Traditionally, practitioners use modern portfolio theory to invest optimally. Its appeal lies in its mathematical simplicity and elegance. However, despite its beauty, the theory it is plagued with many problems, which are in combination called the Markowitz curse. Lopéz de Prado introduced Hierarchical Risk Parity (HRP), which deals with the problems of Markwitz’s theory by introducing hierarchical structures into the portfolio allocation step.This thesis is a continuation of the HRP. In contrast to De Prado’s work, we build hierarchical clusters that do not have a predetermined structure and also use portfolio allocation methods that incorporates the mean estimates. We use an algorithm called community detection which is derived from graph theory. The algorithm generates clusters purely from the data without user specification. A problem to overcome is the correct identification of the market mode, whichis non-trivial for futures contracts. This is a serious problem since the specific clustering method we use hinges on correctly identifying this mode. Therefore, in this thesis we introduce a method of finding the market mode for futures data. Finally, we compare the portfolios constructed from the hierarchical clusters to traditional methods. We find that the hierarchical portfolios results in slightly worse performance than the traditional methods when we incorporate the mean and better performance for risk based portfolios. In general, we find that the hierarchical portfolios result in less extreme outcomes. / Traditionellt används modern portföljteori för attinvestera optimalt. Anledningen till detta ligger i dess matematiska enkelhet och elegans. Men trots sina många fördelar är teorin plågad med flertal problem, som i kombination kallas för Markowitz-förbannelsen. Lopéz de Prado introducerade Hierarchical Risk Parity (HRP), som påstås tacköa problemen med Markwitz teori genom att införa hierarkiska strukturer i portföljallokeringssteget. Detta examensarbete är en fortsättning på HRP. I motsats till De Prados arbete bygger vi hierarkiska kluster som inte har en förutbestämd struktur och använder även portföljallokeringsmetoder som inkluderar medelskattningarna. Vi använder en algoritm som kallas communitydetection som härrör från grafteori. Algoritmen genererar kluster enbart från data utan användarspecifikation. Ett problem att överkomma är den korrekta identifieringen av marknadsläget, vilket inte är trivialt för terminskontrakt. Detta är ett allvarligt problem eftersom den specifika klustringsmetoden vi använder hänger samman med att korrekt identifiera detta läge. Därför introducerar vi i denna avhandling en metod för att hitta marknadsläget för terminsdata. Slutligen jämför vi portföljerna konstruerade från de hierarkiska klustren med traditionella metoder. Vi finner att de hierarkiska portföljerna ger något sämre prestandaän de traditionella metoderna när vi tar med medelvärdet och bättre prestanda för riskbaserade portföljer. Generellt finner vi att de hierarkiska portföljerna resulterar i mindre extrema utfall.

Hierarchical clustering is a family of machine learning methods that has many applications, amongst other data science and data mining. This thesis belongs to the research area of brain-like computing and introduces a novel approach to hierarchical clustering using a brain-like recurrent neural network. Attractor networks can cluster samples by converging to the same network state. We modulate the network behaviour by varying a parameter in the activity propagation rule such that the granularity of the resulting clustering is changed. A hierarchical clustering is then created by combining multiple levels of granularity. The method is developed for two different datasets and evaluated on a variety of clustering metrics. Its performance is compared to standard clustering algorithms and the structure and composition of the clustering is inspected. We show that the method can produce clusterings for different levels of granularity and new data without retraining. As a novel clustering method, it is relevant to machine learning applications. As a model for hierarchical recall in a memory model, it is relevant to computational neuroscience and neuromorphic computing. / Hierarkiskt klusterarbete är en grupp av maskininlärningsmetoder som har många tillämpningar, bland annat datavetenskap och datagrävning. Denna avhandling tillhör forskningsområdet för hjärnlikt databehandling och introducerar ett nytt tillvägagångssätt för hierarkiskt klusterarbete med hjälp av ett hjärnlikt återkommande neuronnätverk. Attraktornätverk kan klustra prover genom att konvergera till samma nätverksstadium. Vi modulerar nätverkets beteende genom att variera en parameter i regeln för aktivitetspropagering så att granulariteten i det resulterande klusterarbetet förändras. Ett hierarkiskt klusterarbete skapas sedan genom att kombinera flera nivåer av granularitet. Metoden utvecklas för två olika datasets och utvärderas med hjälp av olika klustringsmått. Dess prestanda jämförs med standard klusteringsalgoritmer och strukturen och sammansättningen av klusterarbetet inspekteras. Vi visar att metoden kan producera klusterarbeten för olika nivåer av granularitet och nya data utan omträning. Som en ny klusteringsmetod är den relevant för maskininlärningsapplikationer. Som en modell för hierarkisk återkallelse i en minnesmodell är den relevant för beräkningsneurovetenskap och neuromorfisk databehandling.

