På en teknisk nivå utgör beräkningen av sektorkoncentrationsrisk ett särskilt utmanande problem. I befintlig teori är riktlinjer till såväl hur industrisektorer ska indelas som risknivån beräknas begränsade. Syftet med studien är att utvärdera och analysera olika tillvägagångssätt till sektorkoncentrationsrisk i kreditportföljer. Detta har utförts i två separata delar där både indelningen i sektorer och riskberäkningen behandlats. Sektorindelningen har utvärderats genom att jämföra korrelationsstrukturen mellan två speciellt intressanta indelningsmetodiker; enligt Morgan Stanely Capital Investment (MSCI) och den av Finansinspektionen föreslagna sektorindelningen (SFSA). Riskberäkningen har utvärderats genom att applicera en rad olika koncentrationsmått på portföljer av varierande koncentrationsgrad. Resultaten visar att en minimering av inter-sektoriella korrelationer samt en maximering av intra-sektoriella korrelation är av stor vikt då sektorer indelas. Med andra ord, för att koncentrationen ska generera en faktisk risk krävs det att sektorerna är tydligt särskilda samt internt homogena. Utöver detta ska individuella exponeringar tydligt kunna placeras inom en sektor och de behandlade sektorerna ska inte vara av diversifierad natur. Resultaten tyder vidare på att MSCI presterar bättre för att hantera sektorkoncentrationsrisk på alla dessa punkter. När det kommer till riskberäkningen, visar resultaten att förutom  ördelningen av exponeringar är även sektorspecifika kreditkvaliteter samt korrelationsstrukturer av vikt för att bestämma risknivån. Risken från koncentration är större om risknivån är hög eller om exponeringen är mot korrelerade sektorer. Men framförallt tyder resultaten på att en uniformt fördelat portfölj inte är att se som okoncentrerad. För att ta hänsyn till naturliga koncentrationer är det därför av yttersta vikt att koncentration istället ses i förhållande till den aggregerade kreditmarknaden. / On a technical level, the measurement of sector concentration risk poses a particularlychallenging problem. Existing literature lacks direct suggestions both regarding how sectors are to be divided and the risk-level measured. The purpose of the study is to evaluate and analyse different measures of - and approaches to sector concentration risk in credit portfolios. This has been addressed both by analysing sectorial division and which aspects that are of interest for determining the concentration imposed risk- level. The sectorial division has been addressed by comparing the correlation structures of two especially interesting sector classification methods; the standardised Morgan Stanley Capital Investment industry classification (MSCI) and the proposed sector classification of the Swedish Financial Supervisory Authority (SFSA).  The sector concentration risk measurement has been analysed through employing different risk-measures on portfolios with varying concentration levels. The results show that in order to capture the risk-level from concentration, the main approach for sectorial division should seek to minimise inter-sector correlations and maximise intra-sector correlations. I.e. sectors should be distinct from each other and internally homogeneous. Moreover, an unambiguous sorting of individual exposures towards one sector should be possible and the considered sectors should not be of a diversified nature. It is also found that MSCI outperforms SFSA for assessing  sector concentration risk on all fronts. When it comes to the risk measure, it is found that apart from exposure distribution; credit qualities and correlation structures are of great interest. The risk induced from a concentrated exposure is greater if credit qualities are low or if the exposure is high towards highly correlated sectors. But  above all, the results imply that a uniform distribution is not to be seen as unconcentrated. In order for concentration measurement to incorporate natural concentrations it is thereby greatly important that concentration instead is considered as relative towards the aggregate credit market.

