Hvordan reagerer din portefølje, når markedet pludselig vender på en tallerken? Er den rustet til næste finansielle chok, eller gemmer der sig svagheder, som først viser sig, når det er for sent? I en verden, hvor black swans og højere renteudsving er blevet hverdag, er det ikke længere nok at stole på historisk afkast og flotte grafer i depotoversigten.
Uanset om du forvalter din egen pensionsopsparing eller sidder med ansvaret for en større investeringsportefølje, er der ét spørgsmål, du konstant bør stille dig selv: Hvor robust er min strategi, når stormen rammer? Svaret finder du ikke i standardrapporter fra depotbanken – det kræver en systematisk værktøjskasse af stresstests, simuleringer og dybdegående analyser.
I denne artikel gennemgår vi seks konkrete metoder til at sætte porteføljen på den ultimative prøve. Fra historiske stresstests over Monte Carlo-simuleringer til likviditetstjek under pres – vi klæder dig på til at afdække skjulte risici, før markedet gør det for dig. Tag med, og få inspiration til at gøre din portefølje lige så solid, som den ser ud på papiret.
Historiske stresstests og scenarieanalyse
Når du vil vide, hvordan din portefølje reelt ville have klaret sig i en krise, er den mest håndgribelige metode at flytte den tilbage i tiden og “genafspille filmen”. Historiske stresstests gør det muligt at se, hvor dyb og hvor langvarig smerten ville have været, mens scenarieanalyse lader dig skræddersy hypotetiske chok, som statistikken endnu ikke har fanget.
1. Vælg meningsfulde periode-snapshots
- Dotcom-boblen (marts 2000 – sep 2002) – giver indblik i langvarige drawdowns drevet af fluftige værdiansættelser og sektorkoncentration.
- Finanskrisen 2008 (okt 2007 – marts 2009) – tester likviditets- og kreditspredder, kollapsende korrelationer og “flight-to-quality”.
- COVID-19 chokket (feb – marts 2020) – illustrerer ekstrem hurtig kursvold og centralbankinterventioner.
For hver periode bør du beregne:
- Maksimalt drawdown (peak-to-trough).
- Varighed af drawdown og tid til genopretning.
- Volatilitet og korrelationsmønstre før, under og efter krisen.
- Nedbrydning af tab på aktivklasser og faktorer (hvad trak mest ned?).
Visualisér resultaterne med en akkumulativ værdigraf, “under-vandlinjen”-diagram og en heatmap over månedlige afkast. Det gør det intuitivt for beslutningstagere og kunder at se, om porteføljen ville have følt som en stump tålelig turbulens – eller et dyk på 30 % der tog fire år at komme sig over.
2. Tilføj “hvad-nu-hvis”-scenarier
Historien gentager sig sjældent på præcis samme måde, og nyere strukturelle risici (fx energiovergang, geopolitik, statsgæld) findes kun i begrænset form i datamaterialet. Derfor bør historiske test suppleres af hypotetiske chok, som du definerer eksplicit:
| Scenarie | Antagelse | Begrundelse |
|---|---|---|
| Globalt aktiefald | MSCI ACWI −30 % | Pludselig recessionsfrygt |
| Rentestød | 10-årig US Treasury +200 bp | Inflationsoverraskelse, monetær stramning |
| Oliespike | Brent +60 % | Mellemøstlig uro, manglende kapacitet |
| Stærk USD | DXY +15 % | Risk-off og kapitalløb mod dollar |
Oversæt antagelserne til porteføljeafkast via en shock-matrix med elasticiteter (betas):
- Aktier: −0,9 % for hver −1 % i benchmark.
- Investment-grade obligationer: +0,3 % ved +100 bp fald i renter (og omvendt).
- High yield: −0,6 % ved +100 bp stigning i credit-spreads.
- Guld og råvarer: brug faktor- eller regressionsskønnede følsomheder.
På den måde kan du vise, at en ellers balanceret 60/40-portefølje måske taber 18 % i et rent simultant aktie- og rentestød, mens en større allokering til inflationsbeskyttede eller alternative aktiver holder faldet nede på 12 %.
3. Praktiske faldgruber og best-practices
- Datalinser: Brug prisdata inklusive geninvesterede udbytter og renteopskrivninger.
- Valuta: Kør testen i porteføljens referencevaluta; ellers skjuler du reelle udsving.
- Regimeskift: Kombinér flere kriser i én lang prøveperiode for at fange sekvensrisiko.
