<p>Volvo in Arvika produces wheel loaders, and the production is based on forecasts. When a machine is ordered, the customer can choose what type of equipment he or she wants, and these equipments are also made forecasts on. This is made by giving each equipment an estimated procentual usage that shows how many of the machines that will use this option. Today two people are working with the forecasts, planer A in Eskilstuna and planer B in Arvika. Planer A makes a forecast based on the historical outcome and planer B then makes adjustments of this based on how many options that are ordered. Volvo in Arvika is having problems with the accuracy of the forecasts and because of this they have got too much in stock. But how big are the forecast deviations, what is the cause of it, in what or which places does the process lack? What can be made to make more accurate forecasts, how can you get a more affective process with less work made? To answer these questions we surveyed the process and analyzed it to find strong and week spots. We found that Planer A has a lack of information about how the forecast influence the stock in Arvika, that she gets pour feedback from production, that Planer B is the only one with knowledge about the forecast work in Arvika. We also made a benchmarking with the factory in Braås to see how they differ. Just like in Arvika there are two people working with the forecasts, but in Braås both of them are located close to the production and they share the options equal. They are also able to fill in for each other if someone would be sick.</p><p>To see how much the forecast differ from market demand, we have analyzed forecast data from nine different options for eight months. It turned out that the automatic calculated forecasts are a bit high and that planner B lower them.</p><p>Our conclusion is that the forecasts should be made only in Arvika, and not as it is today when half of it is made in Eskilstuna. There should also be documents and routines on how the work shall be done. This is to make it easier for people that will do the same job in the future.</p> / <p>Volvo Wheel Loaders (WLO) i Arvika tillverkar hjullastare och gör detta mot prognos. Till hjullastarna finns olika utrustningar som kunden kan välja mellan och även dessa gör Volvo prognoser på. Detta görs genom att de uppskattar hur många procent av maskinerna som kommer använda varje utrustning och lägger in det i ett program. Idag arbetar två personer med prognoserna, planerare A på huvudkontoret i Eskilstuna och planerare B på plats i Arvika. Planerare A gör först prognosen med avseende på historiskt utfall, sedan justerar planerare B dessa gentemot bl.a. orderingång. WLO har problem med träffsäkerheten i sina utrustningsprognoser och detta har medfört höga lagernivåer och därmed bundet kapital. Hur stora är prognosavvikelserna, vad är det som gör att prognoserna blir fel, på vilket eller vilka ställen i processen är det som bristerna uppstår? Vad kan de göra för att få bättre prognoser, hur kan man effektivisera processen så att det blir mindre arbete? För att svara på dessa frågor började vi med att kartlägga prognostiseringsprocessen och sedan analysera den för att få fram svagheter och styrkor. Här fann vi t ex att planerare A inte har någon kunskap om hur prognoserna påverkar lagret i Arvika och att hon får för dålig feedback från produktion, att planerare B är ensam kunnig om prognosarbetet vilket leder till problem när han är sjuk eller borta av andra skäl.</p><p>Sedan gjorde vi även en processjämförelse med Volvo Braås för att se hur de skiljer sig åt. I Braås är det två personer som tar fram prognoserna och de arbetar med hälften av utrustningsnumren var. Båda sitter nära produktion och är även väl insatta i varandras arbete om någon av dem skulle vara borta.</p><p>För att få fram hur prognoserna avviker från utfallet har vi gått igenom prognoshistorik för nio olika typer av utrustningar och sedan gjort beräkningar på det materialet. Det visade sig att prognoserna som automatiskt beräknas ofta ligger för högt och att planerare B sänker dessa.</p><p>Vi har kommit fram till att allt arbetet med prognoserna borde ske på plats i Arvika och inte som i nuläget när hälften görs i Eskilstuna. Man bör även införa rutiner på hur arbetet med prognoserna ska gå till och göra dokument på detta så att det är lättare för personer som ska ta över eller måste sätta sig in hur det fungerar.</p>

Volvo in Arvika produces wheel loaders, and the production is based on forecasts. When a machine is ordered, the customer can choose what type of equipment he or she wants, and these equipments are also made forecasts on. This is made by giving each equipment an estimated procentual usage that shows how many of the machines that will use this option. Today two people are working with the forecasts, planer A in Eskilstuna and planer B in Arvika. Planer A makes a forecast based on the historical outcome and planer B then makes adjustments of this based on how many options that are ordered. Volvo in Arvika is having problems with the accuracy of the forecasts and because of this they have got too much in stock. But how big are the forecast deviations, what is the cause of it, in what or which places does the