Macroeconomic conditions can impact the payment capacity of individual mortgage holders' household loans. If the clients of a bank's retail credit portfolio experience deteriorating paymentcapacity it will reflect on the probability of default of the overall portfolio. With IFRS 9, banks are expected to sophisticate their calculations of expected credit loss, demanding forward-looking estimates of probability of default by incorporation of macroeconomic forecasts. Finding what macroeconomic factors have a statistical significant relationship to the actual default frequency of a portfolio can aid banks in estimating probability of default with reference to current and forecasted macroeconomic conditions. This study aims to explore the relationship between macroeconomic factors and the default frequency in a Swedish retail credit portfolio. The research is based on quantitative data analysis of historical default data, complemented by implications of the macroeconomic condition on the payment capacity of households from a theoretical perspective. Macroeconomic factors studied are the Swedish gross domestic product, house price index, reporate and unemployment rate. The supporting data consists of default data from Nordea's Swedishretail credit portfolio. The time period covers 2008-2015 and provides basis for analysis of a timeperiod with different conditions in the macroeconomy, including effects of the 2008 financial crisis. A multiple linear regression model is used as a method to suggest the relationship between themacroeconomic factors and the default frequency. The model coefficients are estimated with calculations of Ordinary Least Squares and the significance supported by statistical test. Results show that gross domestic product and repo rate are statistically significant macroeconomic variables in explaining changes in the default frequency and thus probability of default of a Swedish retail credit portfolio. / Makroekonomiska omständigheter kan påverka hushållens betalningsförmåga och i sin tur återbetalningsförmågan hos bolånetagare. Om flertalet låntagare inom en banks retailportfölj upplever en försämrad betalningsförmåga kommer det att avspeglas på sannolikheten för fallissemang (probability of default) i den totala portföljen. Med IFRS 9 förväntas banker förfina sina beräkningar av förväntade kreditförluster, vilket kräver framåtblickande beräkningar av probability of default med makroekonomiska prognoser i åtanke. Genom att identifiera vilka makroekonomiska faktorer som har statistisk signifikans för förändringar i historisk fallissemangsfrekvens i en portfölj förväntas banker kunna integrera dessa i, och därmed förbättra, sina beräkningar av probability of default. Denna studie syftar till att utreda sambandet mellan makroekonomiska faktorer och fallissemangsfrekvensen i en svensk retailportfölj. Den kvantitativa analysen av data över historiska fallissemang och makroekonomiska faktorer kompletteras med teoretiska implikationer av makroekonomiska omständigheter för hushållens betalningsförmåga. De makroekonomiska faktorer som studeras är svensk BNP, Boprisindex, Reporänta och Arbetslöshet. Fallissemangsfrekvensen baseras på data från Nordeas svenska retailportfölj som täcker åren 2008-2015 och därmed inkluderar följdeffekter av finanskrisen 2008. En multipel linjär regressionsmodell används för att förklara relationen mellan de makroekonomiska faktorerna och fallissemangsfrekvensen. Regressionskoefficienterna estimeras med hjälp av minstakvadratmetoden och kompletteras med diagnostiska test. Resultaten visar att BNP och Reporäntan är statistiskt signifikanta makroekonomiska faktorer för påvisandet av förändringar i fallissemangsfrekvensen och följaktligen Probability of Default i en svensk retailkreditportfölj.

Denna uppsats behandlar vilka likheter och skillnader det finns i kreditbedömningsprocessen för en stor respektive liten bank på den svenska marknaden. Detta finner vi intressant då det ständigt tillkommer nya aktörer på marknaden samt att ämnet alltid förblir aktuellt. Uppsatsen behandlar även om det skett någon större utveckling av processen till följd av den finansiella kris som skedde år 2008 samt hur man förutspår att kreditbedömningsprocessen kommer att fortsätta utvecklas i framtiden. Vår studie fokuserar på kreditbedömningsprocessen till små- och medelstora företag som är ett viktigt segment för både banker men även för samhället. De banker som jämförs i studien är Marginalen bank som vi anser vara en mindre bank och Handelsbanken som är en de fyra storbankerna i Sverige. En slutsats har dragits utifrån vår studie att det finns både likheter och skillnader mellan bankernas kreditgivningsprocesser samt att Finanskrisen år 2008 har kommit att påverka Basel-regelverket och därigenom även utvecklingen av kreditgivningsprocessen. De båda bankerna har en gemensam syn vad gäller den framtida utvecklingen av processen som innebär att en större automatisering med största sannolikhet kommer att ske. / This paper deals with the similarities and differences in the credit assessment process for well known and respected small sized bank in the Swedish market. We find this interesting as there are always new players in the market and make sure the different topics and issues are constantly updated and stay updated on current trends and demands. The study also applies to the process of a major development which resulted from the financial crisis in 2008, and how to predict the credit assessment system with its continuation and development in the future. Our study focuses on the credit assessment process for small and medium-sized enterprises, which is an important segment for both banks, but also for society. The two banks compared in our study are Marginalen Bank, which we consider to be a smaller bank and Handelsbanken, which is one of the four major banks in Sweden. A conclusion has been drawn from our study that there are both similarities and differences between the banks' crediting processes and that the 2008 financial crisis has affected the Basel acquisition and thereby also the development of the credit granting process. Both banks have a common view regarding the future development of the process, which means that greater automation is most likely to happen.

