The three-factor model of Fama and French has proved to be a seminal contribution to asset pricing theory, and was recently extended to include two more factors, yielding the Fama-French five-factor model. Other proposed augmentations of the three-factor model includes the introduction of a momentum factor by Carthart. The extensive use of such factors in asset pricing theory and investing motivates the study of the distributional properties of the returns of these factors. However, previous studies have focused on subsets of these six factors on the U.S. market. In this thesis, the distributional properties of daily log-returns of the five Fama-French factors and the Carthart momentum factor in European data from 2009 to 2019 are examined. The univariate distributional dynamics of the factor log-returns are modelled as ARMA-NGARCH processes with skewed t distributed driving noise sequences. The Gaussian and t copula are then used to model the joint distributions of these factor log-returns. The models developed are applied to estimate the one-day ahead Value-at-Risk (VaR) in testing data. The estimations of the VaR are backtested to check for correct unconditional coverage and exponentially distributed durations between exceedances. The results suggest that the ARMA-NGARCH processes are a valid approximation of the factor log-returns, and lead to good estimations of the VaR. The results of the multivariate analysis suggest that constant Gaussian and t copulas might be insufficient to model the dependence structure of the factors, and that there might be a need for more flexible copula models with dynamic correlations between factor log-returns. / Fama och Frenchs trefaktormodell har blivit en populär modell för aktieavkastning, och utvidgades nyligen av Fama och French genom att två ytterligare faktorer lades till för att skapa en femfaktormodell. Carthart föreslår en annan modell där trefaktormodellen kompletteras med en momentumfaktor. Då dessa faktorer används inom både akademiska sammanhang och kapitalförvaltning finns det ett tydligt behov av att undersöka vilka egenskaper fördelningen av faktorernas avkastning har. Dock har tidigare sådan forskning inte undersökt detta för alla sex faktorer, och endast använt data från USA:s marknad. I detta examensarbete undersökt därför sannolikhetsfördelningen för den logaritmiska dagliga avkastningen av de fem Fama-French-faktorerna och Cartharts momentumfaktor i europeisk data från åren 2009 till 2019. De endimensionella sannolikhetsfördelningarna modelleras som dynamiska med hjälp av ARMA-NGARCH-processer med feltermer som är fördelade enligt en generaliserad t-fördelning som tillåter skevhet. För att modellera multivariata fördelningar används en Gaussisk copula och en t-copula. De erhållna modellerna används sedan för att uppskatta daglig Value-at-Risk (VaR) i testdata. Dessa uppskattningar av VaR genomgår sedan statistiska test för att undersöka om antalet överträdelser är korrekt och tiderna mellan varje överträdelse är exponentialfördelade. Resultaten i detta examensarbete tyder på att ARMA-NGARCH-processer är en bra approximation av faktorernas logaritmiska dagliga avkastning, och ger bra uppskattningar av VaR. Resultaten för den multivariata analysen tyder på att en konstant copula kan vara en otillräcklig modell för beroendestrukturen mellan faktorerna, och att det möjligen finns ett behov av att använda mer flexibla copula-modeller med en dynamisk korrelation mellan faktorernas logaritmiska avkastning.

The ability to predict stock returns is an ability many wish to possess, and in an accurate way as possible. For many years there has been an interest in the field of factor models explaining the returns, with the aim to increase the explanatory power. This is however a complex business since the factors and their improvement of explanatory power need to be significant. Now and then, researchers come up with new significant factors that have a positive impact on models. AQR Capital Management is no exception to this, since they in 2013 presented the factor Quality Minus Junk, earning significant risk-adjusted returns. This bachelor thesis work within mathematical statistics and industrial engineering and management, aims to investigate whether or not the commercial multi-factor model used at the public pension fund Fjärde AP-fonden will be improved by adding the factor Quality Minus Junk, in the sense of explanatory power. The method used is mainly based on multiple linear regression and three three-year time periods are studied ranging from 2010 to 2018. The results from this thesis work show that the QMJ factor provides significant increases in explanatory power for one of three time periods, the most recent period 2016$-$2018. However, since the results are inconclusive further studies are needed in order to better understand how to interpret the results and whether or not to include the QMJ factor in the model. / Förmågan att förutsäga aktiers avkastning önskar många besitta, och på ett så precist sätt som möjligt. Under många år har forskning pågått inom området för faktormodeller som förklarar avkastningar, med målet att öka modellernas förklaringsgrad. Detta är dock en komplex verksamhet eftersom faktorerna och deras förbättring av förklaringsgraden måste vara signifikanta för modellen. Då och då kommer forskare fram med nya sådana faktorer som har positiv påverkan på modeller. AQR Capital Management är inget undantag eftersom de 2013 presenterade sin faktor Quality Minus Junk som visar signifikanta riskjusterade avkastningar. Detta kandidatexamensarbete inom matematisk statistik och industriell ekonomi, ämnar att utreda huruvida den kommersiella faktormodellen som används på Fjärde AP-fonden förbättras genom tillägget av faktorn Quality Minus Junk, i förklaringsgradsmening. Metoden som används är till största delen baserad på multipel linjär regression och tre treårsperioder studeras i tidsintervallet 2010 till 2018. Resultaten från detta projekt visar på att faktorn Quality Minus Junk bidrar med signifikanta ökningar av förklaringsgraden för en av tre perioder, den senaste perioden 2016-2018. Eftersom resultaten är inkonklusiva krävs vidare studier för att bättre förstå och konkludera vad dessa resultat faktiskt innebär samt för att inkludera QMJ-faktorn i modellen eller ej.