The last couple of years there has been a significant increase in demand of attractive office locations in Stockholm consequently leading to all-time low office prime yields within the Central Business District (CBD), indicating warning signals regarding an overheated submarket. As the real estate market is crucial for the economy as a whole, it is essential to improve the understanding and predictability of future real estate cycles. This study produced three different logistic regression models with the purpose of identifying downturns in the office market of Stockholm CBD. The most successful model were able to predict 74 % of the actual downturns occurring throughout 114 observed quarters between Q3 1989 and Q4 2017. The dependent downturn variable consist of prime yield explained by variables on a national basis combined with submarket specific variables. Another produced model contained variables regarding confidence and expectations of tenants in Stockholm. However that model was unsatisfactory, leading to this study’s suggestion of further research on fluctuations of demand related to the current characteristics of Stockholm CBD. / Under de senaste åren har det skett en betydande ökning av efterfrågan på attraktiva kontorslokaler i Stockholm vilket resulterat i rekordlåga direktavkastningskrav inom Stockholm Central Business District (CBD), vilket indikerar på varningssignaler avseende en överhettad delmarknad. Eftersom fastighetsmarknaden är avgörande för ekonomin som helhet är det viktigt att förbättra förståelsen och förutsägbarheten för framtida fastighetscykler. Denna studie producerade tre olika logistiska regressionsmodeller med syfte att identifiera nedgångar i kontorsmarknaden inom Stockholm CBD. Den mest framgångsrika modellen kunde förutse 74 % av de faktiska nedgångarna som inträffade under 114 observerade kvartal mellan Q3 1989 och Q4 2017. Den beroende nedgångsvariabeln består av prime yield som förklaras av variabler på nationell basis i kombination med delmarknadsspecifika variabler. En annan producerad modell innehöll variabler avseende förtroende och förväntningar hos hyresgäster i Stockholm. Denna modell var dock otillfredsställande, vilket ledde till att denna studie föreslog ytterligare forskning om fluktuationer i efterfrågan relaterade till de nuvarande egenskaperna hos Stockholms centralbank

Layer 4-7 network functions (NF), such as Firewall or NAPT, have traditionally been implemented in specialized hardware with little to no programmability and extensibility. The scientific community has focused on realizing this functionality in software running on commodity servers instead. Despite the many advancements over the years (e.g., network I/O accelerations), software-based NFs are still unable to guarantee some key service-level objectives (e.g., bounded latency) for the customer due to their reactive approach to workload changes. This thesis argues that Machine Learning techniques can be utilized to forecast how traffic patterns change over time. A network orchestrator can then use this information to allocate resources (network, compute, memory) in a timely fashion and more precisely. To this end, we have developed Mantis, a control plane network application which (i) monitors all forwarding devices (e.g., Firewalls) to generate performance-related metrics and (ii) applies predictors (moving average, autoregression, wavelets, etc.) to predict future values for these metrics. Choosing the appropriate forecasting technique for each traffic workload is a challenging task. This is why we developed several different predictors. Moreover, each predictor has several configuration parameters which can all be set by the administrator during runtime. In order to evaluate the predictive capabilities of Mantis, we set up a test-bed, consisting of the state-of-the-art network controller Metron [16], a NAPT NF realized in FastClick [6] and two hosts. While the source host was replaying real-world internet traces (provided by CAIDA [33]), our Mantis application was performing predictions in real time, using a rolling window for training. Visual inspection of the results indicates that all our predictors have good accuracy, excluding (i) the beginning of the trace where models are still being initialized and (ii) instances of abrupt change. Moreover, applying the discrete wavelet transform before we perform predictions can improve the accuracy further. / Nätverksfunktioner