Accurate forecasting portfolio volatility and tail risk is crucial for effective risk management in financial institutions. This study conducts a comparison of two multivariate frameworks - Dynamic Conditional Correlation (DCC) and Random Matrix Theory–enhanced Constant Conditional Correlation (RMT-CCC) - applied to the Svea Bank AB 48 stock equity portfolio. The univariate GARCH and EGARCH models assume residuals drawn from a Student's \(t_{\nu}\)-distribution with \(\nu\) degrees of freedom, and their resulting time-varying volatility forecasts are embedded in the DCC and RMT-CCC correlation frameworks. From these, we generate one-day-ahead forecasts of Value at Risk (VaR) and Expected Shortfall (ES) loss over an out-of-sample period. The precision of volatility forecasts is evaluated through comparison between predicted and realized volatilities, employing standard error metrics (RMSE, MAE, MAPE), while the suitability of the one-day-ahead VaR and ES forecasts is verified through Kupiec unconditional coverage and Christoffersen conditional coverage tests. The results reveal that, under limited calibration (356 trading days) and evaluation windows (100 trading days), the benefits of more sophisticated correlation and asymmetry models are limited under constrained data conditions for specific assets. This highlights a practical trade-off between model complexity and forecast reliability.

Noggrann prognostisering av portföljvolatilitet och svansrisk är avgörande för effektiv riskhantering inom finansinstitut. Denna studie genomför en jämförande analys av två multivariata ramverk – Dynamic Conditional Correlation (DCC) och Random Matrix Theory–förbättrad Constant Conditional Correlation (RMT-CCC) – tillämpade på Svea Bank AB:s portfölj med 48 aktier. För de univariata GARCH- och EGARCH-modellerna antas felen följa en Student's \(t_{\nu}\)-fördelning med \(\nu\) frihetsgrader, och deras beräknade tidsvarierande volatilitetsprognoser integreras i DCC- respektive RMT-CCC-ramverken. Utifrån dessa genereras endagsprognoser för Value at Risk (VaR) och Expected Shortfall (ES) över en test period. Noggrannheten i volatilitetsprognoserna utvärderas genom att jämföra prognostiserad och realiserad volatilitet med standardiserade felmått (RMSE, MAE, MAPE), medan lämpligheten hos endagsprognoserna för VaR och ES prövas med Kupiec test för obetingad täckning och Christoffersen test för betingad täckning. Resultaten visar att under begränsade kalibreringsfönster (356 trading dagar) och utvärderingsfönster (100 trading dagar) tenderar fördelarna med mer sofistikerade korrelations- och asymmetrimodeller att vara begränsade när data tillgången är minimal för specifika aktier. Detta belyser en praktisk avvägning mellan modellkomplexitet och prognosers tillförlitlighet.