This paper examines the impact of several macroeconomic variables on property prices in Sweden. Linear regression is used to construct severalmathematical models relating the macroeconomic variables to property prices. Using methods of variables selection and goodness of fit measures,two final models are selected and subsequently compared, resulting in one final model. From this model, we conclude that GDP per capita, unemployment rate, inflation and repo interest rate have a significant relationship with property price changes in Sweden. Unemployment, GDPper capita, and inflation have positive relationships with property price changes, while repo interest rate has a negative relationship with propertyprice changes. However, as to what extent these variables affect property prices, no certain conclusions can be drawn from this study. / Följande studie undersöker inverkan av sex makroekonomiska variabler på bostadspriser i Sverige. Linjär regressionsanalys används för att skapaflera matematiska modeller som relaterar makroekonomiska variabler till bostadspriser. Vidare används variabelselektion och statistikor för modellevaluering för att välja ut två slutgiltiga modeller. Dessa två modeller jämförs och en slutgiltig modell väljs ut. Studiens slutsatser dras fråndenna modell. BNP per capita, arbetslöshetsgrad, inflationstakt, och reporänta har enligt den slutgiltiga modellen signifikanta förhållandentill bostadspriser i Sverige. Vidare har arbetslöshet, BNP per capita, och inflation positiva förhållanden till bostadsprisförändringar, medan reporänta har ett negativt förhållande. Studien kan inte dra några slutsatser om till vilken grad dessa variabler påverkar bostadspriser i Sverige.

During economic cycles throughout time organizations allocate their resources in accordance with overall market dynamics, shareholder make decisions based on market dynamics as well as how well a company allocate their resources. In addition, studies of resource allocation during specific market cycles are narrow due to limited data and opportunities to study. Therefore, this thesis aims to study the relation of financial ratios to change in market capitalization during the COVID-19 pandemic with multiple linear regression. Furthermore,the impact of the key financial ratios will be examined and discussed based on their relationto the market capitalization. Financial ratios and their respective market capitalization werecollected from 251 ticker symbols defined as Nordic large cap companies by Nasdaq. From these companies, the analysis was narrowed down to only include companies listed on Stockholm Stock Exchange. The financial ratios were defined from 2020 and the change in market capitalization was defined between 2020 and 2021. Ratios that proved to be significant in the model were narrowed down to five different ratios primarily derived from a company’s assets. The final model was validated at a 𝑅 2 = 0.2115. Furthermore, the model was significant in a mathematical sense, but further research is needed with more sophisticated methods. / Under ekonomiska cykler har organisationer allokerat sina resurser i enhet med marknadsdynamiken, aktieägare gör sedermera sina beslut baserat på marknadsdynamiken likväl som företagets benägenhet att allokera sina resurser rätt. Vidare gäller att studier av resursallokering genom specifika marknadscykler är begränsade till data och tillfällen att studera. Därav, riktar sig den här studien till relationen mellan finansiella nyckeltal och förändringen i börsvärde genom COVID-19 pandemin med hjälp av en multipel linjär regressionsmodell. De finansiella nyckeltalens påverkan kommer studeras och diskuteras baserat på deras relation till börsvärdet. De finansiella nyckeltalen och dess respektive börsvärde hämtades från en samling av 251 ticker symbols definierade som Nordiska large cap bolag av Nasdaq. Från dessa bolag så smalnades analysen ned till att endast inkludera noterade företag på Stockholm Stock Exchange. The finansiella nyckeltalen definierade från 2020 och förändringen i börsvärde studeras mellan 2020 och 2021. Nyckeltal som har visatsig vara signifikanta i modellen har smalnat ned till fem olika nyckeltal primärt drivna av ett företags tillgångar. Den slutliga modellen validerades vid 𝑅 2 = 0.2115. Modellen var signifikant I en matematisk aspekt, men vidare studier krävs med mer sofistikerade metoder.

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.

