Att förutse aktiekursrörelser är en central utmaning för investerare som strävar efteratt minska risker och öka framgången för sina investeringar. Detta examensarbeteundersöker potentialen hos två AI-baserade modeller, Long Short-Term memory(LSTM) och Gated Recurrent Unit (GRU), för att förutsäga kortsiktigaaktiekursrörelser på 5 aktier inom den svenska energisektorn. Modellerna tränadesmed historisk data, inklusive closing price och index, och utvärderades bland annatmed felmåttet Mean Squared Error. Resultaten visade att GRU presterade bättre änLSTM för kortsiktiga prognoser, tack vare dess enkla struktur och effektivareträningsprocess. Studien identifierade även indexinkludering som både har positivoch negativ effekt på resultatet beroende på modell och tidsperiod. Arbetet bidrar tillatt förbättra förutsägelser av aktier och föreslår flera områden för framtida forskning,såsom integration av fler parametrar och avancerade AI-modeller. 

Predicting stock price movements is a central challenge for investors seeking toreduce risks and increase the success of their investments. This thesis examines thepotential of two AI-based models, Long Short-Term Memory (LSTM) and GatedRecurrent Unit (GRU), to predict short-term stock price movements for five stocksin the Swedish energy sector. The models were trained on historical data, includingclosing prices and indices, and were evaluated using metrics such as Mean SquaredError. The results showed that GRU outperformed LSTM for short-term forecastsdue to its simpler structure and more efficient training process. The study alsoidentified that the inclusion of indices has both positive and negative effects on theresult, depending on the model and the time period. This work contributes toimproving stock predictions and suggests several areas for future research, such asthe integration of additional parameters and advanced AI models.