In today’s increasingly data-driven world, time series forecasting is becoming a prevalent practice. Business executives can make better decisions aided by insights from financial forecasts. Modern markets value accurate financial performance data, and strong forecasting capabilities within the area can help corporate management ensure timely, precise, and accurate informational transparency to investors and other key stakeholders. Rather than utilizing standard statistical time series models to address this forecasting problem, another option would be to use a learning technique from the field of artificial intelligence (AI), namely the RNN models of LSTM and GRU, as well as automatingand embedding the forecasting process.

In this research paper, the author investigates how neural models perform compared to traditional statistical models in internal financial time series forecasting, at a case company, with limited access to historical financial data. The research dives into the potential and usage of machine learning, or neural network embedded automation within financial forecasting are investigated and demonstrated. Over 2000 models were generated from custom software built for the case company. The paper finds that neural models (in the form of the recurrent neural network variants LSTM and GRU) outperform traditional statistical models when only using sales data. If the neural prophet model too is considered an accurate neural model, the neural models consistently beat the traditional statistical time series forecasting models on average within the scope and delimitation of this study - despite only using small sample sizes. These results show the usability of neural models. With the speed at which neural models are improving in new research, knowing that they can forecast actual business events with small sample sizes and better use large amounts of data when it is available, neural networks are increasingly useful for company internal financial performance forecasting. While the results do yield value for the case company, they cannot be generalized without broader experimentation using multiple datasets and business cases. Furthermore, no quantitative or technical analysis should be expected to fully explain a complex phenomenon such as business sales, alone. It can ultimately be both powerful and helpful, but should be accompanied by sustainable fundamental analysis and insights.

Prognostisering är både användbart och vanligt förekommande i dagens alltmer datadrivna samhälle, särskilt i affärssammanhang. Exempelvis kan en bolagsledning kan fatta bättre beslut med hjälp av ekonomiska prognoser. Moderna marknader, såväl investerare som andra nyckelintressenter, värdesätter transparens, korrekta finansiella data och god prognostiseringsförmåga hos ett noterat bolag. Prognostisering görs både fundamentalt via mänsklig tolkning eller tekniskt, typiskt sett via standardmodeller för statistisk tidsserieanalys. God teknisk analytisk förmåga kan bidra till ökad standardisering och effektivitet och minskad risk för personberoende partiskhet. Ett intressant alternativ inom teknisk analys är dessutom att använda inlärningstekniker från AI paradigmen,neurala nätverk, för att bygga prognosmodeller.

I denna forskningsrapport undersöker författaren hur modeller baserade på neurala nätverk presterar jämfört med traditionella modeller i interna finansiella tidsserieprognoser, med begränsade historiska data. Över 2000 modeller skapas med hjälp av egenbyggd programvara som har skräddarsytts för studiens partnerföretag. De neurala nätverksmodellerna presterar förvånansvärt bra och slår några av de mest använda statistiska tidsseriemodellerna ARIMA och SARIMA, med lite data, för alla undersökta delmängder. Uppsatsen finner att neurala modeller (i formav RNN-varianterna LSTM och GRU) överträffar traditionella statistiska modeller i interna finansiella tidsserieprognoser med begränsad tillgång till historiska finansiella resultatdata, när modellerna begränsas till att endast använda försäljningsdata. Om även hybridmodellen Neural Prophet räknas till de neurala modellerna så slår de konsekvent de traditionella statistiska tidsseriemodellerna inom ramen för studiens avgränsning, vilket påvisar användbarheten hos neurala modeller. Resultaten är värdefulla och användbara för studiens partnerbolag, däremot kan de inte generaliseras utan fortsatta experiment med fler dataset och ytterligare fallstudier. I takt med fortsatt utveckling lämpar neurala modeller sig kanske som ett primärt verktyg för vissa prognosändamål inom en snar framtid. Det ska slutligen poängteras att en teknisk analys oftast inte ensamt bör användas för att förklara ett komplext fenomen så som exempelvis försäljningsmönster, utan istället ackompanjeras av fundamental, hållbar grundläggande analys och professionell bedömning. Resultaten bör användas inom ramen för detta.