Stocks belonging to publicly traded companies is a topic which in society is mystified and by some considered to be an unpredictable phenomenon where you either make an economic loss or gain seemingly by chance. Despite this, there are numerous fields of work where the sole purpose is to predict the movement of stocks in order to maximize economic gain. The purpose of this report was to research whether or not these movements actually can be predicted by the usage of regression analysis. A regression model was constructed where the response variable used was the rate of change of a certain stock over 30 days and numerous different qualitative and quantitative parameters were used as regressors. This full model was then evaluated and improved in order to refine its construction and results yielded in order to present the best possible model. When researching and optimizing the model, it was found that several parameters turned out to be statistically significant for the model. The model itself did however come with some uncertainties in the form of a low R-squared value, meaning that despite the significance of said parameters, it contained a high amount of unrepresented variance. / Aktier tillhörande publikt handlade bolag är i samhället ett mystifierat ämne varvid vissa ser det som ett oförutsägbart fenomen, som kan genera antingen vinst eller förlust, till synes av slumpen. Trots detta finns det flertalet områden vars främsta syfte är att förutspå aktiers prisrörelser med ändamålet att maximera ekonomisk vinning. Syftet med denna rapporten var att studera huruvida dessa prisrörelser faktiskt kan förutspås med hjälp av regressionsanalys. En regressionsmodell skapades där rate of change för flertalet aktier under en period på 30 dagar användes som responsvariabel. Flertalet olika kvantitativa och kvalitativa parametrar för respektive aktie användes som regressorer. Den fullständiga modellen som byggde på all data utvärderades för att sedan förbättras, i syfte att förfina dess uppbyggnad och de resultat den genererade, för att skapa en så bra modell som möjligt.  När modellen studerades och optimerades kunde det konstateras att flertalet parametrar var statistiskt signifikanta för modellen. Modellen hade dock osäkerheter i form av bland annat lågt R-kvadratvärde, vilket innebar att trots statistiskt signifikans i flertalet parametrar, kunde modellen inte förklara en stor del av förekommen varians.

Volatility-managed portfolios offer mixed returns in an international setting based on ex-ante information. The results of this paper further strengthen the theory that the variability of excess returns from volatility-management are more dependent on underlying investor strategy rather than differences of global markets. We find that momentum strategies, as measured by the winners-minus-losers, are universally (except Japan) benefitted from volatility-management with an excess return between 6.96% and 14.28% annually across different regions/cross-sections garnered by the managed portfolio controlled against the Fama and French (2015) five-factor model. Value and profitability factors show mixed results with the beneficial performance in about half of the examined regions respectively. We prove that these relationships are robust through periods of market-wide crashes (Dotcom-bubble and financial crises of 2007/2008), tighter leverage constraints (≤1, ≤1.5) show however that the excess returns are dampened, concluding that access to leverage is a fundamental aspect of employing volatility-management to most portfolios. The results of this research paper expand previous literature of volatility-management by broadening the strategy to global markets.

Machine Learning (ML) is the current trend that most industries opt for to improve their business and operations. ML has also been adopted in the financial markets, where well-funded financial institutions employ the latest ML algorithms to gain an advantage on the market. The darker side of ML is the potential emergence of complex algorithmic trading schemes that are abusive and manipulative. Because of this, it is inevitable that ML will be applied to financial market surveillance in order to detect these abusive and manipulative trading strategies. Ideally, an accurate ML detection model would be developed with data from many financial institutions or trading venues. However, such ML models require vast quantities of data, which poses a problem in market surveillance where data is sensitive or limited. Data sharing between companies or countries is typically accompanied by legal and privacy concerns. By training ML models on distributed datasets, Federated Learning (FL) overcomes these issues by eliminating the need to centralise sensitive data. This thesis aimed to address these ML related issues in market surveillance by implementing and evaluating a FL model. FL enables a group of independent data-holding clients with the same intention to build a shared ML model collaboratively without compromising private data. In this work, a ML model is initially deployed in a centralised data setting and trained to detect the manipulative trading scheme known as spoofing. The LSTM-Autoencoder was the model chosen method for this task. The same model is also implemented in a federated setting but with decentralised data, using the FL framework FEDn. Another FL framework, Flower, is also employed to evaluate the performance of FEDn. Experiments were conducted comparing the FL models to the conventional centralised learning model, as well as comparing the two frameworks to each other. The results showed that under certain circumstances, the FL models performed better than the centralised model in detecting spoofing. FEDn was equivalent to Flower in terms of detection performance. In addition, the results indicated that Flower was marginally faster than FEDn. It is assumed that variations in the experimental setup and stochasticity account for the performance disparity.

