I den här rapporten studerar vi prestanda för två maskininlärningsalgoritmer när de implementeras för prisförutsättningar på den svenska elmarknaden. Målet med detta projekt är att utvärdera om dessa algoritmer kan användas som verktyg för investeringar. Algoritmerna är Kernel Ridge Regression (KRR) och Support Vector Regression (SVR). Både KRR och SVR använder kernel trick för att effektivt hitta olinjära beroende på den volatila marknaden. Metoderna används båda med ett offline-tillvägagångssätt. För Kernel Ridge Regression, genomfördes också en online-approach using Stochastic Gradient Descent (SGD) för att minska beräkningskostnaden. Båda algoritmerna tillämpas på den svenska elmarknaden för år 2017, med hjälp av programmeringsmiljön Matlab. För att utvärdera algoritmens prestanda beräknades det genomsnittliga absoluta procentsatsfelet (MAPE), rotenhetens kvadratfel (RMSE) och det genomsnittliga absolutvärdet (MAE). Slutsatserna av detta projekt är att båda metoderna visar potential att användas i finansiella tidsserier förutsägelser. De presenterade implementationerna behöver dock vissa förbättringar. Exempel på möjliga sätt att raffinera de resultat som uppnåtts i detta projekt diskuteras, med idéer avlägsna implementeringar.

In this report, we study the performance of two machine learning algorithms when implemented for price predictions on the Swedish electricity market. The goal of this project is to evaluate if these algorithms can be used as a tool for investments. The algorithms are Kernel Ridge Regression (KRR), and Support Vector Regression (SVR). Both KRR and SVR use the kernel trick to efficiently find non-linear dependencies in the volatile market. The methods are both used with an offline approach. For the Kernel Ridge Regression, an online approach using Stochastic Gradient Descent (SGD) to reduce the computational cost was also implemented. Both algorithms are applied to the Swedish electricity market for the year 2017, using the programming environment Matlab. To evaluate the performance of the algorithms the mean absolute percentage error (MAPE), the root mean squared error (RMSE), and the mean absolute error (MAE) were calculated. The conclusions of this project are that both methods show potential for being used in financial time series predictions. The presented implementations, however, are in need of some refinements. Examples of possible ways to refine the results obtained in this project are discussed, with ideas of future implementations.