We develop a risk factor model based on data from a large number of portfolios spanning multiple asset classes. The risk factors are selected based on economic theory through an analysis of the asset holdings, as well as statistical tests. As many assets have limited historical data available, we implement and analyse the impact of regularisation to handle sparsity. Based on the factor model, two parametric methods for calculating Value-at-Risk (VaR) for a portfolio are developed: one with constant volatility and one with a CCC-GARCH volatility updating scheme. These methods are evaluated through backtesting on daily and weekly returns of a selected set of portfolios whose contents reflect the larger majority well. A historical data approach for calculating VaR serves as a benchmark model. We find that under daily returns, the historical data method outperforms the factor models in terms of VaR violation rates. None yield independent violations however. Under weekly returns, both factor models produce more accurate violation rates than the historical data model, with the CCC-GARCH model also yielding independent VaR violations for almost all portfolios due to its ability to adjust up VaR estimates in periods of increased market volatility. We conclude that if weekly VaR estimates are acceptable, tailored risk factor models provide accurate measures of portfolio risk. / Vi bygger en riskfaktormodell givet en stor mängd portföljer innehållande flera olika typer av tillgångar. Riskfaktorerna väljs ut baserat på ekonomisk teori genom en analys av portföljernas innehåll samt genom statistiska test. Eftersom många tillgångar har en liten mängd historisk data tillgänglig implementerar vi och analyserar effekterna av regularisering i faktorregressionen. Två parametriska metoder för att beräkna Value-at-Risk (VaR) utvecklas baserat på faktormodellen: en med konstant volatilitet och en med volatilitetsuppdatering genom CCC-GARCH. Metoderna utvärderas med bakåttestning på daglig och veckovis avkastning från utvalda portföljer vars innehåll reflekterar den större majoriteten. En historisk data-baserad metod för att beräkna VaR används som referensmodell. Under daglig avkastning överträffar historisk data-modellen faktormodellerna med avseende på frekvensen av VaR-överträdelser. Ingen modell resulterar dock i oberoende överträdelser. Under veckovis avkastning å andra sidan ger båda faktormodellerna mer exakta överträdelsefrekvenser än historisk data-modellen, där faktormodellen med CCC-GARCH också ger oberoende överträdelser för nästan alla portföljer, tack vare modellens förmåga att justera upp VaR-estimaten i perioder av högre volatilitet på marknaden. Sammanfattningsvis ger skräddarsydda riskfaktormodeller goda riskestimat, givet att det är acceptabelt med veckovisa beräkningar av VaR.

In this thesis, the traditional methods of only using ESG scores to screen stocks for sustainable portfolios is broadened. The selection of securities for portfolios will instead depend on aggregation, weighting and normalization of a wider set of sustainability variables, in turn creating more all-encompassing sustainability scores. Using these scores, the aim is to implement them in index tracking portfolios. These portfolios combines a hybrid approach between active and passive investment, with the aim of creating sustainable enhanced index funds that can beat the index without adding significant risk. Additionally, this allows for comparison of how different combinations and levels of sustainability affects returns, risk and index tracking. The results that are obtained shows that in the scenario presented in the thesis, it is possible to create a sustainability score which both increases the average sustainability of portfolios, and yields risk adjusted returns. We also studied how a net increase in sustainability scores over a control portfolio results in higher active returns, and eventually a small drop off in information ratio as we apply too strong of a sustainability constraint to our portfolios. The combination of sustainability scores which showed the highest risk adjusted returns was created using equal parts z-scored ESG ratings, ESG risk ratings and ESG momentum. / Detta examensarbete breddar de traditionella metoderna för att skapa hållbara portföljer. Genom att basera urvalet av aktier på aggregering, viktande och normalisering av ett större set av hållbarhetsvariabler, jämfört med traditionell screening baserad på endast ESG betyg, skapas mer omfattande hållbarhetsbetyg. Syftet med studien är att implementera dessa hållbarhetsbetyg vid skapandet av index-portföljer och analysera resultaten. Dessa portföljer kombinerar då både aktiva och passiva investeringsprinciper, med målet att skapa hållbara indexnära fonder som kan prestera bättre än indexet, utan signifikant höjd risk. Dessa hållbarhetsbetyg tillåter även jämförelse av hur olika kombinationer och nivåer av hållbarhet påverkar avkastning, risk och närhet till index. Resultaten visar tydligt att det, inom uppsatsens avgränsningar, är möjligt att skapa hållbarhetsbetyg som ökar både hållbarheten av portföljer i snitt, och skapar riskjusterad avkastning. Det visar även hur en relativ höjning av hållbarhetsbetygen resulterar i högra aktiv avkastning jämfört med en kontroll-portfölj. Vid en viss nivå av höjning sker dock en avtappning av den riskjusterade avkastningen. Den kombinationen av hållbarhetsvariabler som visar högst riskjusterad avkastning när de aggregeras till ett hållbarhetsbetyg är en kombination, i lika delar, av ESG betyg, ESG risk och ESG momentum.

This thesis examines the statistical and economic performance of modeling and predicting equity index returns by application of various statistical models on a set of macroeconomic and financial variables. By combining linear principal component regression, vector autoregressive models, and LSTM neural networks, the authors find that while a majority of the models display high statistical significance, virtually none of them successfully outperform classic portfolio theory on efficient markets in terms of risk-adjusted returns. Several implications are also discussed based on the results. / Detta examensarbete undersöker den statistiska och ekonomiska prestationen i att modellera och prognostisera aktieindexavkastning via applikation av flertalet statistiska modeller på en datamängd bestående av makroekonomiska och finansiella variabler. Genom att kombinera linjär huvudkomponentsregression (principal component analysis), vektorautoregression och den återkopplande neurala nätverksmodellen LSTM finner författarna att även om majoriteten av modellerna påvisar hög statistisk signifikans så överpresterar praktiskt taget ingen av dem mot klassisk portföljteori på effektiva marknader, sett till riskjusterad avkastning. Flera implikationer diskuteras också baserat på resultaten