Search

Denne oppgaven undersøker kalendereffekter tilknyttet månedsskiftet (TOM), kvartalsskiftet (TOQ) og årsskiftet (TOY). Vi bruker panelregresjoner med et firedagers avkastningsvindu for individuelle selskaper notert på NYSE, AMEX og NASDAQ mellom 1986 og 2021. Vi finner at TOM-, TOQ- og TOY-effektene vedvarer i det amerikanske aksjemarkedet, og at deres påvirkningskraft er relatert til selskapsspesifikke forhold. TOY-effekten er bemerkelsesverdig i små aksjer med volatile priser og lavt momentum, noe som støtter hypotesen om at individuelle investorer selger sine tapsaksjer for skattemessige formål. I tillegg støtter resultatene forklaringen om at institusjonelle investorer selger volatile, små aksjer i et forsøk på å sminke deres porteføljer eller sikre et godt resultat. Videre har TOM- og TOY-effektene gjenoppstått det siste tiåret og forblir signifikant. TOQ-effekten er dog ikke lengre signifikant, noe som tyder på at portfølje-pumping i det amerikanske markedet har avtatt. Avslutningsvis utvikler vi en investeringsstrategi som predikerer aksjene med de 20% høyeste avkastningene over månedsskiftet og årsskiftet. Investeringsstrategien oppnår en akkumulert firedagers avkastning på 3,7% over årsskiftet. Denne avkastningen er betydelig høyere enn realistiske transaksjonskostnader; følgelig kan resultatene brukes til å utvikle lønnsomme investeringsstrategier med formål om å profittere på kalendereffektene. This thesis examines the turn-of-the-month (TOM), turn-of-the-quarter (TOQ), and turn-of-the-year (TOY) effects. We employ panel regression models using four-day return windows of individual companies listed on the NYSE, AMEX, and NASDAQ between 1986 and 2021. We find that the TOM, TOQ, and TOY effects are present in the US stock market, and their magnitude is related to firm characteristics. The TOY effect is particularly substantial in small stocks with volatile prices and low momentum, supporting the hypothesis that individual investors sell their losses for tax purposes. Additionally, the results support the explanation that institutional investors sell volatile, small-cap stocks to window dress their portfolios or hedge performance. We further provide evidence that the TOM and TOY effects have resurfaced in the last decade and continue to exist. The TOQ effect is no longer significant, suggesting that portfolio pumping by mutual funds in the US stock market is diminished. Finally, we develop a trading strategy that predicts the stocks with the 20% highest returns over the TOM and TOY windows. The trading strategy generates an accumulated four-day profit of 3.7% over the TOY window. This return is significantly higher than realistic trading costs; consequently, the results can be used to develop profitable trading strategies that exploit calendar effects.

I denne oppgaven bruker vi Google søkevolum til å predikere den ukentlige avkastningen til industri-indekser i fem land, USA, Japan, Storbritannia, Frankrike og India. Fordi vi bruker et stort antall Google søkekategorier som forklaringsvariabler er alle prediksjonsmodellene valgt for å kunne håndtere høydimensjonalitetsdata. Vi benytter Principal Component Regression, Principal Component Random Forest Regression, Ridge Regression, Lasso, og Elastic Net som våre prediksjonsmodeller. Den beste modellen på kalibreringsdataen (første del av dataen for USA) ble Elastic Net modellen. En enkel long/short strategi basert på denne Elastic Net modellen oppnår bedre resultater enn den utvalgte referanseindeksen i alle de fem landene, etter å ha trukket fra transaksjonskostnader. Vi finner at modellen oppnår best resultater sammenlignet med referanseindeksen i nedgangstider. I tillegg finner vi at relasjonen mellom søkekategori og industriavkastning endres over tid, både i retning og i størrelse. Modellen vi har laget tar automatisk høyde for dette, ettersom den rekalibreres ukentlig. Avslutningsvis finner vi at den abnormale avkasntningen til modellen kun er svakt korrelert på kryss av landegrenser, noe som tyder på at vår metode er ekstra godt egnet i en multinasjonal porteføljestrategi. In this paper we analyse the usefulness of Google search data for predicting the returns of industry stock indices in five countries, the US, Japan, Great Britain, France and India. Since we use a large set of Google Trends categories as predictors, the forecasting models need to be able to deal with high-dimensional data. We therefore consider Principal Component Regression, Principal Component Random Forest Regression, Ridge Regression, Lasso, and Elastic Net as our prediction models. The best performing model in our calibration sample (the first part of the US data) is the Elastic Net. A simple long-short strategy based on the Elastic Net model significantly outperforms the stock market in all five countries, after including transaction costs. Furthermore, we find that the model achieves most of its excess returns during weeks where the overall stock market drops. We also find that over time, the relationship between a search category and industry returns can change both in magnitude and direction. Our model automatically accounts for this, since it is re-fitted every week. Lastly, we find that the abnormal returns of our model are only weakly correlated across countries, suggesting that our trading approach can be most beneficial when applied internationally.

