Chapter 

7
Portfolio  Theory
Road Map

Part A Introduction to finance.

Part B Valuation of assets, given discount rates.

Part C Determination of risk-adjusted discount rates.

• Introduction  to  return  and  risk.

• Portfolio theory.

• CAPM  and  APT.

Part D Introduction to derivative securities.

Main Issues
•   Returns  of  Portfolios

•   Diversification
•   Diversifiable  vs. Non-diversifiable  risks
•   Optimal  Portfolio  Selection
Chapter 7 Portfolio Theory 7-1

1 Introduction and Overview
In  order  to understand  risk-return  trade-off,  we observe:

1. Risks  in  individual  asset  returns have  two components:

•   Systematic  risks—common  to  most  assets
•   Non-systematic  risks—specific  to  individual  assets.

2. Systematic risks and  non-systematic  risks  are different:

•   Non-systematic  risks  are  diversifiable

•   Systematic  risks  are  non-diversifiable.

3. Forming portfolios  can  eliminate non-systematic  risks.

4. Investors  hold  diversified  portfolios  to reduce risk.

5. Investors  care only  about  portfolio  risks—systematic  risks.

Fall 2006 c  J. Wang 15.401 Lecture Notes

7-2 Portfolio Theory Chapter 7

2 Portfolio Returns

Asset 1 2 ·  ·  · n
Mean Return r¯ r¯ ·  ·  · r¯n

r1             r2           ···          r

r1 σ12          σ12   ·  ·  ·  σ1
r2 σ21         σ22           ·  ·  ·  σ2
... n .
...         ...        . .      ...
rn 2
σn1   σn2   ·  ·  ·        σn

r¯
1 r¯
2 r˜                                  r˜
1                 2
0.0149 0.0100 r˜ 0.007770    0.002095
1
r2̃ 0.002095    0.003587

A portfolio is simply a collections of assets, characterized by the
mean,  variances/covariances  of  their  returns,  r˜1 ,  r˜2 ,  .  .  .  ,  r˜n :

•   Mean  returns:

•   Variances  and  covariances:

Example.  Monthly   stock   returns on IBM  ( r˜1 )   andσ nn

Merck ( 2˜ ):
Covariance   of  an  asset   with   itself    is   its  variance:     =  σ  nr . 2

Mean returns Covariance matrix

Note:  σ1   =  8 .81% ,  σ2   =  5 .99%   and  ρ12   =  0 .40 .

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 P
2.1 ortfolio 
Theory
 7-3
Portfolio of Two Assets

A portfolio of these two assets is characterized by the value
invested  in  each  asset.

Let  V1  and  V2  be the dollar amount invested in asset 1 and 2,

respectively. The  total  value of  the portfolio  is

V =  V1   +  V2 .

Consider  a  portfolio in  which

•   w1   =  V1 /V  is  the  weight  on  asset  1

•   w2   =  V2 /V  is  the  weight  on  asset  2.

Then,  w1   +  w2   =  1 .

Example. You have $1,000 to invest in IBM and Merck stocks.
If you invest $500 in IBM and $500 in Merck, then  wIBM =
wMerck  = 500 /1000  = 50% . This is an equally weighted
portfolio  of  the  two  stocks.

Example. If you invest $1,500 in IBM and  −$500 in Merck (short
sell $500 worth of Merck shares), then  wIBM =  1500 /1000   =
150%   and  wMerck   =  −500 /1000   =  −50% .
Fall 2006 c  J. Wang 15.401 Lecture Notes
7-4 Portfolio Theory Chapter 7

Return on a portfolio with two assets

The portfolio return is a weighted average of the individual returns:

r˜p  =  w1 r˜1   +  w2 r˜2 .

Example. Suppose you invest $600 in IBM and $400 in Merck
for a month. If the realized return is 2.5% on IBM and 1.5% on
Merck over the month, what is the return on your total portfolio?

(0.6)( 2.5 % )  + (0 .4)(1 .5 % )  = 2.1%.

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-5

Expected return on a portfolio with two assets

Expected  portfolio  return:

r¯ p   =   w 1 r¯ 1   +   w 2 r¯ 2 .