The cause of unintentional initiations of energetic materials is an important area of study due to the risks that comes with storing energetic materials such as high explosives. The current models used to simulate the process of heating energetic materials by a hot metal fragment do not give reliable predictions. The objective of this thesis is to study the current models in order to get a better understanding of how to improve the accuracy of the simulations. The heat transfer in the fragment and energetic material is modeled using the heat equation and the reaction rates in the chemical decomposition of the energetic material are modeled using Arrhenius equations. This study shows the importance of accurately implementing the contact area and heat transfer coefficient between the fragment and the energetic material. The thermal conductivity has a significantly smaller affect on the initiation time compared to the heat transfer coefficient. Furthermore, the dimensions of the fragment affect the resulting simulations greatly, while the dimensions of the energetic material only does so for sufficiently small dimensions. / Orsaken till oavsiktliga initieringar av energetiska material är ett viktigt studieområde på grund av riskerna som följer med att lagra energiskt material, så som sprängämnen. De nuvarande modellerna som används för att simulera uppvärmningsprocessen av energetiska material med ett hett metallfragment ger inte tillförlitliga förutsägelser. Syftet med denna uppsats är att studera de nuvarande modellerna för att få en bättre förståelse för hur man kan förbättra noggrannheten i simuleringarna. Värmeöverföringen i fragmentet och det energetiska materialet modelleras med hjälp av värmeledningsekvationen och reaktionshastigheterna i den kemiska nedbrytningen av det energetiska materialet modelleras med hjälp av Arrhenius-ekvationer. Denna studie visar vikten av att korrekt implementera kontaktytan och värmeöverföringskoefficient mellan fragmentet och det energetiska materialet. Den termiska konduktiviteten har en betydligt mindre effekt på initieringstiden jämfört med värmeöverförings- koefficienten. Vidare så påverkar fragmentets dimensioner de resulterande simuleringarna i hög grad, medan dimensionerna av det energetiska materialet gör så endast för tillräckligt små dimensioner.

In this thesis, the use of unsupervised and semi-supervised machine learning techniques was analyzed as potential tools for anomaly detection in the sensor network that the electrical system in a Scania truck is comprised of. The experimentation was designed to analyse the need for both point and contextual anomaly detection in this setting. For the point anomaly detection the method of Isolation Forest was experimented with and for contextual anomaly detection two different recurrent neural network architectures using Long Short Term Memory units was relied on. One model was simply a many to one regression model trained to predict a certain signal, while the other was an encoder-decoder network trained to reconstruct a sequence. Both models were trained in an semi-supervised manner, i.e. on data that only depicts normal behaviour, which theoretically should lead to a performance drop on abnormal sequences resulting in higher error terms. In both setting the parameters of a Gaussian distribution were estimated using these error terms which allowed for a convenient way of defining a threshold which would decide if the observation would be flagged as anomalous or not. Additional experimentation's using an exponential weighted moving average over a number of past observations to filter the signal was also conducted. The models performance on this particular task was very different but the regression model showed a lot of promise especially when combined with a filtering preprocessing step to reduce the noise in the data. However the model selection will always be governed by the nature the particular task at hand so the other methods might perform better in other settings. / I den här avhandlingen var användningen av oövervakad och halv-övervakad maskininlärning analyserad som ett möjligt verktyg för att upptäcka avvikelser av anomali i det sensornätverk som elektriska systemet en Scanialastbil består av. Experimentet var konstruerat för att analysera behovet av både punkt och kontextuella avvikelser av anomali i denna miljö. För punktavvikelse av anomali var metoden Isolation Forest experimenterad med och för kontextuella avvikelser av anomali användes två arkitekturer av återkommande neurala nätverk. En av modellerna var helt enkelt många-till-en regressionmodell tränad för att förutspå ett visst märke, medan den andre var ett kodare-avkodare nätverk tränat för att rekonstruera en sekvens.Båda modellerna blev tränade på ett halv-övervakat sätt, d.v.s. på data som endast visar normalt beteende, som teoretiskt skulle leda till minskad prestanda på onormala sekvenser som ger ökat antal feltermer. I båda fallen blev parametrarna av en Gaussisk distribution estimerade på grund av dessa feltermer som tillåter ett bekvämt sätt att definera en tröskel som skulle bestämma om iakttagelsen skulle bli flaggad som en anomali eller inte. Ytterligare experiment var genomförda med exponentiellt viktad glidande medelvärde över ett visst antal av tidigare iakttagelser för att filtera märket. Modellernas prestanda på denna uppgift var välidt olika men regressionmodellen lovade mycket, särskilt kombinerad med ett filterat förbehandlingssteg för att minska bruset it datan. Ändå kommer modelldelen alltid styras av uppgiftens natur så att andra metoder skulle kunna ge bättre prestanda i andra miljöer.

