Stocks belonging to publicly traded companies is a topic which in society is mystified and by some considered to be an unpredictable phenomenon where you either make an economic loss or gain seemingly by chance. Despite this, there are numerous fields of work where the sole purpose is to predict the movement of stocks in order to maximize economic gain. The purpose of this report was to research whether or not these movements actually can be predicted by the usage of regression analysis.

A regression model was constructed where the response variable used was the rate of change of a certain stock over 30 days and numerous different qualitative and quantitative parameters were used as regressors. This full model was then evaluated and improved in order to refine its construction and results yielded in order to present the best possible model.

When researching and optimizing the model, it was found that several parameters turned out to be statistically significant for the model. The model itself did however come with some uncertainties in the form of a low R-squared value, meaning that despite the significance of said parameters, it contained a high amount of unrepresented variance.

Aktier tillhörande publikt handlade bolag är i samhället ett mystifierat ämne varvid vissa ser det som ett oförutsägbart fenomen, som kan genera antingen vinst eller förlust, till synes av slumpen. Trots detta finns det flertalet områden vars främsta syfte är att förutspå aktiers prisrörelser med ändamålet att maximera ekonomisk vinning. Syftet med denna rapporten var att studera huruvida dessa prisrörelser faktiskt kan förutspås med hjälp av regressionsanalys.

En regressionsmodell skapades där rate of change för flertalet aktier under en period på 30 dagar användes som responsvariabel. Flertalet olika kvantitativa och kvalitativa parametrar för respektive aktie användes som regressorer. Den fullständiga modellen som byggde på all data utvärderades för att sedan förbättras, i syfte att förfina dess uppbyggnad och de resultat den genererade, för att skapa en så bra modell som möjligt. 

När modellen studerades och optimerades kunde det konstateras att flertalet parametrar var statistiskt signifikanta för modellen. Modellen hade dock osäkerheter i form av bland annat lågt R-kvadratvärde, vilket innebar att trots statistiskt signifikans i flertalet parametrar, kunde modellen inte förklara en stor del av förekommen varians.