Unexpected  portfolio  return:

r˜p  −  r¯p  =  w1 (r˜1  −r¯1 ) +  w2 (r˜2  −r¯2 ).

Variance of return on a portfolio with two assets

The  variance  of  the  portfolio return:

2 2
σp  = Var [ r˜p]   =  E  (r˜p  −  r¯p)

2 2
=  w1 σ1 + w σ + 2 w1 w2 σ
w1 r˜1                         w2 r˜     2 2    
12 . 2 2
w1 r˜1 w1 σ1             w1 w2 σ12

w2 r˜2 w1 w2 σ12               w2 2

2 σ2
Variance  of  the  p ortfolio  is  the  sum  of 
all  entries  of  the  following
table
Mean returns Covariance matrix

r¯
1 r¯
2 r˜                                  r˜
1                 2
0.0149 0.0100 r˜ 0.007770    0.002095
1
Consider  the  equally  weighted  portfolio:r2̃    w0.002095    0.003587
1   =  w 2   =  0 . 5 .

Fall 2006 c  J. Wang 15.401 Lecture Notes

7-6 Portfolio Theory Chapter 7

Example. Consider  again  investing  in  IBM  and  Merck  stocks.

w  r˜                                 w  r˜
1 1                                  2 2
w  r˜ (0.5)2(0.007770)    (0.5)2(0.002095)
1 1
w  r˜ (0.5)2(0.002095)    (0.5)2(0.003587)
2 2

1. Mean  of  portfolio return:

r¯p  =  (0.5)( 0.0149)  + (0 .5)(0 .0100)   =  1.25%.

2. Variance  of  portfolio return:

 2 2 2
σp  = (0 .5) (0 .007770)  + (0 .5) (0 .003587)  +
2
( 2 ) ( 0 .5) (0.002095)

= 0.003888

σp = 6.23%.

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-7

2.2 Portfolio of Three Assets

Now  consider  a  portfolio of  three assets,  1,  2  and  3:

w1 r˜1                         w2 r˜2                         w
w 1   +  w 2   +  w 3   =  1 .
w1 r˜1 w σ 2 2
1 1              w1 w2 σ12   w1 w3 σ13
•   Expected  w2 r˜2 w1 w2 σ12               w2 2
σ w 2 w 3 σ23
portfolio  return
2 2            
:
w3 r˜3 w1 w3 σ13   w2 w3 σ23               w2 2 3 σ3
r¯ p   =   w 1 r¯ 1   +   w
2 r¯ 2   +   w 3 r¯ 3 .

•   The  variance  of  the  portfolio  return:

 2 2
σp  = Var [ r˜p]   =  E  (r˜p  −  r¯p)
2 2 2 2
=  w 1 σ1   +  w 2 σ2   +  w 3 σ3   +

2 w1 w2 σ12   + 2 w1 w3 σ13   + 2 w2 w3 σ23

r˜                r˜                   
˜
Again,  the  r˜ 0.007770    0.002095    0.001189 portfolio variance i
IBM
s  the  sum of  r˜ 0.002095    0.003587    0.000229 all  table entries
Merck
r˜ 0.001189    0.000229    0.009790
Intel

Fall 2006 c  J. Wang 15.401 Lecture Notes

7-8 Portfolio Theory Chapter 7

Example. Consider  three  stocks,  IBM,  Merck  and  Intel. Returns

on  the three stocks have  the following  covariance  matrix:
What are the variance and StD of a portfolio with 1/3 invested
in  each  stock  (the equally  weighted  portfolio)?

Since  wIBM  =  wMerck   =  wIntel   =  1 /3 ,  we  have

2 1  2
σp  = × (Sum of  all elements of covariance matrix)
3
= 0.003130

σp = 5.59%.

Note,  for  each  asset  individually:

σIBM = 8 .81%

σMerck  = 5 .99%

σIntel  = 9 .89% .

