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.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-328676 |
| Date | January 2023 |
| Creators | Hägg, Philip |
| Publisher | KTH, Hälsoinformatik och logistik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-CBH-GRU ; 2023:106 |
Page generated in 0.0036 seconds