedre til at indfange bevægelserne i
markedet og derved kunne tilpasse porteføljesammensætningerne herefter.
Side | 58
7. Litteraturliste Benniga, Simon; Financial Modeling, second edition
Christensen Michael, Pedersen Frank: Aktieinvestering – Teori og praktisk anvendelse, 2 udgave
Elton, Gruber, Brown, Goetzmann; Modern Portfolio Theory and Investment Analysis, Eighth
edition
Eviews 6 users guide
Farrell, Reinhart & Farrell, Portfolio management: Theory and application, second editon
Haugen, Robert A.; Modern investment theory, fourth edition
Horasahn, Mehmet & Neslihan, Fidan; Porfolio Selection by Using Time Varying Covariance
Matrices, Journal of Economic & Social Research, vol 9. No. 2, pp. 1-22
Hull, John C.; Options, Futures and Other Derivatives, sixth edition
Keller; Statistics for management and economics, Seventh edition
Madsen: Statistical Tables
Moffet, Stonehill, Eitman; Fundamentals of multinational finance, Third edition
Side | 59
8. Bilag
Bilag 1 – Normalitetstest fra Eviews ………………………………………………………………1
Bilag 2 – Sammenligning af de reelle værdier med de beregnede værdier………………….……19
Bilag 3 – Estemering af alpha – mean variance- Eviews output……………………………….…21
Bilag 4 – Estimering af alpha – GARCH – Ewiews output………………………………………27
Side | 1
Bilag 1
Ugedata
0
20
40
60
80
100
120
140
160
-20 -10 0 10 20
Series: AP_MOELLER_MAERSK_A
Sample 1 574
Observations 574
Mean 0.064740
Median 0.219753
Maximum 25.19472
Minimum -19.17840
Std. Dev. 4.885232
Skewness 0.038354
Kurtosis 5.342555
Jarque-Bera 131.3850
Probability 0.000000
0
20
40
60
80
100
120
140
160
-20 -10 0 10 20
Series: AP_MOELLER_MAERSK_B
Sample 1 574
Observations 574
Mean 0.052984
Median 0.177336
Maximum 22.10204
Minimum -19.17834
Std. Dev. 4.875402
Skewness 0.076105
Kurtosis 4.694405
Jarque-Bera 69.21907
Probability 0.000000
Side | 2
0
40
80
120
160
200
-30 -20 -10 0 10 20
Series: CARLSBERG_B
Sample 1 574
Observations 574
Mean 0.190710
Median 0.278027
Maximum 24.51197
Minimum -28.87203
Std. Dev. 4.827785
Skewness -0.558427
Kurtosis 9.591115
Jarque-Bera 1068.840
Probability 0.000000
0
40
80
120
160
200
-30 -20 -10 0 10 20
Series: DANISCO
Sample 1 574
Observations 574
Mean 0.142413
Median 0.175989
Maximum 17.62605
Minimum -30.22794
Std. Dev. 4.048267
Skewness -0.920765
Kurtosis 12.67666
Jarque-Bera 2320.609
Probability 0.000000
Side | 3
0
40
80
120
160
200
-40 -30 -20 -10 0 10 20 30
Series: DANSKE_BANK
Sample 1 574
Observations 574
Mean 0.160896
Median 0.345643
Maximum 27.90239
Minimum -41.58578
Std. Dev. 5.014904
Skewness -1.043759
Kurtosis 16.38022
Jarque-Bera 4386.032
Probability 0.000000
0
40
80
120
160
200
-20 -10 0 10 20
Series: DSV_B
Sample 1 574
Observations 574
Mean 0.386205
Median 0.545086
Maximum 21.31950
Minimum -20.41569
Std. Dev. 5.032400
Skewness -0.183597
Kurtosis 5.942584
Jarque-Bera 210.3144
Probability 0.000000
Side | 4
0
20
40
60
80
100
120
140
-20 -10 0 10 20
Series: FLSMIDT_B
Sample 1 574
Observations 574
Mean 0.222411
Median 0.231932
Maximum 20.94102
Minimum -26.51084
Std. Dev. 5.946566
Skewness -0.396073
Kurtosis 5.581876
Jarque-Bera 174.4380
Probability 0.000000
0
20
40
60
80
100
120
140
-30 -20 -10 0 10 20 30
Series: GN_STORE_NORD
Sample 1 574
Observations 574
Mean -0.056028
Median 0.000000
Maximum 32.74049
Minimum -31.66693
Std. Dev. 7.045547
Skewness 0.006531
Kurtosis 6.683173
Jarque-Bera 324.4520
Probability 0.000000
Side | 5
0
20
40
60
80
100
120
140
160
-30 -20 -10 0 10 20 30 40
Series: NKT
Sample 1 574
Observations 574
Mean 0.366637
Median 0.431340
Maximum 39.22191
Minimum -30.49733
Std. Dev. 6.442065
Skewness 0.598713
Kurtosis 9.931301
Jarque-Bera 1183.319
Probability 0.000000
0
10
20
30
40
50
60
70
80
90
-25 -20 -15 -10 -5 0 5 10
Series: NOVO_NORDISK_BSample 1 574Observations 574
Mean 0.364783Median 0.429510Maximum 13.99994Minimum -25.43129Std. Dev. 4.159844Skewness -0.889166Kurtosis 8.293015