- Sammenlign med risikobudget: Hold resultaterne op mod investorens maksimalt acceptable drawdown, fx −15 %.
- Iterér: Justér allocationer, kør testen igen, og dokumentér forbedringer.
Konklusionen bliver ofte, at ingen enkelt periode dækker alle fremtidige risici. Men ved at kombinere historiske stresstests med veldefinerede scenariechok får du et pragmatisk kompas: Hvad kan gå galt, hvor ondt gør det, og hvor hurtigt er vi tilbage på sporet? Det er kerneinput til beslutninger om afdækning, kontantbuffer, samt hvor robust den strategiske allokering egentlig er, når virkeligheden rammer.
Monte Carlo-simuleringer og sekvensrisiko
Monte Carlo-simuleringer er den mest fleksible måde at teste porteføljens fremtidige robusthed på, fordi du kan skabe tusindvis af alternative afkastbaner – ikke kun ét historisk forløb. Hver bane repræsenterer et muligt fremtidsscenarie, hvor afkast, volatilitet og korrelationer ændrer sig fra år til år. Resultatet er et helt distributionsbillede af, hvad der kan ske, frem for hvad der er sket.
1. Start med et realistisk afkast- og risikomaskineri
- Korrelationer i bevægelse: Brug en korrelationsmatrix, der varierer med regimer (fx høj stress vs. lav stress), så aktiver ikke antages at være statisk uafhængige.
- Tykke haler: Implementér afkastfordelinger som t-fordeling eller Cornish-Fisher-justeret normal, så ekstreme udfald forekommer oftere end i en klassisk normalfordeling.
- Mean-reversion eller trend: Overvej AR(1) eller regime-skifte-modeller for aktier og renter, så simuleringerne afspejler, at volatilitet og afkastniveauer kan klumpe sig sammen.
2. Mål mere end bare slutkapital
Når du har genereret fx 10.000 afkastbaner, kan du for hver bane udlede:
- Maksimalt drawdown og varighed (tid til ny all-time-high).
- Tid til at bryde tabsgrænse (f.eks. 20 % kumulativt tab).
- Antal krisemåneder hvor porteføljen ligger under et givent “stop-loss”-niveau.
- VaR/Expected Shortfall for forskellige tidshorisonter.
3. Indbyg løbende ind- og udbetalinger – Sekvensrisikoen
De fleste investorer betaler ikke kun ind eller ud én gang. Pensionister hæver månedligt; fonde modtager donationer i klumper. Ved at tilføje en cash-flow-modul til simuleringen kan du analysere, hvordan rækkefølgen af afkast påvirker sandsynligheden for at nå (eller sprænge) målene:
- Definér udbetalingsrater, fx 3 %, 4 % og 5 % af startkapital, inflationsjusteret.
- Tilføj eventuelle ekstra udbetalinger (skatter, gebyrer) eller indbetalinger (løn, bidrag).
- Beregn hvor mange simulationer der løber tør for kapital før en given horisont – eller hvor stor slutformue der resterer.
4. Eksempel på output
Antag en 60/40-portefølje, 10.000 simuleringer, 30 års horisont og 4 % årlig udbetaling:
- Median slutformue: 1,15× startkapital.
- 25 %-fraktil: 0,60× startkapital (40 % forbrug af formuen).
- Risiko for at ramme 20 % tab inden for første 5 år: 38 %.
- Andel af simulationer hvor porteføljen når 0 kr. før år 30: 7 %.
Tallene fortæller, at en 4 % udbetaling ofte holder, men at hver 14. investor statistisk set vil udtømme porteføljen – selv om det historiske datasæt måske ikke viser et eneste eksempel.
5. Sensitivitets- og what-if-analyser
Når grundsimuleringen er på plads, er det billigt at dreje på knapperne:
- Reducer trækprocenten fra 4 % til 3,5 % og mål, hvor meget ruin-sandsynligheden falder.
- Tilføj en alternativ tilgang med dynamisk udbetaling (skær 10 % af udbetalingen i år med afkast < -5 %).
- Indfør en “glidepath”, hvor aktieandelen gradvist reduceres fra 60 % til 40 %, og se om drawdowns bliver kortere.
6. Praktiske faldgruber
- Garbage-in-garbage-out: Hvis dine input er gennemsnitsafkast på 8 % og volatilitet på 10 % uden korrelationsspikes, vil du underrapportere risiko.
- Regimetro: Ignorer ikke at centralbank-politik, inflation og geopolitik kan ændre afkastdistributionerne radikalt. Skift parametre i intervaller.
