Prognostisering av Kreditindex: Stabilitet av en Autoregressiv Modell

This thesis investigates the robustness and stability of total return series for credit bond index investments. Dueto the challenges which arise for financial institutes and investors in achieving these objectives, we aim to createa forecasting model which matches the statistical properties of historical data, while remaining robust, stable andeasy to calibrate. To reach this goal, we implement autoregressive time-series models for credit spreads, a Vasicekmodel for the interest rate and use transformations to create total return series. We find that our autoregressivemodel performs well in terms of robustness and stability, while being statistically accurate for the Investment GradeIndex. The High Yield model has good statistical accuracy, but is lacking in stability and robustness.Denna avhandling undersöker robustheten och stabiliteten hos totalavkastningsserier för investeringar ikreditobligationsindex. På grund av de utmaningar som uppstår för finansiella institut och investerare i att uppnådessa mål, syftar vi till att skapa en prognosmodell som matchar de statistiska egenskaperna hos historiska datasamtidigt som den förblir robust, stabil och enkel att kalibrera. För att nå detta mål implementerar vi autoregressivatidsserie-modeller för kreditspridningar, en Vasicek-modell för räntan och använder transformationer för att skapatotalavkastningsserier. Vi finner att vår autoregressiva modell för Investment Grade Indexet presterar bra gällanderobusthet och stabilitet samtidigt som den är statistiskt korrekt. High Yield modellen är statistiskt korrekt, men ärmindre bra gällande stabilitet och robusthet