The financial markets have a complex structure and the modelling techniques have recently been more and more complicated. So for a portfolio manager it is very important to find better and more sophisticated modelling techniques especially after the 2007-2008 banking crisis. The idea in this thesis is to find the connection between the components in macroeconomic environment and portfolios consisting of assets from OMX Stockholm 30 and use these relationships to perform Tactical Asset Allocation (TAA). The more specific aim of the project is to prove that dynamic modelling techniques outperform static models in portfolio theory. / Den finansiella marknaden är av en väldigt komplex struktur och modelleringsteknikerna har under senare tid blivit allt mer komplicerade. För en portföljförvaltare är det av yttersta vikt att finna mer sofistikerade modelleringstekniker, speciellt efter finanskrisen 2007-2008. Idéen i den här uppsatsen är att finna ett samband mellan makroekonomiska faktorer och aktieportföljer innehållande tillgångar från OMX Stockholm 30 och använda dessa för att utföra Tactial Asset Allocation (TAA). Mer specifikt är målsättningen att visa att dynamiska modelleringstekniker har ett bättre utfall än mer statiska modeller i portföljteori.

Readjusting Historical Credit Ratings using Ordered Logistic Re-gression and Principal Component Analysis The introduction of the Basel II Accord as a regulatory document for creditrisk presented new concepts of credit risk management and credit risk mea-surements, such as enabling international banks to use internal estimates ofprobability of default (PD), exposure at default (EAD) and loss given default(LGD). These three measurements is the foundation of the regulatory capitalcalculations and are all in turn based on the bank’s internal credit ratings. Ithas hence been of increasing importance to build sound credit rating modelsthat possess the capability to provide accurate measurements of the credit riskof borrowers. These statistical models are usually based on empirical data andthe goodness-of-fit of the model is mainly depending on the quality and sta-tistical significance of the data. Therefore, one of the most important aspectsof credit rating modeling is to have a sufficient number of observations to bestatistically reliable, making the success of a rating model heavily dependenton the data collection and development state.The main purpose of this project is to, in a simple but efficient way, createa longer time series of homogeneous data by readjusting the historical creditrating data of one of Svenska Handelsbanken AB’s credit portfolios. Thisreadjustment is done by developing ordered logistic regression models thatare using independent variables consisting of macro economic data in separateways. One model uses macro economic variables compiled into principal com-ponents, generated through a Principal Component Analysis while all othermodels uses the same macro economic variables separately in different com-binations. The models will be tested to evaluate their ability to readjust theportfolio as well as their predictive capabilities. / Justering av historiska kreditbetyg med hjälp av ordinal logistiskregression och principialkomponentsanalys När Basel II implementerades introducerades även nya riktlinjer för finan-siella instituts riskhantering och beräkning av kreditrisk, så som möjlighetenför banker att använda interna beräkningar av Probability of Default (PD),Exposure at Default (EAD) och Loss Given Default (LGD), som tillsammansgrundar sig i varje låntagares sannoliket för fallissemang. Dessa tre mått ut-gör grunden för beräkningen av de kapitaltäckningskrav som banker förväntasuppfylla och baseras i sin tur på bankernas interna kreditratingsystem. Detär därmed av stor vikt för banker att bygga stabila kreditratingmodeller medkapacitet att generera pålitliga beräkningar av motparternas kreditrisk. Dessamodeller är vanligtvis baserade på empirisk data och modellens goodness-of-fit,eller passning till datat, beror till stor del på kvalitén och den statistiska sig-nifikansen hos det data som står till förfogande. Därför är en av de viktigasteaspekterna för kreditratingsmodeller att ha tillräckligt många observationeratt träna modellen på, vilket gör modellens utvecklingsskede samt mängdendata avgörande för modellens framgång.Huvudsyftet med detta projekt är att, på ett enkelt och effektivt sätt, skapaen längre, homogen tidsserie genom att justera historisk kreditratingdata i enportfölj med företagslån tillhandahållen av Svenska Handelsbanken AB. Jus-teringen görs genom att utveckla olika ordinala logistiska regressionsmodellermed beroende variabler bestående av makroekonomiska variabler, på olikasätt. En av modellerna använder makroekonomiska variabler i form av princi-palkomponenter skapade med hjälp av en principialkomponentsanalys, medande andra modelelrna använder de makroekonomiska variablerna enskilt i olikakombinationer. Modellerna testas för att utvärdera både deras förmåga attjustera portföljens historiska kreditratings samt för att göra prediktioner.

