This thesis investigates the relationship between financial KPIs and the marketvaluation of commercial banks listed on the NASDAQ and NYSE. The primaryobjective is to determine whether a quantitative relationship between thesevariables can be modeled to identify market mispricing. Using a dataset of 167banking institutions, the study employs OLS regression to estimate intrinsicvalue based on both market capitalization and Price-to-Book (𝑃/𝐵) ratios.The model incorporates a refined set of predictors, including total assets, netinterest income, net charge-offs, and profit margins, while utilizing residualanalysis, Box-Cox transformations and Cook’s distance to ensure statisticalrigor and adherence to Gauss-Markov assumptions.The predictive validity of the model was tested using a backtestingframework where mispricing signals from a base year were compared againstactual market corrections in the subsequent year. For the 2022–2023period, the results of a one-sided exact binomial test indicated that themodel identifies the direction of price corrections with statistically significantaccuracy (𝑝 < 0.05), achieving success rates of approximately 58% for marketcapitalization and 57% for 𝑃/𝐵 ratios. However, the model failed to maintainstatistical significance when applied to the 2023–2024 period, suggesting thatthe structural drivers of bank valuation are dynamic and require frequentrecalibration to remain effective.Beyond the quantitative results, the thesis discusses the theoretical natureof ”true value” and the limitations of using historical accounting data to predictfuture market sentiment. The findings suggest that while a quantitative KPIbased framework provides a useful baseline for identifying anomalies, it mustbe integrated with qualitative analysis to account for shifting macroeconomicconditions and industry-specific risks.

Denna avhandling undersöker förhållandet mellan finansiella nyckeltal ochmarknadsvärderingen av affärsbanker noterade på NASDAQ och NYSE.Det huvudsakliga syftet är att fastställa om ett kvantitativt samband mellandessa variabler kan modelleras för att identifiera felaktig prissättning påmarknaden. Genom att använda ett dataset bestående av 167 bankinstitutioner tillämpar studien minsta kvadratmetoden (OLS) för att uppskatta ettmotiverat värde baserat på både marknadsvärde och pris/eget kapital (𝑃/𝐵).Modellen inkluderar ett urval av förklaringsvariabler, såsom totala tillgångar,räntenetto, nettoförluster på lån och vinstmarginaler, samtidigt som BoxCox-transformationer och Cooks avstånd används för att säkerställa statistiskstringens och efterlevnad av Gauss-Markov-antagandena.Modellens prediktiva validitet testades genom ett ramverk för backtesting,där signaler om felaktig prissättning från ett basår jämfördes mot faktiskamarknadskorrigeringar under det efterföljande året. För perioden 2022–2023visade resultaten från ett ensidigt exakt binomialtest att modellen identifierarriktningen på priskorrigeringar med statistiskt säkerställd noggrannhet (𝑝 <0, 05), med en träffsäkerhet på cirka 58 % för marknadsvärde och 57.3 %för 𝑃/𝐵-tal. Modellen lyckades dock inte uppnå statistisk signifikans närden tillämpades på perioden 2023–2024, vilket tyder på att de strukturelladrivkrafterna för bankvärderingar är dynamiska och kräver regelbundenomkalibrering för att förbli effektiva.Utöver de kvantitativa resultaten diskuterar avhandlingen den teoretiskainnebörden av verkligt värde och begränsningarna i att använda historiskredovisningsdata för att förutsäga framtida marknadssentiment. Resultatentyder på att även om ett kvantitativt KPI-baserat ramverk utgör en användbarutgångspunkt för att identifiera anomalier, måste det integreras med kvalitativanalys för att ta hänsyn till förändrade makroekonomiska förhållanden ochbranschspecifika risker.