We investigate whether consumers attention measured by Google searches for company’s names and brands can predict stock returns, volatility and trading volume for smartphone and sporting goods manufacturers. Existing research has utilized Google searches mainly as a measure of investor attention (searches for tickers), while we consider two measures of consumer attention: Google searches for company names and brands. We do not find either of these two attention measures to be related to stock returns or volatility. On the other hand, increased attention predicts decreased trading volume in the subsequent week, no matter whether we considered brand or company searches. We further investigate sporting goods companies and smartphone companies separately and find that the conclusions remain similar.

Denne masteroppgaven undersøker om det er mulig å forutsi avkastning på kryptovaluta. For å gjøre dette har vi laget et unikt datasett bestående av data fra sosiale medier, søkevolum, blokkjeder samt markedsdata for 54 forskjellige kryptovalutaer. Først blir avkastningen prognostisert ved hjelp av en lineær regresjonsmodell som kun bruker markedsdata. Senere utvides denne modellen med regressorer bygget med Twitter-, Reddit-, Google Trends- og blokkjededata. Til slutt sammenligner vi denne utvidede lineære modellen med en avansert maskinlæringsmodell. Disse modellene er alle testet på perioden fra mars 2020 til mars 2021. Vår analyse viser at den utvidede lineære regresjonsmodellen kombinert med en realistisk handelsstrategi gir høy risikojustert avkastning. Modellen slår markedet selv når vi tar høyde for transaksjonskostnader, noe som viser at kryptovalutaprisene er forutsigbare per mars 2021. Videre finner vi at markeds- og Twitter-data i betydelig grad forklarer prisbevegelser. På den annen side forbedrer ikke Google Trends, Reddit eller blockchain-data modellens prognoser. Vi finner i dette tilfellet heller ikke at maskinlæringsmodeller produserer bedre anslag enn lineære modeller. Dette står i kontrast til mye av litteraturen om dette emnet. This thesis examines if it is possible to predict cryptocurrency returns. To do this, we have constructed a unique dataset consisting of social media, search volume, blockchain and market data for 54 different cryptocurrencies. First, returns are forecast with a linear regression model using only market data. Afterward, features collected from Twitter, Reddit, Google Trends and the underlying blockchains are added to the model. Lastly, we compare this extended linear model to an advanced machine learning model. These models are all backtested on the period from March 2020 to March 2021. Our analysis finds that the extended linear regression model combined with a realistic trading strategy delivers high risk-adjusted returns. The model beats the market even when we account for transaction costs. This shows that cryptocurrency prices are predictable as of March 2021. Furthermore, we find that market and Twitter data significantly explain price movements. On the other hand, Google Trends, Reddit or blockchain data does not improve the model's forecasts. Nor do we find that machine learning models outperform linear models, contrary to much of the literature on this topic.

Master's thesis in Industrial economics The thesis consists of two separate studies, where both have their own abstract, content-list, chapters and reference-list. We first present study one: "Impact of energy efficiency on house prices and the role of temperature" and then study two: "Impact of temperature on house prices in Norway". The first study has been our main focus, and is the more comprehensive work of the two studies. "Impact of energy efficiency on house prices and the role of temperature": Energy Performance Certificate, a measure of a dwelling’s energy efficiency, is a legislatively approved instrument for reducing energy consumption in households. We empirically investigate the impact of energy efficiency on house prices and how the impact vary with the type of dwelling and in disparate climate zones using average temperature. To accomplish this, we utilize Norwegian microdata, through a large and detailed dataset covering 222 392 dwellings with energy ratings. We find that there are increasing price premiums with increasing energy efficiency, and the effect is more significant for detached houses compared to apartments. Furthermore, the energy efficiency of buildings is valued more for houses in cold areas. "Impact of temperature on house prices in Norway" Abstract 2: Meteorological conditions are used as a determining factor in relocation decisions, and the cost of nice weather is often referred to as an amenity. We utilize temperature data from Norway and apply the common hedonic pricing method to determine the impact of different temperature transformations on house prices. When utilizing the temperature as a climate variable, we find that the different temperature transformations are almost equally good, with HDD being the slightly better transformation. The results suggest that overall in Norway, temperature is an amenity, and higher winter temperatures are slightly more appreciated compared to summer. Our dataset consists of well-detailed house transactions and weather data with good spatial distribution, and this research can serve as a base for future research.

