Studien undersöker om Morningstars betygssystem för fonder, kan ses som en indikation på fondens riskjusterade avkastning tolv månader framåt i tiden. Hypotesen är att det finns ett positivt samband mellan Morningstar-betyg och framtida riskjusterad avkastning, mätt i Jensen’s Alpha och Sharpekvot. Med ett urval om 107 svenska aktiefonder, över en tidsperiod mellan 2007 och 2016, genomförs en regressionsanalys som sedan kopplas till teorin om marknadens effektivitet samt tidigare forskning om varaktighet i avkastning. Resultatet visar att det finns indikationer på att fonder med det högsta Morningstar-betyget (fem stjärnor) kommer prestera bättre än fonder med de lägre betygen (tre till en stjärnor). Dock finns litet stöd för att fem-stjärniga fonder skulle prestera bättre än fyra-stjärniga fonder. Förklaringsgraden är dessutom nära noll vilket gör det svårt att dra generella slutsatser över hela tidsperioden. Möjligen kan Morningstar-betyg användas som ett verktyg för att identifiera vilka fonder som bör undvikas, vilket kan underlätta för investerare.

Today, brokers within the stock market brokerage industry are having difficulties with accurately forecasting the trading volume that is conducted by their customers. This is especially a problem during periods of exceptionally high or low trading volumes. Solving this problem would lead to both monetary savings in terms of server costs and operational planning issues. This thesis uses three Machine Learning models (Random Forest Regressor, Linear Regression, and Support Vector Regression) to predict daily trading volume. In Machine Learning, features are variables that act as explanatory variables for the dependent variable, in this case, the daily trading volume. The primary focus of this study is to evaluate and analyze which types of feature categories are the most important. Therefore, this study uses a variety of features divided into five different categories (Temporal, Historical, Market, External, and Customer). The results from the models trained using each individual feature category are compared against each other. Secondly, this study also focuses on analyzing the performance of all feature categories together. A Naive model of a 20-day rolling average is used as a benchmark to evaluate the results. The findings of this study indicate that Machine Learning models perform better than the proposed Naive approach when predicting daily stock market trading volume. However, the difference is of a small nature. Further, the Historical feature category is the category that performs best and can therefore be argued to be the most important category when predicting daily trading volume. However, the results of this study are not of statistical significance. The findings of this study can be relevant to the research field and can be used in future studies to further investigate the feature importance in stock market trading volume prediction. / Idag har företag inom industrin för aktiemäklare svårigheter att på ett träffsäkert sätt prognostisera sina kunders handelsvolymer. Detta är särskilt ett problem under perioder med extremt höga eller låga volymer. Att lösa detta problem skulle leda till både monetära besparingar i form av serverkostnader, och även lösa operationella planeringsproblem. Denna studie använder tre olika maskininlärningsmodeller (Random Forest Regressor, Linear Regression, och Support Vector Regression) för att förutspå handelsvolym. Denna studie har som primärt fokus att utvärdera och analysera vilka typer av data som är av vikt i syfte att förutspå kommande daglig aktiehandelsvolym. Denna studie använder därmed en mängd olika variabler indelat i fem grupper (Tid, Historik, Marknad, Extern, Kund). Modellerna tränas individuellt med varje grupp och resultatet jämförs inbördes för att besvara studiens frågeställningar. Studien fokuserar även på att analysera resultatet av att träna modellerna på samtliga grupper tillsammans. För att utvärdera resultatet används en naiv modell med 20 dagars rullande medelvärde. Resultatet från denna studie indikerar att användning av maskininlärning presterar bättre än den använda naiva modellen, för att förutspå daglig handelsvolym på aktiemarknaden. Skillnaden i resultat är dock liten. Vidare visar studiens resultat att den grupp av variabler som presterar bäst är kategorin Historik. Därmed kan det sägas att denna grupp av variabler är den viktigaste gruppen för att förutspå daglig handelsvolym, av grupperna använda i denna studie. Det går dock inte att säga att resultaten i denna studie är signifikanta. Resultaten och slutsatserna från denna studie bidrar till forskningsområdet och resultaten kan i framtiden användas för att fortsätta undersöka vilka variabler som är av intresse när det kommer till att förutspå daglig handelsvolym på aktiemarknaden.

