High speed stream anomaly detection is an important technology used in many industry applications such as monitoring system health, detecting financial fraud, monitoring customer's unusual behavior and so on. In those scenarios multivariate data arrives in high speed, and needs to be calculated in real-time. Since solutions for high speed multivariate stream anomaly detection are still under development, the objective of this thesis is introducing a framework for testing different anomaly detection algorithms.Multivariate anomaly detection, usually includes two major steps: point anomaly detection and stream anomaly detection. Point anomaly detection is used to transfer multivariate feature data into anomaly score according to the recent stream of data. The stream anomaly detectors are used to detect stream anomalies based on the recent anomaly scores generated from previous point anomaly detector. This thesis presents a flexible framework that allows the easy integration and evaluation of different  data sources, point and stream anomaly detection algorithms. To demonstrate the capabilities of the framework,  we consider different scenarios with generators of artificial data, real industry data sets and time series data, point anomaly detectors of PYISC, SVM and LOF, stream anomaly detectors of DDM, CUSUM and FCWM. The evaluation results show that for point anomaly detectors, PYISC and LOF perform well when the distributions of features are known, SVM performs well even when the distributions of features are not known. For the stream anomaly detectors, DDM has some possibilities to get false anomaly detection, CUSUM has some possibilities to get failed when the stream anomalies increase slowly, while FCWM performs best with very low possibilities to get failed. / Höghastighet ström anomali detektion är en viktig teknik som används i många industriella tillämpningar såsom övervakningssystem för hälsa, upptäckande av ekonomiska bedrägerier, övervakning av kundernas ovanliga beteende och så vidare. I dessa scenarier kommer multivariat data i hög hastighet, och måste beräknas i realtid. Eftersom lösningar för höghastighet multivariat ström anomali detektion är fortfarande under utveckling, är syftet med denna avhandling att införa en ramverk för att testa olika anomali algoritmer. Multivariat anomali detektion har oftast två viktiga steg: att upptäcka punkt-avvikelser och att upptäcka ström-avvikelser.  Punkt- anomali detektorer används för att överföra multivariat data i anomali poäng enligt den senaste tidens dataström. Ström anomali detektorer används för att detektera ström avvikelser baserade på den senaste tidens anomali poäng genererade från föregående punkt anomali detektoren. Denna avhandling presenterar ett flexibelt ramverk som möjlig gör enkel integration och utvärdering av olika datakällor, punkt och ström anomali detektorer. För att demonstrera ramverkets kapabiliteteter, betraktar vi olika scenarier med  datageneratorer av konstgjorda data, verkliga industri data och tidsseriedata; punkt anomali detektorer  PYISC, SVM och Löf,  och ström anomali detektorer DDM, CUSUM och FCWM. Utvärderingsresultaten visar att för punkt anomali detektor har PYISC och LOF bra prestanda när datafördelningen är kända,  men SVM fungerar bra även när fördelningarna  inte är kända. För ström anomali detektor har DDM vissa sannolikhet att få falskt upptäcka avvikelser, och CUSUM vissa sannolikhet att misslycka när avvikelser ökar långsamt. FCWM fungerar bäst med mycket låga sannolikhet för misslyckande.