Blant forskere som undersøker forholdet mellom Googles søkevolum og aksjeavkastning, finner noen at økt søkevolum spår høyere avkastning, mens andre trekker den motsatte konklusjonen. Vi undersøker dette forholdet ved å bruke Fama-Macbeth tverrsnittsregresjoner for Russell 3000-selskapene ved bruk av enten aksjetikker eller selskapsnavn som Google-søkeord, samtidig som vi kontrollerer for flere andre variabler som antall analytikere som følger selskapet. Vi finner et positivt forhold mellom søkevolum og aksjeavkastning i perioden 2004 til 2008, og et negativt forhold i perioden 2009 til 2019. Søk etter aksjetikker er bedre til å forutsi avkastning enn søk etter selskapsnavn fra 2004 til 2008, mens det motsatte gjelder fra 2009 til 2019. Vi vurderer den økonomiske betydningen av resultatene våre med en tradingstrategi bygd på den samme Fama-Macbeth tverrsnittsregresjonen. En tradingstrategi der vi kjøper de 50% av aksjene med høyest antatt unormal avkastning og shorter de 50% av aksjene med lavest antatt unormal avkastning, gir en årlig unormal avkastning på 11,3% etter inkludering av transaksjonskostnader, mens en lignende strategi basert på å kjøpe de 5\% av aksjene med høyest og shorte de 5% av aksjene med lavest antatt avkastning gir en imponerende unormal avkastning på 30,6% etter transaksjonskostnader. Some research investigating the relationship between Google search volume and stock returns finds that increased search volume predicts higher returns, while other papers draw the opposite conclusion. We reinvestigate this relationship using Fama-Macbeth cross-sectional regressions for the Russell 3000 companies with the use of either stock ticker or company name as Google search keyword while controlling for several other variables such as the number of analysts following the company. We find a positive relationship between search volume and stock return in the period from 2004 to 2008, and a negative relationship in the period from 2009 to 2019. While searches for the stock ticker predict returns better than searches for company name from 2004 to 2008, the opposite is true from 2009 to 2019. We evaluate the economic significance of our results by a trading strategy built upon the same Fama-Macbeth cross-sectional regressions. A trading strategy where we buy the 50% stocks with the highest predicted abnormal return and short the 50% stocks with the lowest predicted abnormal return delivers a yearly abnormal return of 11.3% after accounting for transaction costs, while a similar strategy based on buying the 5% of stocks with the highest and shorting the 5% with the lowest predicted returns delivers an impressive abnormal return of 30.6% after transaction costs.

Får investorer og analytikere med seg all informasjon som finnes i selskapers årsrapporter? I denne oppgaven finner vi at finansmarkedene på kort sikt overser viktig informasjon som er inneholdt i årsrapportene, og at denne informasjonen kan utnyttes gjennom teknikker for behandling av naturlig språk for å utgjøre en del av grunnlaget i verdsettelsen av børsnoterte selskaper. Vi analyserer 15,700 årsrapporter publisert av selskaper på aksjeindeksen S&P 500 i perioden 1994 til 2018, og finner at ettårig abnormal avkastning synker signifikant med mengden negativt sentiment i rapportene og med rapportenes filstørrelse. Vi finner derimot ikke slike mønstre på kort sikt, noe som kan indikere at det tar lang tid før finansmarkedene plukker opp denne typen informasjon. Ved å bruke Latent Dirichlet Allocation (LDA), finner vi at årsrapporter som fokuserer på "Helsetjenester", "Miljøkostnader" og "Finansielle planer" assosieres med høyere abnormal avkastning, mens økt fokus på "Søksmål", "Eiendomskontrakter" og "Utenlandsk valuta" ofte assosieres med det motsatte. Til slutt lager vi en modell for aksjehandel basert på metaalgoritmen AdaBoost og CART beslutningstrær for å vise at kun ved å benytte informasjon om sentiment, lesbarhet og temaer som rapporten tar opp, er det mulig å generere en årlig risikojustert avkastning på 3.8% på et datasett fra 2004 til 2018. Are investors and analysts effective in interpreting the content in annual reports? This thesis suggests that financial markets in the short term overlook important information contained in the annual reports and that it is possible to use techniques from Natural Language Processing (NLP) on the annual reports to generate useful input when valuing listed companies. We analyze 15,700 annual reports published by S&P 500 companies in the period from 1994 to 2018 and find that one-year abnormal return decreases significantly with the amount of negative sentiment in reports and with the reports' file size. Interestingly, the effects are not reflected in stock prices several days after reports are published, suggesting that is takes a long time for the market to absorb this type of information. Through the use of Latent Dirichlet Allocation (LDA), we find that annual reports with a focus on "Health care", "Environmental cost" and "Financial plans" in their forward-looking statements tend to see higher abnormal returns, while focus on "Lawsuits", "Property lease" and "Foreign exchange" precede negative abnormal returns. Finally, a trading strategy based on sentiment, readability, and topics addressed in annual reports generate an annualized risk-adjusted return of 3.8% on an out-of-sample dataset from 2004 to 2018