Jarque-Bera 745.6850Probability 0.000000
Side | 6
0
50
100
150
200
250
-30 -20 -10 0 10 20
Series: SYDBANK
Sample 1 574
Observations 574
Mean 0.320155
Median 0.336704
Maximum 20.06730
Minimum -34.31980
Std. Dev. 4.354312
Skewness -2.228997
Kurtosis 23.84891
Jarque-Bera 10871.34
Probability 0.000000
0
40
80
120
160
200
240
-20 -10 0 10 20
Series: TOPDANMARK
Sample 1 574
Observations 574
Mean 0.282171
Median 0.436709
Maximum 20.82427
Minimum -20.29427
Std. Dev. 4.086517
Skewness -0.062030
Kurtosis 7.596926
Jarque-Bera 505.7685
Probability 0.000000
Side | 7
0
20
40
60
80
100
120
-37.5 -25.0 -12.5 0.0 12.5 25.0 37.5
Series: VESTAS
Sample 1 574
Observations 574
Mean 0.075089
Median 0.371898
Maximum 38.67194
Minimum -47.38530
Std. Dev. 8.279233
Skewness -0.678971
Kurtosis 8.652291
Jarque-Bera 808.2015
Probability 0.000000
0
20
40
60
80
100
120
140
160
-20 -10 0 10 20 30
Series: WILLIAM_DEMANT
Sample 1 574
Observations 574
Mean 0.188463
Median 0.183742
Maximum 27.54129
Minimum -27.08778
Std. Dev. 5.368473
Skewness 0.234101
Kurtosis 7.676787
Jarque-Bera 528.3563
Probability 0.000000
Side | 8
0
20
40
60
80
100
-3 -2 -1 0 1 2 3
Series: OBLIGATION_10YEARS
Sample 1 574
Observations 574
Mean 0.122494
Median 0.149818
Maximum 2.823682
Minimum -3.121234
Std. Dev. 0.702714
Skewness -0.113797
Kurtosis 4.340411
Jarque-Bera 44.21000
Probability 0.000000
0
10
20
30
40
50
60
70
80
-0.75 -0.50 -0.25 0.00 0.25 0.50 0.75
Series: OBLIGATION_2YEARS
Sample 1 574
Observations 574
Mean 0.076389
Median 0.070532
Maximum 0.855625
Minimum -0.830448
Std. Dev. 0.180105
Skewness -0.091357
Kurtosis 6.107582
Jarque-Bera 231.7632
Probability 0.000000
Side | 9
0
10
20
30
40
50
60
70
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Series: OBLIGATION_5_YEARS
Sample 1 574
Observations 574
Mean 0.101773
Median 0.101069
Maximum 1.854684
Minimum -1.969163
Std. Dev. 0.442342
Skewness -0.124002
Kurtosis 4.680194
Jarque-Bera 68.98900
Probability 0.000000
Side | 10
Dagsdata
0
200
400
600
800
1,000
-10 -5 0 5 10 15 20
Series: AP_MOELLER_MAERSK_ASample 1 2870Observations 2870
Mean 0.012948Median 0.000000Maximum 21.75204Minimum -13.30375Std. Dev. 2.321031Skewness -0.002398Kurtosis 8.880808
Jarque-Bera 4135.661Probability 0.000000
0
100
200
300
400
500
600
700
800
-10 -5 0 5 10 15 20
Series: AP_MOELLER_MAERSK_B
Sample 1 2870
Observations 2870
Mean 0.010597
Median 0.000000
Maximum 23.36849
Minimum -13.91823
Std. Dev. 2.308697
Skewness 0.338886
Kurtosis 10.39426
Jarque-Bera 6593.160
Probability 0.000000
Side | 11
0
200
400
600
800
1,000
-15 -10 -5 0 5 10 15
Series: CARLSBERG_B
Sample 1 2870
Observations 2870
Mean 0.038142
Median 0.000000
Maximum 14.54655
Minimum -16.70532
Std. Dev. 2.194259
Skewness -0.278795
Kurtosis 11.57886
Jarque-Bera 8838.126
Probability 0.000000
0
200
400
600
800
1,000
1,200
-20 -15 -10 -5 0 5 10
Series: DANISCO
Sample 1 2870
Observations 2870
Mean 0.028482
Median 0.000000
Maximum 12.90196
Minimum -20.27257
Std. Dev. 1.740938
Skewness -0.251702
Kurtosis 14.97841
Jarque-Bera 17188.39
Probability 0.000000
Side | 12
0
200
400
600
800
1,000
-15 -10 -5 0 5 10
Series: DANSKE_BANK
Sample 1 2870
Observations 2870
Mean 0.032179
Median 0.000000
Maximum 13.97631
Minimum -17.18509
Std. Dev. 2.073107
Skewness -0.034125
Kurtosis 9.473829
Jarque-Bera 5012.350
Probability 0.000000
0
200
400
600
800
1,000
-10 -5 0 5 10 15
Series: DSV_B
Sample 1 2870
Observations 2870
Mean 0.077241
Median 0.000000
Maximum 17.48863
Minimum -13.35297
Std. Dev. 2.246486
Skewness 0.144238
Kurtosis 8.247383
Jarque-Bera 3302.682
Probability 0.000000
Side | 13
0
100
200
300
400
500
600
700
800
900
-15 -10 -5 0 5 10 15
Series: FLSMIDT
Sample 1 2870
Observations 2870
Mean 0.044482
Median 0.000000
Maximum 17.22995
Minimum -18.10944
Std. Dev. 2.642596
Skewness 0.060838
Kurtosis 8.047226
Jarque-Bera 3048.094
Probability 0.000000
0
200
400
600
800
1,000
1,200
