Prediktion av skulder utan fix löptid

With ever increasing regulatory pressure financial institutions are required to carefully monitor their liquidity risk. This Master thesis focuses on asserting the appropriateness of time series models for forecasting deposit volumes by using data from one undisclosed financial institution. Holt-Winters, Stochastic Factor, ARIMA and ARIMAX models are considered with the latter being the one with best out-of-sample performance. The ARIMAX model is appropriate for forecasting deposit volumes on a 3 to 6 month horizon with seasonality accounted for through monthly dummy variables. Explanatory variables such as market volatility and interest rates do improve model accuracy but vastly increases complexity due to the simulations needed for forecasting.Med ständigt ökande krav på finansiella institutioner måste de noga övervaka sin likviditetsrisk. Detta examensarbete fokuserar på att analysera lämpligheten av tidsseriemodeller för prognoser inlåningsvolymer med hjälp av data från en ej namngiven finansiell institution. Holt-Winters, Stochastic Factor, ARIMA och ARIMAX modellerna används, där den senare uppvisar bäst resultat. ARIMAX modellen är lämplig för prognoser av inlåningsvolymer på en 3-6 månaders tidshorisont där hänsyn till säsongseffekter tagits genom månatliga dummyvariabler. Förklaringsvariabler såsom marknadsvolatilitet och räntor förbättrar modellens prognosticeringsprecision men ökar samtidigt komplexiteten på grund av de simuleringar som krävs