Larm om ovanliga intradagsrörelser – med automatisk uppföljande förklaring

Vilhelm Niklasson, PhD•15 januari 2026

Publicerad: 9 januari 2026
Senast uppdaterad: 15 januari 2026

Det här handlar om: hur Quanor upptäcker ovanliga intradagsrörelser i priset (statistiska anomalier) och hur vi sedan analyserar varför priset rörde sig, för att ge en kort, försiktig och källbelagd sammanfattning.

Vem det här är för: dig som använder Quanor-appen och vill förstå mer tekniskt hur intradagslarm fungerar och hur den efterföljande förklaringen tas fram.

Det här är inte: investeringsråd — eller en kopierbar mall med alla detaljer.

Varför de flesta “%-rörelse”-larm är brusiga

Marknader rör sig hela tiden. En statisk regel som “±2%” utlöses konstant i volatila regimer och missar ändå ofta de rörelser som faktiskt betyder något: överraskningar i rapporter, guidning, börsmeddelanden, likviditetschocker eller genuint idiosynkratiska riskhändelser.

En rörelse på 0,7 % på 20 sekunder kan vara betydligt mer intressant än 2 % på sex timmar. En ren %-regel ser ingen skillnad – men vår metod gör det, eftersom den tar hänsyn till både storlek och tempo i rörelsen.

En bättre fråga är:

Är den här rörelsen ovanlig för just den här aktien just nu, och ovanlig jämfört med marknaden i samma ögonblick?

Det perspektivet gör larm till ett anomalidetektionsproblem med tydliga kontroller för volatilitet, likviditet och mikrostruktur.

Designmål

Statistisk grund: “sällsynt under en rimlig modell”, inte “ser stort ut”.
Robusthet: hantera avvikande observationer, tunn handel och regimskiften.
Likviditetsmedvetenhet: undvik falska positiva som drivs av minimal omsättning.
Förklarbarhet: varje larm kompletteras med en försiktig “vad hände?”-sammanfattning.

Varför vi inte förlitar oss på klassiska TA-regler i produktion

Bollingerband, utbrott (breakouts) och chartmönster är intuitiva, men de är inte byggda som kalibrerade anomalidetektorer som är stabila över regimer.

Det vi explicit vill ha (och som klassisk TA ofta inte garanterar):

Tvärsnittskontext: en rörelse kan vara “stor” men ändå helt normal om hela marknaden/sektorn rör sig.
Mikrostrukturmedvetenhet: inaktuella avslut, bud–utbud-studs och ryckig tickdata spelar roll intradag.
Kontroll av falska positiva: trösklar kopplade till volatilitet och robust statistik, inte godtyckliga procentband.
Begränsad parametrisering: färre “knappar” minskar risken för överanpassning till historiska data.

Vi tar med en bra idé från TA — att normalisera rörelser — men vi förankrar det i statistik inspirerad av realiserad volatilitet och robust tvärsnittsdetektion av avvikelser.

Detektorn: två kompletterande linser

1) Tidsserielinsen: rörelser i “volatilitetsenheter”

En rörelse på 1% kan vara stor för en aktie och rutin för en annan. Därför normaliserar vi rörelser med en uppskattning av den senaste intradagsvolatiliteten.

Vi arbetar med logavkastningar (standard i finans):

r = log(P_now / P_prev)

Förenklat kan vi skriva överraskningsmått som:

z_step = r_step / σ_step
z_cum = r_cum / σ_cum

där σ_step och σ_cum är intradagsestimat i stil med realiserad volatilitet, beräknade över rullande fönster.

Varför detta hjälper: volatilitet varierar mellan aktier och mellan regimer. En volatilitetsnormaliserad rörelse ligger närmare “hur sällsynt är detta?” än en rå procentförändring.

2) Tvärsnittslinsen: “är det här namnet en avvikare just nu?”

En aktie som är ned 4% en dag när hela sektorn är ned 3–4% är ofta mindre intressant än en aktie som är ned 4% i en i övrigt platt marknad.

Så vi frågar: relativt börsen (eller ett peer-universum) i just det här ögonblicket, är aktien en avvikare?

Robust tvärsnitt (median & MAD):
För varje detektionskörning beräknar vi ett robust centrum och en robust skala för tvärsnittets rörelser med:

Median som lägesmått
MAD (median absolute deviation) som spridningsmått (ofta skalat för att bete sig ungefär som en standardavvikelse under milda antaganden)

Varje aktie får ett tvärsnitts-avvikelsemått z_cs som beror på hur långt dess rörelse ligger från det robusta centret relativt den robusta skalan.

Varför robust statistik: tvärsnittet innehåller ofta extrema enskilda avslut, handelsstopp och genuina hopp. Median/MAD är mycket mindre känsliga för några få extrema observationer än medelvärde/standardavvikelse.

Hur linserna kombineras

Detektorn kombinerar båda perspektiven:

Tidsserieavvikelse (ovanligt för aktien givet aktuell volatilitet)
Tvärsnittsavvikelse (ovanligt relativt peers/marknaden i stunden)

Vid breda makrorörelser dämpar tvärsnittskontexten brus. Vid riktiga enskilda bolagshändelser dominerar tidsseriesignalen.

En praktisk tumregel:

TS + CS båda extrema → sannolikt intressant
CS extrem men TS mild → ofta drift/rotation
TS extrem men CS brusig → kan fortfarande vara en verklig bolagsspecifik händelse

Praktisk robusthet: undvika falska positiva som ser dramatiska ut

Att hitta anomalier intradag fallerar på förutsägbara sätt om man inte bygger in försvar.

