Ett aktieinnehav är en etablerad form av sparande som syftar till att ett sparkapital växer. Det finns många olika faktorer som är avgörande för hur en individ tänker när denne ska investera i aktier, vissa grundar sig i personlighet och vem individen är, medan andra i individens preferenser och omgivning. Det finns även ett antal metoder att tillgå vid aktieplacering. De kan exempelvis basera sig på matematiska formler för aktieplacering, analyser av företag eller aktiemarknaden. Faktorerna och metoderna är många, därmed kan frågan om en människa kan beakta alla påverkande faktorer och göra en kvalificerad gissning om vilken aktie som kommer ge störst avkastning ställas. Syftet med den här studien är att undersöka om en människas aktiva val av sammansättningen av aktier kan påverka resultatet i en aktieportfölj. Studien mäter därför om det finns en skillnad i avkastningen mellan slumpmässigt sammansatta aktieportföljer och de sammansatta av personer med intresse i aktiesparande. Vidare undersöker studien hur Covid-19s utbrott påverkat avkastningen i de båda portföljslagen. Studien bygger på ett deduktivt angreppssätt och en kvantitativ forskningsmetod. Primärdatan består av enkätsvar från personer som är medlemmar i föreningar och grupper för aktieintresserade. Vidare utgörs den av aktieportföljer sammansatta med hjälp av Excels slumpgenerator. Studiens resultat visade att de aktivt sammansatta portföljerna fick bättre avkastning jämfört med de slumpmässigt sammansatta portföljerna på kort sikt, men inte på längre sikt. Under Covid-19 gick värdena på portföljerna kraftigt ner och sträckte sig över ett lägre spann än tidigare. Det betyder att innan krisen avvek värdet på portföljerna i genomsnitt mer från medelvärdet, men efter krisen låg de närmare det. / To hold stocks is an established form of savings, with the aims to grow the capital. There are many different factors that determine how an individual will act when investing in stocks. Some are based on personality, while others are based on the individual's preferences and immediate environment. There are a numbers of methods to apply when investing in stocks too, these can be based on mathematical formulas, extensive company or stock market analyses. Since the determinants regarding stock investments are many, the question is if a person can make qualified decision amongst them, to yield the greatest profit.The purpose of this paper is to investigate whether a person's choice regarding investments in stocks can affect the performance of a stock portfolio. Therefore this study measures whether there is a significant difference in the return between a randomly composed stock portfolio and one put together by a person with a personal interest in stocks. This paper also examines how Covid-19's outbreak affected the return between the two kinds of portfolios.This study is constructed with a deductive approach and with a quantitative research method. The primary data consists of a survey conducted by individuals who are members of groups with a shared interest in shareholding. Furthermore, the primary data is compiled of stock portfolios, composed by using Excel's random number function. The results indicate that the portfolios compiled by the surveyees gained greater returns compared to the randomly composed portfolios during a period of three months, during a year the differences in the portfolios are insignificant. On average, the both types of portfolios gained over 30 percent yield during the period 2019-01-15 to 2020-01-15. After the economic crisis that Covid-19 generated, the yield from the two different types of stock portfolios had a lower standard deviation, which means that all the stock portfolios had a yield closer to the average than before. This may origin from the overvaluation of the market or that economic crises generated a more efficient market.This paper is written in Swedish.

