Moderní teorie portfolia (Markowitzův model)

Základní idea moderní teorie portfolia

Moderní teorie portfolia (MPT), spojená se jménem Harryho Markowitze (1952), formuluje kvantitativní rámec směny mezi výnosem a rizikem při tvorbě portfolia rizikových aktiv. Klíčovou tezí je, že celkové riziko portfolia závisí nejen na rizikovosti jednotlivých titulů, ale zejména na jejich vzájemných kovariancích. Investor proto optimalizuje váhy tak, aby při dané požadované míře očekávaného výnosu minimalizoval rozptyl (volatilitu), respektive naopak, při daném riziku maximalizoval očekávaný výnos. Výsledkem je efektivní hranice, na které leží „nejlepší“ portfolia.

Formální definice mean–variance problému

Nechť n je počet aktiv, μ ∈ ℝⁿ vektor očekávaných výnosů, Σ ∈ ℝⁿˣⁿ symetrická pozitivně definitní kovarianční matice výnosů a w ∈ ℝⁿ vektor vah (součet vah 1). Základní minimalizace rozptylu při cíli μ_p je:

min_w wᵀ Σ w s.t. wᵀ μ = μ_p 1ᵀ w = 1 (příp. w ≥ 0, pokud zakážeme short)

Alternativní formulace maximalizuje Markowitzovu užitečnost s averzí k riziku λ > 0:

max_w wᵀ μ − (λ/2) wᵀ Σ w s.t. 1ᵀ w = 1

Efektivní hranice a minimálně-variabilní portfolio (GMV)

Řešení tvoří parabolu v prostoru (σ, μ): spodní část je neefektivní, horní část je efektivní hranice. Speciálním bodem je globální minimálně-variabilní portfolio (GMV) s nejnižší možnou volatilitou:

w_GMV = (Σ⁻¹ 1) / (1ᵀ Σ⁻¹ 1)

Pro jakýkoliv cílový μ_p lze řešení vyjádřit uzavřenou formou z momentů A = 1ᵀ Σ⁻¹ 1, B = 1ᵀ Σ⁻¹ μ, C = μᵀ Σ⁻¹ μ a diskriminantu Δ = AC − B².

Přidání bezrizikového aktiva: tangentní portfolio a CAPM

Pokud existuje bezrizikové aktivum s výnosem r_f, optimální portfolia leží na kapitálové alokační přímce (CAL) s tangentním portfoliem:

w_TAN ∝ Σ⁻¹ (μ − r_f 1)

Každý investor kombinuje bezrizikové aktivum a tangentní portfolio podle své averze k riziku. V rovnováze vede tento výsledek k CAPM a lineárnímu vztahu mezi očekávaným výnosem a betou vůči tržnímu portfoliu.

Předpoklady Markowitzova modelu

• Investoři hodnotí portfolia podle dvojice momentů: střední hodnota (očekávaný výnos) a rozptyl (volatilita).
• Výnosy jsou alespoň přibližně elipticky rozdělené (např. normálně) nebo investoři mají kvadratickou užitečnost.
• Náklady a daně jsou zanedbatelné (v základním modelu).
• Parametry μ a Σ jsou známé (nebo dostatečně spolehlivě odhadnutelné).

Diverzifikace a úloha kovariancí

Diverzifikace snižuje specifické (idiosynkratické) riziko, nikoliv však systematické riziko. Klíčovým mechanismem je, že nízké nebo záporné korelace mezi aktivy snižují rozptyl portfolia. Proto jsou pro návrh portfolia kritické kovariance a kvalitní odhad Σ.

Odhad parametrů: problémy s chybou odhadu

V praxi nejsou μ ani Σ známy. Odhady z krátkých vzorků trpí vysokým šumem, který vede k extrémním a nestabilním vahám. Typická zlepšení jsou:

• Shrinkage kovarianční matice (Ledoit–Wolf) směrem ke strukturovanému cíli.
• Faktorové modely (např. tržní, sektorové, stylové faktory) pro stabilizaci kovariancí.
• Bayesovské/priorové odhady výnosů (např. Black–Litterman), které kombinují tržní implikace a názory investora.
• Robustní optimalizace: penalizace citlivosti na chybu odhadu nebo scénářové sady.

Black–Litterman: přemostění mezi MPT a trhem

Model Black–Litterman konstruuje equilibrium vektor výnosů implikovaný tržními váhami a kovariancí a umožňuje začlenit subjektivní názory s kontrolou jejich nejistoty. Výsledné μ jsou méně extrémní a portfolia stabilnější.

Omezení a rozšíření optimalizace

• Krátké prodeje: w ≥ 0 zvyšuje konvexnost problému a často zlepšuje interpretovatelnost portfolia.
• Koncentrace: limity na jednotlivé váhy nebo sektorové agregáty.
• Obrat (turnover) a transakční náklady: penalizace ‖w − w_prev‖ v cílové funkci.
• Víceperiodické nastavení a rebalancování: kompromis mezi driftováním vah a náklady.
• ESG/klimatická omezení: lineární či konvexní constrainty na skóre nebo uhlíkovou intenzitu.