Software testing is an essential part of any development, ensuring the validity and verification of projects. As the usage and footprint of JavaScript expand, new testing frameworks in its community have made statements about being the best overall solution using minimal intervention from developers. The statements from these frameworks about being the greatest can make it difficult for JavaScript beginners to pick a framework that could affect current and future projects. By comparing different types of frameworks and establishing a guideline for others to do the same, it becomes easier for beginners and others to choose a framework according to their own required needs. The overall method uses Mario Bunge’s scientific method via stages, which helps validate the thesis as scientific. Research, empirical data from a qualitative, and objective data from a survey decide the criteria, their priority (to determine their impact and hierarchy), what frameworks to include, and how to compare them. The frameworks Jest, AVA, and Node TAP are compared based on the main criteria of simplicity, documentation, features, and their sub-criteria. Evaluating the frameworks and ranking their performance in each criterion was done through an experiment conducted on a pre-made website without any testing included. The analytic hierarchy process is the primary method used to combine the information gathered and output a result. It makes it possible to create a priority hierarchy for each criterion and subsequently makes it possible to evaluate the choices available on their fulfillment of those criteria. One of these choices will eventually be an overall more suitable fit as the optimal framework for the research question. Combining the survey and experiment data into the analytic hierarchy process revealed that Jest fit the previous criteria better than AVA and Node TAP because of Jest’s better learning curve and Stack overflow presence. AVA was just behind in those areas, while Node TAP had a poor fit for all sub-criteria compared to the other two. AVA’s almost similar evaluation to Jest shows how the open-source community and small development teams can keep up with solutions from big corporations. / Programvarutestning är en viktig del av all utveckling, för att säkerställa giltigheten och verifieringen av projekt. Tack vare JavaScripts expandering och användning, så har nya testramverk dykt upp som anser sig vara den bästa lösningen för utvecklare. Dessa påståenden kan göra det svårt för nybörjare inom JavaScript-utveckling att bestämma sig för vilket ramverk de borde använda, vilket kan påverka deras arbete och framtida projekt. Genom att jämföra dessa ramverk och etablera riktlinjer för andra nybörjare, blir det simpelt för olika demografiska grupper att välja rätt testramverk enligt deras egna åsikter. Den övergripande metoden använder Mario Bunges vetenskapliga metod, vilken använder flera steg för att omvandla hypotesen inom arbetet till en vetenskaplig rapport. Forskning och empirisk information från kvalitativa undersökningar, samt objektiva insamlingar från undersökningar, har använts för att bestämma enligt vilka kriterier dessa ramverk ska jämföras, vilken prioritering dessa kriterier har för nybörjare, vilka testramverk som ska användas och hur ramverken ska jämföras. Testramverken Jest, AVA och Node TAP har jämförts baserat på huvudkriterierna enkelhet, dokumentation och funktionalitet, dessa kriterier innehåller även underkriterier. Evalueringen av dessa ramverk och deras grad av prestanda inom dessa kriterier gjordes genom experimentellt utförande och användning inom en förhandsgjord hemsida utan någon form av testning inkluderad. Den analytiska hierarkiska processen var den primära metoden som användes för att kombinera den insamlade informationen till ett slutgiltigt resultat. Detta för att en prioriteringshierarki kan skapas för all kriterier, och gör det även möjligt att evaluera all ramverk inom dessa kriterier. Ett av dessa ramverk kommer eventuellt beräknas som det bästa alternativet, och på så sätt hjälpa besvara huvudfrågan. Kombinationen av resultaten från undersökningen och experimenten gav att Jest passar bäst till nybörjare, baserat på kriterierna och deras prioriteringsrang, detta tack vare att Jest har bättre inlärningskurva och Stack Overflow-närvaro jämfört med AVA och Node TAP. AVA ligger precis efter inom dessa kriterier, medan Node TAP har betydligt sämre prestanda inom alla kriterier. AVA:s närliggande kapacitet till Jest bevisar att mindre grupper av utvecklare kan komma upp med bra lösningar precis som större företag.