Algorithms have been used in finance since the early 2000s and accounted for 25% of the market around 2005. In this research, algorithms account for approximately 85% of the market. The challenge faced by many investors and fund managers is beating the Swedish market index OMXS30. This research investigates publicly available algorithms and their potential for implementation and modification to outperform the market. There is a lot of research done on the subject and most of the research found was mostly at a high academic level. Although few algorithms were found in the search, some algorithms that managed to beat other markets caught interest. The market data for this research was obtained from Nordnets closed API, specifically the historical price data of various financial securities. The algorithms use the historical price data to generate buy and sell signals which represents a trade. These trades were then used to calculate performance metrics such as the geometric mean and the sharpe ratio. The performance metrics are used to measure and compare performance with the OMXS30 using a quantitative method. On average, the algorithms did not perform well on the chosen securities, although some securities stood out in all cases. Beating the market is considered a difficult task, and this research reflects some of the challenges involved. The chosen method highlights the importance of the stocks the algorithms trade, emphasizing that stocks cannot be chosen randomly. Building a fully automated unsupervised trading system is challenging and requires extensive work. Some strategies tend to require human supervision to maximize returns and limit losses, while others yield low returns for low risk. / Algoritmer har använts inom finans sedan början av 2000-talet och utgjorde cirka 25% av marknaden runt 2005. När detta arbete utförs står algoritmer för cirka 85% av marknadsvolymen. Utmaningen som många investerare och fondförvaltare står inför är att slå den svenska marknadsindexet OMXS30. Detta arbete undersöker offentligt tillgängliga algoritmer och deras potential att implementeras och modifieras för att överträffa marknaden. Det finns mycket forskning gjord inom ämnet och majoriteten av denna forskning är på en hög akademisk nivå. Trots att få algoritmer hittades i sökningen, fanns det ett fåtal algoritmer som lyckats slå andra marknadsindex. Marknadsdata för denna forskning erhölls från Nordnets slutna API, specifikt historisk prisdata från olika finansiella värdepapper. Algoritmerna använder den historiska prisdatan för att generera köp- och säljsignaler. Dessa köp och säljsignaler användes sedan för att beräkna prestandamått som geometrisk medelvärde och riskjusterad avkastning. Prestandamåtten används för att mäta och jämföra prestanda med OMXS30 genom en kvantitativ metod. I genomsnitt presterade algoritmerna inte väl på de valda värdepappren, även om vissa värdepapper utmärkte sig i alla fall. Att slå marknaden anses vara en svår uppgift och denna forskning speglar några av de utmaningar som är involverade. Den valda metoden belyser vikten av de aktier som algoritmerna handlar med och betonar att aktier inte kan väljas slumpmässigt. Att bygga ett helt automatiserat obevakat handelssystem är utmanande och kräver omfattande arbete. Vissa strategier visade sig vara i behov av mänsklig övervakning för att maximera avkastningen och begränsa förluster, medan andra gav låg avkastning för låg risk.

Increased motivation by utilizing gamification is investigated in this report. Two problems in society were alerted by a finance company in collaboration with a Swedish university. The first problem was that people did not save enough for their retirement. The second problem was that some people saved money but did not have the money invested, which the finance company calls sleeping money. The company found that the reason for this was due to lack of motivation. In a general perspective, the two core problems are lack of motivation and unused resources in society. If sleeping resources were utilized, it could benefit those using the resource, the owner of the resource, and in society as a result of increased utilization of these resources. Multi-sided platforms are being used in various industries and are a great way to interconnect two different sides of a market, i.e. buyers and sellers. Gamification is proven to be an efficient way to motivate people. Therefore, the purpose of this study is to find a solution to how sleeping resources can be activated by utilizing gamification on a multi-sided platform. Generally, it was concluded that gamification can both intrinsically and extrinsically motivate users to activate sleeping resources. / Ökad motivation genom att använda spelifiering undersöks i denna rapport. Ett finansbolag i samarbete med ett svenskt universitet uppmärksammade två problem i samhället. Det första problemet var att människor inte sparade tillräckligt för sin pension. Det andra problemet var att vissa människor sparade pengar men inte hade pengarna investerade, vilket finansbolaget kallar sleeping money eller på svenska: sovande pengar. Företaget kom fram till att orsaken till detta berodde på brist av motivation. I ett generellt perspektiv är de två kärnproblemen brist på motivation och att det finns mycket outnyttjade resurser i samhället. Om de outnyttjade resurserna används kan det gynna de som använder resursen, ägaren av resursen och hela samhället som ett resultat av ökat utnyttjande av dessa resurser. Flersidiga plattformar används i olika branscher och är ett bra sätt att koppla samman två olika sidor på en marknad, det vill säga köpare och säljare. Spelifiering har visat sig vara ett effektivt sätt att motivera människor. Syftet med denna studie är därför att hitta en lösning på hur sovande resurser kan aktiveras genom att använda spelifiering på en flersidig plattform. Generellt drogs slutsatsen att spelifiering kan aktivera sovande resurser med både inre och yttre motivation.

