Har du nogensinde undret dig over, hvorfor din ellers “passive” ETF ikke helt følger sit indeks til punkt og prikke? Du investerer for at få det samme afkast som markedet – men alligevel ender tallene på porteføljeoversigten ofte med at afvige fra benchmark. Hemmeligheden ligger i et lille tal, som de færreste private investorer måler selv: tracking error.
I denne artikel dykker vi ned i, hvad tracking error egentlig er, hvorfor den er afgørende for din risiko og dit langsigtede afkast, og – vigtigst af alt – hvordan du selv beregner den på få minutter med værktøjer, du allerede har på computeren. Undervejs får du praktiske eksempler, typiske faldgruber og tips til, hvordan du sammenligner fonde på tværs af udbydere.
Er du klar til at tage kontrollen over dine ETF-investeringer og se forbi de glitrende prospekt-tal? Så læs videre og lær at spotte forskellen mellem en god og en fremragende indeksfond.
Hvad er tracking error – og hvorfor betyder det noget?
Størstedelen af de ETF’er, vi som investorer møder på de europæiske børser, lover at følge et bestemt benchmark-indeks så tæt som muligt. Men i praksis bevæger fondens afkast sig aldrig 100 % hånd i hånd med benchmarket. Tracking error er det statistiske mål, der kvantificerer, hvor meget de to afkast afviger fra hinanden over tid – ikke som et enkelt tal, men som en spredning.
Mere præcist defineres tracking error som standardafvigelsen af de løbende forskelle mellem ETF’ens afkast og benchmarkets afkast (også kaldet aktive afkast). Jo større denne standardafvigelse er, desto mindre præcist lykkes fonden med at efterligne sit indeks.
Tracking error ≠ tracking difference
- Tracking difference er det gennemsnitlige af aktive afkast over perioden – typisk et årligt tal i procentpoint. Det viser om fonden systematisk ligger under (negativ difference) eller over benchmarket.
- Tracking error måler derimod variationen omkring dette gennemsnit. En fond kan derfor sagtens have en minimal tracking difference (f.eks. -0,20 % p.a.) men stadig en høj tracking error, hvis afkastene hopper rundt fra måned til måned.
Derfor er tracking error vigtig
- Risikostyring – Når du vælger en indeksfond for at opnå den risiko/afkast-profil, som selve benchmarket repræsenterer, vil høj tracking error indføre en ekstra – og ofte uønsket – aktiv risiko i porteføljen.
- Tillid til replikationen – En lav tracking error indikerer, at forvalteren har styr på sin rebalancering, likviditetsstyring og eventuelle derivatstrategier. Det bliver et mål for operationel kvalitet.
- Sammenligningsgrundlag – Når flere ETF’er dækker samme indeks, kan tracking error hjælpe dig med at vælge den mest præcise. Det er især nyttigt, når TER (Total Expense Ratio) er nogenlunde ens.
Bemærk, at forskellige aktivklasser og replikationsmetoder naturligt medfører forskellige niveauer af tracking error. En syntetisk replikeret euro-statsobligations-ETF vil typisk ligge på 0,05-0,15 % p.a., mens en fysisk emerging-markets-aktie-ETF ofte kan ligge over 0,50 % p.a. Sammenlign derfor alltid fonde inden for samme kategori.
I de følgende afsnit gennemgår vi, hvordan du selv kan beregne tracking error trin-for-trin, og hvilke faldgruber du skal være opmærksom på, når du tolker tallene.
Sådan beregner du en ETF’s tracking error trin-for-trin
Følgende trin-for-trin-guide viser, hvordan du i praksis beregner en ETFs tracking error – fra valg af de rigtige datakilder til den endelige annualisering. Metoden kan udføres i Excel, Google Sheets eller Python; de underliggende trin er identiske.
1. Vælg og klargør de rigtige data
- NAV vs. markedspris: Brug ETF’ens net asset value (NAV), hvis du vil fokusere på forvalterens replikationskvalitet. Markedsprisen kan være påvirket af intradag-spread og likviditet og bruges primært, hvis du vil vurdere investorens reelle oplevelse.
- Total return-indeks: Hent et total return (TR) benchmark, der inkluderer udbytter. Ellers får du en kunstigt høj tracking error, fordi ETF’en typisk geninvesterer eller udbetaler disse kontant.
- Valuta: Sørg for, at både ETF og indeks er noteret i samme valuta. Om nødvendigt omregnes benchmarkets afkast med dagskursen.
2. Fastlæg frekvens og periode
- Frekvens: Daglige data giver flest observationer, men kan være støjfyldte. Ugentlige eller månedlige data glatter støj og gør analysen lettere i Excel. Vælg samme frekvens for begge serier.
- Periode: Typisk 1-3 år. En for kort periode kan give misvisende resultater; en meget lang periode kan skjule nyere strukturelle ændringer.
3. Beregn periodiske afkast
For hver tidsenhed t udregnes det logaritmiske eller aritmetiske afkast. Den aritmetiske metode er mest udbredt i retail-regneark:
= (Pris_t / Pris_{t-1}) - 14. Udregn de aktive afkast
Træk benchmarkets afkast fra ETF-afkastet for hver periode:
Aktiv_afkast_t = Afkast_ETF_t - Afkast_Benchmark_t5. Find standardafvigelsen (den rå tracking error)
I Excel/Sheets:
=STDEV.S(Aktiv_afkast_range)I Python (pandas):
te_daily = (etf_returns - index_returns).std(ddof=1)6. Annualisér korrekt
Standardafvigelsen skal skaleres til årsbasis:
TE_annual = TE_periodisk * SQRT(N)hvor N er antal perioder på et år (252 for daglige handelsdage, 52 for uger, 12 for måneder).