L’obiettivo della tesi è ideare uno schema teorico del concetto multidimensionale di rischio territoriale, applicandolo successivamente ad un caso di studio sulle province italiane. Nel primo capitolo si delinea uno schema teorico del concetto di rischio territoriale, utilizzando una lettura del fenomeno di stampo sistemico, secondo cui il rischio è correlato positivamente a fattori di vulnerabilità territoriale e negativamente a fattori di resilienza. Il territorio viene rappresentato nelle tre dimensioni della sostenibilità, quella economica, sociale e ambientale, seguendo un approccio olistico. Nel secondo si applica lo schema teorico ad uno studio sulle province italiane. Si adotta una metodologia di sintesi a passaggi successivi, che prevede l’applicazione di tecniche multivariate. Si giunge ad un sistema di indicatori ed indici sintetici di vulnerabilità e resilienza economica, sociale e ambientale. Nel terzo si giunge agli indici sintetici di vulnerabilità e resilienza territoriale, confrontando metodi di aggregazione differenti. Si individuano così i sistemi locali più a rischio, perchè più vulnerabili e meno dotati di fattori di risposta al cambiamento. Si evidenziano elementi di originalità a livello di disegno teorico, per la trattazione del tema nelle dimensioni distinte Economia, Società e Ambiente, e a livello empirico, per l’utilizzo di metodologie di sintesi ibride. / The aim of the work is to provide a theoretical framework regarding the multidimensional concept of vulnerability of local systems, then applying it to a case study on Italian provinces. The first chapter outlines a theoretical framework of this concept, using a reading of the phenomenon according to a systemic mold, whereby the risk is positively correlated with spatial vulnerability factors and negatively with resilience factors. Region is represented in the three dimensions of sustainability, that is the economic, social and environmental ones, following a holistic approach. The second one applies the theoretical framework for a study on the Italian provinces. We have adopted a method of synthesis by successive steps, which provides the application of multivariate techniques. We arrive at an indicators system and composite indices of economic, social and environmental vulnerability and resilience. In the third one we reach the composite indices of vulnerability and resilience of local systems, comparing different methods of aggregation among themselves. Systems are identified as most at risk, because more vulnerable and less gifted with factors of response to change. Elements of originality are highlighted in terms of theoretical project for the treatment of the theme in the distinct dimensions Economy, Society and Environment, as well as, at empirical level, the usage of hybrid synthesis methods.

Time series anomaly detection has been a longstanding area of research with applications across various domains. In recent years, there has been a surge of interest in applying deep learning models to this problem domain. This thesis presents a critical examination of the efficacy of deep learning models in comparison to classical approaches for time series anomaly detection. Contrary to the widespread belief in the superiority of deep learning models, our research findings suggest that their performance may be misleading and the progress illusory. Through rigorous experimentation and evaluation, we reveal that classical models outperform deep learning counterparts in various scenarios, challenging the prevailing assumptions. In addition to model performance, our study delves into the intricacies of evaluation metrics commonly employed in time series anomaly detection. We uncover how it inadvertently inflates the performance scores of models, potentially leading to misleading conclusions. By identifying and addressing these issues, our research contributes to providing valuable insights for researchers, practitioners, and decision-makers in the field of time series anomaly detection, encouraging a critical reevaluation of the role of deep learning models and the metrics used to assess their performance. / Tidsperiods avvikelsedetektering har varit ett långvarigt forskningsområde med tillämpningar inom olika områden. Under de senaste åren har det uppstått ett ökat intresse för att tillämpa djupinlärningsmodeller på detta problemområde. Denna avhandling presenterar en kritisk granskning av djupinlärningsmodellers effektivitet jämfört med klassiska metoder för tidsperiods avvikelsedetektering. I motsats till den allmänna övertygelsen om överlägsenheten hos djupinlärningsmodeller tyder våra forskningsresultat på att deras prestanda kan vara vilseledande och framsteg illusoriskt. Genom rigorös experimentell utvärdering avslöjar vi att klassiska modeller överträffar djupinlärningsalternativ i olika scenarier och därmed utmanar de rådande antagandena. Utöver modellprestanda går vår studie in på detaljerna kring utvärderings-metoder som oftast används inom tidsperiods avvikelsedetektering. Vi avslöjar hur dessa oavsiktligt överdriver modellernas prestandapoäng och kan därmed leda till vilseledande slutsatser. Genom att identifiera och åtgärda dessa problem bidrar vår forskning till att erbjuda värdefulla insikter för forskare, praktiker och beslutsfattare inom området tidsperiods avvikelsedetektering, och uppmanar till en kritisk omvärdering av djupinlärningsmodellers roll och de metoder som används för att bedöma deras prestanda.

