Edistynyt rahoitus ja liiketoiminta

Asset Correlation Calculator

Asset 1 Weight (%)

Asset 2 Weight (%)

Asset 3 Weight (%)

Asset 1 Vol (%)

Asset 2 Vol (%)

Asset 3 Vol (%)

Corr A1-A2

Corr A1-A3

Corr A2-A3

Mikä on Asset Correlation Calculator?

▾

Korrelaatiomatriisi on salkun teorian ja riskienhallinnan perustyökalu, joka kvantifioi eri omaisuuserien tuottojen välisiä lineaarisia suhteita. Jokainen elementti ρ(i,j) matriisissa edustaa omaisuuserien i ja j välistä Pearson-korrelaatiokerrointa, joka vaihtelee arvosta −1 (täydellinen negatiivinen korrelaatio – varat liikkuvat täsmälleen vastakkaisiin suuntiin) ja +1 (täydellinen positiivinen korrelaatio – varat liikkuvat lockstep), jossa 0 ei ilmaise lineaarista yhteyttä. Korrelaatiomatriisit ovat Harry Markowitzin vuonna 1952 kehittämän Modern Portfolio Theory (MPT) -teorian perusta. Salkun varianssia määräävät paitsi yksittäisten omaisuuserien volatiliteetit, myös niiden väliset korrelaatiot: σ²_portfolio = Σ Σ w_i w_j σ_i σ_j ρ(i,j_j). Omaisuuserien alhaiset tai negatiiviset korrelaatiot vähentävät salkun varianssia yksittäisten varianssien painotetun keskiarvon alapuolelle – tämä on hajauttamisen matemaattinen perusta. Käytännössä korrelaatiomatriiseilla on useita tärkeitä ominaisuuksia ja haasteita. Ensinnäkin korrelaatiot eivät ole vakaita ajan myötä – omaisuuserät, jotka eivät korreloi rauhallisilla markkinoilla, korreloivat usein voimakkaasti markkinakriiseissä ("korrelaatiopiikit"). Vuoden 2008 GFC:lle oli ominaista riskivarojen korrelaatiot, jotka lähestyivät yhtä aikaa 1,0:aa, mikä eliminoi odotetun hajautushyödyn juuri silloin, kun sitä eniten tarvittiin. Tämä ilmiö tunnetaan nimellä "korrelaation hajoaminen" tai "tartunta". Toiseksi korrelaatiomatriisien on oltava positiivisia puolimääräisiä (PSD), jotta ne olisivat matemaattisesti yhdenmukaisia – kaikkien ominaisarvojen on oltava ei-negatiivisia. Koska otoskorrelaatiomatriisit rikkovat usein PSD:tä estimointivirheen vuoksi, koska niissä on monia resursseja ja rajoitettu data, ne edellyttävät regularisointia (kutistuminen, lähin PSD-matriisiprojektio) ennen käyttöä riskimalleissa. Ledoit-Wolf-kutistumisestimaattoria käytetään laajalti tuottamaan hyvin ehdoiteltuja korrelaatiomatriiseja suurille portfolioille. Kolmanneksi, lineaarinen korrelaatio ei riitä kuvaamaan häntäriippuvuutta – resurssien taipumusta törmätä yhteen äärimmäisissä tapahtumissa, vaikka se normaalisti ei korreloi. Copula-mallit (erityisesti Gauss- ja t-copula) laajentavat korrelaatioanalyysiä kattamaan epälineaariset riippuvuusrakenteet ja tail-riippuvuuden, jotka ovat välttämättömiä tarkan luottosalkun ja CDO-riskimallinnuksen kannalta.

DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.

Kaava

▾

f(x)

ρ(i,j) = Cov(R_i, R_j) / (σ_i × σ_j)
Portfolion varianssi = Σ_i Σ_j w_i × w_j × σ_i × σ_j × ρ(i,j)
Hajautussuhde = painotettu keskimääräinen volatiliteetti / salkun volatiliteetti

Muuttujan selitys

▾

Symboli	Nimi	Yksikkö	Kuvaus
ρ(i,j)	Pearsonin korrelaatiokerroin	dimensionless	Lineaarinen korrelaatio omaisuuserien tuottojen i ja j välillä: vaihtelee välillä −1 - +1. Mittaa yhteisliikkeen suuntaa ja voimaa.
σ_p²	Portfolion varianssi	%²	Kaikkien parien w_i × w_j × σ_i × σ_j × ρ(i,j) summa; alhainen korrelaatio omaisuuserien välillä.
R	Palauta Matrix	%	T × N matriisi historiallisista tuotoista N omaisuudesta T ajanjaksolta; käytetään korrelaatiomatriisin arvioimiseen.
β_div	Monipuolinen hyöty	%	Salkun volatiliteetin vähentäminen hajauttamisesta: (Painotettu avg vol − Portfolio vol) / Weighted avg vol.
λ_min	Pienin ominaisarvo	dimensionless	Korrelaatiomatriisin pienin ominaisarvo; on oltava ≥ 0 positiiviselle puolitarkkuudelle; negatiiviset arvot osoittavat estimointiongelmia.

