INSTITUTIONEN FÖR TEKNIKENS EKONOMI OCH ORGANISATION 

AVDELNINGEN FÖR SCIENCE, TECHNOLOGY AND SOCIETY 

CHALMERS TEKNISKA HÖGSKOLA 

Göteborg, Sverige 2022 

www.chalmers.se 

Kandidatarbete TEKX04-22-19 

Fondrobotar, privatspararens bästa 
vän? 
En kartläggning av dagens fondrobotar och studie på 

morgondagens AI integrerade portföljhantering 
Kandidatarbete inom Industriell ekonomi 

 

 

 

 
IDA HANSSON HÄGGSTRAND  AXEL RAHM 

GABRIEL LEVIN HANE   AXEL RAMHULT 

ANTON PETTERSSON   JONAS RÖST 

 



 
 
 
 
 

 
 

 

 

 

 

 

  



Kandidatarbete TEKX04-22-19 

 

 

Fondrobotar, privatspararens bästa vän? 

 

En kartläggning av dagens fondrobotar och studie på 

morgondagens AI integrerade portföljhantering 

 

 

Robo-Advisors, the Private Investor’s Best Friend?  

 

A Survey of Today’s Robo-Advisors and a Study on 

Tomorrow’s AI Integrated Portfolio Management 

 

IDA HANSSON HÄGGSTRAND AXEL RAHM 

GABRIEL LEVIN HANE   AXEL RAMHULT 

ANTON PETTERSSON   JONAS RÖST 

 

 

 

 

 

TEKNIKENS EKONOMI OCH ORGANISATION 

Avdelning för Science, Technology and Society 

CHALMERS TEKNISKA HÖGSKOLA 

Göteborg, Sverige 2022



Fondrobotar, privatspararens bästa vän? 

En kartläggning av dagens fondrobotar och studie på morgondagens AI integrerade 

portföljhantering 

 

 

IDA HANSSON HÄGGSTRAND AXEL RAHM 

GABRIEL LEVIN HANE  AXEL RAMHULT 

ANTON PETTERSSON  JONAS RÖST 

 

 

 

 

© IDA HANSSON HÄGGSTRAND, 2022  © AXEL RAHM, 2022 

© GABRIEL LEVIN HANE, 2022   © AXEL RAMHULT, 2022 

© ANTON PETTERSSON, 2022   © JONAS RÖST, 2022 

 

 

 

 

 

Kandidatarbete TEKX04-22-19 

Teknikens ekonomi och organisation 

Chalmers tekniska högskola 

412 96 Göteborg 

Sverige 

Telefon + 46 (0)31-772 1000 

 

 

 

 

 

 

 

Göteborg, Sverige 2022 

Gothenburg, Sweden 2022 



 
 
 
 
 

 
 

Fondrobotar, privatspararens bästa vän? 

En kartläggning av dagens fondrobotar och studie på morgondagens AI integrerade 

portföljhantering 

 

IDA HANSSON HÄGGSTRAND AXEL RAHM 

GABRIEL LEVIN HANE  AXEL RAMHULT 

ANTON PETTERSSON  JONAS RÖST 

 

Department of Technology Management and Economics 

Chalmers University of Technology 

 

Summary 

Problem: The use of robo-advisors has increased rapidly in recent years, as well as the number 

of robo-advisor services on the Swedish market. Due to the tendencies of stock markets to be 

volatile and uncertain, high pressure is put on the emerging form of savings in the form of risk 

and crisis management. A survey of robo-advisors is thus necessary to provide an opportunity 

to understand the automated form of savings that more and more customers are turning to. 

 

Aim: The study aims to map today's robo-advisors on the Swedish market and create an 

understanding of how these handle fluctuations in the stock market. Furthermore, the purpose 

is to analyze how AI and machine learning can be implemented in robo-advisors, and its effects. 

 

Method: The method used in the study can be divided into three parts; a literature study, an 

interview study and a delphi-study. The interview study was conducted to gather data for the 

mapping of today's robo-advisors, while the literature study and the delphi-study aimed to 

investigate future possibilities of AI and machine learning implementation. 

 

Results and analysis: The results show that the degree of automation of today's robo-advisors 

differs. One similarity is that all surveyed robo-advisor companies use algorithms to profile 

their customers, while one difference is how potential holdings are analyzed. Furthermore, the 

results indicate that belief in how AI will be implemented and its effects varies. Discovered is 

also that data availability is a crucial factor to consider when discussing AI’s ability to perform 

well. 

 



 
 
 
 
 

 
 

Conclusion: The study shows that the degree of automation of the robo-advisors differs. The 

reason for this is the difference in investment philosophy and belief in the Efficient Market 

Hypothesis. To reduce risk, all robo-advisors use diversification. Rebalancing is used in some 

cases to manage risk, which correlates with their investment philosophy. In five years from 

now, AI will most likely function as an analysis tool. Furthermore, AI will not be able to predict 

stock market crashes within five to ten years from now because of the lack of required data. 

 

Keywords: robo advisors, automated trading, fund management, portfolio management, 

artificial intelligence, fintech, investing, personal finance, finance 

 

Note: The report is written in Swedish 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

  



 
 
 
 
 

 
 

Sammanfattning 

Problem: Användningen av fondrobotar har under de senaste åren ökat kraftigt och antalet 

fondrobottjänster som erbjuds likaså. På grund av börsmarknaders tendenser att vara volatila 

och osäkra ställs höga krav på den framväxande sparformen i form av riskhantering och 

krishantering. En kartläggning av fondrobotar är således nödvändig för att ge möjlighet till 

förståelse för den automatiserade sparformen som fler och fler kunder vänder sig till.  

 

Syfte: Studien syftar till att kartlägga dagens fondrobotar på den svenska marknaden och skapa 

en förståelse för hur dessa hanterar svängningar på börsmarknaden. Fortsättningsvis är syftet 

att analysera hur AI och maskininlärning kan implementeras i fondrobotar, samt dess effekter. 

 

Metod: Metoden som använts i studien går att dela upp i tre delar; en litteraturstudie, en 

intervjustudie och en delfistudie. Intervjustudien genomfördes för att samla in underlag till 

kartläggningen av dagens fondrobotar medan litteraturstudien samt delfistudien hade som syfte 

att undersöka framtidsfrågor om implementation av AI och maskininlärning. 

 

Resultat och analys: Resultatet visar att automatiseringsgraden hos dagens fondrobotar skiljer 

sig åt. En av likheterna är att samtliga undersökta fondrobotföretag använder sig av algoritmer 

för att profilera sina kunder, medan en skillnad är hur potentiella innehav analyseras. Vidare 

indikerar resultatet att tron på hur AI kan implementeras samt vilka effekter det skulle medföra 

varierar. Tydligt är även att datatillgänglighet är en avgörande faktor för AI:s prestanda. 

 

Slutsats: Studien visar att fondrobotarnas automatiseringsgrad skiljer sig åt. Orsaken går att 

härleda till investeringsfilosofi och tron på Efficient Market Hypothesis. För att minska risk 

använder samtliga fondrobotar diversifiering. Ombalansering används i vissa fall för att hantera 

risk, vilket korrelerar med deras investeringsfilosofi. AI:s framtida påverkan kommer med stor 

sannolikhet bestå av att fungera som ett analysverktyg. AI kommer inte kunna förutse 

börskrascher inom en femårsperiod eftersom den inte har tillgång till all data som krävs. 

 

Nyckelord: fondrobot, automatiserad trading, fondförvaltning, portföljhantering, artificiell 

intelligens, fintech, investering, privatekonomi, finans 

 

Notera: Rapporten är skriven på svenska 



 
 
 
 
 

 
 

Förord 
När vi påbörjade arbetet strax efter årsskiftet till år 2022 hade vi i gruppen en tydlig bild av att 

vi ville undersöka kombinationen av vad vi tycker är två väldigt spännande ämnen. Dels 

finansbranschen som är så oerhört komplex och som i princip påverkar hela världens 

befolkning, både direkt och indirekt. Dels artificiell intelligens och maskininlärning där såg vi 

en hög innovationstakt och en kraftigt ökad kunskap. Vi hade en klar hypotes om att artificiell 

intelligens borde gå att integrera betydligt bättre i finans än vad som gjordes i dagsläget.  

 

Vägen till den rapport som ni nu förhoppningsvis ska läsa har dock varit långt ifrån spikrak. 

Det har många gånger känts som att vi sprungit in i betongvägg på betongvägg utan större 

framgång att navigera rätt i två långt mer komplexa ämnen än vad vi kunnat föreställa oss. 

Hypotesen vi först hade har visat sig stämma mer eller mindre, men upptäckt problem och 

svårigheter där vi först inte anade att det fanns. Processen har varit givande, lärorik men 

framförallt väldigt kul. Vi känner att det enorma arbete vi lagt ner, till slut, har resulterat i en 

väldigt spännande rapport som vi nu kan dela med oss av. 

 

Rapporten hade dock inte blivit det den är idag utan ett par nyckelpersoner. Vi skulle därför 

först vilja rikta ett stort tack till vår handledare på Chalmers, Erik Bohlin, som många gånger 

fått oss att lugna ner oss, ta ett steg tillbaka och gjort att vi kunnat se allt ur ett bredare 

perspektiv. Eriks erfarenhet inom rapportskrivande och forskningsmetodik har gjort att vi 

kunnat höja kvaliteten på rapporten ett par nivåer.  

 

Vi vill även rikta ett stort och uppriktigt tack till Sverker Janson på RISE som väglett oss genom 

hela arbetet och som hela tiden utmanat oss. Sverkers stora engagemang och höga nivå har 

accelererat arbetet framåt vilket bidragit i hög grad till rapporten. Fortsättningsvis har Sverkers 

breda kunskap inom framförallt artificiell intelligens lett till många spännande diskussioner 

och gjort att vi kunnat gå vidare till nästa steg i processen snabbare än vad vi annars kunnat 

göra.  

 

Avslutningsvis vill vi rikta ett stort tack till alla som ställt upp på intervjuer i rapporten samt 

till opponentgrupper som bidragit med värdefull feedback vid seminarier under processens 

gång. Tack! 

 



 
 
 
 
 

 
 

Ordlista 
Artificiell intelligens (AI) - Artificiell intelligens är förmågan hos maskiner och datorer att 

uppvisa mänskliga egenskaper. Detta görs genom att efterlikna kognitiva funktioner som 

exempelvis inlärning, generalisering, att förstå naturligt språk och till viss del även kreativitet.  

 

Big Data - Begreppet avser stora och komplexa datamängder vilket kräver ny teknik, såsom 

AI, för att kunna bearbetas och analyseras. 

 

Black Swan Events - Ett Black Swan Event är en oväntad händelse med stor påverkan som ej 

gick att förutse baserat på händelser som skett tidigare i historien. 

 

Buy and Hold - Detta är en strategi där investeringar köps och sedan behåller dem under en 

lång tid, oavsett hur marknaden går. Viktigt i denna strategi är inte lägga värdering i hur 

innehavet utvecklas på kort tid. 

 

Efficient Market Hypothesis (EMH) - En teori som menar att det är i princip omöjligt att slå 

marknaden kontinuerligt under en lång tid. Teorin utgår från att marknaden är effektiv och att 

all tillgänglig information används för att sätta rätt pris på tillgången som uppdateras i realtid. 

Eftersom all information används går de inte att slå marknaden kontinuerligt under en längre 

tid utan att detta endast sker på grund av slumpen. 

 

Environmental, Social and Governance (ESG) - ESG handlar om hållbarhet i företagets 

affärsmodell, det vill säga hur dess produkter och tjänster bidrar till en hållbar utveckling.  

 

Exchange Traded Fund (ETF) - En ETF, börshandlad fond på svenska, är en fond som är 

noterad på börsmarknaden. Därav handlas den precis som en vanlig aktie.  

 

Fundamental analys - Begreppet avser en analys av ett företag med fokus på mjuka värden. 

Faktorer som hur personer på beslutsfattande personer agerar och upplevs, samt hur 

verksamheten fungerar dag till dag blir viktiga här. Även bolagets årsredovisning samt 

nyckeltal inkluderas i den fundamentala analysen. 

 



 
 
 
 
 

 
 

Fondrobot - Fondrobotar är en sparform som utifrån en persons risktolerans automatiskt 

investerar dennes pengar i diverse sorters värdepapper.  

 

Home Bias - En investerares vilja att investera oproportionerligt stor del av sin portfölj i 

inhemska innehav. En möjlig bieffekt kan vara att diversifiering förbises till fördel för 

inhemska innehav. 

 

Index - Ett index mäter hur en samling värdepapper presterar. Värdepapperna i det givna 

indexet är oftast representativa för en viss del av marknaden. 