Since the global financial crisis of 2008, regulatory bodies worldwide have implementedincreasingly stringent requirements for measuring and pricing default risk in financialderivatives. Counterparty Credit Risk (CCR) serves as the measure for default risk infinancial derivatives, and Credit Valuation Adjustment (CVA) is the pricing method used toincorporate this default risk into derivatives prices. To calculate the CVA, one needs the risk-neutral Probability of Default (PD) for the counterparty, which is the centre in this type ofderivative.The traditional method for calculating risk-neutral probabilities of default involves constructingcredit curves, calibrated using the credit derivative Credit Default Swap (CDS). However,liquidity issues in CDS trading present a major challenge, as the majority of counterpartieslack liquid CDS spreads. This poses the difficult question of how to model risk-neutral PDwithout liquid CDS spreads.The current method for generating proxy credit curves, introduced by the Japanese BankNomura in 2013, involves a cross-sectional linear regression model. Although this model issufficient in most cases, it often generates credit curves unsuitable for larger counterpartiesin more volatile times. In this thesis, we introduce two Long Short-Term Memory (LSTM)models trained on similar entities, which use CDS spreads as input. Our introduced modelsshow some improvement in generating proxy credit curves compared to the Nomura model,especially during times of higher volatility. While the result were more in line with the tradedCDS-market, there remains room for improvement in the model structure by using a moreextensive dataset. / Ända sedan 2008 års finanskris har styrande finansiella organ ökat kraven för mätning ochprissättning av konkursrisk inom derivat. Ett område av särskilt högt intresse för detta arbete ärmotpartskreditrisker (CCR). I detta är Kreditvärdesjustering (CVA) den huvudsakliga metodenför prissättning av konkursrisk inom finansiella derivat och för att kunna få fram ett värde avCVA behövs en risk-neutral konkurssannolikhet (PD).En av de traditionella metoderna för att räkna ut denna sannolikhet är genom att skapakreditkurvor som sedan är kalibrerade utifrån CDS:ar. Detta handlade derivat (CDS) finns baraför ett mindre antal företag över hela världen vilket gör att en majoritet av marknaden saknaren tillräckligt handlad CDS. Lösning på detta är att ta fram proxy CDS för ett motsvarande bolag.Idag görs detta framförallt med en tvärsnitts-regressionsmodell som introducerades 2013 avden japanska banken Nomura. Den skapar i många fall rimliga kurvor men ett problem den harär att den oftare gör proxyn lägre än vad den borde vara.I detta arbete introducerar vi istället en LSTM modell som tränas på liknande företag. Resultatetav detta är att vi får en bättre modell i många fall för att skapa en proxy kurva men som delvishar liknande brister som Nomura modellen. Men med fortsatta undersökningar inom områdetsamt med mer data kan detta skapa en mer exakt och säkrare proxy modell.