Kuinka Asset Correlation Calculator

▾

1Kerää historialliset tuottotiedot kaikista salkun omaisuuseristä: päivittäiset, viikoittaiset tai kuukausittaiset tuotot vähintään 1–3 vuoden ajalta (enemmän tietoa = vakaammat arviot).
2Laske kunkin omaisuuden otoskeskimääräinen tuotto; vähennys tarkoittaa tietojen keskittämistä.
3Laske otoksen kovarianssimatriisi: Cov(i,j) = (1/(T−1)) × Σ (R_it − μ_i)(R_jt − μ_j).
4Normalisoi korrelaatioon: ρ(i,j) = Cov(i,j) / (σ_i × σ_j). Diagonaaliset elementit ovat rakenteeltaan 1,0.
5Tarkista positiivinen puolimääräisyys: laske ominaisarvot. Jos jokin ominaisarvo on negatiivinen, käytä regularisointia (Ledoit-Wolf-kutistuminen, lähin PSD-matriisi).
6Analysoi korrelaatiomatriisi: tunnista voimakkaasti korreloivat omaisuusklusterit, lähellä nollaa korrelaatiot (hyvät hajauttajat) ja negatiiviset korrelaatiot (luonnolliset suojaukset).
7Laske salkun varianssi käyttämällä korrelaatiomatriisia ja yksittäisiä volatiliteetteja; laskea monipuolistamisen hyöty.

Ratkaistut esimerkit

▾

Esimerkki 1Klassinen 60/40-portfoliokorrelaatio

Annettu:Yhdysvaltain osakkeet σ=15 %, joukkovelkakirjat σ=7 %; ρ(osakkeet, joukkovelkakirjat) = −0,25; painot 60/40

Tulos:Salkun σ=9,1 % vs. painotettu keskiarvo σ=11,8 % | Hajautusetu=23 %

Negatiivinen osake-obligaatiokorrelaatio on 60/40-salkkujen perusta

Portfolion varianssi = (0.6)²(0.15)² + (0.4)²(0.07)² + 2(0.6)(0.4)(0.15)(0.07)(−0.25) = 0.0081 + 0.00078 − 0.00126 = 0.00 Salkun σ = √0,00762 = 8,73 %. Painotettu keskiarvo σ = 0,6 × 15 % + 0,4 × 7 % = 11,8 %. Hajautusetu = (11,8 % − 8,73 %) / 11,8 % = 26 %. Negatiivinen korrelaatio osakkeiden ja joukkovelkakirjalainojen välillä on 60/40-salkun rakenteellinen perusta – historiallisesti, kun osakkeet putoavat taantuman aikana, joukkovelkakirjat nousevat korkojen laskeessa. Tämä korrelaatio muuttui epäluotettavaksi vuonna 2022, kun molemmat putosivat yhdessä (inflaatiovetoiset koronnostot).

Esimerkki 2Sektorikorrelaatiomatriisi

Annettu:Tekniikka, terveydenhuolto, energia, yleishyödylliset palvelut: 4 × 4 -korrelaatiomatriisi 5 vuoden historiallisista tiedoista

Tulos:Tekninen terveydenhuolto: 0,45 | Tekninen energia: 0,30 | Utilities alhaisimmat korrelaatiot – paras hajauttaja

Utilities ja Energy tarjoavat eniten monipuolisuutta verrattuna tekniikkaan

Korrelaatiomatriisi osoittaa, että teknologia ja terveydenhuolto korreloivat eniten (0,45) – molemmat ovat kasvusektoreita, jotka ovat herkkiä samanlaisille makrotekijöille. Energialla on kohtalainen korrelaatio teknologian (0,30) ja terveydenhuollon (0,20) kanssa – sitä ohjaavat hyödykkeiden suhdannetekijät. Yleishyödyllisillä korrelaatioilla on alhaisin korrelaatio kaikkien muiden sektoreiden kanssa (0,10–0,35), mikä johtuu korkoherkkyydestä ja säännellyistä ansioista, joten ne ovat paras salkun hajauttaja. Apuohjelmien lisääminen vähentää merkittävästi salkun varianssia tinkimättä paljoakaan odotetuista tuotoista.

