This thesis is focused on new trends in business of chosen czech retail chains. Except of introduction and close, it has four main parts - retail, usage of quantitative methods in retail, trends and future of retail chains. The main emphasis is placed on estimation of strategies of these retailers. The results of the estimation are extract from financial analyze, DEA - Data Envelopment Analysis and outcomes from market researches. For the elaboration there were used lots of information sources mainly from internet.

För att upprätthålla en blomstrande ekonomi i samhället är det viktigt att marknaderna och de finansiella systemen är välfungerande och rationella, eftersom stabil ekonomisk tillväxt ökar välfärden i samhället. En grundläggande förutsättning för detta antagande är att företag värderas med förnuft och rationalitet för att undvika övervärderingar, vilket i sin tur kan ledatill volatilitet och minskad likviditet som inte är fördelaktigt för att upprätthålla förtroende föraktievärdering. Den digitala eran vi lever i har gjort det möjligt för nästan vem som helst att agera investerare på olika börser. Börserna är och har under de senaste åren varit högre värderade än någonsin tidigare. Att investera är att fatta ekonomiska beslut genom att allokera medel i tillgångar, där du förväntar dig en avkastning på investeringen. När en investerare förvärvar sådana tillgångar baserar de vanligtvis sitt beslut på tillgängliga ekonomiska data. Denna ekonomiska data kan komma i olika former, det kan vara årsredovisningar, kvartalsrapporter, värderingar, nyheter om företaget, globala externa faktorer och i vissa fall rekommendationer från andraköpare. Alla investerare har inte den djupgående kunskap som krävs för att sätta ett fundamentaltvärde på en aktie i ett företag, detta medför en risk för övervärdering för företag. Det finns många modeller och metoder för att värdera ett företag och en typisk metod som används är substansvärdering. Kortfattat betyder det att du drar av ett företags totala skulder från de totalatillgångarna, vilket ger dig ett substansvärde på aktierna. Man skulle snabbt inse att detta inte speglar det verkliga värdet av alla företag och därmed inte ger den fullständiga bilden av marknaden och tillväxten. / To sustain a thriving economy in society it's important that the markets and financial systems are well functioning and rational, since stable economic growth increases welfare in society. A fundamental condition for this assumption is that companies are valued with reason and rationality to avoid overevaluations, which in turn may lead to volatility and decreased liquidity that are non-beneficial for maintaining a trust in stock valuation. The digital era we live in has made it possible for almost anyone to act as an investor indifferent stock exchanges. The stock markets are and have for the past years been higher value than ever before. To invest is to conduct economic decisions by allocating means in assets, in which you expect a return on the investment. When an investor acquires such assets they usually base their decision on the economic data available. This economic data may come in different shapes, it could be annual reports, quarterly reports, valuations, news about the company, global external factors and in some cases recommendations from other buyers. All investors don't possess the profound knowledge required to put a fundamental value on a stock in a company, this brings a risk of overvaluation for companies. There are numerous models and methods to value a company and a typical method that is applied is substance valuation. In short, that means that you subtract a company's total liabilities from the total assets, that gives you a substance value of the stocks. One would quickly realize that this doesn't reflect the true value of all companies and thus not giving the full picture of the market and growth. This study is written in Swedish language.

As the cryptocurrency markets continuously grow, so does the need for reliable analytical tools for price prediction. This study conducted a comparative analysis of machine learning (ML) algorithms for cryptocurrency price prediction. Through a literature review, three common and reliable ML algorithms for cryptocurrency price prediction were identified: Long Short-Term Memory (LSTM), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost). Utilizing the Bitcoin All Time History dataset from TradingView, the study assessed both the individual performance of each algorithm and the potential of ensemble methods to enhance predictive accuracy. The results reveal that the LSTM algorithm outperformed RF and XGBoost in terms of predictive accuracy according to the metrics Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). Additionally, two ensemble approaches were tested: Ensemble 1, which enhanced the LSTM model with the combined predictions from RF and XGBoost, and Ensemble 2, which integrated predictions from all three models. Ensemble 2 demonstrated the highest predictive performance among all models, highlighting the advantages of using ensemble approaches for more robust predictions.