i lager 4-7 som t.ex. brandväggar eller NAPT har traditionellt implementeras på specialdesignad hårdvara med väldigt få programeringsegenskaper. Forskning inom datakomunikation har fokuserat på att istället möjliggöra dessa funktioner i mjukvara på standardhårdvara. Trots att många framsteg har gjorts inom området under de senaste åren (t.ex. nätverks I/O accelerering), kan inte mjukvarubaserade nätverksfunktioner garantera önskad tjänstenivå för kunderna (t.ex. begränsade latensvärden) p.g.a. det reaktiva tillvägagångsättet när arbetslasten ändras. Den här avhandlingen visar att med hjälp av maskininlärning så går det att förutse hur trafikflöden ändras över tid. Nätverksorkestrering kan sedan användas för att allokera resurser (bandbredd, beräkning, minne) i förväg samt mer precist. För detta ändamål har vi utvecklat Mantis, en nätverksapplikation i kontrolplanet som övervakar alla nätverksenheter för att generera prestandabaserade mätvärden och använder matematiska prediktorer (moving average, autoregression, wavelets, o.s.v.) för att förutse kommande ändringar i dessa värden. Det är en utmaning att välja rätt metod för att skapa prognosen för varje resurs. Därför har vi utvecklat flera olika prediktorer. Dessutom har varje prediktor flera konfigurationsvärden som kan ändras av administratören. För att utvärdera Mantis prognoser har vi satt upp ett testnätverk med en av marknadens ledande nätverkskontrollers, Metron [16], en NAPT nätverksfunktion implementerad med FastClick [6] och två testnoder. Den ena noden skickar data hämtad från verklig Internettrafik (erhållen från CAIDA [33]) samtidigt som vår applikation, Mantis, skapar prognoser i realtid. Manuell inspektion av resultaten tyder på att alla våra prediktorer har god precision, förutom början av en spårning då modellerna byggs upp eller vid abrupt ändring. Dessutom kan precisionen ökas ytterligare genom att använda diskret wavelet transformering av värdena innan prognosen görs.

In today’s fast-moving world, a company´s ability to align with changes in the market is becoming a major competitive factor. Demand forecasting form the basis of all supply chain planning and is a process that companies often fail to recognize as a key contributor to corporate success. Different contexts and market dynamics creates different challenges for companies to overcome in order to have an efficient forecasting process, matching demand with supply. This master thesis looks at the whole forecasting process, also called forecasting management, at a decentralized global company to identify the main challenges within the process and propose recommendations on how to overcome them. The research is based on a single case study where the forecasting process is investigated using four different dimensions: Functional Integration, Approach, Systems and Performance Measurements. The study identified twelve challenges in the forecasting process where a majority can be connected to issues within information sharing and lack of support in the process. Based on the identified challenges, eight improvement suggestions where developed to target the challenges and improving the process for a decentralized global company. / I dagens snabbt utvecklande och växande landskap så är ett företags förmåga att anpassa sig till marknadens behov en betydande konkurrensfaktor. Säljprognoser utgör grunden för all planering inom försörjningskedjan och är en process som företag ofta inte erkänner som en viktig bidragsgivare till företagets framgång. Olika marknadslandskap och förutsättningar skapar olika utmaningar för företag att bemästra för att kunna bedriva ett effektivt prognosarbete och matcha efterfrågan med utbud. Detta examensarbete tittar på hela prognosprocessen, även kallad prognoshantering, hos ett decentraliserat globalt företag för att identifiera de viktigaste utmaningarna i processen och föreslå rekommendationer om hur man kan övervinna dem. Forskningen bygger på en enda fallstudie där prognosprocessen undersöks utifrån fyra olika dimensioner: Funktionell integration, strategi, system och prestandamätningar. Studien identifierade tolv utmaningar i prognosprocessen där en majoritet kan kopplas till utmaningar inom informationsdelning och brist på stöd i processen. Baserat på de identifierade utmaningarna utvecklades åtta förbättringsåtgärder för att övervinna utmaningarna och förbättra processen för ett decentraliserat globalt företag.