Sammanfattning Titel: Imorgon blir det börsfall! En studie om hur olika börser påverkar varandra i fördröjning. Seminariedatum: 28 maj, 2012 Ämne/kurs: FEK 61-90 Kandidatuppsats i Corporate Finance, 15 poäng  Författare: Stefan Koch, Malin Molin Handledare: Hans Mörner Examinator: Kent Sahlgren Nyckelord: Anomali, anomalier, veckodagseffekt, måndagseffekt, index, korrelation, S&P 500, OMXS 30, effektiva marknadshypotesen Syfte: Att undersöka ifall en eventuell anomali på det svenska OMXS 30 indexet eller det amerikanska S&P 500 ger en effekt på nästföljande dag på det motsatta indexet. Om en veckodagseffekt kan påvisas och den fördröjda korrelationen mellan indexen är tillräckligt stark kan metoden användas för att generera överavkastning.   Metod: Vi använder oss av en kvantitativ ansats för att med hjälp av statistiska metoder svara på vår problemformulering. De metoder vi har använt är hypotestestning av medelvärden med ett z test, beräknat korrelationskoefficienten mellan de två indexen och utfört en multipel regressionsanalys med dummyvariabler. Slutsats: Genom vår analys kom vi fram till att en veckodagseffekt inte kan påvisas på någon av de två undersökta indexen. En korrelation kunde finnas mellan de två indexen, däremot går det att ifrågasätta om korrelationens styrka är tillräckligt stark att handla utifrån. För att generera överavkastning krävs dessutom att den extra avkastning som genereras med hjälp utav vår metod med korta aktieaffärer överstiger den eventuella transaktionskostnaden som uppstår vid aktiehandel, något vi starkt betvivlar att den gör. / Abstract Title: Tomorrow the market falls! A study about how different stock markets affect each other in delay. Date of seminar: May, 28th, 2012 Course: FEK 61-90 Bachelor Thesis in Corporate Finance, 15 credits Authors: Stefan Koch, Malin Molin Advisor: Hans Mörner Examiner: Kent Sahlgren Key words: Anomaly, anomalies, day-of-the-week effect, weekend effect, index, correlation, S&P 500, OMXS 30, effective market hypothesis Objective: To examine whether a potential anomaly on the Swedish OMXS 30 index or the American S&P 500 has an effect on the next day on the opposite index. If a day-of-the-week effect can be proved and the delayed correlation between the indices is strong enough, our method could be used to generate excess returns. Methodology: We use a quantitative approach and statistic methods to answer our problem formulation. The methods we have been using are hypothesis testing of mean values with a z-test, calculations of correlation coefficients between the indices, and a multiple regression analysis with dummy variables. Conclusions: Through our analysis we found out that there was no day-of-the-week effect on any of the two examined indices. We could find a correlation between the two indices; however, we question whether the correlation is strong enough to trade on. To get excess returns it is required that the extra return that would be generated through our method with short trades exceed eventual transaction costs that occur through stock trading, something we strongly doubt that it would.

Forskningen kring effektiva marknader är uppdelad; ena sidan påstår att marknaden är fullständigt effektiv och det inte går att skapa någon form av överavkastning. Andra sidan hävdar tvärtemot att endast historisk information reflekteras i dagens priser. På kort sikt kan det finns en viss ineffektivitet och de flesta erkänner att marknaden innehåller anomalier Syftet med denna studie är att undersöka om det existerar systematiska fel beträffande informationsflöden som pekar mot att den svenska aktiemarknaden inte är av semi-stark form eller stark form av effektivitet Vi utgår från tre metodologiska ställningstaganden; utgångspunkt, forskningsansats samt kunskapssyn. En deduktivt kvantitativ metod tillämpas och vi applicerar metoden för event study. Vi finner stöd för att det finns systematiska fel i marknaden beträffande informationsflöden i form av aktierekommendationer. Resultaten antyder att den svenska aktiemarknaden inte är av starkt effektiv form och i ett fall av fyra finner vi att den inte heller besitter semi-stark form. / Research concerning efficient markets are divided into two camps; the one hand, claims that the market is fully efficient and it is not possible to create any kind of excess returns. The other side argues the contrary that only historical information are reflected in today’s prices. Short term, there is some inefficiency and most recognize that the market contain anomalies The purpose is to investigate whether there exist indications regarding flows of information to the Swedish stock market suggesting a semi-strong form or strong form of efficiency. We start from three methodological statements; starting point, the research approach and epistemological beliefs. A deductive quantitative methodology is used, and we apply the method of event study. We find evidence for the existence of systematic errors in the market in terms of flows of information in the form of stock recommendations. The results suggest that the Swedish stock market is not of the strong efficient form and in one case out of four, we find that it does not possess the semi-strong form.