The numerous previous attempts to simulate financial markets tended to be based on strong assumptions about markets or their participants. This thesis describes a more general kind of model - one in which deep reinforcement learning is used to train agents to make a profit while trading with each other on a virtual exchange. Such a model carries less inductive bias than most others - in theory, a neural network is capable of learning arbitrary decision rules. The model itself led to very simple results, but the conclusions from its construction will hopefully be of guidance to anyone implementing such a model in the future. / De många tidigare försöken att simulera finansmarknader har ofta byggt på starka antaganden om marknaderna eller deras deltagare. I den här avhandlingen beskrivs en mer allmän typ av modell - en modell där djup förstärkningsinlärning används för att träna agenter att göra vinst när de handlar med varandra på en virtuell börs. En sådan modell har mindre induktiva fördomar än de flesta andra - i teorin kan ett neuralt nätverk lära sig godtyckliga beslutsregler. Själva modellen ledde till mycket enkla resultat, men slutsatserna från dess konstruktion kommer förhoppningsvis att vara vägledande för alla som tillämpar en sådan modell i framtiden.

För att upprätthålla en blomstrande ekonomi i samhället är det viktigt att marknaderna och de finansiella systemen är välfungerande och rationella, eftersom stabil ekonomisk tillväxt ökar välfärden i samhället. En grundläggande förutsättning för detta antagande är att företag värderas med förnuft och rationalitet för att undvika övervärderingar, vilket i sin tur kan ledatill volatilitet och minskad likviditet som inte är fördelaktigt för att upprätthålla förtroende föraktievärdering. Den digitala eran vi lever i har gjort det möjligt för nästan vem som helst att agera investerare på olika börser. Börserna är och har under de senaste åren varit högre värderade än någonsin tidigare. Att investera är att fatta ekonomiska beslut genom att allokera medel i tillgångar, där du förväntar dig en avkastning på investeringen. När en investerare förvärvar sådana tillgångar baserar de vanligtvis sitt beslut på tillgängliga ekonomiska data. Denna ekonomiska data kan komma i olika former, det kan vara årsredovisningar, kvartalsrapporter, värderingar, nyheter om företaget, globala externa faktorer och i vissa fall rekommendationer från andraköpare. Alla investerare har inte den djupgående kunskap som krävs för att sätta ett fundamentaltvärde på en aktie i ett företag, detta medför en risk för övervärdering för företag. Det finns många modeller och metoder för att värdera ett företag och en typisk metod som används är substansvärdering. Kortfattat betyder det att du drar av ett företags totala skulder från de totalatillgångarna, vilket ger dig ett substansvärde på aktierna. Man skulle snabbt inse att detta inte speglar det verkliga värdet av alla företag och därmed inte ger den fullständiga bilden av marknaden och tillväxten. / To sustain a thriving economy in society it's important that the markets and financial systems are well functioning and rational, since stable economic growth increases welfare in society. A fundamental condition for this assumption is that companies are valued with reason and rationality to avoid overevaluations, which in turn may lead to volatility and decreased liquidity that are non-beneficial for maintaining a trust in stock valuation. The digital era we live in has made it possible for almost anyone to act as an investor indifferent stock exchanges. The stock markets are and have for the past years been higher value than ever before. To invest is to conduct economic decisions by allocating means in assets, in which you expect a return on the investment. When an investor acquires such assets they usually base their decision on the economic data available. This economic data may come in different shapes, it could be annual reports, quarterly reports, valuations, news about the company, global external factors and in some cases recommendations from other buyers. All investors don't possess the profound knowledge required to put a fundamental value on a stock in a company, this brings a risk of overvaluation for companies. There are numerous models and methods to value a company and a typical method that is applied is substance valuation. In short, that means that you subtract a company's total liabilities from the total assets, that gives you a substance value of the stocks. One would quickly realize that this doesn't reflect the true value of all companies and thus not giving the full picture of the market and growth. This study is written in Swedish language.