Alternativní rizikové metriky: semivariance a tail rizika

Rozptyl penalizuje i pozitivní odchylky. V praxi se používají:

• Semi-variance/Downside deviation: penalizuje pouze poklesy pod cíl/práh.
• VaR/CVaR: metriky zaměřené na „chvostové“ ztráty; optimalizace CVaR je lineární programování.
• Max drawdown a Sortino ratio jako doplňující kritéria.

Numerická implementace a řešitelnost

Základní Markowitzův model je konvexní kvadratický program (QP), dobře řešitelný moderními solvery. Při velkém n je výpočet náročný zejména kvůli odhadu a invertování Σ. Rozumné postupy:

• Regularizace Σ a kontrola podmínkového čísla.
• Využití faktorové struktury pro redukci dimenze.
• Grid/část efektivní hranice: pro řadu cílů μ_p vyhodnotit portfolia a získat celou křivku.

Výkonnost a diagnostika: co sledovat

• Ex ante: očekávaný výnos, volatilita, Sharpe/Information ratio, expozice vůči faktorům.
• Ex post: realizované metriky, tracking error, atribuce výnosů (allocation vs. selection), složky rizika (marginal/percentage risk contributions).
• Stabilita vah: citlivost na malé změny vstupů, turnover a transakční náklady.

Konstruktivní heuristiky jako benchmark

Když jsou odhady nejisté, jednoduchá pravidla poskytují robustní baseline:

• 1/n portfolio (stejné váhy) – překvapivě obtížně překonatelné při velké parametrické nejistotě.
• Minimum-variance – ignoruje μ, spoléhá pouze na Σ; často dobrá volba při slabém signálu výnosů.
• Risk parity – rovnoměrný příspěvek k riziku, implicitně využívá páku při multiklase s bezrizikovým komponentem.

Režimová závislost a nestacionarita

Korelace a volatility jsou časově proměnlivé a během stresových období mají tendenci konvergovat k 1 (kolaps diverzifikace). Nástroje:

• Modely GARCH a stochastic volatility pro podmíněné Σ.
• Režimové (Markov-switching) modely pro vícestavovou dynamiku.
• Stresové testy a scénářové analýzy s historickými krizemi (dot-com, GFC, pandemické trhy).

Praktická implementace: krok za krokem

1. Definujte investiční vesmír (třídy aktiv, regiony, sektory, limity).
2. Zvolte horizont a frekvenci (denní/týdenní/měsíční data) a datové zdroje.
3. Odhadněte parametry: kovarianční matice se shrinkage nebo faktorovým modelem; výnosy přes Black–Litterman nebo robustní priory.
4. Nastavte omezení (váhové, sektorové, ESG, obratové) a nákladový model.
5. Optimalizujte QP problém přes celou efektivní hranici; vyberte bod podle preferencí rizika (max Sharpe, TE target apod.).
6. Validujte backtestem a out-of-sample testem; sledujte stabilitu vah a citlivost.
7. Provozujte s disciplinovaným rebalancováním (časové či prahové) a průběžným monitorováním parametrů.

Ilustrační tabulka: vliv korelace na volatilitu portfolia

Aktivum A σ	Aktivum B σ	Korelace ρ	Volatilita 50/50 portfolia
20 %	20 %	+0,8	18,3 %
20 %	20 %	0,0	14,1 %
20 %	20 %	−0,5	10,0 %

Poznámka: Výpočet vychází ze vzorce σ_p = √(w₁²σ₁² + w₂²σ₂² + 2w₁w₂σ₁σ₂ρ); při negativní korelaci diverzifikace dramaticky snižuje volatilitu.

Řízení koncentrace a příspěvků k riziku

Kromě vah sledujte i marginal risk contributions a percent risk contributions k celkovému σ_p. Limity na příspěvky brání dominanci jednoho titulu nebo faktoru v portfoliu.

Transakční náklady, daně a implementační detaily

• Modelujte lineární i nelineární náklady (bid–ask spread, provize, tržní dopad).
• Penalizujte turnover v cílové funkci nebo viažte rebalancování na prahové odchylky.
• Zohledněte daňové efekty (wash sale pravidla, holding period) při konstrukci rebalancování.

Limity MPT v reálném světě

• Rozdělení výnosů mají těžké ocasy a šikmost; VaR/ES mohou doplňovat rozptyl.
• Parametry jsou nestabilní a citlivé na vzorek; robustní odhady jsou nezbytné.
• Během krizí korelace rostou, diverzifikace slábne; scénářové a stresové testy jsou klíčové.

Best practices pro profesionální praxi

• Kombinujte modelově odvozené váhy s disciplínou omezení (váhové, sektorové, rizikové).
• Preferujte stabilitu před „ostrostí“: shrinkage, Black–Litterman, minimum-variance baseline.
• Zavádějte kontroly robustnosti: rolling estimace, out-of-sample, k-fold validace.
• Komunikujte riziko v scénářích (normální, stresový, „reverse stress test“).

Markowitz jako základ, praxe jako umění

Markowitzův model poskytuje rigorózní základ pro tvorbu portfolií – matematicky jasnou definici efektivity a diverzifikace. Reálná implementace však vyžaduje opatrnou statistiku, robustní odhady, praktická omezení a důsledné monitorování. Ve spojení s moderními rozšířeními (Black–Litterman, faktorové modely, CVaR optimalizace) zůstává MPT centrálním pilířem řízení investičního rizika a diverzifikace v profesionálních portfoliích.