This thesis explores the challenge of forecasting Nasdaq’s market share. The primary focus is on identifying the features influencing the market share and developing predictive models to effectively forecast it. The significance of this study lies in both the lack of prior research targeting short-term market share forecasting and the direct impact on Nasdaq’s strategies. This thesis investigates the primary determinants of Nasdaq’s market share, identifying the key features that effectively capture the variability of the market share. This study explores a combination of traditional statistical methods and deep learning techniques, focusing on linear regression and Long Short-Term Memory networks. The adopted approach involves a data preparation phase, model training, and model evaluation. Several experiments are performed in the study, including a custom loss function, the expansion of the dataset with additional historical features, and the application of Jittering, Feature Shuffle, and Time Warping data augmentation techniques. The results reveal that is possible to successfully forecast Nasdaq’s market share. All the tested models outperformed the proposed 20-day rolling average benchmark. Particularly, the Linear Regression model achieved superior results when compared to the more complex Long Short-Term Memory networks, especially when dealing with limited data availability. By providing a structured approach to forecasting Nasdaq’s market share, this thesis sets a new precedent in the field, allowing future research to expand the proposed work.

Denna avhandling utforskar utmaningen med att prediktera Nasdaqs marknadsandel. Huvudfokus ligger på att identifiera de faktorer som påverkar marknadsandelen och utveckla prediktiva modeller för att effektivt prediktera den. Betydelsen av denna studie ligger både i bristen på tidigare forskning som riktar in sig på kortsiktig prediktion av marknadsandel och den direkta påverkan på Nasdaqs strategier. Denna avhandling undersöker de primära bestämningsfaktorerna för Nasdaqs marknadsandel och identifierar de nyckelfaktorer som effektivt fångar variabiliteten i marknadsandelen. Studien utforskar en kombination av traditionella statistiska metoder och djupinlärningstekniker, med fokus på linjär regression och Long Short-Term Memory-nätverk. Den antagna metodologin innefattar en databeredsningsfas, modellträning och modelevaluering. Flera experiment utförs i studien, inklusive en anpassad förlustfunktion, utvidgning av datasetet med ytterligare historiska variable samt tillämpning av Jittering, Feature Shuffle och Time Warping-dataaugmenteringstekniker. Resultaten visar att det är möjligt att framgångsrikt prediktera Nasdaqs marknadsandel. Alla testade modeller presterade bättre än det föreslagna 20-dagars rullande genomsnittet. Särskilt presterade den linjära regressionsmodellen bättre jämfört med de mer komplexa Long Short-Term Memory-nätverken, särskilt vid begränsad datatillgänglighet. Genom att tillhandahålla ett strukturerat tillvägagångssätt för att förutse Nasdaqs marknadsandel, sätter denna avhandling ett nytt prejudikat inom området och möjliggör framtida forskning att bygga vidare på det föreslagna arbetet.