Hvad sker der med din portefølje, hvis renterne pludselig eksploderer, aktiemarkedet styrtdykker og dollaren styrker sig 15 % – alt sammen på samme dag? De fleste investorer håber, at det aldrig sker. Men de bedste investorer forbereder sig på, at det kan ske. Det er præcis her, scenariebaseret stresstest kommer ind i billedet.
Stresstest er din porteføljes mentale brandøvelse: et kontrolleret chok, der afslører, hvor konstruktionen er solid, og hvor den knirker. Ved at simulere alt fra historiske kriser til skræddersyede fremtidsscenarier kan du identificere skjulte risici, som traditionel volatilitet, VaR-beregninger og simple backtests ofte overser.
I denne guide fra FCE Invest | Din online investeringsportal lærer du trin for trin, hvordan du designer meningsfulde scenarier, gennemfører analysen og – vigtigst af alt – omsætter indsigterne til konkrete handlinger. Uanset om du er privat investor eller professionel porteføljeforvalter, får du værktøjerne til at gøre din portefølje mere robust over for de chok, du ikke kan forudsige, men som du hellere end gerne vil overleve.
Klar til at sætte din portefølje på stress-testen? Lad os dykke ned i, hvorfor og hvornår du bør gøre det – og bagefter hvordan.
Hvorfor og hvornår du bør stressteste porteføljen
Stresstest af porteføljen ved hjælp af scenarier er et supplement til de klassiske risikomål. Hvor volatilitet, Value-at-Risk (VaR) og backtests kigger på, hvordan porteføljen **typisk** har bevæget sig historisk, undersøger scenarier hvad der kan ske i de ekstreme hjørner af risiko-universet – også selv om det ikke (endnu) er set i data.
Hvad afslører en scenariebaseret stresstest?
- Tail-risk: Hvor stort kan tabet blive under sjældne, men plausible chok?
- Korrelationsbrud: Hvad hvis aktiver, du antager giver diversifikation, pludselig falder samtidigt?
- Likviditetsrisiko: Hvordan påvirkes porteføljen, hvis spreads udvider sig, eller enkelte markeder tørrer ud?
- Regime-skift: Kan porteføljen klare overgangen fra lav til høj inflation, fra lav til høj volatilitet eller fra QE til QT?
Scenarier vs. Traditionelle risikomål
| Scenarie-stresstest | Volatilitet | VaR / Expected Shortfall | Historisk backtest | |
|---|---|---|---|---|
| Fokus | Plausible chok & hændelsesforløb | Gennemsnitlig udsving | Statistiske tab ved given sandsynlighed | Perfomance givet fortidens miljøer |
| Data-krav | Makro/markedsscenarier + antagelser | Historiske priser | Historiske priser eller simulation | Lang historik |
| Fordel | Fanger ekstreme, ikke-lineære effekter | Let at beregne og forstå | Probabilistisk mål for tab | Reality check mod faktiske perioder |
| Begrænsning | Afhænger af scenarie-valg og antagelser | Ser bort fra ‘regime-skift’ | Undervurderer korrelationsbrud | Fortid ≠ fremtid |
Hvornår giver det mening at stressteste?
- Løbende risikostyring – f.eks. kvartalsvis eller halvårligt for at sikre, at porteføljen stadig er robust.
- Skift i markedsregime – overgang til høj inflation, stigende renter, ændret pengepolitik eller geopolitisk uro.
- Større porteføljeændringer – tilføjelse af nye aktivklasser, gearing, kortsigtede optionsstrategier eller øget illikviditet.
- Før strategiske beslutninger – fx fastsættelse af likviditetsbuffer, rebalancering eller hedge-strategi.
Hvilke beslutninger kan scenarierne informere?
- Justering af asset allocation og faktoreksponeringer.
- Etablering af stop-loss eller drawdown-triggers.
- Beslutning om afdækningsstrategier, fx FX-hedging eller rente-swaps.
- Opbygning af en kontant- eller likviditetsbuffer til at kunne udnytte stressede markeder.
- Dialog med bestyrelse, investeringskomité eller kunder om risikotolerance og forventet robusthed.
Kort sagt sikrer scenariebaseret stresstest, at du ikke kun håber, at porteføljen kan klare næste storm – du tester den aktivt, før vinden tager til.
