Financial institutions, such as banks and central counterparties (CCPs), often need to calculate a scalar quantity called initial margin (IM) to manage credit risk and cover potential losses from various transactions. IM is typically cal- culated using mathematical models such as SIMM or scenario-based CCP IM models. However, CCP IM models are computationally expensive because they require repeatedly considering a large number of observed market move- ments when only a few of said movements are actually relevant for calculating the final IM value. Finding an alternative way to calculate IM which eliminates these redundant calculations would allow CCPs to more efficiently calculate IM and thereby help market participants reduce their credit risk. This project utilizes machine learning to train feedforward neural networks to estimate IM for financial portfolios. A random forest model is also trained to provide a point of comparison for the performance of the neural networks. The two datasets used in this study are generated using portfolio data from 40 anonymous banks and their respective IM labels are obtained using SIMM and a proprietary CCP IM model. The final optimized neural nets have strong performances and estimate IM with mean absolute percentage errors of 1.50% and 0.49% on unseen data of the CCP IM and SIMM datasets, respectively. The final random forest models perform worse with errors of 12.3% and 17.3% on the respective datasets. The results suggest that neural networks are well suited for calculating portfolio IM and that they are more efficient than SIMM and the CCP IM model used in this study. However, due to limitations in the dataset generation, more research needs to be conducted to assert that these results are generalizable to more realistic portfolio data.

Finansinstitut som banker och clearinghus (även kallade CCP:er) behöver ofta beräkna en skalär storhet som kallas initial margin (IM) för att hantera kredi- trisk och täcka potentiella förluster vid olika transaktioner. IM beräknas van- ligtvis med matematiska modeller som SIMM och scenariobaserade CCP IM- modeller. Dessa CCP IM-modeller är däremot beräkningsmässigt ineffektiva då de kräver upprepad behandling av en stor mängd olika marknadsrörelser när endast en liten andel av dessa bidrar till det slutgiltiga IM-värdet. Att hitta en alternativ beräkningsmetod för IM som kan eliminera dessa beräkningar skulle därmed öka effektiviteten av clearinghus och bidra till att minska mark- nadsaktörers kreditrisk. Detta projekt använder neurala nätverk för att träna feedforward neurala nätverk för att uppskatta IM för finansiella portföljer. Som referenspunkt tränas även en random forest-modell vars prestanda kan jämföras mot prestandan av de neurala nätverken. Denna studie genererade två dataset från portföljdata från 40 anonyma banker och portföljernas motsvarande IM-värden erhölls med både en CCP IM-modell och med SIMM. De slutgiltiga optimerade neurala nätverken presterar utmärkt och uppskat- tar IM med ett absolut medelfel på 1.5% och 0.49% av de förväntande IM- testvärdena beräknade med CCP IM-modellen respektive med SIMM. De op- timerade random forest-modellerna hade däremot sämre prestanda med mot- svarande medelfel på 12.3% respektive 17.3%. Resultaten visar på att neurala nätverk är vällämpade för beräkning av scenariobaserad IM och beräknings- mässigt mer effektiva än konventionella IM-modeller. Däremot bygger resul- taten på portföljdata som på grund av studiens begränsade dataunderlag inte är fullständigt realistisk, och därmed skulle ytterligare forskning krävas för att säkerställa att resultaten kan generaliseras till mer realistisk portföljdata.