This thesis aims to investigate different types of optimization methods that can be used when optimizing fund of fund portfolios. Moreover, the thesis investigates which funds that should be included and what their respective portfolio weights should be, in order to outperform the Swedish SIX Portfolio Return Index. The funds considered for the particular fund of funds in this thesis are all managed by a particular company. The optimization frameworks applied include traditional mean variance optimization, min conditional value at risk optimization, as well as optimization methods studying alpha in combination with the risk measures tracking error and maximum drawdown, respectively. All four optimization methods were applied on a ten years data period as well as on a five years data period. It was found that while the funds have different strengths and weaknesses, four of the funds were considered most appropriate for the fund of funds. Geography and sector constraints were also taken into account and it was found that, in this particular case, the healthcare sector constraint affected the allocated portfolio weights the most. / Syftet med detta masterexamensarbete är att undersöka olika typer av optimeringsmetoder som kan användas vid optimering av en fond i fond. Vidare är syftet med optimeringen att utvärdera vilka fonder som bör inkluderas och vilka deras respektive portföljvikter bör vara för att prestera bättre än det svenska SIX Portfolio Return Indexet. Optimeringsmetoderna inkluderar traditionell modern portföljteori, minimering av conditional Value at Risk och optimeringsmetoder som studerar alpha i kombination med riskmåtten tracking error respektive maximum drawdown. Alla fyra optimeringsmetoder applicerades på en tio år lång respektive fem år lång dataperiod. Det visade sig att även om fonderna har olika styrkor och svagheter kunde fyra av fonderna anses vara mest lämpliga att inkluderas i fond i fonden. Geografiska och sektoriella begränsningar beaktades och det konstaterades att sektorbegränsningen för hälsovårdssektorn hade störst påverkan på resultatet.

This thesis project studies robust portfolio optimization with Expected Short-fall applied to a reference portfolio consisting of Swedish linear assets with stocks and a bond index. Specifically, the classical robust optimization definition, focusing on uncertainties in parameters, is extended to also include uncertainties in log-return distribution. My contribution to the robust optimization community is to study portfolio optimization with Expected Shortfall with log-returns modeled by either elliptical distributions or by a normal copula with asymmetric marginal distributions. The robust optimization problem is solved with worst-case parameters from box and ellipsoidal un-certainty sets constructed from historical data and may be used when an investor has a more conservative view on the market than history suggests. With elliptically distributed log-returns, the optimization problem is equivalent to Markowitz mean-variance optimization, connected through the risk aversion coefficient. The results show that the optimal holding vector is almost independent of elliptical distribution used to model log-returns, while Expected Shortfall is strongly dependent on elliptical distribution with higher Expected Shortfall as a result of fatter distribution tails. To model the tails of the log-returns asymmetrically, generalized Pareto distributions are used together with a normal copula to capture multivariate dependence. In this case, the optimization problem is not equivalent to Markowitz mean-variance optimization and the advantages of using Expected Shortfall as risk measure are utilized. With the asymmetric log-return model there is a noticeable difference in optimal holding vector compared to the elliptical distributed model. Furthermore the Expected Shortfall in-creases, which follows from better modeled distribution tails. The general conclusions in this thesis project is that portfolio optimization with Expected Shortfall is an important problem being advantageous over Markowitz mean-variance optimization problem when log-returns are modeled with asymmetric distributions. The major drawback of portfolio optimization with Expected Shortfall is that it is a simulation based optimization problem introducing statistical uncertainty, and if the log-returns are drawn from a copula the simulation process involves more steps which potentially can make the program slower than drawing from an elliptical distribution. Thus, portfolio optimization with Expected Shortfall is appropriate to employ when trades are made on daily basis. / Examensarbetet behandlar robust portföljoptimering med Expected Shortfall tillämpad på en referensportfölj bestående av svenska linjära tillgångar med aktier och ett obligationsindex. Specifikt så utvidgas den klassiska definitionen av robust optimering som fokuserar på parameterosäkerhet