<p>Bakgrund: Korrelation beskriver hur två tillgångar samvarierar med avseende på storlek och riktning. Tidigare forskning visar att korrelationer mellan aktiemarknader haft en uppåtgående trend under slutet av 1900-talet i och med den globalisering som skett, där kapital lättare kunnat flyttas mellan marknader. Detta är oroväckande eftersom investerare behöver låga korrelationer för att kunna diversifiera sina innehav. Det motsatta har även visat sig, där enskilda länder som Sverige år 1992 upplevde en bankkris och därmed var ensam med att ha drastiskt fallande avkastning och korrelation.</p><p>Syfte: Syftet med uppsatsen är att undersöka och analysera om det finns ett samband mellan aktiemarknaders korrelationsavvikelser och landsspecifika kriser. Studien avser också att, utifrån ett portföljteoretiskt perspektiv, undersöka och analysera relationen mellan korrelationsavvikelser och aktieavkastning.</p><p>Metod: Uppsatsens metodansats är tvådelad, där fokus ligger på kvantitativa undersökningar av uppsatsens olika frågeställningar. Vissa frågor undersöks även kvalitativt för att få en bredd i studien och tydligare slutsatser.</p><p>Slutsatser: Studien kommer fram till att nedåtgående avvikande korrelation i vissa fall medför avtagande avkastning, men inga försök görs till att kvantifiera denna avtagande avkastning. Studien kommer även fram till att landskriser har en tydlig påverkan på korrelation gentemot världsindex, genom att den tillfälligt blir nedåtgående. Påverkan är tydligast för länder med en annars stabil trend, vilket kännetecknar de utvecklade marknaderna.</p>

Bakgrund: Korrelation beskriver hur två tillgångar samvarierar med avseende på storlek och riktning. Tidigare forskning visar att korrelationer mellan aktiemarknader haft en uppåtgående trend under slutet av 1900-talet i och med den globalisering som skett, där kapital lättare kunnat flyttas mellan marknader. Detta är oroväckande eftersom investerare behöver låga korrelationer för att kunna diversifiera sina innehav. Det motsatta har även visat sig, där enskilda länder som Sverige år 1992 upplevde en bankkris och därmed var ensam med att ha drastiskt fallande avkastning och korrelation. Syfte: Syftet med uppsatsen är att undersöka och analysera om det finns ett samband mellan aktiemarknaders korrelationsavvikelser och landsspecifika kriser. Studien avser också att, utifrån ett portföljteoretiskt perspektiv, undersöka och analysera relationen mellan korrelationsavvikelser och aktieavkastning. Metod: Uppsatsens metodansats är tvådelad, där fokus ligger på kvantitativa undersökningar av uppsatsens olika frågeställningar. Vissa frågor undersöks även kvalitativt för att få en bredd i studien och tydligare slutsatser. Slutsatser: Studien kommer fram till att nedåtgående avvikande korrelation i vissa fall medför avtagande avkastning, men inga försök görs till att kvantifiera denna avtagande avkastning. Studien kommer även fram till att landskriser har en tydlig påverkan på korrelation gentemot världsindex, genom att den tillfälligt blir nedåtgående. Påverkan är tydligast för länder med en annars stabil trend, vilket kännetecknar de utvecklade marknaderna.

