Bakgrund: Effektiva marknadshypotesen innebär att det inte går att utnyttja systematiska avvikelser på marknaden. Trots det finns det etablerade investeringsstrategier som investerare använder sig av för att generera överavkastning. Syfte: Syftet med studien är att undersöka huruvida det går att generar överavkastning genom att investera i företag som uppvisar en låg eller hög EV/EBITDA-multipel. Variablerna bransch och risk kommer även att undersökas med utgångspunkt från den eventuella förekomsten av en investeringsstrategi som genererar överavkastning. Genomförande: Teori inom området har byggt upp en grundförståelse för problemet, empiri har sedan hämtats från de olika företagen för att få fram EV/EBITDA-multiplar till de ingående portföljerna i studien. Aktiekurser har även inhämtats för att bygga grunden till empirin. Resultatet har sedan jämförts med OMXSPI samt med den riskjusterade avkastningen. Resultat: Av resultatet framkommer att det går att utnyttja en investeringsstrategi där investering görs i låga EV/EBITDA-multiplar. Effekten är tydlig på hela Stockholmsbörsen, samt i två av de undersökta branscherna, sällanköpsvaror och tillverkningsindustrin. Det spelar ingen roll vilken riskpreferens investeraren har då portföljer med låga multiplar genererar högst avkastning och även innehåller lägst betavärde. / Background: The efficient market hypothesis alleges that an investor cannot systematically earn excess return. However there are established investment strategies that are being used in the stock market to obtain this excess return Aim: The aim of the thesis is to examine if it is possible to earn excess returns by investing in companies that indicate a low or high EV/EBITDA multiple. The variables industry and risk will also be examined with the possible presence of an investment strategy where excess return can be obtained as a base. Completion: Theory within the field has built an understanding of the problem, empirics have then been gathered to obtain EV/EBITDA multiples and stock prices to perform the study. Portfolios of high and low multiples have been composed to analyze the result. The result has been compared to the development of the OMXSPI index and to the risk adjusted return for the portfolios. Result: The result shows that an investment strategy where investments are made in a low EV/EBITDA-multiple can be used to earn excess return on the Swedish stock market. The effect is most present at the Stockholm stock exchange and in the manufacturing industry and industry for durable goods. The investors risk aversion does not affect the decision, thus low multiples generate the highest return with the lowest beta value.

Debatten kring huruvida det är möjligt att överavkasta aktiemarknaden över tid har existerat i många år. Forskare som Eugene Fama (1965) konkluderar att aktiemarknader i allmänhet är effektiva och menar att högre avkastning inte kan genereras utan ökat risktagande. Andra forskare som exempelvis Shiller (2003) har dock dragit slutsatsen att det finns investeringsstrategier som överavkastar marknaden över tid. Denna studie syftar till att undersöka effektiviteten på den nordiska aktiemarknaden genom att utvärdera prestationen av olika portföljer sammansatta av utvalda nyckeltal. Vidare utreder författarna huruvida valet av beräkningsmodell påverkar bedömningen av portföljernas prestationer.   Studien utreder samtliga kombinationer av variablerna EV/S, EV/EBIT och momentum. De första två nyckeltalen beaktar bolagets värde (EV) i relation till dess försäljning (S) respektive vinst (EBIT). Den tredje variabeln som undersöks i studien är momentum, vilket är en indikator som används för att finna de aktier som ökat mest i pris den senaste tiden. Tidigare forskning visar att kombinationen av värdeaktier (exempelvis EV/S och EV/EBIT) och momentum kan generera överavkastning tack vare en negativ korrelation mellan variablerna. För att utreda hur samtliga kombinationer presterar så skapas portföljer sammansatta av de olika nyckeltalen. Studien undersöker hur portföljerna presterar över en tioårsperiod på den nordiska aktiemarknaden. Portföljerna utvärderas med hjälp av tre olika teoretiska beräkningsmodeller som alla är vedertagna inom anomali-forskningen. Capital Asset Pricing Model (CAPM) skattar portföljers avkastning baserat på den tagna risken, trefaktormodellen inkluderar även proportionen småbolag och andelen värdeaktier medan fyrfaktormodellen inkorporerar momentum som en ytterligare faktor.     Studien resulterar i att fem av de totalt sju portföljerna genererar en riskjusterad avkastning som skiljer sig från marknaden. Författarna kan konkludera att tre av dessa överavkastar marknaden medan två uppvisar en lägre riskjusterad avkastning än index. Portföljer innehållandes nyckeltalet EV/S presterar generellt sett undermåligt medan EV/EBIT ingår i flertalet framgångsrika portföljer.  Författarna kan se tendenser till att kombinationer av värdenyckeltal genererar extra värde samt att momentum i kombination med värdenycketal verkar vara fördelaktigt. De sistnämnda slutsatserna kan dock inte statistiskt säkerställas eftersom ingen av de undersökta kombinationerna var signifikant bättre än beståndsdelarna separat. Beroende på vilken av CAPM, trefaktormodellen eller fyrfaktormodellen som används för att skatta portföljernas prestationer varierar antalet signifikanta överpresterande portföljer. Författarna drar därav slutsatsen att det är viktigt att betänka valet av vilken beräkningsmodell som bör tillämpas för att skatta portföljernas riskjusterade avkastning.