process lack? What can be made to make more accurate forecasts, how can you get a more affective process with less work made? To answer these questions we surveyed the process and analyzed it to find strong and week spots. We found that Planer A has a lack of information about how the forecast influence the stock in Arvika, that she gets pour feedback from production, that Planer B is the only one with knowledge about the forecast work in Arvika. We also made a benchmarking with the factory in Braås to see how they differ. Just like in Arvika there are two people working with the forecasts, but in Braås both of them are located close to the production and they share the options equal. They are also able to fill in for each other if someone would be sick. To see how much the forecast differ from market demand, we have analyzed forecast data from nine different options for eight months. It turned out that the automatic calculated forecasts are a bit high and that planner B lower them. Our conclusion is that the forecasts should be made only in Arvika, and not as it is today when half of it is made in Eskilstuna. There should also be documents and routines on how the work shall be done. This is to make it easier for people that will do the same job in the future. / Volvo Wheel Loaders (WLO) i Arvika tillverkar hjullastare och gör detta mot prognos. Till hjullastarna finns olika utrustningar som kunden kan välja mellan och även dessa gör Volvo prognoser på. Detta görs genom att de uppskattar hur många procent av maskinerna som kommer använda varje utrustning och lägger in det i ett program. Idag arbetar två personer med prognoserna, planerare A på huvudkontoret i Eskilstuna och planerare B på plats i Arvika. Planerare A gör först prognosen med avseende på historiskt utfall, sedan justerar planerare B dessa gentemot bl.a. orderingång. WLO har problem med träffsäkerheten i sina utrustningsprognoser och detta har medfört höga lagernivåer och därmed bundet kapital. Hur stora är prognosavvikelserna, vad är det som gör att prognoserna blir fel, på vilket eller vilka ställen i processen är det som bristerna uppstår? Vad kan de göra för att få bättre prognoser, hur kan man effektivisera processen så att det blir mindre arbete? För att svara på dessa frågor började vi med att kartlägga prognostiseringsprocessen och sedan analysera den för att få fram svagheter och styrkor. Här fann vi t ex att planerare A inte har någon kunskap om hur prognoserna påverkar lagret i Arvika och att hon får för dålig feedback från produktion, att planerare B är ensam kunnig om prognosarbetet vilket leder till problem när han är sjuk eller borta av andra skäl. Sedan gjorde vi även en processjämförelse med Volvo Braås för att se hur de skiljer sig åt. I Braås är det två personer som tar fram prognoserna och de arbetar med hälften av utrustningsnumren var. Båda sitter nära produktion och är även väl insatta i varandras arbete om någon av dem skulle vara borta. För att få fram hur prognoserna avviker från utfallet har vi gått igenom prognoshistorik för nio olika typer av utrustningar och sedan gjort beräkningar på det materialet. Det visade sig att prognoserna som automatiskt beräknas ofta ligger för högt och att planerare B sänker dessa. Vi har kommit fram till att allt arbetet med prognoserna borde ske på plats i Arvika och inte som i nuläget när hälften görs i Eskilstuna. Man bör även införa rutiner på hur arbetet med prognoserna ska gå till och göra dokument på detta så att det är lättare för personer som ska ta över eller måste sätta sig in hur det fungerar.

Prognoser publicerade av aktieanalytiker har en betydande påverkan på kapitalmarknaden och investeringsbeslut. Genom att förmedla information inom kapitalmarknaden spelar aktieanalytiker en vital roll. Därför syftar denna studie till att undersöka aktieanalytikers förmåga att prognostisera finansiella nyckeltal från företags resultaträkning. Studien syftar även till att undersöka under vilka förhållanden aktieanalytikers träffsäkerhet påverkas. Vi undersöker aktieanalytikers träffsäkerhet genom att mäta prognosfel i konsensusestimat över perioden 2000 – 2017 för 93 företag listade på Nasdaq OMX Stockholm Large Cap. Vi finner ett positivt samband mellan marknadsvärde och ökad träffsäkerhet i aktieanalytikers prognoser för mindre företag. Vi finner även att ett högt antal analytiker som ingår i konsensus positivt påverkar prognosens träffsäkerhet. Resultaten visar även att träffsäkerheten i aktieanalytikers prognoser varierar beroende på antal analytiker i konsensus inom olika sektorer. / In this study, we investigate the accuracy of stock analyst estimates. We measure forecasting accuracy by forecasting error for key financial figures from the firm’s income statements. This study also measures firm specific factors effect on analyst forecasting accuracy. Our study includes 93 companies listed on Nasdaq OMX Stockholm Large Cap between the years 2000 – 2017. Our findings conclude that a positive correlation exists between market value and forecasting accuracy for smaller firms. We also find that analyst coverage is positively related to forecasting accuracy. Our findings also show that forecasting accuracy varies with analyst coverage within different sectors.