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7
Portfolio Theory w
We now  consider 
the  portfolio of  n   i  = 
2.3 assets. 1.
Portfolio of Multiple Assets i
n
=1
 7-9
0. The return  on  the portfolio  is:
n
r˜p  =  w1 r˜1   +  w2 r˜2   +  ·  ·  · +  wn r˜n   =
i=1

1. The expected  return  on  the portfolio  is:

wir˜i.
n
r¯p  = E [ rp]   =  w1 r¯1   +  w2 r¯2   +  ·  ·  · +  wn r¯n   wir¯i.
=
i=1

2. The variance of  portfolio  return  is:

n n
2
σp =  Var[ r˜p]   = wiwj  σij
i=1  j=1

where  σii  =  σi2 .

3. The volatility  (StD)  of  portfolio  return  is:

σ p  = Var[ r˜p]   = σ p2 .
Fall 2006 c  J. Wang 15.401 Lecture Notes

7-10 Portfolio Theory Chapter 7

The variance of portfolio return can be computed by summing up
all  the  ent ries to  the  foll
owing  tab w 1 r1                         w 2 r 2                 ···             w n le:
2 2
w 1 r1 w1 σ1              w1 w2 σ12        ·  ·  ·  w1 wn σ1
n
w 2 r2 2 2
w2 w1 σ21              w2 σ2             ·  ·  ·  w2 wn σ
··· n

...                    ...            ...            ...
w n rn
2 2

The variance of a sum is not just the sum of variances! We also
need  to account  for  the covariances.

In  order  to  calculate  return  variance  of  a  portfolio,  we need

(a) portfolio weights

(b) individual  variances

(c) all  covariances.
15.401 Lecture Notes c  J. Wang Fall 2006

1. Two assets:
Chapter 7 Portfolio Theory
Diversification  wit h  t wo   a sse t s 7-11
1.5

3 1

corre la tion  =   0 . 1

0.5
excessreturn

Diversification 0

Lesson 1: Diversification  reduces  risk.

− 0 .5

−1

Porfolio returns  vs. individual  asset  returns:

− 1 .5
0 10 20 30 40 50 60

a ve r a g e   corr elat ion   =   0 .1

excessreturn

t im e

2. Multiple assets:
 t im e

Fall 2006 c  J. Wang 15.401 Lecture Notes

Diversification  wit h  many  a sse t s

2

1.5

0.5

− 0 .5

−1
0 10 20 30 40 50 60
7-12 Portfolio Theory Chapter 7

Example. Given two assets with the same annual return StD,
σ1   =  σ2   =  35% ,  consider  a  portfolio  p  with  weight  w  in  asset  1
and  1−w in  asset  2.

2
σp  = w2 σ1   + (1 −w)2 σ2   + 2 w(1 −w)σ12 .

From the plot below, the StD of the portfolio return is less than
the  StD  of  each  individual  asset.
0.45

0.40 corr(1,2)=0.0                 corr(1,2)=1.0                 corr(1,2)=0.5                 corr(1,2)=-0.5

0.35

0.30
PortfolioStD

0.25

0.20

0.15

0.10

0.05

0.00
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2

Weight in asset 1
15.401 Lecture Notes c  J. Wang Fall 2006
Chapter 7 Portfolio Theory 7-13

Lesson 2: Certain  risks cannot  be  diversified  away.

Impact  of  Diversification  On  Portfolio  Risk

StDofportfolioreturn

ρ¯ = 1.0 and ρ¯ = 0.5

Risk eliminated
by diversification

Total risk of typical
security

Undiversifiable
or market risk

Number of securities in portfolio

Risk  comes  in  two  types:

 •   Diversifiable  risk.
•   Non-diversifiable  risk.

Fall 2006 c  J. Wang 15.401 Lecture Notes

7-14 Portfolio Theory Chapter 7

Example. An  e qually-
w1 r1              · · ·           wnrn
weighted  portfol io  of  n   assets:
w r w 2 2
σ ··· w σ
1 1 1 1                  1 wn 1n
..
. ...              ...              ...
2 2
wnrn wn w1σn1        · · ·                 wn σn
σ  .

1  2 σ
•   A  typical  variance  term: n  ii

– Total  number  of  variance  terms: n .