Likviditetsgrind

Många “spektakulära” rörelser sker på väldigt liten omsättning. Vi kräver en miniminivå av effektiv nominell aktivitet innan en rörelse kan utlösa ett larm, och vi behandlar saknade/lågkvalitativa likviditetssignaler konservativt.

Effekt: färre “−20% på ingenting handlat”-larm.

Tid-på-dagen-medvetenhet

Öppning och stängning är strukturellt olika. Vi tar hänsyn till mönster över dagen genom enkla sessionsjusteringar så att detektorn inte överreagerar på tidigt brus eller sena flödestoppar.

Skydd mot inaktuella avslut

En kurs som kommer långt efter senaste faktiska avslut kan vara korrekt data, men den är en dålig grund för ett realtidslarm om att “något hände nyss”. Vi sätter en gräns för noteringens ålder, så att bara färska noteringar kan utlösa larm.

Mikrostrukturrealism (glesare sampling för volatilitetsestimat)

Att sampla för ofta kan blåsa upp estimat av realiserad varians på grund av bud–utbud-studs och andra mikrostruktureffekter. För volatilitetsestimeringen samplar vi därför glesare, med ett grövre rutnät (t.ex. ungefär minutintervall), så att detektionen kan vara responsiv samtidigt som volatilitetsbaslinjen blir stabil.

Återaktivering och hysteres

När ett larm väl har gått vill vi undvika att utlösa nya larm vid små svängningar. Vi dämpar snabba återutlösningar om inte aktien rör sig meningsfullt vidare (i volatilitetsenheter) eller om tillräckligt med tid har passerat. Det minskar täta upprepade larm men fångar fortfarande genuint ny information.

Efter ett larm: hur vi analyserar varför priset rörde sig

Detektion svarar på: “den här rörelsen är ovanlig.”
Användare frågar direkt: “vad hände?”

Vårt analyslager är byggt för att vara försiktigt, evidensdrivet och läsbart på under en minut — utan att låtsas vara säkert när det inte finns stöd.

1) Bygg marknadskontext först

Innan vi läser rubriker sätter vi en kompakt kontextram:

intradagsförloppet runt larmet (steg vs kumulativ rörelse)
tvärsnittsbeteende (rör sig sektor/index på liknande sätt?)
enkla regimindikationer (högvolatildag vs lugn dag)
närliggande diskontinuiteter (stopp, gap, plötsliga volymtoppar om tillgängligt)

Det minskar risken för berättelsedrivna förklaringar som ignorerar handelsbilden.

2) Ta fram hypoteser och knyt dem till källor

Vi söker efter nyligen offentliggjord information som är relevant för bolaget och dess omgivning, typiskt:

bolagsnyheter och pressmeddelanden
rapport/guidning
regulatoriska anmälningar och börskommunikation när det är relevant
sektorpeers och sympatirörelser
makrorubriker endast när de plausibelt förklarar tvärsnittet

Resultatet hålls i ett strukturerat format (titel + kort förklaring + osäkerhetsflaggor), med tydlig koppling till stödjande källor.

3) Var tydlig med osäkerhet

Om ingen trovärdig bolagsspecifik katalysator hittas, säger vi det. I sådana fall kan vi nämna:

sektorrotation / risk-off-rörelser
makrodrivare (räntor, råvaror, FX) endast om tvärsnittet stödjer det
“ingen tydlig publik katalysator synlig ännu” som ett förstahandsutfall

Det är viktigt eftersom marknaden ibland rör sig innan rubriken syns brett — eller av skäl som aldrig blir offentliga.

4) Uppföljningar när information kommer senare

Om den första genomgången inte hittar en tydlig katalysator kan vi göra begränsade uppföljningar efter en fördröjning. Om en trovärdig myndighetsanmälan eller en rubrik dyker upp senare uppdateras förklaringen med kontinuitet (“initialt oklart; senare bekräftat av …”).

5) Rimlighetskontroller (berätta inte en historia runt dålig data)

Vid mycket stora rörelser lägger vi in extra skydd: om den observerade rörelsen ser inkonsistent ut mot oberoende referenspunkter eller på annat sätt är misstänkt, markerar vi det i sammanfattningen i stället för att forcera en berättelse.

Utvalda referenser

Andersen, T.G., Bollerslev, T., Diebold, F.X., & Labys, P. (2003). Modeling and Forecasting Realized Volatility. Econometrica.
Barndorff-Nielsen, O.E., & Shephard, N. (2002). Econometric Analysis of Realised Volatility… JRSS: Series B.
Hansen, P.R., & Lunde, A. (2006). Realized Variance and Market Microstructure Noise. Journal of Business & Economic Statistics.
Aït-Sahalia, Y., Mykland, P.A., & Zhang, L. (2005). How Often to Sample… in the Presence of Market Microstructure Noise. Review of Financial Studies.
Huber, P.J., & Ronchetti, E.M. (2009). Robust Statistics (2nd ed.). Wiley.
Rousseeuw, P.J., & Croux, C. (1993). Alternatives to the Median Absolute Deviation. Journal of the American Statistical Association.
Sullivan, R., Timmermann, A., & White, H. (1999). Data-Snooping, Technical Trading Rule Performance, and the Bootstrap. Journal of Finance.

Ansvarsfriskrivning: Artikeln beskriver hur ett produktionssystem fungerar. Det är inte investeringsråd.