Temperaturprognoser är av stor betydelse för många i dagens samhälle, både privatpersoner och diverse olika sektorer. Förväntan på att prognoserna håller hög träffsäkerhet är stor och god kvalitet på dessa är viktigt av många olika aspekter. De numeriska vädermodellerna, som används för att göra väderprognoser, har brister som i stort sätt alltid leder till systematiska fel i prognoserna. Bristerna beror exempelvis på dålig representation av atmosfärens fysikaliska processer och för att korrigera och reducera dessa fel efterbehandlas prognoserna med olika metoder, så kallad post-processing. För att minimera de systematiska felen och öka träffsäkerheten för prognoserna pågår ständigt en utveckling och förbättring av både modellerna och post-processingmetodiken. Uppföljning och utvärdering av prognoser är av stor nytta för denna utveckling som ska leda till minimering av prognosfel och optimering av modell och metodik. I denna studie har temperaturprognosdata, med prognoslängd 0-12 timmar, från Sveriges Meteorologiska och Hydrologiska Institut (SMHI) och norska Meteorologisk institutt (met.no) jämförts med uppmätta värden för 2 m-temperatur. Observerad temperaturdata från 22 olika synoptiska väderstationer på platser utspridda över hela Sverige har använts i studien och perioden som studien är baserad på är 20 februari till 31 maj 2018. Statistiska mått, med mest fokus på korrelationskoefficient och bias, har analyserats och jämförts för att undersöka likheter och skillnader i temperaturprognoserna från de två olika väderinstituten. Resultaten av studien visar att temperaturprognoserna från met.no generellt sett har något högre träffsäkerhet än SMHI:s för de allra flesta av de 22 geografiska platserna. Båda institutens prognoser har för flertalet av stationerna i fjällen samt norra Sverige generellt sett lägre träffsäkerhet för februari än för mars, april och maj. / Temperature forecasts are of great importance for many different reasons in today's society, both for private individuals and various sectors. The expectations that the forecasts maintain high accuracy and good quality is important in many different aspects. The weather models, which are used to make the forecasts, have deficiencies which in large part always lead to systematic errors in the forecasts. The deficiencies are for example, due to poor representation of the physical processes of the atmosphere and to correct and reduce these errors, the forecasts are post-processed by various methods. To minimize the systematic errors and increase the accuracy of the forecasts, there is an ongoing development and improvement of both the models and the post-processing methods. Evaluation of forecasts is of great benefit to this development, which will lead to minimization of forecast errors and optimization of the model and methodology. In this study, temperature forecast data, with a forecast length of 0-12 hours, from the Swedish Meteorological and Hydrological Institute (SMHI) and the Norwegian Meteorological Institute (met.no) were compared with measured 2 m-temperature values. Observed temperature data from 22 different weather stations in locations scattered all over Sweden have been used in the study and the period on which the study is based is from the 20th of February to 31st of May, 2018. Different statistical measures have been analyzed and compared to examine similarities and differences in temperature forecasts from the two different weather institutes. The results of the study show that met.no's temperature forecasts generally have slightly higher accuracy than SMHI's for most of the 22 locations. For any of the stations in the mountains and northern Sweden forecasts from both institutes generally have lower accuracy for February than March, April and May.

Deep artificial neural networks is a type of machine learning which can be used to find and utilize patterns in data. One of their many applications is as method for regression analysis. In this thesis deep artificial neural networks were implemented in the application of estimating the error of surface temperature forecasts as produced by a numerical weather prediction model. An ability to estimate the error of forecasts is synonymous with the ability to reduce forecast errors as the estimated error can be offset from the actual forecast. Six years of forecast data from the period 2010--2015 produced by the European Centre for Medium-Range Weather Forecasts' (ECMWF) numerical weather prediction model together with data from fourteen meteorological observational stations were used to train and evaluate error-predicting deep neural networks. The neural networks were able to reduce the forecast errors for all the locations that were tested to a varying extent. The largest reduction in error was by 83.0\% of the original error or a 16.7\degcs decrease in the mean-square error. The performance of the neural networks' error reduction ability was compared with that of a contemporary Kalman filter as implemented by the Swedish Meteorological and Hydrological Institute (SMHI). It was shown that the neural network implementation had superior performance for six out of seven of the evaluated stations where the Kalman filter had marginally better performance at one station.