 

Kvantitativ analys - Begreppet avser den analys av ett företag där faktorer som kan sättas i 

faktiska värden beaktas. Exempel på dessa är värden som står i en årsredovisning. Även teknisk 

analys innefattas i detta begrepp och som är ett samlingsnamn för grafisk information och 

utifrån den historiska kursutvecklingen för aktier och andra innehav försöka förutsäga den 

framtida utvecklingen. 

 

Optioner - En option är ett värdepapper. Det den som utfärdat optionen som vid en 

förutbestämd tidpunkt i framtiden till ett förutbestämt pris kan köpa eller sälja något till den 

som har innehavaren. Det är endast optionsinnehavaren som är kan kräva att avtalet fullföljs.  

 

Publik information - Den informationen som alla har tillgång till på nätet och även den 

information som en potentiell AI skulle kunna använda i sin beslutsfattning. 

 

Privat information - Den information som skulle kunna fås vid en interaktion med en 

beslutsfattande person på ett företag. Exempel på sådan information är den känsla som en 

investerare kan få av en verksamhet eller av en beslutsfattare i ett företag vid ett besök. Privat 

information är viktig att skilja från inside information då inside information är illegal att agera 

på, något som privat information inte är.  

 

SPY - SPDR S&P 500 EFT Trust är en av de mest populära fonderna vars mål är att följa de 

500 large cap USA aktierna.  

 

 

 



 
 
 
 
 

 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Innehållsförteckning

1. Introduktion 1
1.1 Problemformulering 2
1.2 Syfte 5
1.3 Frågeställning 6
1.4 Avgränsningar 6

2. Metod 7
2.1 Metodval 7
2.2 Litteraturstudie 8
2.3 Delfistudie 9
2.4 Intervjuer 9

2.4.1 Design och utförande av intervjuer 10
2.4.2 Respondenter 10
2.4.3 Analys av intervjuer 11

2.5 Metodkritik 12

3. Nyckelkoncept inom finans, statistik och maskininlärning 14
3.1 Finansiella teorier 14

3.1.1 Modern Portfolio Theory (MPT) 14
3.1.2 Efficient Market Hypothesis 15
3.1.3 Value at Risk (VaR) 15
3.1.4 Sharpekvot 16
3.1.5 GARCH Process 16
3.1.6 Markov Switching Model 16
3.1.7 Hedging 17

3.2 Statistiska metoder och maskininlärning 17
3.2.1 Ginis Mean Difference 17
3.2.2 Logistic regression 17
3.2.3 Maskininlärning 17

4. Existerande forskning inom framtidens fondrobotar, portföljhantering och
marknadssvängningar 19

4.1 Framtidens fondrobotar 19
4.2 Portföljhantering och marknadsutveckling 20

4.2.1 AI-integrerad portföljhantering och prediktiv modellering 20
4.2.2 Automatiserad avläsning av sociala medier för marknadsanalys 22
4.2.3 Portföljoptimering med avseende på marknadsfaser 23

5. Resultat 25
5.1 Kartläggning av den svenska fondrobotmarknaden 25

5.1.1 Lysa 26



5.1.2 Fundler 29
5.1.3 Sigmastocks 32
5.1.4 BetterWealth 35

5.2 Intervjuer med fondförvaltare 38
5.3 Resultat av experters syn på AI integrerade fondrobotar om fem år 42

5.3.1 Fondrobotar om fem år 44
5.3.2 AI:s påverkan på portföljhantering inom fem år 47
5.3.3 AI:s förmåga att förutse och hantera börskrascher inom fem år 50

6. Analys 54
6.1 Analys av dagens fondrobotar 54
6.2 Framtidens fondrobotar 60

7. Slutsats 67

8. Avslutande reflektioner 69
8.1 Framtida forskning 69
8.2 Hållbarhets- och etikreflektion 69

Referenser 73

Appendix 84
Appendix 1. Kartläggningsfrågor 84
Appendix 2. Delfifrågor 86



1. Introduktion

Sedan 1600-talet när de första moderna aktiebolagen skapades, har antalet aktiebolag ökat

exponentiellt och aktiemarknaden ser ut på ett helt annat sätt nu än den gjorde då (Funnell &

Robertson, 2012). Att spara i aktier och fonder har gått från att vara för samhällstoppen till att

vara något för individer i alla samhällsskikt, vilket har gjort att det i Sverige under slutet på

2020 fanns ca 1,2 miljoner aktiesparare (SCB, 2021).

Antalet sätt att placera sina pengar är oräkneligt många och för en privatsparare kan det vara

svårt att navigera i denna djungel. Med facit i hand är det lätt att se tillbaka över ett

tidsintervall och se hur en optimal strategi skulle sett ut. Däremot är det med framtiden

framför sig betydligt svårare att veta vilken strategi som kommer lyckas till följd av att

marknaden är extremt komplex.

På lång sikt har sannolikheten att börsen stiger varit hög (RikaTillsammans, 2020). Historiska

data har dock visat att det marknaden är betydligt mindre förutsägbar på kort sikt, vilket

belyser riskerna och svårigheterna med att ha pengarna på börsen. Exempelvis har

Stockholmsbörsen, SIX Return Index (SIXRX) som anses vara det mest rättvisande indexet

på Stockholmsbörsen, haft en genomsnittlig årsavkastning på 9,24 % mellan år 1870-2019

(RikaTillsammans, 2020). Under samma tidsintervall har standardavvikelsen varit 19,8 % och

med ett konfidensintervall på 95 % har utfallet under ett enskilt år under tidsperioden varierat

mellan - 28,6 % till + 50,5 %, en spridning på 79,1 procentenheter (RikaTillsammans, 2020).

För att underlätta för privata investerare att göra så bra investeringsval som möjligt erbjuds

flera tjänster. Kombinationen av att finansbranschen kan vara svårförståelig, att kunder vill

undvika onödiga risker samt att det under en lång tidsperiod inte gick att komma åt börserna

som privatperson har gjort att det alltid funnits börsmäklare (Klimashousky, 2021). Det finns

olika typer av börsmäklare, men undantagslöst är att alla tar ett arvode för sina tjänster, där

den procentuella arvodessatsen både beror på status på mäklare men framför allt hur aktivt

rådgivningen sker. En annan populär sparform är fonder, där fondförvaltare tar ett arvode för

sin tjänst. Något som är anmärkningsvärt är att många fonder tar en höjd ersättning för

överavkastning. Det vill säga, slår fonden index så tar fondförvaltaren extra betalt

(Finansinspektionen, 2006).

1



En relativt ny tjänst som fått mycket uppmärksamhet och allt fler användare är fondrobotar.

Fondroboten placerar kunders pengar utifrån en given etik- och riskstrategi men där företagen

har valt att diversifiera sina produkter beroende på vilken investeringsfilosofi som skaparna

har (Fisch et al., 2019). Anledningen till att denna typ av robotar har börjat användas är flera.

En väsentlig del som möjliggjort tjänsten är den ökade digitaliseringen och automatisering av

börser där köp och säljordrar genomförs per automatik (Park et al., 2016; Shanmuganathan,

2020). Andra centrala delar till fondrobotarnas frammarsch är förmågan att förvalta pengar

och placera i tillgångar utan subjektiva värderingar samt att de kan göra det till en lägre avgift

än vad en konventionell börsmäklare gör. En nackdel skulle vara att de endast kan köpa och

sälja med avseende på ett fåtal parametrar som sällan ger en helt korrekt bild av hur

verkligheten ser ut (Fein, 2015; Jung et al., 2018). Men hur fungerar fondrobotar egentligen

och hur hanterar de kraftiga svängningar på börsen?

Samtidigt som fondrobotarna har introducerats på den svenska marknaden sker det stora

tekniska framsteg inom artificiell intelligens (AI) och maskininlärning, vilket somliga

fondrobotarna till viss del använder idag. Skulle en utvecklad AI och maskininlärning kunna

integreras i tjänsten för att hantera marknadssvängningar bättre än i dagsläget, eller till och

med förutspå börskrascher, trots den höga komplexiteten i marknaden?

Hur fondrobotar på den svenska marknaden fungerar är ett relativt outforskat område.

Informationen som finns kring tjänsterna går främst att hitta på respektive företags hemsida

och det finns heller inte någon standard för hur fondrobotföretagen ska förklara sina tjänster

för kunderna. Denna problematik kan således göra tjänster svårförståeliga samt svåra att

jämföra med varandra.

1.1 Problemformulering
Till följd av att fondrobotar genomgått en stor utveckling de senaste åren på den svenska

marknaden, från introduktionen i början på 2010-talet till den pågående etableringen där

tjänsterna får allt fler kunder, är det av vikt att göra en kartläggning av hur tjänsterna faktiskt

fungerar. Detta är nödvändigt för att privatsparare i form av gamla- och potentiella kunder

ska förstå tjänsten till fullo med både styrkor, svagheter, möjligheter och begränsningar.

2



En viktig del att granska när en spartjänst ska kartläggas är hur riskhanteringen ser ut. Att

hantera en portfölj när marknaden går bra är sällan svårt, eftersom de flesta branscherna går

positivt. Det är då snarare en fråga om hur mycket positiv avkastning portföljen genererade.

Istället blir det viktigt att se vilken risk en portfölj har när marknaden inte längre går bra, eller

om det oväntade sker. Marknadsrisken är svår att undvika men risker som en portfölj istället

kan ha, och bör parera, är risker som till exempel koncentrationsrisk med korrelerade

tillgångar, ränterisk och politisk risk (Nordea, u.å.).

Ett exempel på när marknaden var instabil är år 2020 då Stockholmsbörsen hade sitt största

fall någonsin till följd av ett ras i förväntningar på ekonomin i stort efter att World Health

Organization (WHO) meddelade att SARS-CoV-2 klassades som en pandemi (Rognerud,

2020; Mazur et al., 2021). Händelserna på aktiemarknaden mellan februari och april 2020 var

något som aldrig hade skådats tidigare. Världen över rasade aktiepriser i magnituder som var

större än tidigare krascher vilket orsakade några av de största intradagsfallen någonsin på

index, däribland S&P500 och Dow Jones (Blakeley, 2020; Daube, 2020). Händelserna väckte

stor oro hos investerare och ledde till att många sålde i panik vilket i sin tur förvärra

konsekvenserna på aktiemarknaden (Mahata et al., 2021). Stockholmsbörsen återhämtade sig

dock efter nedgången och slutade 2020 cirka 6 % upp (Nasdaq OMX Nordic, u.å.).

Tydligt är att svenska fondrobotar som grupp inte förutspådde börsraset 2020. Samtliga

aktörer föll i samband med raset och alla var även, mer eller mindre med på den kraftiga

uppgången som skedde kort därefter. Detta går att se i figur 1 som visar hur fondroboten

Fundler (turkost) gick jämfört med ett jämförelseindex (streckad linje) under samma treåriga

tidsintervall.

3



Figur 1. Fundlers avkastning (turkost) och jämförelseindex (streckad linje) under perioden mellan

februari 2019 och februari 2022 (Fundler, 2022a).

Ett av företagen vars fondrobotar presterade sämre än det svenska indexet OMXS30 år 2020

var BetterWealth och i synnerhet deras så kallade dynamiska portföljer. Avkastning från dessa

slutade 2020 i intervallet -0,3 % och -6,8 % medan OMXS30, som nämnts tidigare, slutade

cirka 6 % upp (BetterWealth, u.å.). I figur 2 visas utvecklingen för den dynamiska portfölj

med högst risk, vilket även var den dynamiska portfölj som presterade sämst under 2020.

(BetterWealth, u.å.). Dessa dynamiska portföljer använder sig bland annat av maskininlärning

för att utföra analyser och utifrån dessa konstruera samt ombalansera portföljerna

(BetterWealth, 2021). Drömmen om det perfekta sparandet, att kunna sälja eller balansera om

portföljen precis innan ett stort ras för att sedan köpa in sig på marknadens botten för att

maximera avkastningen är således fortfarande en dröm.

4



Figur 2. BetterWealths avkastning för deras portfölj dynamisk 7 (VaR 25 %), under perioden februari

2019 och februari 2022 (BetterWealth, 2022).

Samtidigt sker det stora framsteg inom AI och maskininlärning. Tekniker som eventuellt

skulle kunna implementeras i finansbranschen på flera ställen. Det är därför intressant att se

hur mycket AI och maskininlärning som implementeras i dagsläget samt hur AI och

maskininlärning skulle kunna implementeras i framtiden för att hantera liknande krascher

eller stora marknadssvängningar som den år 2020.

1.2 Syfte
Studiens syfte är att undersöka hur dagens fondrobotar fungerar tekniskt samt hur de hanterar

stora svängningar på börsmarknaden. Vidare ämnar studien att undersöka vilken

utvecklingspotential framtidens fondrobotar har och om de kan komma att prognostisera en

stor svängning på börsen likt den som skedde i samband med SARS-CoV-2 utbrott.

Avslutningsvis är syftet att undersöka om det går att motverka marknadsnedgångar genom

användningen av AI och maskininlärning.