The purpose of this study is to investigate how the introduction of the EU Taxonomy for sustainable activities will affect investors capital allocation towards green investments, and how it will impact the financial market. This master thesis has been conducted with a qualitative approach and semi-structured interviews. The interviews involved 14 financial professionals within the Nordic area, as well as one economic analyst from the European Commission in Brussels, Belgium. In addition, it includes a thorough literature study and a theoretic framework involving the Efficient Market Hypothesis (EMH). Based upon the findings, this research shows that the EU taxonomy will be an adequate tool in order to facilitate the process of shifting capital towards sustainable investments. However, the allocation of capital may be delayed at first, but is expected to achieve a capital reallocation towards green investments in the long term. Challenges identified include the balance between risk adjusted profits and making a transition to attract capital. Both investors and listed companies will face the challenge of choosing the best strategy to attract more capital than their peers. All investors participating in this research expect to see increasing stock prices of listed taxonomy aligned companies in the near future. This short-term increase in stock prices could be derived from the demand of early movers of the green investments. Investors are expected to invest in taxonomy aligned. The research defines that financial regulations are regarded as complex information and therefore not regarded as information available to all investors, the Efficient Market Hypothesis could not be confirmed for complex information. Future research could explore how other market participants outside of the EU could be affected by the implementation of the EU Taxonomy. For future research it could also be interesting and of great use to conduct research based on the variables, risk and profit in combination with a reallocation of capital towards green investments. / Syftet med denna studie är att undersöka hur införandet av EU: s taxonomi för hållbar verksamhet kommer att påverka investerarnas kapitalallokering till gröna investeringar och hur det kommer att påverka den finansiella marknaden. Detta examensarbete har genomförts med en kvalitativ metod och semistrukturerade intervjuer. Intervjuerna involverade 14 yrkesverksamma inom den nordiska finansbranschen samt en ekonomisk analytiker från Europeiska kommissionen i Bryssel, Belgien. Dessutom innehåller den en grundlig litteraturstudie och ett teoretiskt ramverk som involverar the Efficient Market Hypothesis (EMH). Baserat på resultaten visar denna forskning att EU: s taxonomi kommer att vara ett adekvat verktyg för att främja processen av att flytta kapital mot hållbara investeringar. Tilldelningen av kapital kan dock försenas först, men förväntas uppnå en kapitalallokering mot gröna investeringar på lång sikt. Bland de identifierade utmaningarna ingår balansen mellan riskjusterade vinster och en övergång för att attrahera kapital. Både investerare och börsnoterade företag kommer att stå inför utmaningen att välja den bästa strategin för att locka mer kapital än sina konkurrenter. Alla investerare som deltar i denna forskning förväntar sig att stigande aktiekurser för börsnoterade taxonomirelaterade företag kommer inom en snar framtid. Denna kortsiktiga ökning av aktiekurserna kan härledas från efterfrågan från de tidiga flyttarna av de gröna investeringarna. Investerare förväntas investera i taxonomi. Forskningen definierar att finansiella regler betraktas som komplex information och därför inte betraktas som information tillgänglig för alla investerare. Den effektiva marknadshypotesen kunde inte bekräftas för komplex information. Framtida forskning kan undersöka hur andra marknadsaktörer utanför EU kan påverkas av genomförandet av EU: s taxonomi. För framtida forskning kan det också vara intressant och till stor nytta att bedriva forskning baserad på variabler, risk och vinst i kombination med en omfördelning av kapital till gröna investeringar.