7. Eksempel (månedlige data)
| Måned | ETF afkast | Benchmark afkast | Aktivt afkast |
|---|---|---|---|
| Jan | 2,1 % | 2,0 % | 0,1 % |
| Feb | -1,3 % | -1,0 % | -0,3 % |
| Mar | 3,4 % | 3,1 % | 0,3 % |
| Apr | 0,8 % | 1,0 % | -0,2 % |
| Maj | -0,5 % | -0,4 % | -0,1 % |
| Jun | 1,9 % | 1,7 % | 0,2 % |
Standardafvigelsen af de seks aktive afkast er 0,23 % (0,0023 i decimaler). Annualiseret:
TE_annual = 0.23 % * √12 ≈ 0,80 %Denne ETF har altså en årlig tracking error på cirka 0,8 %.
8. Værktøjsoversigt
- Excel / Google Sheets: STDEV.S, SQRT, IMPORTXML/IMPORTDATA til kursfeed.
- Python:
pandas-datareaderelleryfinancetil data,pandas/numpytil beregning. - R: Pakkerne
quantmodogPerformanceAnalytics.
Når du først har bygget en skabelon, kan du genbruge den til løbende monitorering – blot indsæt nye kurser, så opdateres tracking error automatisk.
Tolkning, faldgruber og sammenligning på tværs af fonde
Når du først har beregnet ETF’ens tracking error, kommer det afgørende næste skridt: at fortolke tallet korrekt og sætte det ind i en meningsfuld kontekst. En tracking error på 0,30 % kan være glimrende i én situation og problematisk i en anden – alt afhænger af hvad du måler, og hvordan ETF’en er bygget.
Hvad er højt og lavt?
- Store, likvide aktieindeks (fx S&P 500, MSCI World)
Fysiske fuld-replikationsfonde bør ligge omkring 0,05 – 0,25 % p.a. Kommer tallet over 0,30 %, bør du undersøge årsagen. - Smalle eller emerging markets-indeks
Her accepteres ofte 0,30 – 0,60 % p.a., fordi handelsomkostninger og skatter er højere. - Obligations-ETF’er
Obligationer handler mindre hyppigt, og fonde benytter ofte sampling. Tracking error på 0,20 – 0,50 % er normalt. - Syntetiske ETF’er (swap-baserede)
Disse bør levere meget lav tracking error (< 0,10 %), da swap-strukturen eliminerer mange praktiske friktioner. Et tal over 0,20 % kan indikere strukturproblemer eller højere swap-gebyrer.
Typiske kilder til tracking error
- Forvaltningsgebyrer (TER) – trækkes løbende og skaber konstant negativ afvigelse.
- Cash drag – kontantbeholdninger til udbyttebetalinger eller tegninger forrentes lavt.
- Sampling – delvis replikation giver billigere drift, men større afvigelser fra benchmark.
- Rebalancering – timing og omkostninger ved justering af porteføljen skaber kortsigtede udsving.
- Skatter og kildeskat – især i udbytte-tunge porteføljer eller markeder med høje fradrag.
- Værdipapirudlån – reducerer ofte tracking error via ekstra indtægter, men resultatet afhænger af markedssituation.
- Valutarisiko – hvis ETF’en ikke valutasikres, kan udsving i DKK/USD m.fl. forøge (eller reducere) tracking error i danske kroner.
Benchmark: Vælg det rette spejl
En forkert eller inkonsistent benchmark forvrænger din analyse mere end noget andet:
- Sørg for at bruge total-return versionen af indekset (inkl. udbytter).
- Tjek at valutaen matcher den, du måler afkast i. Omregn kursserier ensartet, helst med ECB-midpriser kl. 17:00 CET.
- Undgå at sammenligne med et pris-indeks eller et indeks uden skattelogik svarende til ETF’ens domicile.
Sammenligning på tværs af fonde
Når du sætter flere ETF’er op mod hinanden, skal de måles med identisk datasæt og samme periode. Benyt f.eks. ugentlige lukke-kurser over tre år, og hold øje med:
- Forskellige tidsrum – en fond lanceret for nyligt kan fremstå «pæn», fordi volatile perioder ikke er med.
- Skæve rebalanceringsdatoer – kan skabe én-off outliers i datasettene; overvej winsorisering eller fjernelse af kendte outliers.
- Valutasikring – sammenlign kun sikrede fonde mod hinanden, og usikrede mod usikrede.
Løbende overvågning: Én beregning er ikke nok
Tracking error er et glidende mål. Tilføj en simpel rutine i Excel eller Python, som opdaterer tallet månedligt. Stiger den systematisk, kan det signalere:
- Ændring i fondens replikeringsstrategi eller gebyrstruktur.
- Markedsforhold (lav likviditet, høj volatilitet) som øger udfordringen ved rebalancering.
- Problemer hos modpart (swap-modpart, market maker) i syntetiske strukturer.
Hold derfor ikke kun øje med gennemsnittet, men også med trend og volatilitet over tid.
Med denne forståelsesramme kan du ikke blot identificere ETF’er der historisk har sporet deres benchmark godt, men også være bedre rustet til at forudsige, om de vil gøre det i fremtiden.