Design af scenarier: fra historiske chok til hypotetiske hændelser
Når du designer scenarier, handler det om at oversætte komplekse makro- eller markedschok til konkrete tal, som kan “ramme” dine porteføljepositioner. Processen begynder med at vælge det rette udsnit af mulige hændelser og slutter med at kvantificere hvert drev i en shock-matrix.
1. Vælg vinklen: Historisk versus hypotetisk
| Scenarie-type | Fordele | Udfordringer | Eksempler |
|---|---|---|---|
| Historiske chok |
|
|
Dotcom-krakket 2000-02 Finanskrisen 2007-09 COVID-19 marts 2020 Rentestød 2022 (hurtige rate hikes) |
| Hypotetiske chok |
|
|
Stagflation 1970’er style i moderne økonomi Globalt energichok pga. geopolitiske sanktioner Militær konflikt i Taiwanstrædet Total likviditetsfrys i high-yield obligationer |
2. Ram scenariet ind: Drivere, horisont og intensitet
- Identificér de primære drivere
Eksempler: renter, kreditspreads, aktieindeks, råvarer, valutaer, inflationsforventninger. Ét scenarie kan have 3-6 centrale drivere; flere skaber ofte støj. - Fastlæg tidshorisonten
Skal chokket udspille sig over én dag, én måned eller et helt år? Beslutningen afhænger af likviditet i dine aktiver og om formålet er at teste solvens (længere horisont) eller likviditet (kortsigtet). - Definér intensitet
Brug en enkel tre-trins skala:- Mild: 1 σ bevægelse – stresset, men inden for “normal” volatilitet.
- Moderat: 2-3 σ – typisk kvartalsvis markedsbevægelse.
- Ekstrem: >3 σ – tail-risk; fx 2008-niveauer.
Kombinér evt. med probability-weighting, så du kan beregne forventet tab (ES) på tværs af flere intensiteter.
3. Byg antagelser om korrelationer og likviditet
Under stress bryder klassiske korrelationer ofte sammen: aktier og credit nærmer sig +1, aktier og statspapirer kan skifte fortegn, og EM-valutaer styrtdykker samtidig. Overvej tre niveauer:
- Statisk korrelation: behold de historiske korrelationer – hurtig, men naiv.
- Regime-betinget: skift til krise-korrelationer, som typisk måles i de værste 5-10 % observationer.
- Stress-korrelation = 1: antag alt risikofyldt bevæger sig samme vej – nyttigt til øvre smertegrænse.
Likviditet påvirker ikke kun transaktionsomkostninger, men også tidsforskydning mellem pris og reelt salg. Indfør en likviditetshaircut, fx:
- Investment grade: bid-ask spread 0,3 % → 0,8 %
- High yield: 1 % → 4 %
- Unoterede aktiver: +10-20 % yderligere volatilitet og forsinket værdiansættelse
4. Eksempel på konkret udformning
Nedenstående viser, hvordan et hypotetisk stagflationschok kan skrives om til en shock-matrix (månedlig horisont, moderat intensitet):
| Risikofaktor | Antaget ændring | Begrundelse |
|---|---|---|
| 10-årig US Treasury yield | +150 bp | Inflations- og termpræmie stiger |
| S&P 500 | -18 % | Lavere P/E, vækstfrygt |
| USD/EUR | +8 % | Risk-off kapitalstrøm til USA |
| Brent olie | +25 % | Udbudschok & politisk usikkerhed |
| US HY kreditspread | +350 bp | Øget misligholdelsesrisiko |
| Likviditetshaircut HY-obligationer | +3 % | Markedstørrelse og exit-risiko |
5. Tjekliste før du låser scenariet
- Er de valgte drivere dækkende for >90 % af porteføljens risiko?
- Er intensiteten realistisk i forhold til historiske maksimumændringer?
- Er der indarbejdet ikke-linearitet (optioner, konvertibler, callable bonds)?
- Har du dokumenteret datakilder og versioner, så scenariet kan gentages?
Først når disse punkter er afkrydset, er scenariet klar til at blive indlæst i din model eller dit regneark. Resultatet er en robust, gennemtænkt test, der kan afsløre porteføljens sande sårbarheder – også dér, hvor historiske standardmål som volatilitet eller VaR må give fortabt.
Sådan udfører du scenarieanalysen trin for trin
En veldesignet scenarieanalyse er lige dele håndværk og disciplineret proces. Følg nedenstående fem trin – og de tilhørende praktiske tip – for at komme hele vejen fra rå porteføljedata til handlingsklare indsigter.
