Riksbanken har under senaste åren blivit kritiserade för deras bristande prognoser av svenska valutakurser. I denna uppsats undersöks det om slumpvandring (RW) är den mest framgångsrika prognosmodellen eller om alternativa ekonometriska prognosmodeller (AR, VAR och VECM) kan estimera framtida växelkurser mer korrekt på kort sikt, ett kvartal fram, och medellång sikt, fyra kvartal fram. I dessa prognosmodeller behandlas fem Svenska makroekonomiska variabler som endogena; KPI, BNP, arbetslöshet, 3 månaders statsobligationer (T-bonds), samt en exogen variabel, Amerikansk-BNP. Den data som används är kvartalsdata från första kvartalet 1993 till andra kvartalet 2020 för respektive variabel. Resultaten från studie visar på att RW är mer ackurat än de multivariata modellerna (VAR och VECM) på både kort sikt och medellång sikt. Residualerna utvärderas genom att kolla på rotmedelkvadratfel (RMSE) från respektive prognos. / In recent years, the Riksbank has been criticized for their underperforming forecasts of Swedish exchange rates. This thesis examines whether the random walk (RW) is the most successful forecasting model when forecasting the exchange rate (SEK / USD) or whether alternative economic forecasting models (AR, VAR and VECM) can estimate future exchange rates more accurately. Both in the short and medium term, one respectively four quarters ahead. In these forecast models, five Swedish macroeconomic variables are treated as endogenous; CPI, GDP, unemployment, three-month Treasury-bonds (T-Bonds), and an exogenous variable, US GDP. The data used is quarterly data from the first quarter of 1993 to the second quarter of 2020 for each variable. Results from the study show that RW is more accurate than the multivariate models (VAR and VECM) in both the short and medium term. The residuals are evaluated by looking at root mean square error (RMSE) from the respective forecast.

Univ., Diss.--Zugl.: Oslo, 2007.

Svenska Handelshögskolan, Diss.--Helsingfors, 2007. / Enth. 4 Beitr.

Univ., Diss.--Genève, 2007. / Enth. 3 Beitr. - Zsfassung in ital. Sprache.

Humboldt-Univ., Diss.--Berlin, 2003. / Literaturverz. S. [205] - 212.

Univ., Diss.--Kiel, 2004.

Univ., Diss.--Kiel, 2001.

Univ., Diss.--Bonn, 2002. / Enth. 3 Beitr.

Diese Arbeit stellt Modelle und Methoden vor, die für robuste Statistiken und ihre Anwendungen in verschiedenen Bereichen entwickelt wurden. Kapitel 2 stellt einen neuartigen Partitionierungs-Clustering-Algorithmus vor, der auf Expectiles basiert. Der Algorithmus bildet Cluster, die sich an das Endverhalten der Clusterverteilungen anpassen und sie dadurch robuster machen. Das Kapitel stellt feste Tau-Clustering- und adaptive Tau-Clustering-Schemata und ihre Anwendungen im Kryptowährungsmarkt und in der Bildsegmentierung vor. In Kapitel 3 wird ein faktorerweitertes dynamisches Modell vorgeschlagen, um das Tail-Verhalten hochdimensionaler Zeitreihen zu analysieren. Dieses Modell extrahiert latente Faktoren, die durch Extremereignisse verursacht werden, und untersucht ihre Wechselwirkung mit makroökonomischen Variablen mithilfe des VAR-Modells. Diese Methodik ermöglicht Impuls-Antwort-Analysen, Out-of-Sample-Vorhersagen und die Untersuchung von Netzwerkeffekten. Die empirische Studie stellt den signifikanten Einfluss von durch finanzielle Extremereignisse bedingten Faktoren auf makroökonomische Variablen während verschiedener Wirtschaftsperioden dar. Kapitel 4 ist eine Pilotanalyse zu Non Fungible Tokens (NFTs), insbesondere CryptoPunks. Der Autor untersucht die Clusterbildung zwischen digitalen Assets mithilfe verschiedener Visualisierungstechniken. Die durch CNN- und UMAP-Regression identifizierten Cluster werden mit Preisen und Merkmalen von CryptoPunks in Verbindung gebracht. Kapitel 5 stellt die Konstruktion eines Preisindex namens Digital Art Index (DAI) für den NFT-Kunstmarkt vor. Der Index wird mithilfe hedonischer Regression in Kombination mit robusten Schätzern für die Top-10-Liquid-NFT-Kunstsammlungen erstellt. Es schlägt innovative Verfahren vor, nämlich Huberisierung und DCS-t-Filterung, um abweichende Preisbeobachtungen zu verarbeiten und einen robusten Index zu erstellen. Darüber hinaus werden Preisdeterminanten des NFT-Marktes analysiert. / This thesis provides models and methodologies developed on robust statistics and their applications in various domains. Chapter 2 presents a novel partitioning clustering algorithm based on expectiles. The algorithm forms clusters that adapt to the tail behavior of the cluster distributions, making them more robust. The chapter introduces fixed tau-clustering and adaptive tau-clustering schemes and their applications in crypto-currency market and image segmentation. In Chapter 3 a factor augmented dynamic model is proposed to analyse tail behavior of high-dimensional time series. This model extracts latent factors driven by tail events and examines their interaction with macroeconomic variables using VAR model. This methodology enables impulse-response analysis, out-of-sample predictions, and the study of network effects. The empirical study presents significant impact of financial tail event driven factors on macroeconomic variables during different economic periods. Chapter 4 is a pilot analysis on Non Fungible Tokens (NFTs) specifically CryptoPunks. The author investigates clustering among digital assets using various visualization techniques. The clusters identified through regression CNN and UMAP are associated with prices and traits of CryptoPunks. Chapter 5 introduces the construction of a price index called the Digital Art Index (DAI) for the NFT art market. The index is created using hedonic regression combined with robust estimators on the top 10 liquid NFT art collections. It proposes innovative procedures, namely Huberization and DCS-t filtering, to handle outlying price observations and create a robust index. Furthermore, it analyzes price determinants of the NFT market.