Chapter 

1
Introduction to Portfolio
Theory

Updated: August 9, 2013.
This chapter introduces modern portfolio theory in a simplified setting
where there are only two risky assets and a single risk-free asset.

1.1 Portfolios of Two  Risky  Assets

Consider the following investment problem. We can invest in two non-
dividend paying stocks Amazon (A) and Boeing (B) over the next month.
Let    denote monthly simple return on Amazon and    denote the monthly
simple return  on  stock  Boeing. These returns are to  be treated  as random
variables because the returns will not be realized until the end of the month.
We assume that the returns    and    are jointly normally distributed,
and that we have the following information about the means, variances and
covariances of the probability distribution of the two returns:
2 2
  = [  ]     =  var(  )    =  [  ]     (1.1)
=  var(  ) (1.2)

  = cov(     )    =  cor(     )   = 
 
We assume that these values are taken as given. Typically, they are estimated
from historical return data for the two stocks. However, they can also be
subjective guesses by an analyst.

1
2 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

The  expected  returns,   and   , are  our  best  guesses  for  the  monthly
returns on each of the stocks. However, because the investment returns are
random variables we must recognize that the realized returns may be different
from  our  expectations. The  variances, 2  and  2 , provide  measures  of  the
uncertainty associated with these monthly returns. We can also think of the
variances as measuring the risk associated with the investments. Assets with
high return variability (or volatility) are often thought to be risky, and assets
with low return volatility are often thought to be safe. The covariance 
gives us information about the direction of any linear dependence between
returns. If     0 then the two returns tend to move in the same direction;
if    0 the returns tend to move in opposite directions; if   = 0 then
the returns tend to move independently. The strength of the dependence
between the returns is measured by the correlation coefficient   If  
is close to one in absolute value then returns mimic each other extremely
closely,  whereas  if    is  close  to  zero  then  the  returns  may  show  very  little
relationship.

Example  1 Two risky asset portfolio information

Table 1.1 gives annual return distribution parameters for two hypothetical
assets A and B. Asset A is the high risk asset with an annual return of
  = 175% and annual standard deviation of   = 258% Asset 
B is a
lower risk asset with annual return    =  55% and annual standard deviation
of    = 115%  The  assets  are  assumed  to  be  slightly  negatively  correlat
ed
with correlation coefficient    = −0164 Given the standard deviations a
nd
the  correlation, the  covariance  can  be  determined  from    =      =
( −0164)(00258)(0115)  = −0004875  In  R,  the  example  data 
is

> mu.A = 0.175
> sig.A = 0.258
> sig2.A = sig.A^2
> mu.B = 0.055
> sig.B = 0.115
> sig2.B = sig.B^2
> rho.AB = -0.164
> sig.AB = rho.AB*sig.A*sig.B
¥

1.1  PORTFOLIOS  OF  T W O   R IS KY   ASSETS 3

  2 2    

0.175 0.055 0.06656  0.01323 0.258 0.115 -0.004866 -0.164

Table 1.1: Example data for two asset portfolio.

The portfolio problem is set-up as follows. We have a given amount of
initial wealth 0 and it is assumed that we will exhaust all of our wealth
between investments in the two stocks. The investment problem is to decide
how much wealth to put in asset A and how much to put in asset B. Let
  denote the share of wealth invested in stock A, and   denote the share
of wealth invested in stock B. The values of   and   can be positive or
negative. Positive values denote long positions (purchases) in the assets.
Negative values denote  short positions (sales).1 Since all  wealth is  put into
the two investments it follows that   +   = 1  If asset  is shorted,  then
it is assumed that the proceeds of the short sale are used to purchase more
of  asset   Therefore, to  solve  the  investment  problem  we  must  choose  the
values of   and  
Our investment in the two stocks forms a portfolio, and the shares   and
  are referred to as portfolio shares or weights. The return on the portfolio
over the next month is a random variable, and is given by

  =     +     (1.3)

which is a linear combination or weighted average of the random variables
   and   . Since     and    are assumed  to be normally distributed,   
is also normally distributed. We use the properties of linear combinations of
random variables to determine the mean and variance of this distribution.

1.1.1 Portfolio  expected  return  and  variance

The distribution of the return on the portfolio (1.3) is a normal with mean,
variance and standard deviation given by
1 To short an asset one borrows the asset, usually from a broker, and then sells it. The

proceeds from the short sale are usually kept on account with a broker and there often
restrictions that prevent the use of these funds for the purchase of other assets. The short
position  is  closed out  when the  asset is  repurchased and  then returned  to  original  owner.
If the asset drops in value then a gain is made on the short sale and if the asset increases
in value a loss is made.

4 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY
  = [ ]  =     +    (1.4)
2 2 2 2 2
  = var( )   =       +       + 2   (1.5)

q 2 2 (1.6)
2 2
 = SD( )   =      +       + 
2   

That is,
2
  ∼   (   )
The results (1.4) and (1.5) are so important to portfolio theory that it i
s
worthwhile to review the derivations. For the first result (1.4), we have

[ ]  =  [    +    ]  =   [  ] +  [  ]  =     +  



by the linearity of the expectation operator. For the second result (1.5), w
e
have
2 2
var( ) [(  − ) ]  =  [( (   −  )  +  (   −  )) ]
2 2 2 2
= [  (   −  )  +   (   −  )  + 2  (   −  )(   −  )]
2 2 2 2
  [(   −  ) ] +   [(   −  ) ] + 2  [(   −  )(   
−  )]
2 2 2 2
     +       + 2   

Notice that the variance of the portfolio is a weighted average of the variance
s
of  the  individual  assets  plus  two  times  the  product  of  the  portfolio  weight
s
times the covariance between the assets. If the portfolio weights are bot
h
positive then a positive covariance will tend to increase the portfolio variance
,
because both returns tend to move in the same direction, and a negativ
e
covariance will tend to reduce the portfolio variance. Thus finding assets wit
h
negatively correlated returns can be very beneficial when forming portfolio
s
 because risk, as measured by portfolio standard deviation, is reduced. Wha
t
is perhaps surprising is that forming portfolios with positively correlate
d
assets can also reduce risk as long as the correlation is not too large.