-
Indsamling af porteføljedata – Grundstenen
- Positionsdata: ISIN, antal, kostpriser, aktuel kurs samt eventuell gearing.
- Konto- og handelsomkostninger: kurtage, bid-ask spreads, låneomkostninger for short-positioner og marginkrav.
- Cash-flows: Kuponer, udbytter og kapitalindskud/udtrækninger inden for scenarieperioden.
- Meta-data: Fondsvaluta, rating, sektor, udstederland osv. – nødvendige for korrekt risikofaktortildeling.
Et simpelt
.csv-udtræk fra broker eller porteføljesystem kan som regel åbnes direkte i Excel ellerpandasi Python. -
Map aktiver til relevante risikofaktorer
Det er sjældent nok blot at se på aktivklasser. Du må identificere de underliggende drivere som scenariet påvirker:
Aktiv Primære faktorer Supplerende faktorer Globale aktier MSCI World, USD/EUR
Beta til markedFaktorpremium (Value, Growth)
VolatilitetStatsobligation DK 10Y Renteduration Inflationsbreakeven High-yield ETF Kreditspread Likviditetsspread
USD/DKKVanilla call-option på S&P 500 Delta Gamma, Vega, Rho Ejendomsfond Ejendoms-beta
Cap-rateLikviditetslås (løstegræns) Jo mere granular mapping, jo bedre kan du fange korrelationsbrud under stress.
-
Beregn følsomheder (greeks & co.)
Følsomheder kvantificerer, hvor meget hver position bevæger sig ved et givent
1-unit shocki den respektive faktor.- Aktier: Regressér daglige afkast mod benchmark for at estimere
β. Rullende 3-5 års vindue anbefales. - Faste forrentede papirer: Macaulay- eller modificeret duration; for kreditpapirer tilføjes OAS-spread duration.
- Valuta: Simpelt notional-beløb omsat til basisvaluta.
- Optioner & andre derivater: Brug Black-Scholes eller trin-vis finite-difference fra broker-API til at hente
Δ, Γ, Θ, Vega, Rho. - Illikvide/alternatives: Skøn baseret på appraisal-data, REIT-beta eller peer-analyse; dokumentér antagelser eksplicit.
I Python kan
statsmodelsklare regressions-betaer, mensQuantLibhåndterer options-greeks. - Aktier: Regressér daglige afkast mod benchmark for at estimere
-
Byg shock-matrix & simuler p&l
- Fastlæg shocks: For hvert scenarie definer procentuelle eller absolutte ændringer for alle faktorer (fx
-30 %på S&P 500,+250 bpi IG-spreads,+400 %i energipriser). - Kombinér i matrix: Rækker = faktorer, Kolonner = scenarier. Eksempel:
Faktor COVID-19 (marts 20) Stagflation Likviditetsfrys MSCI World -35 % -15 % -25 % 10Y USD-rente -100 bp +300 bp +50 bp High-yield spread +600 bp +450 bp +1000 bp USD/DKK +5 % ±0 % +7 % Implied vol (VIX) +400 % +150 % +500 % - Apply shocks: Multiplicer hver følsomhed med tilhørende shock og aggreger til portefølje-P&L.
- Beregn risikomål:
- Scenarie-P&L i kroner og som pct. af porteføljen.
- Max drawdown hvis flere datapunkter i tidssimuleringen.
- VaR / Expected Shortfall (historisk eller Cornish-Fisher) for at sammenligne med daglig risikorapportering.
- Visualisér: Tornadodiagram for top-10 bidragsydere til tab; heatmaps per aktivklasse.
- Fastlæg shocks: For hvert scenarie definer procentuelle eller absolutte ændringer for alle faktorer (fx
-
Valider antagelser og iterér
Stil kritiske spørgsmål:
- Passer korrelationerne under stress? (Tjek historiske breakdowns fra 2008 og 2020).
- Er pris-shocks realistiske i forhold til intradag-bevægelser og likviditet?
- Hvordan håndterer modellen ikke-linearitet? Optioners gamma kan vende P&L-profilen på hovedet.
- Kan illikvide fonde re-prissættes dagligt, eller skal du indbygge lags og gates?
- Er datagrundlaget opdateret (f.eks. ny duration efter obligationsudsteders call)?
