Algoritmisk högfrekvenshandel har från att ha varit en ifrågasatt handelsform, blivit ett naturligt och accepterat handelsförfarande på värdepappersmarknaden. Handelsformen har emellertid endast reglerats genom marknadsmissbrukslagen och marknadsplatsernas självreglering. När EU-direktivet MiFID II implementeras i nationell lagstiftning får handelsformen för första gången en legaldefinition och kommer således att regleras uttryckligen i svensk lagstiftning. I uppsatsen klargörs vilken marknadspåverkan och risker handelsformen ger upphov till på den svenska värdepappersmarknaden. Handelsformen bedöms medföra en positiv effekt på likviditeten i form av minskad spread, ökat orderdjup och kortsiktigt minskad volatilitet. Beträffande riskerna bedöms handelsformen vara tillräckligt reglerad i Stockholmsbörsens självreglering och i marknadsmissbrukslagen för att riskerna ska bedömas som ringa. I uppsatsen besvarades även om artikel 17 i MiFID II är en sakenlig reglering avseende regleringens syfte och marknadspåverkan. Implementeringen av artikel 17 innebär i praktiken att Stockholmsbörsens självreglering blir nationell lagstiftning med skillnaden att sanktioner vid överträdelser förstärks. Nuvarande reglering anses som tillräcklig avseende att marknadsmanipulativa strategier är förbjudna samtidigt som circuit breakers, order to trade ratios och regler beträffande genuina order skyddar marknaden. Samtidigt medför inte artikel 17 i MiFID II någon ytterligare negativ marknadspåverkan. Följaktligen bedömdes artikel 17 i MiFID II som en sakenlig reglering av algoritmisk högfrekvenshandel beträffande dess syfte och marknadspåverkan. Slutligen utreddes om två lagförslag, minimum resting time och forced market making vore välbehövliga för värdepappersmarknaden. Lagförslagen minimum resting time och forced market making bedömdes orsaka en alltför negativ marknadspåverkan samtidigt som lagförslagen i praktiken inte skulle föranleda varken en mer ordnad värdepappersmarknad eller underlätta för marknadsövervakningen. Istället för att leda till en mer ordnad och transparent marknad skulle lagförslagen medföra att transparensen på värdepappersmarknaden försämrades, eftersom investerare som använder algoritmisk högfrekvenshandel skulle flytta sin handel till oreglerade marknadsplatser.

Syfte: Högfrekvenshandel har på senare år varit ett omdiskuterat och kontroversiellt ämne. Fenomenet har genomgått omfattande granskning och åsikterna kring dess påverkan på marknaden och dess aktörer går isär. Då tidigare forskning främst genomförts på den amerikanska marknaden är syftet med den här studien att bistå med en djupare insikt kring denna typ av handel och dess avtryck på den svenska finansmarknaden. Metod: För att behandla syftet har en kvalitativ studie av högfrekvenshandel med en deduktiv ansats genomförts. Teori: Studien utgår från Rational Choice Theory, Effektiva marknadshypotesen och tidigare forskning inom ämnet. Med hjälp av det teoretiska ramverket har studien analyserat det empiriska underlaget. Relevanta aspekter har identifierats som kan förklara varför studiens respondenter har ett specifikt förhållningssätt gentemot högfrekvenshandel. Empiri: Studien består av en dokumentstudie och fyra semistrukturerade intervjuer med intressenter på den svenska finansmarknaden. Intervjuerna ämnar identifiera de olika intressenternas förhållningssätt gentemot högfrekvenshandel och dess bakomliggande orsaker. Slutsats: Studien har kommit fram till att förhållningssättet gentemot högfrekvenshandel står i relation till vilken typ av verksamhet som intressenten bedriver. Vidare kan det konstateras att tidigare forskning till stor del går att applicera på den svenska marknaden. / Purpose: In recent years, High Frequency Trading has been a widely debated and controversial topic. The phenomenon has been subject to extensive examination and the opinions regarding its effect on the financial markets are inconsistent. Previous research has foremost been conducted on the American financial market. Thus the purpose of this thesis is to contribute with deeper insight regarding this kind of trading and its impact on the Swedish financial market. Method: To address the purpose of this thesis, a qualitative study with a deductive approach has been conducted. Theory: The thesis emanates from Rational Choice Theory, The Efficient Market Hypothesis and previous research within the field. Using the theoretical framework, the thesis has analyzed the empirical data. Relevant aspects has been identified which can explain why the thesis’ respondents has a specific approach towards High Frequency Trading. Empirics: The thesis consists of a document study and four semi structured interviews with stakeholders on the Swedish financial market. Through these interviews, the thesis aims to identify the stakeholders’ different approaches towards High Frequency Trading and what might cause this particular point of view. Conclusion: The thesis can conclude that the approach towards High Frequency Trading is correlated to the type of operation conducted by the respondent. Furthermore, it can be concluded that previous research in general is applicable on the Swedish financial market.