Deep learning techniques have exhibited remarkable capabilities in capturing nonlinear patterns and dependencies in time series data. Therefore, this study investigates the application of the Long-Short-Term-Memory (LSTM) algorithm for stock price prediction in intraday quantitative trading using Swedish stocks in the OMXS30 index from February 28, 2013, to March 1, 2023. Contrary to previous research [12, 32] suggesting that past movements or trends in stock prices cannot predict future movements, our analysis finds limited evidence supporting this claim during periods of high volatility. We discover that incorporating stock-specific technical indicators does not significantly enhance the predictive capacity of the model. Instead, we observe a trade-off: by removing the seasonal component and leveraging feature engineering and hyperparameter tuning, the LSTM model becomes proficient at predicting stock price movements. Consequently, the model consistently demonstrates high accuracy in determining price direction due to consistent seasonality. Additionally, training the model on predicted return differences, rather than the magnitude of prices, further improves accuracy. By incorporating a novel long-only and long-short trading strategy using the one-day-ahead predictive price, our model effectively captures stock price movements and exploits market inefficiencies, ultimately maximizing portfolio returns. Consistent with prior research [14, 15, 31, 32], our LSTM model outperforms the ARIMA model in accurately predicting one-day-ahead stock prices. Portfolio returns consistently outperforms the stock market index, generating profits over the entire time period. The optimal portfolio achieves an average daily return of 1.2%, surpassing the 0.1% average daily return of the OMXS30 Index. The algorithmic trading model demonstrates exceptional precision with a 0.996 accuracy rate in executing trades, leveraging predicted directional stock movements. The algorithmic trading model demonstrates an impressive 0.996 accuracy when executing trades based on predicted directional stock movements. This remarkable performance leads to cumulative and annualized excessive returns that surpass the index return for the same period by a staggering factor of 800. / Djupinlärningstekniker har visat en enastående förmåga att fånga icke-linjära mönster och samband i tidsseriedata. Med detta som utgångspunkt undersöker denna studie användningen av Long-Short-Term-Memory (LSTM)-algoritmen för att förutsäga aktiepriser med svenska aktier i OMXS30-indexet från den 28 februari 2013 till den 1 mars 2023. Vår analys finner begränsat stöd till tidigare forskning [12, 32] som hävdar att historisk aktierörelse eller trend inte kan användas för att prognostisera framtida mönster. Genom att inkludera aktiespecifika tekniska indikatorer observerar vi ingen betydande förbättring i modellens prognosförmåga. genom att extrahera den periodiska komponenten och tillämpa metoder för egenskapskonstruktion och optimering av hyperparametrar, lär sig LSTM-modellen användbara egenskaper och blir därmed skicklig på att förutsäga akrieprisrörelser. Modellen visar konsekvent högre noggrannhet när det gäller att bestämma prisriktning på grund av den regelbundna säsongsvariationen. Genom att träna modellen att förutse avkastningsskillnader istället för absoluta prisvärden, förbättras noggrannheten avsevärt. Resultat tillämpas sedan på intradagshandel, där förutsagda stängningspriser för nästkommande dag integreras med både en lång och en lång-kort strategi. Vår modell lyckas effektivt fånga aktieprisrörelser och dra nytta av ineffektiviteter på marknaden, vilket resulterar i maximal portföljavkastning. LSTM-modellen är överlägset bättre än ARIMA-modellen när det gäller att korrekt förutsäga aktiepriser för nästkommande dag, i linje med tidigare forskning [14, 15, 31, 32], är . Resultat från intradagshandeln visar att LSTM-modellen konsekvent genererar en bättre portföljavkastning jämfört med både ARIMA-modellen och dess jämförelseindex. Dessutom uppnår strategin positiv avkastning under hela den analyserade tidsperioden. Den optimala portföljen uppnår en genomsnittlig daglig avkastning på 1.2%, vilket överstiger OMXS30-indexets genomsnittliga dagliga avkastning på 0.1%. Handelsalgoritmen är oerhört exakt med en korrekthetsnivå på 0.996 när den genomför affärer baserat på förutsagda rörelser i aktiepriset. Detta resulterar i en imponerande avkastning som växer exponentiellt och överträffar jämförelseindex med en faktor på 800 under samma period.