Example  2 Two asset portfolios

Consider creating some portfolios using the asset information in Table 1.1
.
The first portfolio is an equally weighted portfolio with   =    = 05
 Using

1.1  PORTFOLIOS  OF  T W O   R IS KY   ASSETS 5

(1.4)-(1.6), we have

 = (05) · (0175) + (05) · (0055)  =  0115
2 2 2
  = (05)  · (0067) + (05)  · (0013)
+2  · (05)(05)(−0004866)
= 001751
√
 = 001751 = 01323

This portfolio has expected return half-way between the expected returns
on assets A and B, but the portfolio standard deviation is less than half-
way  between  the  asset  standard  deviations. This  reflects  risk  reduction  via
diversification. In R, the portfolio parameters are computed using

> x.A = 0.5
> x.B = 0.5
> mu.p1 = x.A*mu.A + x.B*mu.B
> sig2.p1 = x.A^2 *  sig2.A + x.B^2 *  sig2.B + 2*x.A*x.B*sig.AB
> sig.p1 = sqrt(sig2.p)
> mu.p1
[1] 0.115
> sig2.p1
[1] 0.01751
> sig.p1
[1] 0.1323

Next,  consider  a  long-short  portfolio  with    =  15  and    = −05  In  this
portfolio, asset B is sold short and the proceeds of the short sale are used to
leverage the investment in asset A. The portfolio characteristics are
  = (15) · (0175) + ( −05) · (0055)  =  0235
2 2 2
  = (15)  · (0067) + ( −05)  · (0013)
+2  · (15)(−05)(−0004866)
= 01604
√
 = 01604 = 04005

This portfolio has both a higher expected return and standard deviation than
asset A. In R, the portfolio parameters are computed using

6 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

> x.A = 1.5
> x.B = -0.5
> mu.p2 = x.A*mu.A + x.B*mu.B
> sig2.p2 = x.A^2 *  sig2.A + x.B^2 *  sig2.B + 2*x.A*x.B*sig.AB
> sig.p2 = sqrt(sig2.p2)
> mu.p2
[1] 0.235
> sig2.p2
[1] 0.1604
> sig.p2
[1] 0.4005
VaR  =  0
¥
where   is  the    quantile  of  the  distribution  of    and  is  given  by

1.1.2 Portfolio  Value-at-Risk 

  =   +   
Consider an initial investment of $0 in the portfolio of assets A and B
with return given by (1.3), expected return given by (1.4) and variance given
by (1.5). Then   ∼   (  2). For  ∈ (0 1) the  ×  100% 
portfolio
value-at-risk is given by

(1.7)

 
  +    =   (  +    )  +  (   +    )

(1.8)

where   is  the    quantile  of  the  standard  normal  distribution.2

What is the relationship between portfolio VaR and the individual asset
VaRs? Is portfolio VaR a weighted average of the individual asset VaRs?
In general, portfolio VaR is not a weighted average of the asset VaRs. To
see this consider the portfolio weighted average of the individual asset return
quantiles
  

=    +     + (   +   )

=  + (   +   )   (1.9)
2
If   is a continuously compounded return then the implied simple return quantile is
 
= exp( +   )  − 1

1.1  PORTFOLIOS  OF  T W O   R IS KY   ASSETS 7

The weighted asset quantile (1.9) is not equal to the portfolio quantile (1.8)
unless    =  1 Hence, weighted asset VaR is in general not equal to portfolio

VaR because the quantile (1.9) ignores the correlation between 

0 050  =  (  +   05)     and   

0
Example  3 Portfolio VaR  
0 050  =  (   +   05)  
0
Consider an initial investment of  0 =$100,000. Assuming that returns are
simple, the 5% VaRs on assets A and B are

VaR  005  
= (0175 + 0258(−1645)) · 100 000  = −24 937
= 

VaR005
= (0055 + 0115(−1645)) · 100 000  = −13 416

=

The 5% VaR on the equal weighted portfolio with   =    = 05 is

 ¡ ¢
VaR005 = 0050  =  +  05 0
= (0115 + 01323(−1645)) · 100 000  = −10 268


and the weighted average of the individual asset VaRs is

 VaR  005 +  VaR005  =  05(−24 937) + 05(−13 416)  = 

−19 177

The  5%  VaR  on  the  long-short  portfolio  with     =  15  and     = −05  is

VaR005  =  0050  =  (0235 + 04005(−1645)) · 100 000  = −42
 371

and the weighted average of the individual asset VaRs is


 VaR  005 +  VaR005  =  15(−24 937) − 05(−13 416)  = 

−30 698
Notice  that  VaR005 6=   VaR  005 +  VaR005 because     6=  1
Using R, these computations are

> w0 = 100000
> VaR.A = (mu.A + sig.A*qnorm(0.05))*w0
> VaR.A
[1] -24937
> VaR.B = (mu.B + sig.B*qnorm(0.05))*w0
> VaR.B

8C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

[1] -13416
> VaR.p1 = (mu.p1 + sig.p1*qnorm(0.05))*w0
> VaR.p1
[1] -10268
> x.A*VaR.A + x.B*VaR.B
[1] -19177
> VaR.p2 = (mu.p2 + sig.p2*qnorm(0.05))*w0
> VaR.p2
[1] -42371
> x.A*VaR.A + x.B*VaR.B
[1] -30698

Example  4 Create R function to compute portfolio VaR

The previous example used repetitive R calculations to compute the 5% 
VaR
of an investment. An alternative approach is to first create an R functio
n to
compute  the  VaR  given     (VaR  probability)  and  0,  and  then  a
pply
the function using the inputs of the different assets. A simple functi
on to
compute VaR based on normally distributed asset returns is

normalVaR <- function(mu, sigma, w0, ta i l . p r o b  = 0.01, invert
=FALSE) {
## compute normal VaR f o r  collection of assets given mean an
d sd vector
## inputs:
## mu n x 1 vector of expected returns
## sigma n x 1 vector of standard deviations
## w0 scalar initial investment i n  $
 ## ta i l . p r o b scalar tail probability
## invert l o g i ca l .  If TRUE report VaR as positive number
## output:
## VaR n x 1 vector of left tail return quantiles
## References:
## Jorian (2007) pg 111.
if ( length(mu) != length(sigma) )
stop("mu and sigma must have same number of elements")
if ( ta i l . p r o b  < 0 || ta i l . p r o b  > 1)
stop("tail.prob  must be between 0 and 1")
VaR = w0*(mu + sigma*qnorm(tail.prob))