This thesis explores how survival analysis models performs for default risk prediction of small-to-medium sized enterprises (SME) and investigates when survival analysis models are preferable to use. This is examined by comparing the performance of three deep learning models in a survival analysis setting, a traditional survival analysis model Cox Proportional Hazards, and a traditional credit risk model logistic regression. The performance is evaluated by three metrics; concordance index, integrated Brier score and ROC-AUC. The models are trained on financial data from Swedish SME holding profit and loss statement and balance sheet results. The dataset is divided into two feature sets: a smaller and a larger, additionally the features are binned.  The results show that DeepHit and Logistic Hazard performed the best with the three metrics in mind. In terms of the AUC score all three deep learning survival models generally outperform the logistic regression model. The Cox Proportional Hazards (Cox PH) showed worse performance than the logistic regression model on the non-binned feature sets while having more comparable results in the case where the data was binned. In terms of the concordance index and integrated Brier score the Cox Proportional Hazards model consistently performed the worst out of all survival models. The largest significant performance gain for the concordance index and AUC score was however seen by the Cox PH model when binning was applied to the larger feature set. The concordance index went from 0.65 to 0.75 and the test AUC went from 76.56% to 83.91% for the larger set to larger dataset with binned features. The main conclusions is that the neural networks models did outperform the traditional models slightly and that binning had a great impact on all models, but in particular for the Cox PH model. / Det här examensarbete utreder hur modeller inom överlevnadsanalys presterar för kreditriskprediktion på små och medelstora företag (SMF) och utvärderar när överlevnadsanalys modeller är att föredra. För att besvara frågan jämförs prestandan av tre modeller för djupinlärning i en överlevnadsanalysmiljö, en traditionell överlevnadsanalys modell: Cox Proportional Hazards och en traditionell kreditriskmodell: logistik regression. Prestandan har utvärderats utifrån tre metriker; concordance index, integrated Brier score och AUC. Modellerna är tränade på finansiell data från små och medelstora företag som innefattar resultaträkning och balansräkningsresultat. Datasetet är fördelat i ett mindre variabelset och ett större set, dessutom är variablerna binnade.  Resultatet visar att DeepHit och Logistic Hazard presterar bäst baserat på alla metriker. Generellt sett är AUC måttet högre för alla djupinlärningsmodeller än för den logistiska regressionen. Cox Proportional Hazards (Cox PH) modellen presterar sämre för variabelset som inte är binnade men får jämförelsebar resultat när datan är binnad. När det gäller concordance index och integrated Brier score så har Cox PH överlag sämst resultat utav alla överlevnadsmodeller. Den största signifikanta förbättringen i resultatet för concordance index och AUC ses för Cox PH när datan binnas för det stora variabelsetet. Concordance indexet gick från 0.65 till 0.75 och test AUC måttet gick från 76.56% till 83.91% för det större variabel setet till större variabel setet med binnade variabler. De huvudsakliga slutsatserna är att de neurala nätverksmodeller presterar något bättre än de traditionella modellerna och att binning är mycket gynnsam för alla modeller men framförallt för Cox PH.

Syfte: Syftet med denna studie var att undersöka om det finns ett samband mellan ESG-betyg och kreditbetyg hos publika företag i Norden. Forskningsfrågorna som skulle besvaras var om det finns samband mellan ESG, dess dimensioner, och kreditbetyg, samt om det finns skillnader i dessa samband mellan sektorer och länder. Då kreditbetyg kan bedömas utifrån hela populationen av företag globalt, Credit combined global rank, eller baserat på sektortillhörighet, Credit combined sector rank, har dessa kreditbetyg undersökts, då det förekommer skillnader i betyggraderingen. Metod: Studien utgick från en positivistisk forskningsfilosofi med en deduktiv ansats. Studien var kvantitativ och urvalet var 311 publika företag i Danmark, Finland, Norge och Sverige med data för året 2021. Sekundärdata inhämtades från Refinitiv Eikon och analyserades i IBM SPSS Statistics. ESG och de tre dimensionerna miljö, socialt ansvar och bolagsstyrning testades i regressionsanalyser mot kreditbetygen. Resultat & slutsats: Resultaten visade ett positivt samband mellan ESG-betyg, dimensionerna miljö och socialt ansvar med båda kreditbetygen. Sektorerna i grupp ett; basic materials, consumer non-cyclicals, industrials och energy hade ingen effekt på sambandet mellan ESG och kreditbetygen. Sektorerna i grupp två; healthcare, real estate, technologies, consumer cyclicals och utilities hade effekt på båda kreditbetygen. En viss skillnad kunde även observeras mellan länderna, då Sverige visade samband mellan det kombinerade ESG-betyget och båda kreditbetygen, vilket inte kunde ses i grupp två som bestod av Danmark, Norge och Finland. Studien kunde även bekräfta att de båda kreditbetygen skiljer sig i gradering varav det sektorbaserade visade högre värden än det globala kreditbetyget. Examensarbetets bidrag: Studien har bidragit till en ökad förståelse för hur ESG-betyg och kreditbetyg relaterar till varandra, samt skillnader mellan sektorer och länder. Resultaten kan motivera företag att aktivt förbättra sitt hållbarhetsarbete för att uppnå högre ESG-betyg. Studien på de enskilda dimensionerna i ESG kan ge företag en indikation på vilka delar som är viktiga. Kunskapen som studiens resultat bidrar med kan vara en viktig faktor i företags beslutfattande och skapa långsiktigt värde för intressenter. Förslag till fortsatt forskning: Då finansiella företag exkluderades från studien, är det relevant att undersöka även denna sektor för att jämföra med Norden som helhet och finansiella företag i andra geografiska regioner. En kombination av kvantitativ och kvalitativ metod skulle kunna bredda studien om samband mellan ESG och kreditbetyg ytterligare. / Aim: The aim was to study if there is a connection between ESG score and credit score in public nordic companies. The questions to answer were if there is a connection between ESG, the dimensions, and credit ratings, and if there are differences in these connections depending on sectors and countries. Credit rank can be calculated for companies globally, Credit combined global rank, or calculated based on company sector, Credit combined sector rank. Both ranks were included in this study, based on their divergence.   