Din riskmodell har aldrig sett en krasch

Åtta tillgångsklasser. Månadsdata februari 2016 till augusti 2026. ETF-proxies.

Standardavvikelse är ett genomsnitt av kvadrerade avvikelser. Det betyder att måttet behandlar en uppgång på fem procent och en nedgång på fem procent som exakt samma händelse. Marknaden gör inte det. Din likviditetssituation gör det definitivt inte.

Nästan all portföljbyggnad vilar ändå på volatilitet. Riskparitet, Sharpekvoter, pensionsfonders riskbudgetar, Value at Risk i bankernas kapitaltäckning. Alla utgår från att risk är hur mycket något skakar i genomsnitt.

Svansrisk är den andra frågan: hur illa går det när det går illa? Två tillgångar kan ha identisk volatilitet men helt olika förlustprofil. Den ena rör sig jämnt i båda riktningarna. Den andra kryper uppåt elva månader om året och rasar den tolfte.

Fyra sätt att mäta svansen

Skevhet mäter asymmetrin. Negativ skevhet betyder färre men större förluster. Kurtosis mäter hur tjock svansen är jämfört med normalfördelningen. Value at Risk är förlusten du överskrider i de fem procent sämsta perioderna, alltså var dörren sitter. Expected shortfall är snittförlusten givet att du redan gått genom dörren, alltså hur långt ner det är till golvet. Det sista måttet är matematiskt koherent på ett sätt som VaR inte är, och därför det man faktiskt bör optimera mot.

Graf 1. High yield har 7,2 procents årsvolatilitet, alltså nästan obligationsliknande. Skevheten är minus 1,05, överkurtosisen 5,8 och den värsta enskilda månaden minus 10 procent. Volatilitetsmodellen ser en trygg räntetillgång. Fördelningen säger något annat.

Så här viktar man för det

Två metoder. Den första är Cornish-Fisher-justering: man korrigerar normalfördelningens kvantil för faktisk skevhet och kurtosis, tar kvoten mot den ojusterade kvantilen och får en ren svansstraffaktor. Multiplicera in den i varje tillgångs volatilitet, behåll korrelationerna, kör equal risk contribution på den matrisen.

Den andra är att strunta i fördelningsantaganden helt och vikta efter komponent-expected shortfall: hur stor del av snittförlusten i de värsta månaderna som kommer från varje innehav. Iterera tills alla bidrar lika mycket.

Graf 2. Steget från lika vikt till riskparitet är stort. Steget från volatilitet till svansjusterade mått är i princip ingenting.

Expected shortfall för portföljen förbättrades från 4,66 till 4,61 procent. Om du tror att det är ett genombrott har du aldrig sett ett konfidensintervall.

Varför justeringen inte biter

Två skäl. Det första är att månadsdata är en tvättmaskin. Aggregerar man dagliga rörelser till månader suddar centrala gränsvärdessatsen bort det mesta av kurtosisen på vägen. Svansstraffaktorerna landade alla mellan 0,97 och 1,10. Måttet blir lugnare ju grövre du mäter, vilket borde kännas obehagligt bekant.

Det andra skälet är viktigare.

Graf 3. Betingat på aktiemarknadens femton procent sämsta månader. Aktier mot råvaror går från 0,34 till 0,62. High yield mot råvaror från 0,35 till 0,59. Alla dina riskfyllda tillgångar upptäcker plötsligt att de egentligen var samma tillgång hela tiden.

Samtidigt händer motsatsen i den tråkiga änden. Statsobligationer mot aktier går från plus 0,17 till minus 0,34. Statsobligationer mot high yield från plus 0,34 till minus 0,13. Det som ser onödigt defensivt ut på ett kalkylark i mars är exakt det som bär portföljen i oktober.

Diversifiering var alltså aldrig en egenskap hos portföljen. Det var en egenskap hos lugnet.

Och så det värsta måttfelet av alla

Om volatilitet underskattar svansen, vad gör då en tillgång som inte prissätts kontinuerligt alls?

Jag tog börsnoterad private equity och körde serien genom ett glidande medelvärde där varje periods värde till sextio procent är föregående periods. Det är inte en manipulation. Det är precis vad en kvartalsvis värdering gör: den förankrar sig i förra kvartalets siffra och justerar försiktigt.

Graf 4. Volatiliteten faller från 22 till 10 procent, expected shortfall från 14 till 7, den värsta månaden från minus 27 till minus 13. Underliggande bolag, skulder och kassaflöden är identiska. Notera också att den utslätade kurvan glider ovanför den riktiga: lägre mätt volatilitet ger lägre volatilitetsdrag, så utslätning smickrar även avkastningen.

Svansen döljs alltså ännu effektivare än volatiliteten. Det är logiskt när man tänker på det: ett glidande medelvärde raderar per konstruktion enskilda extremvärden, och det är precis de som utgör svansen.

Vad som faktiskt fungerade

Graf 5. Lika vikt mot riskparitet: maximal nedgång från 18,8 till 15,4 procent. Riskparitet mot svansjusterad riskparitet: 15,4 till 15,3. Den första skillnaden är signal, den andra är brus.

Slutsatsen är inte att svansrisk är oviktigt. Slutsatsen är att man inte kommer åt den genom att lägga till ett tredje och fjärde moment i samma modell. Man kommer åt den genom att mäta oftare än man redovisar, genom att skatta kovariansen på kristillfällena i stället för på hela historiken, och genom att sluta kalla en tillgång diversifierande på grundval av sitt genomsnittliga beteende.

Det generaliserar bortom portföljer. Ett system testas inte av sitt medelvärde utan av sin värsta dag, och på sin värsta dag beter det sig inte som på de andra. Reservkraften som aldrig startats. Backupen som aldrig återställts. Redundansen som visade sig dela strömkälla med huvudsystemet. Vi mäter robusthet i normaldrift och blir uppriktigt förvånade när normaldriften upphör.

Frågan är inte hur din portfölj beter sig i genomsnitt. Frågan är hur den beter sig den dagen allt du äger bestämmer sig för att vara samma sak.

Metod och förbehåll

Åtta ETF-proxies, månatlig totalavkastning februari 2016 till augusti 2026. Equal risk contribution löst med cyklisk koordinatuppdatering. Svansjusteringen använder Cornish-Fisher vid femprocentskvantilen, ES-viktningen använder historisk tiondel utan fördelningsantagande.

Betingade korrelationer är mekaniskt uppåtbiased. Selekterar man på perioder med hög volatilitet stiger den skattade korrelationen även när den sanna relationen är oförändrad, vilket Forbes och Rigobon visade 2002. Delar av hoppet från 0,34 till 0,62 är statistisk artefakt.

Alla utvärderingar är in-sample. Portföljerna är viktade på samma data de bedöms på, vilket överdriver hur bra de fungerar. Cornish-Fisher är dessutom opålitlig vid hög kurtosis och kan ge icke-monotona kvantiler. Perioden innehåller två snabba V-formade krascher och noll utdragna björnmarknader.