1,400
-30 -20 -10 0 10 20
Series: GN_STORE_NORD
Sample 1 2870
Observations 2870
Mean -0.011206
Median 0.000000
Maximum 18.88992
Minimum -27.90254
Std. Dev. 3.008981
Skewness -0.444606
Kurtosis 13.00813
Jarque-Bera 12072.35
Probability 0.000000
Side | 14
0
200
400
600
800
1,000
1,200
1,400
-20 -10 0 10 20
Series: NKT
Sample 1 2870
Observations 2870
Mean 0.073327
Median 0.000000
Maximum 23.87530
Minimum -18.02369
Std. Dev. 2.732996
Skewness 0.403581
Kurtosis 10.21959
Jarque-Bera 6310.896
Probability 0.000000
0
200
400
600
800
1,000
1,200
1,400
-20 -10 0 10
Series: NOVO_NORDISK
Sample 1 2870
Observations 2870
Mean 0.072957
Median 0.000000
Maximum 16.68328
Minimum -24.02253
Std. Dev. 1.980164
Skewness -0.566137
Kurtosis 16.47305
Jarque-Bera 21860.44
Probability 0.000000
Side | 15
0
200
400
600
800
1,000
1,200
1,400
-15 -10 -5 0 5 10 15
Series: SYDBANK
Sample 1 2870
Observations 2870
Mean 0.064031
Median 0.000000
Maximum 16.30409
Minimum -15.62889
Std. Dev. 1.745849
Skewness -0.512436
Kurtosis 18.66470
Jarque-Bera 29469.30
Probability 0.000000
0
200
400
600
800
1,000
-10 -5 0 5 10 15
Series: TOPDANMARK
Sample 1 2870
Observations 2870
Mean 0.056434
Median 0.000000
Maximum 14.06997
Minimum -11.33017
Std. Dev. 1.941768
Skewness -0.034813
Kurtosis 8.141457
Jarque-Bera 3161.715
Probability 0.000000
Side | 16
0
200
400
600
800
1,000
1,200
-40 -30 -20 -10 0 10 20 30
Series: VESTAS
Sample 1 2870
Observations 2870
Mean 0.015017
Median 0.000000
Maximum 36.74876
Minimum -38.06437
Std. Dev. 3.649491
Skewness -0.143538
Kurtosis 16.83823
Jarque-Bera 22909.65
Probability 0.000000
0
200
400
600
800
1,000
1,200
1,400
-20 -10 0 10
Series: WILLIAM_DEMANT
Sample 1 2870
Observations 2870
Mean 0.037693
Median 0.000000
Maximum 16.86947
Minimum -23.43983
Std. Dev. 2.319449
Skewness -0.140892
Kurtosis 12.53223
Jarque-Bera 10875.25
Probability 0.000000
Side | 17
0
100
200
300
400
500
600
700
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Series: OBLIGATION_10YEARS
Sample 1 2870
Observations 2870
Mean 0.024499
Median 0.015523
Maximum 1.838488
Minimum -1.604653
Std. Dev. 0.301639
Skewness -0.072400
Kurtosis 6.361676
Jarque-Bera 1353.902
Probability 0.000000
0
200
400
600
800
1,000
1,200
-0.6 -0.4 -0.2 -0.0 0.2 0.4 0.6
Series: OBLIGATION_2YEARS
Sample 1 2870
Observations 2870
Mean 0.015278
Median 0.013310
Maximum 0.699930
Minimum -0.698942
Std. Dev. 0.092291
Skewness -0.331512
Kurtosis 12.50527
Jarque-Bera 10856.94
Probability 0.000000
Side | 18
0
400
800
1,200
1,600
2,000
-600 -400 -200 0 200 400 600
Series: OBLIGATION_5YEARS
Sample 1 2870
Observations 2868
Mean 0.020231
Median 0.014883
Maximum 690.7857
Minimum -690.7651
Std. Dev. 18.24589
Skewness -0.001628
Kurtosis 1433.644
Jarque-Bera 2.45e+08
Probability 0.000000
Side | 19
Bilag 2 udregnede afkastværdier januar februar marts april maj juni juli august september oktober november december
MAERSK 'B' -0,0048 0,0235 0,0271 0,0202 0,0235 0,0364 0,0550 0,0467 0,0309 0,0437 0,0392 0,0376
MAERSK 'A' 0,0070 0,0338 0,0354 0,0303 0,0338 0,0483 0,0660 0,0593 0,0431 0,0553 0,0503 0,0504
CARLSBERG 'B' 0,1351 0,1451 0,1572 0,1693 0,1451 0,1659 0,1718 0,1808 0,1943 0,2013 0,2023 0,1902
DANISCO 0,0725 0,0904 0,0972 0,1087 0,0904 0,0782 0,1114 0,1123 0,1119 0,1439 0,1272 0,1208
DANSKE BANK 0,1404 0,1567 0,1608 0,1622 0,1567 0,1422 0,1383 0,1565 0,1476 0,1524 0,1628 0,1641
DSV 'B' 0,3646 0,3740 0,3619 0,3726 0,3740 0,3507 0,3529 0,3672 0,3494 0,3743 0,3718 0,3741
FLSMIDTH 'B' 0,1731 0,1590 0,1668 0,1768 0,1590 0,1727 0,1838 0,1829 0,1518 0,1753 0,1737 0,2084
NKT 0,3950 0,4096 0,4036 0,3993 0,4096 0,3753 0,3778 0,3712 0,3248 0,3578 0,3672 0,3462
GN STORE NORD -0,1769 -0,1433 -0,1544 -0,1418 -0,1433 -0,0749 -0,0886 -0,1063 -0,1117 -0,0861 -0,0797 -0,0656
NOVO NORDISK 'B' 0,2795 0,2917 0,3078 0,3230 0,2917 0,3310 0,3408 0,3337 0,3320 0,3443 0,3513 0,3524