Method: This study engaged a positivistic research philosophy with a deductive approach. The study had a quantitative strategy and studied 311 public nordic companies in Denmark, Finland, Norway and Sweden regarding the year 2021. Secondary data was collected from Refinitiv Eikon and analyzed with IBM SPSS Statistics. The ESG combined score and the three dimensions environmental, social and governance was tested in regression analysis against credit rank.  Results & conclusions: The results revealed a positive connection between ESG combined score, the dimensions environmental and social, with both credit ratings. The sectors in group one; basic materials, consumer non-cyclicals, industrials and energy showed no effect on the connection between ESG, the dimensions, and credit rank. The sectors in group two; healthcare, real estate, technologies, consumer cyclicals and utilities showed an effect for both credit ranks. A difference between countries was confirmed when Swedish companies showed a connection between the combined ESG score and both credit ranks, that could not be observed in the other group of countries; Denmark, Norway and Finland. The study could also confirm a difference between the credit ranks, as the sector-based showed higher ranks generally than the global rank.   Contribution of the thesis: This study has contributed with an awareness about the connection between ESG score and credit rank, and differences between sectors and countries. The results can motivate companies to actively improve their sustainability to achieve higher ESG score. The study on the dimensions of ESG can also give companies indications on which pillars are more important. This knowledge could be an important factor in company’s decision making and create long term value för stakeholders.   Suggestions for future research: This study excluded financial companies, therefore it would be an interesting aim for further studies in this concept, to be able to compare this sector with other Nordic companies but also financial industries in other geographic regions. Another approach is to combine qualitative and quantitative strategy to make the study on the connection between ESG score and credit rank wider.

Föränderlig, ofullständig eller osäkerhet kring informationen från företagslåntagare kan skapa betydande utmaningar med kreditrisker för bankerna. På grund av detta ser banker de små och medelstora företagen (SMF) som högre risk. Tidigare forskning tyder på att följder av informationsasymmetri är att banker försvårar företagens tillgång till finansiering. Utifrån detta är syftet med denna studie att beskriva och analysera hur de svenska storbankerna hanterar kreditriskerna vid utlåning till SMF, samt vilka likheter och skillnader det finns mellan bankerna. Med användningen av en kvalitativ datainsamlingsmetod genomfördes semistrukturerade intervjuer med relevanta bankanställda på SEB, Handelsbanken och Swedbank från vilket en tydlig empiri kunde sammanställas. Detta analyserades sedan utifrån teorin om negativt urval och minskad kapitalkostnad samt signaleringsteorin.  Studien fann att de svenska storbankernas strategier för kreditriskhanteringen vid utlåning till SMF utgår från liknande delar. Detta för att både kunna identifiera, förebygga och åtgärda eller minska påverkan från kreditrisker. Skillnaderna mellan bankernas strategier i kreditriskhantering ses i hur de genomför vissa processer och vad de främst fokuserar på vid utlåningen till SMF. Dessa skillnader ses inom vilka externa källor storbankerna använder för informationsinsamling, vilka som har ansvaret för beslutet om kreditvärdighet och om banken använder standardiserade lånevillkor eller inte. / Changing, incomplete or uncertain information from corporate borrowers can create significant credit risk challenges for banks. Because of this, banks see the small and medium-sized enterprises (SMEs) as higher risk. Previous research suggests that consequences of information asymmetry are that banks make it more difficult for companies to access financing. Based on this, the purpose of this study is to describe and analyze how the major Swedish banks manage credit risks when lending to SMEs, as well as what similarities and differences exist between the banks. Using a qualitative data collection method, semi-structured interviews were conducted with relevant bank employees at SEB, Handelsbanken and Swedbank from which a clear empirical record could be compiled. This was analyzed based on the theory of adverse selection and reduced cost of capital, as well as the signalling theory.  The study found that the major Swedish banks strategies for credit risk management when lending to SMEs are based on similar elements. This is to be able to both identify, prevent and remedy or reduce the impact from credit risks. The differences between the banks strategies in credit risk management are seen in how they carry out certain processes and what they mainly focus on when lending to SMEs. These differences are seen in which external sources the big banks are using for information gathering, who is responsible for the decision on creditworthiness and whether the bank uses standardized loan terms or not.

