In security markets, the stock price movements are closely linked to the market information. For example, the subprime mortgage triggered a global financial crisis in 2007. Drops occurred in virtually every stock market in the world. After the Federal Reserve took several steps to address the crisis, the stock markets have been gradually stable. Reaction of the traders to the arrival information results in different patterns of the stock price movements. Thus pattern matching is an important subject in future movement prediction, rule discovery and computer aided diagnosis. In this research, we propose a pattern matching procedure to seize the similar stock price movements of two listed companies during one day. First, the algorithm of searching the longest common subsequence is introduced to sieve out the time intervals where the two listed companies have the same integrated volatility levels and price rise/drop trends. Next we transform the raw price data in the found matching time periods to the Bollinger Band Percent data, then use the power spectrum to extract low frequency components. Adjusted Pearson chi-squared tests are performed to analyze the similarity of the price movement patterns in these periods. We perform the study by simulation investigation first, then apply the procedure to empirical analysis of high frequency transaction data of NYSE.

This degree project aims to explore the subject of forecasting, which is an ongoing and much alive debate within economics and finance. Within the forecasting field the available research is vast and even if restricted to real estate, which is the main focus of this paper, the available material is comprehensive. A large fraction of published research concerning the subject of real estate forecasting consists of post mortem studies, with econometric models trying to replicate historical trends with the help of available micro and macro data. This branch within the field of forecasting seems to advance and progress with help of refined econometric models. This paper, on the other hand, rather examines the fundamentals behind forecasting and why forecasting can be a difficult task in general. This is shown with an examination of the accuracy of 160 unique forecasts within the field of real estate. To evaluate the accuracy and predictability from different perspectives we state three main null hypotheses: 1. Correct forecasts and the direction of the predictions are independent variables. 2. Correct forecasts and the examined consultants are independent variables. 3. Correct forecasts and the examined cities are independent variables. 4 The observed frequencies for Hypothesis 1 indicate that upward predictions seem to be easier to predict than downward predictions. This is however not supported by the statistical tests. The observed frequencies for Hypothesis 2 clearly indicate that one consultant is a superior forecaster than compared to the other consultants. The statistical tests confirm this. The observed frequencies for Hypothesis 3 indicate no signs of dependence for the variables. The statistical tests confirm this. / Detta examensarbete ämnar att utforska ämnesområdet kring prognoser och prognosmakande, vilket är en högst levande debatt inom ekonomi och finans. Inom detta område är tillgänglig forskning mycket omfattande och även om materialet begränsas till fastighetsmarknaden, som är huvudspåret i denna uppsats, är mängden information ansenlig. En stor andel av publicerad forskning som berör prognoser av fastighetsmarkanden består ofta av studier av typen "post mortem", där man med ekonometriska modeller försöker efterlikna tidigare historiska trender med hjälp av tillgänglig mikro- eller makrodata. Denna gren av forskningen tycks vinna mark och fortsätter att utvecklas med hjälp av allt mer avancerade ekonometriska modeller. Denna studie fokuserar däremot snarare på de fundamentala elementen av prognosmakande och varför detta ibland kan vara en problematisk uppgift. Detta visas med hjälp av en undersökning gällande utfallet och träffsäkerheten av 160 unika prognoser på fastighetsmarknaden. 7 För att utvärdera träffsäkerheten hos prognoserna sätts tre olika nollhypoteser upp: 1. Korrekt prognos och riktning av prognos är oberoende variabler. 2. Korrekt prognos och konsult är oberoende variabler. 3. Korrekt prognos och undersökta städer är oberoende variabler. De observerade frekvenserna för Hypotes 1 indikerar att uppåtgående prognoser är enklare att förutspå än övriga prognoser. Detta kan dock inte stödjas av de statistiska testerna. De observerade frekvenserna för Hypotes 2 indikerar tydligt att en konsult är en överlägsen prognosmakare än övriga konsulter. Detta stöds av de statistiska testerna. De observerade frekvenserna för Hypotes 3 indikerar inget samband av beroende mellan variablerna. Detta kan dock inte stödjas av de statistiska testerna.