A payment is the most fundamental aspect of a trade that involves funds. In recent years, the development of new payment services has accelerated significantly as the world has moved further into the digital era. This transition has led to an increased demand of digital payment solutions that can handle trades across the world. As trades today can be agreed at any time wherever the payer and payee are located, the party that mediates payments must at any time to be available in order to mediate an agreed exchange. This requires the payment service provider to always have funds available in the required countries and currencies in order for trades to always be available. This thesis concerns how a payment service provider can reallocate capital in a cost efficient way in order for trades to always be available. Traditionally, the reallocation of capital is done in a rule-based manner, which discard the cost dimension and thereby only focus on the reallocation itself. This thesis concerns methods to optimally reallocate capital focusing on the cost of transferring capital within the network. Where the concerned methods has the potential of transferring capital in a far more cost efficient way. When mathematically formulating the reallocation decisions as an optimization problem, the cost function is formulated as a linear program with both Boolean and real constraints. This impose non-feasibility of locating the optimal solution using traditional methods for linear programs, why developed traditional and more advanced methods were used. The model was evaluated based on a large number of simulations in comparison with the performance of a rule-based reallocation system. The developed model provides a significant cost reduction compared to the rule-based approach and thereby outperforms the traditional reallocation system. Future work should focus on expanding the model by broadening the available transfer options, by increasing the considered uncertainty via a bayesian treatment and finally by considering all cost aspects of the network. / En betalning är den mest fundamentala aspekten av handel som involverar kapital. De senaste åren har utvecklingen av nya betalmedel ökat drastiskt då världen fortsatt att utvecklas genom digitaliseringen. Utvecklingen har lett till en ökad efterfrågan på digitala betalningslösningar som kan hantera handel över hela världen. Då handel idag kan ske när som helst oberoende av var betalaren och betalningsmottagaren befinner sig, måste systemet som genomför betalningen alltid vara tillgängligt för att kunna förmedla handel mellan olika parter. Detta kräver att betalningssystemet alltid måste ha medel tillgängligt i efterfrågade länder och valutor för att handeln ska kunna genomföras. Den här uppsatsen fokuserar på hur kapital kostnadseffektivt kan omallokeras i ett betalsystem för att säkerställa att handel alltid är tillgängligt. Traditionellt har omallokeringen av kapital gjorts på ett regelbaserat sätt, vilket inte tagit hänsyn till kostnadsdimensionen och därigenom enbart fokuserat på själva omallokeringen. Den här uppsatsen använder metoder för att optimalt omallokera kapital baserat på kostnaderna för omallokeringen. Därigenom skapas en möjlighet att flytta kapital på ett avsevärt mer kostnadseffektivt sätt. När omallokeringsbesluten formuleras matematiskt som ett optimeringsproblem är kostnadsfunktionen formulerad som ett linjärt program med både Booleska och reella begränsningar av variablerna. Detta gör att traditionella lösningsmetoder för linjära program inte är användningsbara för att finna den optimala lösningen, varför vidareutveckling av tradtionella metoder tillsammans med mer avancerade metoder använts. Modellen utvärderades baserat på ett stort antal simuleringar som jämförde dess prestanda med det regelbaserade systemet. Den utvecklade modellen presterar en signfikant kostnadsreduktion i jämförelse med det regelbaserade systemet och överträffar därigenom det traditionellt använda systemet. Framtida arbete bör fokusera på att expandera modellen genom att utöka de potentiella överföringsmöjligheterna, att ta ökad hänsyn till osäkerhet genom en bayesiansk hantering, samt slutligen att integrera samtliga kostnadsaspekter i nätverket.

Today defence systems are becoming more complex as technology advances and it is of great importance to explore new ways of solving problems and keep national defence current. In particular, Artificial Intelligence (AI) is used in an increasing number of industries such as logistic solutions, inventory management and defence. This thesis will evaluate the possibility to use Reinforcement Learning (RL) in an Air Defence Coordination(ADC) scenario at Saab AB. To evaluate RL, a simplified ADC-scenario is considered and solved using two different methods, Q-learning and Deep Q-learning (DQL). The results of the two methods are discussed as well as the limitations in scope and complexity for Q-learning. Deep Q-learning, on the other hand shows to be relatively easy to apply to more complicated scenarios. Finally, one last experiment with a far more complex scenario is constructed in order to show the scalability of DQL and create a foundation for future work in this field. / Dagens försvarssystem blir allt mer komplexa när tekniken utvecklas och det blir allt viktigare att utforska nya sätt att lösa problem för att ha ett toppmodernt försvar. I synnerhet används Artificiell intelligens (AI) i ett ökande antal branscher så som logistik, lagerhantering och försvar. Detta arbete kommer att utvärdera möjligheten att använda Förstärkt inlärning (RL) i ett Koordinerat luftförsvar (ADC) scenario hos Saab AB. För att utvärdera RL, löses ett förenklat ADC-scenario med två olika metoder, Q-learning och Deep Q-learning (DQL). Resultatet av de två metoderna diskuteras så väl som begränsningar för Q-learning. Å andra sidan visar sig DQL vara relativt enkelt att tillämpa i ett mer komplext scenario. Slutligen görs ett sista experiment med ett mycket mer komplicerat scenario för att visa skalbarheten för DQL och skapa en naturlig övergång till framtida arbete.