Tekstgruvedrift har fått en økende rolle i finansielle applikasjoner, enten det er å undersøke innhold i nyhetartikler, se på timing og innhold i årsrapporter eller analysere effekten av sentiment i tekst. Denne studien undersøker den samlede effekten av informasjon hentet fra nyhetsartikler, selskapsdokumenter og finansielle faktorer på aksjeavkastning. Vi baserer oss på et datagrunnlag bestående av 13 000 selskapsdokumenter, over 300 000 nyhetsartikler og finansiell data for en 21 årsperiode. Våre resultater indikerer at det er hensiktsmessig å inkludere faktorer basert på tekst i kombinasjon med tradisjonelle finansielle faktorer, og at det er mulig å oppnå meravkastning basert på informasjon ekstrahert fra offentlige tekster. Vi trener et nevralt nettverk som oppnår en høyere prediksjonsnøyaktighet når vi inkluderer tekst og finansielle data i kombinasjon enn ved bruk av kun tekst eller kun finansielle data. Videre oppnår en long-short portfølje basert på prediksjonene en avkastning på 9.4 ganger investert beløp over en 6-årsperiode. From examining context of news stories to looking at annual reports - their timing and content or investigating the effect of sentiment in text, text mining is gaining traction in financial applications. This study examines the joint effect of information gathered from news stories, company documents and financial factors on share returns. Using a sample of more than 13,000 public corporate documents, over 300,000 news stories and financial data across 21 years, we find that it is worthwhile including textual factors in combination with financial factors, and that it is possible to make abnormal return on the information contained in news stories and corporate documents. We train a neural network that obtains an out-of-sample prediction accuracy higher than the model using either textual or financial information, and a subsequent long-short portfolio that achieves returns of 9.4 times invested amount over a six-year period.

Dette studiet kombinerer sosioøkonomiske faktorer og kommunekarakteristikker fra 381 kommuner i Norge med 1.204.506 faktiske salgsdata på boliger, for å studere effektene av ni variabler på boligprisene. Dette skiller seg fra eksisterende litteratur som bruker boligprisindekser for å representere utviklingen i boligmarkedet. Vi finner at en økning i innbyggertall, antall personer som har fullført høyere utdanning, antall studenter relativt til folketall, andelen innvandrere eller gjennomsnittslønn påvirker boligprisene positivt. Ved nærmere demografiske undersøkelser kommer det fram at en økning i andelen over 66 år påvirker boligprisene negativt, mens en økning i andelen mellom 18 og 66 år har motsatt effekt. Videre viser resultatene at en økning i inntekstforskjell eller arbeidsledighet har en negativ effekt. This study combines socioeconomic measures and municipality characteristics from 381 municipalities in Norway with 1,204,506 actual sales of dwellings, to examine the relationship between nine variables and changes in house prices. This differs from existing literature which uses house price indices to represent the development in the housing market. We find that an increase in the population, the number of people that have completed higher education, the number of students relative to the population, the proportion of immigrants or the mean salary positively affect house prices. When further examining demographic factors, an increase in the proportion of the population aged over 66 is found to affect house prices negatively, while an increase in the proportion of the population aged between 18 and 66 is shown to have the opposite effect. Finally, an increase in income inequality or unemployment rate is found to have a negative effect.

Eksisterende litteratur har ikke funnet et entydig svar på om investoroppmerksomhet, i form av Google søkevolum, kan predikere aksjeavkastning. Tidligere forskning har sett på gjennomsnitseffekten på tvers av selskaper. Vi studerer derimot forskjellen mellom selskaper. Først ser vi på forskjellene mellom de to mest brukte søkevolumsvariablene: søk på selskapsnavn og søk på selskapstickere. Vi finner kun en svak sammenheng mellom søkevolumsvariablene. Videre foreslår vi at søk på tickere er det beste målet for investoroppmerksomhet, mens søk på selskapsnavn egner seg bedre som et mål på kundeoppmerksomhet. For å bekrefte om dette stemmer, deler vi selskapene inn i kategoriene business-to-business-selskaper og business-to-customer-selskaper. Resultatene viser at effekten av økt søkevolum på tickere er lik i begge grupper, mens effekten av økt søkevolum på selskapsnavn varierer vesentlig mellom de to selskapskategoriene. Dette bekrefter teorien vår, da business-to-business-selskaper bør ha begrenset kundeoppmerksomhet. På bakgrunn av dette, undersøker vi nærmere hvordan relasjonen mellom oppmerksomhet og avkastning varierer mellom selskaper. Det viser seg at for 40% av selskapene, gir økt oppmerksomhet også økt avkastning. Dette gjelder selv om gjennomsnittseffekten på tvers av selskapene er negativ. Det er en tydelig indikasjon på at bruk av gjennomsnitsverdier er en grov forenkling av relasjonen. For å vurdere viktigheten av variasjonen i forholdet mellom oppmerksomhet og avkastning, tester vi et sett med tradingstrategier. Først tester vi en klassisk modell som antar lik relasjon på tvers av alle selskaper. Deretter tester vi en modell som fjerner denne restriksjonen. Den første modellen klarer aldri å oppnå en avkastning som er høyere enn transaksjonskostnadene. Den andre modellen oppnår i sin beste konfigurasjon en årlig avkastning på 20% etter å ha justert for transaksjonskostnader og korrelasjon med risikofaktorer. Existing literature has not found a clear cut answer to the question of whether investor attention, measured by Google searches, can predict stock returns. We reinvestigate this issue by looking at differences between companies and attention measures (for example customer attention and investor attention) instead of the average effects across all of them. First, we show that the two most popular measures of investor attention, searches for stock tickers and searches for company names, are only weakly related. We suggest that tickers can be used as a proxy for investor attention, while searches for company names are best used as a proxy for customer attention. We divide companies into business-to-business and business-to-customer companies, as customer attention should primarily impact customer-facing companies. We find that stock returns of both groups respond similarly to investor attention (ticker searches), but very differently to customer attention (searches for company names). This finding motivates us to look further into how the attention-return relationship differs across companies. We find that for 40% of the companies, increased attention predicts positive returns, even though increases on average predict negative returns. This is a clear indication that average effects are a gross misrepresentation. To test the importance of this difference, we compare trading strategies based on two models. In the first model, we let the attention-return relationship be the same across companies. In the second model, we let this relationship vary across companies. Gains from trading based on the first model do not even cover transaction costs, whereas the second model leads to a highly profitable trading strategy delivering net returns of more than 20% per year, despite being market-neutral.