En god praksis er at udarbejde en assumption-log der sign-off’es af risikokomitéen.
Værktøjsvalg – Hurtigt i gang
- Excel/Google Sheets: Ideelt til små porteføljer og én-af-tests. Udnyt
Data-Tablefunktionen til at køre flere scenarier. - Python: Skalerbar og automatiserbar. Kombinér
pandas,NumPy,matplotlibogQuantLib. Brug Jupyter-notebooks til versioneret dokumentation. - Dedikerede systemer: RiskMetrics, Bloomberg PORT eller open-source RAM-pakker, hvis du administrerer større mandater eller komplekse derivatporteføljer.
Når du har kørt analysen, er næste skridt at oversætte resultaterne til klare handlinger og governance – det dækker vi i den efterfølgende sektion.
Fra indsigt til handling: tolkning, beslutninger og governance
Når stresstesten er gennemført, begynder det egentlige arbejde: at omsætte tal til beslutninger. Start med at sætte resultaterne ind i kontekst af:
- Målsætninger: Er porteføljens forventede drawdown under det maksimale acceptable tab (f.eks. -15 %)?
- Risikotolerance: Hvor stor volatilitet og hvor mange ugers/nederskuringshorisont kan du mentalt og likviditetsmæssigt tåle?
- Tidsramme: Er stresstesteffekten midlertidig (1-3 måneder) eller strukturel (> 1 år)?
Lav dernæst et gap-overblik mellem ønsket og faktisk risiko:
| Scenarie | Forventet P&L | Drawdown (%) | VaR/ES | Afvigelse fra tolerance |
|---|---|---|---|---|
| Stagflation (hypotetisk) | -450.000 kr. | -18 % | VaR 99 %: -14 % | Over -15 % max drawdown |
| COVID-19 (historisk) | -150.000 kr. | -6 % | VaR 99 %: -7 % | Inden for ramme |
Opsæt rammer & tab-triggers
- Kvantitative signallinjer: Definér klare stop-loss eller rebalanceringspunkter (f.eks. drawdown på -12 % eller VaR 99 % > 10 %).
- Proces-triggers: Når en trigger krydses, indkaldes risikokomitéen inden for 24 timer.
- Dobbeltstyret mandat: Porteføljemanager har bemyndigelse til at handle ±5 % af AUM uden komitégodkendelse, men kun inden for definerede instrumenter.
Mulige tiltag når rammer brydes
- Rebalancering: Neutraliser overvægt i den faktor, der driver tabet (fx reducér aktieeksponering, øg stabilitetsobligationer).
- Diversifikation på tværs af faktorer: Introducér value- eller low-vol-strategier, råvarer eller alternative kreditstrategier.
- Kontantbuffer: Øg likviditetsandelen fra 5 % til 10 % for at kunne udnytte prisfald.
- Afdækning: Brug put-optioner på aktieindeks, futures på renter eller CDS-indeks til at beskytte mod ekstreme bevægelser.
- Reduktion af koncentrationsrisiko: Sælg eller syntetisk afdæk store top-holdings (> 5 % af porteføljen).
Løbende rapportering og opdatering
- Månedlig risikorapport: Indeholder opdaterede scenariesimuleringer, nøgletal og eventuelle overskridede triggers.
- Halvårlig scenarie-revision: Fjern irrelevante scenarier og tilføj nye (fx AI-drevet produktivitetsboom eller eskaleret handelssanktion).
- After-action review: Hvis en rigtig markedsbevægelse har lignet et testet scenarie, evalueres både modeller og beslutninger.
Typiske faldgruber
- Falsk præcision: Punktestimater på ±0,1 % skaber illusion af sikkerhed; arbejd hellere med intervaller.
- Modelafhængighed: Husk, at lineære betamodeller kan fejle ved regime-skift; overvej scenario-specific simulation (Monte Carlo).
- Datakvalitet: Illikvide assets (PE, infrastruktur) bruger ofte lagged eller smoothing-priser – justér for latent volatilitet.
- Behavioural bias: Det er fristende at ignorere “utænkelige” udfald; inkluder mindst ét black-swan-scenarie i hver testrunde.
En stresstest er altså ikke slut, når regnearket siger “done”. Først når dens indsigter er forankret i klare rammer, beslutningsprocesser og governance, bliver den et værktøj, som faktisk beskytter – og udvikler – din portefølje.