1.3 Frågeställning
Med bakgrund i det syfte som har presenterats är frågeställningarna i arbetet således:

5



● Hur fungerar dagens fondrobotar på den svenska marknaden och hur hanterar de

kraftiga svängningar på börsmarknaden likt den år 2020 i samband med att

SARS-CoV-2 klassificerades som en pandemi?

● Hur skulle AI integrerade fondrobotar om fem år kunna hantera liknande situationer

där det sker stora förändringar på börsmarknaden?

1.4 Avgränsningar
Tidsintervallet som framtidsfrågorna kommer att behandla är fem år. Anledningen till detta är

att ett längre tidsperspektiv blir för svårt att undersöka. Beroende på hur den tekniska

utvecklingen fortgår inom olika områden blir antalet olika utfall fler och osäkerheten hög

kring vad som faktiskt är troligt. Det finns därför hög risk att resultatet skulle kunna blir vagt

eller inte kunna fastställas med tillräckligt hög signifikansnivå.

Fortsättningsvis kommer rapporten enbart behandla de fondrobotar som i regel sköter ett

långsiktigt sparande. Begreppet high frequency trading och allt som inkluderas i konceptet

kommer alltså inte att undersökas. Vidare kommer enbart fondrobotar som i grunden har

börsinnehav att undersökas. Det som inkluderas är alltså robotar som i huvudsak hanterar

aktier, fonder eller andra börshandlade tillgångar. Robotar som hanterar enbart kryptovalutor,

Non Fungible Tokens (NFT), Over The Counter (OTC)-innehav, icke-reglerade råvaror eller

andra tillgångar som inte finns på en reglerad börs kommer alltså inte att undersökas.

Avslutningsvis kommer enbart svenska fondrobotbolag att undersökas. Anledningen till detta

är för att få en mer homogen grupp av intervjuobjekt. Orsaken till att en svensk grupp kan ses

som mer homogen är för att företagen är verksamma inom samma land med snarlika

produkter vilket borde innebära att externa faktorer är snarlika. Skillnaden i hur företagen

opererar blir således skillnader i strategi eller teknik snarare än olikheter orsakade av externa

faktorer.

6



2. Metod

I detta avsnitt beskrivs den metodik som har använts för att besvara arbetets frågeställning

och syfte. Metoden har delats upp i delmomenten litteraturstudie, delfistudie, intervju,

dataanalys och metodkritik. Avslutningsvis förs en diskussion kring val av metod. I figur 3

illustreras de delar metoden består av i en schematisk figur. Metoden har valts för att kunna

identifiera och analysera AI:s eventuella framtida implementering inom fondrobotar samt att

kartlägga hur dagens fondrobotar ser ut.

Figur 3. En schematisk figur av metodens centrala delar.

Metodens delar har inte utförts linjärt då information och kunskap har adderats under arbetets

gång och därmed har gjort att delar i metoden har skett parallellt. Under arbetets gång har

även kontakt hållits med handledare och expert inom artificiell intelligens för att handleda

gruppen genom rapportskrivandet för att möjliggöra en så bra rapport som möjligt.

2.1 Metodval
Arbetet har använt en kvalitativ forskningsmetod, vilket inneburit att analysen har utformats

av semistrukturerade data. På grund av valet av forskningsmetod har intervjuer med öppna

frågor kunnat användas (David & Sutton, 2016).

7



Vidare har studien även varit av utforskande karaktär. Ellram (1996) beskriver hur

utforskande forskning vanligtvis besvarar frågor som “hur” och “varför” någonting sker.

Denna typ av studie passar väl in för att besvara frågeställningen då den utforskande formen

hjälper till att besvara hur fondrobotar fungerar idag och hur de hanterar kraftiga

marknadssvängningar. Även den andra frågeställningen besvaras med en utforskande metod

som undersöker hur AI kan implementeras i framtidens fondrobotar samt varför

implementation kommer ske i större eller mindre utsträckning.

Metodperspektivet som används i denna rapport är av abduktiv karaktär vilket innebär en

kombination av en deduktiv och induktiv studie (Reichertz, 2010). En induktiv studie

används främst vid kvalitativa studier med ett tydligt teoretiskt ramverk (David & Sutton,

2016). Deduktiv är motsatsen och används istället när en förutbestämd hypotes finns och

syftet då är att bekräfta eller motbevisa denna hypotes. Då denna studie utgår från både en

förutbestämd teori samt erfarenhet och kunskap från respondenter är denna studie således

abduktiv.

2.2 Litteraturstudie
En litteraturstudie användes, vilket enligt Snyder (2019) är användbart för att få en överblick

över specifika frågeställningar. Syftet med denna studie är att utforska hur fondrobotar

fungerar idag och hanterar kraftiga svängningar på börsen, samt om AI skulle kunna

integreras i framtiden. Med detta syfte har litteratur om artificiell intelligens och finansiella

teorier presenterats i avsnitt 3 och 4 för att ge förståelse samt ytterligare perspektiv till

analysen.

Litteraturstudien genomfördes med semistrukturerade sökningar i Scopus och Google

Scholar. Semistrukturerad sökning innebär att sökningen sker över flera områden och inte

strikt måste innefattas i ett specifikt forskningsområde. Snyder (2019) beskriver att detta

upplägg är det mest föredragna sättet att strukturera upp sökningar när ämnet är brett och

studeras av flera olika grupper av forskare. Litteraturstudien har delats upp i två centrala

områden för arbetet; framtidens fondrobotar samt portföljhantering och marknadsutveckling.

Relevanta nyckelord som använts som utgåtts ifrån vid sök av litteratur var följande: “robo

advisors”, “AI”, “journal of financial data analytics”, “portfolio”, “finance”, “robo advisor

8



active management”, “portfolio management”, “use case”, “rebalancing portfolio”, “machine

learning” och “reinforcement learning”.

Tillsammans med de semistrukturerade sökningarna har samtal med insatta inom området

gjort att ytterligare artiklar hittades. De artiklar som ansågs mest relevanta användes därefter

för att jämföra med respondenternas svar från intervjuerna.

2.3 Delfistudie
För att svara på studiens andra frågeställning om hur framtidens fondrobotar kommer att

fungera har en delfistudie använts. Turoff och Linstone (2002) beskriver att en delfistudie är

en prognosmetod som används för att analysera komplexa problem. En expertgrupp samlas

ihop för att kunna uttrycka sina åsikter. Enligt Melander et al (2019) är det vanligaste syftet

med en delfistudie att få någon form av samstämmighet bland experterna eller få bättre

uppfattning om olika experters åsikter. Det är även syftet med denna studie vilket gjort att en

delfistudie använts.

Två intervjuomgångar har hållits med experter inom AI, fondrobotar samt traditionella

fondförvaltare. Syftet med den första intervjun var att få en förståelse för hur experter med

olika synvinklar tror att fondrobotar kommer att utvecklas. Efter att första intervjun med

samtliga experter hållits, sammanställdes intervjuerna i skalor beroende på hur positivt

inställda de var till artificiell intelligens i framtidens fondrobotar.

Inför den andra intervjun skickades denna sammanställning ut till respondenterna för att på

den andra intervjun se om sammanfattningen stämde överens med den bild de hade av första

intervjun samt om de ändrat åsikt efter att ha läst vad andra experter svarat på samma frågor.

Några intervjuobjekt hade inte möjlighet att ställa upp på en andra intervju fysiskt och valde

därför att svara på frågorna i skrift istället.

2.4 Intervjuer
Intervjuer används ofta för att få in stora mängder information, åsikter och erfarenhet från ett

fåtal personer (David & Sutton, 2016). Vidare är intervjuer ofta ett effektivt sätt att få in

information och bidrar till en djupare förståelse.

9



I detta kandidatarbete har intervjuer använts för att få en bredare förståelse för fondrobotar

och hur dessa fungerar. Intervjuobjekten som har valts för att uppnå denna förståelse är de

fyra svenska fondrobotbolagen BetterWealth, Fundler, Lysa samt Sigmastocks. För att få en

djupare förståelse för hur AI kan implementeras i framtiden har intervjuer hållits med tre

olika parter; traditionella fondförvaltare, fondrobotförvaltare samt AI-experter. Anledningen

till att dessa grupper valts ut är för att få olika perspektiv och föreställningar av framtiden.

2.4.1 Design och utförande av intervjuer
I denna studie har halvstrukturerade intervjuer använts. Både öppna och slutna slutfrågor har

utgjort intervjumaterialet. Ofta har dessa frågor följts av följdfrågor i form av hur och varför.

David och Sutton (2016) beskriver att genom att använda sig av följdfrågor kan intervjuaren

lättare styra intervjun åt en specifik riktning. Intervjuerna blev därmed mer som

konversationer än formella intervjuer vilket bidrog till en mer avslappnad stämning och till

att mer högkvalitativa svar kunde erhållas.

Förberedelsefasen bestod av att hitta lämpliga experter att intervjua inom de tre valda

områdena. Detta arbete gjordes främst via mejl och telefon där en kortare beskrivning av

projektet och dess syfte presenterades. När kontakt hade etablerats skickades frågorna över på

förhand till respondenten så att denne kunde förbereda sig inför intervjun. Mall över frågor

hittas i appendix.

De flesta intervjuer hölls online via plattformarna Microsoft Teams eller Zoom då det

geografiska avståndet till respondenterna var stort. En intervju hölls fysiskt på plats. På

intervjuerna medverkare mellan tre och sex gruppmedlemmar vilket gjorde att fler perspektiv

i form av följdfrågor kunde fås med. Respondenterna var tillfrågade om det var möjligt att

spela in intervjun vilket majoriteten tillät. Anteckningar togs även under samtliga intervjuer.

2.4.2 Respondenter
Här presenteras varför studien valt att använda oss av fyra fondrobotbolag, tre fondförvaltare

respektive tre AI-experter. I tabell 1 presenteras de intervjuer som utförts.

Intervjuerna har hållits med experter inom området där respondenterna kategoriserats upp i

tre kategorier; fondrobotförvaltare, fondförvaltare respektive AI-expert. För att få en bättre

10



förståelse för de olika grupperna och deras perspektiv har antalet respondenter i respektive

grupp bestämts till fyra fondrobotbolag, tre fondförvaltare respektive tre AI-experter. Dessa

gruppstorlekar har valts för att minska risken för partisk information samt för att få ett

bredare perspektiv. För att få ytterligare förståelse och kunna hitta mönster i intervjuobjektens

uttalanden utformades en andra intervju i form av en delfistudie där experterna endast

svarade på delfifrågorna. Delfifrågorna var en delmängd av samtliga frågor, vilket går att se i

bilaga 2. Det är viktigt att notera att respondenterna inte svarade för de bolag som de

representerar när delfifrågorna besvarades utan som en egen person.

Tabell 1. Tabell över intervjuerna som hållits och information om respektive intervjuobjekt.

2.4.3 Analys av intervjuer
För att svara på rapportens första frågeställning har data från fondrobotarnas hemsidor samt

whitepapers hämtats. Intervjuerna med respektive fondrobotföretag har använts för att

komplettera denna data och även förtydliga informationen. För den andra frågeställningen

och delfistudien har Systematic Text Condensation (STC) använts för att hitta mönster och

11



förstå framtidens frondrobotar. STC är ett analysverktyg som används för utvärdering av

kvalitativa data.

De intervjuer som utförts i syfte att få en förståelse för hur fondrobotar på den svenska

marknaden fungerar idag har transkriberats och sammanställts. Transkriberingar

strukturerades i enlighet med den investeringsmodell som gruppen tagit fram, vilket innebar

att varje del från investeringsmodellen motsvarade en underrubrik. Investeringsmodellen

presenteras nedan i figur 4. Genom att transkribera på detta vis kunde likheter och skillnader

lättare upptäckas när intervjumaterialet skulle analyseras.

Investeringsmodellen togs fram i syfte att etablera en gemensam grund under intervjuerna.

Genom att utgå från investeringsmodellen när frågor ställdes kunde det säkerställas att

intervjuobjektet höll sig inom ramen för vad som efterfrågades. Vidare byggdes även

frågemallen som användes under intervjuerna med fondrobotföretagen upp utifrån den

framtagna investeringsmodellen. Frågemallen strukturerades på detta vis för att underlätta

sammanställningen av den data som samlades in under intervjuerna. Nämnvärt är att samtliga

intervjuobjekt godkände och validerade investeringsmodellen.

Figur 4. Gruppens framtagna investeringsmodell

För att kunna analysera delfiintervjuerna systematiskt har även dessa transkriberats. Svaren

från intervjuerna kategoriserades och sammanfattades därefter under nyckelrubriker. För att

göra det har STC metoden använts, vilket är en metod i fyra steg. Malterud (2012), som tagit

fram STC, beskriver att det första steget går ut på att få en överblick av den insamlade datan

genom att kategorisera dessa i olika kategorier som därefter kan kopplas till studiens

frågeställning. Det är då av vikt att inkludera mer information än som vid första anblick kan

tyckas behövas för att inte riskera att exkludera viktig information. Då nyckelkoncepten var

12



identifierade sammanlänkades dessa med frågeställningen. Malterud (2012) beskriver hur

detta steg är av stor vikt för att kunna hitta mönster och dra korrekta slutsatser i det sista

steget som är att beskriva de koncept som den samlade informationen givit.