The ability to search their environment is one of the most fundamental skills for any living creature. Visual search in particular is abundantly common for almost all animals. This act of searching is generally active in nature, with vision not simply reacting to incoming stimuli but also actively searching the environment for potential stimuli (such as by moving their head or eyes). Automatic visual search, likewise, is a crucial and powerful tool within a wide variety of different fields. However, performing such an active search is a nontrivial issue for many machine learning approaches. The added complexity of choosing which area to observe, as well as the common case of having a camera with adaptive field-of-view capabilities further complicates the problem. Hierarchical Reinforcement Learning have in recent years proven to be a particularly powerful means of solving hard machine learning problems by a divide-and-conquer methodology, where one highly complex task can be broken down into smaller sub-tasks which on their own may be more easily learnable. In this thesis, we present a hierarchical reinforcement learning system for solving a visual search problem in a stationary camera environment with adjustable pan, tilt and field-of-view capabilities. This hierarchical model also incorporates non-reinforcement learning agents in its workflow to better utilize the strengths of different agents and form a more powerful overall model. This model is then compared to a non-hierarchical baseline as well as some learning-free approaches.

Syftet med denna studie var att undersöka om dimensionerna upplevd ytlig, djup och kompetensmångfald har effekt på en projektgrupps psykologiska trygghet. Undersökningen har genomförts med en kvantitativ ansats där respondenterna fått besvara ett antal frågor i en digital enkät. Enkätensvaren har därefter bearbetats och analyserats genom en multipel regressionsanalys och en hierarkisk multipel regressionsanalys samt korrelationsanalyser. Resultatet påvisade att upplevd ytlig, djup och kompetensmångfald har effekt på den psykologiska tryggheten i projektgrupper, varav djup mångfald är den variabel med högst unikt bidrag (37,3 %). Avseende studiens frågeställning, om det råder en korrelation mellan upplevd mångfald och en projektgrupps psykologiska trygghet, visar enbart djup mångfald en signifikant korrelation. Resultatet visade också att antal projektgruppsmedlemmar och tid i projektgruppen har effekt på dess psykologiska trygghet. Vidare antyder resultatet att ett högre antal projektgruppsmedlemmar kan ha en negativ effekt på projektgruppens psykologiska trygghet. Denna studie bidrar med en ökad förståelse för hur utmaningarna och möjligheterna med mångfald kan ta form i projektgrupper och vad för effekt det kan få på olika processer, såsom psykologisk trygghet. / The purpose of this study was to investigate if perceived surface-level, deep-level, and competence diversity affect the psychological safety within a project group. The study was conducted using a quantitative approach, where respondents answered questions in a digital survey. The survey responses were then processed and analyzed through multiple regression analysis and hierarchical multiple regression analysis, as well as correlation analyses. The results indicated that perceived surface-level, deep-level, and competence diversity do affect the psychological safety within project groups, with deep-level diversity being the variable with the highest unique contribution (37,3%). Regarding the study's research question of whether there is a correlation between perceived diversity and a project group's psychological safety, only deep-level diversity showed a significant correlation. The results also showed that the number of project group members and time spent in the project group affect its psychological safety. Furthermore, the results suggest that a higher number of project group members may have a negative effect on the psychological safety within the project group. This study contributes to an increased understanding of how the challenges and opportunities of diversity can manifest in project groups and what effects it may have on various processes, such as psychological safety.