Titel:  Flash-krascher – ett allvarligt problem på Stockholmsbörsen? Författare:  Madelene Söderström & Sebastian Roth Handledare: Bo Sjö Ämne:  Nationalekonomi – Kandidatuppsats inom finans Syfte:  Syftet med arbetet är att fördjupa förståelsen kring flash-krascher och vilken påverkan dessa har på handeln av värdepapper som sker på Stockholmsbörsen. Vi hoppas också att studien ger en klarare bild av hur flash-krascher påverkar olika aktörer med koppling till aktiehandeln i Sverige. Metod:  Uppsatsen är baserad på en kvalitativ studie utförd med intervjurespondenter med varierande koppling till Stockholmsbörsen och den svenska finansmarknaden. Teori:  Uppsatsen utgår främst från tidigare forskning inom ämnet bestående av studier baserade på händelser och data från USA. Annan ekonomisk teori som presenteras i studien är adverse selection. Empiri:  Uppsatsen är bestående av sju semistrukturerade intervjuer med aktörer på finansmarknaden. Intervjuerna jämförs med tidigare inträffade händelser i USA för att diskutera möjliga slutsatser om flash-krascher på Stockholmsbörsen. Slutsats:  Studien kommer fram till att det är osannolikt att flash-krascher av den magnituden som inträffat i USA 6 maj 2010 inträffar på Stockholmsbörsen idag. Vidare så verkar flash-krascher inte ha särskilt stor påverkan på aktörer på Stockholmsbörsen, däremot kan det finnas en viss oros- och förtroendeproblematik kopplad till flash-krascher som bör tas på allvar. I studien av tidigare forskning finner vi intressanta teorier för hur flash-krascher kan förutses. Vi kan däremot inte dra några slutsatser kring dessa teorier kopplat till Stockholmsbörsen. / Title:  Flash crashes – a severe problem at Nasdaq OMX Stockholm? Authors:  Madelene Söderström & Sebastian Roth Advisor:  Bo Sjö Subject:  Bachelor thesis in finance Purpose:  The purpose of this study is to understand and critically examine the impact flash crashes might have on the market for securities at Nasdaq OMX Stockholm. Our goal is to provide a clearer view on how flash crashes affect the trade and the market participants. Method:  This thesis is a qualitative study based on interviews with respondents with different approach to both Nasdaq OMX Stockholm and the financial market in Sweden. Theory:  The thesis is based on earlier studies within the subject made from data and events from United States of America. Other economic theories that the thesis involve is adverse selection. Empirics:  The study is predicated around seven semi structured interviews with participants on the financial market in Sweden. The interviews are compared with the earlier events from USA to make for conclusions about flash crashes on Nasdaq OMX Stockholm. Conclusion:  We find that it is unlikely that a flash crash of the same magnitude as the May 6, 2010 flash crash will occur on the Nasdaq OMX Stockholm exchange today. Furthermore, flash crashes appear to have little impact on the market participants at Nasdaq OMX Stockholm, though there may be concerns about trust issues following flash crashes that should be considered. While studying some of the earlier research we find interesting theories about ways to predict flash crashes before they have occurred, we can’t make any conclusions about these theories connected to Nasdaq OMX Stockholm though.