2.5 Metodkritik
Under denna rubrik presenteras metodkritik. Detta görs för att ge en förståelse kring vilka

brister som funnits i studiens utförande samt hur dessa kan undvikas om studien utförs igen.

Det finns enligt Bryman (2011) tre huvudsakliga risker med kvalitativ studie. Den första är att

den kvalitativa studien blir för subjektiv. Detta problem orsakas av att studiens författare inte

kan strukturera informationen på ett bra sätt och vad de anser är väsentlig information och

inte. Information från intervjuer kan därmed tas emot olika beroende på vem personen som

tolkar informationen är och kan främst bli ett problem vid fastställning av resultatet. Det

andra problemet menar Bryman (2011) är att forskare ofta har ett intresse i sin forskning

vilket ger svårighet att återskapa studien. Den tredje och sista risken är svårighet med

transparens som har att göra med svårigheten att tydligt formulera hur studien utfördes samt

planerades (Bryman, 2011).

För att minska risken att studien blir subjektiv har handledare från Chalmers tekniska

högskola samt handledare från RISE varit med under arbetets gång vilket gjort gruppen

medveten om hur informationen skulle struktureras. Under delfistudien har experter med

olika bakgrund intervjuats för att öka möjligheten att få in olika vinklar i resultatet och på så

sätt minska risken för ensidig information. En delfistudie är dock beroende av experter och

deras åsikter vilket kan ses som en negativ aspekt till valet av metod. Valet av experter

gjordes för att försöka motverka att resultatet av delfistudien skulle bli partiskt. För ett

bredare perspektiv och minska risken för partisk information ytterligare hade fler intervjuer

med experter behövt hållas. Genom detta metodavsnitt och tydlig beskrivning av

arbetsprocessen har även det sista av de eventuella problemen försökt förhindras.

13



3. Nyckelkoncept inom finans, statistik och

maskininlärning

I följande avsnitt presenteras den teoretiska bakgrunden som krävs för att läsa resultatet samt

förstå efterföljande analys. Först förklaras finansiella teorier om portföljhantering, effektiva

marknader och finansiell risk. Därefter presenteras statiska metoder som används för att mäta

skillnader mellan modell och resultat. Avslutningsvis presenteras även ett urval av

maskininlärningsmetoder. Samtliga koncept som förklaras i detta avsnitt åskådliggörs i figur

5.

Figur 5. En schematisk figur över den teoretiska bakgrundens centrala delar.

3.1 Finansiella teorier
Litteraturen kring finansiella teorier är omfattande. I detta avsnitt presenteras ett urval av

portföljteorier, finansiella teorier samt finansiella mått som är relevanta för detta arbete.

Urvalet har gjorts baserat på den data som erhållits i studierna som utförts.

3.1.1 Modern Portfolio Theory (MPT)
Modern Portfolio Theory (MPT) är en praktisk metod som beskriver hur maximal utdelning

för en given risk uppnås i en portfölj (Markowitz, 1971). MPT beräknar hur stor andel varje

tillgång har i portföljen för att uppnå optimal avkastning med hänsyn till risk. Enligt

14



Markowitz (1971) är risk sannolikheten att en förlust uppstår. En tillgång med stor varians

har därför större sannolikhet till förlust och bör därför betraktas som mer riskfyllda (Francis

& Dongcheol, 2013).

MPT anser samtidigt att en tillgång inte ska värderas i dess isolation utan bör värderas

tillsammans med hela portföljen. På så sätt kan en ökad avkastning uppnås utan att

portföljens hela risk ökar menar Markowitz (1971). MPT beskriver diversifiering som ett

kraftfullt verktyg eftersom olika tillgångar har olika nivåer av korrelation och antingen

positiv eller negativ kovarians med varandra (Markowitz, 1971). Kovarians och korrelation

beskriver hur två tillgångar samverkar och kan förändras över tid, under en börskrasch ökar

vanligtvis korrelationen mellan tillgångar (Chesnay & Jondeau, 2001; Loretan & English,

2000).

3.1.2 Efficient Market Hypothesis
Efficient Market Hypothesis (EMH) som är framtagen av Eugene Famas 1970, menar att det

är i princip omöjligt att slå marknaden kontinuerligt under en lång tid (Corporate Finance

Institute, u.å.). I artikeln menar Famas att marknaden är effektiv och att all tillgänglig

information används för att sätta rätt pris på tillgången som uppdateras i realtid. Eftersom all

information används går det inte att slå marknaden kontinuerligt under en längre tid utan att

detta endast sker på grund av slumpen (Nath, 2015). Teorin är inte vedertagen utan olika

investerare har olika syn och tilltro till EMH.

3.1.3 Value at Risk (VaR)
Value at Risk (VaR) är det mest använda måttet på marknadsrisk inom finansbranschen och

definieras som en låg kvantil i fördelningen av finansiella vinster och förluster (Lauridsen,

2000). Måttet används för att kunna se hur stor finansiell risk en aktör tar på en marknad.

VaR för en aktörs portfölj är en låg kvantil av fördelningen av vinster och förluster på

portföljen. Exempelvis kan det vara 5 % kvantilen av fördelningen under en dag, vilket

brukar kallas för 95 %, 1 dagars VaR. Detta kan tolkas som att nivån på VaR, alltså en given

endagsförlust, kommer att överträffas en gång var 20:e dag. Riskmåttet VaR säger dock inget

om hur stor den förväntade förlusten eller hur stor den maximala förlusten kan vara om VaR

överträffas, enbart sannolikheten att den överträffas (Lauridsen, 2000).

15



3.1.4 Sharpekvot
Sharpekvoten är ett mått som används för att räkna ut riskjusterad avkastning (Sharpe, 1998).

En portfölj med hög sharpekvot jämfört med andra portföljer indikerar på bättre riskjusterad

avkastning (Sharpe, 1998). Sharpekvot för en portfölj beräknas enligt ekvation 1 nedan:

(1)𝑆ℎ𝑎𝑟𝑝𝑒𝑘𝑣𝑜𝑡 =  𝑅𝑝 − 𝑅𝑓
σ

𝑝

I ekvation 1 står Rp för portföljens avkastning, Rf för avkastningen från riskfria tillgångar

och σp för portföljens volatilitet (Sharpe, 1998).

3.1.5 GARCH Process
Generalized Autoregressive Conditional Heteroskedasticity (GARCH) är en statistisk modell

som är vanligt förekommande för att estimera framtida volatilitet i finansiella marknader.

Institutioner använder modellen för att estimera volatiliteten för avkastning av aktier,

obligationer och marknadsindex (Engle, u.å.). Genom att använda den statistiska modellen

kan analyser av olika typer av finansiell data göras för att bestämma priset på tillgången.

Därefter kan undersökningar göras för att finna vilka tillgångar som kommer att ge högst

avkastning och därefter optimera portföljen utefter denna information (Engle, u.å.).

3.1.6 Markov Switching Model
Song och Woźniak (2021) beskriver att det finns en familj av olika Markov Switching

modeller som baseras på tidsvariationen som i sin tur avspeglar i vilket stadium marknaden

befinner sig i. Tidsvariationerna grundas i av en underliggande stokastisk process. Denna

process har begränsat minne och tar endast hänsyn till det nuvarande värdet och genom att

använda Markov property, vilket är definitionen av Markov property (Song & Woźniak,

2021). Författarna skriver att med hjälp av en övergångsmatris av Markov processen kan

sannolikheten för att varje nästa stadie ska inträffa beräknas med avseende på den nuvarande

fasen. Det finns flertalet fördelar med denna typ av modell, den möjliggör estimering av

sannolikheten för ett stadie i nästa fas med hjälp av den nuvarande fasen. Estimeringen gör

det i sin tur möjligt att förutspå parametrar som associeras med en viss marknadsfas vilket

kan användas till sin fördel (Song & Woźniak, 2021).

16



3.1.7 Hedging
Hedging är en strategi för investerare att hantera risken hos tillgångar (Corporate Finance

Institute, u.å.). Strategin kan dessutom användas för att minska förluster under

marknadsnedgångar (Boyabatli & Toktay, 2004). Implementation av strategin görs genom att

investera i tillgångar som uppvisar låg korrelation mot huvudtillgången, vilket kan

åstadkommas på flera sätt (Boyabatli & Toktay, 2004). Bland annat kan investeringar göras i

optioner eller tillgångar som visat sig vara säkra i specifika marknadsfaser.

3.2 Statistiska metoder och maskininlärning
I detta avsnitt presenteras två statistiska metoder, Ginis Mean Difference och Logistic

regression. Även centrala begrepp inom maskininlärning såsom Random Forests och Extreme

Gradient Boosting presenteras.

3.2.1 Ginis Mean Difference
Ginis Mean Difference är ett statistiskt mått på spridning. Måttet definieras som det

förväntade värdet av den absoluta skillnaden mellan två slumpvariabler X och Y, oberoende

och likafördelade med samma okända fördelning (Jasso, 1979). Ginis Mean Difference är det

mått på risk som används när Mean-Gini Model används vid portföljoptimering (Jiang et. al.,

2020).

3.2.2 Logistic regression
Logistic Regression är en matematisk metod för att analysera mätdata. Metoden används

oftast för prediktiv analys. Metoden bygger på en ändlig eller kategorisk variabel, antigen A

eller B (binär regression) eller en uppsättning alternativ A, B, C, D, och så vidare

(multidimensionell regression). Metoden används vanligen tillsammans med statistisk

programvara för att förstå samband mellan en beroende variabel och en eller flera oberoende

variabler genom att uppskatta sannolikheter med av en logistisk regressionsekvation (IBM,

u.å.).

3.2.3 Maskininlärning
Maskininlärning är ett område inom datavetenskap som behandlar statistiska modeller och

algoritmer som tillåter datorer att lära sig och utföra uppgifter utan att en människa

programmerat hur uppgiften ska lösas (Mahesh, 2020). Det finns tre huvudsakliga områden

17



inom maskininlärning, supervised learning, unsupervised learning och reinforcement learning

(Mahesh, 2020). Supervised learning-algoritmer används främst för klassificeringsproblem

såsom att klassificera bilder eller profilera kunder (Cunningham et al., 2008). Unsupervised

learning-algoritmer är användbara inom dataanalys eftersom dessa algoritmer är bra på att

finna mönster i stora datamängder och bilda kluster av data utifrån dessa mönster (Berry et

al., 2019). Reinforcement learning-algoritmer tillåter datorn (agenten) att interagera med sin

omgivning för att finna en strategi som maximerar agentens kumulativa belöning (Mahesh,

2020; Sutton & Barto, 2018). Ett exempel där reinforcement learning är användbart är vid

problem där det inte är känt vilken som är den bästa strategin för att lösa problemet (Sutton &

Barto, 2018). Nedan följer en beskrivning av några specifika maskininlärningsmetoder i syfte

att underlätta läsarens fortsatta läsning.

3.2.3.1 Random Forests

Random Forests är en maskininlärningsalgoritm och effektiv klassificerare (Breiman, 2001).

En random forest är uppbyggd av flera klassificerare med trädstruktur, hädanefter benämnda

träd (Breiman, 2001). Utdatan som genereras från en random forest beror på utdatan från alla

de enskilda träden (Breiman, 2001). Vissa random forests utdata är den output som genererats

i majoritet av de enskilda träden medan andra random forests utdata är medelvärdet av varje

träds utdata, bland annat (Breiman, 2001; Pinelis & Ruppert, 2022). Genom att väga samman

flera träds utdata minskas bias i den klassificering som görs (Breiman, 2001).

3.2.3.2 Extreme Gradient Boosting

Extreme Gradient Boosting (XGBoost) är en trädbaserad maskininlärningsalgoritm. Den

används främst för regression, klassificering, och ranking genom linjär modellösning (Chen,

T., & He, T., 2022). Dess främsta styrka är att den på ett snabbt sätt kan bearbeta data och lära

sig i en hög takt.

18



4. Existerande forskning inom framtidens fondrobotar,

portföljhantering och marknadssvängningar

I följande avsnitt presenteras litteratur från den litteraturstudie som utförts. Ämnen som tas

upp är hur framtidens fondrobotar kan komma att se ut samt existerande forskning inom

portföljhantering och marknadsutveckling.

4.1 Framtidens fondrobotar
De senaste åren har det skett ett uppsving i forskning om fintech. En utvecklingspotential

inom området är hur text kan tolkas genom maskininlärning (Chen et al., 2018). En

textläsande robot skulle kunna ha flera tillämpningsområden, bland annat en chattande

fondrobot, som hade konversationer med sina kunder. Chen et al. (2018) menar på att en

chattfunktion skulle kunna hjälpa fondroboten bedöma kundens risk bättre än nuvarande

riskbedömningsmetoder.

