Investing in real estate carries inherent risks due to fluctuations in economic activity, changes in population dynamics, and shifts in market demand. While traditional approaches to scenario analysis, grounded in market expertise and keen intuition, have stood the test of time, they are also subjective and prone to human error and external influences. Therefore, an objective approach based on statistical inference was sought to serve as a supplementary instrument for real estate industry professionals. With efficacy and practical functionality in consideration, this thesis explores various solutions and determines autoregressive processes as a prime candidate for such an instrument. An instructive procedure is developed and applied to two data sets of historical Stockholm office rents and yields respectively. Starting with data typically available to real estate investors and advisors, this procedure implements locally weighted scatterplot smoothing, polynomial regression, autoregressive integrated moving average processes and matrix transformations to derive forecast intervals which may be applied to prescribe probability to precise ranges or points of the users variable of choice, several quarters into the future. The results demonstrate limitations in the distance of forecasting using this procedure but display satisfactory performance in the short to medium term. Additionally, the practical applicability of the procedure is reflected upon. / Investering i fastigheter medför inneboende risker på grund av fluktuationer i ekonomisk aktivitet, förändringar i befolkningsdynamik och efterfrågan på marknaden. Medan traditionella tillvägagångssätt för scenarioanalys, grundade på marknadsexpertis och skarp intuition, har bestått tidens tand, är de också subjektiva och medför risk för mänskliga fel och externa faktorer. Därav eftertraktades en objektiv metod baserad på statistiska processer för att fungera som ett kompletterande verktyg i fastighetsbranschen. Med hänsyn till effektivitet och praktisk funktionalitet fastställs autoregressiva processer som en primär kandidat som ett sådant verktyg i denna studie. En instruktiv procedur utvecklas och tillämpas på två dataset av historiska hyror respektive avkastning för kontorslokaler i Stockholm. Med utgångspunkt i data vanligt tillgänglig för fastighetsinvesterare och rådgivare implementerar denna procedur lokalt viktad spridningsdiagramsutjämning, polynomregression, autoregressiva integrerade glidande medelvärdesprocesser och matristransformationer för att härleda prognosintervall som kan användas för att föreskriva sannolikheter till exakta intervall eller punkter för variabeln i fråga, flera kvartal in i framtiden. Resultaten visar begränsningar i avståndet för prognoser med denna procedur men tillfredsställande prestanda på kort- till medellång sikt. Dessutom görs reflektioner kring den praktiska användbarheten av proceduren.

Housing is both a durable good and an investment vehicle, which makes it importantin people’s daily life aswell as for a nation’s economy. This thesis innovatively applies the Sharpe ratio on evaluating the performance of the US residentialhousing market within the time period from 2005:Q1 to 2019:Q3, andinvestigates how this performance would react upon macroeconomic shocks,including sudden changes in GDP growth rate and personal income growthrate, by establishing a vector auto-regression model with the lag order of four.The main results are that: (1)in the long run, direct residential investments are not significantly more profitable than treasury bills but not disappointing compared to the market portfolio of Dow Jones Industrial Average; (2)the performance of residential investments seem to slightly and positively co-move withGDP and personal income growth rate; (3)the long-term impacts that sudden GDP and personal income growths have on the performance seem inconspicuous and tend to mitigate within about three years and (4) limited evidence supports the hypothesis that current housing market performance can help predictfuture GDP growth rate. Based on housing’s two purpose of consumption andinvestment and the empirical results showing that direct investments on residentialproperties have similar risk-adjusted return level to short-term treasurybills, I suggest that financially feasible households purchase their own houseinstead of renting for a long time, and that speculative investors avoid puttingmoney in residential properties unless they have access to inside information. / Bostäder kan betraktas både som en hållbar vara och som ett investeringsinstrument.De är essentiella för människors vardag och har en viktig roll förett lands ekonomi. Denna avhandling använder innovativt Sharpe-förhållandet för att utvärdera hur den amerikanska bostadsmarknaden presterade under perioden2005: kvartal 1 till 2019: kvartal 3. Den försöker även undersöka om denna prestation påverkas av makroekonomiska chocker inklusive plötsligaförändringar i BNP-tillväxttakt och personliga inkomsttillväxthastighet. Detta görs genom att upprätta en vektor autoregression modell med en fördröjningsordningför fyra. De viktigaste resultaten är att: (1) på långsikt är direktabostadsinvesteringar inte betydligt mer lönsamma än statsskuldväxlar dock är det hellre inte en besvikelse jämfört med en marknadsportföljen av Dow JonesIndustrial Average; (2) Prestationen av bostadsinvesteringar verkar vara svagt och samverkar positivit både med BNP och tillväxttakten för personinkomst.(3) De långsiktiga effekterna av plötsliga tillväxter av BNP och personliga inkomster har på utvecklingen verkar vara vaga och tenderar att mildra inomcirka tre år och (4) begränsade bevis stöder hypotesen om att nuvarande bostadsmarknadsresultat kan bidra till att förutsäga framtida BNP-tillväxttakten.Baserat på bostädernas två syften inom konsumtion och investeringar, visar deempiriska resultaten att direkta investeringar i bostadsfastigheter har en liknande riskjusterad avkastningsnivå som kortfristiga statsskuldväxla. Därför föreslår jag att ekonomisk stabila hushåll borde köpa ett eget hus istället för att hyraunder en lång tid, och att spekulativa investerare borde undvika att satsa pengar inom bostadsfastigheter såvida de inte har tillgång till insider-information.