Time- series Generative Adversarial Networks (TimeGAN) is proposed to overcome the GAN model’s insufficiency in producing synthetic samples that inherit the predictive ability of the original timeseries data. TimeGAN combines the unsupervised adversarial loss in the GAN framework with a supervised loss adopted from an autoregressive model. However, TimeGAN is like another GANbased model that only learns from the set of smaller sequences extracted from the original time-series. This behavior yields a severe consequence when encountering data augmentation for time-series with multiple seasonal patterns, as found in the mobile telecommunication network data. This study examined the effectiveness of the TimeGAN model with the help of Dynamic Time Warping (DTW) and different types of RNN as its architecture to produce synthetic mobile telecommunication network data, which can be utilized to improve the forecasting performance of the statistical and deep learning models relative to the baseline models trained only on the original data. The experiment results indicate that DTW helps TimeGAN maintaining the multiple seasonal attributes. In addition, either LSTM or Bidirectional LSTM as TimeGAN architecture ensures the model is robust to mode collapse problem and creates synthetic data that are diversified and indistinguishable from the original time-series. Finally, merging both original and synthetic time-series becomes a compelling way to significantly improve the deep learning model’s forecasting performance but fails to do so for the statistical model. / Time-series Generative Adversarial Networks (TimeGAN) föreslås för att övervinna GAN-modellens brist att kunna producera syntetisk data som ärver de prediktiva förmåga från den ursprungliga tidsseriedatan. TimeGAN kombinerar den icke-vägledande förlusten i GAN-ramverket tillsammans med den vägledande förlusten från en autoregressiv modell. TimeGAN liknar en vanlig GAN-baserad modell, men behöver bara en mindre uppsättning sekvenser från den ursprungliga tidsserien för att lära sig. Denna egenskap kan dock leda till allvarliga konsekvenser när man stöter på dataförstoring för tidsserier med flera säsongsmönster, vilket återfinns i mobilnätverksdata. Denna studie har undersökt effektiviteten av TimeGAN-modellen med hjälp av Dynamic Time Warping (DTW) och olika typer av RNN som dess arkitektur för att producera syntetisk mobilnätverksdata. Detta kan användas för att förbättra statistiska och djupinlärningsmodellers prognostisering relativt till modeller som bara har tränat på orginaldata. De experimentella resultaten indikerar att DTW hjälper TimeGAN att bibehålla de olika säsongsattributen. Dessutom, TimeGAN med antingen LSTM eller Bidirectional LSTM som arkitektur säkerställer att modellen är robust för lägesfallsproblem och skapar syntetisk data som är diversifierade och inte kan urskiljas från den ursprungliga tidsserien. Slutligen, en sammanslagning av både ursprungliga och syntetiska tidsserier blir ett övertygande sätt att avsevärt förbättra djupinlärningsmodellens prestanda men misslyckas med detta för den statistiska modellen.

Commonly, the day-ahead and intraday market on the electricity exchange are treated separately in academia. However, a model that forecasts the direction of the price spread between these two markets creates an opportunity for a market participant to leverage the price spread. In the neighbouring domain, electricity price forecasting, deep learning has proven to excel. Therefore, it is hypothesised that it will do so in directional price spread forecasting as well. A quantitative case study was performed to investigate how accurately a deep learning approach could be in directional electricity price spread forecasting. The case study was conducted on the Nordic electricity exchange Nord Pool in the SE3 region. The deep learning approach was compared with previously suggested machine learning models and a naive heuristic. The results show no statistical difference in error rate between the deep learning model and the machine learning model or naive heuristic. The results suggest that deep learning might not be a suitable approach to the task or that the implementation did not fully exhaust the potential of deep learning. / Vanligtvis behandlas marknaden för day-ahead och intraday på elbörsen separat i den akademiska litteraturen. En modell som prognostiserar riktningen för prisskillnaden mellan dessa två marknader skapar dock en möjlighet för en marknadsaktör att utnyttja prisskillnaden. I grannområdet elprisprognoser har djupinlärning visat sig överträffa andra typer av modeller. Därför antas det att djupinlärning även kommer göra det i riktade prisskillnadsprognoser. En kvantitativ fallstudie utfördes för att undersöka hur precis en djupinlärningsmetod kan vara i prognos för riktad elprisskillnad. Fallstudien genomfördes på den nordiska elbörsen Nord Pool i SE3-regionen. Djupinlärningsmetoden jämfördes med tidigare föreslagna maskininlärningsmodeller och en naiv heuristik. Resultaten visar ingen statistisk skillnad i fel-andel mellan djupinlärningsmodellen och maskininlärningsmodellen eller naiv heuristik. Resultaten antyder att djupinlärning kanske inte är ett lämpligt tillvägagångssätt för uppgiften eller att implementeringen inte helt utnyttjar potentialen för djupinlärning.