Pumped hydro energy storages commonly plan their operations on short-term forecasts of the upcoming electricity prices, meaning that errors in these forecasts would entail suboptimal operations of the energy storage. Despite the high investment costs of pumped hydro energy storages, few studies take a holistic approach to the uncertainties involved in such investment decisions. The aim of this study is to investigate how forecast errors in electricity prices affect the chosen size configuration in investment decisions for pumped hydro energy storages. Moreover, sizing decisions are made in the long-term and involve long-term uncertainties in electricity prices. A robust decision-making framework including long-term electricity price scenarios is therefore used to evaluate the effects of including forecast errors in the sizing decision. By simulating the day-to-day operation of the energy storage with short-term forecasts, the effects of including the errors are compared to using perfect information. Using this approach, the most robust capacity is shown to increase by 25 MW, from 2 375 MW to 2 400 MW, when including forecast errors instead of assuming perfect information in the simulations. This indicates that the deviations in short-term forecasts require the pumped hydro energy storage operator to be more flexible in their operations, thus requiring a higher capacity. In addition, the profitability of the energy storage decreased significantly when including forecast errors in the simulations, showing the importance of taking the short-term forecast errors into account in sizing and investment decisions of pumped hydro energy storage. / Driften av pumpkraftverk optimeras med hjälp av kortsiktiga prognoser av elpriser, vilket innebär att fel i dessa prognoser leder till suboptimal drift. Trots att investeringar i pumpkraftverk är kostsamma, har få studier ett holistisk synsätt kring osäkerheter i investeringsbeslutet. Målet med denna studie är att undersöka hur kortsiktiga prognosfel i elpriser påverkar den optimala dimensionering av pumpkraftverk. Investeringsbeslut i pumpkraftverk är långsiktiga och kräver estimat av framtida elpriser, vars karakteristik är osäker. Ett ramverk som bygger på robust beslutstagande, med scenarier över framtida elpriser, används därför för att bedöma effekten av att inkludera kortsiktiga prognosfel i investeringsbeslutet. Genom att simulera den dagliga driften av energilager, undersöks effekten av att inkludera prognosfel jämfört med perfekt information. Med detta tillvägagångsätt ökade den mest robusta kapaciteten med 25 MW, från 2 375 MW till 2 400 MW, när prognosfel inkluderades. Detta visar på att fel i kortsiktiga prognoser kräver pumpkraftverket av vara mer flexibelt, vilket ges av höjdkapacitet. Lönsamheten minskade också signifikant när prognosfel inkluderades, vilket visar på vikten av att ta hänsyn till kortsiktiga prognosfel i beslut kring dimensionering och investering av pumpkraftverk.

The growing share of installed wind power in the Swedish electricity system has caused concerns whether the available regulating power will be sufficient. Several studies have examined the need of regulating power using both statistical and modelling approaches. However, there is a risk that some aspects of the short-term regulation of hydropower might have been missed. By using one of Vattenfall’s hydropower planning tools, the short-term operation of The Lule River has been simulated with an increasing penetration of wind power. The tool includes detailed models of reservoirs, generating units including efficiency curves and start/stop costs. By introducing a day-by-day simulation with a seven-day window price forecast, updated with a new wind forecast for each iteration, a 21-days scenario has been simulated. Transmission limits are disregarded and the thermal production is reduced with the average wind production. To quantify and compare the regulation capacity, the regulation factor is introduced. It reflects the ability to utilise high-price hours and considering that the need of regulating power for the short-term perspective is reflected in the price it will also reflect the regulation capacity. It is shown that the regulating factor is correlated to the discharge factor,whichis the relation between the maximum discharge to the average statistical discharge for a plant. A high discharge factor provides the flexibility to utilise the fluctuations in price. The discharge factor is adapted to the plants placement in the reach, accounting for both reservoirs located upstream and downstream, especially for The Lule River which has been designed to regulate for the fluctuations in the load. The flexibility required by the rest of the Nordic rivers is quantified for future studies. It is concluded that The Lule River is able to meet some of the fluctuations of wind power production due to the overcapacity ininstalled power. The production can, at the expense of decreased efficiency of the generating units, alter the production to suit a more fluctuating price.It is important to emphasise that The Lule River alone cannot balance a large penetration of wind power. To fully take into account the effects of a large penetration of wind power the study must be expanded to include more scenarios. The study should include different types of hydrological prerequisites and the seasonal variations in power production as well as additional rivers.