Volatilitet er en av de viktigste risikokarakteristikkene til en finansiell aktiva. Nylig har interessen for Bitcoin økt, men til tross for Bitcoins høye volatilitet er forskning på dette feltet begrenset. Vi studerer derfor hvordan volatiliteten til Bitcoin påvirkes av volatiliteten og avkastningen til valutaer, aksjemarkedet, gull og sølv. Videre undersøker vi påvirkningen fra rentekunngjøringer fra sentralbanker. I vår studie bruker vi den logaritmiske HAR-modellen. Resultatene indikerer at verken valutaer, aksjemarkedet eller edle metaller kan forklare volatiliteten til Bitcoin. Videre finner vi ikke noe bevis for at rentekunngjøringer har en systematisk innflytelse på volatiliteten til Bitcoin. Dette indikerer at Bitcoin er en unik aktivaklasse uten tilknytning til tradisjonelle finansmarkeder. Volatility is one of the most important risk characteristics of an asset. Recently, the interest in Bitcoin has increased, but despite Bitcoin's large volatility, research in this field is limited. We therefore study how the volatility of Bitcoin is influenced by the volatility and returns of major currencies, the stock market, and gold and silver. Moreover, we investigate if central bank interest rate announcements affect the volatility of Bitcoin. We use the logarithmic HAR model in our study. Findings indicate that neither currencies, nor the stock market, nor precious metals can explain the volatility of Bitcoin. Furthermore, we find no evidence of central bank interest rate announcements having a systematic influence on the volatility of Bitcoin. This indicates that Bitcoin is a unique asset class unrelated to traditional financial markets.

Vi måler sentimentet i nyhetsartikler om Bitcoin, Ether og Litecoin og undersøker om det kan forutse handelsaktivitet og bruk av kryptovaluta. Vi analyserer nesten 21,000 artikler relatert til kryptovaluta lastet ned fra ProQuest sin database fra perioden 11/2013-01/2019. Hver artikkel fikk en sentimentverdi, og verdiene ble aggregert til ukentlige verdier. Ved å bruke tre forskjellige metoder for å beregne sentimentet, finner vi at alle tre metoder kan bidra til å modellere fremtidig avkastning, volatilitet, handelsvolum og transaksjonsvolum for Bitcoin og Ether, men ikke for Litecoin. Videre konkluderer vi med at det ikke er nok å bruke kun én ordbok for å måle sentimentet i en artikkel. Vi har flere funn: 1) antall publiserte artikler forutser volatilitet, 2) antall adresser forutser Bitcoin sin avkastning, 3) volatilitet påvirker handelsvolum negativt for alle kryptovalutaer, 4) høy avkastning fører til høyt transaksjonsvolum for Bitcoin og Ether. Videre undersøker vi den motsatte sammenhengen, hvorvidt handelsaktvitet, bruk av kryptovaluta og andre kontrollvariabler kan bli brukt til å forutse sentimentet i nyhetsartikler. For det første observerer vi at det er store forskjeller mellom sentimentet til de ulike kryptovalutaene. Videre finner vi at følgende variabler kan forutse sentimentet: avkastning, volatilitet, Google-søk, handelsvolum og antall adresser. We extract sentiment from news articles about Bitcoin, Ether, and Litecoin and analyze whether it can predict the trading activity and usage of these cryptocurrencies. We analyze nearly 21,000 cryptocurrency-related articles obtained from the ProQuest database, spanning the period 11/2013 – 01/2019. Each article receives a sentiment score, and these scores are aggregated for all articles published within a week. Using three different methods to calculate the sentiment score, we find that all three sentiment measures can contribute to predicting the return, volatility, trading volume, and transaction volume of Bitcoin and Ether, but not for Litecoin. We further conclude that it is not sufficient to only use one dictionary to capture the sentiment in an article. We have several additional findings including 1) number of published articles predicts Bitcoin volatility, 2) number of addresses predicts Bitcoin return, 3) volatility negatively impacts trading volume for all cryptocurrencies, and 4) high return leads to high transaction volume for Bitcoin and Ether. Secondly, we then investigate the inverse relationship: looking at whether the trading activity, usage of cryptocurrencies, and control variables can predict the sentiment of news articles. We find that there are significant differences between the sentiment of the cryptocurrencies. In addition, we find multiple factors which can predict the sentiment of news articles, including return, volatility, Google searches, trading volume, and the number of addresses.