Denna studie undersöker om det går att få överavkastning genom att använda periodiseringskvalitet som en investeringsstrategi. Studien utförs på 91 noterade bolag på Nasdaq OMX Stockholm under perioden Q1 2012 - Q4 2019. Tidigare studier på den amerikanska marknaden har visat ett positivt samband mellan periodiseringskvalitet och framtida avkastning samt att det utgör en övertygande anomali (Fama och French, 2008; Sloan, 1996). Denna anomali innebär att det varit möjligt att få överavkastning med en investeringsstrategi baserat på periodiseringskvalitet, vilket Bandyopadhyay et al. (2017) bekräftar i sin studie. För att mäta överavkastningen kopplat till periodiseringskvalitet skapar vi en hedgeportfölj som går lång i portföljen med högst periodiseringskvalitet och kort i portföljen med lägst periodiseringskvalitet. Hedgeportföljen ombalanseras kvartalsvis på periodiseringskvalitet och vi tar hänsyn till riskjusterad överavkastning genom Jensens alfa. Vi finner en underavkastning på 0,8 procent utan signifikans för hedgeportföljen. Studiens resultat ger tecken på att periodiseringskvalitet inte utgör en anomali på den svenska marknaden och att det således inte går att få överavkastning med denna investeringsstrategi.

Bakgrund:CAPM räcker i flera tillfällen inte till för att estimera framtida avkastning. Vissa av prisavvikelsernafrån CAPM är väldokumenterade och har bestått över tid, vilket har lett till uppkomsten avkorrigerande faktorer. En modell som använder sig av två sådana korrigerande faktorer är Fama ochFrenchs tre-faktormodell. Den har testats flertalet gånger på den svenska marknaden där den visat gehögre förklaringsgrader än CAPM. År 2012 samt år 2014 presenterades två nya multifaktormodeller,som genom test på börsmarknaden i USA lyckats fånga upp prisavvikelser bättre än trefaktormodellen.Syfte:Denna studie ämnar undersöka om Fama och Frenchs fem-faktormodell samt Hue, Xue, Zhang´s Qfaktormodelltillför förklaringsvärde för Stockholmsbörsens avkastning i jämförelse med Fama-Frenchs trefaktormodell. Studien analyserar även modellernas konjunkturkänslighet samt faktorernasbetydelse.Metod:Forskningsprocessen är av deduktiv karaktär. Befintliga teorier i form av multifaktormodeller förprissättning av aktier testas med hjälp av empiriska observationer från den svenska marknaden.Studien tillämpar ett kvantitativt tillvägagångssätt och ekonometriska verktyg används för attsäkerställa statistisk signifikans.Resultat:Studien visar att Q-faktormodellen inte tillför förklaringsvärde jämfört med FF3M. FF5M ger resultatsom marginellt överträffar FF3M gällande dess förklaringsgrad. Anledningen till att FF5M presterarbättre bör rimligen ligga i faktorn HML. Resultaten visar också att modellerna är instabila i kortatidsperioder men tenderar ge bättre prediktioner i lågkonjunktur relativt till högkonjunktur. / Background:CAPM isn’t in some cases sufficient for explaining expected stock return. Some of CAPM´smispricing errors are well documented and time persistent which has led rise to the usage of correctivefactors. One model that make use of two such corrective factors are the Fama and French three factormodel. It´s been comprehensively tested on the Swedish market where it has shown to achieve higherexplanatory power then the CAPM. In the year of 2012 and 2014 two new Asset Pricing Models wereintroduced, which on the US stock market better captured many of the best known anomalies.Aim:The aim of the study is to test if the Fama and French five factor model as well as the Q-factor model,could contribute to increased explanatory power beyond the three factor model. The study also analyzethe models cyclical sensitivity as well as the individual factor significance.MethodologyThe knowledge building process takes a deductive approach. Existing theories in the form of assetpricing models are tested based on empirical observations in the Swedish market. The research take aquantitative approach and make use of econometric tools in order to ensure statistic accuratesignificance.Result:This research shows no contribution of explanatory power for the Q-factor model, beyond thatachieved from the Fama and French three factor model. The five factor model achieve marginallyhigher explanatory power compared to the tree factor model. The most likely reason why FF5Machieve better results than the Q-factor model is believed to lie in the usage of the factor HML. Theresults also shows that all of the tested models are very instable when used in a short time perspective.Although there are some clear indication on increasing explanatory power in recession compared to inan ongoing bull market.