1.2  EFFIC IENT   PORTFOLIOS  WITH  T W O   R I SK Y   ASSETS 9

if ( i n ve r t )  {
VaR = -VaR
}
return(VaR)
}

Using the normalVaR() function, the 5% VaR values of asset A, B and equally
weighted portfolio are:

> normalVaR(mu=c(mu.A, mu.B, mu.p1),
+ sigma=c(sig.A, sig.B, sig.p1),
+ w0=100000, tail.prob=0.05)
[1] -24937 -13416 -10268

1.2 Efficient portfolios with  two  risky  assets

In this section we describe how mean-variance efficient portfolios are con-
structed. First we make the following assumptions regarding the probability
distribution of asset returns and the behavior of investors:

1. Returns are covariance stationary and ergodic, and jointly normally
distributed over the investment horizon. This implies that means, vari-
ances and covariances of returns are constant over the investment hori-
zon and completely characterize the joint distribution of returns.

2. Investors know the values of asset return means, variances and covari-
ances.

3. Investors only care about portfolio expected return and portfolio vari-
 ance. Investors like portfolios with high expected return but dislike
portfolios with high return variance.

Given the above assumptions we set out to characterize the set of efficient
portfolios: those portfolios that have the highest expected return for a given
level of risk as measur ed by portfolio va
riance. These are the p ortfolios that

0.20
investors are most inter ested in holding.

0.15

10 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY
0.10
0.05

0.0 0.1 0.2 0.3

p
0.00

Figure 1.1: Portfolio frontier of example data.

For illustrative purposes we will  show calculations using the data in the
Table 1.1. The collection of all feasible portfolios, or the investment possi-
bilities set, in the case of two assets is simply all possible portfolios that can
be formed by varying the portfolio weights    and   such that the weights
sum to one (  +   = 1). We summarize  the expected return-risk (mean-
variance) properties of the feasible portfolios in a plot with portfolio expected
return,  ,  on  the  vertical  axis  and  portfolio  standard  deviation, ,  on  the
horizontal axis. The portfolio standard deviation is used instead of variance
because standard deviation is measured in the same units as the expected
value (recall, variance is the average squared deviation from the mean).

Example  5 Investment possibilities set for example data

The investment possibilities set or portfolio frontier for the data in Table 1.1
is illustrated in Figure 1.1. Here the portfolio weight on asset A,  , is varied
from  -0.4  to  1.4  in  increments  of  0.1  and,  since    =  1 −    the  weight  on
asset B then varies from 1.4 to -0.4. This gives us 18 portfolios with weights

1.2  EFFIC IENT   PORTFOLIOS  WITH  T W O   R I SK Y   ASSETS 11

(   )   =  ( −04 14) ( −03 13)  

(13 −03) (14 −04) For each of these
portfolios we use the formulas (1.4) and (1.6) to compute   and . We then
plot these values. In R, the computations are

> x.A = seq(from=-0.4, to=1.4, by=0.1)
> x.B = 1 - x.A
> mu.p = x.A*mu.A + x.B*mu.B
> sig2.p = x.A^2 *  sig2.A + x.B^2 *  sig2.B + 2*x.A*x.B*sig.AB
> sig.p = sqrt(sig2.p)
> p l o t( si g . p ,  mu.p, type="b", pch=16,
+ ylim=c(0, max(mu.p)), xlim=c(0, max(sig.p)),
+ xlab=expression(sigma[p]), ylab=expression(mu[p]),
+ col=c(rep("red", 6 ) ,  rep("green", 13)))
> p l o t( si g . p ,  mu.p, type="b", pch=16,
+ ylim=c(0, max(mu.p)), xlim=c(0, max(sig.p)),
+ xlab=expression(sigma[p]), ylab=expression(mu[p]),
+ col=c(rep("red", 6 ) ,  rep("green", 13)))
> text(x=sig.A, y=mu.A, labels="Asset A", pos=4)
> text(x=sig.B, y=mu.B, labels="Asset B", pos=4)

¥
Notice that  the plot in ( ) −  space looks  like a parabola turned on its
side (in fact, it is one side of a hyperbola). Since it is assumed that investors
desire portfolios with the highest expected return,  for a given level of risk,
 combinations that are in the upper left corner are the best portfolios and
those in the lower right corner are the worst. Notice that the portfolio at the
bottom of the parabola has the property that it has the smallest variance
among  all  feasible  portfolios. Accordingly, this  portfolio  is  called  the  global
minimum variance portfolio.
Efficient portfolios  are those with the highest expected return for a given
level of risk. These portfolios are colored green in Figure 1.1. Inefficient port-
folios are then portfolios such that there is another feasible portfolio that has
the same risk ()  but a higher expected return (). These portfolios are
colored red in Figure 1.1. From Figure 1.1 it is clear that the inefficient
portfolios are the feasible portfolios that lie below the global minimum vari-
ance portfolio, and the efficient portfolios are those that lie above the global
minimum variance portfolio.

12 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

1.2.1 Computing the Global Minimum Variance Port-
folio
It is a simple exercise in calculus to find the global minimum variance port-
folio. We solve the constrained optimization problem3
 2 2 2 2 2
min   =      +       + 2  

   +   = 1
This constrained optimization problem can be solved using two methods.
The first method, called the method of substitution, uses the constraint to
substitute out one of the variables to transform the constrained optimization
problem in two variables into an unconstrained optimization problem in one
variable. The second method, called the method of Lagrange multipliers, in-
troduces an auxiliary variable called the Lagrange multiplier and transforms
the constrained optimization problem in two variables into an unconstrained
optimization problem in three variables.
The substitution method is straightforward. Substituting   = 1 − 
into  the  formula  for  2 reduces  the  problem  to
2 2 2 2 2
min    =       + (1 −  )     + 2 (1 −  ) 


The first order conditions for a minimum, via the chain rule, are
2  min  2  min  2  min
0= =  2   − 2(1 −   ) + 2 (1 − 2 
)
    
         

and straightforward calculations yield
2
min    −    min  min
  2 2    =1 −    (1.10)
   +    − 2     
=
The method of Lagrange multipliers involves two steps. In the first step,
the  constraint     +   =  1  is  put  into  homogenous  form     +   − 1  =  0
In the second step, the Lagrangian function is formed by  adding to 2 the
homogenous  constraint  multiplied  by  an  auxiliary  variable    (the  Lagrange
multiplier) giving
2 2 2 2
 (    )   =       +       + 2     + (  +   − 1)
3 A review of optimization and constrained optimization is given in the appendix to this

chapter.