Esimerkki 3Kriisikorrelaatiopiikkianalyysi

Annettu:Normaali kausi (2013–2019): pääomalaina ρ=0,25; Kriisikausi (Q4 2008): osake-luotto ρ=0,85

Tulos:Normaalikauden hajautusetu=40 %; Kriisikauden monipuolistamisetu=8 %

Kriisikorrelaatiot kiihtyvät kohti 1,0:aa, mikä tuhoaa monipuolistamisen juuri tarvittaessa

Normaalimarkkinoilla osakkeiden ja luottojen (HY-obligaatioiden) korrelaatio on maltillinen (0,25), mikä mahdollistaa salkun mielekkään hajauttamisen. Vuoden 2008 kriisissä sekä osake- että luottomarkkinat romahtivat samanaikaisesti, kun riskien välttely lisääntyi – korrelaatio nousi 0,85:een. Hajauttamisen aiheuttama salkun riskin vähennys laski 40 prosentista vain 8 prosenttiin. Tämä "korrelaatiojakauma" on hyvin dokumentoitu empiirinen säännönmukaisuus: riskiomaisuuserien väliset korrelaatiot kasvavat laskusuhdanteissa, mikä tekee hajauttamisesta paljon vähemmän tehokasta aikoina, jolloin tarve on suurin. Stressitestauksessa tulee käyttää stressijaksokorrelaatioita.

Esimerkki 4Kansainvälinen monipuolistaminen – liikkuvat korrelaatiot

Annettu:US S&P 500 vs. Emerging Markets: 3 vuoden liukuva korrelaatio vuosina 2005–2024

Tulos:Ennen GFC:tä ρ≈0,65 | GFC ρ→0,88 | 2010-luvun keskiarvo ρ≈0,75 | COVID ρ → 0,90

EM-USA korrelaatio on noussut ajan myötä – globalisaatio vähentää monipuolistumista

Liukuva 3 vuoden korrelaatio Yhdysvaltain osakkeiden ja kehittyvien markkinoiden välillä on kasvanut merkittävästi vuodesta 2000 (1990-luvun 0,4–0,5:stä 2010-luvun 0,7–0,8:aan), mikä johtuu osittain globalisaatiosta, synkronoidusta rahapolitiikasta ja lisääntyneistä rajat ylittävistä pääomavirroista. Kriiseissä (GFC 2008, COVID 2020) korrelaatio nousi arvoon 0,85–0,90. Tämä trendi – globaalisti nousevat korrelaatiot – on suuri haaste kansainvälisille hajautusstrategioille, jotka historiallisesti oikeuttivat EM-allokaatioita osittain hajautussyistä. EM-allokoinnin hajautushyöty on vähentynyt ajan myötä markkinoiden integroituessa.

Käytännön sovellukset

▾

🏗️

Portfolion rakentaminen ja keskimääräisen varianssin optimointi, jonka avulla ammattilaiset voivat tehdä tietoon perustuvia kvantitatiivisia päätöksiä validoitujen laskentamenetelmien ja alan standardien lähestymistapojen perusteella, mikä edellyttää tarkkaa kvantitatiivista analyysiä näyttöön perustuvien päätösten, strategisten resurssien allokoinnin ja suorituskyvyn optimoinnin tukemiseksi erilaisissa organisaatiokonteksteissa ja ammatillisilla aloilla.

🔬

Riskipariteetti ja maksimaalisen hajautusportfolion strategiat, jotka auttavat analyytikot tuottamaan tarkkoja tuloksia, jotka tukevat strategista suunnittelua, resurssien kohdentamista ja suorituskyvyn vertailua eri organisaatioissa, joissa tarkka numeerinen laskenta on välttämätöntä luotettavien tulosten tuottamiseksi, jotka antavat tietoa suunnittelusta, arvioinnista ja jatkuvasta parantamisesta sekä yritys- että yksilöympäristöissä.

📊

Monte Carlo VaR -simulaatiojärjestelmä (Cholesky-hajotelma), jonka avulla ammattilaiset voivat mitata tuloksia systemaattisesti ja verrata skenaarioita käyttämällä luotettavia matemaattisia viitteitä ja vakiintuneita kaavoja, vaativat systemaattisia laskentamenetelmiä, jotka muuntavat raakasyöttötiedon käyttökelpoisiksi oivalluksiksi sidosryhmille, jotka ovat riippuvaisia kvantitatiivisesta kurinalaisuudesta päivittäisessä ammatillisessa toiminnassaan.