Att i förväg försöka förutsäga vilket lag som kommer vinna i en fotbollsmatch har nog de flesta försökt sig på någon gång. Att gissa och att faktiskt försöka att analysera båda lagens förutsättningar är två väldigt olika metoder att komma fram till sitt resultat. I och med att datorkraften de senaste åren kraftigt förbättrats har det också kommit fler och framför allt tyngre matematiska modeller för att skatta utfallet av matcher. I detta examensarbete används Pi-ratingsystemet som går ut på att varje lag får en rating för hur bra man är på hemma- respektive bortaplan. Som en utveckling av den ursprungliga Pi-rating modellen används det i detta arbete tre olika modeller för att prediktera lagens framtida rating. Modellerna som används är enkelt glidande medelvärde, enkel exponentiell utjämning och en ARIMA-modell. En lösning på hur nya lag som inte spelade i ligan föregående år ska behandlas föreslås också. Avslutningsvis diskuteras olika investeringsmetoder som kan användas för att använda resultat från modellerna på marknaden för vadslagning. Resultatet visar att en spelstrategi som utnyttjat Kellys formel ger störst avkastning för kalibreringsdatat. När denna strategi används på matcher utanför kalibreringsåren visar resultatet på en mycket låg vinst och framför allt att vinsten under lång tid är negativ, vilket från en investeringssyn inte är något man önskar. Sammanfattningsvis är denna metod inte i sig själv tillräckligt bra för att ge en säker avkastning men är en bra grund som kan byggas ut för att ta hänsyn till fler faktorer och då ge möjlighet till stabilare och mer långsiktiga vinster. / To predict a soccer game in advance is something that has been done by most people. If the prediction is the result of an advanced mathematical formula or just ha pure guess done on your favorite team is very different. Since the computer power in recent years has greatly improved the number of mathematical approaches has increased and it is especially the computational heavy models that have increased in number. In this thesis the Pi-rating system is used it gives each team a home and away rating that describe how good/bad they are compared to the average competing team. As an extension of the original Pi-rating model, in this thesis time series analysis is used to predict future values of the teams rating, three different methods are tested and they are simple moving average, simple exponential smoothing and an ARIMA-model. A solution to how new teams that did not play in the league last year should be handled is also suggested. Finally a breath discussion and test of different investment methods that can be applied on the final model to be used on the sport betting market. The results show that the greatest returns on the calibration data is achieved when Kelly’s formula is used as an investment method on an ARIMA(0,1,1)-model, but when this strategy is used outside calibration data, the result shows a very low profit and the method  fails to give a stable long term return, which from an investment point of view is not desirable. The conclusion is that this method is not in itself good enough to provide a safe return but is a good foundation that can be expanded to take more factors into account, and then hopefully give bigger and more stable winnings.

Private and public clouds require users to specify requests for resources such as CPU and memory (RAM) to be provisioned for their applications. The values of these requests do not necessarily relate to the application’s run-time requirements, but only help the cloud infrastructure resource manager to map requested virtual resources to physical resources. If an application exceeds these values, it might be throttled or even terminated. Consequently, requested values are often overestimated, resulting in poor resource utilization in the cloud infrastructure. Autoscaling is a technique used to overcome these problems. In this research, we formulated two new predictive CPU autoscaling strategies forKubernetes containerized applications, using time-series analysis, based on Holt-Winters exponential smoothing and long short-term memory (LSTM) artificial recurrent neural networks. The two approaches were analyzed, and their performances were compared to that of the default Kubernetes Vertical Pod Autoscaler (VPA). Efficiency was evaluated in terms of CPU resource wastage, and insufficient CPU percentage and amount for container workloads from Alibaba Cluster Trace 2018, and others. In our experiments, we observed that Kubernetes Vertical Pod Autoscaler (VPA) tended to perform poorly on workloads that periodically change. Our results showed that compared to VPA, predictive methods based on Holt- Winters exponential smoothing (HW) and Long Short-Term Memory (LSTM) can decrease CPU wastage by over 40% while avoiding CPU insufficiency for various CPU workloads. Furthermore, LSTM has been shown to generate stabler predictions compared to that of HW, which allowed for more robust scaling decisions. / Privata och offentliga moln kräver att användare begär mängden CPU och minne (RAM) som ska fördelas till sina applikationer. Mängden resurser är inte nödvändigtvis relaterat till applikationernas körtidskrav, utan är till för att molninfrastrukturresurshanteraren ska kunna kartlägga begärda virtuella resurser till fysiska resurser. Om en applikation överskrider dessa värden kan den saktas ner eller till och med krascha. För att undvika störningar överskattas begärda värden oftast, vilket kan resultera i ineffektiv resursutnyttjande i molninfrastrukturen. Autoskalning är en teknik som används för att överkomma dessa problem. I denna forskning formulerade vi två nya prediktiva CPU autoskalningsstrategier för containeriserade applikationer i Kubernetes, med hjälp av tidsserieanalys baserad på metoderna Holt-Winters exponentiell utjämning och långt korttidsminne (LSTM) återkommande neurala nätverk. De två metoderna analyserades, och deras prestationer jämfördes med Kubernetes Vertical Pod Autoscaler (VPA). Prestation utvärderades genom att observera under- och överutilisering av CPU-resurser, för diverse containerarbetsbelastningar från bl. a. Alibaba Cluster Trace 2018. Vi observerade att Kubernetes Vertical Pod Autoscaler (VPA) i våra experiment tenderade att prestera dåligt på arbetsbelastningar som förändras periodvist. Våra resultat visar att jämfört med VPA kan prediktiva metoder baserade på Holt-Winters exponentiell utjämning (HW) och långt korttidsminne (LSTM) minska överflödig CPU-användning med över 40 % samtidigt som de undviker CPU-brist för olika arbetsbelastningar. Ytterligare visade sig LSTM generera stabilare prediktioner jämfört med HW, vilket ledde till mer robusta autoskalningsbeslut.