Panna 6 på Högdalenverket i södra Stockholm (P6) med tillhörande ångturbin producerar kraftvärme genom förbränning av utsorterat returbränsle från industri och samhälle. För att minimera underhållskostnader och öka anläggningens tillgänglighet är det viktigt att fel och oönskat processbeteende kan upptäckas i ett tidigt skede. I detta syfte testas här en metod för detektering av avvikande händelser med hjälp av principalkomponentanalys (PCA) på produktionsprocessen för kraftvärme. En PCA-modell med reducerad dimension skapas utifrån processdata från en problemfri driftperiod och används som mall för inkommande data att jämföras med i ett kontrolldigram. Avvikelser ifrån modellen bör vara en indikation på att ett onormalt drifttillstånd har uppkommit och orsaker till avvikelsen analyseras. Som avvikande händelse testas två fall av tubläckage som uppstod i ett av tubpaketen för kylning av rökgaserna under 2014 och 2015. Resultatet visar att processavvikelser ifrån normallägesmodellerna tydligt syns i kontrolldiagrammen vid båda tubläckagen och avvikelserna kan härledas till variabler som är kopplade till tubläckage. Det finns potential för att tillämpa metoden för övervakning av processen, en svårighet ligger i att skapa en modell som representerar processen när den är stabil på grund av att det finns många varierande driftfall som anses stabila, detta kräver vidare arbete. Metoden kan redan användas som analysverktyg exempelvis vid misstanke om tubläckage. / Boiler 6 at the Högdalen facility in southern Stockholm (P6) combined with a a steam turbine produces Combined Heat and Power (CHP) through combustion of treated industry waste. In order to minimise maintenance costs and increase plant availability it is of importance to detect process faults and deviations at an early state. In this study a method for outlier detection using Principal Component Analysis (PCA) is applied on the CHP production process. A PCA model with reduced dimension is created using process data from a problem free period and is used as a template for new operating data to be compared with in a control chart. Deviations from the model should be an indication of the presence of abnormal conditions and the reasons for the deviations are analysed. Two cases of tube failure in 2014 and 2015 are used to study the deviations. The result shows that process deviations from the models can be detected in the control chart in both cases of tube failure and the variables known to be associated with tube failure contributes highly to the deviating behaviour. There is potential for applying this method for process control, a difficulty lies in creating a model that represents the stable process when there are big variances within what is considererd a stable process state. The method can be used for data analysis when suspecting a tube failure.

In the 21st century, information is the new currency. With the omnipresence of devices connected to the internet, humanity can instantly avail any information. However, there are certain are cybercrime groups which steal the information. An Intrusion Detection System (IDS) monitors a network for suspicious activities and alerts its owner about an undesired intrusion. These commercial IDS’es react after detecting intrusion attempts. With the cyber attacks becoming increasingly complex, it is expensive to wait for the attacks to happen and respond later. It is crucial for network owners to employ IDS’es that preemptively differentiate a harmless data request from a malicious one. Machine Learning (ML) can solve this problem by recognizing patterns in internet traffic to predict the behaviour of network users. This project studies how effectively Radial Basis Function Neural Network (RBFN) with Deep Learning Architecture can impact intrusion detection. On the basis of the existing framework, it asks how well can an RBFN predict malicious intrusive attempts, especially when compared to contemporary detection practices.Here, an RBFN is a multi-layered neural network model that uses a radial basis function to transform input traffic data. Once transformed, it is possible to separate the various traffic data points using a single straight line in extradimensional space. The outcome of the project indicates that the proposed method is severely affected by limitations. E.g. the model needs to be fine tuned over several trials to achieve a desired accuracy. The results of the implementation show that RBFN is accurate at predicting various cyber attacks such as web attacks, infiltrations, brute force, SSH etc, and normal internet behaviour