🏥

Sääntelyn korrelaatiostressitestaus Baselin FRTB:n alaisuudessa, joka tukee tietopohjaisia arviointiprosesseja, joissa numeerinen tarkkuus on olennaista vaatimustenmukaisuuden, raportoinnin ja optimointitavoitteiden kannalta. Se vaatii vankkoja laskentamenetelmiä, jotka tuottavat johdonmukaisia ja todennettavia tuloksia, jotka sopivat raportointiin, auditointiin ja pitkän aikavälin trendianalyysiin ammattiympäristöissä.

⚙️

Hedge-rahastojen tekijöiden altistuminen ja korrelaatiosuojaus, joka edellyttää tarkkaa kvantitatiivista analyysiä näyttöön perustuvien päätösten, strategisten resurssien allokoinnin ja suorituskyvyn optimoinnin tukemiseksi erilaisissa organisaatioympäristöissä ja ammatillisilla aloilla.

Erikoistapaukset

▾

Korrelaatiomatriisin kanssa työskentelevien ammattilaisten tulee olla erityisen tarkkaavaisia tämän skenaarion suhteen, koska se voi johtaa harhaanjohtaviin tuloksiin, jos sitä ei käsitellä oikein. Tarkista aina rajaehdot ja ristiintarkasta riippumattomilla menetelmillä, kun tällainen tapaus käytännössä ilmenee.

Käytännössä tämä reunatapaus vaatii huolellista harkintaa, koska standardioletukset eivät välttämättä pidä paikkaansa. Kohdatessaan tämän skenaarion omaisuuserien korrelaatiolaskimen laskelmissa harjoittajien tulee tarkistaa reunaehdot, tarkistaa nollalla jakoriskit ja harkita, pysyvätkö mallin oletukset voimassa näissä äärimmäisissä olosuhteissa.

Tyypilliset omaisuusluokkakorrelaatiot (pitkän aikavälin keskiarvot, USD-näkökulma)

▾

Omaisuuspari	Normaalijakso ρ	Kriisikausi ρ	Monipuolinen arvo
US Equities – US Treasuries	-0,25 - +0,10	-0,40 - -0,60	Erittäin korkea (lento laatuun)
Yhdysvaltain osakkeet – High Yield Bonds	0,55–0,70	0,75–0,90	Alhainen kriisissä
US Equities – IG Corporate Bonds	0,10–0,30	0,40–0,60	Kohtalainen
Yhdysvaltain osakkeet – kulta	-0,10 - +0,10	-0,20 - +0,20	Kohtalainen
Yhdysvaltain osakkeet – kehittyvät markkinat	0,70–0,80	0,85–0,92	Matala (nousee ajan myötä)
US Equities – Real Estate (REIT)	0,60–0,75	0,70–0,85	Low
Yhdysvaltain valtiovarainministeriö - kulta	0,0 - 0,15	0,0 - 0,20	Kohtalainen

Usein kysytyt kysymykset

▾

Mitä kahden omaisuuden välinen korrelaatio 0,7 tarkoittaa käytännössä?

Korrelaatio 0,7 tarkoittaa, että kahdella omaisuudella on taipumus liikkua samaan suuntaan noin 70 % ajasta (epävirallisesti) ja että noin 49 % (0,7²) yhden omaisuuden varianssista voidaan selittää lineaarisilla liikkeillä toisessa. Salkun kannalta 0,7 korrelaatio kahden omaisuuden välillä tarjoaa paljon vähemmän hajautushyötyä kuin 0,0 tai negatiivinen korrelaatio. Toisen 0,7-korrelaation omaavan omaisuuden lisääminen olemassa olevaan positioon vähentää salkun keskihajontaa vain vaatimattomasti verrattuna jommankumman omaisuuden säilyttämiseen yksinään. Todellinen diversifikaatio vaatii korrelaatioita, jotka ovat lähempänä nollaa tai negatiivisia.

Miksi korrelaatiot muuttuvat ajan myötä?

