Att i förväg försöka förutsäga vilket lag som kommer vinna i en fotbollsmatch har nog de flesta försökt sig på någon gång. Att gissa och att faktiskt försöka att analysera båda lagens förutsättningar är två väldigt olika metoder att komma fram till sitt resultat. I och med att datorkraften de senaste åren kraftigt förbättrats har det också kommit fler och framför allt tyngre matematiska modeller för att skatta utfallet av matcher. I detta examensarbete används Pi-ratingsystemet som går ut på att varje lag får en rating för hur bra man är på hemma- respektive bortaplan. Som en utveckling av den ursprungliga Pi-rating modellen används det i detta arbete tre olika modeller för att prediktera lagens framtida rating. Modellerna som används är enkelt glidande medelvärde, enkel exponentiell utjämning och en ARIMA-modell. En lösning på hur nya lag som inte spelade i ligan föregående år ska behandlas föreslås också. Avslutningsvis diskuteras olika investeringsmetoder som kan användas för att använda resultat från modellerna på marknaden för vadslagning. Resultatet visar att en spelstrategi som utnyttjat Kellys formel ger störst avkastning för kalibreringsdatat. När denna strategi används på matcher utanför kalibreringsåren visar resultatet på en mycket låg vinst och framför allt att vinsten under lång tid är negativ, vilket från en investeringssyn inte är något man önskar. Sammanfattningsvis är denna metod inte i sig själv tillräckligt bra för att ge en säker avkastning men är en bra grund som kan byggas ut för att ta hänsyn till fler faktorer och då ge möjlighet till stabilare och mer långsiktiga vinster. / To predict a soccer game in advance is something that has been done by most people. If the prediction is the result of an advanced mathematical formula or just ha pure guess done on your favorite team is very different. Since the computer power in recent years has greatly improved the number of mathematical approaches has increased and it is especially the computational heavy models that have increased in number. In this thesis the Pi-rating system is used it gives each team a home and away rating that describe how good/bad they are compared to the average competing team. As an extension of the original Pi-rating model, in this thesis time series analysis is used to predict future values of the teams rating, three different methods are tested and they are simple moving average, simple exponential smoothing and an ARIMA-model. A solution to how new teams that did not play in the league last year should be handled is also suggested. Finally a breath discussion and test of different investment methods that can be applied on the final model to be used on the sport betting market. The results show that the greatest returns on the calibration data is achieved when Kelly’s formula is used as an investment method on an ARIMA(0,1,1)-model, but when this strategy is used outside calibration data, the result shows a very low profit and the method  fails to give a stable long term return, which from an investment point of view is not desirable. The conclusion is that this method is not in itself good enough to provide a safe return but is a good foundation that can be expanded to take more factors into account, and then hopefully give bigger and more stable winnings.