Macroeconomics constitute a central part of fundamental analysis of stock markets and consequently the relationship between macroeconomic variables and stock markets is far from questioned. However, there is no general consensus regarding neither the extent of this relationship nor whether the relationship varies amongst industries. The aim of this thesis is therefore to determine the macroeconomic variables most important in explaining variations in stock return within two separate industries and furthermore the share of these variations solely accounted for by macroeconomic variables. To this end, a multiple linear regression approach is used and Nasdaq indexes OMX Stockholm Industrial Goods & Services and OMX Stockholm Banks are used as proxies for the two selected industries. The final result of this analysis is that the variables repo rate, SEK/EUR exchange rate, consumer expectations, oil price, GDP, money supply and inflation are statistically significant in explaining stock return within industrial goods and services whilst SEK/USD exchange rate, SEK/EUR exchange rate, oil price, GDP, money supply and inflation are statistically significant in explaining stock return within the banking industry. The analysis of the extent of the impact of these variables on stock return is, however, deemed inconclusive due to time dependencies amongst the variables. / Makroekonomi utgör en central del av fundamental analys av aktiemarknaden och följaktligen är förhållandet mellan makroekonomiska variabler och aktiemarknaden snarare väl etablerat än ifrågasatt. Emellertid saknas rådande konsensus om såväl omfattningen av detta förhållande som huruvida förhållandet skiljer sig mellan olika branscher. Syftet med detta kandidatexamensarbete är därför att fastställa de makroekonomiska variabler som är mest avgörande för variationen i aktieavkastning inom två skilda branscher samt andelen av dessa variationer som kan hänföras till just makroekonomiska variabler. I detta syfte tillämpas en multipel linjär regression och två Nasdaqindex - OMX Stockholm Industrial Goods & Services samt OMX Stockholm Banks - tillåts approximera de två utvalda branscherna. Det slutgiltiga resultatet av denna analys är att variablerna reporänta, växelkurs SEK/EUR, konsumentförväntningar, oljepris, BNP, penningmängd och inflation är statistiskt signifikanta för aktieavkastning inom industrin, medan växelkurs SEK/EUR samt SEK/USD, oljepris, BNP, penningmängd och inflation är statistiskt signifikanta för aktieavkastning inom bankbranschen. Analysen av omfattningen av dessa makroekonomiska variablers påverkan på aktieavkastning når emellertid ingen slutsats, vilket anses kunna hänföras till tidsberoende hos variablerna.

