«Ikke legg alle eggene i samme kurv» – kanskje den eneste investeringsstrategien du trenger

Som aksjeinteressert økonomistudent trodde jeg det var nødvendig å kunne både verdivurderinger, skatteregler og teknisk analyse for å lykkes som investor. Nå vet jeg bedre – ikke at slike verktøy er verdiløse, men jeg mener bestemt at de ikke det viktigste.

Jeg har gjennom min yrkeskarriere vært så heldig å få jobbe med både tekniske analyser, fundamentale analyser og kapitalforvaltningsfaget. Erfaringen min tilsier at den aller viktigste beslutningen du tar er hvordan du sprer investeringene dine. Den gode nyheten er at dette ikke trenger være vanskelig, og garantert enklere enn mindre viktige ting som verdivurderinger, skatteregler og teknisk analyse.

Men ikke ta mitt ord på det. Det er gjort studier som konkluderer med at porteføljesammensetningen (Asset Allocation) forklarer 90% av utviklingen i fond, mens timing, og aksjeplukking kun forklarer 10%*. Porteføljeteorien er også grunnmuren til de aller største og beste institusjonelle investorene i verden:​

  • Yale University Endowment (verdt 29,4 milliarder USD i 2018)
  • Harvard Management Company (verdt 35,7 milliarder USD i 2018)
  • NBIM/Oljefondet (verdt 9162 milliarder NOK i 2019)

"Ikke legg alle eggene i samme kurv"

Det jeg kaller porteføljesammensetninger refereres ofte til som porteføljeteori, porteføljeallokering, asset allocation, Markowitz-optimeringer, eller bare kapitalforvaltning, og noen ganger direkte (dårlig?) oversatt til aktiva-allokering. Uansett hva du kaller det refererer jeg til sammensetningen av porteføljen og mengden av pengene dine som er investert i hver aktivaklasse (ting du er investert i).

​Ved å ha en god balanse – en godt sammensatt portefølje – unngår du å være overinvestert i en aktiva som kan falle og dra hele porteføljen med seg i dragsuget. Vi har vi ett kjent uttrykk som beskriver porteføljetankegangen godt: «ikke legg alle eggene i samme kurv».

Eggene er selvfølgelig pengene dine. Her er noen eksempler på kurver (aktivaklasser) du kan spre eggene på​:

  • Aksjer
  • Eiendom
  • Selskapsobligasjoner
  • Statsobligasjoner
  • Alternative Investeringer (hedgefond, kryptovaluta, gull, folkefinansiering og kunst)

Diversifisering – den eneste "gratis lunsj"

Teorien og matematikken overlater jeg til andre å lære deg, men et raskt overblikk og noen fargerike visualiseringer tillater jeg å dele. På 50-tallet viste Markowitz (Nobelpris i økonomi 1990) hvordan porteføljer burde settes sammen for å gjøre forholdet mellom avkastning og risiko mest mulig attraktivt. Dette skapte grunnlaget for den moderne porteføljeteorien.

Porteføljeteorien baserer seg på to nøkkeldata; avkastning og risiko. Forventet avkastning settes ofte lik en eller annen form for historisk gjennomsnittlig avkastning (noen modeller bruker historisk risikopremie og legger til langsiktig rentenivå, og/ eller noen elementer av verdsettelse). Risiko er sannsynligheten for at du ikke får avkastningen du forventer, og måles ofte i standardavvik.

I en portefølje som består av flere aktiva er forventet porteføljeavkastning den vektet avkastningen til de individuelle aktivaene.  Risikoen til en portefølje er derimot ikke like enkelt å regne, for der må vi også ta hensyn til de individuelle aktivaenes korrelasjon (samvariasjon). Aktivaenes bevegelser i forhold til hverandre har med andre ord stor påvirker på risikoen for porteføljen som helhet. 

For eksempel kan du spre aksjeporteføljen din over geografiske regioner som Europa, USA, Emerging Markets (EM), Japan og Norge (Oslo børs: OSEBX). Det første du gjør da er å laste ned indeksdata for regionenene og sjekker hvordan de beveger seg i forhold til hverandre.  Jeg har et Python-script som spytter ut korrelasjonsmatrisen nedenfor for de nevnte aksjeregionene:

Korrelasjonsmatrise viser hvordan aksjeindekser i viktige økonomier korrelerer

Korrelasjonsmatrisen viser korrelasjonskoeffisienten som spenner fra -1 til +1. +1 er perfekt korrelert (de to regionene beveger seg helt likt), mens -1 er det motsatte (de beveger seg motsatt). Derfor er det ikke overraskende at regionene har korrelasjonskoeffisient på 1 mot seg selv – de beveger seg selvfølgelig helt likt med seg selv.

Det er ingen regioner som har negativ korrelasjon til hverandre – da må vi til andre aktivaklasser, som statsobligasjoner (eller kryptovaluta?). Det er dog noen regioner som har lav korrelasjon mot andre, og det utnytter vi. Porteføljeteorien utnytter de ulike aktivas forskjellige egenskaper og bevegelse i forhold til hverandre for å begrense risikoen. 

