This is a study where the purpose is to investigate the risk-adjusted return and the correlation between the two investments, the stock market and the condominium market. In addition to this, it was analyzed how the two investments performed during the financial crisis and the covid-19 crisis. Study is carried out to get answers to the eternal question of which of these two investments is considered the most suitable for both short-term or long-term investment goals where financial conditions are taken into account. The study conducted various tests such as Pearson correlation test, volatility and regression models. The Sharpe ratio was used to measure the risk-adjusted return. These are carefully selected to see what returns the two investments give at different risks, as well as how the investments correlate with each other during crises and conditions of economic growth. The conclusion reached by this study is that the investor should diversify and invest in both investments. This is because their risk versus return profile becomes more even by investing in both investments. When one investment does worse, the other investment will, according to the study's various tests, make the return and risk profile more stable. Despite the high correlation between the investments, diversification is useful in case of possible future economic crises. / Detta är en studie där syftet är att undersöka den riskjusterade avkastningen samt korrelationen  mellan de två investeringarna aktiemarknaden och bostadsrättsmarknaden. Utöver detta analyserades hur de två investeringarna presterade under finanskrisen och covid-19-krisen.  Studie är genomförd för att få svar på den eviga frågan om vilken av dessa två investeringar som anses vara lämpligast för både kortsiktiga eller långsiktiga investeringsmål där ekonomiska förhållanden tas i akt.  Studien genomförde olika tester som Pearson korrelationstest, volatilitet och regressionsmodeller. Sharpekvoten användes  för att mäta den riskjusterade avkastningen. Dessa är noga utvalda för att se vad de två investeringarna ger för avkastning vid olika risker, samt hur investeringarna korrelerar med varandra under kriser och förhållanden vid ekonomisk tillväxt. Slutsatsen som denna studie kom fram till är att investeraren bör diversifiera sig och investera i båda investeringarna. Detta på grund av att deras riskprofil kontra avkastning blir mer jämnare genom att investera i båda investeringarna. När den ena investeringen går sämre kommer den andra investeringen som enligt studiens olika tester att göra att avkastningen och riskprofilen blir mer stabil. Trots den höga korrelationen mellan investeringarna så är diversifiering användbar vid eventuella framtida ekonomiska kriser.

This paper investigates correlation between energy consumption 24 hours ahead and features used for predicting energy consumption. The features originate from three categories: weather, time and previous energy. The correlations are calculated using Pearson correlation and mutual information. This resulted in the highest correlated features being those representing previous energy consumption, followed by temperature and month. Two identical feature sets containing all attributes1 were obtained by ranking the features according to correlation. Three feature sets were created manually. The first set contained seven attributes representing previous energy consumption over the course of seven days prior to the day of prediction. The second set consisted of weather and time attributes. The third set consisted of all attributes from the first and second set. These sets were then compared on different machine learning models. It was found the set containing all attributes and the set containing previous energy attributes yielded the best performance for each machine learning model. 1In this report, the words ”attribute” and ”feature” are used interchangeably. / I denna rapport undersöks korrelation och betydelsen av olika attribut för att förutspå energiförbrukning 24 timmar framåt. Attributen härstammar från tre kategorier: väder, tid och tidigare energiförbrukning. Korrelationerna tas fram genom att utföra Pearson Correlation och Mutual Information. Detta resulterade i att de högst korrelerade attributen var de som representerar tidigare energiförbrukning, följt av temperatur och månad. Två identiska attributmängder erhölls genom att ranka attributen över korrelation. Tre attributmängder skapades manuellt. Den första mängden innehåll sju attribut som representerade tidigare energiförbrukning, en för varje dag, sju dagar innan datumet för prognosen av energiförbrukning. Den andra mängden bestod av väderoch tidsattribut. Den tredje mängden bestod av alla attribut från den första och andra mängden. Dessa mängder jämfördes sedan med hjälp av olika maskininlärningsmodeller. Resultaten visade att mängden med alla attribut och den med tidigare energiförbrukning gav bäst resultat för samtliga modeller.