In response to the Great Financial Crisis of 2008, a handful of measures were taken to increase the resilience toward a similar disaster in the future. Global financial regulatory entities implemented several new directives with the intention to enhance global capital markets, leading to regulatory frameworks where financial participants (FPs) are regulated with own fund's requirements for market risks. This thesis intends to investigate two different methods presented in the framework Capital Requirements Regulation 3 (CRR 3), a framework stemming from the Basel Committee and implemented in EU legislation for determining the capital requirements for an FP. The first method, The Alternative Standardised Approach (A-SA), looks at categorical data, whereas the second method, The Alternative Internal Model Approach (A-IMA), uses the risk measure Expected Shortfall (ES) for determining the capital requirement and therefore requires the FP to estimate ES using a proprietary/internal model based on time series data. The proprietary model in this thesis uses a recurrent neural network (RNN) with several long short-term memory (LSTM) layers to predict the next day's ES using the previous 20 day's returns. The data consisted of categorical and time series data of a portfolio with the Nasdaq 100 companies as positions. This thesis concluds that A-IMA with an LSTM-network as the proprietary model, gives a lower capital requirement compared to A-SA but is less reliable in real-life applications due to its behaviour as a "black box" and is, thus, less compliant from a regulatory standpoint. The LSTM-model showed promising results for capturing the overall trend in the data, for example periods with high volatility, but underestimated the true ES. / Efter finanskrisen 2008 vidtogs flera effektiva åtgärder av världens största finansiella myndigheter som ett svar på det tidigare icke transparenta klimatet inom finanssektorn med intentionen att förstärka de globala kapitalmarknaderna. Detta innebar att nya samt strängare regelverk etablerades med direktiv så som hårdare kapitalkrav. Detta examensarbete är en empirisk undersökning samt jämförelse mellan två metoder i regelverket "Captail Requirements Regulation 3" (CRR 3) som kan användas för att beräkna en finansiell institutions kapitalkrav. Den första metoden, så kallad "Den alternativa schablonmetoden" (A-SA), använder kategorisk data för att beräkna kapitalkravet medan den andra metoden, "Den alternativa internmodellen" (A-IMA), kräver en att först beräkna riskmåttet "Expected Shortfall" (ES), med hjälp av en internmodell baserad på tidsseriedata, för att sedan kapitalkravet ska kunna beräknas. CRR 3 innehåller tydliga riktlinjer om hur en sådan internmodell ska utformas och i detta projekt testas en modell baserad på "återkommande neurala nätverk" (RNN) med den specifika arkitekturen "Long Short-Term Memory" (LSTM) för att estimera ES. De slutsatserna som kan dras är att A-IMA med en LSTM-modell, ger ett mindre kapitalkrav än A-SA. Däremot är A-IMA mindre tillförlitliga inom riskappliceringar på grund av risken att neurala nätverk kan bete sig som svarta lådor, vilket gör modellen mindre kompatibel från ett regelverksperspektiv. LSTM-modellen visade sig kunna upptäcka den generella trenden i portföljdatan (exempelvis perioder med hög volaitet) men gav konservativa prediktioner i jämförelse med testdatan.

On définit le risque de contrepartie comme le risque de détérioration de la qualité de crédit entrainant une incapacité de la contrepartie à remplir ses obligations contractuelles. De nos jours, ce risque ne se limite plus aux entreprises, mais s'est également étendu aux banques et autres institutions financières. Par conséquent, toute entité participant aux marchés dérivés OTC est exposée à ce risque. La «Credit Value Adjustment» (CVA) est la valeur de marché du risque de contrepartie. En raison de sa complexité, la mise en œuvre de la CVA demeure l'un des plus grands défis auxquels les banques font face depuis la dernière crise. Pour la plupart d’entre elles, sa mise en production nécessite des changements majeurs de l’infrastructure actuelle. En outre, le régulateur, dont le but est de renforcer la stabilité des marchés financiers, s’est également intéressé à la CVA en introduisant une nouvelle charge en capital liée au risque de contrepartie. Les contributions de notre thèse à la littérature existante sur le sujet se trouvent essentiellement aux chapitres 2, 3 et 4 du manuscrit. Dans les chapitres 2 et 3, nous proposons deux méthodes innovatrices pour le calcul de la CVA. Le chapitre 4 est, quant à lui, entièrement dédié à l’étude de la charge en capital réglementaire sous la régulation FRTB-CVA. / Counterparty risk is defined as the risk of credit worthiness deterioration, making the counterparty unable to meet its contractual obligations. Nowadays, this risk is no longer confined to corporate clients but has spread out to other banks and financial institutions. As a consequence, any firm participating in the over-the-counter (OTC) derivatives market is exposed to this risk. Credit Value Adjustment (CVA) is the market value of counterparty credit risk. Implementation of CVA still remains one of the biggest challenges banks face since the last financial crisis, due to its complexity and cost of implementation. For most banks, pricing the whole CVA book requires major changes on the infrastructure they currently have. Furthermore, regulatory responses to the last financial turmoil aimed at strengthening the financial system by introducing new capital requirements. The Basel III regulatory standard was developed in this respect, prescribing an additional capital charge to cover CVA losses.Our contributions to the relevant literature are chapters 2, 3 and 4. In chapters 2 and 3, we propose two innovative approaches to compute CVA that allow a huge reduction in computational costs. Chapter 4 is devoted to the study of the CVA capital charge under the new FRTB-CVA regulation.