With increasing usage of credit card payments, credit card fraud has also been increasing. Therefore a fast and accurate fraud detection system is vital for the banks. To solve the problem of fraud detection, different machine learning classifiers have been designed and trained on a credit card transaction dataset. However, the dataset is heavily imbalanced which poses a problem for the performance of the algorithms. To resolve this issue, the generative methods Generative Adversarial Network (GAN), Variational Autoencoders (VAE) and Synthetic Minority Oversampling Technique (SMOTE) have been used to generate synthetic samples for the minority class in order to achieve a more balanced dataset. The main purpose of this study is to evaluate the generative methods and investigate the impact of their generated minority samples on the classifiers. The results from this study indicated that GAN does not outperform the other classifiers as the generated samples from VAE were most effective in three out of five classifiers. Also the validation and histogram of the generated samples indicate that the VAE samples have captured the distribution of the data better than SMOTE and GAN. A suggestion to improve on this work is to perform data engineering on the dataset. For instance, using correlation analysis for the features and analysing which features have the greatest impact on the classification and subsequently dropping the less important features and train the generative methods and classifiers with the trimmed down samples. / Med ökande användning av kreditkort som betalningsmetod i världen, har även kreditkort bedrägeri ökat. Därför finns det behov av ett snabbt och tillförligt system för att upptäcka bedrägliga transkationer. För att lösa problemet med att detektera kreditkort bedrägerier, har olika maskininlärnings klassifiseringsmetoder designats och tränats med ett dataset som innehåller kreditkortstransaktioner. Dock är dessa dataset väldigt obalanserade och innehåller mest normala transaktioner, vilket är problematiskt för systemets noggranhet vid klassificering. Därför har generativa metoderna Generative adversarial networks, Variational autoencoder och Synthetic minority oversampling technique använs för att skapa syntetisk data av minoritetsklassen för att balansera datasetet och uppnå bättre noggranhet. Det centrala målet med denna studie var därmed att evaluera dessa generativa metoder och invetigera påverkan av de syntetiska datapunkterna på klassifiseringsmetoderna. Resultatet av denna studie visade att den generativa metoden generative adversarial networks inte överträffade de andra generativa metoderna då syntetisk data från variational autoencoders var mest effektiv i tre av de fem klassifisieringsmetoderna som testades i denna studie. Dessutom visar valideringsmetoden att variational autoencoder lyckades bäst med att lära sig distributionen av orginal datat bättre än de andra generativa metoderna. Ett förslag för vidare utveckling av denna studie är att jobba med data behandling på datasetet innan datasetet används för träning av algoritmerna. Till exempel kan man använda korrelationsanalys för att analysera vilka features i datasetet har störst påverkan på klassificeringen och därmed radera de minst viktiga och sedan träna algortimerna med data som innehåller färre features.