Denne artikkelen studerer auksjonsytelse og budgiveres oppførsel i auksjoner av norske statspapirer mellom 2003 og 2018, en periode hvor papirene har blitt solgt i likprisauksjoner. Auksjoner av norske statspapirer skiller seg fra tilsvarende auksjoner i andre land på grunn av det lave antallet budgivere (5 i gjennomsnitt) samt at utstederen ikke lider av budsjettunderskudd. Vi finner en gjennomsnittlig underprising på 0.11% av pålydende, hvilket akkumulert tilsvarer 1 605 millioner norske kroner i løpet av perioden vi studerer. Kumulativ etterspørsel-til-tilbud rate (dekningsrate) indikerer et sunt nivå av konkurranse i auksjonene. Spredningen av bud i en auksjon utviser et positivt forhold til underprising, mens dekningsrate utviser et negativt forhold. I tillegg til å analysere på et auksjonsnivå, studerer vi også budgivernes oppførsel og dennes innvirkning på deres suksess. Relativt til andre markeder har budgiverne en tendens til å etterspørre et større volum med høyere rabatt og mer spredning i budene sine. På tross av få budgivere finner vi ingen bevis på strategisk oppførsel ettersom de ikke har mulighet til å påvirke sitt monetære utfall i auksjonene. This paper studies auction performance and bidder behaviour in the Norwegian Treasury auctions from 2003 to 2018, a period when the uniform price format has been utilised. Norwegian Treasury auctions differ from auctions in other countries by a low number of bidders participating (five on average) and that the issuing government does not suffer from budget deficits. We find an average underpricing of 0.11% of face value in the auctions, corresponding to a total amount of NOK 1,605 million over the period studied. Aggregate demand to supply ratios (coverage ratios) indicate healthy competition in the auctions. The dispersion of bids in an auction exhibits a positive relationship with underpricing, while coverage ratio exhibits a negative relationship. In addition to auction level analyses, we also study the behaviour of individual bidders and its impact on their success. Relatively to other countries, the bidders tend to bid for a larger amount, with higher discounts and more dispersion of bids. Despite the low number of bidders, we do not find any evidence of strategic behaviour, as bidders are not able to affect their monetary outcome in the auctions.

Dette studiet undersøker hvorvidt Dyp Forsterkende Læring (eng: Deep Reinforcement Learning) kan brukes til å kjøpe og selge aksjer. Vi implementerer en Dyp Deterministisk Policy Gradient (DDPG)-algoritme (eng: Deep Deterministic Policy Gradient). Algoritmen handler aksjer fra fire forskjellige indekser: DJIA (USA), TSX (Canada), JSE (Sør-Afrika) og SENSEX (India). Resultatene viser at DDPG-agenter som estimerer fremtidig avkasting basert på historisk logaritmisk avkastning (R) og handelsvolum (TV) oppnår best resultater. Disse agentene oppnår en høyere gjennomsnittlig avkastning enn en kjøp-og-hold-portefølje. Det å legge til Google søkevolum (G) som en forklaringsvariabel øker ikke modellens ytelse i velutviklede markeder (USA og Canada), men tilfører verdi i fremvoksende markeder (Sør-Afrika og India). Vi tester også algoritmen med transaksjonskostnader, der agentene er begrenset til å kun handle én gang i måneden eller én gang i kvartalet. Flere av disse agentene får høyere gjennomsnittlig avkastning enn sine referanseporteføljer. Algoritmen sammenlignes videre med en lineær regresjon. Resultatene fra sammenligningen viser at samtlige DDPG-agenter oppnår høyere gjennomsnittlig avkastning enn sin tilsvarende regresjon. This study investigates the viability and potential of using state of the art Deep Reinforcement Learning for stock trading. We specifically use a Deep Deterministic Policy Gradient (DDPG). The model trades stocks in four indices: DJIA (USA), TSX (Canada), JSE (South Africa) and SENSEX (India). We find that DDPG agents using past log return (R) and trading volume (TV) as predictors yield the best performance. The models outperform a buy-and-hold benchmark for all markets in terms of mean return. Adding Google search volume (G) as a predictor does not improve performance in developed markets (USA and Canada), but is valuable in emerging markets (South Africa and India). The algorithm is tested also after implementing transaction cost, where agents are restricted to only trade once every month or quarter. Several agents outperform the benchmark in terms of mean return. Results are compared to a simple linear regression. In terms of mean return, the DDPG agent always outperforms the equivalent linear regressions.