<p>The purpose of this Bachelor thesis is to analyze if there is a correlation between stock prices and the amount of searches of the companies names on Google. The theories used in the study were Capital Asset Pricing Model (CAPM) and Efficient Market Hypothesis (EMH). Regressions analysis is used as the statistical method to see if there is a significant correlation between the stock prices and the amout of searches of the company name on Google. The data used were the rate of return of three companies (ABB, Oriflame and Sandvik) on the Nasdaq OMX Nordic stock market, the rate of return of the Nasdaq OMX Nordic stock market index (OMX Stockholm_PI) and the Google search frequency from Google Trends on each company. The result showed no significance and the conclusion of the thesis is that there is no significant correlation between the three studied companies and their search frequency on the search engine Google.</p> / <p><strong>Syfte</strong>: Syftet med uppsatsen är att undersöka ifall det finns ett samband mellan företags aktiekurser och sökfrekvens på företagets namn på söktjänsten Google.</p><p><strong>Data: </strong>Daglig avkastning på ABB:s, Oriflames och Sandviks aktier, Aktieindex samt Googels sökfrekvens.</p><p><strong>Teorier: </strong>Capital Asset Pricing Model (CAPM), Effektiva marknadshypotesen (EMH)</p><p><strong>Slutsats: </strong>Det råder inget signifikant samband mellan de undersökta företagens aktiekurser och deras företagsnamns sökfrekvens på söktjänsten Google.</p>

The purpose of this Bachelor thesis is to analyze if there is a correlation between stock prices and the amount of searches of the companies names on Google. The theories used in the study were Capital Asset Pricing Model (CAPM) and Efficient Market Hypothesis (EMH). Regressions analysis is used as the statistical method to see if there is a significant correlation between the stock prices and the amout of searches of the company name on Google. The data used were the rate of return of three companies (ABB, Oriflame and Sandvik) on the Nasdaq OMX Nordic stock market, the rate of return of the Nasdaq OMX Nordic stock market index (OMX Stockholm_PI) and the Google search frequency from Google Trends on each company. The result showed no significance and the conclusion of the thesis is that there is no significant correlation between the three studied companies and their search frequency on the search engine Google. / Syfte: Syftet med uppsatsen är att undersöka ifall det finns ett samband mellan företags aktiekurser och sökfrekvens på företagets namn på söktjänsten Google. Data: Daglig avkastning på ABB:s, Oriflames och Sandviks aktier, Aktieindex samt Googels sökfrekvens. Teorier: Capital Asset Pricing Model (CAPM), Effektiva marknadshypotesen (EMH) Slutsats: Det råder inget signifikant samband mellan de undersökta företagens aktiekurser och deras företagsnamns sökfrekvens på söktjänsten Google.

Prior research on the ability of financial ratios to predict bankruptcies has shown a significant difference between the companies that went into bankruptcy and those that survived. This paper investigates whether there is a difference in the prediction ability of financial ratios during the last financial crisis compared to relatively normal macroeconomic environments in which most previous studies have been conducted. We use univariate analysis to compare companies that went into bankruptcy during 2010 and 2011 with companies that remained active. Our dataset consists of 51 failed companies that are matched with 102 companies that remained active. All companies were Swedish limited companies with more than 50 employees and the comparison is made with 26 financial ratios. Our result indicates that financial ratios were better tools to predict bankruptcy during the crisis than during more stable macroeconomic conditions. In total 24 of the analyzed financial ratios differed significantly between the two populations and many of them showed significance earlier prior to the bankruptcy than in comparable studies.

Artificiella neuronnätverk används idag frekvent för att försöka se mönster i stora mängder data. Ser man mönster kan man till viss del se framtiden, och hur väl det fungerar på lastbilstrafik undersöks i den här rapporten. Historisk data om lastbilstrafik används med ett framåtkopplat artificiellt neuronnätverk för att skapa prognoser för lastbilars ankomster till en logistisk plats. Med ett program som skapats för att testa vilka paramterar som ger bäst resultat för det artificiella neuronnätverket så undersöks vilken datastruktur och vilken typ av prognos som ger det bästa resultatet. De två typer av prognoser som testas är tiden till nästa lastbils ankomst samt intensiteten av lastbilarnas ankomster nästa timme. De bästa prognoserna skapades när intensiteten av lastbilar för nästa timme förutspåddes, och prognoserna visade sig då vara bättre än de prognoser nuvarande statistiska metoder kan ge. / Artificial neural networks are used frequently today in order to find patterns in large amounts of data. If one can see the patterns one can to some extent see the future, and how well this works for truck traffic is researched in this report. Historical data about truck traffic is used with a feed-forward artificial neural network to create forecasts for arrivals of trucks to a logistic location. With a program that was created to test what data structure and what parameters give the best results for the artificial neural network it is researched what type of forecast gives the best result. The two forecasts that are tested are the time to the next trucks arrival and the intensity of truck arrivals the next hour. The best forecasts were created when the intensity of trucks for the next hour were predicted, and the forecasts were shown to be better than the forecasts present statistical methods can give.