SYDBANK 0,3236 0,3345 0,3357 0,3391 0,3345 0,3240 0,3114 0,3221 0,2911 0,2969 0,3128 0,3095
TOPDANMARK 0,3020 0,2857 0,2875 0,2957 0,2857 0,2855 0,2775 0,2858 0,2758 0,2827 0,2621 0,2769
VESTAS 0,1856 0,1741 0,1651 0,1795 0,1741 0,1717 0,1567 0,1608 0,1255 0,1084 0,0711 0,0642
WILLIAM DEMANT 0,1973 0,2096 0,2047 0,1903 0,2096 0,2040 0,2102 0,1990 0,1865 0,1941 0,1870 0,1899 OBLIGATION 10 YEARS 0,1209 0,1210 0,1219 0,1217 0,1210 0,1310 0,1304 0,1289 0,1356 0,1320 0,1287 0,1252 OBLIGATION 2 YEARS 0,0798 0,0795 0,0799 0,0798 0,0795 0,0802 0,0796 0,0781 0,0789 0,0779 0,0763 0,0766 OBLIGATION 5 YEARS 0,0993 0,0997 0,1009 0,1008 0,0997 0,1070 0,1068 0,1049 0,1081 0,1061 0,1038 0,1029
Reelle afkastværdier januar februar marts april maj juni juli august september oktober november december
MAERSK 'B' 2,9750 -0,3916 -0,0060 2,6325 -1,0514 2,5871 -0,8645 -2,1480 1,8297 -0,4718 -0,1889 1,8055
MAERSK 'A' 2,8296 -0,6395 0,2316 2,7694 -0,9523 2,4683 -0,6694 -2,1883 1,7484 -0,5087 0,0610 1,6981
CARLSBERG 'B' 1,1855 1,0957 2,4199 -0,2617 0,2512 0,9699 1,1655 2,0579 1,1754 0,3095 -1,5170 0,2523
DANISCO 1,9607 -0,6663 3,2871 -0,5432 -3,2226 4,6209 0,2173 0,0487 4,5878 -1,7402 -0,7749 2,5968
DANSKE BANK 1,8599 -0,9844 2,0242 1,7439 -4,5275 -0,3895 2,1452 -1,0809 0,8198 1,3348 0,3484 -0,2087
DSV 'B' 1,3532 -3,1057 3,6704 0,4924 -2,7529 0,6565 1,9337 -2,1085 3,8366 0,0913 0,6960 1,7624
FLSMIDTH 'B' -1,3067 0,1008 2,5909 2,1959 -2,8983 1,6830 0,0886 -4,1356 3,4323 0,0000 5,1147 1,8128
NKT 1,9252 -1,1743 0,6143 1,4578 -4,1805 0,7267 -0,3596 -6,0703 4,9424 1,4151 -2,6206 2,6976
GN STORE NORD 3,3576 -2,7183 2,6425 6,4848 0,6508 -1,9476 -2,0456 -0,8476 3,4623 0,6364 1,9364 1,0290
NOVO NORDISK 'B' 1,5644 1,3643 3,4084 1,1176 0,4043 1,6802 -0,4408 0,0969 2,0519 1,1307 0,5046 1,7778
SYDBANK 1,4679 -0,9841 2,2727 2,2209 -4,0648 -1,3964 1,4854 -3,9857 1,1068 2,0914 -0,1601 1,5382
TOPDANMARK -1,4123 -0,0192 1,9261 -0,4139 -0,1989 -0,8126 1,1948 -1,1023 1,2434 -2,0417 2,3582 0,8870
VESTAS -1,0295 -1,4305 2,5089 2,7324 -4,0689 -1,8832 0,6063 -4,7385 -2,2743 -4,1090 -0,9081 1,3142
WILLIAM DEMANT 1,4899 -1,8943 -0,2707 -0,1091 2,4259 1,0536 -1,0235 -1,5379 1,2439 -0,6081 0,6026 0,0242 OBLIGATION 10 YEARS 0,1350 0,3136 0,0118 0,4630 0,9560 0,0498 -0,0308 1,0596 -0,3645 -0,2421 -0,3682 -0,1874 OBLIGATION 2 YEARS 0,0474 0,1629 0,0361 0,0831 0,1373 -0,0127 -0,0796 0,1852 -0,0659 -0,0943 0,1135 0,0533 OBLIGATION 5 YEARS 0,1460 0,3177 0,0221 0,3602 0,6185 0,0819 -0,1014 0,5429 -0,1652 -0,1540 -0,0194 -0,0316
Side | 20
udregnede standardafvigelser januar februar marts april maj juni juli august september oktober november december
MAERSK 'B' 4,8867 4,8933 4,8762 4,8635 4,8933 4,9271 4,9184 4,9177 4,9114 4,9021 4,8898 4,8897
MAERSK 'A' 4,9197 4,9252 4,9074 4,8946 4,9252 4,9423 4,9336 4,9321 4,9274 4,9164 4,9026 4,9009
CARLSBERG 'B' 4,9112 4,8906 4,8920 4,8830 4,8906 4,9094 4,8969 4,8869 4,8808 4,8681 4,8552 4,8470
DANISCO 4,0578 4,0467 4,0589 4,0506 4,0467 4,0521 4,0615 4,0621 4,0540 4,0650 4,0556 4,0429
DANSKE BANK 4,9933 5,0072 4,9940 4,9812 5,0072 5,0793 5,0809 5,0725 5,0651 5,0559 5,0408 5,0306
DSV 'B' 5,0959 5,0920 5,0999 5,0877 5,0920 5,1016 5,0966 5,0907 5,0793 5,0750 5,0645 5,0510
FLSMIDTH 'B' 6,0204 6,0035 6,0062 5,9921 6,0035 6,0120 6,0050 5,9875 5,9892 5,9815 5,9672 5,9648
NKT 6,5729 6,5625 6,5402 6,5241 6,5625 6,5324 6,5106 6,4892 6,5104 6,5051 6,4796 6,4653
GN STORE NORD 7,1203 7,1097 7,0970 7,0797 7,1097 7,1727 7,1524 7,1298 7,1203 7,1161 7,0927 7,0739
NOVO NORDISK 'B' 4,2653 4,2568 4,2462 4,2405 4,2568 4,2336 4,2292 4,2164 4,2027 4,1963 4,1821 4,1707
SYDBANK 4,3339 4,3345 4,3252 4,3146 4,3345 4,3759 4,3730 4,3873 4,3934 4,3907 4,3799 4,3678
TOPDANMARK 4,2227 4,2077 4,1921 4,1832 4,2077 4,1705 4,1596 4,1425 4,1329 4,1200 4,1106 4,1019
VESTAS 8,4436 8,4197 8,3933 8,3746 8,4197 8,3535 8,3297 8,3005 8,3545 8,3336 8,3271 8,3066