Master's thesis in Economics Bitcoin is a decentralized digital currency, invented by Satoshi Nakamoto in the wake of the financial crisis in 2008/09. Since then thousands of cryptocurrencies have been created. We evaluate Bitcoin along with Dash, Litecoin, Dogecoin, Ripple, and for comparison reason, gold. This thesis has two main goals: 1) to study the impact of including cryptocurrency in a standard portfolio and 2) to evaluate which approach is preferred when investing in cryptocurrencies, whether a simple buy-and-hold strategy or a momentum strategy. Our result gives evident proof that the investment percentage of each of the cryptocurrencies should be treated individually. The optimal percentage of investments for the cryptocurrencies/gold are the following: 10% Ripple, 5% Bitcoin, 4% Dash, 1% Litecoin and 0,5% for Dogecoin and gold. Moreover, the results conclude that Dash outperforms all the other investments. In addition, we conclude that the weekly momentum strategy is the most efficient approach when investing in cryptocurrencies.

Master's thesis in Economics and Applied finance We investigate the impact of investor attention and economic uncertainty on gold price changes and their volatility. We use Google searches for “gold” as a measure of investor attention, considering searches originated in US, India, and globally. We find that Google searches originated in India are more relevant for the gold market than global searches or searches originated in the US. Increased Google searches are associated with gold price declines and increased volatility. Moreover, this relationship is not just a correlation. It also holds in predictive manner in both directions: 1) Increased Google searches are followed by gold price declines and high volatility and 2) gold price declines and high volatility are followed by increased Google searches. We consider three measures of economic uncertainty, the VIX index, the Economic Policy Uncertainty index and the TED spread, and find that the VIX index has the strongest impact on gold. High levels of the VIX index are both contemporaneously related and also predict gold price increases and high volatility.

Vi måler sentimentet i nyhetsartikler om Bitcoin, Ether og Litecoin og undersøker om det kan forutse handelsaktivitet og bruk av kryptovaluta. Vi analyserer nesten 21,000 artikler relatert til kryptovaluta lastet ned fra ProQuest sin database fra perioden 11/2013-01/2019. Hver artikkel fikk en sentimentverdi, og verdiene ble aggregert til ukentlige verdier. Ved å bruke tre forskjellige metoder for å beregne sentimentet, finner vi at alle tre metoder kan bidra til å modellere fremtidig avkastning, volatilitet, handelsvolum og transaksjonsvolum for Bitcoin og Ether, men ikke for Litecoin. Videre konkluderer vi med at det ikke er nok å bruke kun én ordbok for å måle sentimentet i en artikkel. Vi har flere funn: 1) antall publiserte artikler forutser volatilitet, 2) antall adresser forutser Bitcoin sin avkastning, 3) volatilitet påvirker handelsvolum negativt for alle kryptovalutaer, 4) høy avkastning fører til høyt transaksjonsvolum for Bitcoin og Ether. Videre undersøker vi den motsatte sammenhengen, hvorvidt handelsaktvitet, bruk av kryptovaluta og andre kontrollvariabler kan bli brukt til å forutse sentimentet i nyhetsartikler. For det første observerer vi at det er store forskjeller mellom sentimentet til de ulike kryptovalutaene. Videre finner vi at følgende variabler kan forutse sentimentet: avkastning, volatilitet, Google-søk, handelsvolum og antall adresser. We extract sentiment from news articles about Bitcoin, Ether, and Litecoin and analyze whether it can predict the trading activity and usage of these cryptocurrencies. We analyze nearly 21,000 cryptocurrency-related articles obtained from the ProQuest database, spanning the period 11/2013 – 01/2019. Each article receives a sentiment score, and these scores are aggregated for all articles published within a week. Using three different methods to calculate the sentiment score, we find that all three sentiment measures can contribute to predicting the return, volatility, trading volume, and transaction volume of Bitcoin and Ether, but not for Litecoin. We further conclude that it is not sufficient to only use one dictionary to capture the sentiment in an article. We have several additional findings including 1) number of published articles predicts Bitcoin volatility, 2) number of addresses predicts Bitcoin return, 3) volatility negatively impacts trading volume for all cryptocurrencies, and 4) high return leads to high transaction volume for Bitcoin and Ether. Secondly, we then investigate the inverse relationship: looking at whether the trading activity, usage of cryptocurrencies, and control variables can predict the sentiment of news articles. We find that there are significant differences between the sentiment of the cryptocurrencies. In addition, we find multiple factors which can predict the sentiment of news articles, including return, volatility, Google searches, trading volume, and the number of addresses.