During the past few decades, social responsible investing (SRI) has rapidly grown to become a renowned investment strategy. Because of the contradictory findings on how successful this strategy is in terms of financial return, the aim of this thesis is to compare the performance of sustainable and conventional funds in four different geographical areas during the last three years. With the use of regression analysis, the correlation between the Portfolio Sustainability Score of a fund, which is a Morningstar-provided rating that represents how well a fund incorporates ESG, and its risk-adjusted return is determined. The final results of this analysis varies among the four geographical regions. The correlation between the two variables is positive in USA and Asia ex-Japan, whereas a negative relationship is found in Europe and the Nordic region. However, the obtained findings are not of statistical significance, implying that there is no difference between the risk-adjusted returns of sustainable versus conventional funds. / Under de senaste årtionden har hållbara investeringar ökat och på senare tid även blivit en väletablerad investeringsstrategi. Då tidigare studier inom området uppvisat motstridiga resultat gällande hur effektiv denna strategi är inom värdeskapande, fokuserar denna rapport på att klargöra ifall hållbara alternativt vanliga fonder är fördelaktiga utifrån ett finansiellt perspektiv. Mer specifikt undersöks fyra geografiska områden över en tidsperiod på tre år. Genom regressionsanalys bestäms korrelationen mellan en fonds Portfolio Sustainability Score, ett betyg som erhålls av Morningstar som representerar hur väl den specifika fonden inkorporerar ESG, och dess riskjusterade avkastning. De slutgiltiga resultaten av denna analys varierar i de fyra geografiska områdena. I USA och Asien där Japan exkluderas är korrelationen positiv medan en negativ korrelation råder i Europa och Norden. Dock är resultaten inte av statistisk signifikans vilket indikerar att det inte är någon skillnad i den riskjusterade avkastningen mellan hållbara och vanliga fonder.

I en företagstransaktion anlitas vanligen en investmentbank för att bistå med värdering av bolaget samt agera rådgivare. Investmentbanker agerar som en slag företagsmäklare som är antingen på köp- eller säljsidan av transaktionen. När bolagsvärdet presenteras i en pitch till säljarna brukar de använda sig av flera metoder för att beräkna värdet av företaget. För att öka precisionen i värdering av ett nordiskt industribolag ställdes frågan om multipel regressionsanalys kunde användas som ett komplement i en bolagsvärdering och hur den stod sig gentemot en klassisk värderingsmetod som Precedent Transactions Analysis. Dessa frågor kom att analyseras och besvarades genom att skapa en regressionsmodell som byggde på data hämtad från företagens finansiella rapporter. Den insamlade datan byggde på 132 transaktioner av nordiska industribolag under perioden 2009-2019. Regressionsmodellen kom sedan att jämföras mot en PTA-värdering som byggde på tidigare företagstransaktioner av bolag med liknande finansiell och affärsmässig bakgrund som bolaget i fråga skulle värderas. Denna studie visar på att regressionsanalys kan användas som en komplement till de olika värderingsmetoderna men bör ej användas för att värdera nordiska industribolag med avhandlingens val av variabler och skall inte ersätta någon av de klassiska värderingsmetoderna. / Prior to a company being sold or acquired they usually contact an investment bank to support with the valuation of the company, execute the sale and act as advisors for the actors that wish to buy or sell. Investment banks acts as a kind of company broker which is either on the buy or the sell side. When the company value is presented, they usually utilize several methods to calculate the value of the company. During the last decade the frequency of transactions on the Nordic industry market have increased significantly. To increase the precision in the valuation of a Nordic industrial company, the question was asked if multiple regression analysis could be used as a valuation method? Also, how did it compare itself against a classical valuation method like Precedent Transaction Analysis? These questions came to be analyzed and answered by creating a regression modell built of data gathered from financial reports. The regression model then came to be compared to the PTA-valuation which built on previous company transactions with companies that were alike in financial background. This study shows that regression analysis could be used as a complement to the different valuation methods. However the model should not be used to evaluate Nordic industrial companies with the choice of variables in the thesis, since the reliability of the model is unpredictable. Regression analysis as a stand-alone valuation method should be taken with great caution and not replace neither of the classical valuation methods.