WILLIAM DEMANT 5,5061 5,4926 5,4791 5,4859 5,4926 5,4688 5,4554 5,4541 5,4402 5,4277 5,4075 5,3912
OBLIGATION 10 YEARS 0,6933 0,6912 0,6913 0,6898 0,6912 0,7009 0,7013 0,6988 0,7008 0,7020 0,7015 0,7033
OBLIGATION 2 YEARS 0,1815 0,1815 0,1811 0,1806 0,1815 0,1794 0,1791 0,1792 0,1792 0,1792 0,1798 0,1797
OBLIGATION 5 YEARS 0,4401 0,4393 0,4395 0,4386 0,4393 0,4420 0,4421 0,4408 0,4411 0,4404 0,4409 0,4422
Reelle standardafvigelser januar februar marts april maj juni juli august september oktober november december
MAERSK 'B' 5,2328 2,4438 2,4532 2,8742 12,6323 2,8499 5,3138 3,8067 3,2897 3,5707 5,6162 2,4581
MAERSK 'A' 5,2527 2,1879 2,4177 3,1310 11,3901 3,0392 5,2668 4,1311 2,8879 3,2762 5,3774 2,1693
CARLSBERG 'B' 1,4793 6,2277 1,9656 2,5443 10,4504 3,0027 3,9129 4,0192 2,7057 3,4525 3,5470 1,6387
DANISCO 2,0827 5,4174 2,3762 0,9460 5,9020 2,9244 4,6102 3,1328 3,4703 2,3373 1,1951 4,3626
DANSKE BANK 6,7691 1,1862 3,5762 1,2159 14,7474 6,0689 3,9542 4,2912 4,0231 2,9499 3,7930 2,9818
DSV 'B' 5,1028 4,7599 2,8500 3,6687 8,4971 5,0340 4,5965 2,2204 3,2002 4,1300 2,8706 1,6163
FLSMIDTH 'B' 3,9896 7,7119 2,1003 3,3928 10,7749 5,4678 4,0165 5,1819 4,0636 4,5336 3,1327 3,1813
NKT 5,7550 3,6759 2,9738 3,3044 10,1453 2,2439 3,7234 7,2272 3,9385 2,2011 3,0002 1,5708
GN STORE NORD 5,2990 6,0803 1,7665 10,5025 13,0237 3,2909 3,8457 6,4879 6,2744 3,9947 3,3552 1,9063
NOVO NORDISK 'B' 3,3389 2,5889 1,6481 2,1051 6,0431 3,8379 2,5880 1,5069 3,0885 2,1370 2,2615 2,5151
SYDBANK 4,7405 1,7680 3,0097 1,5095 10,8376 4,1079 6,2859 3,3250 4,5181 2,5971 2,2775 2,2679
TOPDANMARK 1,4106 2,1517 1,5532 1,5214 5,3993 2,2389 0,9853 2,4019 1,3022 1,9004 1,7487 1,6061
VESTAS 5,8660 5,9516 2,9058 3,5528 9,7407 3,8875 4,4392 15,0516 4,5211 7,0271 5,1723 4,3829
WILLIAM DEMANT 4,0427 2,6432 7,3544 2,7859 6,2844 3,5008 5,7726 2,7716 3,5442 2,2698 2,3594 1,1119
OBLIGATION 10 YEARS 0,4755 0,8524 0,3644 0,4663 1,6753 0,8712 0,3053 0,1442 0,8056 0,5813 0,8962 0,6229
OBLIGATION 2 YEARS 0,2007 0,1147 0,0742 0,0629 0,1028 0,0987 0,1237 0,1584 0,1125 0,1848 0,1893 0,2465
OBLIGATION 5 YEARS 0,3777 0,5280 0,2462 0,3539 0,7055 0,5212 0,1709 0,2394 0,2203 0,4654 0,6808 0,4851
Side | 21
Bilag 3 -Ewievs output for mean variance
Dependent Variable: MVP1 Method: Least Squares Date: 04/30/11 Time: 11:46 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03172 0,018001 -1,761907 0,0841 BENCHMARK 0,241997 0,030003 8,06575 0
R-squared 0,560558 Mean dependent var -0,00432 Adjusted R-squared 0,551942 S.D. dependent var 0,192257 S.E. of regression 0,128692 Akaike info criterion -1,22579 Sum squared resid 0,844638 Schwarz criterion -1,15144 Log likelihood 34,48344 Hannan-Quinn criter. -1,1972 F-statistic 65,05632 Durbin-Watson stat 1,981213 Prob(F-statistic) 0
Dependent Variable: MVP2 Method: Least Squares Date: 04/30/11 Time: 11:47 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03145 0,018026 -1,74496 0,087 BENCHMARK 0,240122 0,030045 7,992172 0
R-squared 0,556038 Mean dependent var -0,004268 Adjusted R-squared 0,547333 S.D. dependent var 0,191542 S.E. of regression 0,12887 Akaike info criterion -1,223014 Sum squared resid 0,846987 Schwarz criterion -1,148663 Log likelihood 34,40986 Hannan-Quinn criter. -1,194422 F-statistic 63,87482 Durbin-Watson stat 1,980601 Prob(F-statistic) 0
Side | 22
Dependent Variable: MVP3 Method: Least Squares Date: 04/30/11 Time: 11:47 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03147 0,01803 -1,745438 0,0869
BENCHMARK 0,240168 0,030053 7,991542 0
R-squared 0,556 Mean dependent var -0,00428
Adjusted R-squared 0,547294 S.D. dependent var 0,191585 S.E. of regression 0,128905 Akaike info criterion -1,22248
Sum squared resid 0,847442 Schwarz criterion -1,14813
Log likelihood 34,39563 Hannan-Quinn criter. -1,19389
F-statistic 63,86474 Durbin-Watson stat 1,980799
Prob(F-statistic) 0