Options are an important part in today's financial market. It's therefore of high importance to be able to understand when options are overvalued and undervalued to get a lead on the market. To determine this, the relation between the volatility of the underlying asset, called realized volatility, and the market's expected volatility, called implied volatility, can be analyzed. In this thesis five models were investigated for modeling the relation between implied and realized volatility. The five models consisted of one Ornstein–Uhlenbeck model, two autoregressive models and two artificial neural networks. To analyze the performance of the models, different accuracy measures were calculated for out-of-sample forecasts. Signals from the models were also calculated and used in a simulated options trading environment to get a better understanding of how well they perform in trading applications. The results suggest that artificial neural networks are able to model the relation more accurately compared to more traditional time series models. It was also shown that a trading strategy based on forecasting the relation was able to generate significant profits. Furthermore, it was shown that profits could be increased by combining a forecasting model with a signal classification model. / Optioner är en viktig del i dagens finansiella marknad. Det är därför viktigt att kunna förstå när optioner är över- och undervärderade för att vara i framkant av marknaden. För att bestämma detta kan relationen mellan den underliggande tillgångens volatilitet, kallad realiserad volatilitet, och marknadens förväntade volatilitet, kallad implicit volatilitet, analyseras. I den här avhandlingen undersöktes fem modeller för att modellera relationen mellan implicit och realiserad volatilitet. De fem modellerna var en Ornstein–Uhlenbeck modell, två autoregressiva modeller samt två artificiella neurala nätverk. För att analysera modellernas prestanda undersöktes olika nogrannhetsmått för prognoser från modellerna. Signaler från modellerna beräknades även och användes i en simulerad optionshandelsmiljö för att få en bättre förståelse för hur väl de presterar i en handelstillämpning. Resultaten tyder på att artificiella neurala nätverk kan modellera relationen bättre än mer traditionella tidsseriemodellerna. Det visades även att en handelsstrategi baserad på prognoser av relationen kunde generera en signifikant vinst. Det visades dessutom att vinster kunde ökas genom att kombinera en prognosmodell med en modell som klassificerar signaler.

Digitalization has led to tons of available customer data and possibilities for data-driven innovation. However, the data needs to be handled carefully to protect the privacy of the customers. Generative Adversarial Networks (GANs) are a promising recent development in generative modeling. They can be used to create synthetic data which facilitate analysis while ensuring that customer privacy is maintained. Prior research on GANs has shown impressive results on image data. In this thesis, we investigate the viability of using GANs within the financial industry. We investigate two state-of-the-art GAN models for synthesizing tabular data, TGAN and CTGAN, along with a simpler GAN model that we call WGAN. A comprehensive evaluation framework is developed to facilitate comparison of the synthetic datasets. The results indicate that GANs are able to generate quality synthetic datasets that preserve the statistical properties of the underlying data and enable a viable and reproducible subsequent analysis. It was however found that all of the investigated models had problems with reproducing numerical data. / Digitaliseringen har fört med sig stora mängder tillgänglig kunddata och skapat möjligheter för datadriven innovation. För att skydda kundernas integritet måste dock uppgifterna hanteras varsamt. Generativa Motstidande Nätverk (GANs) är en ny lovande utveckling inom generativ modellering. De kan användas till att syntetisera data som underlättar dataanalys samt bevarar kundernas integritet. Tidigare forskning på GANs har visat lovande resultat på bilddata. I det här examensarbetet undersöker vi gångbarheten av GANs inom finansbranchen. Vi undersöker två framstående GANs designade för att syntetisera tabelldata, TGAN och CTGAN, samt en enklare GAN modell som vi kallar för WGAN. Ett omfattande ramverk för att utvärdera syntetiska dataset utvecklas för att möjliggöra jämförelse mellan olika GANs. Resultaten indikerar att GANs klarar av att syntetisera högkvalitativa dataset som bevarar de statistiska egenskaperna hos det underliggande datat, vilket möjliggör en gångbar och reproducerbar efterföljande analys. Alla modellerna som testades uppvisade dock problem med att återskapa numerisk data.