Denna studie belyser de faktorer som påverkar en students agerande ombord på ett fartyg när studenten bevittnar en situation där en individ ombord blir mobbad, trakasserad eller utsatt för kränkande särbehandling. Syftet med denna studie är att undersöka faktorer som påverkat studenten när hen har bevittnat mobbning, trakasserier och/eller kränkande särbehandling. Studien har utgått från semistrukturerade intervjuer med studenter från Sjöfartshögskolan i Kalmar. Dessa studenter har genomgått hela eller större delen av sin fartygsförlagda praktik. Respondenternas erfarenheter har bidragit till en tydlig bild kring detta problemområde. Resultatet visar att hierarki var den största bidragande faktorn som påverkade studentens agerande när hen bevittnat mobbning, trakasserier eller kränkande särbehandling. Resultatet visar också att trakasserier ombord på fartyg ofta beror på kulturella skillnader. / This study brings up factors that effects a student’s behaviour onboard a ship when he or she witnesses a situation when an individual is being bullied, harassed or is a victim to abusive treatment. The purpose of this study was to examine factors that effected a student when he or she witnessed bullying, harassment or/and abusive treatment. This study has been based on semi structured interviews with students from the Maritime University in Kalmar. These students have completed all or most of their ship-based practice. The respondents’ experiences have contributed to a clear picture of this problem area. The result showed that hierarchy was the biggest factor that effected a student’s behaviour when he or she had witnessed bullying, harassment, or abusive treatment. The result also shows that harassment onboard a ship often happens because of cultural differences.

The emergence of large language models, such as BERT and GPT-3, has revolutionized natural language processing tasks. However, the development and deployment of these models pose challenges, including concerns about computational resources and environmental impact. This study aims to compare discriminative language models for text classification based on their performance and usage cost. We evaluate the models using a hierarchical multi-label text classification task and assess their performance using primarly F1-score. Additionally, we analyze the usage cost by calculating the Floating Point Operations (FLOPs) required for inference. We compare a baseline model, which consists of a classifier chain with logistic regression models, with fine-tuned discriminative language models, including BERT with two different sequence lengths and DistilBERT, a distilled version of BERT. Results show that the DistilBERT model performs optimally in terms of performance, achieving an F1-score of 0.56 averaged on all classification layers. The baseline model and BERT with a maximal sequence length of 128 achieve F1-scores of 0.51. However, the baseline model outperforms the transformers at the most specific classification level with an F1-score of 0.33. Regarding usage cost, the baseline model significantly requires fewer FLOPs compared to the transformers. Furthermore, restricting BERT to a maximum sequence length of 128 tokens instead of 512 sacrifices some performance but offers substantial gains in usage cost. The code and dataset are available on GitHub. / Uppkomsten av stora språkmodeller, som BERT och GPT-3, har revolutionerat språkteknologi. Dock ger utvecklingen och implementeringen av dessa modeller upphov till utmaningar, bland annat gällande beräkningsresurser och miljöpåverkan. Denna studie syftar till att jämföra diskriminativa språkmodeller för textklassificering baserat på deras prestanda och användningskostnad. Vi utvärderar modellerna genom att använda en hierarkisk textklassificeringsuppgift och bedöma deras prestanda primärt genom F1-score. Dessutom analyserar vi användningskostnaden genom att beräkna antalet flyttalsoperationer (FLOPs) som krävs för inferens. Vi jämför en grundläggande modell, som består av en klassifikationskedja med logistisk regression, med finjusterande diskriminativa språkmodeller, inklusive BERT med två olika sekvenslängder och DistilBERT, en destillerad version av BERT. Resultaten visar att DistilBERT-modellen presterar optimalt i fråga om prestanda och uppnår en genomsnittlig F1-score på 0,56 för alla klassificeringsnivåer. Den grundläggande modellen och BERT med en maximal sekvenslängd på 128 uppnår ett F1-score på 0,51. Dock överträffar den grundläggande modellen transformermodellerna på den mest specifika klassificeringsnivån med en F1-score på 0,33. När det gäller användningskostnaden kräver den grundläggande modellen betydligt färre FLOPs jämfört med transformermodellerna. Att begränsa BERT till en maximal sekvenslängd av 128 tokens ger vissa prestandaförluster men erbjuder betydande besparingar i användningskostnaden. Koden och datamängden är tillgängliga på GitHub.