Även för de som idag har möjlighet att använda sig av mänskliga rådgivare kommer det

finnas värde i framtidens fondrobotar enligt en studie som kartlade fondrobotar idag och i

framtiden (Abraham et al., 2019). Datan som människor idag kan hantera är begränsad och

människor är partiska, medvetet eller omedvetet. Dessa mänskliga brister kan leda till att

personer överskattar eller förbiser något.

För att fondrobotar ska kunna bli det dominanta alternativet behöver tre delar finnas på plats

(Abraham et al., 2019). För det första måste regleringar införas som alla fondrobotar kan

förhålla sig till. För det andra behöver en översikt över vad robotrådgivare kan åstadkomma

men också vilka begränsningar som finns ges. För det tredje ska det vara transparent hur

fondroboten kom fram till de beslut som togs och även profileringen behöver vara tydlig.

Således är det nödvändigt att algoritmerna är transparenta. Delarna bör finnas på plats för att

kunden ska kunna skyddas och för att någon ska kunna hållas ansvarig för besluten. Enligt

Bartram et al. (2020) kan en lösning till svårigheterna att hålla någon ansvarig vid beslut av

fondrobotar vara att skapa komplementerande modeller som syftar till att vara enkla och

kunna förtydliga hur besluten togs.

19



För att få bra output vid användandet av AI krävs det bra input menar Bartram et al. (2020).

Ett problem som ofta uppstår om inputen är dålig är att även outputen blir det. Detta fenomen

brukar kallas för “garbage in, garbage out”. Fenomenet gör att integriteten och validiteten av

besluten som fondroboten tar beror på kvaliteten av datan. Därför är det viktigt att undersöka

hur AI kan validera datan, speciellt om det ska användas till något nyanserat som

fundamental analysen (Bartram et al., 2020).

I en studie av Bartram et al. (2020) gjordes en kartläggning över möjliga problem med AI i

framtiden. Ett av problemen som belystes var hur AI kan hantera händelser som är svåra att

förutse eller händelser som inte skett tidigare. I dessa scenarier kan det leda till att

algoritmerna kraschar.

4.2 Portföljhantering och marknadsutveckling
I följande avsnitt presenteras existerande forskning inom AI-integrerad portföljhantering och

prediktionsmodeller, automatiserad avläsning av sociala medier för marknadsanalys samt

portföljoptimering med avseende på marknadsfaser.

4.2.1 AI-integrerad portföljhantering och prediktiv modellering
I Modern Portfolio Theory (MPT), och i de ramverk samt teorier som bygger vidare på MPT,

handlar portföljoptimering om att sätta samman den portfölj som åstadkommer bäst

riskjusterad avkastning. Diverse olika AI-metoder kan i detta sammanhang användas för att

skapa prognoser över framtida förväntad avkastning som sedan kan användas för att fördela

tillgångarna i portföljen optimalt och även för att, i vissa fall, försöka tajma marknaden

(Bartram et al., 2020; Jiang et al., 2020). Både Gu et al. (2020) och Chen et al. (2018) finner

att artificiella neuronnät bättre förutsäger framtida avkastning, out-of-sample, än andra

AI-tekniker när de jämförs. Förklaringen till resultatet är att artificiella neuronnät är

mångsidiga samt kan upptäcka komplexa, icke-linjära samband i data. Bartram et al. (2020)

menar att dessa egenskaper hos artificiella neuronnät medför att tekniken kan användas inom

MPT ramverket för att implementera kriterier som annars är för komplexa, såsom

VaR-kriterier.

Tekniska indikatorer beräknas på historiska data, som pris och volymer, på specifika innehav

för att få fram användbar data som därefter kan ligga till grund för framtida justeringar av

20



portföljen. Jiang et al. (2020) föreslår att flertalet tekniska indikatorer skall användas för att

skapa en så bra modell som möjligt. I rapporten utreds om maskininlärning kan användas för

att vikta risk på marknader för att parera prognostiserade svängningar på en marknad.

Maskininlärningsmodellen matas med flertalet tekniska indikatorer för att i så stor

utsträckning som möjligt ha möjlighet att hitta korrelerade faktorer som påverkar hur en

marknad rör sig. Pinelis och Ruppert (2022) har utgått från en liknande idé och utvecklat ett

ramverk för portföljoptimering som baseras på prognoser kring både förväntad avkastning

och volatilitet. Deras ramverk använder sig av två random forest-modeller, en för att

prognostisera förväntad avkastning och en för att prognostisera förväntad volatilitet. Båda

prognoserna baseras på data från samma elva finansiella prediktorer och makroekonomiska

mått. Genom att ta hänsyn till både volatilitet och avkastning föreslår Pinelis och Ruppert

(2022) att bättre riskjusterad avkastning åstadkoms, vilket resultatet också visar på. Den

föreslagna modellen genererar en portfölj som har 28 % högre sharpekvot än portföljer som

följer en buy-and-hold strategi. I majoriteten av fallen lyckades även strategin undvika att

investera i marknaden då det rådde förhållanden med hög risk och låg avkastning.

Även Jiang et al. (2020) föreslår en modell baserad på maskininlärning. Tillsammans med

Ginis Mean Difference (GMD) kan marknaden klassificeras och prognoser för hur kursen

kommer röra sig. Valet att använda GMD istället för MPT, som anses vara den vedertagna

metoden, beror på flera faktorer. MPT gör antaganden om att avkastningen för en tillgång ska

vara normalfördelad vilket sällan stämmer i verkligheten (Jiang et al, 2020). Detta antagande

gör inte GMD vilket gör att denna metod anses vara ett bättre sammanhängande mått av risk.

Två maskininlärningsmetoder föreslås för att på ett effektivt sätt klassificera marknaden

(Jiang et al, 2020). Den första metoden kallas Logistic Regression (LR) och den andra

Extreme Gradient Boosting (XGBoost). Båda metoderna testades på olika portföljer och

resultatet visade att användningen av XGBoost resulterade i högst avkastning (Jiang et al,

2020).

Det existerar en stor mängd publicerad forskning som visar på AI:s brukbarhet inom

portföljhantering (Bartram et al., 2020; Ferreira et al., 2021; Milana & Ashta, 2021).

Forskning genomförs på ett flertal olika metoder inom området, bland annat, allokera

tillgångar på bästa sätt, minimera risk och förutspå marknadsrörelser. Resultaten från den

forskning som Bartram et al. (2020), Ferreira et al. (2021) och Milana och Ashta (2021)

granskar, samt den forskning som nämnts ovan, är att många av metoderna fungerar och
21



presterar bra inom ramen för vad de syftar till att användas för. Bevisligen kan AI användas

som ett verktyg inom portföljhantering och investeringsanalys. Relaterat till användningen av

AI inom dessa områden finns det dock utmaningar (Bartram et al., 2020).

En av dessa utmaningar är grundad i den data som krävs för att AI ska kunna användas samt

finansmarknadens karaktär. AI modeller tränas med hjälp av historisk data men denna data

innehåller nödvändigtvis inte information som gör den representativ för framtida händelser

(Bartram et al., 2020). Detta faktum i kombination med informationsasymmetrier på

finansmarknaden kan leda till att det blir svårt för AI att hantera krascher. Nära kopplat till

detta problem med historisk data är fenomenet black swan events (Bartram et al., 2020).

Avsaknaden av tidigare data om händelser som liknar dessa black swan events gör det

komplicerat att använda AI för att förutse dem och skapa korrekta prognoser.

4.2.2 Automatiserad avläsning av sociala medier för marknadsanalys
I en studie konstruerad av Leow et al. (2021) användes, till skillnad från andra studier som

riktat in sig på företagsspecifika tweets, en övergripande miljön inom ett segment på Twitter

genom att följa specifika finans Twitterkonton. För de enskilda Twitter kontona användes

Valance Aware Dictionary and sEntiment Reasoner (VADER) och Financial Bidirectional

Transformer (FinBERT) (Araci, 2019; Hutto & Gilbert, 2014). VADER som är ett lexikon

som specifikt är utformat för att läsa av känslor utifrån ord i sociala medier. Det

känslomässiga poänget som en mening får kan sammanfattas som en summa av intensiteten

av varje ord i meningen. FinBERT är en ytterligare finansiell utvecklad BERT modell som är

specialiserad inom det finansiella språket då positiva respektive negativa ord kan vara olika

från det generella språket.

Leow et al. (2021) et al beskriver att FinBERT var verktyget med bäst precision för att

bedöma finansiellt relaterade twitterinlägg. Twitterkontot CNBC, vilket är en amerikansk

nyhetsbyrå med inriktning på affärer och finans, twitterinlägg hade en stark korrelation

gentemot fonden SPYs aktiedata utan tidseftersläpning. Slutsatsen som Leow et al. (2021)

drar är att en hybridmetod med användning av traditionella portfolio tekniker tillsammans

med tolkade känslor från Twitter kan förbättra portföljens prestanda genom att använda

Generiska Algoritmer för olika syften (minska volatilitet eller maximera avkastning). De

22



beskriver dock att det varit flertalet förenklingar i deras forskning och kan utvecklas i

framtida forskning.

Bartram et al. (2020) beskriver hur en Natural Language Process (NLP) kan ta ut meningsfull

ekonomisk information från olika typer av texter. Exempel på sådana texter är bland annat

årsredovisningar, nyhetsartiklar och Twitter inlägg. Författarna beskriver hur AI till skillnad

från de traditionella tekniker där varje enskilt ord värderas i en text, så kan AI förstå

kontexten och meningens uppbyggnad. Emellertid finns det fortfarande utmaningar gällande

att kunna läsa av mänsklig skrift automatiskt med hjälp av AI.

En av dessa utmaningar handlar om att få AI att kunna förstå och tolka sarkasm (Kumar &

Goel, 2020). För att förstå sarkasm krävs det allmänbildning och en förmåga att läsa mellan

raderna vilket är ett problem för AI. Problemet är ett viktigt sådant dessutom eftersom en stor

del av det som skrivs på sociala medier innehåller sarkasm (Kumar & Goel, 2020). För att AI

ska kunna läsa av sociala medier effektivt och tolka innehållet med hög precision krävs det

därav metoder för att hantera sarkasm, vilket det finns omfattande forskning kring (Prasad et

al., 2017; Tay et al., 2018; Sarsam et al., 2020).

Least Absolute Shrinkage and Selection Operator (LASSO) regression kan automatiskt välja

faktorer med högst beskrivande förmåga för framtida avkastning från en stor mängd

förutspående signaler för avkastning som dokumenteras i litteraturen (Feng et al., 2017;

Freyberger et al., 2018). LASSO tekniken kan även användas för att hitta ledande och

släpande relationer mellan tillgångar eller marknader. Exempelvis kan tekniken avgöra vilken

industris vinst som spiller av sig på andra industrier (Rapach et al., 2013; Rapach et al.,

2019).

4.2.3 Portföljoptimering med avseende på marknadsfaser
Beroende på vilken fas som marknaden befinner sig i förändras portföljens risk. I detta

avsnitt presenteras metoder och modeller som försöker förutspå framtida marknadsfaser att.

Genom att förutspå framtida faser är det möjligt att optimera portföljen för att generera en

överavkastning.

23



4.2.3.1 Användning av GARCH och ARCH modeller för marknadsanalys

Obalansfaktorer inkluderades tillsammans med GARCH modeller för en mer precis

beräkning av framtida risk. Alberg et al. (2008) beskriver hur risken för asymmetri ökar med

högre avkastningsvolatilitet. Det finns även forskare som anser att andra ekonomiska tekniker

och modeller måste utvecklas för att beräkna asymmetriskt beteende. Detta eftersom den

finansiella avkastningen är så oförutsägbara i sin natur och volatilitet kommer ge det mest

användbara resultatet. Det är därför av stor vikt menar Alberg et al. (2008) att välja en

lämplig riskmodell för att få tillförlitliga resultat.

Khan et al. (2019) beskriver att ARCH familjens modeller används för att hantera detta

problem. Modellerna anses vara bättre på att hantera och mäta den givna volatiliteten i en

marknad och få fram en villkorlig varians. Exponential- GARCH modell för att avgöra

volatilitetsklustring och asymmetri framtogs av Nelson (1991) vilket har varit användbart för

att identifiera obalanser i en positiv eller negativ marknadschock.

Under senare år har forskare i högre utsträckning försökt identifiera riskfaktorer som

inkluderas i finansiell marknadsdata och har tagit fram ramverk där investerare kan lägga till

dessa obalansfaktorer till GARCH modeller för att få mer tillförlitliga resultat och ha

möjlighet att förutsäga risken på en högre nivå (Rizvi et al., 2014).