A common problem in systems handling user interaction was the risk for fraudulent behaviour. As an example, in a system with credit card transactions it could have been a person using a another user's account for purchases, or in a system with advertisment it could be bots clicking on ads. These malicious attacks were often disguised as normal interactions and could be difficult to detect. It was especially challenging when working with datasets that did not contain so called labels, which showed if the data point was fraudulent or not. This meant that there were no data that had previously been classified as fraud, which in turn made it difficult to develop an algorithm that could distinguish between normal and fraudulent behavior. In this thesis, the area of anomaly detection was explored with the intent of detecting fraudulent behavior without labeled data. Three neural network based prototypes were developed in this study. All three prototypes were some sort of variation of autoencoders. The first prototype which served as a baseline was a simple three layer autoencoder, the second prototype was a novel autoencoder which was called stacked autoencoder, the third prototype was a variational autoencoder. The prototypes were then trained and evaluated on two different datasets which both contained non fraudulent and fraudulent data. In this study it was found that the proposed stacked autoencoder architecture achieved better performance scores in recall, accuracy and NPV in the tests that were designed to simulate a real world scenario. / Ett vanligt problem med användares interaktioner i ett system var risken för bedrägeri. För ett system som hanterarade dataset med kreditkortstransaktioner så kunde ett exempel vara att en person använde en annans identitet för kortköp, eller i system som hanterade reklam så skulle det kunna ha varit en automatiserad mjukvara som simulerade interaktioner. Dessa attacker var ofta maskerade som normala interaktioner och kunde därmed vara svåra att upptäcka. Inom dataset som inte har korrekt märkt data så skulle det vara speciellt svårt att utveckla en algoritm som kan skilja på om interaktionen var avvikande eller inte. I denna avhandling så utforskas ämnet att upptäcka anomalier i dataset utan specifik data som tyder på att det var bedrägeri. Tre prototyper av neurala nätverk användes i denna studie som tränades och utvärderades på två dataset som innehöll både data som sade att det var bedrägeri och inte bedrägeri. Den första prototypen som fungerade som en bas var en simpel autoencoder med tre lager, den andra prototypen var en ny autoencoder som har fått namnet staplad autoencoder och den tredje prototypen var en variationell autoencoder. För denna studie så gav den föreslagna staplade autoencodern bäst resultat för återkallelse, noggrannhet och NPV i de test som var designade att efterlikna ett verkligt scenario.

Problembakgrund: Finansiella rapporter är ett sätt för företagen att kommunicera med investerare och intressenter. Samtidigt som det finns lagar och förordningar som styr redovisning och rapporterns utseende finns det goda möjligheter för företagsledningen att påverka de siffror som presenteras i de publika rapporterna genom periodiseringar. Denna studie tar konceptet kring att investera baserat på graden av periodiseringar till den svenska aktiemarknaden. Problemformulering: Är det möjligt att generera riskjusterad överavkastning på den svenska aktiemarknaden med periodiseringsbaserade investeringsstrategier? Syfte: Huvudsyftet med studien är att undersöka investerares möjlighet till riskjusterad överavkastning på den svenska aktiemarknaden utifrån investeringsstrategier baserade på graden av periodiseringar. Ett delsyfte är att jämföra två delperioder för att undersöka om periodiseringsanomalins förekomst förändrats över den totala undersökningsperioden. Ett annat delsyfte är att undersöka om den svenska aktiemarknaden effektivt värderar offentlig redovisningsinformation. Teori: Studien baseras huvudsakligen på tidigare periodiseringsbaserad forskning utförd på den amerikanska aktiemarknaden där Sloan (1996) anses vara den som introducerade teorin kring periodiseringsanomalier så som den ter sig idag. Metod: En kvantitativ studie med en deduktiv ansats. Den empiriska undersökningen baseras på redovisnings- och aktiedata under tidsperioden 1996-12-31 till 2013-06-30 som kommer från Thomson Reuters Datastream och Worldscope. Empiri & analys: Resultatet av studien tyder på att det finns en negativ korrelation mellan periodiseringar och avkastning samt visar stöd för att periodiseringsanomalin existerar på den svenska aktiemarknaden. Av de periodiseringsmått som testats visade det sig att ΔNOA och ΔWC gav högst överavkastning. Slutsats: Studien indikerar att felprissättningar förekommer och att periodiseringsanomalin existerar på den svenska aktiemarknaden. Den höga exponeringen mot riskfyllda småbolag innebär att vinstmöjligheterna minskar något på grund av höga implementeringskostnader samtidigt som det gör strategierna mindre attraktiva för institutionella investerare. Det är därför upp till privata investerare att utnyttja dessa felprissättningar.