Sociala medier har utvecklats till kraftfulla plattformar för informationsutbyte som många människor förlitar sig på för att hitta information för potentiella investeringar. Sociala medier är relativt okontrollerade och innehåller en stor del falsk information. Syftet med studien är att beskriva och analysera sambandet mellan information från sociala medier och privata investerares beslut på den finansiella marknaden och att analysera fem beteendeekonomiska fördomar, flockbeteende, överdriven självsäkerhet, förankring, rädslan att missa något och ekokammare, och analysera vilken roll de spelar i beslutsprocessen från sociala medier till investeringsbeslut. Den teoretiska referensramen och det empiriska underlaget utgår från det beteendeekonomiska paradigmet och studier om information från sociala medier och investeringsbeslut för att skapa en övergripande bild över sambandet mellan sociala medier och investeringsbeslut. En kvantitativ forskningsmetod tillämpades och data samlades in genom en enkätundersökning som distribuerades på sociala medier och via Mittuniversitetets egna kanaler. Sammantaget svarade 163 respondenter och efter att datauppsättningen rensades från felaktig och ofullständig data kvarstod 125 respondenter. Datan analyserades sedan i frekvenstabeller och regressions- och moderationsanalyser. Studiens resultat tyder på att investerare som i högre utsträckning förlitar sig på information från sociala medier som informationskälla tenderar att fatta mindre framgångsrika investeringsbeslut. Dessutom indikerar resultaten att detta negativa samband förstärks av förankring och rädslan att missa något. / Social media has evolved into powerful information sharing platforms that many people rely on to find information for potential investments. Social media is relatively uncontrolled and contains a large amount of false information. The purpose of the study is to describe and analyze the relationship between information from social media and private investors' decisions in the financial market and to analyze five behavioral economic biases, herd behavior, overconfidence, anchoring, the fear of missing out and echo chambers, and analyze the role they play in the decision-making process from social media to investment decisions. The theoretical frame of reference and the empirical basis are based on the behavioral economic paradigm and studies on information from social media and investment decisions to create an overall picture of the connection between social media and investment decisions. A quantitative research method was applied and data was collected through a survey that was distributed on social media and via Mid Sweden University's channels. Overall, 163 respondents responded and after the data set was cleaned of incorrect and incomplete data, 125 respondents remained. The data were then analyzed in frequency tables and regression and moderation analyses. The study's findings suggest that investors who rely more heavily on information from social media as a source of information tend to make less successful investment decisions. Furthermore, the results indicate that this negative relationship is reinforced by anchoring and the fear of missing out.

Diese Dissertation beantwortet verschiedene politikrelevante ökonomische Fragen in den Bereichen Handelspolitik, Geldpolitik, sowie Rohstoffmärkte und Energieökonomik mit Hilfe von strukturellen Vektorautoregressionsmodellen (SVAR). SVARs stellen eine effektive Möglichkeit dar, die Beziehungen zwischen verschiedenen makroökonomischen und/oder Finanzmarkt-Variablen zu modellieren und werden verwendet, um die dynamischen kausalen Effekte von ökonomischen Schocks zu schätzen. Für jede ökonomische Fragestellung wird eine Identifikationsstrategie angewandt, die auf die betrachteten Daten und ihre statistischen Eigenschaften sowie die zugrundeliegenden Annahmen über ökonomische Mechanismen zwischen den betrachteten Zeitreihen zugeschnitten ist. Im Einzelnen besteht diese Dissertation aus vier Kapiteln. In den ersten beiden Kapiteln werden die Auswirkungen von Handelspolitik auf Finanzmärkte und auf die Makroökonomie geschätzt. Das dritte Kapitel liefert einen methodischen Beitrag zur SVAR-Literatur, der in einer Anwendung zu den Effekten von Geldpolitik dargestellt wird. Das letzte Kapitel verlässt die Felder der Handels- und Geldpolitik und wendet sich Rohstoffmärkten und der Energiewirtschaft zu, stützt sich dabei aber ebenfalls auf Zeitreihenmethoden. Es analysiert die Rolle von Metallen in der Energiewende. / This dissertation answers various policy relevant economic questions in the fields of trade policy, monetary policy, and commodity markets and energy economics using structural vector autoregression (SVAR) models. SVARs constitute a parsimonious way to model the relations between different macroeconomic and/or financial variables and they are used to estimate the dynamic causal effects of economic shocks. For each economic question, this dissertation applies an identification strategy that is tailored to the relevant data and its statistical properties as well as the underlying assumptions about economic mechanisms among the regarded time series. Specifically, this dissertation consists of four chapters. The first two chapters estimate the effects of trade policy on financial markets and on the macroeconomy. The third chapter makes a methodological contribution to the SVAR literature in an application to monetary policy shocks. The final chapter moves away from trade and monetary policy to commodity markets and energy economics but also relies on time series methods. It analyzes the role of metals for the clean energy transition.

