Moderní teorie portfolia

Základní idea moderní teorie portfolia

Moderní teorie portfolia (MPT), spojovaná se jménem Harryho Markowitze (1952), formuluje kvantitativní rámec pro kompromis mezi výnosem a rizikem při sestavování portfolia rizikových aktiv. Klíčovým tvrzením je, že celkové riziko portfolia závisí nejen na rizikovosti jednotlivých titulů, ale především na jejich vzájemných kovariancích. Investor proto optimalizuje váhy tak, aby při dané požadované úrovni očekávaného výnosu minimalizoval rozptyl (volatilitu), nebo naopak, při stanovené míře rizika maximalizoval očekávaný výnos. Výsledkem je efektivní hranice, na níž leží „nejlepší“ portfolia.

Formální definice mean–variance problému

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

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

Alternativní formulace maximalizuje Markowitzovu užitečnost s averzí vůči 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 libovolné cílové μ_p lze řešení vyjádřit uzavřenou formou pomocí 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 hodnoty (očekávaného výnosu) a rozptylu (volatility).
• Výnosy jsou alespoň přibližně elipticky rozdělené (například normálně) nebo investoři mají kvadratickou užitečnost.
• Náklady a daně jsou zanedbatelné (v základním modelu).
• Parametry μ a Σ jsou známy (nebo dostatečně spolehlivě odhadnutelné).

Diverzifikace a role 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 není μ ani Σ známé. Odhady z krátkých vzorků trpí vysokým šumem, což vede k extrémním a nestabilním vahám. Typická vylepšení:

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

Black–Litterman: propojení mezi MPT a trhem

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

Omezení a rozšíření optimalizace

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

Alternativní rizikové metriky: semivariance a tail rizika

Rozptyl penalizuje i pozitivní odchylky. V praxi se uplatňují:

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

Numerická implementace a řešitelnost

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

• Regularizace Σ a kontrola podmínkového čísla.
• Využití faktorové struktury pro redukci dimenze.
• Grid/cesta 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 na faktory.
• 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.

Konstrukční heuristiky jako benchmark

Když jsou odhady nejisté, jednoduchá pravidla poskytují robustní baseline:

• 1/n portfolio (stejné váhy) – překvapivě těžko překonatelné při velké parametrické nejistotě.
• Minimum-variance – ignoruje μ, spoléhá pouze na Σ; často dobrá volba při slabém signálu výnosů.
• Risk parity – rovnoměrný přísun rizika, implicitně využívá pákování u multiklasy 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 podmíněnou 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 (váhová, sektorová, ESG, obratová) a nákladový model.
5. Optimalizujte QP problém po celé efektivní hranici; vyberte bod podle preferencí rizika (maximalizace Sharpe, cílový tracking error apod.).
6. Validujte backtestem a out-of-sample testem; sledujte stabilitu vah a citlivost.
7. Provozujte s disciplinovaným rebalancem (časovým nebo práhovým) 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 přínosů k riziku

Kromě vah sledujte také marginal risk contributions a percent risk contributions k celkovému σ_p. Limity na přínosy zabraňují dominanci jednoho titulu nebo faktoru v portfoliu.

Transakční náklady, daně a implementační detaily

• Modelujte lineární i nelineární náklady (bid–ask spread, poplatky, tržní dopad).
• Penalizujte turnover v objektivu nebo vážte rebalanc na práhové odchylky.
• Zohledněte daňové efekty (wash-sale pravidla, holding period) při konstrukci rebalancování.

Limity MPT v reálném světě

• Distribuce 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, stres, „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.