During an investigation carried out by a police officer or a gendarme, audition reports are written, the length of which can be up to several pages. The high-level goal of this thesis is to study various automatic and reliable text summarization methods to help with this time-consuming task. One challenge comes from the specific, French and judicial data that we wish to summarize; and another challenge comes from the need for reliable and factual models. First, this thesis focuses on automatic summarization evaluation, in terms of both content (how well the summary captures essential information of the source text) and factuality (to what extent the summary only includes information from or coherent with the source text). Factuality evaluation, in particular, is of crucial interest when using LLMs for judicial purposes, because of their hallucination risks. Notably, we propose a light variation of SelfCheckGPT, which has a stronger correlation with human judgment (0.743) than the wide-spread BARTScore (0.542), or our study dataset. Other paradigms, such as Question-Answering, are studied in this thesis, which however underperform compared to these. Then, extractive summarization methods are explored and compared, including one based on graphs via the TextRank algorithm, and one based on greedy optimization. The latter (overlap rate: 0.190, semantic similarity: 0.513) clearly outperforms the base TextRank (overlap rate: 0.172, semantic similarity: 0.506). An improvement of the TextRank with a threshold mechanism is also proposed, leading to a non-negligible improvement (overlap rate: 0.180, semantic similarity: 0.513). Finally, abstractive summarization, with pre-trained LLMs based on a Transformer architecture, is studied. In particular, several general-purpose and multilingual models (Llama-2, Mistral and Mixtral) were objectively compared on a summarization dataset of judicial procedures from the French police. Results show that the performances of these models are highly related to their size: Llama-2 7B struggles to adapt to uncommon data (overlap rate: 0.083, BARTScore: -3.099), while Llama-2 13B (overlap rate: 0.159, BARTScore: -2.718) and Llama-2 70B (overlap rate: 0.191, BARTScore: -2.479) have proven quite versatile and efficient. To improve the performances of the smallest models, empirical prompt-engineering and parameter-efficient fine-tuning are explored. Notably, our fine-tuned version of Mistral 7B reaches performances comparable to those of much larger models (overlap rate: 0.185, BARTScore: -2.060), without the need for empirical prompt-engineering, and with a linguistic style closer to what is expected. / Under en utredning som görs av en polis eller en gendarm skrivs förhörsprotokoll vars längd kan vara upp till flera sidor. Målet på hög nivå med denna rapport är att studera olika automatiska och tillförlitliga textsammanfattningsmetoder för att hjälpa till med denna tidskrävande uppgift. En utmaning kommer från de specifika franska och rättsliga uppgifter som vi vill sammanfatta; och en annan utmaning kommer från behovet av pålitliga, sakliga och uppfinningsfria modeller. För det första fokuserar denna rapport på automatisk sammanfattningsutvärdering, både vad gäller innehåll (hur väl sammanfattningen fångar väsentlig information i källtexten) och fakta (i vilken utsträckning sammanfattningen endast innehåller information från eller överensstämmer med källtexten). Faktautvärdering, i synnerhet, är av avgörande intresse när man använder LLM för rättsliga ändamål, på grund av deras hallucinationsrisker. Vi föreslår särskilt en lätt variant av SelfCheckGPT, som har en starkare korrelation med mänskligt omdöme (0,743) än den utbredda BARTScore (0,542), eller vår studiedatauppsättning. Andra paradigm, såsom Question-Answering, studeras i denna rapport, som dock underpresterar jämfört med dessa. Sedan utforskas och jämförs extraktiva sammanfattningsmetoder, inklusive en baserad på grafer via TextRank-algoritmen och en baserad på girig optimering. Den senare (överlappning: 0,190, semantisk likhet: 0,513) överträffar klart basen TextRank (överlappning: 0,172, semantisk likhet: 0,506). En förbättring av TextRank med en tröskelmekanism föreslås också, vilket leder till en icke försumbar förbättring (överlappning: 0,180, semantisk likhet: 0,513). Slutligen studeras abstrakt sammanfattning, med förutbildade LLM baserade på en transformatorarkitektur. I synnerhet jämfördes flera allmänna och flerspråkiga modeller (Llama-2, Mistral och Mixtral) objektivt på en sammanfattningsdatauppsättning av rättsliga förfaranden från den franska polisen. Resultaten visar att prestandan för dessa modeller är starkt relaterade till deras storlek: Llama-2 7B kämpar för att anpassa sig till ovanliga data (överlappning: 0,083, BARTScore: -3,099), medan Llama-2 13B (överlappning: 0,159, BARTScore: -2,718) och Llama-2 70B (överlappning: 0,191, BARTScore: -2,479) har visat sig vara ganska mångsidiga och effektiva. För att förbättra prestandan för de minsta modellerna utforskas empirisk prompt-teknik och parametereffektiv finjustering. Noterbart är att vår finjusterade version av Mistral 7B når prestanda som är jämförbara med de för mycket större modeller (överlappning: 0,185, BARTScore: -2,060), utan behov av empirisk prompt-teknik och med en språklig stil som ligger närmare vad som förväntas.