- Computerkraft ≠ indsigt: 100.000 simuleringer giver ikke bedre svar end 5.000, hvis modellen er forkert. Brug tiden på modelvalg og kalibrering.
7. Fra analyse til handling
Når du kender sandsynlighedsfordelingen for tab, drawdowns og ruin, kan du matche den mod dit risikobudget. Overskrides den tolererede sandsynlighed for store tab, kan du:
- Skære aktier eller kredit ned og øge likvide midler.
- Tilføje afkastdrivere med lavere korrelation (inflationslinkede obligationer, strategiske råvarer, alternative strategier).
- Indføre en adaptiv udbetalingsmekanisme, som dæmper sekvensrisikoen.
På den måde bliver Monte Carlo-testen ikke bare en akademisk øvelse, men en konkret handleplan for at sikre, at porteføljen kan overleve selv de mest ugunstige forløb, uden at du selv behøver at løbe tør for nattesøvn – eller penge.
Faktor- og regimeanalyse af porteføljen
Hvor traditionel porteføljeanalyse ofte stopper ved aktivklasser, går en faktor- og regimeanalyse et spadestik dybere og spørger: Hvilke underliggende drivkræfter skaber egentlig afkast og risiko? Ved at svare på det spørgsmål får du et langt klarere billede af, hvordan porteføljen vil opføre sig, når de makroøkonomiske vinde vender.
1. Kortlæg de centrale faktorer
- Vælg faktorsættet
De mest anvendte systematiske risikofaktorer er:- Aktierisiko (global equity beta)
- Duration (følsomhed over for renteændringer)
- Kreditspænd (investment grade / high yield)
- Inflation (fx via break-even-renter eller TIPS)
- Råvarer (fx brede råvareindeks eller olie/guld separat)
- Estimér faktoreksponeringer
Lav en multifaktor-regression, hvor du for hver position eller fond estimerer betaen til de valgte faktorer. Brug mindst fem års månedlige data for at få statistisk robusthed, men suppler med kortere, højfrekvente vinduer for at fange strukturelle skift.
2. Dekomponér afkast og risiko
- Afkastbidrag: Summér beta × faktorafkast på tværs af faktorer og sammenlign med det realiserede porteføljeafkast. Mismatch peger på uidentificerede faktorer eller alfa.
- Risikobidrag: Brug en variant-kovarians-matrix mellem faktorerne og beregn, hvor stor en del af porteføljens volatilitet der stammer fra hver enkelt faktor. Resultatet præsenteres ofte som et stacked bar-chart, hvor 100 % af risikoen fordeles på faktorerne (risk attribution).
- Kritisk tærskel: Hvis én faktor overstiger fx 40 % af total risiko, bør det undersøges, om porteføljen reelt er diversificeret.
3. Regimeklassificering
Inddel historien i fire klassiske makroregimer:
- Høj vækst / Lav inflation (”Goldilocks”)
- Høj vækst / Høj inflation
- Lav vækst / Lav inflation (stagnation)
- Lav vækst / Høj inflation (stagflation)
Tilføj evt. et separat dimensionsskema for renteretning (stigende vs. faldende) og markedsregime (bull vs. bear).
4. Test porteføljen på tværs af regimer
- Historisk back-test
Beregn porteføljens simulerede afkast i hver historisk regimeperiode (fx 1970-79 stagflation, 2003-07 Goldilocks, 2020-22 høj inflation mm.). Vurder:- Gennemsnitligt kvartalsafkast
- Volatilitet og maksimum drawdown
- Sharpe og Sortino-ratio
- Fremadskuende scenarier
Kombinér aktuelle markedsforventninger (break-even-inflation, Fed dot-plot m.m.) med faktorreagtioner fra historiske data og estimer sandsynlige performance-intervaller i alternative regimer.
5. Praktisk tolkning
- Overvægt i duration?
Hvis risikobidraget fra duration topper i et miljø med risiko for kraftigt stigende renter, kan du:- Skære varigheden ned
- Indføre inflationslinkede obligationer
- Bruge rentefutures som hedge
- For lidt inflationseksponering?
Viser analysen, at porteføljen klarer sig svagt i stagflation, kan du tilføje:- Energi- eller råvareeksponeringer
- Aktier med pricing power (value, quality)
- Reelle aktiver som infrastruktur
- Stresstest “alt falder samtidigt”
Kombinér faktorattributionen med korrelationsspikes for at se, hvor meget samlet drawdown kan blive, hvis både aktie- og kreditfaktorer sælger kraftigt ud.
