Syfte: Syftet med denna studie är att undersöka förhållandet mellan aktiesplit och överavkastning och att fastställa om en enskild investerare kan uppnå en överavkastning genom att investera i aktier noterade på OMXSPI som har genomfört en aktiesplit. Genom en genomgå av tidigare forskning samt genomförande av en egen dataanalys kommer denna studie att undersöka huruvida aktier som har genomfört en aktiesplit genererar en överavkastning jämfört med aktier som inte har genomgått en split. Teoretisk referensram: Denna studie bygger på och utmanar antagandet av den effektiva marknadshypotesen som hävdar att det inte är möjligt för en enskild investerare att uppnå överavkastning. Signalhypotesen och handelsintervallshypotesen kommer också att beaktas i undersökningen. Metod: Denna studie är av kvantitativ karaktär och använder en deduktiv ansats. Undersökningsmodellen är baserad på 131 handelsdagar som är uppdelade i fem olika eventfönster. Prisdata har samlats in för hela händelseperioden, och därefter har data bearbetats matematiskt och analyserats statistiskt. Slutsats: Resultaten från studien antyder att aktier som genomgick en aktiesplit mellan 2010 och 2022 genererade en avkastning som var 10,89% högre än aktier som inte genomgick en aktiesplit. Resultaten av studien kan bekräftas med 99% säkerhet. / Purpose: The study examines the relationship between stock splits and abnormal return, in order to investigate whether an individual investor can generate excess returns by investing in stocks listed on OMXSPI that are scheduled to undergo a split. By reviewing previous research and conducting an independent data analysis, the study will investigate whether stocks that have undergone a split generate abnormal return compared to those that have not undergone a split. Theoretical perspectives: The study builds on and challenges the efficient market hypothesis assumption that it is not possible for an individual investor to generate excess returns. The signaling hypothesis and the trading range hypothesis will also be considered. Method: The study is of a quantitative nature with a deductive approach. The research model is based on 131 trading days divided into five different events. Price data is collected for the entire event period and is mathematically calculated and analyzed statistically. Conclusions: The study's results indicate that stocks that undergo a stock split between 2010-2022 generate a 10.89% higher return than stocks that do not undergo a stock split. The results can be confirmed with a 99% level of certainty.

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.