Dependent Variable: MVP4 Method: Least Squares Date: 04/30/11 Time: 11:47 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03144 0,018034 -1,743264 0,0873
BENCHMARK 0,240361 0,030058 7,996504 0
R-squared 0,556306 Mean dependent var -0,00422
Adjusted R-squared 0,547606 S.D. dependent var 0,191686
S.E. of regression 0,128929 Akaike info criterion -1,22211
Sum squared resid 0,847751 Schwarz criterion -1,14776
Log likelihood 34,38594 Hannan-Quinn criter. -1,19352
F-statistic 63,94408 Durbin-Watson stat 1,980286
Prob(F-statistic) 0
Side | 23
Dependent Variable: RTVR1U Method: Least Squares Date: 04/30/11 Time: 11:47 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,027505 0,036917 0,745066 0,4597 BENCHMARK 0,306904 0,061532 4,98769 0,00E+00
R-squared 0,32786 Mean dependent var 0,062252 Adjusted R-squared 0,314681 S.D. dependent var 0,318817 S.E. of regression 0,26393 Akaike info criterion 0,210738 Sum squared resid 3,552605 Schwarz criterion 0,285089 Log likelihood -3,58456 Hannan-Quinn criter. 0,23933 F-statistic 24,87705 Durbin-Watson stat 2,335078 Prob(F-statistic) 7,00E-06
Dependent Variable: RTVR2U Method: Least Squares Date: 04/30/11 Time: 11:48 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,021037 0,034053 0,617777 0,5395
BENCHMARK 0,317713 0,05676 5,597529 0,00E+00
R-squared 0,380559 Mean dependent var 0,057008 Adjusted R-squared 0,368413 S.D. dependent var 0,306343
S.E. of regression 0,243458 Akaike info criterion 0,049264 Sum squared resid 3,022871 Schwarz criterion 0,123615 Log likelihood 0,694505 Hannan-Quinn criter. 0,077856
F-statistic 31,33233 Durbin-Watson stat 2,387253 Prob(F-statistic) 1,00E-06
Side | 24
Dependent Variable: RTVR3U Method: Least Squares Date: 04/30/11 Time: 11:48 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,021244 0,03508 0,6056 0,5475
BENCHMARK 0,313376 0,05847 5,359592 0,00E+00
R-squared 0,360303 Mean dependent var 0,056724
Adjusted R-squared 0,34776 S.D. dependent var 0,310538
S.E. of regression 0,250795 Akaike info criterion 0,108645
Sum squared resid 3,207808 Schwarz criterion 0,182995
Log likelihood -0,87909 Hannan-Quinn criter. 0,137236
F-statistic 28,72523 Durbin-Watson stat 2,446935
Prob(F-statistic) 2,00E-06
Dependent Variable: RTVR4U Method: Least Squares Date: 04/30/11 Time: 11:48 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,020015 0,03411 0,586775 0,5599
BENCHMARK 0,329584 0,056854 5,797021 0,00E+00
R-squared 0,397202 Mean dependent var 0,05733
Adjusted R-squared 0,385382 S.D. dependent var 0,31106
S.E. of regression 0,243864 Akaike info criterion 0,05259
Sum squared resid 3,032943 Schwarz criterion 0,126941
Log likelihood 0,606356 Hannan-Quinn criter. 0,081182
F-statistic 33,60546 Durbin-Watson stat 2,42265
Prob(F-statistic) 0,00E+00
Side | 25
Dependent Variable: RTVR1M Method: Least Squares Date: 04/30/11 Time: 14:27 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,006454 0,029287 0,220359 0,8265 BENCHMARK 0,328305 0,048815 6,725429 0
R-squared 0,470027 Mean dependent var 0,043624 Adjusted R-squared 0,459636 S.D. dependent var 0,284839 S.E. of regression 0,209384 Akaike info criterion -0,25229 Sum squared resid 2,235918 Schwarz criterion -0,17794 Log likelihood 8,685716 Hannan-Quinn criter. -0,2237
F-statistic 45,2314 Durbin-Watson stat 1,98525 Prob(F-statistic) 0
Dependent Variable: RTVR2M Method: Least Squares Date: 04/30/11 Time: 14:27 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,001392 0,0277 0,050246 0,9601 BENCHMARK 0,338185 0,046169 7,324864 0
R-squared 0,512678 Mean dependent var 0,03968 Adjusted R-squared 0,503123 S.D. dependent var 0,280941 S.E. of regression 0,198034 Akaike info criterion -0,36375 Sum squared resid 2,000096 Schwarz criterion -0,2894 Log likelihood 11,63933 Hannan-Quinn criter. -0,33516 F-statistic 53,65363 Durbin-Watson stat 2,045512 Prob(F-statistic) 0
Side | 26