När en företagsobligation och en statsobligation har samma löptid och har en skillnad i avkastning, så kallas denna skillnad för kreditspread. Ett känt koncept inom finansvärlden är att risk har en stark koppling till avkastning. När emittenten av obligationen inte kan återbetala överenskommen utdelning eller principiellt lånebelopp så klassas detta som en betalningsinställelse. Eftersom det generellt sett är större risk för en betalningsinställelse för ett företag än för en stat, så vill investerare bli kompenserade för den extra risken de tar sig an. Den totala risken som utgör skillnaden i avkastning kan i sin tur delas upp i flera olika riskkomponenter. Syftet med vår uppsats är att undersöka ifall likviditetsrisk, ränterisk och kreditrisk har en effekt på kreditspread för företagsobligationer på den svenska marknaden. Med detta som bakgrund så har vi samlat in historiska data på förfallna obligationer under de senaste 10 åren via databaserna Thomson Reuter Datastream och Eikon. Vi har sedan laddat ned obligationsspecifika egenskaper i form av finansiella nyckeltal för samtliga obligationer. Dessa nyckeltal har valts för att till bästa förmåga representera och mäta respektive risk. Exempelvis så har vi använt oss av nyckeltalet “bid-ask-spread” för att mäta likviditetsrisk hos en obligation. För att undersöka sambandet mellan våra valda risker och kreditspread så genomförde vi ett hypotestest. Vi skapade en nollhypotes och en alternativhypotes som vi sedan testade med hjälp av en multipel regression. Nollhypotes (H0): Studiens utvalda variabler har inte en effekt på den kreditspread hos svenska företagsobligationer Alternativhypotes (Ha): Studiens utvalda variabler har en effekt på den kreditspread hos svenska företagsobligationer Slutsatsen var att vi kunde statistiskt påvisa ett positivt samband mellan riskernas storlek och storleken på obligationens kreditspread. Detta gjordes både för riskerna var för sig och för modellen när den blev testad i sin helhet. Den bakomliggande teorin bakom variablerna kunde därför antas vara korrekt även vid applicering på svenska marknaden för det senaste decenniet. Vi har som ambition att denna studie skall kunna agera som ett verktyg för fundamental analys för framtida investerare samt vidare studier inom området obligationer på svenska marknaden

Sedan den globala finanskrisen 2008 har flera stora regelverk införts för att säkerställa att banker hanterar risker på sunt sätt. Bland dessa regelverk är Basel II som infört kapitalkrav för kreditrisk som baseras på Sannolikhet för Fallissemang och Förlust Givet Fallissemang. Basel II Advanced Internal-Based Approach ger banker möjligheten att skatta dessa riskmått för enskilda portföljer och göra interna kreditriskvärderingar. I överensstämmelse med Advanced Internal-Based-rating undersöker denna uppsats användningen av en Error Correction Model för modellering av Sannolikhet för Fallissemang. En modell som visat sin styrka inom stresstestning. Vidare implementeras en funktion för Förlust Givet Fallissemang som binder samman Sannolikhet för Fallissemang och Förlust Givet Fallissemang med systematisk risk. Error Correction Modellen modellerar Sannolikhet för Fallissemang av en SME-portfölj från en av de "fyra stora" bankerna i Sverige. Modellen utvärderas och stresstestas med Europeiska Bankmyndighetens  stresstestscenario 2016  och analyseras, med lovande resultat. / Since the global financial crisis of 2008, several big regulations have been implemented to assure that banks follow sound risk management. Among these are the Basel II Accords that implement capital requirements for credit risk. The core measures of credit risk evaluation are the Probability of Default and Loss Given Default. The Basel II Advanced Internal-Based-Rating Approach allows banks to model these measures for individual portfolios and make their own evaluations. This thesis, in compliance with the Advanced Internal-Based-rating approach, evaluates the use of an Error Correction Model when modeling the Probability of Default. A model proven to be strong in stress testing. Furthermore, a Loss Given Default function is implemented that ties Probability of Default and Loss Given Default to systematic risk. The Error Correction Model is implemented on an SME portfolio from one of the "big four" banks in Sweden. The model is evaluated and stress tested with the European Banking Authority's 2016 stress test scenario and analyzed, with promising results.