This thesis evaluates the mean-variance analysis framework by comparing the performance of an optimized portfolio consisting of stocks from the Dow Jones Industrial Average to the performance of the Dow Jones Industrial Average index itself. The results show that the optimized portfolio performs better than the corresponding index when evaluated on the period between 2015 and 2019. However, the variance of the returns are high and therefore it is difficult to determine if mean-variance analysis performs better than its corresponding index in the general case. Furthermore, it is shown that individual stocks can still influence the movement of an optimized portfolio significantly, even though the model is supposed to diversify firm-specific risk. Thus, the authors recommend modifying the model by restricting the amount that is allowed to be invested in a single stock, if one wishes to apply mean-variance analysis in reality. To be able to draw further conclusions, more practical research within the subject needs to be done. / Denna uppsats utvärderar ramverket ”mean-variance analysis” genom att jämföra prestandan av en optimerad portfölj bestående av aktier från Dow Jones Industrial Average med prestandan av indexet Dow Jones Industrial Average självt. Resultaten visar att att den optimerade portföljen presterar bättre än motsvarande index när de utvärderas på perioden 2015 till 2019. Dock är variansen av avkastningen hög och det är därför svårt att bedöma om mean-variance analysis generellt sett presterar bättre än sitt motsvarande index. Vidare visas det att individuella aktier fortfarande kan påverka den optimerade portföljens rörelser, fastän modellen antas diversifiera företagsspecifik risk. På grund av detta rekommenderar författarna att modifiera modellen genom att begränsa mängden som kan investeras i en individuell aktie, om man önskar att tillämpa mean-variance analysis i verkligheten. För att kunna dra vidare slutsatser så krävs mer praktisk forskning inom området.

Through an analysis of the Swedish state budget, models have been developed to deepen the understanding of the effects that government expenditures have on reducing crime. This has been modeled by examining selected crime categories using the mathematical methods Ridge Regression, Lasso Regression and Principal Component Analysis. Combined with a qualitative study of previous research on the economic aspects of crime, an analysis has been conducted. The mathematical methods indicate that it may be more effective to invest in crime prevention measures, such as increased social protection and focus on vulnerable groups, rather than more direct efforts such as increased resources for the police force. However, the result contradicts some of the accepted economic conclusions on the subject, as these highlight the importance of increasing the number of police officers and harsher penalties. These do however also mention the importance of crime prevention measures such as reducing the gaps in society, which is in line with the results of this work. The conclusion should however be used with caution as the models are based on a number of assumptions and could be improved upon further analysis of these, together with more data points that would strengthen the validity of the analysis more. / Genom en analys av Sveriges statsbudget har modeller tagits fram för att försöka förstå de effekter olika samhällssatsningar har på brottslighet i Sverige. Detta har modellerats genom att undersöka utvalda brottskategorier med hjälp av de matematiska metoderna Ridge Regression, Lasso Regression samt Principal Component Analysis. Tillsammans med en kvalitativ undersökning av tidigare forskning gällande nationalekonomiska aspekter kring brottslighet har en analys sedan genomförts. De matematiska metoderna tyder på att det kan vara mer effektivt att satsa på brottsförebyggande åtgärder, såsom ökat socialt skydd och fokus på utsatta grupper, istället för mer direkta satsningar på brottsförhindrande åtgärder som exempelvis ökade resurser till polisväsendet. Däremot motsäger resultatet en del av de vedertagna nationalekonomiska slutsatserna om ämnet, då dessa belyser vikten av ökade antalet poliser och hårdare straff. De lyfter även fram vikten av brottsförebyggande åtgärder såsom att minska klyftorna i samhället, vilket går i linje med resultatet av detta arbete. Slutsatsen ska dock användas med försiktighet då modellerna bygger på flertalet antaganden och skulle kunna förbättras vid ytterligare analys utav dessa, tillsammans med fler datapunkter som skulle stärka validiteten.