Den tekniska utvecklingen av datorenheter och kommunikationsverktyg har skapat möjligheter att lagra och bearbeta större mängder information än någonsin tidigare. För forskare är det ett sätt att göra mer exakta vetenskapliga upptäckter, för företag är det ett verktyg för att bättre förstå sina kunder, sina produkter och att skapa fördelar gentemot sina konkurrenter. Inom industrin har A/B-testning blivit ett viktigt och vedertaget sätt att skaffa kunskaper som bidrar till att kunna fatta datadrivna beslut. A/B-test är en jämförelse av två eller flera versioner för att avgöra vilken som fungerar bäst enligt förutbestämda mätningar. I kombination med informationsutvinning och statistisk analys gör dessa tester det möjligt att besvara ett antal viktiga frågor och bidra till övergången från att "vi tror" till att "vi vet". Samtidigt kan dåliga testfall ha negativ inverkan på företags affärer och kan också leda till att användare upplever testerna negativt. Det är skälet till varför det är viktigt att kunna förutsäga A/B-testets långsiktiga effekter, utvunna ur kortsiktiga data. I denna rapport är A/B-tester och de prognoser de skapar undersökta genom att använda univariat tidsserieanalys. Men på grund av den korta tidsperioden och det stora urvalet, är det en stor utmaning att ge korrekta långtidsprognoser. Det är en kvantitativ och empirisk studie som använder verkliga data som tagits från ett socialt spelutvecklingsbolag, King Digital Entertainment PLC (King.com). Först analyseras och förbereds data genom en serie olika steg. Tidsserieprognoser har funnits i generationer. Därför görs en analys och noggrannhetsjämförelse av befintliga prognosmodeller, så som medelvärdesprognos, ARIMA och Artificial Neural Networks. Resultaten av analysen på verkliga data visar liknande resultat som andra forskare har funnit för långsiktiga prognoser med kortsiktiga data. För att förbättra exaktheten i prognosen föreslås en metod med tidsseriekluster. Metoden utnyttjar likheten mellan tidsserier genom Dynamic Time Warping och skapar separata kluster av prognosmodeller. Klustren väljs med hög noggrannhet med hjälp av Random Forest klassificering och de långa tidsserieintervallen säkras genom att använda historiska tester och en Markov Chain. Den föreslagna metoden visar överlägsna resultat i jämförelse med befintliga modeller och kan användas för att erhålla långsiktiga prognoser för A/B-tester. / The technological development of computing devices and communication tools has allowed to store and process more information than ever before. For researchers it is a means of making more accurate scientific discoveries, for companies it is a way of better understanding their clients, products and gain an edge over the competitors. In the industry A/B testing is becoming an important and a common way of obtaining insights that help to make data-driven decisions. A/B test is a comparison of two or more versions to determine which is performing better according to predetermined measurements. In combination of data mining and statistical analysis, these tests allow to answer important questions and help to transition from the state of “we think” to “we know”. Nevertheless, running bad test cases can have negative impact on businesses and can result in bad user experience. That is why it is important to be able to forecast A/B test long-term effects from short-term data. In this report A/B tests and their forecasting is looked at using the univariate time-series analysis. However, because of the short duration and high diversity, it poses a great challenge in providing accurate long-term forecasts. This is a quantitative and empirical study that uses real-world data set from a social game development company King Digital Entertainment PLC(King.com). First through series of steps the data are analysed and pre-processed. Time-series forecasting has been around for generations. That is why an analysis and accuracy comparison of existing forecasting models, like, mean forecast, ARIMA and Artificial Neural Networks, is carried out. The results on real data set show similar results that other researchers have found for long-term forecasts with short-term data. To improve the forecasting accuracy a time-series clustering method is proposed. The method utilizes similarity between time-series through Dynamic Time Warping, and trains separate cluster forecasting models. The clusters are chosen with high accuracy using Random Forest classifier, and certainty about time-series long-term range is obtained by using historical tests and a Markov Chain. The proposed method shows superior results against existing models, and can be used to obtain long-term forecasts for A/B tests.