Role engineering, a critical task in role-based access control systems, is the process of identifying a complete set of roles that accurately reflect the structure of an organization. Role mining, a data-driven approach, utilizes data mining techniques on user-permission assignments represented as binary data to automatically derive these roles. However, relying solely on data-driven methods often leads to the generation of a large set of roles lacking interpretability. To address this limitation, this thesis presents a role mining algorithm, whose results can be viewed as an initial step in the role engineering process, in order to streamline the task of defining semantically meaningful roles, where human analysis is an inevitable post-processing step. The algorithm is based on hierarchical clustering analysis, and its main objective is identifying a sufficiently small set of roles that cover as large a proportion of the user-permission assignments as possible. To evaluate the performance of the algorithm, multiple real-world data sets representing diverse access control scenarios are utilized. The evaluation focuses on comparing various binary similarity measures, with the goal of determining the most suitable characteristics of a binary similarity measure to be used for role mining. The evaluation of different binary similarity measures provides insights into their effectiveness in achieving accurate role definitions to be used as a foundation for constructing meaningful roles. Ultimately, this research contributes to the advancement of role mining methodologies, facilitating improved access control systems that align with organizational needs and enhance security and efficiency. / Role engineering går ut på att identifiera en komplett uppsättning roller som återspeglar strukturen i en organisation och är en viktig uppgift när organisationer övergår till rollbaserad åtkomstkontroll. Role mining är en datadriven metod som använder data mining-tekniker på användarnas behörighetstilldelningar för att automatiskt härleda dessa roller. Dessa tilldelningar kan representeras som binär data. Att enbart förlita sig på datadrivna metoder leder dock ofta till att en stor uppsättning svårtolkade roller genereras. För att adressera denna begränsning har en role mining-algoritm utvecklas i det här arbetet. Genom att applicera algoritmen på den binära tilldelningsdatan kan de erhållna resultaten betraktas som ett inledande steg i role engineering-processen. Syftet är att effektivisera arbetet med att definiera semantiskt meningsfulla roller, där mänsklig analys är en oundviklig fas. Algoritmen är baserad på hierarkisk klustring och har som huvudsyfte att identifiera en lagom stor uppsättning roller som täcker så stor del av behörighetstilldelningarna som möjligt. För att utvärdera algoritmens prestanda appliceras den på flertalet datamängder insamlade från varierande verkliga åtkomstkontrollsystem. Utvärderingen fokuserar på att jämföra olika binära likhetsmått med målet att bestämma de mest lämpliga egenskaperna för ett binärt likhetsmått som ska användas för role mining. Utvärderingen av olika binära likhetsmått ger insikter i deras effektivitet att uppnå korrekta rolldefinitioner som kan användas som grund för att konstruera meningsfulla roller. Denna forskning bidrar till framsteg inom role mining och syftar till att underlätta övergången till rollbaserad åtkomstkontroll samt förbättra metoderna för att identifiera roller som överensstämmer med organisationsbehov och förbättrar säkerhet och effektivitet.