1.2  EFFIC IENT   PORTFOLIOS  WITH  T W O   R I SK Y   ASSETS 13

This function is then minimized with respect to     and  The first

order conditions are
 (     )   2
0= = 2
   + 2   + 
 
 (     ) 2
0  = =  2     + 2    + 

 (     )
 0  = =    +   − 1

The first two equations can be rearranged to give
µ 2 ¶
 − 
   =   
2 − 
Substituting this value for   into the third equation and rearranging gives
the solution (1.10).

Example  6 Global minimum variance portfolio for example data

Using the data in Table 1.1 and (1.10) we have

min 001323 − ( −0004866)  min

  = 02021  
 = 07979
006656 + 001323 − 2(−0004866) 
=

The expected return, variance and standard deviation of this portfolio are

 = (02021) · (0175) + (07979) · (0055)  =  007925
2 2 2
  = (02021)  · (0067) + (07979)  · (0013)
+2  · (02021)(07979)(−0004875)
= 000975
√
 = 000975 = 009782

In  Figure  1.1, this portfolio  is labeled  “global min”. In  R, the  calculations

to compute the global minimum variance portfolio are

> xA.min = (sig2.B - sig.AB)/(sig2.A + sig2.B - 2*sig.AB)
> xB.min = 1 - xA.min
> xA.min
[1] 0.2021

14 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

> xB.min
[1] 0.7979
> mu.p.min = xA.min*mu.A + xB.min*mu.B
> sig2.p.min = xA.min^2 *  sig2.A + xB.min^2 *  sig2.B +
+ 2*xA.min*xB.min*sig.AB
> sig.p.min = sqrt(sig2.p.min)
> mu.p.min
[1] 0.07925
> sig.p.min
[1] 0.09782
 ¥

1.2.2 Correlation  and  the  Shape  of  the  Efficient  Fron-

tier
The shape of the investment possibilities set is very sensitive to the corre-
lation  between  assets  A   and  B.  If     is  close  to  1  then  the  investment  set
0.20

approaches a straight line connecting the portfolio with all wealth invested in
asset B, (   ) = (0 1), to the portfolio with all wealth invested in asset 
0.15

A,
(   )   =  (1 0). This  case  is  illustrated  in  Figure  1.2. As    approac
hes
0.10

zero  the  set  starts  to  bow  toward  the   axis, and  the  power  o
f  diversifica-
0.05

tion  starts  to  kick  in. If      = −1  then  the  set  actually  touches  the    axis.
What this means is that if assets A and B are perfectly negatively correlated
then there exists a portfolio of A and B that has positive expected return
0.00

and  zero  variance! To  find  the  portfolio  with  2  =  0  when     = −1  we  use
(1.10)  and  the  fact  that     =      to  give
min    min
       =  1 −  
  +  
=

The  case  with     = −1  is  also  illustrated  in  Figure  1.2.

Example   7 Portfolio  frontier  when    = ±1

Suppose     =  1  Then    =       =      The  portfolio variance

is then
2 2 2 2 2 2 2 2 2
  =      +       + 2     =       +       + 2   
2
= (   +   )

1.2  EFFIC IENT   PORTFOLIOS  WITH  T W O   R I SK Y   ASSETS 15

  1
    1

Asset A
 0.0 0.1 0.2 0.3

p

Figure  1.2: Portfolios  with     =  1  and     = −1

Hence,  =      +    =      + (1 −  )  which  shows  that   lies

on a straight line connecting   and   Next, suppose   = −1 Then
  =     = −   which implies that 2 = (   −   ) 2 and
  =     −     =     + (1 −  )   In this  case  we  can  find  a  portfolio
that has zero volatility. We solve for   such that  = 0 :

0  =     + (1 −  )   ⇒      =      =  1 −  

  + 

1.2.3 Optimal Portfolios
Given the efficient set of portfolios as described in Figure 1.1, which portfolio
will an investor choose? Of the efficient portfolios, investors will choose the
one  that  accords  with  their  risk  preferences. Very  risk  averse  investors  will
want a portfolio that has low volatility (risk) and will choose a portfolio very
close to the global minimum variance portfolio. In contrast, very risk tolerant

16 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

investors will ignore volatility and seek portfolios with high expected returns.
Hence, these investors will choose portfolios with large amounts of asset A
which may involve short-selling asset B.

1.3 Efficient portfolios with  a risk-free  asset

In  the preceding  section  we constructed the  efficient  set of  portfolios in the
absence of a risk-free asset. Now we consider what happens when we intro-
duce  a  risk-free  asset. In the  present  context,  a  risk-free asset  is  equivalent
to  default-free  pure  discount  bond  that  matures  at  the  end  of  the  assumed
investment horizon. The risk-free rate,  , is then the nominal return on
 the bond. For example, if the investment horizon is one month then the
risk-free asset is a 30-day U.S. Treasury bill (T-bill) and the risk-free rate
is  the  nominal  rate  of  return  on the  T-bill.4 If  our  holdings  of  the  risk-free
asset is positive then we are “lending money” at the risk-free rate, and if our
holdings are negative then we are “borrowing” at the risk-free rate.

1.3.1 Efficient portfolios with one risky asset and one
risk-free  asset
Consider an investment in asset B and the risk-free asset (henceforth referred
to as a T-bill). Since the risk-free rate is fixed (constant) over the investment
horizon it has some special properties, namely
 = [ ]  =   
var( )  = 0
cov(    ) = 0
Let    denote  the  share  of wealth  in  asset  B,  and   =  1 −   denote  the
share of wealth in T-bills. The portfolio return is
   =  (1 −  )  +      =    +  (   −  )
The  quantity     −  is  called  the  excess  return (over  the  return  on  T-bills)
on asset B. The portfolio expected return is then
  =    +  ([  ] −  )   =    +  (  −  ) (1.11)
4 The default-free assumption  of U.S. debt has  recently been questioned due to  the in-

ability of the U.S. congress to address the long-term debt problems of the U.S. government.

