Den finansiella utbildningen präglas av klassisk finansteori som förutsätter att den finansiella marknaden prissätts rationellt. Det finns dock ett gap mellan klassisk finansteori och verklighet. Syftet har därför varit att se hur en investerare genom ökad medvetenhet om dessa anomalier kan förbättra aktiemarknadsanalys och investeringsbeslut. Studien har genomförts med ett kvalitativt tillvägagångssätt och baserats på en litteraturstudie som kompletterats med intervjuer. Under studien har en bild av investeraren som begränsat rationell framträtt i linje med de teorier som har redovisats. Där flockbeteende vuxit fram som det mest påtagliga stödet för att den klassiska finansteorin inte är att likställa med marknadens dynamiska verklighet. I studien har teorierna inom behavioral finance tematiserats och redogjorts för mot bakgrund av det empiriska underlaget. Gemensamt är att investerare tenderar att vara begränsat rationella. Psykologin är ständigt närvarande i marknaden och påverkar investerare i deras beslutsfattande i större utsträckning än vad klassisk finansteori ger utrymme för. Detta är ett av de främsta skälen till varför behavioral finance och dess teorier borde bli ett komplement till den klassiska finansteorin. Slutsatsen är att det finns möjligheter för investerare att förbättra aktiemarknadsanalys och investeringsbeslut genom att ta teorierna inom behavioral finance i beaktning. / The financial education is characterized by classical financial theory that assumes that the fi-nancial market is priced rationally. However, there is a gap between classic finance theory and reality. The aim has been to see how an investor through increased awareness of these anomalies can improve stock market analysis and investment decisions. The study was conducted with a qualitative approach and was based on a literature review supplemented by interviews. During the study, proofs of semi-rational investors have emerged in line with the theories of behavioral finance. Herd behavior has emerged as the most tangible proof that the classical financial theory is not comparable to the dynamic reality of the market. In the study, theories of behavioral finance has been thematised and explained in the light of the empirical basis. In common for those theories is that investors tend to be semi-rational. The psychology is always present in the market and affects investors in their decision making to a greater extent than classic finance theories allow. It is one of the main reasons why it should be implemented as a complement to the traditional financial theories. The conclusion is that there is potential for investors to improve stock market analysis and investment decisions by taking theories of behavioral finance into consideration.

Interpreting time varying phenomena is a key challenge in the capital markets. Time series analysis using autoregressive methods has been carried out over the last couple of decades, often with reassuring results. However, such methods sometimes fail to explain trends and cyclical fluctuations, which may be characterized by long-range dependencies or even dependencies between the input features. The purpose of this thesis is to investigate whether recurrent neural networks with LSTM-cells can be used to capture these dependencies, and ultimately be used as a complement for index trading decisions. Experiments are made on different setups of the S&P-500 stock index, and two distinct models are built, each one being an improvement of the previous model. The first model is a multivariate regression model, and the second model is a multivariate binary classifier. The output of each model is used to reason about the future behavior of the index. The experiment shows for the configuration provided that LSTM RNNs are unsuitable for predicting exact values of daily returns, but gives satisfactory results when used to predict the direction of the movement. / Att förstå och kunna förutsäga hur index varierar med tiden och andra parametrar är ett viktigt problem inom kapitalmarknader. Tidsserieanalys med autoregressiva metoder har funnits sedan årtionden tillbaka, och har oftast gett goda resultat. Dessa metoder saknar dock möjligheten att förklara trender och cykliska variationer i tidsserien, något som kan karaktäriseras av tidsvarierande samband, men även samband mellan parametrar som indexet beror utav. Syftet med denna studie är att undersöka om recurrent neural networks (RNN) med long short-term memory-celler (LSTM) kan användas för att fånga dessa samband, för att slutligen användas som en modell för att komplettera indexhandel. Experimenten är gjorda mot en modifierad S&P-500 datamängd, och två distinkta modeller har tagits fram. Den ena är en multivariat regressionsmodell för att förutspå exakta värden, och den andra modellen är en multivariat klassifierare som förutspår riktningen på nästa dags indexrörelse. Experimenten visar för den konfiguration som presenteras i rapporten att LSTM RNN inte passar för att förutspå exakta värden för indexet, men ger tillfredsställande resultat när modellen ska förutsäga indexets framtida riktning.

本研究主旨有三：(一)整理現有股市財經節目的營運方式、節目內容並瞭解財經節目主持人及其口語傳播技巧。(二)從股市財經節目觀眾收視行為來觀察，以節目收視率及收視觀眾輪廓(audience profile)為基礎，觀察股市財經觀眾其日常生活中收看股市財經節目的相關行為。(三)結合對財經節目與觀眾收視行為的觀察與研究，找出股市財經節目的關鍵要素並提出建議。 本研究以文本分析、深度訪談、二手資料整理等研究方法進行，分析整理後，發現股市財經節目觀眾的收視動機非常明確，為主動閱聽人，收看節目係屬工具性行為，主要目的係希望投資獲利。因此，節目設計應先考量以下兩點：(1)股市財經節目的觀眾特性：男女比例相當、年齡層較高、學歷較高、居住北部地區較多、家庭所得較高、對資訊需求差異大、對節目是否應教育功能意見分歧。(2)股市特性：資訊瞬變、影響股市漲跌因素甚多、需專家解說。 而股市財經節目雖與其他節目有明確區隔，唯同類型的電視投顧節目或股市貼盤節目本身並無差異化，造成電視投顧節目以消耗投顧老師的方式進行經營，四個股市貼盤節目僅有二個尚稱成功，本研究建議節目產製單位應以更深層、更能吸引觀眾的相關投資資訊來提升閱聽眾對節目的忠誠度，而同類型節目之間則應以觀眾對資訊偏好的需求、對節目教育功能的不同的認知來進行差異化。 / This analysis will 1) examine the current format for Stock Market Analysis Television Programs, the program content, the program hosts types, and the host speaking styles. 2) Examine program viewer behavior, based on viewer ratings, audience profile, and the role that these programs play in the daily lives of its viewers. 3) Ascertain the key elements of these programs and provide recommendations based on conclusions reached through cumulative analysis of such television programs and the behavior of their viewers. Based on text analysis, in-depth interviews, and second-hand data, viewers appear to have clear utilitarian motivations for watching these television programs, they are active listeners, and their primary objective is to profit on their stock market investments. Program design should take into consideration the following elements: 1) Viewer Demographics: even proportion of male and female viewers, higher age-bracket, highly educated, living primarily in Northern Taiwan, high household incomes, strong demand for new information, split on whether such programs provide educational value. 2) The Nature of the Domestic Stock Market: information changes quickly, factors affecting the rise and fall of stock prices are many, professional market insight and analysis is needed. Stock Market Analysis Television Programs, which are quite different from other television programs, fall into one of two main types: Investment Consulting Company-produced Analysis Programs, Real-time Market Data and Analysis Programs, with very little variation between competing programs in each category. The former generally relies on a string of new program hosts in an attempt to maintain viewer interest. There are currently only four of the latter type of program currently running with only two of them showing even mild success. This report will recommend that producers of such programs should offer more in-depth content so as to better attract and maintain viewers. Competing programs should also distinguish themselves from one another by offering different types of data and analysis content, and different levels of educational content in their programs.