Relativt lugna perioder av ekonomisk tillväxt präglas av låg volatilitet (Engle, u.å.). Ett

exempel på detta var åren innan finanskrisen 2007 som präglades av låg volatilitet. Åren som

följde efter finanskrisen var volatiliteten mycket hög och en enklare regressionsmodell som

GARCH kan inte förutspå dessa black swan event då ingenting innan eventet pekar på att det

ska ske (Engle, u.å.).

4.2.3.2 Användning av Markov Switching Model för att förutse marknadsfaser

I forskning gjord av Chauvet och Piger (2008) studerades MSMs effektivitet att ta fram

datum för marknadsfasförändringar. Studien fastställer att med hjälp av MSM kan

marknadsfasförändringar bestämmas korrekt. Fördelen som Chauvet och Piger (2008) menar

är att MSM kan bestämma fasskiften på ett kortare tidsspann än the National Bureau of

Economics Research (NBER). NBER har ansvaret att i efterhand fastställa när en

marknadsfasförändring har skett . Goodwin (1993) undersöker MSMs effekt för att förutspå
24



marknadsfasförändringar men kommer till liknande insikter som Chauvet och Piger (2008).

Båda studierna menar att MSMs styrka inte ligger i att kunna förutse utan att snabbt kunna

fastställa att skiften har uppstått. Dessa resultat står i kontrast mot vad Hamilton (1989)

trodde i sitt framtagande av modellen där han snarare antog att MSM var en grundpelare för

att kunna förutse framtida faser.

25



5. Resultat

I följande avsnitt presenteras resultat från de intervjuer som gjorts under arbetet. Först

presenteras hur de svenska fondrobotföretagens fondrobotar fungerar, därefter en kort

sammanfattning av traditionell fondförvaltning baserat på intervjuer. Avslutningsvis

presenteras resultaten från den genomförda delfistudien med samtliga experter inom

fondrobotar, traditionell förvaltning och AI-experter.

5.1 Kartläggning av den svenska fondrobotmarknaden
Nedan presenteras hur Lysa, Fundlers, Sigmastocks och BetterWealth fondrobotar fungerar.

Resultatet bygger på information från intervjuerna och även företagens hemsidor. För att få

en överblick över hur intervjuobjekten står i relation till varandra sett till automatiseringsgrad

har figur 6 sammanställts. Resultatet presenteras i ordningen vänster till höger i figuren, från

låg automatiseringsgrad till hög automatiseringsgrad.

Figur 6. En schematisk bild hur automatiseringsgraden hos fondrobotarna förhåller sig till varandra.

Nedan i tabell 2 presenteras återigen respondenterna från respektive fondrobotföretag.

Fortsättningsvis kommer denna tabell refereras till när någon av respondenterna nämns i text.

26



Tabell 2. Tabell över intervjuerna som hållits med respondenter från fondrobotföretag.

Intervjuer

Respondent Företag Titel
Datum

intervju 1
Datum

intervju 2

Ahrner, Ulf Fundler
Grundare och

investeringsansvarig
5 april 2022 21 april 2022

Björklund,
Oscar

Lysa fonder VD 4 mars 2022 21 april 2022

Jönsson,
Henrik

BetterWealth
Medgrundare och

investeringsansvarig
16 mars 2022 28 april 2022

Lindberg,
Carl

Sigmastocks
Medgrundare och

investeringsansvarig
29 mars 2022 27 april 2022

5.1.1 Lysa
Lysa är ett svenskt fondrobotbolag med målet att, givet kundens risktolerans, ekonomiska

situation samt mål, maximera avkastning (Lysa, u.å.). Att maximera avkastning syftar i detta

avseende inte till att hitta undervärderade tillgångar. Istället anser Lysa att breda och väl

riskavvägda portföljer skapar bäst förutsättningar för att åstadkomma hög riskjusterad

avkastning på lång sikt (Lysa, u.å.; Björklund, se tabell 2). För att kunna konstruera portföljer

som uppvisar dessa egenskaper investerar Lysa i två olika tillgångsslag, aktier och räntor

(Lysa, u.å.). Fördelningen mellan dessa tillgångsslag i respektive portfölj beror på kundens

ekonomiska situation och sparhorisont efter risktolerans. Låg risktolerans innebär en portfölj

med större andel räntor medan en hög risktolerans innebär en portfölj med större andel aktier.

Varje tillgångsslag delar Lysa upp i fler lager (Lysa, u.å.). Aktier delas upp efter geografi, 20

% i Sverige och 80 % internationellt, samt storlek på bolagen medan räntor delas upp baserat

på geografi samt kreditrisk (Lysa, u.å.; Björklund, se tabell 2). Fördelningen mellan de olika

lagren inom de två tillgångsslagen är fast och samma oavsett vilken risktolerans en kund har.

För att få exponering mot önskade tillgångsslag investerar Lysa i fonder och ETF:er som har

som mål att följa ett index (Lysa, u.å.; Björklund). Vilka fonder som bör ingå i deras

fondportfölj analyseras utefter kriterierna i tabell 3. Arbetet för att hitta nya fondalternativ

27



sker manuellt (Björklund). Varje kvartal sker en utvärdering av marknadsläget, den

existerande fondportföljen samt nya alternativ som skulle kunna vara aktuella att köpa.

Utvärderingen görs för att komma fram till om några förändringar behöver göras, vilket ofta

inte behövs enligt Björklund. Ett exempel på en förändring som kan ske är uppdatering av

den fasta fördelningen mellan lagren.

Tabell 3. Sammanställning av Lysas investeringskriterier vid analys av nya fonder och ETF:er (Lysa,

u.å.).

Kriterium Förklaring

Fondavgifter
Lysa eftersträvar att investera i fonder som tillhör de med lägst avgift
inom sin respektive tillgångsklass.

Transaktionskostnader
Lysa eftersträvar att välja fonder som handlar effektivt och till
låga transaktionskostnader.

Courtage, spread och
settlement fees

Lysa eftersträvar kostnader förknippade med att
förvärva och avyttra fonden.

Hur fonden handlas

Så kallade börshandlade fonder, ETFer, kan handlas när som helst
under dagen. En traditionell fond handlas direkt hos fondbolaget vid
ett tillfälle varje dag. Lysa har inga preferenser mellan vanliga
fonder och ETF:er. Lysa handlar enbart på välrenommerade
marknader

Likviditet och “money
under management”

Lysa föredrar att investera i likvida fonder som är lätta att köpa och
sälja utan att påverka marknadsprissättningen.

“Tracking difference” och
“Tracking error”

Lysa utvärderar hur väl fonden följer sitt underliggande index. Lysa
föredrar fonder med så låg avvikelse som möjligt

Fondens hemvist
Lysa föredrar fonder som uppfyller UCITS-kraven och står under
tillsyn av en tillståndsmyndighet inom EES

Hur fonden replikerar sitt
underliggande index

Lysa föredrar fysisk replikering

28



Renommé
Lysa väljer enbart fondförvaltare som är stabila och har kapacitet att
förvalta fonden.

Skattesituation för fonden

Lysa investerar i fonder som är domicilierade i EES och har en
effektiv skattesituation. Utöver fondens hemvist kan denna påverkas
till exempel av på vilken marknad den handlas. Vad fonden
investerar i och om fonden är utdelande eller ej.

Lysa använder diverse mått för att mäta den underliggande risken hos tillgångarna de

investerar i (Björklund). Ett av dessa mått är volatilitet (Lysa, u.å.). Vidare tar de hänsyn till

olika faktorer när de sätter samman portföljer för att inte skapa överexponering mot en viss

typ av tillgång (Lysa, u.å.). Genom att analysera tillgångar utifrån ett faktorperspektiv

försöker Lysa minska korrelationen mellan tillgångarna i portföljen. Detta tillvägagångssätt

används främst för att mäta korrelation inom räntor samt mellan räntor och aktier i portföljen.

Eftersom de har som mål att följa marknadsportföljen för aktier medför det att den kortsiktiga

korrelationen mellan aktier ej är relevant att ta i beaktning (Björklund). Björklund poängterar

även att Lysa ej följer detta värde pedantiskt eftersom det ofta är komplext att använda det till

något konstruktivt.

Regulatoriska krav för att garantera kundsäkerhet gör att köpprocessen i Lysas fondrobot är

en blandning av automatiska och manuella steg (Björklund). Automatisering av

köpprocessen, bland annat det slutgiltiga beskedet att köpa tillgångar, förhindras av att Lysas

verksamhet räknas som fondförvaltning vilket innebär att de måste följa vissa regelverk.

Utöver de manuella avstämningspunkter som implementerats för att möta de regulatoriska

kraven så har Lysa automatiserat stora delar av systemet för handel samt allokeringen så att

fördelningen i kundernas portföljer förblir korrekt. Det senare är det som Lysa benämner som

deras ombalansering.

Ombalansering av portföljer utförs genom kontinuerlig övervakning av portföljerna som

genererar köpordrar när en portföljs fördelning avviker från dess målfördelning under ett

antal dagar i rad (Lysa, u.å.; Björklund). Vid var och ett av dessa köp utvärderas fördelningen

av tillgångsklasser och sedan genomförs köp för att återgå till portföljens målfördelning.

29



Lysas mål att deras portföljer ska följa hur marknaden påverkar hur de hanterar svängningar

på börsmarknaden (Björklund). Att följa marknaden innebär att följa med på nedgångar

likaväl som på uppgångar. På grund av detta synsätt görs inga aktiva försök att undvika till

exempel börskrascher.

5.1.2 Fundler
Fundler är ett svenskt fondrobotbolag som kombinerar mänsklig kompetens med robot för att

i deras åsikt skapa en så bra tjänst som möjligt (Fundler, u.å.). Förhållandet mellan robot och

människa beskriver Fundler är att människorna sätter ihop portföljerna samt sköter all

kundkontakt medan roboten har i syfte att se till att portföljens risk hela tiden är i nivå med

den riskpreferens som kunden valt (Fundler, u.å.). Kontrollen av portföljerna görs av roboten

genom att hålla koll på kursutvecklingen och ombalansera portföljen utifrån förändringar på

marknaden. Processen beskriver Ahrner (se tabell 2) är nästintill helt automatiserad, dock

behöver roboten fortfarande få ett godkännande på en köp- eller säljorder. Han säger att

roboten ger förslag på köp- och säljordrar men att det är människor som manuellt måste

trycka på knappen för att godkänna ett köp eller sälj.

Totalt erbjuder företaget åtta olika portföljer som kunder kan investera i baserat på kundens

risk- och investerings preferens. Av de åtta portföljerna finns det fyra smart index portföljer

med olika risknivåer samt fyra mer nischade portföljer med olika inriktningar och risknivå.

Smart index är en indexbaserad portfölj som inte nödvändigtvis är ett tvärsnitt av alla börsens

aktier utan kan bestå av mer nischade indexfonder såsom småbolag eller läkemedel. (Fundler,

u.å.).

Fundlers fyra smart index portföljer har olika grad av risk i stigande skala; försiktig, stabil,

tillväxt samt potential. Portföljerna med låg risk har större andel obligationer och lägre andel

aktier vilket gör att de lämpas bäst för en kortare investeringshorisont (Fundler, u.å.).

Portföljerna med högre risk har istället lägre andel obligationer och högre andel aktier vilket

gör att de lämpar sig bättre för kunder med en längre investeringshorisont.

30



Figur 7. Fundlers Smart Hedge portfölj (turkos), jämfört med jämförelseindex (streckad linje) under

ettårstidsperioden maj 2021 - maj 2022 (Fundler, 2022b.).

Utöver indexbaserad portfölj erbjuder Fundler även fyra avancerade portföljer (Fundler, u.å.).

Namnen på dessa och information kring vilket fokus respektive portfölj har åskådliggörs i

tabell 4. Nämnvärt är att Smart Hedge portföljen lämpar sig bra när marknaden är orolig.

Sedan Rysslands invasion av Ukraina i slutet på februari 2022 har portföljen gått upp medan

marknaden gått ner, vilket går att se i figur 7. Portföljen har alltså haft en invers relation med

marknadens utveckling.

31



Tabell 4. Sammanställning av information kring Fundlers avancerade portföljer (Fundler, u.å.).

Namn på portfölj Information om portföljen

Global Framtid

Fokuserar på framtidens bolag på en global nivå. Investeringar görs
främst i fonder innehållande lönsamma teknikföretag, stora och
medelstora bolag som tillhör hälsovårdssektorn med sin primära
marknad i tillväxtländer.

Hållbar Framtid
Fokuserar på fonder med bolag som aktivt arbetar kring hållbarhet
och jämställdhet. Investeringar sker främst inom sektorerna
teknologi, finans och industri.

Real Vision
Fokuserar på god avkastning utan hög risk. Investeringarna sprids
primärt över fonder innehållande företag som äger stora reala
tillgångar

Smart Hedge
Fokuserar på börstillväxt i ett långsiktigt perspektiv. Portföljen
innehåller även guld som skydd vid eventuella marknadsnedgångar.