6. Handlingsplan
- Sæt risikobudgetter pr. faktor (fx maks. 30 % fra aktiebeta).
- Etabler hedge-triggers: Hvis 10-årig realrente stiger > 1 %, reducer kredit og øg råvarer.
- Implementér en kvartalsvis regimemonitor, der automatisk tilpasser målallokeringen ved regimeskift.
En velgennemført faktor- og regimeanalyse afslører dermed både skjulte koncentrationsrisici og ubrugte diversifikationsmuligheder – og giver en konkret drejebog til at navigere porteføljen sikkert gennem de næste makroer.
Korrelation, koncentration og ægte diversifikation
Diversifikation er kun så god som de fælles bevægelser, der reelt opstår i porteføljen. To aktiver med lav korrelation i et back-test kan sagtens bevæge sig næsten ens, når markederne går i panik. Derfor bør korrelation, koncentration og risikobidrag analyseres sammen – både i normale tider og under stress.
Dynamiske korrelationer – Rul frem og tilbage i tiden
Start med at beregne rullende korrelationer (fx 36 eller 60 måneder) for alle centrale aktivpar. Placer resultaterne i et heat-map, så perioder med “varme” (høje, positive korrelationer) og “kolde” (negative) zoner bliver synlige. Tilføj dernæst:
- En separat beregning for stressvinduer – f.eks. måneder med MSCI World < −5 %. Sammenlign med “rolige” måneder.
- Conditional correlations via DCC-GARCH eller copula-modeller, som ofte afslører tykkere haler og højere korrelationsspring end lineære modeller.
- Eventstudier: Hvordan reagerede aktiverne under Black Monday 1987, 9/11, 2008, marts 2020 osv.? Saml det i et “correlation spike chart”.
Forbered dig på “correlation spikes”
Observationer fra de seneste 20 år viser, at selv traditionelt diversificerende aktiver – fx investment grade obligationer og defensive aktier – kan klumpe sammen, når likviditet fordamper. Et praktisk stresstest er at sætte korrelationen til +0,8-1,0 i et riskscenarie og simulere porteføljeafkastet. Overlever strategien stadig tabsgrænserne? Hvis ikke, er yderligere beskyttelse eller allokering til strukturelt uafhængige risikokilder (fx trend-følgende strategier, tail-hedges eller cat-bonds) nødvendig.
Mål koncentrationen – Hvor mange ben står porteføljen egentlig på?
Diversifikation handler ikke kun om antal linjer, men om vægt og risiko per linje. Brug bl.a.:
- Herfindahl-Hirschman Index (HHI):
HHI = Σ wi2, hvor wi er vægten i hvert aktiv/fond. En tommelfingerregel er, at HHI > 0,10 signalerer betydelig vægtkoncentration. - Diversifikationsratio (DR):
DR = σvægtet gennemsnit / σportefølje. Jo højere DR, desto bedre udnyttes korrelationsfordele. Fald i DR over tid kan indikere at korrelationer stiger – eller at ét aktivs volatilitet dominerer. - Effective N (1/HHI) – reelt antal uafhængige ben. 20 fonde kan hurtigt kollapse til “4” ben, hvis de alle er globale aktier i forklædning.
Risikobidrag – Kig bag sløret på hver faktor
Beregn Marginal Contribution to Risk (MCTR) og Percentage Contribution to Risk (PCTR) for både positioner og underliggende faktorer (aktier, duration, kredit, inflation, råvarer osv.). Visualisér resultaterne i et tornado-diagram:
- Hvis én faktor bidrager med > 40 % af porteføljerisikoen, er der risiko for regime-afhængighed.
- Se efter skjulte klumper: Hedgefonde, REITs og private equity kan tilsammen give næsten ren aktierisiko.
- Sammenlign vægtbaserede og risikobaserede koncentrationsmål – udkast til “risk parity” eller “volatility equalised” porteføljer kan afsløre alternative allokeringer med samme forventede afkast, men lavere drawdown.
Hvad gør du, når koncentration eller korrelation bliver for høj?
- Rebalancér fremfor at sælge i panik: Fast rebalanceringsfrekvens eller tolerance bands reducerer risikoen for, at én gevinstposition vokser til dominans.
- Udvid paletten: Strategier med strukturelt lave korrelationer (managed futures, global macro, equity market neutral) kan fungere som diversifikationsforstærkere.