Since the financial crisis of 2008, the risk awareness has increased in the -financial sector. Companies are regulated with regards to risk exposure. These regulations are driven by the Basel Committee that formulates broad supervisory standards, guidelines and recommends statements of best practice in banking supervision. In these regulations companies are regulated with own funds requirements for market risks. This thesis constructs an internal model for risk management that, according to the "Capital Requirements Regulation" (CRR) respectively the "Fundamental Review of the Trading Book" (FRTB), computes the regulatory capital requirements for market risks. The capital requirements according to CRR and FRTB are compared to show how the suggested move to an expected shortfall (ES) based model in FRTB will affect the capital requirements. All computations are performed with data that have been provided from a power trading company to make the results fit reality. In the results, when comparing the risk capital requirements according to CRR and FRTB for a power portfolio with only linear assets, it shows that the risk capital is higher using the value-at-risk (VaR) based model. This study shows that the changes in risk capital mainly depend on the different methods of calculating the risk capital according to CRR and FRTB respectively and minor on the change of risk measure. / I samband med finanskrisen 2008 har riskmedvetenheten ökat i den finansiella sektorn. Företag regleras mot riskexponering av föreskrifter som drivs av Baselkommittén, de utformar tillsynsstandarder och riktlinjer samt rekommenderar åtgärder av bästa praxis. I dessa föreskrifter regleras företag av kapitalbaskrav mot marknadsrisker. I det här examensarbetet beskrivs processen för att ta fram en intern riskmodell, enligt "Capital Requirements Regulation"(CRR) respektive Fundamental Review of the Trading Book"(FRTB), för att beräkna de lagstadgade kapitalkraven mot marknadsrisker. Kapitalbaskraven enligt regelverken jämförs för att förstå hur det föreslagna bytet till en expected shortfall (ES) baserad modell i FRTB kommer att påverka kapitalbaskraven. I alla beräkningar anv änds data från ett elhandelsföretag för att göra resultaten mer intressanta och verklighetsanpassade. I resultatdelen, vid jämförelse av riskkapitalkraven enligt CRR och FRTB för en energiportfölj med endast linjära tillgångar kan det ses att riskkapitalet blir högre med en value-at-risk (VaR) baserad modell. Den viktigaste upptäckten med detta är att skillnaden i riskkapitalkraven inte främst beror på de olika riskmåtten utan snarare de olika metoderna för att beräkna riskkapitalet enligt CRR och FRTB.

This thesis presents an application of Principal Component Analysis (PCA) and Hierarchical PCA to credit spreads. The aim is to identify the underlying factors that drive the behavior of credit spreads as well as the left over idiosyncratic risk, which is crucial for risk management and pricing of credit derivatives. The study employs a dataset from the Swedish market of credit spreads for different maturities and ratings, split into Covered Bonds and Corporate Bonds, and performs PCA to extract the dominant factors that explain the variation in the data of the former set. The results show that most of the systemic movements in Swedish covered bonds can be extracted using a mean which coincides with the first principal component. The report further explores the idiosyncratic risk of the credit spreads to further the knowledge regarding the dynamics of credit spreads and improving risk management in credit portfolios, specifically in regards to new regulation in the form of the Fundemental Review of the Trading Book (FRTB). The thesis also explores a more general model on corporate bonds using HPCA and K-means clustering. Due to data issues it is less explored but there are useful findings, specifically regarding the feasibility of using clustering in combination with HPCA. / I detta arbete presenteras en tillämpning av Principal Komponent Analysis (PCA) och Hierarkisk PCA på kreditspreadar. Syftet är att identifiera de underliggande faktorer som styr kreditspreadarnas beteende samt den kvarvarande idiosynkratiska risken, vilket är avgörande för riskhantering och prissättning av diverse kreditderivat. I studien används en datamängd från den svenska marknaden med kreditspreadar för olika löptider och kreditbetyg, uppdelat på säkerställda obligationer och företagsobligationer, och PCA används för att ta fram de mest signifikanta faktorerna som förklarar variationen i data för de förstnämnda obligationerna. Resultaten visar att de flesta av de systematiska rörelserna i svenska säkerställda obligationer kan extraheras med hjälp av ett medelvärde som sammanfaller med den första principalkomponenten. I rapporten undersöks vidare den idiosynkratiska risken i kreditspreadarna för att öka kunskapen om dynamiken i kreditspreadarna och förbättre riskhanteringen i kreditportföljer, särskilt med tanke på regelverket "Fundemental Review of the Tradring book" (FRTB). I rapporten undersöktes vidare en mer allmän modell för företagsobligationer med hjälp av HPCA och K-means-klustering. På grund av dataproblem är den mindre utforstkad, men det finns användbara resultat, särskild när det gäller möjligheten att använda kluster i kombination med HPCA.