Syftet med denna studie är att analysera eventuella kapitalstruktursförändringar i samband med Covid-19 pandemin hos svenska företag noterade på Stockholmsbörsen, OMXS, inom Large Cap. Urvalet utgörs av företag inom alla sektorer i Large Cap, exklusive finanssektorn. Sambandet mellan bolagens beroende och oberoende variabler analyseras före och under pandemins tidsperiod, 2015–2022. De beroende variablerna utgörs som Proxy för kapitalstruktur och omfattas av totala-, kortfristiga-, och långfristiga skulder i förhållande till totala tillgångar. Medan de oberoende variablerna utgörs av företagsstorlek, lönsamhet samt tillväxt. För att uppnå detta baseras uppsatsens teoretiska ramverk på Modigliani och Miller proposition 1 & 2, Pecking Order teorin och Trade Off teorin tillsammans med tidigare empiriska studier samt undersökningar. Uppsatsens analyser omfattas av en deskriptiv analys av samtliga variabler, en korrelationsanalys av de oberoende variablerna och slutligen flera multivariata regressionsanalyser mellan samtliga variabler. För att erhålla de mest valida och reliabla slutsatserna kommer uppsatsen tillämpa en kvantitativ forskningsmetod och en deduktiv ansats. Uppsatsens resultat fann flest statistiskt signifikanta samband mellan samtliga skuldkvoter och företagsstorlek. Uppsatsens slutsats konstaterade att kapitalstrukturen hos OMXS företag inom Large Cap hade förändrats under pandemin i jämförelse med före pandemin. Sammantaget bidrar denna uppsats till en djupare förståelse för sambandet mellan samtliga analyserade variabler baserat på en historisk bakgrund. Därmed kan svenska bolag inom alla sektorer, exklusive finanssektorn, skapa en bättre uppfattning kring sina kapitalstrukturer inför framtida finanskriser. / The purpose of this study is to analyze potential capital structure changes in connection with the Covid-19 pandemic among Swedish publicly traded companies on the Stockholm Stock Exchange, OMXS, within Large Cap. The sample consists of companies across all sectors within Large Cap, excluding the finance sector. Focusing on the relationship between the dependent and independent variables before and during the period of the pandemic, 2015–2022. The dependent variables consist of total-, short- term-, and long- term debt as a proportion to the total assets. These dependent variables constitute as a Proxy for capital structure. The independent variables include size, profitability and growth. To accomplish this, the theoretical framework for this essay is based on Modigliani and Miller proposition 1 & 2, The Pecking Order Theory, The Trade Off Theory along with previous empirical studies. The analyzes contains of a descriptive analysis of all variables, a correlation analysis of the independent variables, and lastly several multivariate regressions analyses between all variables. In order to make it possible to acquire the most valid and reliable conclusions, the study will be based on a quantitative method, applying a deductive approach. The results found the most statistically significant relationships between all debt ratios and company size. The conclusion stated that the capital structure of OMXS companies, within Large Cap, had changed during the pandemic compared to before. In summary the results contribute to a deeper understanding of the relationship between all analyzed variables based on a historical background. Hence Swedish companies within these sectors can gain a better understanding of their capital structure for future financial crises.