Vi genomför en litteraturstudie där vi studerar och analyserar publikationer inom maskininlärning i kombination med algoritmisk handel. I denna studie undersöker vi vilka typer av data samt vilka maskininlärningstekniker som kunnat visas vara tillämpningsbara vid system för algoritmisk handel. Till vår litteraturstudie använder vi oss av publikationer som är peer-reviewed från trovärdiga databaser. Resultatet visar att det huvudsakligen finns tre typer av data som är av betydelse för algoritmisk handel. Dessa är historisk prisdata, tekniska indikatorer samt den typ av data som ingår i fundamental analys. Historisk prisdata tycks ofta användas som bas för att sedan bearbetas om till andra typer av data. Det vanligaste exemplet på detta är tekniska indikatorer som ofta förekommer som datakälla i system för algoritmisk handel.Vi finner även ett antal maskininlärningstekniker som av tidigare publikationer demonstreras vara tillämpningsbara för algoritmisk handel. Publikationer påvisar att en maskininlärningsteknik kallad SVM (support vector machine) kan tillämpas på tekniska indikatorer och även analys av nyhetsrubriker. Vi påträffar även publikationer som demonstrerar tillämpningen av två typer av neurala nätverk, klassifikationsnätverk samt regressionsnätverk. Dessa nyttjas för att generera trade signals i ett algoritmiskt handelssystem. I vår studie hittar vi också en tillämpning av evolutionär maskininlärning som används för att approximera en lösning på det optimala orderexekveringsproblemet.Vi diskuterar även ett ekonomiskt incitament som missgynnar akademisk öppenhet och publikation av nya upptäckter inom området. Detta existerar på grund av att fördelaktiga resultat kan vara finansiellt gynnsamma att undanhålla. / We conduct a literature review in which we study and analyze publications in the area of machine learning in combination with algorithmic trading. In this study we investigate what types of data and which machine learning techniques that are shown to be applicable to systems used for algorithmic trading. For our literature review we use peer-reviewed publications from trustworthy databases. The result shows that we find mainly three types of data that are relevant for algorithmic trading. These are financial data quotes, technical indicators and the types of data that is relevant for fundamental analysis. Financial data quotes often seem to be used as a basis for later processing into other types of data. The most common example of this is technical indicators that are frequently used as a source of data in systems for algorithmic trading.We also find a number of machine learning techniques that have been demonstrated by previous publications to be applicable for algorithmic trading. Publications show that a machine learning technique called SVM (support vector machine) can be applied on technical indicators as well as for analysis of news headlines. We also find publications that demonstrate the application of two types of neural networks, classification and regression network. These are used in order to generate trade signals in an algorithmic trading system. In our study we also find an application of evolutionary machine learning which is used to approximate an optimal solution to the order execution problem. Moreover, we also discuss a financial incentive that disadvantage academic openness and the publications of new discoveries in the relevant area of research. This financial incentive exists because advantageous results may be financially beneficial to withhold.

The equity option expiration effect is a well observed phenomenon and is explained by delta hedge rebalancing and pinning risk, which makes the strike price of an option work as a magnet for the underlying price. The FX option expiration effect has not previously been explored to the same extent. In this paper the FX option expiration effect is investigated with the aim of finding out whether it provides valuable information for predicting FX rate movements. New models are created based on the concept of the option relevance coefficient that determines which options are at higher risk of being in the money or out of the money at a specified future time and thus have an attraction effect. An algorithmic trading strategy is created to evaluate these models. The new models based on the FX option expiration effect strongly outperform time series models used as benchmarks. The best results are obtained when the information about the FX option expiration effect is included as an exogenous variable in a GARCH-X model. However, despite promising and consistent results, more scientific research is required to be able to draw significant conclusions. / Effekten av aktieoptioners förfall är ett välobserverat fenomen, som kan förklaras av delta hedge-ombalansering och pinning-risk. Som följd av dessa fungerar lösenpriset för en option som en magnet för det underliggande priset. Effekten av FX-optioners förfall har tidigare inte utforskats i samma utsträckning. I denna rapport undersöks effekten av FX-optioners förfall med målet att ta reda på om den kan ge information som kan användas till prediktioner av FX-kursen. Nya modeller skapas baserat på konceptet optionsrelevanskoefficient som bestämmer huruvida optioner har en större sannolikhet att vara "in the money" eller "out of the money" vid en specificerad framtida tidpunkt och därmed har en attraktionseffekt. En algoritmisk tradingstrategi skapas för att evaluera dessa modeller. De nya modellerna baserade på effekten av FX-optioners förfall överpresterar klart jämfört med de tidsseriemodeller som användes som riktmärken. De bästa resultaten uppnåddes när informationen om effekten av FX-optioners förfall inkluderas som en exogen variabel i en GARCH-X modell. Dock, trots lovande och konsekventa resultat, behövs mer vetenskaplig forskning för att kunna dra signifikanta slutsatser.