Når vi gjør en porteføljeoptimering med de samme dataene så søker vi den optimal kombinasjonen av aksjeregionene – kombinasjonen som gir best mulig forhold mellom avkastning og risiko (der avkastningen er et vektet gjennomsnitt, men risikoen er avhengig av hvordan de beveger seg i forhold til hverandre). Når jeg ber Python-scriptet mitt simulere 6000 porteføljekombinasjone av aksjeregionene ovenfor gir den følgende resultat:

Effisient front viser de porteføljesammensetningene med best risikojustert avkastning
6000 tilfeldige porteføljevarianter, og den effisiente front

Den horisontale aksen viser risiko målt i volatilitet (svingninger), mens den vertikale viser årlig avkastning (eks. 0.08 = 8%). Hver prikk representerer en simulert portefølje, og jo gulere prikker, jo bedre er forholdet mellom avkastning og risiko (Sharpe Ratio = Avkastning/risiko). 

Den røde stiplede linjen kalles «effisient front». Alle porteføljene langs denne linjen er optimale (gir det best mulige forholdet mellom avkastning og risiko til forskjellige risikopreferanser). Det er her du vil være – lengst mulig opp mot øvre venstre hjørne.

Skulle det ikke være enkelt å sette sammen en god porteøflje?

Ja, du kan gjøre det enkelt. Dette var ikke den enkle måten – dette var kanskje fordi jeg ville vise at jeg har et Python-script som kan lage kule grafer. Jeg kjører ikke simuleringer som dette ofte. Tvert i mot så har jeg ikke gjort det på mange år. Jeg synes ikke det er nødvendig, for når du vet hvilke variabler som gir ønsket uttelling er det lett å forstå om en potensiell ny investering vil være et positivt eller negativt bidrag. Og når vi snakker om aksjedelen av porteføljen kan du like gjerne la et globalt indeksfond ta hånd om det. La meg forklare:

Den røde prikken i grafen ovenfor er porteføljen som Python-scriptet identifiserte som den aller beste porteføljen av de 6000 simuleringene. La oss sammenligne fordelingen med ett av mine favoritt-indeksfond pr September 2019, og Oljefondet pr 2. kv. 2019.

Aksjeregion Optimert portefølje KLP AksjeVerden Indeks Oljefondet
Norge 15% 5% Uspesifisert
Europa 16% 18% 19%
USA 65% 59% 38%
Japan 0,4% 7% 9%
Emerging Markets 3% 11% 11%

De største avvikene er i vårt hjemmemarked, Norge, og i Japan. Min optimerte portefølje har 10%-poeng mer eksponering mot Norge sammenlignet med det globale indeksfondet**, og jeg kan garantere at det også er mer enn Oljefondet.

Den optimerte porteføljen har også 6%-poeng mindre japanske aksjer enn indekfondet, og 8%-poeng mindre enn oljefondet. Det er ikke så rart siden optimeringen baserer seg på historiske data og avkastningen i Japan har vært mye svakere enn i Norge de siste årene. Men at Japan har gitt dårlig avkastning en periode trenger jo ikke bety at jeg og du burde investere kun 0,4% i Japan? Spesielt ikke når Japan er den tredje største økonomien i verden.

På samme måte har USA fått tildelt en stor allokering i optimeringen min fordi den har gitt god avkastning i det siste, men 65% er kanskje mye i ett land? Indekfondet har litt lavere eksponering, mens oljefondet har betydelig lavere (sistnevnte har dog stor del av eiendomsporteføljen i USA som gjør reell USA-eksponering høyere).

Til sammen gir tabellen ovenfor en grei pekepinn på hvordan er god aksjeportefølje burde se ut. Spørsmålet er om jeg klarer å etterleve det?

Min porteføljefordeling

De fleste nettilbydere viser dessverre bare type investering. for eksempel hvor mye du har i enkeltaksjer, og hvor mye i fond. For å finne den geografiske fordelingen kan du sette opp en tabell med fond/aksjer du eier med verdier, samt deres innhold. Den informasjonen finner du på morningstar.no under Innhold.. Sånn ser det ut når jeg gjør det på min aksjeportefølje. 

Illustrasjon av egen porteføljefordeling

Jeg har mindre amerikanske aksjer enn simuleringen og indekfondet, men mer enn Oljefondet. Jeg er dog komfortabel med å ikke ha mer enn 54% i USA, uansett hvor dominerende det landet er i verdensøkonomien.

21% Norske aksjer er mer enn både simuleringen og indeksfondet (og garantert også Oljefondet). Det er en klassiker å ende opp med for mye aksjer i hjemmemarkedet sitt hvis man ikke passer på. Jeg ønsker å redusere denne, eller i alle fall på en indirekte måte ved å sile nye innskudd til andre regioner.

7% i Japan er mer en optimeringen foreslår, men på linje med indeksfondet og Oljefondet. 
8% Europa er også litt lite, men det plager meg ikke så mye nå. Og 10% Emerging Markets er helt greit.

Som du ser er det mange måter å få en god porteføljefordeling på. Det viktige er å forstå konseptet – å ikke ha alle eggene i samme kurv. Det er også bemerkelsesverdig at jeg like gjerne kunne kjøpt indeksfond for alle pengene stedet for å plukke massevis av smalere fond (som jeg tidligere har gjort). Det vil også gjøre oppfølgingen mye enklere.

Har du en porteføljestrategi? og hvor ofte sjekker du status opp mot strategien? 

PS. Her har jeg kun sett på aksjedelen av porteføljen (i mitt eksempel er aksjedelen 76% av totalporteføljen). Det er når du kombinerer andre aktivaklasser at diversifiseringseffekten virkelig slår inn. 

* Brinson, Singer, Beebower (1991)
​** Forutsetter at Norske aksjer = Morningstar kategorien Europa eks. Euro

Legg inn en kommentar