Den psykiska ohälsan har ökat bland befolkningen i Sverige vilket förutom ett personligt lidande ger stora samhällsekonomiska konsekvenser. Orsaken till denna ökning har inget definitivt svar men kan potentiellt förklaras av makro- och socioekonomiska faktorer. Denna rapport undersöker därför om det finns ett samband mellan psykisk ohälsa och makro- och socioekonomiska faktorer. Det sker även en analys av hur dessa faktorer kan förklara ökningen av psykiska ohälsa. För att ta reda på om ett samband existerar utförs en multipel linjär regressionsanalys där den beroende variabeln definieras som svåra besvär av oro, ängslan och ångest och de förklarande variablerna utgörs av förgymnasial-, gymnasial- och eftergymnasial utbildning, BNP per capita, hushållens disponibla inkomst och arbetslöshet. Analysen delas upp i grupperna kvinnor, män och totala befolkningen där data från åren 2002-2017 används. Analysen visar på ett visst samband mellan de olika regressionsvariablerna och makro- och socioekonomiska faktorer. Totala befolkningens psykiska ohälsa har framförallt ett samband med förgymnasial utbildning. De signifikanta variablerna för kvinnors psykiska ohälsa är gymnasial utbildning, BNP per capita och disponibel inkomst. För modellen för mäns psykiska ohälsa är arbetslöshet och disponibel inkomst mest signifikanta. Modellerna har approximativt uppfyllda antaganden och multikollinearitet närvarande vilket bidrar till en bristande tillförlitlighet. Vidare forskning krävs för ytterligare validering av sambanden samt för en djupare förståelse av makro- och socioekonomiska faktorers påverkan och möjliga orsakssamband. / The mental health has increased in Sweden, which besides the personal suffering affects both the society and economy. The reason behind the increase does not have any definite explanation but the answer may, at least partly, be found in macroeconomic and socioeconomic factors. This report will therefore investigate if there exists a relationship between mental health problems and macroeconomic and socioeconomic factors. An analysis of how these factors may explain the increase of mental health problems is also performed. To see if a relationship exists, a multivariable regression analysis is performed, where the dependent variable is defined as severe problems with anxiety and worry. The regression variables are education level, GDP per capita, the households disposable income and unemployment. The analysis is performed on the groups; women, men and total population and the data is collected over the years 2002 to 2017. The analysis indicates a certain relationship between the different macro and socioeconomic variables and mental health problems. For the total population, education level is the most significant. For women, education level, GDP per capita and the households disposable income are most important. For men, unemployment and disposable income are the strongest correlated variables. The models approximately fulfills the assumptions for the least square method and have multicollinearity present, which in total makes them less reliable. Further research to validate these relationships and to contribute to explanations of potential causality is needed.

In this thesis, various famous models have been investigated and compared to a custom model for people detection in low resolution video feeds. YOLOv3 and SSD in particular are famous models which have, at their time, produced state of the art results on competitions such as ImageNet and COCO. The performance of all models have been compared on speed and accuracy where it was found that YOLOv3 was the slowest and SSD was the fastest. The proposed model was superior in accuracy to both of the aforementioned architectures which can be attributed to addition of newer techniques from research such as leaving activations out and having a carefully balanced loss function. The results seem to suggest that the proposed model is implementable for real-time inference using cheap hardware such as a raspberry pi 3B+ coupled with one or more AI accelerator stickssuch as the Intel Neural Compute Stick 2 and that the networks are usable for detection even in bad video streams. / I denna uppsats så har olika kända modeller undersökts och jämförts med en ny modell för människodetektering i lågkvalitets videoströmmar. YOLOv3 och SSD mer specifikt är kända modeller som, för sin tid, producerade topp resultat på tävlingar såsom ImageNet och COCO. Prestandan för alla modeller jämfördes medavseende på hastighet och träffsäkerhet där det hittades att YOLOv3 var den långsammaste och SSD var den snabbaste. Den förslagna modellen var träffsäkrare än båda tidigarenämnda modeller vilket kan attribueras till att nya tekniker från forskning har tillämpats såsom att låta vissa aktiveringsfunktioner utebli och att ha en försiktigt balanserad förlust funktion. Resultaten pekar mot att den förslagna modellen kan implementeras för bruk i real tid på billig hårdvara såsom en Raspberry pi 3B+ tillsammans med en eller flera AI accelerations stickor så som Intel Neural Compute Stick 2 samt att nätverken är användbara för detektion även i dåliga videoströmmar.