1.3  E FFICIEN T   PORTFOLIOS  WITH  A  RISK-FREE  ASSET 17

where the quantity (  −   )  is called the expected excess return or risk

premium on asset B. For risky assets, the risk premium is typically positive
indicating that investors expect  a higher return  on the risky asset than the
safe asset. We may express the risk premium on the portfolio in terms of the
risk premium on asset B:

 −  =   (  −  )

The more we invest in asset B the higher the risk premium on the portfolio.
Because the risk-free rate is constant, the portfolio variance only depends
on the variability of asset B and is given by
2 2 2
   =      

The portfolio standard deviation is therefore proportional to the standard
deviation on asset B
 =    (1.12)
which we can use to solve for 

 
   =


Using the last result, the feasible (and efficient) set of portfolios follows the
equation
 
 − 
  =    + ·  (1.13)

which  is  simply  straight  line  in  ( ) −  space  with  intercept   and  slope
−

of the CAL is called the Sharpe ratio (SR) or Sharpe’s slope  (named after the
economist William Sharpe),  and it  measures the  risk premium on the asset
per unit of risk (as measured by the standard deviation of the asset).

Example  8 Portfolios of T-Bills and risky assets

The  portfolios which  are  combinations  of  asset  A and  T-bills  and  combina-
tions of asset B and T-bills, using the data in Table 1.1 with  = 003  are
illustrated in Figure 1.3 which is created using the R code

.   This line is often called the capital allocation line (CAL). The slope
1 C H A PT ER  1  IN TR OD U C T I ON   TO   PORTFOLIO  THEORY
8

0.20
0.0 0.1 0.2 0.3

p
0.15

Figure 1.3: Portfolios of T-Bills and risky assets.
0.10

>r.f = 0.03
0.05

#T- b i l l s  + asset A
>x.A = seq(from=0, to=1.4, by=0.1)
0.00

>mu.p.A = r.f + x.A*(mu.A - r.f)
>sig.p.A = x.A*sig.A
#T- b i l l s  + asset B
>x.B = seq(from=0, to=1.4, by=0.1)
>mu.p.B = r.f + x.B*(mu.B - r.f)
>sig.p.B = x.B*sig.B
#plot  portfolios of T-Bil l s  and assets A and B
>plot(sig.p.A, mu.p.A, type="b", col="black", ylim=c(0, max(mu
+.p.A)),
+ xlim=c(0, max(sig.p.A, si g.p.B)),  pch=16,
> xlab=expression(sigma[p]), ylab=expression(mu[p]))
>points(sig.p.B, mu.p.B, type="b", col="blue", pch=16)
>text(x=sig.A, y=mu.A, labels="Asset A", pos=4)
text(x=sig.B, y=mu.B, labels="Asset B", pos=1)

1.4 EFFIC IENT  PORTFOLIOS WITH T W O  R I SK Y  ASSETS A

ND A RISK-FREE ASSET

> text(x=0, y=r.f, labels=expression(r[f]),  pos=2)
Notice that expected return-risk trade off of these portfolios is linear. Al
so,
notice that the portfolios which are combinations of asset A and T-bills 
have
expected returns uniformly  higher than  the portfolios consisting of asset 
B
and T-bills. This occurs because the Sharpe ratio for asset A is higher 
than
 the ratio for asset B:
  0175 − 003
S  −    =  = 0562
   0258
R


=
 −   0055 − 003
 
SR
=    =  = 0217
   0115
Hence,  portfolios of asset A and T-bills are efficient relative to portfolios 
of
asset  B  and  T-bills. ¥
The  previous  example  shows  that the  Sharpe  ratio  can  be  used  to  r
ank
the risk return properties of individual assets. Assets with a high Sha
rpe
ratio have a better risk-return tradeoff than assets with a low Sharpe 
ratio.
Accordingly, investment analysts routinely rank assets based on their Shar
pe
ratios.

1 Efficient portfolios with two risky assets
.
4
and  a risk-free  asset
Now we expand on the previous results by allowing our investor to fo
rm
portfolios of assets A, B and T-bills. The efficient set in this case will still 
be
a  straight  line  in  ( ) −  space  with  intercept   . The  slope  of  the 
efficient
= 0217 and the CAL intersects the parabola at point B. This is clearly
set, the maximum Sharpe ratio, is such that it is tangent to the efficient 
set
constructed just using the two risky assets A and B. Figure 1.4 illustrat
SR   =     =  0562
es   and  the  new  CAL  intersects  the  parabola  at 
point  A.
why this is so.
If we invest in only in asset B and T-bills then the Sharpe ratio is SR  
=
−

not the efficient set of portfolios. For example, we could do uniformly be
tter
if we instead invest only in asset A and T-bills. This gives us a Sharpe 
 ratio of
 −

However, we could do better still if we invest in T-bills and some combinati
on
of assets A  and  B. Geometrically, it  is easy  to  see  that  the  best we can 
do
is obt ained for the com

0.20
bination of assets A and B such that the CAL is just
0.15

20 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY
0.10
0.05

0.0 0.1 0.2 0.3

p
0.00

Figure 1.4: Efficient portfolios of two risky assets and T-Bills.

tangent to the parabola. This point is labeled “Tangency” on the graph and
represents the tangency portfolio of assets A and B. Portfolios of T-Bills and
the tangency portfolio are the set of efficient portfolios consisting of T-Bills,
asset A and asset B.