- Overvej implicit korrelation til fælles risikofaktorer – hvis alt falder, når dollarkursen stiger, kan du afdække USD-eksponeringen i stedet for at jage “nye” aktiver.
- Hold øje med likviditetskorrelation: Vælg mindst én kilde til likvid afkast, som kan sælges uden rabat, når resten af markedet fryser til.
En portefølje er robust, når både vægt-, risiko- og likviditetskoncentration er under kontrol – og når du ved, hvordan korrelationerne opfører sig, når du har mest brug for dem at være lave. Brug derfor disse analyser som et tilbagevendende tjekpunkt, ikke som en engangsøvelse.
Likviditets- og gennemførelsestest af positioner
Hvor robust en portefølje er under stress, afhænger i høj grad af, hvor hurtigt – og til hvilken pris – den kan gøres kontant. En systematisk likviditets- og gennemførelsestest går derfor på tværs af samtlige instrumenter og estimerer både tid, priselasticitet og omkostninger ved større afviklinger.
1. Kortlæg nøgletal for hver position
- Bid-ask-spænd: mål som procent af mid-price; sammenlign normal- og stressperioder.
- Gennemsnitlig dagsomsætning (ADV): sæt i forhold til din positions størrelse (f.eks. %ADV pr. dag).
- Market impact-kurve: estimer prisbevægelse i bp pr. %ADV solgt.
- Time-to-liquidate (TTL): antal handelsdage ved f.eks. maks. 20 % af ADV og 10 bp forventet impact.
- Historisk volumenelasticitet: hvor meget skrumper likviditeten i tidligere kriser? (−40 % er ikke ualmindeligt).
2. Udvid testen til stresstilstande
- Antag f.eks. bid-ask-spænd × 2 og volumen −50 % – justér efter aktivklasse.
- Genberegn TTL og samlede handelsomkostninger (spread + slippage + market impact).
- Modelér graduelle salg (risk-paring) versus en-bloc firesales for at identificere flaskehalse.
3. Sæt tal på porteføljens samlede likviditetsprofil
| Likviditetsbucket | TTL (normalt) | TTL (stress) | % af porteføljen |
|---|---|---|---|
| Meget likvid (< 1 dag) | 0,5 dag | 1 dag | 42 % |
| Moderat (1-5 dage) | 3 dage | 7 dage | 30 % |
| Lav (5-20 dage) | 12 dage | 25 dage | 18 % |
| Illikvid (> 20 dage) | 35 dage | 90 dage | 10 % |
Tabellen afslører, hvor stor del af kapitalen der potentielt er fastlåst under en krise, og hvor omkostningspresset opstår først.
4. Særlige hensyn for fonde og alternative aktiver
- Indløsningsvinduer og notice-perioder: Hedge- og PE-fonde kan have kvartalsvise vinduer og 30-90 dages varsel.
- Gates og suspensioner: test “hvad-hvis” 25 % af fondskapitalen rammes af gates – har du nok kontantbuffer?
- Rabat/præmie til NAV: for børsnoterede fonde (CEF/ETF) kan rabatten udvide sig dramatisk under stress.
- Valuation lag: illikvide unoterede aktiver opdaterer sjældnere; NAV kan overvurdere faktisk værdi og udskyde tabsrealisering.
5. Slippage og handelsomkostninger – Den skjulte dræner
Mens bid-ask-spænd er synligt ex ante, opstår slippage, når markedet flytter sig under eksekvering. Anvend implementation shortfall-analyse på historiske handler for at kalibrere:
- Typisk slippage i bp pr. %ADV
- Stigende kurve i perioder med høj volatilitet (VIX > 25 → slippage × 1,6 i aktier er ikke ualmindeligt)
6. Praktiske værktøjer til porteføljestyring
- Likviditetsbudget: sæt maksimal andel i hver likviditetsbucket samt en “krise-buffer” i kontanter og likvide statsobligationer.
- Forhåndsgodkendte exit-planer: definér hvilke positioner der ryger først, så beslutningsvejen er kort, når markedet lukker sig.
- Pre- og post-trade-analyse: brug Algos med real-time feedback og back-tests, så erfaring fra stille markeder ikke over-extrapoleres.
- Tværkontrol med rest-risiko: koble likviditets-VaR (L-VaR) sammen med klassisk VaR for at se, hvor markedsrisiko og likviditetsrisiko overlapper.