As the era of Industry 4.0 arises, the number of devices that are connectedto a network has increased. The devices continuously generate data that hasvarious information from power consumption to the configuration of thedevices. Since the data have the raw information about each local node inthe network, the manipulation of the information brings a potential to benefitthe network with different methods. However, due to the large amount ofnon-IID data generated in each node, manual operations to process the dataand tune the methods became challenging. To overcome the challenge, therehave been attempts to apply automated methods to build accurate machinelearning models by a subset of collected data or cluster network nodes byleveraging clustering algorithms and using machine learning models withineach cluster. However, the conventional clustering algorithms are imperfectin a distributed and dynamic network due to risk of data privacy, the nondynamicclusters, and the fixed number of clusters. These limitations ofthe clustering algorithms degrade the performance of the machine learningmodels because the clusters may become obsolete over time. Therefore, thisthesis proposes a three-phase clustering algorithm in dynamic environmentsby leveraging 1) GAN-based clustering, 2) cluster calibration, and 3) divisiveclustering in federated learning. GAN-based clustering preserves data becauseit eliminates the necessity of sharing raw data in a network to create clusters.Cluster calibration adds dynamics to fixed clusters by continuously updatingclusters and benefits methods that manage the network. Moreover, the divisiveclustering explores the different number of clusters by iteratively selectingand dividing a cluster into multiple clusters. As a result, we create clustersfor dynamic environments and improve the performance of machine learningmodels within each cluster. / ett nätverk ökat. Enheterna genererar kontinuerligt data som har varierandeinformation, från strömförbrukning till konfigurationen av enheterna. Eftersomdatan innehåller den råa informationen om varje lokal nod i nätverket germanipulation av informationen potential att gynna nätverket med olika metoder.På grund av den stora mängden data, och dess egenskap av att vara icke-o.l.f.,som genereras i varje nod blir manuella operationer för att bearbeta data ochjustera metoderna utmanande. För att hantera utmaningen finns försök med attanvända automatiserade metoder för att bygga precisa maskininlärningsmodellermed hjälp av en mindre mängd insamlad data eller att gruppera nodergenom att utnyttja klustringsalgoritmer och använda maskininlärningsmodellerinom varje kluster. De konventionella klustringsalgoritmerna är emellertidofullkomliga i ett distribuerat och dynamiskt nätverk på grund av risken fördataskydd, de icke-dynamiska klusterna och det fasta antalet kluster. Dessabegränsningar av klustringsalgoritmerna försämrar maskininlärningsmodellernasprestanda eftersom klustren kan bli föråldrade med tiden. Därför föreslårdenna avhandling en trefasklustringsalgoritm i dynamiska miljöer genom attutnyttja 1) GAN-baserad klustring, 2) klusterkalibrering och 3) klyvning avkluster i federerad inlärning. GAN-baserade klustring bevarar dataintegriteteneftersom det eliminerar behovet av att dela rådata i ett nätverk för att skapakluster. Klusterkalibrering lägger till dynamik i klustringen genom att kontinuerligtuppdatera kluster och fördelar metoder som hanterar nätverket. Dessutomdelar den klövlande klustringen olika antal kluster genom att iterativt välja ochdela ett kluster i flera kluster. Som ett resultat skapar vi kluster för dynamiskamiljöer och förbättrar prestandan hos maskininlärningsmodeller inom varjekluster.