Most non-life insurers and many creditors use regressions, more specifically Generalized Linear Models (GLM), to price their liabilities. One limitation with GLMs is that interactions between predictors are handled manually, which makes finding interactions a tedious and time-consuming task. This increases the cost of rate making and, more importantly, actuaries can miss important interactions resulting in sub-optimal customer prices. Several papers have shown that Gradient Tree Boosting can outperform GLMs in insurance pricing since it handles interactions automatically. Insurers and creditors are however reluctant to use so-called ”Black-Box” solutions for both regulatory and technical reasons. Tree-based methods have been used to identify pricing errors in regressions, albeit only as ad-hoc solutions. The authors instead propose a systematic approach to automatically identify and evaluate interactions between predictors before adding them to a traditional GLM. The model can be used in three different ways: Firstly, it can create a table of statistically significant candidate interactions to add to a GLM. Secondly, it can automatically and iteratively add new interactions to an old GLM until no more statistically significant interactions can be found. Lastly, it can automatically create a new GLM without an existing pricing model. All approaches are tested on two motor insurance data sets from a Nordic P&C insurer and the results show that all methods outperform the original GLMs. Although the two iterative modes perform better than the first, insurers are recommended to mainly use the first mode since this results in a reasonable trade-off between automating processes and leveraging actuaries’ professional judgment. / De flesta skadeförsäkringsbolag och många långivare använder regressioner, mer specifikt generaliserade linjära modeller (GLM), för att prissätta sina skulder. En begräsning med GLM:er är att interaktioner mellan exogena variabler hanteras manuellt, vilket innebär att hanteringen av dessa är tidskrävande. Detta påverkar försäkringsbolags lönsamhet på flera sätt. För det första ökar kostnaderna för att skapa tariffer och för det andra kan aktuarier missa viktiga interaktioner, vilket resulterar i suboptimala kundpriser. Tidigare forskning visar att Gradient Boosting kan överträffa GLM:er inom försäkringsprissättning eftersom denna metod hanterar interaktioner automatiskt. Försäkringsbolag och kreditgivare är dock motvilliga till att använda så kallade ”Black-box-lösningar” på grund av både regulatoriska och tekniska skäl. Trädbaserade metoder har tidigare använts för att hitta felprissättningar i regressioner, dock endast genom situationsanpassade lösningar. Författarna föreslår i stället en systematisk metod för att automatiskt identifiera och evaluera interaktioner innan de inkluderas i en traditionell GLM. Modellen kan användas på tre olika sätt: Först och främst kan den användas för att skapa en tabell med statistiskt signifikanta interaktioner att addera till en existerande GLM. Utöver detta kan den iterativt och automatiskt lägga till sådana interaktioner tills inga fler återstår. Slutligen kan modellen också användas för att skapa en helt ny GLM från grunden, utan en existerande prissättningsmodell. Metoderna testas på två motorförsäkringsdataset från ett nordiskt skadeförsäkringsbolag och resultaten visar att alla överträffar originalregressionen. Även om de två iterativa metoderna överträffar den första metoden rekommenderas försäkringsbolag att använda den första metoden. Detta eftersom den resulterar i en rimlig avvägning mellan att automatisera processer och att nyttja aktuariers omdömesförmåga.