1.4.1 Solving  for  the  Tangency  Portfolio

We can determine the proportions of each asset in the tangency portfolio by
finding the values of   and   that maximize the Sharpe ratio of a portfolio
that  is  on the envelope  of  the parabola. Formally,  we  solve the constrained

1.4 EFFIC IENT  PORTFOLIOS WITH T W O  R I SK Y  ASSETS A

ND A RISK-FREE ASSET

maximization problem
 − 
 max 
SR  
=
 
 

 =    +   
2 2 2 2 2
  =      +       + 2   
1 =   +  

After various substitutions, the above problem can be reduced to

 (  ) + (1  )(
m   −         −      
−  ) 1
a 2

x


(2is 
This  2a  + 2 2
 (1 −  )     + 2 (1 − 
straightforward, albeit   )
very   )
tedious, calculus  problem and  the 
so-
lution can be shown to be
(  −  )2  − (  −  )
  (1.14)
(  −  ) 2   + (  −  )2  − (  −   + 
  −  )

=
= 1 − 

Example  9 Tangency portfolio for example data

For the example data in Table 1.1 using (1.14) with  = 003
 we get
 =  04625  and   =  05375  The  expected  return,  variance 
and  standard
deviation on the tangency portfolio are

 =    + 

= (04625)(0175) + (05375)(0055) = 
01105
2 ¡ ¢2 2 ¡ ¢2 2
  =     +      + 2
2 2
= (04625) (006656) + (05375) (001323
)+
2(04625)(05375)(−0004866)  = 
001564
√
 = 001564 = 01251
 In R, the computations to compute the tangency portfolio are

> top = (mu.A - r. f)* sig 2 .B  - (mu.B - r.f)*sig.AB

> bot = (mu.A - r. f)* sig 2 .B  + (mu.B - r.f)* si g 2 .A  -
+ (mu.A - r.f + mu.B - r.f)*sig.AB

22 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

> x.A.tan = top/bot
> x.B.tan = 1 - x.A.tan
> x.A.tan
[1] 0.4625
> x.B.tan
[1] 0.5375
> mu.p.tan = x.A.tan*mu.A + x.B.tan*mu.B
> sig2.p.tan = x.A.tan^2 *  sig2.A + x.B.tan^2 *  sig2.B +
+ 2*x.A.tan*x.B.tan*sig.AB
> sig.p.tan = sqrt(sig2.p.tan)
> mu.p.tan
[1] 0.1105
> sig.p.tan
[1] 0.1251
¥

1.4.2 Mutual Fund  Separation

The efficient portfolios are combinations of the tangency portfolio and the T-
bill. Accordingly, using (1.11) and (1.12) the expected return and standard
deviation of any efficient portfolio are given by
 =   +  (  −  )  (1.15)
 =    (1.16)

where  represents the fraction of wealth invested in the tangency portfolio
(and 1 −  represents the fraction of wealth invested in T-Bills),  and  and
 are the expected return and standard deviation of the tangency portfolio,
respectively. This  important  result  is  known  as  the  mutual fund separation
theorem. The tangency portfolio can be considered as a mutual  fund of the
two  risky  assets, where  the  shares  of  the  two  assets  in  the  mutual  fund  are
determined  by  the  tangency  portfolio  weights  ( and   determined  from
(1.14)), and the T-bill can be considered as a mutual fund of risk-free assets.
The expected return-risk trade-off of these portfolios is given by the line
connecting the risk-free rate to the tangency point on the efficient frontier of
risky asset only portfolios. Which combination of the tangency portfolio and
the T-bill an investor will choose depends on the investor’s risk preferences.
If  the  investor  is  very  risk  averse, then  she  will  choose  a  portfolio  with  low

1.4 EFFIC IENT  PORTFOLIOS WITH T W O  R I SK Y  ASSETS A

ND A RISK-FREE ASSET

volatility which will be a portfolio with very little weight in the tangen
cy
portfolio and a lot of weight in the T-bill. This will produce a portfolio 
with
an expected return close to the risk-free rate and a variance that is cl
ose
to  zero. If  the  investor  can  tolerate  a  large  amount  of  risk, then  she  wo
uld
prefer a portfolio with highest expected return regardless of the volatili
ty.
This portfolio may involve borrowing at the risk-free rate (leveraging) a
nd
investing  the  proceeds  in  the  tangency  portfolio  to  achieve  a  high  expect
ed
return.

Example  10 Efficient portfolios chosen by risk averse and risk tolerant 
in-
vestors

A highly risk averse investor may choose to put 10% of her wealth in the t
an-
gency portfolio and 90% in the T-bill. Then she will hold 
(10%)×(4625%)  =
4625%  of  her  wealth  in  asset  ,  (10%) × (5375%)  =  5375
%  of  her  wealth
in asset  and 90% of her wealth in the T-bill. The expected return 
on this
portfolio is

  =    + 010(  −  )   =  003 + 010(01105 − 0

03)  =  003805

and the standard deviation is

  =  010 =  010(01251)  =  001251


 In  Figure  1.5, this  efficient  portfolio  is  labeled  “Safe”. A  very  risk  toler
ant
investor may actually borrow at the risk-free rate and use these funds 
to
leverage her investment in the tangency portfolio. For example, suppose t
he
risk t olerant investor b

0.20
orrow Risky s 100% of her w
ealth at the risk-free rate and
uses  the  proceed  to  purchase  200% of  her  wealth in  the  tangency  portfo
0.15

lio.
Then she would hold (200%) ×  (4625%) = 9250% of her weal
th in asset
0.10

A,  (200%) × (5375%)  =  1075%  in  asset  B,  and  she  would  owe 
100%  of  her
0.05

wealth to her lender. The expected return and standard deviation on t
his
portfolio is
0.00

 = 003 + 2(01105 − 003)  =  01910

 = 2(01251)  =  02501

In  Figure  1.5,  this  efficient  portfolio  is  labeled  “Risky”. ¥

24 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

0.0 0.1 0.2 0.3

p

Figure 1.5: The efficient portfolio labeled “safe” has 10% invested in the
tangency portfolio and 90% invested in T-Bills; the efficien portfolio labeled
“risky” has 200%  invested in the tangency portfolio and -100%  invested in
T-Bills.