1  2
•   A  typical  covariance  term: n  ij ( i =  j).
– Total  number  of  covariance  terms: n 2   −  n .

Add  all  the terms:

n  n  2 n  n
2 σi 1  ⎝ 1  2
σp  = wiwj  σij = σii  + σij
2 n
i=1  j=1  i=1 j=i
n ⎛ ⎞
n n  n
1 σij ⎠
= +
1     2
n   −  n 2   −  n
1 i=1 i=1 j=i
n  n n
n2

1 n 2  −   n
= (average variance) + (average covariance).
n n2
As  n   becomes  very  large:

•   Contribution  of  variance  terms  goes  to  zero.

•   Contribution of covariance terms goes to “average covariance”.

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-15

4 Optimal Portfolio Selection
How  to choose  a  portfolio:

•   Minimize  risk  for  a  given  expected  return? or

•   Maximize  expected  return  for  a  given  risk?

r¯
✻
maximizing
✻return

✛
minimizing
risk
✲
σ

Formally, we need  to  solve  the  following  problem:

n n
(P) : Minimize {w1 ,  . .  .  ,  wn }
 2
σp =
subject  to iw
j 
σi
(1)
j
i=
1 
(2) j=
1

i 
= 
1
i=
1
n

ir
¯
i 
= 
r
¯
p.
i=
1
Fall 2006 c  J. Wang 15.401 Lecture Notes

7-16 Portfolio Theory Chapter 7

4.1 Solving optimal portfolios “graphically”
6.00

5.00
Return(%,permonth)

Portfolio Frontie
Frontier with
six assets
4.00
r fro m Stocks of
3.00 IBM, Merck, Intel, AT&T, JP Morgan and GE

2.00

1.00

0.00
0.0 2.0 4.0 6.0 8.0 10.0 12.0

Standard  Deviation  (%,  per  month)

Definition: Given an expected return, the portfolio that minimizes
risk  (measured  by  StD)  is  a  mean-StD  frontier  portfolio.

Definition: The locus of all frontier portfolios in the mean-StD
plane is called portfolio  frontier. The upper part of the portfolio
frontier  gives  efficient  frontier  portfolios.

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter  Portfolio Theory 7-17
7

Portfolio Frontier with Two Assets
4.2

Assume  r¯1   >  r¯2  and  let  w1   =  w and  w2   =  1   −  w.

Then

r¯p = wr¯1   + (1   −  w)¯r2

2 2 2 2
σp  =  w σ1   + (1−w) σ2   + 2 w(1   −  w)σ12 .

For a given  r¯p, there is a unique  w that determines the portfolio

with  expected  return  r¯p:

r¯p  − 
w = r¯ .
2
r¯1   − 
r¯2

The  risk  of  the  portfolio is

 r¯p  −  r¯2 r¯p  −  r
σ p  = σ +
1 σ +2
2 σ12 .
r¯1   −r¯2  r¯2   −r¯1  r¯1   −r¯2 ¯1
r¯2   −r¯
1

Covariances r˜ r˜
IBM Merck
r˜ 0.007770 0.002095
IBM
r˜ 0.002095 0.003587
Merck
Mean (%) 1.49 1.00
StD (%) 8.81 5.99
Fall 2006 c  J. Wang 15.401 Lecture Notes

7-18 Portfolio Theory Chapter 7

Without Short Sales
r¯p  −r¯2 2 2 r¯p  −r¯1 2 2
When  short  sales  are  not  allowed,  w1   ≥  0 ,  w2   ≥  0   and
Return(%,permonth)

r¯ 1   ≥  r¯p  ≥  r¯
2.

Example. A  universe of  only  IBM  and  Merck  stocks:

 Portfolios of IBM and Merck
Weight in IBM (%) 0 10 20 30 40  50 60 70 80 90 100
Mean return (%) 1.00 1.05 1.10 1.15 1.20 1.25 1.30 1.34 1.39 1.44 1.49
StD (%) 5.99 5.80 5.72 5.78 5.95 6.23 6.62 7.08 7.61 8.19 8.81

Portfolio Frontier when Short Sales Are Not Allowed

StandardDeviation (%,perm onth)

15.401 Lecture Notes
2
c  J. Wang Fall 2006
1.8

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
0 2 4 6 8 10 12
Chapter 7 Portfolio Theory 7-19

With Short Sales

When  short  sales  are allowed,  portfolio  weights  are unrestricted.