Master's thesis in Applied finance We investigate the relationship between Google search volume index (SVI) and Norwegian mutual fund performance and flows. We use abnormal SVI (ASVI) and relative fund flows as measures of investor attention. The aim of this thesis is twofold, we focus on past performance as a determinant of investor attention measured by ASVI, and past performance and investor attention as determinants of mutual fund flows. Our results show that performance can predict ASVI, inflows, outflows, and net flows. ASVI can predict inflows and net flows but not outflows. Interestingly, high performance has positive impact not only on inflows but also on outflows. On average, simple returns attract investor`s attention more than risk-adjusted performance measures and long-term performance is more important than short-term performance.

The impact of equity mutual fund flows on the stock market has been studied extensively, but always on individual countries, and the literature remains inconclusive. We therefore utilise a decade's worth of data from 13 countries to investigate the impact of equity mutual fund flows on stock market returns and vice versa. Through panel data analysis, we find no evidence of a link between equity mutual fund flows and stock market returns that is common across countries. This result holds both in periods of market tranquility and market turmoil. When analysing each country separately, we fail to uncover a significant relationship in most countries. Furthermore, the statistically significant relationships we find differ across countries both in sign and in direction of causality. This suggests that the relationship between equity mutual fund flows and stock movements is much weaker than one would infer from past studies.

Master's thesis in Applied Finance Intrigued by Bitcoin’s exceptional value development and media attention the last years, we assess if there have been any speculative bubbles in the Bitcoin market and if it exists any bubble today. Our empirical analysis can be divided into three steps. First, it is conducted an econometric test on the existence and date stamping of bubbles in Bitcoin prices based on a new recursive test proposed by Phillips et al (2015) – the SADF and GSADF test. However, this statistical test derives a bubble conclusion from an explosive price behavior. This deviates from common definitions of bubbles within financial theories that a bubble exists if the value of an asset exceeds its fundamental value. Over the period 2010 – April 2018, we detected several of short-lived bubbles and a number of huge bubbles. Our empirical results indicate that there are found six huge bubbles during 2011-2018 lasting from 24 days – 123 days. Our statistical evidence suggests that there does not exist any bubbles in the Bitcoin market today. Second, we find that these bubbles may not incorporate information about rational expectation but rather of irrational exuberances, a finding consistent with the theory presented in the Google Trends, The RSI and the bubble model of “The Stages in a Bubble”. Third, we find that there are some reoccurring trends that are affecting the Bitcoin market investigating the date-stamping results. These are the incidents of the Mt. Gox and China’s relation to Bitcoin as a legal currency.

Master's thesis in Finance We investigate whether Google search volume index (SVI) can explain and predict trading activity at the Norwegian stock market (OSE). Our sample focuses on the companies listed on OSE’s tradeable index OBX. We use abnormal returns, trading volume, and volatility as measures of market activity. SVI were classified as a) search term, which Google uses to keep track of word-specific search queries; and b) business term, which Google uses to keep track of all search queries done in any language and classifies these queries together under one topic. The regression models we developed were two-fold: (1) a descriptive model that tests whether a relationship exists between each of the three indicators and SVI; and (2) a predictive model that tests the predictive power of SVI towards the three indicators. Our results show that both SVIs neither exhibit a significant relationship nor a predictive power on abnormal returns. However, both SVIs show a significant positive relationship and a predictive power on trading volume. Lastly, search activity only exhibits a predictive power with volatility. Therefore, Google searches can tell more about future trading activity than current trading activity.

Cooper and Nyborg (2008) derive a tax-adjusted discount rate formula under a constant proportion leverage policy, investor taxes and risky debt. However, their analysis assumes zero recovery in default. We extend their framework to allow for positive recovery rates. We also allow for differences in bankruptcy codes with respect to the order of priority of interest payments versus repayment of principal in default, which may have tax consequences. The general formula we derive differs from that of Cooper and Nyborg when recovery rates in default are anticipated to be positive. However, under continuous rebalancing, the formula collapses to that of Cooper and Nyborg. We provide an explanation for why the effect of the anticipated recovery rate is not directly visible in the general continuous rebalancing formula, even though this formula is derived under the assumption of partial default. The errors from using the continuous approximation formula are sensitive to the anticipated recovery in default, yet small. The ‘cost of debt’ in the tax adjusted discount rate formula is the debt’s yield rather than its expected rate of return.