Fundler handlar inte enskilda aktier utan bedriver allokerad förvaltning med fokus på grupper

av tillgångar i form av fonder och ETF:er (Fundler, u.å.). Tillgångsslagen som investeras i är

obligationer, aktier, råvaror och optioner. Ahrner menar att den allokerade förvaltning som

Fundler ägnar sig åt medför att analyser av marknader, branscher och länder måste ske på en

aggregerad nivå. Fortsättningsvis berättar Ahrner att Fundler, genom att investera i fonder,

erbjuder sina kunder väldiversifierade portföljer i och med att de investerade fonderna

innehåller hundratals bolag.

Ahrner nämner att analysen av marknad och segment fortfarande sker av människor. Han

fortsätter med att beskriva att dagens AI är reaktiv och inte proaktiv, vilket gör att människor

lämpar sig bättre för analyser i dagsläget. Ahrner menar också på att det inte enbart går att

följa konsensus för att slå index och tar upp börskraschen från 2008 som exempel. Datan som

fanns tillgänglig 2007 visade att allt såg bra ut något som senare inte visade sig stämma.

Ahrner menar att det ibland krävs antagningar för att lyckas med investeringar, vilket är något

som AI ej är duktiga på vilket gör att människorna fortfarande behövs för att ta beslut.

Fundlers portföljer skapas i ett förvaltarteam säger Ahrner. Han beskriver vidare att

portföljerna optimeras baserat på en avvägning mellan förväntad avkastning, risk och

32



kovarians. Genom att analysera kovariansmodeller försöker Fundler minimera korrelationen

mellan enskilda tillgångar i portföljerna för att på så vis minska risken. Avvägningen mellan

risk och avkastning mäts genom sharpekvoten. Ytterligare något som Fundler gör enligt

Ahrner är att köpa fonder som gått ner och sälja de som gått upp vilket resulterar i att de kan

åstadkomma en ökad avkastning med 0,3 % utan högre risk.

Sett till var Fundler har sina investeringar geografiskt är ungefär 60 procent investerat i

Norden (Fundler, u.å.). För att diversifiera och minimera risk undersöker Fundler hela

marknader, dess storlek och värdering jämfört med ett historiskt genomsnitt. Ahrner nämner

att Sverige historiskt har haft en av världens bästa börser sett till tillväxt, men att marknaden

haft hög risk. Därför vill Fundler allokera en stor del av portföljerna till Sverige men med

diversifiering till andra länder för att få lägre risk och korrelation.

Ytterligare en anledning till att Fundler har en stor andel investerat i Norden är för att

valutakurser medför stora risker. Om Fundler skulle ha stora investeringar i amerikanska

tillgångar handlat i dollar är de exponerade för en stor valutarisk menar Ahrner på. Det skulle

inte spela någon roll om tillgången växer i värde, om valutan av någon anledning sjunker i

liknande magnituder säger han.

5.1.3 Sigmastocks
Sigmastocks är ett svenskt fondrobotbolag som erbjuder sina kunder individuella

aktieportföljer baserat på kundernas riskprofiler. När nya kunder registrerar sig hos

Sigmastocks genomgår kunden en process där en riskprofil skapas (Sigmastocks, u.å.).

Kunden får svara på frågor om sparhorisont, risktolerans, om det är en engångsinsättning

eller ett kontinuerligt sparande. Även frågor om det finns marknader och företag som kunden

vill undvika ställs för att ge en möjlighet att skapa en portfölj som kunden är bekväm med.

Portföljen innehåller till större del aktier men också räntor från en blandning av olika

marknader och geografiska delar (Lindberg, se tabell 2).

Investeringsmålet är att skapa en diversifierad portfölj som slår ett jämförelseindex med ca. 1

% berättar Lindberg. Det finns olika strategier och olika sätt att se på sparande menar han. Å

ena sidan läggs fokus på att följa ett jämförelseindex. Att göra det skapar dock mycket lite för

kunden eftersom att köpa index är näst intill gratis. Att å andra sidan satsa på enskilda aktier

33



och marknader utsätter kunden för en stor risk och gör att kunden är utsatt för volatilitet som

inte är önskvärd. Dessutom skapar detta risktagande inte något större värde för kunden i det

avseende att det är något som varje individ kan göra själv utan större svårigheter.

Sigmastocks har som mål att hamna någonstans emellan dessa två ytterligheter (Lindberg).

Det värde som skapas för kunden är att denne får en diversifierad portfölj med väsentligt

lägre risk än enskilda aktier men med en förväntad avkastning som är något bättre än

jämförelseindex.

Avvägningen mellan avkastning och risk mäts framför allt i volatilitet på enskilda aktier och

på hela portföljer. En avvägning sker även mellan räntor och aktier som kan ses som mindre

riskfyllda respektive mer riskfyllda (Stranne, personlig kommunikation, 24 mars, 2022).

Däremot använder sig Sigmastocks inte av någon av de etablerade investeringsmodeller som

MTP eller Black-Litterman vilket det finns en anledning till berättar Lindberg. Problematiken

med investeringsmodeller är att de inte fungerar i verkligheten menar han. Modellerna

fungerar oftast bra i fiktiva fall, dessvärre sällan i verkligheten. Modellerna bygger oftast på

så många antaganden att det inte längre avspeglar den verklighet vi lever och investerar i.

Lindberg förklarar att det brus som finns hos en aktie, alltså den dagliga svängningen är i

förhållande till den årliga utvecklingen för en marknad är för stor för att modellerna ska bli

trovärdiga.

I stället använder sig Sigmastocks av faktoranalys (Lindberg; Sigmastocks, u.å.). Utifrån

kvantitativa data kan en bild om hur lovande ett bolag är ur ett investeringsperspektiv skapas.

Företag inom samma segment kan därefter jämföras och på så vis kan de bästa bolagen väljas

ut till portföljen. Mönster kan utläsas ur data från bolag som valts ut som sedan gått bra vilket

gör att processen med att välja ut bolag förbättras. Den modell Sigmastocks använder är

automatiserad och som relativt oövervakat kan ta fram de portföljer som passar en kunds

riskprofil (Lindberg). Modellen anpassar sig helt efter de svar som kunderna ger i

frågeformuläret samt nuvarande marknadsläge, vilket resulterar i att ingens portfölj är någon

annans lik. Den höga graden automatisering gör också att avgiften för förvaltningen kan

hållas låg.

Lindberg är noga med att understryka varför fondens utvecklingsmål är på 1 % över index.

Hans personliga åsikt är att det inte går att förutsäga marknaden i någon större utsträckning

och att detta avspeglas i hur Sigmastocks arbetar. På kort sikt kan större vinster än några
34



enstaka procent göras men i ett längre perspektiv är det ej troligt. Lindberg säger att de som

påstår sig kunna åstadkomma en överavkastning på flertalet procent jämfört med börsen

sätter sig själva i en konstig sits. Han menar att det inte går att förutspå hur en marknad

kommer röra sig och därför blir påståendet vågat.

Sigmastocks arbetar med cirka 900 aktier i sin watchlist vilken kompletteras med ett fåtal

räntefonder (Sigmastocks, u.å.). Urvalet av aktier i watchlist sker genom väletablerade bolag

som ingår i index berättar Lindberg. Anledningen till valet av aktier grundar sig framför allt i

två faktorer. Den första faktorn bygger på att hitta likvida bolag på större marknader för att få

en stabilitet i sitt utbud med lägre risk. Den andra faktorn är i stort sett psykologisk. Lindberg

berättar att en viktig del i Sigmastocks affärsmodell är att ha en hög transparens mot sina

kunder. Det finns möjlighet för alla kunder att se vad just de har i sina individuella portföljer

och de vill se aktier som de känner igen och en standardportfölj innehåller då 50 % aktier från

den svenska marknaden. För att skapa ett så stort värde som möjligt eftersträvas att innehaven

ska vara aktier som kunden hade kunnat tänka sig att köpa själv.

Processen med att ta fram bolag till Sigmastocks är helt automatiserad säger Lindberg.

Algoritmen bakom processen är bra på att utföra kvantitativ analys av bolags aktier på ett sätt

och i en hastighet människor inte är. I dagsläget görs inga fundamentala analyser eftersom

Sigmastocks eftersträvar en bredd i sitt utbud, samtidigt som avgiften skall hållas låg menar

Lindberg.

När portföljerna är satta arbetar Sigmastocks aktivt med optimering av allokeringsmixen

(Sigmastocks, u.å.). Processen är i stort automatiserad och testas på historiska data samt

livedata (Lindberg). Modellen anpassas hela tiden efter föränderliga förutsättningar, dock är

det svårt att få en modell som fungerat historiskt att fungera i framtiden enligt Lindberg.

Modellen är en vidareutveckling av vad som kallas faktorinvestering (Sigmastocks, u.å.).

Metoden går ut på att bolagets aktier bryts ner till olika mätetal, så kallade faktorer, som

sedan kan jämföras med andra bolags mätetal. De faktorer som Sigmastocks analyserar är;

marknadsvärde, kassaflöde, bokfört värde, skuldsättning, utdelning, PE-tal, vinsttillväxt,

momentum och vinstmarginal. Det är dessa faktorer som den automatiserade modellen

använder som analysgrundande data för att optimera den allokeringsmix som finns i

kundernas portföljer.

35



Den huvudsakliga ombalanseringen av portföljer sker för att upprätthålla önskvärd nivå av

diversifiering menar N. Stranne (personlig kommunikation, 24 mars 2022), VD på

Sigmastocks. Portföljerna ses över dagligen och handeln sker ca en gång per vecka. Alla

kunders portföljer som behöver ombalanseras eller har behov av nya inköp samlas för att

optimeras. En grundlig översyn av alla Sigmastocks innehav sker årligen för att hålla

portföljen långsiktigt uppdaterad (Stranne, personlig kommunikation, 24 mars, 2022).

För att volatiliteten inte ska bli för hög vid stora marknadssvängningar ombalanserar

Sigmastocks mellan räntor och aktier berättar Stranne (personlig kommunikation, 24 mars

2022). När det råder volatil marknad ombalanseras portföljerna till att innehålla mer räntor.

Det sker dock inget arbete med att försöka förutspå hur marknaden kommer att röra sig i

framtiden menar N.Stranne utan ombalansering sker i efterhand när volatiliteten på

marknaden har ökat kraftigt (Stranne, personlig kommunikation 24 mars, 2022).

5.1.4 BetterWealth
BetterWealth är en svensk fondrobot som erbjuder sina kunder två portföljstrategier, en

strategisk och en dynamisk strategi (BetterWealth, u.å.). Den strategiska strategin har ett på

förhand bestämt, fast förhållande mellan fyra olika underliggande tillgångsslag; aktier, räntor,

alternativa tillgångar och råvaror. Skillnaden mot den dynamiska portföljen är att denna

istället balanserar om tillgångsslagen beroende på marknadssituationen. Är marknaden mer

osäker ombalanseras portföljen mot säkra underliggande tillgångar såsom räntor. Är

marknaden istället mer stabil balanseras portföljen mot underliggande tillgångar som aktier,

vilka potentiellt genererar högre avkastning (BetterWealth, u.å.).

Beroende på kundens investeringshorisont och ekonomiska situation föreslår BetterWealth en

risknivå på sparandet (BetterWealth, u.å.). Baserat på risknivån kommer fördelningen av

fonder mellan de fyra olika underliggande tillgångsslag att se annorlunda ut. En högre

risknivå medför mer riskfyllda tillgångsslag, medan en lägre risknivå innebär högre andel

säkra tillgångar. I den strategiska portföljen hålls alltså detta förhållande mellan

tillgångsslagen konstant till skillnad mot den dynamiska portföljen där förhållandet istället

används som ett utgångsläge och som sedan kan förändras.

36



BetterWealth diversifierar sina investeringar i fyra lager. Det första lagret är som nämnt;

aktier, räntor, alternativa tillgångsslag eller råvaror (BetterWealth, u.å.). Det andra lagret är

aningen högre grad på diversifieringen med fokus på geografi och landets utvecklingsnivå,

där länderna delas in i tre klasser; utvecklade länder, utvecklingsländer och

frontiermarknader. Därefter specificeras den geografiska placeringen ytterligare i det tredje

lagret, vilket innebär länder eller regioner. BetterWealth (u.å) är dock tydliga med att de inte

lägger större vikt vid svenska innehav än någon annan region. Det fjärde lagret består av än

mer detaljerad fördelning baserat på investeringsfokus samt på investeringsslag och

geografisk fördelning.

BetterWealth använder en diversifierad portfölj för att undvika risken med korrelerade

tillgångar (BetterWealth, u.å.). Metoden har sin grund i MPT, vilket innebär att fokus ligger

på avkastning och diversifiering. Jönsson (se tabell 2) menar på att om en portfölj har hög

grad av diversifiering visar all forskning på att den portföljen kommer ha hög avkastning per

risk. En skillnad med BetterWealths metod är dock att de även använder max drawdown, eller

maximal förlustrisk, för optimering istället för att endast använda estimat av förväntad

avkastning och risk. Max drawdown används för att begränsa portföljens maximala fall från

toppen till botten.