Korrelaatiot eivät ole rakenteellisia vakioita, vaan ne kuvastavat nykyistä taloudellista ja rahoitusympäristöä. Härkämarkkinoilla, joilla makroolosuhteet ovat vakaat, riskivaroilla voi olla suhteellisen alhainen korrelaatio, koska yrityskohtaiset tekijät hallitsevat. Karhumarkkinoilla ja kriiseissä makroriskitekijät hallitsevat (pako laatuun, pakkovelkaantuminen, luottojen kiristäminen), mikä ajaa riskivarojen korrelaatioita kohti 1,0:aa. Lisäksi lisääntyvä globalisaatio, synkronoitu keskuspankkipolitiikka ja määrällinen keventäminen ovat rakenteellisesti lisänneet omaisuuserien välisiä korrelaatioita viimeisen kahden vuosikymmenen aikana. Pitkän aikavälin keskimääräisiä korrelaatioita käyttävät riskimallit aliarvioivat järjestelmällisesti kriisiriskiä, koska ne eivät ota huomioon tätä korrelaation epävakautta.

Mikä on korrelaatiokutistumisestimaattori ja miksi sitä tarvitaan?

Rajoitettujen historiallisten tietojen (T-havainnot) ja monien omaisuuserien (N) ansiosta otoskorrelaatiomatriiseista tulee huonosti arvioituja ja meluisia. Kun T < N, näytematriisi ei ole edes käännettävä. Vaikka T > N, monet arvioidut parikohtaiset korrelaatiot ovat kaukana todellisista arvoistaan estimointivirheen vuoksi. Kutistumisestimaattorit (Ledoit-Wolf, Oracle Approximating Shrinkage) säätävät otoksen korrelaatiomatriisin kutistamalla sitä kohti strukturoitua kohdetta (tyypillisesti identiteettimatriisia tai tekijämallia). Tämä vähentää estimointivirheitä jonkin verran harhaanjohtamisen kustannuksella, mutta tuottaa paremmin käyttäytyviä, positiivisesti määriteltyjä matriiseja, jotka parantavat salkun optimointia ja riskimallin vakautta.

Mikä on hännän riippuvuus ja miksi lineaarinen korrelaatio ei ota sitä huomioon?

Tail-riippuvuus mittaa todennäköisyyttä, että kaksi omaisuutta kokee samanaikaisesti äärimmäisiä liikkeitä, jotka ylittävät sen, mitä lineaarinen korrelaatio ennustaisi. Kahdella omaisuudella voi olla nolla lineaarista korrelaatiota, mutta suuri tail-riippuvuus (ne törmäävät yhteen, vaikka ne eivät normaalisti liiku yhdessä). Copula-mallit erottavat kunkin omaisuuden marginaalijakauman riippuvuusrakenteesta. T-kopulalla, toisin kuin Gaussin kopulalla, on symmetrinen ylemmän ja alemman hännän riippuvuus – t-kopulalla mallinnetut omaisuuserät törmäävät todennäköisemmin yhteen tai osuvat yhteen kuin Gaussin kopula ennustaa. Tämä ero oli kriittinen vuoden 2008 CDO-kriisissä, jossa Gaussin kopulamallit aliarvioivat dramaattisesti yhteisen maksukyvyttömyyden todennäköisyydet stressin alaisena.

Kuinka monta omaisuutta tarvitaan ennen kuin korrelaatiomatriisista tulee epäluotettava?

Karkea nyrkkisääntö: tarvitset vähintään T > 3N havaintoja (ajanjaksot vs. resurssien lukumäärä) kohtuullisen vakaita korrelaatioestimaatteja varten. 252 päivittäisellä havainnolla (1 vuosi) voit luotettavasti arvioida korrelaatioita noin 80 omaisuudelle. 2 000 omaisuutta (tyypillinen suuri salkku) varten tarvitsisit yli 6 000 päivittäistä havaintoa (24 vuotta) – selvästi epäkäytännöllistä. Tästä syystä tekijämalleja (CAPM, Fama-French) käytetään suurissa salkuissa: ne jakavat tuotot pieneen määrään yhteisiä tekijöitä sekä yksilöllistä riskiä, mikä vähentää dramaattisesti arvioitavien parametrien määrää ja tarjoaa rakenteellisemman ja vakaamman kovarianssimallin.

Mikä on hajautussuhde ja miten sitä käytetään?

