There are multiple ways to analyze stock companies. One way is using fundamental analysis, which means one is analyzing the company’s business key figures, such as revenue, net income and more. The key figures that were chosen to be analyzed in this report were: revenue, net income, free cash f low, return on invested capital and debt-to-equity ratio. In this thesis, machine learning was implemented to evaluate if it is possible to automate fundamental research of companies and to be able to produce a portfolio that would outperform the Swedish stock index. The data set used for both training and testing the classifiers contained the company’s basic information, 10 years of fundamental history and stock price history from the past 10 years. The companies examined were every stock listed on Nasdaq Stockholm, Nasdaq First North, Spotlight Market, Nordic Growth Market and PepMarket. The data that was gathered stretches from 2012 to 2021 which were split up into f ive-year periods and made up the training and testing period. The training data contained fundamental history from every company from these five-year periods. The classifier’s results from the testing period were used to create the portfolios during the holding period 2021-2022 to benchmark against the Swedish stock index. The results indicate that it is indeed possible to create portfolios using machine learning that will outperform the market over a year of holding the stocks. / Det finns många olika sätt att analysera aktieföretag. Ett sätt är att använda fundamental analys, vilket innebär att man analyserar företagets nyckeltal, såsom omsättning, årets resultat, etc. Nyckeltalen som har valts att analyseras i denna studie var: omsättning, årets resultat, fritt kassaflöde, avkastning på investerat kapital samt skuldsättningsgrad. I denna avhandling har maskininlärning implementerats för att undersöka om det är möjligt att automatisera fundamental forskning av företag och skapa en portfölj som ger bättre avkastning än svenska aktieindex. Data som används för både träning och testning av klassificerare innehöll företagens grundläggande information, 10 år av fundamental historik samt aktiekurs historik för dem senaste 10 åren. Företagen som undersöktes var varje aktie listad på Nasdaq Stockholm, Nasdaq First North, Spotlight Market, Nordic Growth Market och PepMarket. Data som har samlats sträcker sig från 2012 till 2021 och var uppdelade i femårsperioder till träning och testning. Träningsdata innehöll fundamental historik från varje företag från dessa femårsperioder. Resultaten från klassificerare från testning perioden användes för att skapa portföljer under 20212022 som jämfördes med svenska aktieindex. Resultaten från detta indikerar att det är möjligt att skapa portföljer med hjälp av maskininlärningsmetoder som kan ge bättre avkastning än svenska aktieindex över en innehavsperiod på ett år.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-320115 |
| Date | January 2022 |
| Creators | Azrak, Oscar, Kinali, Alperen, Makadsi, Kristian |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| 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-EECS-EX ; 2022:333 |
Page generated in 0.002 seconds