In this master thesis multiple time series of shipping industry and financial data are analysed in order to create a forecasting model to forecast freight rate indices. The data of main interest which are predicted are the two freight rate indices, BDI and BDTI, from the Baltic Exchange. The project investigates the possibilities for aggregated Vector Autoregression(VAR) models to outperform simple univariate models, in this case, an Autoregressive Integrated Moving Average(ARIMA) with seasonal components. The other part of this thesis is to model market shocks in the freight rate indices, given impulses in the other underlying VAR-model time series using the impulse response function. The main results are that the VAR-model forecast outperforms the ARIMA-model in forecasting the tanker freight rate index (BDTI), while the the bulk freight rate index(BDI) is better predicted by the simple ARIMA when calculating the forecast mean square error. / I denna avhandling analyseras multipla tidsserier över rederinärings- och finansiell data i syfte att skapa en prognosticerande modell för att prognosticera fraktratsindex. Dataserierna som i huvudsak prognosticeras är fraktratsindexen BDI och BDTI från Baltic exchange. I projektet undersöks om en aggregerad Vektor Autoregressiv(VAR) modell överträffar en univariat modell, i detta fall en Autoregressive Integrated Moving Average(ARIMA) med säsongsvariabel. I andra delen av denna avhandling modelleras chocker i fraktratsindexen givet impulser i de andra underliggande tidsserierna i de aggregerade VAR-modellerna. Huvudresultaten är att VAR-modellens prognos överträffar ARIMA-modellen för tankerraterna (BDTI), medan bulkraterna(BDI) bättre prognosticeras av ARIMA-modellen, i avseende på prognosernas beräknade mean square error.