Dependent Variable: RTVR3M Method: Least Squares Date: 04/30/11 Time: 14:27 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,008906 0,034588 0,257476 0,7978 BENCHMARK 0,326588 0,057651 5,664946 0
R-squared 0,38622 Mean dependent var 0,045881 Adjusted R-squared 0,374185 S.D. dependent var 0,312584 S.E. of regression 0,24728 Akaike info criterion 0,080418 Sum squared resid 3,118529 Schwarz criterion 0,154769 Log likelihood -0,13108 Hannan-Quinn criter. 0,10901 F-statistic 32,09161 Durbin-Watson stat 2,404265 Prob(F-statistic) 0,000001
Dependent Variable: RTVR4M Method: Least Squares Date: 04/30/11 Time: 14:28 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,00659 0,02939 0,224218 0,8235
BENCHMARK 0,346437 0,048987 7,071981 0
R-squared 0,495114 Mean dependent var 0,045813 Adjusted R-squared 0,485214 S.D. dependent var 0,292857
S.E. of regression 0,210121 Akaike info criterion -0,24527 Sum squared resid 2,251683 Schwarz criterion -0,17091 Log likelihood 8,499524 Hannan-Quinn criter. -0,21667
F-statistic 50,01292 Durbin-Watson stat 2,19413 Prob(F-statistic) 0
Side | 27
Bilag 4 - Eviews output for GARCH(1,1)
Dependent Variable: MVP1 Method: Least Squares Date: 04/30/11 Time: 11:40 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03388 0,018549 -1,826568 0,0736
BENCHMARK 0,238421 0,030917 7,711578 0
R-squared 0,53833 Mean dependent var -0,00689
Adjusted R-squared 0,529277 S.D. dependent var 0,193288
S.E. of regression 0,132613 Akaike info criterion -1,16575
Sum squared resid 0,896901 Schwarz criterion -1,0914
Log likelihood 32,89245 Hannan-Quinn criter. -1,13716
F-statistic 59,46844 Durbin-Watson stat 1,953037
Prob(F-statistic) 0
Dependent Variable: MVP2 Method: Least Squares Date: 04/30/11 Time: 11:41 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,02957 0,018858 -1,56802 0,1231
BENCHMARK 0,209887 0,031432 6,677524 0
R-squared 0,466468 Mean dependent var -0,005807
Adjusted R-squared 0,456006 S.D. dependent var 0,182793
S.E. of regression 0,134821 Akaike info criterion -1,132736
Sum squared resid 0,927008 Schwarz criterion -1,058385
Log likelihood 32,0175 Hannan-Quinn criter. -1,104144
F-statistic 44,58933 Durbin-Watson stat 1,947521
Prob(F-statistic) 0
Side | 28
Dependent Variable: MVP3 Method: Least Squares Date: 04/30/11 Time: 11:41 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03437 0,018918 -1,816762 0,0751 BENCHMARK 0,22727 0,031531 7,20772 0
R-squared 0,50462 Mean dependent var -0,00864 Adjusted R-squared 0,494906 S.D. dependent var 0,190302 S.E. of regression 0,135248 Akaike info criterion -1,12641 Sum squared resid 0,932887 Schwarz criterion -1,05206 Log likelihood 31,84997 Hannan-Quinn criter. -1,09782 F-statistic 51,95122 Durbin-Watson stat 1,986139 Prob(F-statistic) 0
Dependent Variable: MVP4 Method: Least Squares Date: 04/30/11 Time: 11:41 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C -0,03349 0,01906 -1,757188 0,0849 BENCHMARK 0,241655 0,031768 7,606826 0
R-squared 0,531525 Mean dependent var -0,00613 Adjusted R-squared 0,522339 S.D. dependent var 0,19716 S.E. of regression 0,136263 Akaike info criterion -1,11145 Sum squared resid 0,946951 Schwarz criterion -1,0371 Log likelihood 31,45345 Hannan-Quinn criter. -1,08286 F-statistic 57,8638 Durbin-Watson stat 2,033132 Prob(F-statistic) 0
Side | 29
Dependent Variable: RTVR1U Method: Least Squares Date: 04/30/11 Time: 11:41 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,052044 0,036424 1,428863 0,1591 BENCHMARK 0,289403 0,06071 4,766968 0,00E+00
R-squared 0,308231 Mean dependent var 0,08481 Adjusted R-squared 0,294666 S.D. dependent var 0,310063 S.E. of regression 0,260404 Akaike info criterion 0,183838 Sum squared resid 3,458312 Schwarz criterion 0,258188 Log likelihood -2,8717 Hannan-Quinn criter. 0,212429 F-statistic 22,72398 Durbin-Watson stat 2,391839 Prob(F-statistic) 1,60E-05
