Global ETD Search

1	Climate Risk in Financial Markets / Klimatrisk på Finansmarknaderna Krantz, Oscar January 2023 (has links) We investigate various methods for generating a market-based proxy for climate related transition risk in financial markets, and use these to determine the sensitivities of various investments towards climate change policies. We find that assets tied to the energy and materials sector have consistently high sensitivity towards market factors which are likely to decline in response to climate regulations, and as such consequently face mark-to-market losses conditional on systemic climate events. For beta estimation we use both traditional linear regression and the dynamic conditional beta model developed by Engle, based on multivariate GARCH volatility models. We find suggestive evidence that our stylised climate factors, based on stranded assets, responds negatively to news of policies related to a move towards renewable energies. / Vi undersöker olika metoder för att skapa en marknadsbaserad proxy för klimatrisk inom finansmarknaden, och använder dessa för att bestämma känsligheter för olika investeringar mot klimatrelaterade händelser. Vi finner att tillgångar med koppling mot sektorer såsom energi eller material har konsekvent hög känslighet mot marknadsfaktorer som sannolikt kommer minska som svar till klimatbestämmelser, och således också tappa marknadsvärde vid en systemisk klimathändelse. Vi uppskattar ett klimatbeta genom både linjär regression, och Engles dynamic conditional beta modell baserad på en GARCH process i flera variabler. Vi finner suggestiva bevis för att våra klimatfaktorer, baserade på strandade tillgångar, svarar negativt till nyheter som hanterar omställningen till förnybar energi. climate risk market risk quantitative finance climate beta klimatrisk marknadsrisk kvantitativ finans klimatbeta Other Mathematics Annan matematik
2	Sequence-to-sequence learning of financial time series in algorithmic trading / Sekvens-till-sekvens-inlärning av finansiella tidsserier inom algoritmiskhandel Arvidsson, Philip, Ånhed, Tobias January 2017 (has links) Predicting the behavior of financial markets is largely an unsolved problem. The problem hasbeen approached with many different methods ranging from binary logic, statisticalcalculations and genetic algorithms. In this thesis, the problem is approached with a machinelearning method, namely the Long Short-Term Memory (LSTM) variant of Recurrent NeuralNetworks (RNNs). Recurrent neural networks are artificial neural networks (ANNs)—amachine learning algorithm mimicking the neural processing of the mammalian nervoussystem—specifically designed for time series sequences. The thesis investigates the capabilityof the LSTM in modeling financial market behavior as well as compare it to the traditionalRNN, evaluating their performances using various measures. / Prediktion av den finansiella marknadens beteende är i stort ett olöst problem. Problemet hartagits an på flera sätt med olika metoder så som binär logik, statistiska uträkningar ochgenetiska algoritmer. I den här uppsatsen kommer problemet undersökas medmaskininlärning, mer specifikt Long Short-Term Memory (LSTM), en variant av rekurrentaneurala nätverk (RNN). Rekurrenta neurala nätverk är en typ av artificiellt neuralt nätverk(ANN), en maskininlärningsalgoritm som ska efterlikna de neurala processerna hos däggdjursnervsystem, specifikt utformat för tidsserier. I uppsatsen undersöks kapaciteten hos ett LSTMatt modellera finansmarknadens beteenden och jämförs den mot ett traditionellt RNN, merspecifikt mäts deras effektivitet på olika vis. deep learning machine learning quantitative finance algorithmic trading blackbox trading lstm rnn time series forecasting prediction tensorflow keras forex neural network econometrics finans algoritmisk handel tidsserier prediktion maskininlärning forex neurala nätverk tensorflow keras kvantitativ finans lstm rnn ekonometri Information Systems

Search results

Climate Risk in Financial Markets / Klimatrisk på Finansmarknaderna

Sequence-to-sequence learning of financial time series in algorithmic trading / Sekvens-till-sekvens-inlärning av finansiella tidsserier inom algoritmiskhandel