Example. (Contin ued.)
Covariances r˜ r˜
IBM Merck
r˜ 0.007770 0.002095
IBM
r˜ 0.002095 0.003587
Merck
Mean 1.49% 1.00%
StD 8.81% 5.99%

Portfolios of IBM and Merck
Weight in IBM (%) -40 -20 0 20 40  60 80 100 120 140
Mean return (%) 0.80 0.90 1.00 1.10 1.20 1.29 1.39 1.49 1.59 1.69
StD (%) 7.70 6.69 5.99 5.72 5.95 6.62 7.61 8.81 10.16 11.60
Return(%,permonth)

Portfolio Frontier when Short Sales Are Allowed
 StandardDeviation (%,perm onth)

Fall 2006 1.8 c  J. Wang 15.401 Lecture Notes

1.7

7-20 1.6
Chapter 7
Return(%,permonth)

1.5 Portfolio Theory
1.4

Several special situations (without short sales)
1.3

1.2

1.  σ1   =  0 : Asset  1  is  risk-free.

1.1

1
Portfolio Frontier with A Risk-Free Asset
0.9

0.8
0 2 4 6 8 10 12

1.8

1.6

1.4

1.2
corr = 0.397                 corr =0.0                 corr =1.0                 corr =-1.0

1
Return(%,permonth)

0.8

0.6
StandardDeviation  (%,perm onth)
0.4

2.  ρ12   =  ±1 : Perfect  correlation  between  two  assets.

0.2

0 Portfolio Frontiers with Special Return Correlation
0 2 4 6 8 10 12
 StandardDeviation (%,perm onth)

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-21

4.3 Portfolio Frontier with Multiple Assets

With more than two assets, we need to solve the constrained
optimization  problem (P).

•   Use  Excel  Solver  to  solve  numerically.

6.00

5.00

•   Details  are  given  in  t

Return(%,permonth)

Frontier with

he  appendi 4.00

six assets
x.

3.00
Portfolio Frontier of IBM, Merck, Intel, AT&T, JP Morgan and GE
2.00

1.00

1.8
0.00
0.0 2.0 4.0 6.0 8.0 10.0 12.0
1.7

1.6

1.5

1.4

1.3

1.2

1.1

StandardDeviation (%,perm onth)
0.9

0.8
0 2 4 6 8 10 12

Observation: When more assets are included, the portfolio frontier
improves,  i.e.,  moves  toward  upper-left: higher  mean  returns  and
lower  risk.

Intuition: Since one can choose to ignore the new assets, including
them cannot  make one  worse  off.

Fall 2006 c  J. Wang 15.401 Lecture Notes

7-22 Portfolio Theory Chapter 7

5 Portfolio Frontier with A Safe Asset
When there exists a safe (risk-free) asset, each portfolio consists
of  the  risk-free asset  and  risky  assets.

Observation: A portfolio of risk-free and risky assets can be
viewed  as  a  portfolio  of  two  portfolios:

(1) the  risk-free asset,  and

(2) a  portfolio  of  only  risky  assets.

Example. Consider a portfolio with $40 invested in the risk-free
asset  and  $30  each  in  two risky  assets,  IBM  and  Merck:

•   w0   =  40%   in  the  risk-free  asset

•   w1   =  30%   in  IBM  and
•   w2   =  30%   in  Merck.
However,  we can  also view  the  portfolio as follows:
(1) 1−x = 40%   in  the  risk-free asset

(2)  x = 60%   in  a  portfolio of  only  risky  assets  which  has

(a) 50%  in  IBM
(b) 50%  in  Merck.

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-23

Consider a portfolio p with  x  invested in a risky portfolio q, and
1−x   invested  in  the  risk-free asset. Then,

r˜p = (1 −x )rF  +  xr˜q

r¯ p   = (1 −x )rF 
+  xr¯q
Return(%,permonth)

2 2 2
σp  =  x σq .