on an average 80% of the time. Other algorithms in identical testbed are more than 90% accurate. Despite the lower accuracy, RBFN model is more than 94% accurate at recording specific kinds of attacks such as Port Scans and BotNet malware. One possible solution is to restrict this model to predict only malware attacks and use different machine learning algorithm for other attacks. / I det 21: a århundradet är information den nya valutan. Med allnärvaro av enheter anslutna till internet har mänskligheten tillgång till information inom ett ögonblick. Det finns dock vissa grupper som använder metoder för att stjäla information för personlig vinst via internet. Ett intrångsdetekteringssystem (IDS) övervakar ett nätverk för misstänkta aktiviteter och varnar dess ägare om ett oönskat intrång skett. Kommersiella IDS reagerar efter detekteringen av ett intrångsförsök. Angreppen blir alltmer komplexa och det kan vara dyrt att vänta på att attackerna ska ske för att reagera senare. Det är avgörande för nätverksägare att använda IDS:er som på ett förebyggande sätt kan skilja på oskadlig dataanvändning från skadlig. Maskininlärning kan lösa detta problem. Den kan analysera all befintliga data om internettrafik, känna igen mönster och förutse användarnas beteende. Detta projekt syftar till att studera hur effektivt Radial Basis Function Neural Networks (RBFN) med Djupinlärnings arkitektur kan påverka intrångsdetektering. Från detta perspektiv ställs frågan hur väl en RBFN kan förutsäga skadliga intrångsförsök, särskilt i jämförelse med befintliga detektionsmetoder.Här är RBFN definierad som en flera-lagers neuralt nätverksmodell som använder en radiell grundfunktion för att omvandla data till linjärt separerbar. Efter en undersökning av modern litteratur och lokalisering av ett namngivet dataset användes kvantitativ forskningsmetodik med prestanda indikatorer för att utvärdera RBFN: s prestanda. En Random Forest Classifier algorithm användes också för jämförelse. Resultaten erhölls efter en serie finjusteringar av parametrar på modellerna. Resultaten visar att RBFN är korrekt när den förutsäger avvikande internetbeteende i genomsnitt 80% av tiden. Andra algoritmer i litteraturen beskrivs som mer än 90% korrekta. Den föreslagna RBFN-modellen är emellertid mycket exakt när man registrerar specifika typer av attacker som Port Scans och BotNet malware. Resultatet av projektet visar att den föreslagna metoden är allvarligt påverkad av begränsningar. T.ex. så behöver modellen finjusteras över flera försök för att uppnå önskad noggrannhet. En möjlig lösning är att begränsa denna modell till att endast förutsäga malware-attacker och använda andra maskininlärnings-algoritmer för andra attacker.

Nuclear power plants are inherently complex systems. While the technology has been used to generate electrical power for many decades, process monitoring continuously evolves. There is always room for improvement in terms of maximizing the availability by reducing the risks of problems and errors. In this context, automated monitoring systems have become important tools – not least with the rapid progress being made in the field of data analytics thanks to ever increasing amounts of processing power. There are many different types of models that can be utilized for identifying anomalies. Some rely on physical properties and theoretical relations, while others rely more on the patterns of historical data. In this thesis, a data-driven approach using a hierarchical autoencoder framework has been developed for the purposes of anomaly detection at the Swedish nuclear power plant Forsmark. The model is first trained to recognize normal operating conditions. The trained model then creates reference values and calculates the deviations in relation to real data in order to identify any issues. This proof-of-concept has been evaluated and benchmarked against a currently used hybrid model with more physical modeling properties in order to identify benefits and drawbacks. Generally speaking, the created model has performed in line with expectations. The currently used tool is more flexible in its understanding of different plant states and is likely better at determining root causes thanks to its physical modeling properties. However, the created autoencoder framework does bring other advantages. For instance, it allows for a higher time resolution thanks to its relatively low calculation intensity. Additionally, thanks to its purely data-driven characteristics, it offers great opportunities for future reconfiguration and adaptation with different signal selections.