Hajautussuhde = (painotettu keskimääräinen yksilöllinen volatiliteetti) / (salkun volatiliteetti). Suhde 1,0 tarkoittaa, että hajautushyötyä ei ole (kaikki varat korreloivat täydellisesti). Suhde 2,0 tarkoittaa, että salkun volatiliteetti on puolet painotetusta keskimääräisestä yksittäisen volatiliteetista – huomattavaa hajautusta. Riskipariteettisalkut maksimoivat hajautussuhteen painottamalla varat käänteisesti suhteessa niiden osuuteen salkun riskiin sen sijaan, että ne ovat käänteisesti verrannollisia odotettuun tuottoon (kuten keskivarianssin optimointi tekee). Choueifatyn ja Coignardin kehittämä eniten monimuotoinen portfolio (MDP) valitsee painot, jotka maksimoivat hajautussuhteen, tekemättä oletuksia odotetuista tuotoista.

Miten stressitestauksen ja normaalin riskinmittauksen korrelaatiot tulisi arvioida?

Normaalissa VaR- ja portfoliooptimoinnissa tulisi käyttää korrelaatioita, jotka on arvioitu täydestä markkinasyklistä tai eksponentiaalisesti painotetun liukuvan keskiarvon (EWMA) tasoitusta, joka korostaa viimeaikaista dataa. Käytä stressitestaukseen ja kriisin CVaR-arvoihin korrelaatioita, jotka on arvioitu historiallisten kriisikausien perusteella – erityisesti ikkunoista, jotka sisältävät GFC:n (2008), COVID-onnettomuuden (2020) tai muita asiaankuuluvia stressitapahtumia. Riskivarojen kriisikauden korrelaatiot ovat tyypillisesti 30–50 % korkeammat kuin koko kauden keskiarvot. Korrelaatioiden käyttäminen vakavaraisuusanalyysissä estää vaarallisen oletuksen, että rauhallisilla markkinoilla havaitut hajautusedut säilyisivät kriisiskenaarioissa.

Yleisiä virheitä vältettäväksi

▾

!Korrelaatioiden laskeminen hintatasoista tuottojen sijaan – tuottaa harhaanjohtavia korrelaatioita yhteisistä trendeistä.
!Lyhyiden historiallisten ikkunoiden (< 1 vuosi) käyttäminen korrelaatioestimaateille, jotka ovat erittäin herkkiä valitulle ajanjaksolle.
!Ehdollisten pitkän aikavälin korrelaatioiden käyttö stressitestauksessa kriisikauden korrelaatioiden sijaan.
!Positiivisen puolimäärittömyyden vaatimuksen huomiotta jättäminen – ei-PSD-matriisin käyttö riskimalleissa voi tuottaa negatiivisia salkun variansseja.
!Korkean korrelaation pitäminen pysyvänä – korrelaatiot vaihtelevat ajallisesti ja ne tulee arvioida säännöllisesti uudelleen.

💡

Ammattilaisen vinkki

Visualisoi korrelaatiomatriisi lämpökartana, joka on lajiteltu hierarkkisen klusteroinnin mukaan. Tämä paljastaa välittömästi luonnolliset omaisuusklusterit (samankaltaisten omaisuuserien ryhmät, joilla on korkeat sisäiset korrelaatiot) ja todelliset hajauttajat (varat, joilla on alhainen korrelaatio useisiin klustereihin). Käytä tätä rakennetta ohjaamaan portfolion rakentamista.

⭐

Tiesitkö?

Harry Markowitz, joka kehitti Modernin portfolioteorian ja korrelaation kvantitatiivisen roolin salkun rakentamisessa, sai taloustieteen Nobel-palkinnon vuonna 1990. Hän kuulemma sijoitti alun perin omat eläkesäästönsä 50/50 osakkeisiin ja joukkovelkakirjoihin – huomioimatta omat optimaalisuuslaskelmansa – koska hän ei halunnut katua markkinoiden raskaiden pörssien romahtamista. Jopa kvantitatiivisen portfolioteorian isä tunnusti puhtaan optimoinnin rajoitukset ilman käyttäytymisarviointia.

Viitteet

📖Vaikeustaso:Keskitaso

Vain tiedoksi. Tämä työkalu ei ole taloudellinen neuvo. Ota yhteyttä pätevään talousneuvojaan ennen sijoitus- tai taloudellisia päätöksiä.

Deep Dive

Read the full guide on how to use this calculator effectively

Lue lisää →

Accuracy-checked

Reviewed October 2026

Our methodology

Hanki viikoittaisia matematiikkavinkkejä

Liity 12 000+ tilaajien joukkoon, jotka saavat laskurivinkkejä joka viikko.

🔒

100% Ilmainen

Ei rekisteröintiä

✓

Tarkka

Vahvistetut kaavat

⚡

Välitön

Tulokset heti

📱

Mobiiliystävällinen

Kaikki laitteet