till att även inkludera osäkerhet i log-avkastningsfördelning. Mitt bidrag till den robusta optimeringslitteraturen är att studera portföljoptimering med Expected Shortfall med log-avkastningar modellerade med antingen elliptiska fördelningar eller med en norma-copul med asymmetriska marginalfördelningar. Det robusta optimeringsproblemet löses med värsta tänkbara scenario parametrar från box och ellipsoid osäkerhetsset konstruerade från historiska data och kan användas när investeraren har en mer konservativ syn på marknaden än vad den historiska datan föreslår. Med elliptiskt fördelade log-avkastningar är optimeringsproblemet ekvivalent med Markowitz väntevärde-varians optimering, kopplade med riskaversionskoefficienten. Resultaten visar att den optimala viktvektorn är nästan oberoende av vilken elliptisk fördelning som används för att modellera log-avkastningar, medan Expected Shortfall är starkt beroende av elliptisk fördelning med högre Expected Shortfall som resultat av fetare fördelningssvansar. För att modellera svansarna till log-avkastningsfördelningen asymmetriskt används generaliserade Paretofördelningar tillsammans med en normal-copula för att fånga det multivariata beroendet. I det här fallet är optimeringsproblemet inte ekvivalent till Markowitz väntevärde-varians optimering och fördelarna med att använda Expected Shortfall som riskmått används. Med asymmetrisk log-avkastningsmodell uppstår märkbara skillnader i optimala viktvektorn jämfört med elliptiska fördelningsmodeller. Därutöver ökar Expected Shortfall, vilket följer av bättre modellerade fördelningssvansar. De generella slutsatserna i examensarbetet är att portföljoptimering med Expected Shortfall är ett viktigt problem som är fördelaktigt över Markowitz väntevärde-varians optimering när log-avkastningar är modellerade med asymmetriska fördelningar. Den största nackdelen med portföljoptimering med Expected Shortfall är att det är ett simuleringsbaserat optimeringsproblem som introducerar statistisk osäkerhet, och om log-avkastningar dras från en copula så involverar simuleringsprocessen flera steg som potentiellt kan göra programmet långsammare än att dra från en elliptisk fördelning. Därför är portföljoptimering med Expected Shortfall lämpligt att använda när handel sker på daglig basis.

Mean variance optimization has shortcomings making the strategy far from optimal from an investor’s perspective. The purpose of the study is to conduct an empirical investigation as to how modern methods of portfolio optimization address the shortcomings associated with mean variance optimization. Equal risk contribution, the Most diversified portfolioand a modification of the Minimum variance portfolio are considered as alternatives to the mean variance model. Portfolio optimization models introduced are explained in detail and solved using the optimization algorithms Cyclical coordinate descent and Alternating direction method of multipliers. Through implementation and backtesting using a diverse set of indices representing various asset classes, the study shows that the mean variance model suffers from high turnover and sensitivity to input parameters in comparison to the modern alternatives. The sophisticated asset allocation models equal risk contribution and the most diversified portfolio do not rely on expected return as an input parameter, which is seen as an advantage, and are not affected to the same extent by the shortcomings associated with mean variance optimization. The paper concludes by discussing the findings critically and suggesting ideas for further research. / Maximering av avkastning i samband med minimering av varians, på engelska kallat Mean variance optimization, är inte optimalt ur en investerares synpunkt. Syftet med denna uppsats är att genomföra en empirisk studie av hur moderna metoder för portföljallokering adresserar de problem som är förknippade med Mean variance optimization. Mer specifikt undersöks allokeringsstrategierna Equal risk contribution, Most diversified portfolio samt en variant av Minimum variance som ersättare till Mean variance optimization. Allokeringsmetoderna beskrivs detaljerat och löses med optimeringsalgoritmerna Cyclical coordinate descent och Alternating direction method of multipliers. Genom implementering och historisk simulering med ett antal index som representerar olika tillgångsslag visar studien att Mean variance optimization innebär hög portföljomsättning och har en större känslighet för ingångsparametrar i jämförelse med de moderna alternativen. De sofistikerade allokeringsmodellerna Equal risk contribution och Most diversified portfolio bygger inte på ingångsparametern förväntad avkastning, vilket ses som en fördel, och drabbas inte i samma utsträckning av problemen associerade med Mean variance optimization. Studien avslutas med att diskutera resultatet kritiskt och ge förslag på vidare studier som bygger på den teori och det resultat som har presenterats.