Predicting the development of Swedish share prices based on economic indicators

This study aims to investigate whether Swedish economic indicators can be used to predict stock market performance on the Stockholm Stock Exchange. The study is expected to contribute to new research in the field and also explore the potential utility of these predictions for individual investors. Using Gaussian Naive Bayes, models have been developed to classify a stock’s price development one month in advance. The objective of these models is to maximize their classification ability. This is achieved by evaluating various machine learning performance metrics for the models and assessing a simulated stock portfolio invested by the models against the OMXS30 stock market index. The results reveal rather weak machine learning performance metrics for the models. However, the simulations demonstrate significant returns, with the models’ predictions outperforming the index by as much as 439 percentage points over the period from 2015-01-01 to 2023-04-01. Thus, this study concludes that it is possible to predict stock market development with some success using economic indicators. However, the use of the economic indicators has several limitations, that might be misleading when used with historical data and may explain the high returns of the simulation. Furthermore, the reason for the discrepancy between the performance metrics and portfolio simulations cannot be determined based on this study alone, but several hypotheses are presented. Further investigation is therefore warranted.Denna studie syftar till att undersöka ifall svensk konjunkturdata kan användas för att förutspå aktieutveckling på Stockholmsbörsen. Studien väntas ge upphov till ny forskning inom området och även undersöka ifall dessa prediktioner kan vara till nytta för enskilda investerare. Med hjälp av Gaussisk Naiv Bayes har modeller för att klassificera aktiers kursutveckling en månad framåt i tiden utvecklats. Målet med modellerna är att maximera klassificeringsförmågan. Detta undersöks genom att utvärdera olika prestationsmått inom maskininlärning för modellerna, samt undersöka hur en simulerad aktieportfölj investerad av modellerna hade presterat gentemot börsindexet OMXS30. Resultaten visar svaga prestationsmått för maskininlärningsmodellerna. Däremot visar simulationen en hög avkastning och modellernas prediktioner överträffar index med som högst 439 procentenheter över perioden 2015-01-01 till 2023-04-01. Därmed går det att konstatera från studien att det med hjälp av konjunkturdata går att predicera aktiers kursutveckling med viss framgång. Däremot finns det flera begränsningar med att historiskt använda konjunkturdata, vilket kan förklara den goda avkastning som simulerade aktieportföljen påvisat. Vidare är anledningen till att prestationsmåtten och portföljsimuleringarna inte påvisar samma resultat ej fastställd i denna studie, men flera hypoteser presenteras. Detta behöver därför undersökas ytterligare