The Free-To-Play industry relies on getting a huge inflow of new players that might result in future gross bookings. Consequently, getting organic new players is crucial to ensure its health, especially as they have no direct associated acquisition cost. In addition, forecasting helps business planning as future gross bookings result from those news installs. This thesis investigates methods such as Linear Regression, Ridge, Lasso regularization, time-series analysis, and Prophet to forecast the inflow of organic installs and try to understand the factors impacting it. Using the data from 3 games for two platforms and 15 countries, it investigates the differences in behavior observed over the segments. This thesis first focuses on a specific segment by modeling the inflow of organic installs for the game number 17 on iOS in the United States of America. On this segment, the best model is the Lasso model using, among others, a Prophet model as a variable. However, the generalization to all segments is difficult. On average, exponential decay over time is the best way to forecast the future inflow of organic as it presents the more consistent performances over all segments. / Free-To-Play-branschen är beroende av att få ett stort inflöde av nya spelare, som sedan eventuellt kan generera framtida intäkter. För att kunna säkerställa ett spels fortsatta hälsa är det därför avgörande att få nya spelare organiskt. Detta är särskilt viktigt då det inte innebär någon anskaffningskostnad. Då framtida intäkter är beroende av nya nedladdningar är prognostisering till stor nytta i företagsplanering. Denna uppsats använder metoder som linjär regression, Ridge, Lasso-regularization, tidsserieanalys och Prophet för att förutspå inflödet av organiska nedladdningar och förstå vilka faktorer som påverkar detta inflöde.Genom användningen av data från tre spel från två plattformar och 15 länder undersöks skillnader i beteende för olika segment. Denna uppsats fokuserar på ett specifikt segment genom att modellera inflödet av organiska nedladdningar för spel nummer 17 på iOS i USA. För detta segment är Lasso-modellen bäst, som bland annat använder Prophet-modellen som variabel. Det är dock svårt att överföra slutsatserna på andra segment. Istället är det bättre att anta en exponentiell nedgång över tid när man förutspår framtida inflöden av organiska nedladdningar, då det ger mer konsekventa resultat för alla segment.

Bakgrund: De senaste åren har intresset för att skapa enkla, validerade, kliniskt orienterade screeningverktyg som mäter biomekaniska parametrar i rörelsemönster växt fram. Bland annat har inriktningen av dessa verktyg varit att förutspå risken att drabbas av skada i det främre korsbandet (ACL) som sitter i knäleden. Det har visat sig att unga kvinnor i idrotter som medför hopp och riktningsförändringar är en högriskgrupp för denna skadetyp och därför har ACL-skadeincidensen ökat sedan allt fler kvinnor engagerar sig i utövning av idrott. Syfte: Att undersöka evidensen för att dessa kliniskt orienterade screeningverktyg förutspår utfallet av främre korsbandsskada hos unga kvinnliga idrottare och se om de kan rekommenderas. Metod: Litteraturstudie med kvalitetsbedömning och grad av evidens i vetenskapliga artiklar enligt validerad checklista och Scottish Intercollegiate Guidelines Network (SIGN). Resultat: Alla evaluerade artiklar fick den högsta evidensgraden som var möjligt för kohortstudier, 2++. Kliniskt orienterade screeningverktyg som mäter biomekaniska parametrar i rörelsemönster fick dock det lägsta rekommendationsvärdet ’D’ då motstridiga resultat visades. Detta innebar att ingen specifik rekommendation gick att göra. Diskussion: Utfallet av en ACL-skada påverkas av många faktorer utöver riskfulla rörelsemönster och därför finns flera viktiga confounders att ta hänsyn till för att hitta de avgörande faktorerna. För att kunna påvisa screeningverktygens förutspående värde och hitta överensstämmande resultat kan det krävas större studier än befintligt gjorda. Slutsats: De biomekaniska screeningverktygen som undersöktes i denna studie visade otillräckliga resultat för att kunna göra ett rekommendationsutlåtande för klinisk användning / Background: Simple tools to predict injuries in high risk sport would be an important development to reduce the amount of injuries and to develop preventative protocols. One such method is biomechanical screening tools where several methods have been developed. One type of injury that has been in focus of predicting is an injury in the anterioer cruciate ligament (ACL) which is located in the kneejoint. Studies have found that young female athletes in sports that involve jumps and cutting maneuvers are at increased risk of suffering this type of injury. Since the number of females engaging in sports is increasing, the incidence of ACL-injurys so do. Aim of the study: To grade the evidence for these clinical oriented screening tools in predicting the outcome of anterior cruciate ligament injury in a population of young female athletes, then state a grade of recommendation. Methods: A literature review of grading quality and evidence in scientific articles according to a validated checklist and Scottish Intercollegiate Guidelines Network (SIGN). Results: All of the evaluated articles scored the highest grade possible for cohort studies, 2++. However, clinical oriented screening tools which measure biomechanical parameters in movement patterns got the lowest possible grade of recommendation, ’D’, since inconsistent results were shown. This meant that no specific recommendation could be done. Discussion: The outcome of an ACL-injury is affected by multiple factors and not only riskful movement patterns. There are many important confounders that could be adjusted for in finding the concluding factors. To be able to demonstrate the predictive value of the screeningtools and find consistent results it could require larger studies than yet available. Conclusion: The reviewed biomechanical screening tools showed insufficient results to state a grade of recommendation for clinical application.