Automatic Root Cause Analysis (RCA) systems aim to streamline the process of identifying the underlying cause of software failures in complex cloud-native environments. These systems employ graph-like structures to represent causal relationships between different components of a software application. These relationships are typically learned through performance and resource utilization metrics of the microservices in the system. To accomplish this objective, numerous RCA systems utilize statistical algorithms, specifically those falling under the category of causal discovery. These algorithms have demonstrated their utility not only in RCA systems but also in a wide range of other domains and applications. Nonetheless, there exists a research gap in the exploration of the feasibility and efficacy of multivariate time series causal discovery algorithms for deriving causal graphs within a microservice framework. By harnessing metric time series data from Prometheus and applying these algorithms, we aim to shed light on their performance in a cloudnative environment. Furthermore, we have introduced an adaptation in the form of an ensemble causal discovery algorithm. Our experimentation with this ensemble approach, conducted on datasets with known causal relationships, unequivocally demonstrates its potential in enhancing the precision of detected causal connections. Notably, our ultimate objective was to ascertain reliable causal relationships within Ericsson’s cloud-native system ’X,’ where the ground truth is unavailable. The ensemble causal discovery approach triumphs over the limitations of employing individual causal discovery algorithms, significantly augmenting confidence in the unveiled causal relationships. As a practical illustration of the utility of the ensemble causal discovery techniques, we have delved into the domain of anomaly detection. By leveraging causal graphs within our study, we have successfully applied this technique to anomaly detection within the Ericsson system. / System för automatisk rotorsaksanalys (RCA) syftar till att effektivisera process för att identifiera den underliggande orsaken till programvarufel i komplexa molnbaserade miljöer. Dessa system använder grafliknande strukturer att representera orsakssamband mellan olika komponenter i en mjukvaruapplikation. Dessa relationer lär man sig vanligtvis genom prestanda och resursutnyttjande mätvärden för mikrotjänsterna i systemet. För att uppnå detta mål använder många RCAsystem statistiska algoritmer, särskilt de som faller under kategorin orsaksupptäckt. Dessa algoritmer har visat att de inte är användbara endast i RCA-system men även inom en lång rad andra domäner och applikationer. Icke desto mindre finns det en forskningslucka i utforskningen av genomförbarhet och effektivitet av orsaksupptäckt av multivariat tidsserie algoritmer för att härleda kausala grafer inom ett mikrotjänstramverk. Genom att utnyttja metriska tidsseriedata från Prometheus och tillämpa Dessa algoritmer strävar vi efter att belysa deras prestanda i ett moln- inhemsk miljö. Dessutom har vi infört en anpassning i formen av en ensemble kausal upptäcktsalgoritm. Vårt experiment med denna ensemblemetod, utförd på datauppsättningar med kända orsakssamband relationer, visar otvetydigt sin potential för att förbättra precisionen hos upptäckta orsakssamband. Särskilt vår ultimata Målet var att fastställa tillförlitliga orsakssamband inom Ericssons molnbaserade systemet ’X’, där grundsanningen inte är tillgänglig. De ensemble kausal discovery approach segrar över begränsningarna av att använda individuella kausala upptäcktsalgoritmer, avsevärt öka förtroendet för de avslöjade orsakssambanden. Som en praktisk illustration av nyttan av ensemblens kausal upptäcktstekniker har vi fördjupat oss i anomalidomänen upptäckt. Genom att utnyttja kausala grafer inom vår studie har vi framgångsrikt tillämpat denna teknik för att detektera anomali inom Ericsson system

Out-of-distribution detection considers methods used to detect data that deviates from the underlying data distribution used to train some machine learning model. This is an important topic, as artificial neural networks have previously been shown to be capable of producing arbitrarily confident predictions, even for anomalous samples that deviate from the training distribution. Previous work has developed many reportedly effective methods for out-of-distribution detection, but these are often evaluated on data that is semantically different from the training data, and therefore does not necessarily reflect the true performance that these methods would show in more challenging conditions. In this work, six unsupervised out-of- distribution detection methods are evaluated and compared under more challenging conditions, in the context of classification of semantically similar image data using deep neural networks. It is found that the performance of all methods vary significantly across the tested datasets, and that no one method is consistently superior. Encouraging results