1.4.3 Interpreting  Efficient Portfolios

As we have seen, efficient portfolios are those portfolios that have the highest
expected return for a given level of risk as measured by portfolio standard
deviation. For portfolios with expected returns above the T-bill rate, efficient
portfolios can also be characterized as those portfolios that have minimum
risk (as measured by portfolio standard deviation) for a given target expected
return.
To illustrate, consider Figure 1.6 which shows the portfolio frontier for
two risky assets and the efficient frontier for two risky assets plus T-Bills.
Suppose an investor initially holds all of his wealth in asset B. The expected
return  on  this portfolio  is    =  0055 and  the  standard  deviation  (risk) 
is
   = 0115 An efficient portfolio (combinations of the tangency portfolio a
nd
T-bills) that has the same standard deviation (risk) as asset B is given by the

1.4 EFFIC IENT  PORTFOLIOS WITH T W O  R I SK Y  ASSETS A

ND A RISK-FREE ASSET

portfolio  on  the  efficient  frontier  that  is  directly  above    = 0115
  To  find
the shares in the tangency portfolio and T-bills in this portfolio recall 
from
(1.16)  that the  standard  deviation of an efficient portfolio  with  invest
ed
in  the  tangency  portfolio  and  1 −  invested  in  T-bills  is    =     
Since
we  want  to  find  the  efficient  portfolio  with    =     =  0115  we  s
olve

   0115
 =  =  09195  =  1 −  =  008049
  01251
=

That is, if we invest 9195% of our wealth in the tangency portfol
io and
8049% in T-bills we will have a portfolio with the same standard 
deviation
as asset B. Since this is an efficient portfolio, the expected return should 
be
higher than the expected return on asset B. Indeed it is since

  =    +  (  −  )   =  003 + 09195(01105 − 00

3)  =  01040

Notice that  by  diversifying  our  holding  into  assets  A,  B and  T-bills  we 
can
obtain  a portfolio  with the same risk  as asset B  but with almost twice 
the
expected return!
 Next, consider finding an efficient portfolio that has the same expec
ted
return as asset B. Visually, this involves finding the combination of the ta
n-
gency  portfolio  and  T-bills  that  corresponds  with  the  intersection  of  a 
hor-
izontal line with intercept   = 0055 and the line representing e
fficient
combinations of T-bills and the tangency portfolio. To find the shares 
in
the tangency portfolio and T-bills in this portfolio recall from (1.15) th
at
the expected return of an efficient portfolio with  invested in the t
an-
gency  portfolio  and  1 −  invested  in  T-bills  has  expected  return  equal 
to
 =  +   ( −   ) Since we want to find the efficient portfoli
o with
  =     =  0055  we  solve

 −  0055 − 003
       =  =  03105  =  1 −  =  06895
  −   01105 − 003


That is, if we invest 3105% of wealth in the tangency portfolio and 
6895%
of our wealth in T-bills we have a portfolio with the same expected return 
as
asset B. Since this is an efficient portfolio, the standard deviation (risk) 
of
this portfolio should be lower than the standard deviation on asset B. Inde
ed
it is since
  =    =  03105(0124)  =  003884

26 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

Notice how large the risk reduction is by forming an efficient portfolio. The
standard deviation on the efficient portfolio is almost three times smaller
than the standard deviation of asset B!
The above example illustrates two ways to interpret the benefits from
forming efficient portfolios. Starting from some benchmark portfolio, we
can fix standard deviation (risk) at the value for the benchmark and then
 determine the gain in expected return from forming a diversified portfolio5.
The gain in expected return has concrete meaning. Alternatively, we can
fix expected return at  the value for the benchmark and  then determine the
reduction in standard deviation (risk) from forming a diversified portfolio.
The meaning to an investor of the reduction in standard deviation is not
as cl ear as the meaning to a
n inv 0.20 estor of the increase in e
xpect ed return.
It would be helpful if the risk reduction benefit  can be translated into a
number that is more interpretable than the standard deviation. The concept
0.15

of Value-at-Risk (VaR) provides such a translation.
0.10

1.4.4 Efficient Portfolios  and  Value-at-Risk

Recall, the VaR of an investment is the (lower bound of) loss in investment
0.05

value over a given horizon with a stated probability. For example, consider an
investor who invests 0 = $100 000 in asset B over the next year. Assuming
that     ∼    (0055 (0115)2)   represents  the  annual  simple  return  on 
0.00

asset  B
, the 5% VaR is


If an  investor  holds $100,000  in  asset B  over  the  next year, then  there is a

5% probability that he will lose $13,416 or more.
Now suppose  the investor chooses  to hold an  efficient portfolio  with  the
same expected return as asset B. This portfolio consists of 3105% in the
tangency portfolio and 6895% in T-bills and has a standard deviation equal

VaR005  =  0 050  =  (0055 + 0115(−1645)) · $100
to  003884
 000  = −$13  Then    ∼    (0055 003884) and  the  5%  VaR 
 416
on  the  portfolio
is

VaR005  =  0050  =  (0055 + 003884(−1645)) · $100 
000  = −$884
5 The gain in expected return by investing in an efficient portfolio abstracts from the

costs associated with selling the benchmark portfolio and buying the efficient portfolio.

1.5  FURTHER  R E A D I N G 27

0.0 0.1 0.2 0.3

p
Figure 1.6: The point e1 represents an efficient portfolio with the same stan-
dard deviation as asset B; the point e2 represents an efficient portfolio with
the same expected returns as asset B.

Notice that the 5% VaR for the efficient portfolio is almost fifteen times
smaller than the 5% VaR for the investment in asset B. Since VaR translates
risk into a dollar figure, it is more interpretable than standard deviation.

1.5 Further Reading
The classic text on portfolio optimization is Markowitz (1954). Good in-
termediate level treatments are given in Benninga (2000),  Bodie,  Kane and
Marcus (1999) and Elton and Gruber (1995). An interesting recent treat-
ment with an emphasis on statistical properties is Michaud (1998). Many
practical results can be found in the Financial Analysts Journal and the
Journal of Portfolio Management. An excellent treatment of value-at-risk
and risk budgeting is given in Jorian (1997).