Almost every company around the world were aected by the COVID-19 crisis and the government measures that were taken to slow the spread of the virus. The impact the crisis had on the economy caused the appearance of anomalies in the data collected by companies : such as abnormal trend, seasonality etc. Traditional methods of forecasting were then questioned when trying to predict business indicators such as sales in a post COVID19 world, as we saw performance like forecast accuracy decreased. So how can data scientists increase the performance of their forecasting models in a post COVID-19 world knowing that the training data contains COVID-19, an event never observed before? What methods can be used to overcome this problem? The goal of this project was to provide a guideline for dealing with COVID-19 data points for forecasters. We first dedicated this thesis to data analysis and finding a clear methodology to better understand and quantify the impact of COVID-19 crisis on business indicators. Then, we compared multiple methods to overcome the forecasting issues that are faced when training datasets influenced by the phenomenon of COVID-19 and improved forecast accuracy and reduce bias. Each method had its pros and cons. Among the methods changing the training data, imputation is the easiest method and can give very good results. Multiplicative coecients also can be used, and give also good results. Finally, optimal transport was tested as an alternative to the two first methods. This method changes less the original the time series compared to imputation. Among methods consisting in adding external features to the model, a boolean feature is the most simple way to flag a COVID-19 period and works surprisingly well. Adding more complex features describing COVID-19 impact on the time series is challenging since we need to find a feature that describes well the phenomenon and be able to use another model to predict its future values if we want to use it for our first model. Adding Google mobility features to the model as external regressors seem to increase the most forecast accuracy, but its performance depends on how well we can estimate their future values. This applies also to stringency index, but predicting stringency index future values is even harder as we are trying to estimate government measures. However, with the Stringency index we can simulate scenarios if we make a hypothesis on future government measures: we can estimate COVID-19 impact on the time series in a worst case scenario with lockdowns by setting the Stringency index high for instance. / Nästan alla företag runt om i världen drabbades av covid-19-krisen och de statliga åtgärder som har vidtagits för att bromsa spridningen av viruset. Krisens inverkan på ekonomin orsakade uppkomsten av anomalier i data som samlats in av företag: onormal trend, säsongsvariationer ... etc. Traditionella metoder för prognoser ifrågasattes sedan när man försökte förutsäga aärsindikatorer som försäljning i en värld efter covid-19, eftersom vi såg att prestanda som prognosnoggrannhet minskade. Så hur kan dataforskare öka prestandan för sina prognosmodeller i en värld efter covid-19 med vetskapen om att träningsdata innehåller covid-19, en händelse som aldrig tidigare observerats? Vilka metoder kan användas för att övervinna detta problem? Målet med detta projekt var att ge en riktlinje för hantering av covid-19-datapunkter för prognosmakare. Vi dedikerade först denna avhandling till dataanalys och att hitta en tydlig metod för att bättre förstå och kvantifiera eekten av covid-19- krisen på aärsindikatorer. Sedan jämförde vi flera metoder för att övervinna problemet med den COVID-19-påverkade träningsdatauppsättningen och förbättrad prognosnoggrannhet och minskad bias. Varje metod hade sina för- och nackdelar. Bland metoderna för att ändra träningsdata är imputering den enklaste metoden och kan ge mycket goda resultat. Multiplikativa koecienter kan också användas och ger också bra resultat. Slutligen undersöktes en ny metod: optimal transport, och kan vara ett alternativ till imputering. Med denna metod är den ursprungliga formen på tidsseriekurvan lite mer bevarad, så viss information i originaldata är fortfarande användbar för modellen. Bland de externa funktioner som lagts till i modellen är den booleska funktionen det enklaste sättet att flagga en covid-19-period och fungerar förvånansvärt bra. Googles mobilitetsfunktioner är de externa regressorer som verkar öka mest prognosnoggrannhet, men det beror på hur väl vi kan uppskatta deras framtida värden. Detta gäller även stringensindex, men ännu svårare då vi försöker skatta statliga åtgärder. Stringensindex kan användas för att simulera scenarier (värsta scenario med låsningar, bästa fall där allt är öppet).