This research study in applied mathematical statistics, and industrial engineering and management aims to determine the wine properties that drive the wine sales in Sweden, while also examining how the monopoly in Sweden affects the alcohol sales and demand. Data were collected from Systembolaget, which is the only alcohol retail store chain in Sweden. A multiple linear regression analysis was performed on 4 931 observations from Systembolaget’s sales statistics of 2019. The covariates were the type of wine, taste, price, size, country of origin, ecologically classified and ethically certified. The final model contained 18 variables where the taste parameters dominated the model. The results conclude that wines from Australia, Italy and Portugal have an advantage when it comes to the wine sales in Sweden, while wines from Sweden have a negative correleation with the volume sold. Other results suggest that wine producers should make ethically produced wines. From an economic perspective, the alcohol monopoly in Sweden is not a regular monopoly. Moreover, the monopoly is considered to has had a negative impact on the alcohol sales by lowering the demand through a strict alcohol law, among other things. The positive aspects of Sweden’s alcohol monopoly is the overall better health of the Swedish society and the in-store consultation that is offered. This study has contributed to previous research and also given the wine producers a better overview of the factors that drive the wine sales in Sweden. / Denna forskningsstudie i tillämpad matematisk statistik och industriell ekonomi syftar till att bestämma de vinegenskaper som driver vinförsäljningen i Sverige, samtidigt som man undersöker hur monopolet i Sverige påverkar alkoholförsäljningen och efterfrågan. Data samlades in från Systembolaget, som är den enda butikskedjan för alkohol i Sverige. En multipel linjär regressionsanalys utfördes på 4 931 observationer från Systembolagets försäljningsstatistik från 2019. Kovariaterna var typen av vin, smak, pris, storlek, ursprungsland, ekologiskt klassificerat och etiskt certifierat. Den slutliga modellen innehöll 18 variabler där smakparametrarna dominerade modellen. Resultaten visar på att viner från Australien, Italien och Portugal har en fördel när det gäller vinförsäljningen i Sverige, medan vin från Sverige har en negativ korrelation med den sålda volymen. Andra resultat tyder på att vinproducenter bör göra etiskt producerade viner. Ur ett nationalekonomiskt perspektiv är alkoholmonopolet i Sverige inte ett vanligt monopol. Dessutom anses monopolet ha haft en negativ inverkan på alkoholförsäljningen genom att bland annat sänka efterfrågan med hjälp av en strikt alkohollag. De positiva aspekterna av Sveriges alkoholmonopol är den övergripande bättre hälsan hos det svenska samhället och konsultationen som erbjuds i butikerna. Denna studie har bidragit till tidigare forskning och även givit vinproducenterna en bättre överblick över de faktorer som driver vinförsäljning i Sverige.

The purpose of this study is to analyze if there is any tweet specific data posted by Donald Trump that has a correlation with the volatility of the stock market. If any details about the president Trump's tweets show correlation with the volatility, the goal is to find a subset of regressors with as high as possible predictability. The content of tweets is used as the base for regressors. The method which has been used is a multiple linear regression with tweet and volatility data ranging from 2010 until 2020. As a measure of volatility, the Cboe VIX has been used, and the regressors in the model have focused on the content of tweets posted by Trump using TF-IDF to evaluate the content of tweets. The results from the study imply that the chosen regressors display a small significant correlation of with an adjusted R2 = 0.4501 between Trump´s tweets and the market volatility. The findings Include 78 words with correlation to stock market volatility when part of President Trump's tweets. The stock market is a large and complex system of many unknowns, which aggravate the process of simplifying and quantifying data of only one source into a regression model with high predictability. / Syftet med denna studie är att analysera om det finns några specifika egenskaper i de tweets publicerade av Donald Trump som har en korrelation med volatiliteten på aktiemarknaden. Om egenskaper kring president Trumps tweets visar ett samband med volatiliteten är målet att hitta en delmängd av regressorer med för att beskriva sambandet med så hög signifikans som möjligt. Innehållet i tweets har varit i fokus använts som regressorer. Metoden som har använts är en multipel linjär regression med tweet och volatilitetsdata som sträcker sig från 2010 till 2020. Som ett mått på volatilitet har Cboe VIX använts, och regressorerna i modellen har fokuserat på innehållet i tweets där TF-IDF har använts för att transformera ord till numeriska värden. Resultaten från studien visar att de valda regressorerna uppvisar en liten men signifikant korrelation med en justerad R2 = 0,4501 mellan Trumps tweets och marknadens volatilitet. Resultaten inkluderar 78 ord som de när en är en del av president Trumps tweets visar en signifikant korrelation till volatiliteten på börsen. Börsen är ett stort och komplext system av många okända, som försvårar processen att förenkla och kvantifiera data från endast en källa till en regressionsmodell med hög förutsägbarhet.