This qualitative study focuses on finding out how middle school teachers work with the reading strategy “to predict” to develop students into good readers. The starting point was to find out how they work and how they help students become better readers through scaffolding. In addition, the study focuses on teachers' different experiences regarding the reading strategy. The results are analyzed based on Duke &amp; Pearson's reading teaching model, Vygotsky's theory about scaffolding as well as a phenomenographic approach.  The results show that teachers work differently with the reading strategy. Their main reason for using the strategy is to arouse students' interest and thus get them to read more. This will make students good readers. The results also show that they are working with the strategy when reading a new book or text. Students will have the opportunity to explain, motivate and argue. The teachers support the students by being there as the competent second and through guidance that provides students with enough knowledge to cope with a task on their own. Finally, the results can be summarized in such way that teachers have different experiences and knowledge regarding the strategy “to predict” and therefore interpret the curriculum differently. The teaching therefore does not look the same in all classrooms and the use of the strategy becomes visible in different teachers.

Varje år går tusentals företag i konkurs, vilket innebär förluster för samhället i stort och för de intressenter som på något sätt kan förknippas till företaget. För banken som lånar ut krediter till företag som går i konkurs innebär det kreditförluster om det inte finns säkerheter som täcker lånet. Därför är behovet av tidiga varningssignaler av stor betydelse för intressenter. Syftet med detta arbete är att teoretiskt analysera och empiriskt pröva varningssignaler för konkurser samt förklara signaler om förestående konkurs i kreditbedömning. Studiens resultat visar att risker för konkurser kan upptäckas med hjälp av finansiella och icke-finansiella nyckeltal. Resultatet i denna studie visar att återbetalningsförmåga, vilket består av soliditet och likviditet är den viktigaste varningssignaler bland de finansiella nyckeltalen. Revisionsanmärkningar, bankens egna mätinstrument, erfarenhet och VD:ns ålder är de viktigaste varningssignalerna bland de icke-finansiella nyckeltalen. Resultatet visar även att dessa varningssignaler blir starkare desto närmare konkurs företaget är. / Every year thousands of firms file for bankruptcy, creating considerable loses for the society and stakeholders associated with the firm. A bankruptcy by a firm, that a bank have loaned money to, can also affect the bank considerably if there are not assets enough to cover the outstanding debt. Considering the negative consequences of a bankruptcy it is of paramount interest to be able to spot early warning signals. The study shows that bankruptcy risks can be detected with the help of the firm´s financial and non-financial key assessment indicators.  The purpose of this paper is to theoretically and empirically study warning signals of bankruptcies, in order to identify and explain the signals in the credit assessments before occurrence of the bankruptcy.  The result of this study shows that the refund assessment consisting of solidity and liquidity are the most important warning signals among the financial key assessment indicators. Remarks, the bank´s own measuring instrument, experience, and the CEO´s age are the most important warning signals among non-financial key assessment indicators. Additionally, results show that the warning signals become stronger the closer the company proceeds towards bankruptcy.