Mô hình Markowitz, mặc dù là nền tảng của lý thuyết danh mục đầu tư hiện đại, lại gặp phải những trở ngại đáng kể trong ứng dụng thực tế. Hạn chế chính của nó là yêu cầu một lượng lớn dữ liệu đầu vào—cụ thể là các ước tính về hiệp phương sai giữa mọi cặp chứng khoán—khiến cho việc áp dụng với các danh mục lớn trở nên khó khăn và dễ phát sinh sai số.
Để giải quyết những thách thức này, các mô hình chỉ số, đặc biệt là Mô hình Chỉ số Đơn (Single-Index Model), đã được phát triển. Mô hình này đơn giản hóa đáng kể quy trình bằng cách giả định rằng các mối tương quan giữa các chứng khoán chủ yếu xuất phát từ phản ứng chung của chúng đối với một yếu tố vĩ mô duy nhất, thường được đại diện bởi một chỉ số thị trường rộng.
Mặc dù có các giả định đơn giản hóa, các bằng chứng thực nghiệm cho thấy Mô hình Chỉ số Đơn thường tạo ra các danh mục tối ưu có hiệu suất rất gần với mô hình Markowitz toàn diện. Với lợi thế rõ ràng về tính thực tiễn và khả năng giảm thiểu sai số, mô hình chỉ số là một công cụ cực kỳ mạnh mẽ cho các nhà quản lý danh mục.
Mô hình Markowitz, dù mang tính đột phá, lại gặp phải hai nhược điểm lớn khi áp dụng trong thực tế:
Số lượng ước tính hiệp phương sai tăng lên theo cấp số nhân với số lượng chứng khoán.
Việc ước tính một ma trận hiệp phương sai lớn rất dễ xảy ra sai số. Các sai số này có thể dẫn đến một bộ hệ số tương quan không nhất quán, đôi khi tạo ra kết quả vô lý như phương sai danh mục âm.
Mô hình chỉ số đơn giản hóa vấn đề bằng cách giả định rằng các nguồn rủi ro có thể được phân loại thành yếu tố vĩ mô chung (hệ thống) và các yếu tố riêng của công ty (phi hệ thống).
Mô hình chia tách tỷ suất sinh lời thực tế thành lợi nhuận kỳ vọng và một thành phần bất ngờ. Thành phần bất ngờ này lại được chia thành hai nguồn:
Mối quan hệ này được thể hiện qua phương trình hồi quy sau (sử dụng tỷ suất sinh lời vượt trội):
Mô hình chỉ số đơn làm giảm đáng kể số lượng ước tính cần thiết xuống chỉ còn 3n + 2. Đối với danh mục 50 cổ phiếu, con số này là 152 (so với 1.325 của Markowitz). Hiệp phương sai giữa hai chứng khoán bất kỳ được tính toán đơn giản là Cov(rᵢ, rⱼ) = βᵢβⱼσₘ².
Mô hình chỉ số cung cấp một cái nhìn sâu sắc và trực quan về cách thức hoạt động của đa dạng hóa. Phương sai của một danh mục đầu tư (P) được tính như sau:
Như vậy, khi đa dạng hóa tăng lên, tổng phương sai của danh mục sẽ tiến gần đến phương sai hệ thống của nó.
Các tham số của mô hình (alpha và beta) được ước tính bằng cách sử dụng hồi quy tuyến tính đơn biến.
Các nhà thực hành thường điều chỉnh beta để dự báo tốt hơn, vì các bằng chứng thực nghiệm cho thấy beta có xu hướng hội tụ về 1 theo thời gian. Một công thức phổ biến là:
Mô hình chỉ số cung cấp một khuôn khổ mạnh mẽ để xây dựng danh mục đầu tư tối ưu, được gọi là mô hình Treynor-Black.
Danh mục rủi ro tối ưu là sự kết hợp của hai thành phần:
Hiệu quả của danh mục chủ động được đo lường bằng Tỷ lệ Thông tin (Information Ratio): αₐ / σ(eₐ). Đóng góp của danh mục chủ động vào Tỷ lệ Sharpe của danh mục tổng thể bằng bình phương Tỷ lệ Thông tin của nó.
Để tối đa hóa Tỷ lệ Thông tin, tỷ trọng của mỗi chứng khoán trong danh mục chủ động phải tỷ lệ thuận với αᵢ / σ²(eᵢ). Điều này có nghĩa là các nhà đầu tư nên phân bổ nhiều hơn vào các chứng khoán có alpha cao và rủi ro phi hệ thống thấp.
Mô hình chỉ số, về mặt lý thuyết, kém hơn mô hình Markowitz vì nó áp đặt các giả định hạn chế (ví dụ, sai số giữa các cổ phiếu không tương quan). Tuy nhiên, trong thực tế, nó thường mang lại hiệu quả vượt trội.
Mô hình Markowitz, dù linh hoạt hơn, lại phải đối mặt với "rủi ro ước tính" (estimation risk) rất lớn do yêu cầu hàng triệu đầu vào. Sai số tích lũy từ các ước tính này có thể dẫn đến một danh mục trong thực tế kém hiệu quả hơn.
Mô hình chỉ số đơn giản hơn (parsimonious) giúp giảm thiểu rủi ro ước tính và có thể dẫn đến hiệu suất dự báo ngoài mẫu tốt hơn. Các kết quả thực nghiệm cho thấy danh mục từ hai mô hình là rất giống nhau.
Do đó, mô hình chỉ số không chỉ là một sự đơn giản hóa mang tính lý thuyết mà còn là một công cụ thực tế, hiệu quả và mạnh mẽ, giúp các nhà quản lý đầu tư đưa ra quyết định tốt hơn bằng cách cân bằng giữa việc tìm kiếm alpha và kiểm soát rủi ro.