The world is right now in a global transition from a fossil fuel dependency towards an electrified society based on green and renewable energy. Investments in power grid capacity are therefore needed to meet the increased future demand which this transition implicates. One part of this is the expansion of intermittent energy sources, such as wind and solar power. Even though these sources have benefits in form of cheap and green energy, they have other characteristics that need to be addressed. Per definition, intermittent power sources cannot produce energy on demand since they are dependent on weather conditions such as wind and sun. This induces a second problem which is that it can be hard to predict the production from intermittent power sources, especially wind, which increases the volatility in the power market. Because of these characteristics, the expansion of wind power has increased the volume traded on the intraday power market. The intermittent energy surge, emphasizes the need of a good trading strategy for balance responsible parties to handle the increased trading volume and volatility. The prupose of this report is to introduce the elements which affect intraday power trading, formulate the fundamentals of a power trading strategy and thereafter explore how predictive models can be used in such a strategy. This includes predicting regulating and intraday market prices using linear regression models, neural networks and LSTM-models. Furthermore, the report highlights underlying properties which affects the predictive power of a prediction model used to forecast wind power production. Regulating prices can be predicted well using both linear regression models and more complex deep learning models based on weather and market data. Both approaches are better than using a simple model based on the latest regulating and market price, since the simple model tends to fall short in a volatile market. Overall, the deep learning models performs the best.  The difference in result when predicting the volume weighted average price on the intraday market, using linear regression and machine learning, are not as substantial. In fact, the linear models tends to outperform the machine learning models in some instaces. The conclusion when analyzing how underlying properties affect wind power prediction models is that how far ahead the model predicts is not the key factor affecting predictive power. Instead, the production volume predicted has a larger effect.

Predicting the behavior of financial markets is largely an unsolved problem. The problem hasbeen approached with many different methods ranging from binary logic, statisticalcalculations and genetic algorithms. In this thesis, the problem is approached with a machinelearning method, namely the Long Short-Term Memory (LSTM) variant of Recurrent NeuralNetworks (RNNs). Recurrent neural networks are artificial neural networks (ANNs)—amachine learning algorithm mimicking the neural processing of the mammalian nervoussystem—specifically designed for time series sequences. The thesis investigates the capabilityof the LSTM in modeling financial market behavior as well as compare it to the traditionalRNN, evaluating their performances using various measures. / Prediktion av den finansiella marknadens beteende är i stort ett olöst problem. Problemet hartagits an på flera sätt med olika metoder så som binär logik, statistiska uträkningar ochgenetiska algoritmer. I den här uppsatsen kommer problemet undersökas medmaskininlärning, mer specifikt Long Short-Term Memory (LSTM), en variant av rekurrentaneurala nätverk (RNN). Rekurrenta neurala nätverk är en typ av artificiellt neuralt nätverk(ANN), en maskininlärningsalgoritm som ska efterlikna de neurala processerna hos däggdjursnervsystem, specifikt utformat för tidsserier. I uppsatsen undersöks kapaciteten hos ett LSTMatt modellera finansmarknadens beteenden och jämförs den mot ett traditionellt RNN, merspecifikt mäts deras effektivitet på olika vis.

Market making – the process of simultaneously and continuously providing buy and sell prices in a financial asset – is rather complicated to optimize. Applying reinforcement learning (RL) to infer optimal market making strategies is a relatively uncharted and novel research area. Most published articles in the field are notably opaque concerning most aspects, including precise methods, parameters, and results. This thesis attempts to explore and shed some light on the techniques, problem formulations, algorithms, and hyperparameters used to construct RL-derived strategies for market making. First, a simple probabilistic model of a limit order book is used to compare analytical and RL-derived strategies. Second, a market making agent is trained on a more complex Markov chain model of a limit order book using tabular Q-learning and deep reinforcement learning with double deep Q-learning. Results and strategies are analyzed, compared, and discussed. Finally, we propose some exciting extensions and directions for future work in this research field. / Likviditetsgarantering (eng. ”market making”) – processen att simultant och kontinuerligt kvotera köp- och säljpriser i en finansiell tillgång – är förhållandevis komplicerat att optimera. Att använda förstärkningsinlärning (eng. ”reinforcement learning”) för att härleda optimala strategier för likviditetsgarantering är ett relativt outrett och nytt forskningsområde. De flesta publicerade artiklarna inom området är anmärkningsvärt återhållsamma gällande detaljer om de tekniker, problemformuleringar, algoritmer och hyperparametrar som används för att framställa förstärkningsinlärningsbaserade strategier. I detta examensarbete så gör vi ett försök på att utforska och bringa klarhet över dessa punkter. Först används en rudimentär probabilistisk modell av en limitorderbok som underlag för att jämföra analytiska och förstärkningsinlärda strategier. Därefter brukas en mer sofistikerad Markovkedjemodell av en limitorderbok för att jämföra tabulära och djupa inlärningsmetoder. Till sist presenteras även spännande utökningar och direktiv för framtida arbeten inom området.