For manufacturing enterprises, the potential of collecting large amounts of data from production processes has enabled the usage of machine learning for prediction-based monitoring and maintenance of machines. Yet common maintenance strategies still include reactive handling of machine failures or schedule-based maintenance conducted by experienced personnel. Both of which are time-consuming and costly for manufacturing enterprises. The incorporation of anomaly detection for production processes alleviates several problems connected to these resource-intensive maintenance strategies. Anomaly detection enables real-time maintenance alarms derived from the occurrence of anomalies and thereby a foundation for proactive maintenance during manufacturing. However, to realize this, one needs to investigate the correlation between machine failure and anomalies in the data. For the machine learning models, it is also of essence to handle the imbalance between failure and normal working condition data. In this work, we investigate the potential of anomaly detection to predict future tool failures of an active CNC-machine based on multivariate time series data collected through the standardized data collection protocol MTConnect. Two semi-supervised anomaly detection methods, DeepAnT and ROCKET OCSVM, were tested. Training and evaluation of the two models were conducted on three production part processes and the difference in anomaly distribution previous to failure and in the normal machine working condition was investigated. The results showed that both models, for all the investigated tool failures belonging to the three production part processes, found an abundance of anomalies preceding failure when compared to the normal working condition of the machines. For certain tool failures, the anomalies were found as far back as seven production cycles before failure, while other anomalies were mainly uncovered close to the failure. Furthermore, it was shown that both models performed optimally with 100 production cycles before tool failures excluded from training, indicating that more anomalies further back connected to failure or possible long-term degradation of machine tools could exist. Lastly, ROCKET OCSVM with RBF kernel showed greater reliability compared to the DeepAnT method in separating the normal working condition data of the CNC machine against the pre-failure data based on anomaly distribution. In conclusion, anomaly detection shows promising results in indicating future machine failure and could serve as a foundation for proactive maintenance strategies of machines. By incorporating proactive strategies, machine downtime, operator maintenance time, and resources and expenses resulting from machine failure could be reduced. / För produktionsföretag har potentialen att samla in stora mängder data från produktionsprocesser möjliggjort användningen av prediktionsbaserad övervakning och underhåll av maskiner genom maskininlärning. Ändå så utgörs fortfarande vanliga underhållsstrategier av reaktiv hantering av maskinfel eller schema baserat underhåll som utförs av erfaren personal. Båda dessa är tidskrävande och kostsamma för tillverkningsföretag. Införandet av anomali detektering för produktionsprocesser lindrar flera problem kopplade till dessa resursintensiva underhållsstrategier. Det möjliggör underhålls-larm i realtid härledda från förekomsten av anomalier, vilket skapar en grund för proaktivt underhåll under tillverkningen. Men för att möjliggöra detta måste man undersöka sambandet mellan maskinfel och anomalier i data utifrån definierade insamlingsmetod. Det är också viktigt att hantera obalansen mellan fel och normal arbetstillstånd data för maskininlärningsmodellerna. I det här arbetet undersöker vi potentialen för delvis övervakad anomali detektering för att förutsäga framtida verktyg fel hos en aktiv CNC-maskin baserat på multivariat tidsseriedata som samlats in genom det standardiserade datainsamling protokollet MT Connect. Två anomali detekterings metoder som endast tränats på normala arbetsförhållanden för maskiner testades, DeepAnT och ROCKET OCSVM. Träning och utvärdering av de två modellerna genomfördes på tre produktionsdelprocesser och skillnaden i anomali fördelning före fel och i det normala maskinens arbetstillstånd undersöktes. Resultaten visade att båda modellerna, för alla undersökta verktygsfel som hör till de tre produktionsdelprocesserna, fann ett överflöd av anomalier före fel i jämförelse med maskinernas normala arbetstillstånd. För vissa verktygsfel hittades anomalierna så långt tillbaka som sju produktionscykler före fel, medan andra anomalier huvudsakligen upptäcktes nära felet. Vidare visades det att båda modellerna presterar optimalt med 100 produktionscykler före verktygsfel uteslutna från träningen, vilket tyder på att fler anomalier tidigare än de åtta produktions cyklarna undersökta innan fel eller eventuell långvarig försämring av verktygsmaskiner kan förekomma. Slutligen visade ROCKET OCSVM med RBF som kärnfunktion större tillförlitlighet i jämförelse med DeepAnT metoden gällande att separera CNC-maskinens normala arbetstillstånd data från pre-failure-data baserat på anomali fördelning. Sammanfattningsvis visar avvikelse detektering lovande resultat för att indikera framtida maskinfel och kan fungera som en grund för proaktivt underhåll av maskiner. Genom att införskaffa proaktiva strategier kan maskinernas stilleståndstid, operatörens underhållstid samt resurser och kostnader till följd av maskinfel minskas.