When there is a risk-free asset, the frontier portfolios are
combinations  of:
(1) the  risk-free asset

(2) the  tangent  portfolio  (consisted  of  only  risky  assets).

Portfolio Frontier with A Risk-Free Asset (Capital Market Line or CML)
 StandardDeviation (%,perm onth)

r¯ p   − 
Frontier  portfolios  have  the highest  Sharpe  ratio: .
r  F
σp

Fall 2006 5.00
c  J. Wang 15.401 Lecture Notes
7-24 Portfolio Theory Chapter 7
4.50

6 Summary
4.00

3.50

3.00

Main  points  of  modern  portfolio theory:

2.50

2.00

1. Risk  comes in  two  types:

1.50

•   Diversifiable  (non-systematic)
1.00

0.50

•   Non-diversifiable  (systematic)
0.00
0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0

2. Diversification  reduces  (diversifiable)  risk.

 3. Investors  hold  frontier  portfolios.

•   Large  asset  base  improves  the  portfolio  frontier.

4. When there is risk-free asset, frontier portfolios are linear
combinations  of
•   the  risk-free  asset,  and
•   the  tangent  portfolio.

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-25

7 Appendix: Solve Frontier Portfolios
Fall 2006 c  J. Wang 15.401 Lecture Notes
7-26 Portfolio Theory Chapter 7

We now outline the steps involved in obtaining the optimal portfolio using the
Solver.

Step 1  Enter the data on

•   Expected  return  on  each  stock  in  the  portfolio

 •   Standard  deviation  (volatility)  of  each  stock
•   Covariance  among  the  stocks
This is done in the section of  the spreadsheet labeled “Moments.”

Step 2  Create the cells for the optimization using Solver.

•   Specify a required rate of return for the portfolio. (In cell B26, we
specified this to be 0.00%.)
•   Enter some initial values for  w1  and  w2  in cells C26 and D26. We
used the initial values of 0.25 and 0.35. These are the cells that Solver
will change to find the optimal portfolio weights.
•   Enter,  in  E26,  the  portfolio  constraint:  w3   =  1   −  w1   −  w2 .
•   Cell  F26  simply  checks  that  the  weights  satisfy  the  constraint  that  their
sum is equal to one.
•   Enter  the  portfolio  variance  in  G26  using  the  weights  given  in  cells  C26
and D26 and the information on variances and covariances in Step 1.
Then, use this definition of portfolio variance to specify the portfolio
StD, in cell H26.
•   Finally, enter the definition of portfolio return in cell I26, again using
the weights given in cells C26 and D26 and the information on expected
returns that we entered in Step 1.

Step 3  Open Solver (from the “Tools” menu). If Solver is not installed, you
can try and install it from the “Add-ins” choice under “Tools”. If this does
not work, then you will need to get professional help.

•   In  the  target  cell,  choose  $H$26  and  select  “Min.”

15.401 Lecture Notes c  J. Wang Fall 2006

Chapter 7 Portfolio Theory 7-27

•   The minimization will be done by changing the cells $C$26:$D$26 —
these  are  the  cells  that  contain  the  portfolio  weights  w1  and  w2 .
 •   Now  add  the  constraint  that  the  portfolio  expected  return  given  in  cell
I26 must be equal to the return specified  in cell  B26.

Step 4  Click on “Solve” and the optimal portfolio weights should appear in
cells C26 and D26.

Step 5  You can repeat this process for other values of portfolio expected return
(as in B27, B28,  . .  .  and redoing Steps 2-4 with the appropriate changes).

Step 6  Plotting the points in columns H and I (using x-y plots) will give the
portfolio frontier.

Fall 2006 c  J. Wang 15.401 Lecture Notes

7-28 Portfolio Theory Chapter 7
8 Homework
Readings:

•   BKM  Chapters  6.2,  7,  8.

•   BMA  Chapters  7,  8.1.

Assignment:

•   Problem  Set  4.
15.401 Lecture Notes c  J. Wang Fall 2006