Bakgrund: Åren 86-97 kännetecknas som en period med flera stora reformer och en svensk konjunktur som nådde sin botten med tre år i följd av negativ BNP-tillväxt. Påtagligt var även reaktionen från Stockholmsbörsen som i samband med lågkonjunkturen upplevde en kraftig nedgång. Vad drev då denna avkastningsutveckling, vinsterna eller värderingarna av dessa? Hur såg sambandet ut mellan konjunktur, bolagsvinster, vinstvärderingar och börsutveckling för perioden? Syfte: Syftet med denna uppsats, på uppdrag av Melker Schörling AB, är att studera avkastningsutveckling, bolagsvinster och P/E-multiplar över en konjunkturcykel för att analysera till vilken grad multipelexpansion/kontraktion kontra vinsttillväxt drivit avkastningen för olika branscher på Stockholmsbörsen. I ett andra skede utreds huruvida prognoser för P/E-tal och branschvinster på Stockholmsbörsen korrelerat med konjunkturen samt även hur EBITDA- och vinstmarginaler inverkat på aktievärderingar under tidsperioden. Utifrån studiens resultat kommer eventuella lärdomar kopplas till dagens konjunkturella situation. Genomförande: Insamlat datamaterial i form av siffror och nyckeltal utgår från Affärsvärldens tidsskrifter och årsböcker med början 1986 och slut 1997. Utifrån dessa har, för studien, relevanta beräkningar dessutom gjorts. Resultat: Studien av Stockholmsbörsen 86-97, där handelsbranschen genomled konjunkturnedgången bäst, visar inte på att konjunkturen spelar roll för avkastningsutvecklingen. Vinstprognoserna drev avkastningen under lågkonjunkturen medan vinstvärderingarna dämpade nedgången. Genomgående ökade vinstvärderingarna under lågkonjunkturen till följd av att vinstprognoserna föll mer än kursen. Studien visar på att dessa ökade vinstvärderingar innehöll överskattade vinstförväntningar. Innan börsnedgången befann sig P/E-talen på relativt låga nivåer och när utväxlingen i samband med lågkonjunkturens slut skedde var P/E-talen höga, vilket ifrågasätter huruvida P/E-talet egentligen är representativt under en lågkonjunktur samt dess förmåga att indikera på risk. Prognostiserat P/E-tal korrelerar väl med faktiskt P/E-tal men det faktiska fluktuerar i större grad. Marginalerna, som korrelerar negativt med vinstvärderingarna, uppvisar en laggningseffekt gentemot omsättningen. / Background: The years 86-97 are characterized as a period with many big reformations when the Swedish economy reached its bottom with three years in a row with negative GDP. The reaction from the Swedish stock market was substantial and Stockholmsbörsen went through a heavy bearish period. What was it that drove this stock return, the expected earnings or the valuation of them? What was the connection between the business cycle, earnings, valuations and stock return for this particular period? Aim: The aim of the thesis, on behalf of Melker Schörling AB, is to study stock return, company earnings and price-earnings ratios during a business cycle in order to analyse to what extent multiple expansion/contraction versus earnings growth have driven stock return for the different branches on Stockholmsbörsen. In a second stage we observe how estimates of branches’ price-earnings ratios and earnings correlate with the business cycle and what impact EBITDA and pre-tax profit margin have on valuation during the period. Based on the result of the thesis, contingent knowledge will be related to today’s economic situation. Completion: The data, consisting of figures and ratios, is collected from magazines and yearbooks of Affärsvärlden starting 1986 and ending 1997. With the help of these, relevant calculations have been made. Result: This study of Stockholmsbörsen during the years 86-97, where the consumer-goods index had the best performance, shows that the business cycle has no impact on the stock return. The earnings estimates drove the stock return during the economic slump of 91-93 while the valuations tempered the fall. Through the economic slump the valuations became higher due to the fact that the earnings estimates fell more than the stock return. The study also shows that the increased valuations consisted of overestimated earnings estimates. Before the stock market fell the price-earnings ratios were at relatively low levels and when bull period begun in the end of the economic slump the ratios were high. This fact questions whether the price-earnings ratio is representative during an economic slump and if the ratio indicates risk accurately. Forward PE correlates positively with current PE, but the current PE is more volatile. Margins, which correlate negatively with valuations, indicate a lagging effect towards sales growth.