Risken i BetterWealth dynamiska portfölj mäts i huvudsak med VaR95 % (BetterWealth,

u.å.). Enligt Jönsson används en sammanvägning av data från ett, fem och tio år för att

estimera VaR. BetterWealth mäter även risk genom att titta på flertalet andra faktorer som

volatilitet och korrelation mellan aktier/räntor. Jönsson poängterar dock att det i princip går

att konstruera hur många faktorer som helst baserat på hur marknaden förväntas påverkas.

För att på ett effektivt sätt kunna avgöra hur marknaden reagerar och vilka faktorer som bäst

avgör risken i marknaden beskriver Jönsson att de använder klustermetoder för att kunna

avgöra hur faktorerna och marknaden samverkar baserat på historisk data. Med

klustermetoderna menar han att det går att få ett tidsperspektiv i vilka faktorer som samverkar

med risken på marknaden. Med tidsperspektivet går det att avgöra vilka faktorer som idag

mest lämpligen bör användas som riskmått. Allt för att bättre kunna estimera den förväntade

risken i portföljen.

37



Övervakningen av risken i portföljen sker enligt Jönsson dagligen eftersom det hela tiden

genereras ny data. Beroende på hur marknaden utvecklas och vilken data som finns kan

BetterWealths marknadsfasklassificering ändras. När den nya klassificeringen sker, säger

Jönsson att det kan ske en om-allokering av hela portföljen för att optimera för den nya fasen.

Det kostar dock att ombalansera och med relativt lång investeringshorisont blir det oftast

långa cykler med små justeringar som tillämpas. Även om datan analyseras dagligen så har

det historiskt skett tre till fyra re-optimeringar per år beroende på vad som har hänt på

marknaden säger Jönsson . Skulle marknadsfasen inte ändras, re–optimeras ändå

portföljvikterna minst årligen för att bäst matcha kundens risknivå.

Optimeringen som görs baseras framför allt på marknadsfaserna säger Jönsson. Att det inte

går att förutspå avkastningen är Jönsson tydlig med, men han tror samtidigt att det kan gå att

förutspå risken och även korrelationen, trots att det är svårare. Det handlar alltså om, givet

vissa restriktioner, att optimera inom de olika tillgångsslagen.

Filosofin som BetterWealth har är att estimera risk och korrelationen och utefter det optimera

portföljen. Jönsson säger att de försöker se trender i olika faktorer och ibland använda dessa

för att optimera portföljerna i förväg. Det handlar om att förutse marknadsfaserna och

marknadsrisken för att använda det som input till optimeringen av portföljerna. Optimeringen

av BetterWealths portföljer görs alltså dels baserat på vilken marknadsfas marknaden är i just

nu, dels baserat på vilken som är den förväntade marknadsfasen.

För att identifiera marknadsfaserna säger Jönsson att de använder klustermetoderna som är en

form av maskininlärning. Ett stort fokusområde som BetterWealth har just nu är dock att

förutspå marknadsfaser vilket kräver mer avancerade metoder än de som används idag enligt

Jönsson. En metod de ser över är XGBoost för att plocka upp trender och vilka

marknadsfaser marknaden estimeras befinna sig i om en, sex eller tolv månaders period.

Jönsson poängterar dock att det är svårt. Det finns en historia som går att optimera på, men

att det är lätt att överanpassa om mer komplexa maskininlärningsmetoder används.

Ombalansering sker i den strategiska portföljen kontinuerligt för att säkerhetsställa att

fördelningen mellan fonderna av de fyra olika tillgångsslagen har den på förhand bestämda

fördelningen (BetterWealth, u.å.). Den dynamiska portföljen balanseras istället om för att

matcha den på förhand bestämda VaR-riskprofilen. Om risken har ändrats signifikant kommer
38



det ske en om-allokering för att nå målrisken säger Jönsson. Fortsättningsvis menar han på att

ombalansering sker systematiskt och att allt baseras på data, det är alltså ingen människa som

gör detta arbete manuellt.

När det kommer till den dynamiska modellen bygger den på volatilitet och allokeringen av

tillgångar baserar på risk och volatilitet säger Jönsson. Han menar på att en sådan typ av

portföljstrategi går bra i långa perioder av hög volatilitet på marknaden. Anledningen till det

är att portföljen klarar sig bra under marknadsnedgångar då portföljen ombalanserar och

håller sig mer stabil gentemot om ingen ombalansering skulle skett då den skulle fortsatt följa

med marknaden nedåt.

Det som hände under våren 2020 när Coronakraschen skedde var att de dynamiska

portföljerna klarade sig bra under marknadsnedgången men sämre under uppgången som

följde. Problemet, säger Jönsson var inte nedgången eftersom modellen allokerade om till

säkrare tillgångar för att klara eventuella fortsatta marknadsnedgångar. Problemet var snarare

att det hände något som aldrig hänt innan med en kraftig uppgång precis efter nedgången,

vilket gjorde att BetterWealths dynamiska portföljer inte hängde med upp på samma sätt som

portföljer som legat stabilt i samma allokering hela tiden säger Jönsson. Han poängterar dock

att BetterWealths dynamiska portföljer har levererat bättre avkastningar än portföljer med

liknande strategier under den perioden. Anledningen till detta säger han är att de flesta andra

är långsamma och att det därför tar mer tid innan de allokerar om. Efter kraschen allokerades

tillgångarna tillbaka i BetterWealths portföljer efter fem-sex månader, medan det för andra

tog längre tid. Enligt Jönsson gjordes ombalanseringen först efter fem-sex månader på grund

av den fasmodell som BetterWealth använder som signalerade att det var en stressad

marknadsfas i totalt fem till sex månader.

5.2 Intervjuer med fondförvaltare
Traditionella fondförvaltare arbetar inte på samma sätt som fondrobotar. Till skillnad från

fondrobotar kan denna typ av förvaltning anses vara den traditionella formen av

portföljhantering och är den form som majoriteten av dagens fonder hanteras genom idag.

Under uppbyggnaden av denna rapport har tre fondförvaltare, vilka går att se i tabell 5,

kontaktats och intervjuats för att få en bild av hur de hanterar investeringar och fonder, samt

för att förstå hur det skiljer sig från fondrobotar.

39



40



Tabell 5. Tabell över intervjuerna som hållits med respondenter som arbetar med fondförvaltning.

Intervjuer

Respondent Företag Titel
Datum

intervju 1
Datum

intervju 2

Skoglund, Fredrik Spiltan Fonder
Assisterande förvaltare

och analytiker
13 april 2022

26 april
2022

Stenkil, Fredrik Swedbank
Portfolio manager-
Swedbank Robur

22/ mars
2022

21 april
2022

Westfeldt, Stefan Vinga Corporate Bond Principal PM 21 mars 2022
27 april

2022

Fondförvaltarna i denna del kan delas upp i två kategorier, den ena kategorin där fonden

handlar med aktier och den andra där fonden handlar med företagsobligationer. Upplägget

kring de båda kategorierna ser olika ut och fungerar på relativt olika sätt. Det finns dock

likheter som nedan lyfts fram.

I den första kategorin består fondens substansdelar av aktieinnehav. De handlas på en

aktiebörs och är direkta ägandeandelar av ett företag. Stenkil (se tabell 5) arbetar på

Swedbank som förvaltare till fonden Robur Ny Teknik. Traditionell fondförvaltning hanteras

med en relativt svårdefinierad metodik berättar han. Från början måste fondens syfte

utvärderas. Vilken marknad, bransch och geografiskt område ska fonden investera i? Ska

fonden hantera aktier i företag av en viss storlek? Dessa frågor är de grundläggande

byggstenarna för fonden. Att ta fram en watchlist med relevanta bolag blir nästa steg vilket är

en relativt manuell process. Det sker en avsyning av marknaden där Stenkil tillsammans med

kollegor analyserar bolag som kan tänkas vara relevanta. Dessvärre finns det ingen specifikt

repeterbar metod för detta arbete enligt Stenkil, utan analysen varierar från bolag till bolag

och involverar många kvantitativa faktorer. En stor del av jobbet går ut på att känna av

marknaden, titta på trender i samhället och försöka avgöra vilka företag som kommer gå bra

och vilka som kommer utvecklas sämre. Därifrån byggs portföljen upp.

41



Förvaltarna övervakar innehaven fonden har för att se till att inget innehav blir en för stor

andel av fondens totala värde berättar Stenkil. Således kontrolleras även att risken inte ökar

till för höga nivåer. Liknande tillvägagångssätt appliceras på branscher och geografiska

områden för att minska risken och för att hålla korrelationen låg. Vid eventuell

överrepresentation av någon bransch eller företag sker en ombalansering mot företag och

branscher som för närvarande inte är lika stora i fonden.

Det finns ingen fullt automatiserad process i arbetet säger Stenkil. De flesta beräkningar som

han tillsammans med andra fondförvaltare gör sker manuellt. Det finns en avdelning på

Swedbank som ser till att fonden håller sig inom de ramar och regler som finns för

kommersiella fonder och det finns stora delar i deras arbetssätt som är automatiserat påpekar

han. Däremot är det ovanligt att deras arbete får någon påverkan på fondens upplägg då

förvaltaren självmant håller sig inom tillåten utformning.

Skoglund (se tabell 5) är analytiker och förvaltare på Spiltan Fonder. Spiltan handlar likt

Swedbank med aktier, dock ser deras investeringsprocess något annorlunda ut. Skoglund

berättar att Spiltan har en noga genomtänkt investeringsprocess med flera olika steg för att

hitta de innehav som passar in i Spiltans fonder. Skoglund beskriver att processen börjar med

att företag som Spiltan inte anser vara hållbara sållas. Företag som handlar med exempelvis

vapen och tobak väljs bort. Efter det väljer Spiltan bort företag som är för tidigt i sin resa, så

kallade förhoppningsbolag. Det som karaktäriserar sådana företag är att de ännu inte är

lönsamma säger Skoglund.

Efter denna process med att välja bort företag på ett ytligt sätt övergår processen till att se

över hur verksamheten fungerar berättar Skoglund. Åtta investeringskriterier, vilka återfinns i

tabell 6, gås igenom för varje potentiell investering. Bolagen som uppfyller de åtta kriterierna

och klarat de tidigare stegen i processen kan Spiltan sedan investera i säger Skoglund. Varje

investerare har då en egen möjlighet att göra investeringen eller välja att avstå. Mycket

handlar om en känsla berättar Skoglund. Hur det kändes under besöken på kontoren, hur väl

investeraren tror ledningen kan klara av att hantera förändringar. Skoglund är också tydlig

med att ingen av dessa steg är automatiserade. Det är faktiska investerare som ser över de

ovan beskrivna stegen.

42



Tabell 6. Sammanställning av Spiltans investeringskriterier som potentiella investeringar utvärderas

efter (Skoglund).

Investeringskriteriu
m Förklaring

1.
Verksamhet som vi förstår
Vi vill förstå hur produkten/tjänsten används, varför den efterfrågas
och hur affärsmodellen fungerar. Hur ser konkurrensen ut?

2.
Förutsägbar verksamhet
Bolagen vars verksamhet inte är alltför utsatt för yttre faktorer.

3.
Långsiktigt uthållig verksamhet
Bolag vars verksamhet bedöms lönsam och efterfrågad även i
framtiden.

4.
Uthålligt stabil marginal
Gärna hög och växande, men inte för stor variation från år till år.

5.
Stabila intäkter och vinster
Som inte fluktuerar för kraftigt mellan åren pga. yttre faktorer.

6.
Ärlig och rationell ledning
Som fokuserar på långsiktigt aktievärde. Gärna också starka
huvudägare.

7.
Stabil historik
Vi vill att bolaget har bevisat sig kunna tjäna pengar och generera
vinst i olika typer av marknadsklimat.

8.

Hållbar verksamhet
Att bolagens verksamheter är långsiktigt hållbara. Bolag som arbetar
långsiktigt med att minska eventuell negativ påverkan på miljö,
människor och samhälle.

I den andra kategorin består substanserna i fonden av företagsobligationer i

högräntesegmentet. Stefan Westfeldt (se tabell 5) arbetar på företaget Vinga Corporate Bond

som hamnar i denna kategori. Westfeldt beskriver att köpprocessen ser helt annorlunda ut

jämfört med dagens aktiehandel. Det finns ingen börs för företagsobligationer utan de måste

43



köpas av obligationsförmedlare. Han beskriver köpprocessen som aktiemarknadens

köpprocess på 80-talet då ordrarna rings in till ett aktiekontor som i sin tur genomför köpen.

För att välja ut vilka obligationer som ska vara med i Vingas fond görs noggranna anal