This thesis examines which factors that affect the number of trades in exchange-traded products (ETPs) on Nordic Derivatives Exchange. Multiple linear regression is used to model the relationship between the number of trades and 65 initially chosen predictor variables. The predictor variables include various indices, commodities, stocks, and volatility measures. Two models are presented, one of which includes a lagged dependent variable. These models explain 89% and 92% of the variance within the data. Foremost, the results confirm previous research advocating the volatility to play a significant role on the number of trades, but now also shown for ETPs. Currency exchange rates, equity indices and palladium are also shown to be statistically significant. In addition, interpretations of the results are given and suggestions for further research. / Den här uppsatsen undersöker vilka faktorer som påverkar antalet avslut i börshandlade produkter (ETP:er) på Nordic Derivatives Exchange. Multipel linjär regression används för att undersöka relationen mellan antalet avslut och 65 på förhand valda regressionsvariabler som vi anser intressanta att undersöka. Dessa regressionsvariabler består av bland annat olika index, råvaror, aktier samt volatilitetsmått. Två modeller presenteras, varav en inkluderar en laggad beroende variabel. Dessa två modeller förklarar 89 % respektive 92% av variationen i datan. Resultatet visar att volatiliteten har en signifikant påverkan med avseende på antal avslut vilket bekräftar tidigare forskning, men visas nu gälla även för ETPer. Valutakurser, aktieindex och palladium visas vara signifikanta. Vidare ges tolkning av resultatet och förslag på framtida forskning.

Observing the earth from above is a great way of understanding our world better. From space, many complex patterns and relationships on the ground can be identified through high-quality satellite data. The quality and availability of this data in combination with recent advancement in various deep learning techniques allows us to find these patterns more effectively then ever. In this thesis, we will analyze satellite imagery by using deep neural networks in an attempt to find road networks in different cities around the world. Once we have located networks of roads in the cities we will represent them as graphs and deploy the Dijkstra shortest path algorithm to find optimal routes within these networks. Having the ability to efficiently use satellite imagery for near real-time road detection and optimal route prediction has many possible applications, especially from a humanitarian and commercial point of view. For example, in the humanitarian realm, the frequency of natural disasters is unfortunately increasing due to climate change and the need for emergency real-time mapping for relief organisations in the case of a severe flood or similar is growing.  The state-of-the-art deep neural network models that will be implemented, compared and contrasted for this task are mainly based on the U-net and ResNet architectures. However, before introducing these architectures the reader will be given a comprehensive introduction and theoretical background of deep neural networks to distinctly formulate the mathematical groundwork. The final results demonstrates an overall strong model performance across different metrics and data sets, with the highest obtained IoU-score being approximately 0.7 for the segmentation task. For some models we can also see a high degree of similarity between the predicted optimal paths and the ground truth optimal paths. / Att betrakta jorden från ovan är ett bra tillvägagångsätt för att förstå vår egen värld bättre. Från rymden, många komplexa mönster och samband på marken går att urskilja genom hög-upplöst satellitdata. Kvalitén och tillgängligheten av denna data, i kombination med de senaste framstegen inom djupa inlärningstekniker, möjliggör oss att hissa dessa mönster mer effektivt än någonsin. I denna avhandling kommer vi analysera satellitbilder med hjälp av djupa neurala nätverk i ett försök att hitta nätverk av vägar i olika städer runtom i världen. Efter vi har lokaliserat dessa nätverk av vägar så kommer vi att representera nätverken som grafer och använda oss av Dijkstras algoritm för att hitta optimala rutter inom dessa nätverk.  Att ha förmågan att kunna effektivt använda sig av satellitbilder för att i nära realtid kunna identifiera vägar och optimala rutter har många möjliga applikationer. Speciellt ur ett humant och kommersiellt perspektiv. Exempelvis, inom det humanitära området, så ökar dessvärre frekvensen av naturkatastrofer på grund av klimatförändringar och därmed är behovet av nödkartläggning i realtid för hjälporganisationer större än någonsin. En effektiv nödkartläggning skulle exempelvis kunna underlätta enormt vid en allvarlig översvämning eller dylikt.  Dem toppmoderna djupa neurala nätverksmodellerna som kommer implementeras, jämföras och nyanseras för denna uppgift är i huvudsak baserad på U-net och ResNet arkitekturerna. Innan vi presenterar dessa arkitekturer i denna avhandling så kommer läsaren att få en omfattande teoretisk bakgrund till djupa neurala nätverk för att tydligt formulera dem matematiska grundpelarna. Dem slutgiltiga resultaten visar övergripande stark prestanda för samtliga av våra modeller. Både på olika datauppsättningar samt utvärderingsmått. Den högste IoU poängen som uppnås är cirka 0,7 och vi kan även se en hög grad av likhet mellan vissa av våra förutsagda optimala rutter och mark sanningens optimala rutter.