28 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

1.6 Appendix  Review of Optimization and

Constrained  Optimization
Consider the function of a single variable
2
 =  () =  

Clearly the minimum of this function occurs at the point  = 0 Using
calculus, we find the minimum by solving
2
min  =  


The first order (necessary) condition for a minimum is

    2
0=  ( ) =   = 2
  
and solving for  gives  = 0 The second order condition for a minimum is

2
0   ( )

and this condition is clearly satisfied for  ( ) = 2
Next, consider the function of two variables
2 2
 =  (  ) =   +  (1.17)

This  function  looks  like  a  salad  bowl  whose  bottom is  at   = 0  and   = 0
To find the minimum of (1.17), we solve
2 2
min  =   +  


and the first order necessary conditions are


0 = = 2


0 = = 2

Solving these two linear equations gives  = 0 and  = 0

1.6 A P P E N D I X  R E V I E W  OF O P T I M I Z AT I O N  AND CONSTR

AINED O P T I M I Z AT I O N

Now suppose we want to minimize (1.17) subject to the linear constr
aint

 +  = 1 (1.18)

The minimization problem is now a constrained minimization
2 2
min  =   +   subject to ()

 +  = 1

Given  the  constraint   +  =  1 the  function  (1.17)  is  no  longer  min
imized
at the point ( ) = (0 0) because this point does not satisfy  + 
 = 1
One  simple  way  to  solve  this  problem is  to  substitute  the  restriction  (1.
18)
into the function (1.17) and reduce the problem to a minimization over 
one
variable. To illustrate, use the restriction (1.18) to solve for  as

  =  1 −  + (1 − 
2
)
Now substitute (1.19) into (1.17) giving

2
  =   (  )   =   ( 1 − )   =    
(1.19)
(1.20)

The function (1.20) satisfies the restriction (1.18) by construction. The c
on-
strained minimization problem now becomes
2 2
min   =    + (1 − ) 


The first order conditions for a minimum are
  2  2
0= ( + (1 − )  )   =  2 − 2(1 − )   =  4 − 2

and solving for  gives  = 12 To solve for  use (1.19) to 
give  =
1−(12)  =  12 Hence, the solution to the constrained minimization pr
oblem
is ( ) = (12 12)
Another way to solve the constrained minimization is to use the meth
od
of Lagrange multipliers. This method augments the function to be minimiz
ed
with a linear function of the constraint in homogeneous form. The constra
int
(1.18) in homogenous form is

 +  − 1  =  0

30 C H AP TE R   1  I N T R O D U C TI O N   TO   PORTFOLIO  THEORY

The augmented function to be minimized is called the Lagrangian and is
given by
2 2
(  )   =    +   − ( +  − 1)
The  coefficient  on  the  constraint  in  homogeneous  form,  is  called  the  La-
grange multiplier. It measures the cost, or shadow price, of imposing the con-
straint relative to the unconstrained problem. The constrained minimization
problem to be solved is now
2 2
min  (  )   =    +   + ( +  − 1)


The first order conditions for a minimum are
 (    )
0 = = 2 + 

 (    )
 0 = = 2 + 

 (    )
0 = =   +  − 1

The first order conditions give three linear equations in three unknowns.
Notice that the first order condition with respect to  imposes the constraint.
The first two conditions give

2  =  2  = −

or
 = 
Substituting  =  into the third condition gives

2 − 1  =  0

or
 = 12
The  final  solution  is  (  )   =  (12 12 −1)
The Lagrange multiplier,   measures the marginal cost, in terms of the
value of the objective function, of imposing the constraint. Here,  = −1
which indicates that imposing the constraint  +  = 1 reduces the objective
function. To understand the roll of the Lagrange multiplier better, consider

1.6 A P P E N D I X  R E V I E W  OF O P T I M I Z AT I O N  AND CONSTR

AINED O P T I M I Z AT I O N

imposing the constraint  +  = 0 Notice that the unconstrained min
imum
achieved at  = 0  = 0 satisfies this constraint. Hence, imposing  
+  = 0
does  not  cost  anything  and  so  the  Lagrange  multiplier  associated  with  t
his
constraint should be zero. To confirm this, the we solve the problem
2 2
min (  )   =    +   + ( +  − 0)


The first order conditions for a minimum are
 (    
0) =  2 − 

 (    )
0 = =  2 − 

 (    )
0 = =  + 

The first two conditions give

2  =  2  = −

or
 = 
Substituting  =  into the third condition gives

2 = 0

or
 = 0
The final solution is (  ) = (0 0 0) Notice that the 
Lagrange multiplier,
 is equal to zero in this case.
Bibliography

[1] Black, F. and Litterman, R. (1992). “Global portfolio optimization,”
Financial Analysts Journal, September-October, 28 - xx.

[2] Benninga, S. (2000), Financial Modeling, Second Edition. Cambridge,
MA: MIT Press.

[3] Bodie, Kane and Marcus (199x), Investments, xxx Edition.

[4] Elton, E. and  G.  Gruber  (1995). Modern Portfolio Theory and Invest-

ment Analysis, Fifth Edition. New York: Wiley.

[5] Jobson, J.D. and Korkie, B. (1981). “Estimation for Markowitz Efficient
Portfolios,” Journal of the American Statistical Association, 75, 544-554.

[6] Jobson, J.D. and Korkie, B. (1981). “Putting Markowitz theory to
work,” The Journal of Portfolio Management, Summer, 70-74.

[7] Jobson, J.D. and Korkie, B., and Ratti, B. “Improved estimation ofr
Markowitz  Portfolio  Using  James-Stein  Type  Estimators,”  Proceedings
of the American Statistical Association, Business and Economics Sta-
tistics Section, 1979.

[8] Jorian, P.  (1992).  “Portfolio  optimization  in  practice,” Financial Ana-

lysts Journal, January-February, 68-74.

[9] Jorian, P. (1997). Value at Risk. New York: McGraw-Hill.

[10] Markowitz, H. (1987). Mean-Variance Analysis in Portfolio Choice and
Capital  Markets. Cambridge, MA: Basil Blackwell.

33

34 BIBLIOGRAPHY

[11] Markowitz, H. (1991). Portfolio Selection: Efficient Diversification of
Investments. New York: Wiley, 1959; 2nd ed., Cambridge, MA: Basil
Blackwell.

[12] Michaud, R.O. (1989). “The Markowitz optimization enigma: Is ‘opti-
mized’ optimal?,” Financial Analysts Journal, January-February, 31-42.
[13] Michaud, R.O. (1998). Efficient Asset Management: A Practical
Guide to Stock Portfolio Optimization and Asset Allocation. Boston,
MA:Harvard Business School Press.