<p>Bakgrund: Åren 86-97 kännetecknas som en period med flera stora reformer och en svensk konjunktur som nådde sin botten med tre år i följd av negativ BNP-tillväxt. Påtagligt var även reaktionen från Stockholmsbörsen som i samband med lågkonjunkturen upplevde en kraftig nedgång. Vad drev då denna avkastningsutveckling, vinsterna eller värderingarna av dessa? Hur såg sambandet ut mellan konjunktur, bolagsvinster, vinstvärderingar och börsutveckling för perioden?</p><p>Syfte: Syftet med denna uppsats, på uppdrag av Melker Schörling AB, är att studera avkastningsutveckling, bolagsvinster och P/E-multiplar över en konjunkturcykel för att analysera till vilken grad multipelexpansion/kontraktion kontra vinsttillväxt drivit avkastningen för olika branscher på Stockholmsbörsen.</p><p>I ett andra skede utreds huruvida prognoser för P/E-tal och branschvinster på Stockholmsbörsen korrelerat med konjunkturen samt även hur EBITDA- och vinstmarginaler inverkat på aktievärderingar under tidsperioden. Utifrån studiens resultat kommer eventuella lärdomar kopplas till dagens konjunkturella situation.</p><p>Genomförande: Insamlat datamaterial i form av siffror och nyckeltal utgår från Affärsvärldens tidsskrifter och årsböcker med början 1986 och slut 1997. Utifrån dessa har, för studien, relevanta beräkningar dessutom gjorts.</p><p>Resultat: Studien av Stockholmsbörsen 86-97, där handelsbranschen genomled konjunkturnedgången bäst, visar inte på att konjunkturen spelar roll för avkastningsutvecklingen. Vinstprognoserna drev avkastningen under lågkonjunkturen medan vinstvärderingarna dämpade nedgången. Genomgående ökade vinstvärderingarna under lågkonjunkturen till följd av att vinstprognoserna föll mer än kursen. Studien visar på att dessa ökade vinstvärderingar innehöll överskattade vinstförväntningar. Innan börsnedgången befann sig P/E-talen på relativt låga nivåer och när utväxlingen i samband med lågkonjunkturens slut skedde var P/E-talen höga, vilket ifrågasätter huruvida P/E-talet egentligen är representativt under en lågkonjunktur samt dess förmåga att indikera på risk. Prognostiserat P/E-tal korrelerar väl med faktiskt P/E-tal men det faktiska fluktuerar i större grad. Marginalerna, som korrelerar negativt med vinstvärderingarna, uppvisar en laggningseffekt gentemot omsättningen.</p> / <p>Background: The years 86-97 are characterized as a period with many big reformations when the Swedish economy reached its bottom with three years in a row with negative GDP. The reaction from the Swedish stock market was substantial and Stockholmsbörsen went through a heavy bearish period. What was it that drove this stock return, the expected earnings or the valuation of them? What was the connection between the business cycle, earnings, valuations and stock return for this particular period?</p><p>Aim: The aim of the thesis, on behalf of Melker Schörling AB, is to study stock return, company earnings and price-earnings ratios during a business cycle in order to analyse to what extent multiple expansion/contraction versus earnings growth have driven stock return for the different branches on Stockholmsbörsen.</p><p>In a second stage we observe how estimates of branches’ price-earnings ratios and earnings correlate with the business cycle and what impact EBITDA and pre-tax profit margin have on valuation during the period. Based on the result of the thesis, contingent knowledge will be related to today’s economic situation.</p><p>Completion: The data, consisting of figures and ratios, is collected from magazines and yearbooks of Affärsvärlden starting 1986 and ending 1997. With the help of these, relevant calculations have been made.</p><p>Result: This study of Stockholmsbörsen during the years 86-97, where the consumer-goods index had the best performance, shows that the business cycle has no impact on the stock return. The earnings estimates drove the stock return during the economic slump of 91-93 while the valuations tempered the fall. Through the economic slump the valuations became higher due to the fact that the earnings estimates fell more than the stock return. The study also shows that the increased valuations consisted of overestimated earnings estimates. Before the stock market fell the price-earnings ratios were at relatively low levels and when bull period begun in the end of the economic slump the ratios were high. This fact questions whether the price-earnings ratio is representative during an economic slump and if the ratio indicates risk accurately. Forward PE correlates positively with current PE, but the current PE is more volatile. Margins, which correlate negatively with valuations, indicate a lagging effect towards sales growth.</p>