This work addresses the following research question: Can we detect videogame glitches using Convolutional Neural Networks? Focusing on the most common types of glitches, texture glitches (Stretched, Lower Resolution, Missing, and Placeholder). We first systematically generate a dataset with both images with texture glitches and normal samples.  To detect the faulty images we try both Classification and Semantic Segmentation approaches, with a clear focus on the former. The best setting in classification uses a ShuffleNetV2 architecture and obtains precisions of 80.0%, 64.3%, 99.2%, and 97.0% in the respective glitch classes Stretched, Lower Resolution, Missing, and Placeholder. All of this with a low false positive rate of 6.7%. To complement this study, we also discuss how the models extrapolate to different graphical environments, which are the main sources of confusion for the model, how to estimate the confidence of the network, and ways to interpret the internal behavior of the models. / Detta projekt svarar på följande forskningsfråga: Kan man använda Convolutional Neural Networks för att upptäcka felaktiga bilder i videospel? Vi fokuserar på de vanligast förekommande grafiska defekter i videospel, felaktiga textures (sträckt, lågupplöst, saknas och platshållare). Med hjälp av en systematisk process genererar vi data med både normala och felaktiga bilder. För att hitta defekter använder vi CNN via både Classification och Semantic Segmentation, med fokus på den första metoden. Den bäst presterande Classification-modellen baseras på ShuffleNetV2 och når 80.0%, 64.3%, 99.2% och 97.0% precision på respektive sträckt-, lågupplöst-, saknas- och platshållare-buggar. Detta medan endast 6.7% av negativa datapunkter felaktigt klassifieras som positiva. Denna undersökning ser även till hur modellen generaliserar till olika grafiska miljöer, vilka de primära orsakerna till förvirring hos modellen är, hur man kan bedöma säkerheten i nätverkets prediktion och hur man bättre kan förstå modellens interna struktur.

Since many log tracing application and diagnostic commands are now available on nodes at base station, event log can easily be collected, parsed and structured for network performance analysis. In order to improve In Service Performance of customer network, a sequential machine learning model can be trained, test, and deployed on each node to learn from the past events to predict future crashes or a failure. This thesis project focuses on the evaluation and analysis of the effectiveness of deep learning models in predicting log events. It explores the application of stacked long short-term memory(LSTM) based model in capturing temporal dependencies and patterns within log event data. In addition, it investigates the probability distribution of the next event from the logs and estimates event trigger time to predict the future node restart event. This thesis project aims to improve the node availability time in base station of Ericsson and contribute to further application in log event prediction using deep learning techniques. A framework with two main phases is utilized to analyze and predict the occurrence of restart events based on the sequence of events. In the first phase, we perform natural language processing(NLP) on the log content to obtain the log key, and then identify the sequence that will cause the restart event from the sequence node events. In the second phase, we analyze these sequence of events which resulted in restart, and predict how many minutes in the future the restart event will occur. Experiment results show that our framework achieves no less than 73% accuracy on restart prediction and more than 1.5 minutes lead time on restart. Moreover, our framework also performs well for non-restart events. / Eftersom många loggspårningsapplikationer och diagnostiska kommandon nu finns tillgängliga på noder vid basstationen, kan händelseloggar enkelt samlas in, analyseras och struktureras för analys av nätverksprestanda. För att förbättra kundnätverkets In Service Performance kan en sekventiell maskininlärningsmodell tränas, testas och distribueras på varje nod för att lära av tidigare händelser för att förutsäga framtida krascher eller ett fel. Detta examensarbete fokuserar på utvärdering och analys av effektiviteten hos modeller för djupinlärning för att förutsäga logghändelser. Den utforskar tillämpningen av staplade långtidsminne (LSTM)-baserad modell för att fånga tidsmässiga beroenden och mönster i logghändelsedata. Dessutom undersöker den sannolikhetsfördelningen för nästa händelse från loggarna och uppskattar händelseutlösningstiden för att förutsäga den framtida omstartshändelsen för noden. Detta examensarbete syftar till att förbättra nodtillgänglighetstiden i Ericssons basstation och bidra till ytterligare tillämpning inom logghändelseprediktion med hjälp av djupinlärningstekniker. Ett ramverk med två huvudfaser används för att analysera och förutsäga förekomsten av omstartshändelser baserat på händelseförloppet. I den första fasen utför vi naturlig språkbehandling (NLP) på logginnehållet för att erhålla loggnyckeln och identifierar sedan sekvensen som kommer att orsaka omstartshändelsen från sekvensnodhändelserna. I den andra fasen analyserar vi dessa händelseförlopp som resulterade i omstart och förutsäger hur många minuter i framtiden omstartshändelsen kommer att inträffa. Experimentresultat visar att vårt ramverk uppnår inte mindre än 73% noggrannhet vid omstartsförutsägelse och mer än 1,5 minuters ledtid vid omstart. Dessutom fungerar vårt ramverk bra för händelser som inte startar om.