Der erste Teil der Arbeit beschreibt eine Methode, Auszahlungen zu bewerten, die einem auf dem Finanzmarkt nicht absicherbaren Risiken ausgesetzt sind. Im zweiten Teil berechnen wir den maximalen Nutzen und optimale Handelsstrategien auf unvollständigen Märkten mit Hilfe von stochastischen Rückwärtsgleichungen. Wir betrachten Händler, deren Einkommen einer externen Risikoquelle ausgesetzt sind. Diese vervollständigen den Markt, indem sie entweder einen Bond schaffen oder gegenseitig Verträge schliessen. Eine andere Moeglichkeit ist eine Anleihe, die von einer Versicherung herausgegeben wird. Die Risikoquellen, die wir in Betracht ziehen, können Versicherungs-, Wetter-oder Klimarisiko sein. Aktienpreise sind exogen gegeben. Wir berechnen Preise für die zusätzlichen Anlagen so dass Angebot und Nachfrage dafür gleich sind. Wir haben partielle Markträumung. Die Präferenzen der Händler sind durch erwarteten Nutzen gegeben. In Kapitel 2 bis Kapitel 4 haben die Händler exponentielle Nutzenfunktionen. Um den Gleichgewichtspreis zu finden, wenden wir stochastische Rückwärtsgleichungen an. In Kapitel 5 beschreiben wir ein Einperiodenmodell mit Nutzenfunktionen, die die Inada-Bedingungen erfüllen. Der zweite Teil dieser Arbeit beschäftigt sich mit dem robusten Nutzenmaximierungsproblem auf einem unvollständigen Finanzmarkt. Entweder das Wahrscheinlichkeitsmass oder die Koeffizienten des Aktienmarktes sind ungewiss. Die Lösung der Rückwärtsgleichung beschreibt die nutzenmaximierende Handelsstrategie und das Wahrscheinlichkeitsmass, das in der Auswertung des robusten Nutzens benutzt wird. Für die exponentielle Nutzenfunktion berechnen wir Nutzenindifferenzpreise. Ausserdem wenden wir diese Techniken auf die Maximierung des erwarteten Nutzens bezüglich eines festen Wahrscheinlichkeitsmasses an. Dafür betrachten wir abgeschlossene, im allgemeinen nicht konvexe zulässige Mengen für die Handelsstrategien. / The first part of the thesis proposes a method to find prices and hedging strategies for risky claims exposed to a risk factor that is not hedgeable on a financial market. In the second part we calculate the maximal utility and optimal trading strategies on incomplete markets using Backward Stochastic Differential Equations. We consider agents with incomes exposed to a non-hedgeable external source of risk by creating either a bond or by signing contracts. The sources of risk we think of may be insurance, weather or climate risk. Stock prices are seen as exogenuosly given. We calculate prices for the additional securities such that supply is equal to demand, the market clears partially. The preferences of the agents are described by expected utility. In Chapter 2 through Chapter 4 the agents use exponential utility functions, the model is placed in a Brownian filtration. In order to find the equilibrium price, we use Backward Stochastic Differential Equations. Chapter 5 provides a one--period model where the agents use utility functions satisfying the Inada condition. The second part of this thesis considers the robust utility maximization problem on an incomplete financial market. Either the probability measure or drift and volatility of the stock price process are uncertain. We apply a martingale argument and solve a saddle point problem. The solution of a Backward Stochastic Differential Equation describes the maximizing trading strategy as well as the probability measure that is used in the robust utility. We consider the exponential, the power and the logarithmic utility functions. For the exponential utility function we calculate utility indifference prices of not perfectly hedgeable claims. Finally, we maximize the expected utility with respect to a single probability measure. We apply a martingale argument and solve maximization problems. This allows us to consider closed, in general non--convex constraints on the values of trading strategies.