are found for a method using ensembles of deep neural networks, but overall, the observed performance for all methods is considerably lower than in many related works, where easier tasks are used to evaluate the performance of these methods. / Begreppet “out-of-distribution detection” (OOD-detektion) avser metoder vilka används för att upptäcka data som avviker från den underliggande datafördelningen som använts för att träna en maskininlärningsmodell. Detta är ett viktigt ämne, då artificiella neuronnät tidigare har visat sig benägna att generera godtyckligt säkra förutsägelser, även på data som avviker från den underliggande träningsfördelningen. Tidigare arbeten har producerat många välpresterande OOD-detektionsmetoder, men dessa har ofta utvärderats på data som är semantiskt olikt träningsdata, och reflekterar därför inte nödvändigtvis metodernas förmåga under mer utmanande förutsättningar. I detta arbete utvärderas och jämförs sex oövervakade OOD-detektionsmetoder under utmanande förhållanden, i form av klassificering av semantiskt liknande bilddata med hjälp av djupa neuronnät. Arbetet visar att resultaten för samtliga metoder varierar markant mellan olika data och att ingen enskild modell är konsekvent överlägsen de andra. Arbetet finner lovande resultat för en metod som utnyttjar djupa neuronnätsensembler, men överlag så presterar samtliga modeller sämre än vad tidigare arbeten rapporterat, där mindre utmanande data har nyttjats för att utvärdera metoderna.

This work presents an investigation of tailoring Network Representation Learning (NRL) for an application in the Financial Industry. NRL approaches are data-driven models that learn how to encode graph structures into low-dimensional vector spaces, which can be further exploited by downstream Machine Learning applications. They can potentially bring a lot of benefits in the Financial Industry since they extract in an automatic way features that can provide useful input regarding graph structures, called embeddings. Financial transactions can be represented as a network, and through NRL, it is possible to extract embeddings that reflect the intrinsic inter-connected nature of economic relationships. Such embeddings can be used for several purposes, among which Anomaly Detection to fight financial crime.This work provides a qualitative analysis over state-of-the-art NRL models, which identifies Graph Convolutional Network (ConvGNN) as the most suitable category of approaches for Financial Industry but with a certain need for further improvement. Financial Industry poses additional challenges when modelling a NRL solution. Despite the need of having a scalable solution to handle real-world graph with considerable dimensions, it is necessary to take into consideration several characteristics: transactions graphs are inherently dynamic since every day new transactions are executed and nodes can be heterogeneous. Besides, everything is further complicated by the need to have updated information in (near) real-time due to the sensitivity of the application domain. For these reasons, GraphSAGE has been considered as a base for the experiments, which is an inductive ConvGNN model. Two variants of GraphSAGE are presented: a dynamic variant whose weights evolve accordingly with the input sequence of graph snapshots, and a variant specifically meant to handle bipartite graphs. These variants have been evaluated by applying them to real-world data and leveraging the generated embeddings to perform Anomaly Detection. The experiments demonstrate that leveraging these variants leads toimagecomparable results with other state-of-the-art approaches, but having the advantage of being suitable to handle real-world financial data sets. / Detta arbete presenterar en undersökning av tillämpningar av Network Representation Learning (NRL) inom den finansiella industrin. Metoder inom NRL möjliggör datadriven kondensering av grafstrukturer till lågdimensionella och lätthanterliga vektorer.Dessa vektorer kan sedan användas i andra maskininlärningsuppgifter. Närmare bestämt, kan metoder inom NRL underlätta hantering av och informantionsutvinning ur beräkningsintensiva och storskaliga grafer inom den finansiella sektorn, till exempel avvikelsehantering bland finansiella transaktioner. Arbetet med data av denna typ försvåras av det faktum att transaktionsgrafer är dynamiska och i konstant förändring. Utöver detta kan noderna, dvs transaktionspunkterna, vara vitt skilda eller med andra ord härstamma från olika fördelningar.I detta arbete har Graph Convolutional Network (ConvGNN) ansetts till den mest lämpliga lösningen för nämnda tillämpningar riktade mot upptäckt av avvikelser i transaktioner. GraphSAGE har använts som utgångspunkt för experimenten i två olika varianter: en dynamisk version där vikterna uppdateras allteftersom nya transaktionssekvenser matas in, och en variant avsedd särskilt för bipartita (tvådelade) grafer. Dessa varianter har utvärderats genom användning av faktiska datamängder med avvikelsehantering som slutmål.