En grundig likviditets- og gennemførelsestest synliggør ikke blot omkostningerne ved paniksalg, men gør det også klart, hvor i porteføljen de største realiseringsrisici ligger. Dermed kan forvalteren tidligt tilpasse positionsstørrelser, opsætte rullende terminsafdækning eller etablere kontantlinjer, så strategien kan fastholdes – også når markedet koger.
Risikomål, risikobudget og rebalancering under pres
Det første skridt er at gøre risiko målbar. Definér derfor et sæt kernenøgletal, som opdateres dagligt eller ugentligt, og som tilsammen giver et 360°-billede af porteføljens udsving:
- Volatilitet (annualiseret): Fremhæv forskellen på realiseret og forventet volatilitet for at afklare, om porteføljen opfører sig “normalt”.
- Maksimum drawdown: Brug et rullende vindue (fx 3 eller 5 år) for at sætte tab i kontekst af historiske smertegrænser.
- Value-at-Risk (VaR): Fastlæg både en 1-dags og en 1-måned VaR på 95 % og 99 % konfidens. Det gør det lettere at oversætte tab til konkrete kroner og øre.
- Expected Shortfall (ES): Vis, hvor stort gennemsnitstabet er, når VaR allerede er brudt. ES er ofte mere stabil end VaR og mere følsom over for “halehændelser”.
Nøgletallene skal holdes op mod et eksplicit risikobudget. Budgettet kan eksempelvis formuleres som “maksimum 12 % årlig volatilitet, 20 % peak-to-trough-tab og 5 % 1-måned ES på 99 % niveau”. Når et nøgletal bryder grænsen, udløses et risk review, som enten fører til opstramning (afdækning, mindsket gearing) eller en styrelses-beslutning om midlertidigt at “bære” den højere risiko.
Rebalancering under pres: Hvilke regler virker bedst?
I rolige tider kan kalender-rebalancering (fx kvartalsvis) være fint, men under stress kan den fremtvinge salg af tabsgivende aktiver på de dårligst tænkelige tidspunkter. Test derfor mindst tre logikker i et krisescenarie-framework:
- Kalenderbaseret: Rebalancér hver 3., 6. eller 12. måned.
- Tærskelbaseret: Rebalancér kun, når aktivklasser afviger mere end fx ±3 %-point fra målvægte.
- Volatilitetsjusteret: Rebalancér hyppigere, når realiseret vol stiger over et fast loft, men tillad større “bands”, når markedet er roligt.
I simuleringer bør du måle:
- Totalafkast og risiko efter handelsomkostninger og slippage.
- Antal tvangssalg, dvs. situationer hvor kontantbeholdningen blev tvunget i nul eller shorts skulle lukkes.
- Hvor ofte rebalancering forværrede drawdown (salg af billige aktiver / køb af dyre).
Kontantbuffer – Porteføljens stødpude
Selv en god rebalanceringsregel fejler, hvis der ikke er likviditet til at gennemføre den. Simulér derfor kontantbuffere på 2, 5 og 10 % af porteføljen og mål:
- Time-to-cash: Hvor mange handelsdage tager det at omsætte bufferen til kontanter under ekstrem spread / lav volumen?
- Opportunity cost: Hvad koster det i mistet afkast at have kontanter i gode tider?
- Reduktion af tvangssalg: Hvor ofte absorberer bufferen margin calls eller udbetalinger uden at røre kerneporteføljen?
Dashboard og alarmklokker
Opsæt et visuelt dashboard, hvor risikomål (Vol, DD, VaR, ES) sammenholdes med budgetter og likviditetsindikatorer (cash-ratio, haircut på pant, “days to liquidate”). Indbyg farvekoder:
- Grøn: Under 80 % af budget.
- Gul: 80-100 % – opmærksomhed påkrævet.
- Rød: Over 100 % – handling nødvendig.
Et simpelt traffic-light system gør det let for investeringskomiteen at handle hurtigt i stresssituationen.
Hvad siger testen?
Efter at have kørt porteføljen gennem flere krisescenarier (fx 2008-lignende kreditchok, 2020-lignende likviditetsfrys, 1970’ernes stagflation) sidder du tilbage med konkrete svar:
- Kan risikobudgettet holdes, eller skal det op-/nedjusteres?
- Hvilken rebalanceringsstrategi begrænser drawdown bedst net af omkostninger?
- Hvor stor skal kontantbufferen være, for at tvangssalg undgås i >95 % af tilfældene?
Når de tre byggesten – risikomål, budget og rebalancering – spiller sammen, får du ikke bare en portefølje, der ser robust ud på papiret, men en portefølje, der er operativt klar til næste store markedschok.