Dependent Variable: RTVR2U Method: Least Squares Date: 04/30/11 Time: 11:42 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,041625 0,034021 1,223507 0,2268
BENCHMARK 0,263667 0,056706 4,6497 0,00E+00
R-squared 0,297711 Mean dependent var 0,071477
Adjusted R-squared 0,283941 S.D. dependent var 0,287436
S.E. of regression 0,243229 Akaike info criterion 0,047381
Sum squared resid 3,017186 Schwarz criterion 0,121732
Log likelihood 0,744392 Hannan-Quinn criter. 0,075973
F-statistic 21,61971 Durbin-Watson stat 2,410288
Prob(F-statistic) 2,40E-05
Side | 30
Dependent Variable: RTVR3U Method: Least Squares Date: 04/30/11 Time: 11:42 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,034173 0,033574 1,017838 0,3136 BENCHMARK 0,283819 0,055961 5,071736 0,00E+00
R-squared 0,335267 Mean dependent var 0,066307 Adjusted R-squared 0,322233 S.D. dependent var 0,291562 S.E. of regression 0,240033 Akaike info criterion 0,020924 Sum squared resid 2,938406 Schwarz criterion 0,095275 Log likelihood 1,445516 Hannan-Quinn criter. 0,049516
F-statistic 25,72251 Durbin-Watson stat 2,321519 Prob(F-statistic) 6,00E-06
Dependent Variable: RTVR4U Method: Least Squares Date: 04/30/11 Time: 11:42 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,053652 0,039177 1,36947 0,1769
BENCHMARK 0,279989 0,0653 4,287764 1,00E-04
R-squared 0,26497 Mean dependent var 0,085352
Adjusted R-squared 0,250558 S.D. dependent var 0,32354
S.E. of regression 0,280089 Akaike info criterion 0,329589
Sum squared resid 4,000951 Schwarz criterion 0,403939
Log likelihood -6,7341 Hannan-Quinn criter. 0,35818
F-statistic 18,38492 Durbin-Watson stat 2,236339
Prob(F-statistic) 8,00E-05
Side | 31
Dependent Variable: RTVR1M Method: Least Squares Date: 04/30/11 Time: 11:42 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,038828 0,031386 1,237115 0,2217
BENCHMARK 0,303201 0,052314 5,795832 0
R-squared 0,397104 Mean dependent var 0,073156
Adjusted R-squared 0,385282 S.D. dependent var 0,286195 S.E. of regression 0,224388 Akaike info criterion -0,11387
Sum squared resid 2,567856 Schwarz criterion -0,03952
Log likelihood 5,017607 Hannan-Quinn criter. -0,08528
F-statistic 33,59167 Durbin-Watson stat 2,24193
Prob(F-statistic) 0
Dependent Variable: RTVR2M Method: Least Squares Date: 04/30/11 Time: 11:43 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,029171 0,029956 0,973808 0,3347
BENCHMARK 0,276504 0,04993 5,537843 0
R-squared 0,375518 Mean dependent var 0,060476 Adjusted R-squared 0,363273 S.D. dependent var 0,268392
S.E. of regression 0,214164 Akaike info criterion -0,20715 Sum squared resid 2,339171 Schwarz criterion -0,1328
Log likelihood 7,489387 Hannan-Quinn criter. -0,17856 F-statistic 30,6677 Durbin-Watson stat 2,227633 Prob(F-statistic) 0,000001
Side | 32
Dependent Variable: RTVR3M Method: Least Squares Date: 04/30/11 Time: 11:43 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,022089 0,029715 0,743351 0,4607 BENCHMARK 0,294637 0,049529 5,948819 0
R-squared 0,409643 Mean dependent var 0,055447 Adjusted R-squared 0,398068 S.D. dependent var 0,273822 S.E. of regression 0,212443 Akaike info criterion -0,22328 Sum squared resid 2,301731 Schwarz criterion -0,14893 Log likelihood 7,916963 Hannan-Quinn criter. -0,19469
F-statistic 35,38844 Durbin-Watson stat 2,075545 Prob(F-statistic) 0
Dependent Variable: RTVR4M Method: Least Squares Date: 04/30/11 Time: 11:43 Sample: 1/01/2010 12/31/2010 Included observations: 53
Variable Coefficient Std. Error t-Statistic Prob.
C 0,04163 0,03659 1,137746 0,2605 BENCHMARK 0,283229 0,060987 4,644099 0
R-squared 0,297208 Mean dependent var 0,073696 Adjusted R-squared 0,283427 S.D. dependent var 0,309023 S.E. of regression 0,26159 Akaike info criterion 0,19293 Sum squared resid 3,489901 Schwarz criterion 0,267281 Log likelihood -3,11265 Hannan-Quinn criter. 0,221522 F-statistic 21,56766 Durbin-Watson stat 2,111551 Prob(F-statistic) 0,000024