The aspiration of every organization is to collectively gather people in order to perform structured activities to fulfill its purpose. But what if there are circumstances within an organization that interferes with this? The thesis of this study is to scrutinize how employees experience their position in a hierarchical organizational structure, and what management strategies they use to direct and indirect protest against this structure. Through semi-structured interviews, employees have shared their experience of how they cope with being a part of an organization that has, against its own will, a hierarchical organizational structure. By analyzing their empiricism in the context of theories about hierarchy, organization culture and Hirschman’s theory about Exit, Voice and Loyalty, this study concludes that a hierarchical structure roots a barrier between management and its employees. This barrier has caused a lack of trust between these two much needed groups of the organization.                       The employees within the organization that the study is based on, use a varied amount of management strategies due to how they experience their position. These strategies include using their voice for the reason of feeling loyal to the organization, they use their ability to exit the organization for the lack of loyalty, and the employees experience the lack of both voice and exit, because they are finding themselves being dependent of the organization. To manage the rooted barrier and decrease the employees need to use management strategies, management should consider developing a strong organization culture, due to increase trust and motivation among its employees.

Efterfrågan på hållbarhetsinformation är något som ökar i dagens samhälle. Samtidigt visar tidigare studier att det finns allvarliga brister i företags hållbarhetsrapporter. Forskare har dessutom konstaterat att revisorer har en kvalitetssäkrande roll för hållbarhetsrapporters trovärdighet. I takt med samhällsutvecklingen växer hållbarhetstjänster inom revisionsbranschen, och det går att skönja ett proaktivt hållbarhetsarbete hos revisorer. Något som oss veterligen inte studerats tidigare är vad som driver revisorers proaktiva hållbarhetsarbete. Syftet med studien är att förklara vad som driver revisorers proaktiva hållbarhetsarbete utifrån fyra individ- och byråspecifika faktorer. Dessa faktorer är byråtillhörighet, kompetens, individens hållbarhetsengagemang och hierarkisk position. Frågeställningen är: I vilken utsträckning kan revisorers proaktiva hållbarhetsarbete förklaras utifrån fyra individ- och byråspecifika faktorer? Legitimitetsteorin, professionsteorin och institutionella teorin har använts som teoretisk ram för att uppnå studiens syfte. Även litteratur som behandlar hållbarhetsrapportering, autonomi, proaktivt agerande och de fyra faktorerna har använts. Med utgångspunkt i litteraturen har sex hypoteser bildats, vilka sedan testats empiriskt. För att samla in data konstruerades en webbenkät som sedan skickades ut via mejl till revisorer runtom i Sverige. Resultaten av studien visar att det finns ett positivt samband mellan revisorers proaktiva hållbarhetsarbete och kompetens, yrkesmässigt såväl som privat hållbarhetsengagemang respektive hög hierarkisk position. Däremot gick det inte att påvisa att byråtillhörighet och tid i branschen skulle vara förklarande faktorer till revisorers proaktiva hållbarhetsarbete. Studiens viktigaste bidrag är att ge revisionsbranschen insikter i vad som driver proaktivt hållbarhetsarbete bland revisorer. Studien upplyser också samhället om att revisorers proaktiva hållbarhetsarbete kan gynna hållbarhetsutvecklingen i samhället. / Demand for CSR information is increasing in today’s society. At the same time, previous studies show some serious deficiencies in CSR reporting. Researchers have also found that CSR reports certified by a financial auditor are perceived as more credible. CSR services are a growing business area in the audit industry, and a proactive CSR work among auditors can be discerned. As far as we are aware, there has yet to be any research conducted on what influences auditors’ proactive CSR work. The purpose of this study is to explain what influences auditors’ proactive CSR work based on four individual- and agency specific factors. The research question is: To what extent are auditors’ proactive CSR work explained by four individual- and agency specific factors? Legitimacy-, professional-, and institutional theory, and literature that deals with CSR reporting, autonomy, proactive behavior and our four factors has been used as a theoretical framework. Based on the literature, six hypotheses have been formed, which later have been empirically tested. Data was collected through a web-based survey which was sent via e-mail to Swedish auditors. The results show that there is a positive relationship between auditors’ proactive CSR work and competence, dedication to sustainability issues – professionally as well as private, and high hierarchical position. It was not possible to demonstrate that agency affiliation or time in the industry would be an explanatory factor for auditors’ proactive CSR work. The main contributions of this study are to provide the audit industry with insights into what influences auditors’ proactive CSR work. The study also informs society that auditors’ proactive CSR work can benefit the sustainable development.