Diese Dissertation beinhaltet drei eigenständige Aufsätze, die die Interaktionen von Bewertungsmodellen für Wertpapiere, Finanzmärkten und der Volkswirtschaft untersuchen. Alle drei Papiere tragen zu einem besseren Verständnis von Verknüpfungen zwischen Finanzmärkten und Realwirtschaft. Im Mittelpunkt dieser Arbeit stehen Gewohnheitspräferenzen und Bayesianische Schätzmethoden, um sowohl theoretische als auch empirische Erkenntnisse zu liefern, die helfen, die makroökonomische und die Finanzliteratur stärker zu verbinden. Das erste Essay beschäftigt sich mit Gewohnheitspräferenzen und deren Fähigkeit, verschiedene Aktienrenditen in einem Portfolio zu erklären. Die zugrunde gelegten konsumbasierten Bewertungsmodelle basieren auf mikrofundierten Präferenzen und implizieren somit individuelles und aggregiertes Verhalten von Individuen. Aus diesem Grund werden Bayesianische Methoden genutzt, um diese a priori Information in die Schätzung einfließen zu lassen. Im zweiten Essay, einer gemeinsamen Arbeit mit Harald Uhlig, schätzen wir ein DSGE-Modell. Hervorzuheben ist, dass wir sowohl die Momente zweiter Ordnung für Wertpapierrenditen berücksichtigen als auch die a priori Wahrscheinlichkeiten für stilisierte Fakten wie Frisch-Elastizität und Sharpe ratio. Dieses Vorgehen liefert eine Modellschätzung, die gleichzeitig Fakten der Konjunkturzyklen, Momente zweiter Ordnung von Wertpapierrenditen sowie Finanzmarktfakten besser erklären kann. Das dritte Essay präsentiert ein DSGE-Modell, das die Interaktionen der Aktienmarktbooms zum Ende der 1980er und 1990er Jahre mit der Realwirtschaft erklären kann. Mit Hilfe nichtseparabler Präferenzen und nominaler Rigiditäten lässt sich der simultane Anstieg von BIP, Konsum, Investitionen, geleisteten Arbeitsstunden und Löhnen in dieser Zeit erklären. Abschließend wird die Rolle der Geldpolitik während Aktienmarktbooms diskutiert, und es werden optimale geldpolitische Regeln hergeleitet. / This thesis consists of three self-contained essays that investigate the interaction of asset prices and financial markets with the macroeconomy. All papers extend the existing literature in order to enhance the understanding of the strong degree of cross-linking between financial markets and the ‘rest of the economy’. In particular, the thesis focuses on habitually formed preferences and Bayesian techniques to yield theoretical and empirical insights, which help to reduce the existing gap between asset pricing and macroeconomic literature. The first essay examines and compares the ability of habitually formed preferences to explain the cross section of asset returns compared to successful factor models. Such consumption-based asset pricing models are based on micro- founded preferences, implying a linkage to individual and aggregate behavior. For this reason, the essay uses a Bayesian approach with a priori information derived from the empirical Business Cycle literature. In the second essay which is joint work with Harald Uhlig, we use Bayesian techniques to estimate a DSGE model. Especially, we explore a way to include conditional second moments of asset returns into the estimation. Moreover, we constrain the estimation by a priori probabilities on the Sharpe ratio and the Frisch elasticity. By doing so, the estimated model can well jointly explain key business cycle facts, different volatilities of several asset returns, and the empirically observed equity premium. The third essay presents a DSGE model, which covers the observed co-movements of stock market boom and bust episodes in the 1980''s and 1990''s and the economy. By including non-separable preferences and nominal rigidities, the model explains the simultaneous rise of consumption, output, investments, hours worked, and wages during a boom and the subsequent bust. Finally, the role of monetary policy during stock market booms is discussed, and optimal monetary policy rules are evaluated.