Syftet med denna studie har varit att undersöka vilka olika religiösa inriktningar som finns bland sverigefinländare idag och vilken religiös bakgrund de har. Ett annat syfte har varit att ta reda på om religionen spelar en primär eller en sekundär roll för identiteten jämfört med kultur och språk hos sverigefinländare, och om det finns skillnader i den religiösa identiteten hos första, andra och tredje generationens sverigefinländare, samt hur dessa förmodade skillnader kan förklaras. En annan målsättning med denna studie har varit att undersöka hur religiositet uttrycks hos första, andra och tredje generationens sverigefinländare genom religiös praktik. Det teoretiska ramverket består av Nancy T. Ammermans and Lori Peeks teorier om religiös identitet and Thomas Hylland Eriksens and Fredrik Barths teorier om gränsdragningsprocesser. Denna studie visar att det finns en stor mångfald vad gäller religiösa inriktningar bland sverigefinländarna och att även deras religiösa bakgrund skiftar. Resultatet av denna studie visar att religiös tro tycks vara viktigare för identiteten för första generationens sverigefinländare jämfört med andra och tredje generationen. En av förklaringarna skulle kunna vara att sverigefinländare av andra och tredje generationen är mer assimilerade i det sekulära, svenska samhället och även att andra och tredje generationens invandrare har en mer otydlig identitet och att de i vissa fall kan bli etniska eller religiösa anomalier. Trots mångfalden vad gäller religiösa inriktningar, visar studien att det även finns likheter, i synnerhet bland första generationens sverigefinländare. Första generationen tycks vara mer konservativ vad gäller bibeltolkning och religiösa värderingar, exempelvis. Ett av skälen kan vara att finsktalande präster från Finland, som arbetar inom Svenska kyrkan, har en bakgrund inom väckelserörelsen, som har haft stark påverkan på Evangelisk-lutherska kyrkan i Finland. Denna studie visar också att det finns ett levande och aktivt religiöst liv bland sverigefinländare idag, trots att assimilationstycket har varit stort. / The aim of this study has been to explore what kind of religious directions are to be found among Sweden Finlanders today and what religious background they have. Another aim has been to find out if religion has a primary or a secondary role for the identity compared to culture and language among Sweden Finlanders, and if there are differences in religious identity between the first, the second and the third generation and how these assumed differences can be explained. Another purpose with this study has been to explore how religiosity among Sweden Finlanders of the first, the second and the third generation is shown through religious practice. The theoretical framework consists of Nancy T. Ammerman’s and Lori Peek’s theories about religious identity and Thomas Hylland Eriksen’s and Fredrik Barth’s theories about boundary making processes. This study shows there is a great diversity in religious directions among Sweden Finlanders and their religious background is also shifting. According to the results of this study, religious faith seems to be more important for the identity for religious Sweden Finlanders of the first generation compared to the second and the third generation. One of the explanations could be that Sweden Finlanders of the second and the third generation are more assimilated in the secular, Swedish society and also because second and third generation immigrants’ identity is less clear and in some cases they become an ethnic or a religious anomaly. This study also shows that although there are differences between the religious directions, similarities also exists, especially between Sweden Finlanders of the first generation. The first generation seems to be more conservative when it comes to Bible interpretation and religious values, for example. One of the reasons might be that Finnish speaking priests from Finland, who work within Church of Sweden, have a background in the religious revival movements which has had a strong influence on the Evangelical Lutheran Church of Finland. This study also shows there is a living and active religious life among Sweden Finlanders today, even though the pressure to assimilate has been strong.