Vinnare av Finansvalp-stipendiet 2025
Filip Orestav och Kolumbus Lindh
Juryns motivering
Vi är glada att tilldela årets Finansvalp-stipendium till Filip Orestav och Kolumbus Lindh, författarna av magisteruppsatsen "Deep Learning Techniques for Bank Transaction Categorization". Denna avhandling utmärker sig genom sitt tydliga syfte och bidrag till förståelsen för kategorisering av banktransaktioner.
Genom att pröva olika modeller har författarna kommit fram till vilken metod som passar för olika syften och därmed bidragit till effektivisering inom området. Det öppnar dörren till bland annat förbättrade kreditbedömningar och tidigare upptäckt av riskmönster såsom spelberoende.
Arbetet går hand i hand med det som vi på Finansvalp strävar efter, att kunna stärka, skydda och hjälpa människors ekonomi.
Vi gratulerar Filip och Columbus till Finansvalp-stipendiet 2025!
Två saker alla bör ta med sig från studien, enligt författarna själva
- Djupinlärning är ett kraftfullt verktyg även i finans - inte bara i klassiska text- och bildområden. Genom tekniker som embeddings och sekvensmodeller kan man fånga subtila mönster i transaktionsdata som traditionella modeller missar. Resultaten visar att även relativt små nätverk kan överträffa etablerade metoder.
- Man måste utvärdera både hastighet och noggrannhet - de står inte alltid i konflikt. Våra snabbaste modeller (MLP och CNN) var samtidigt de mest precisa, vilket utmanar antagandet att snabbhet kräver att man offrar kvalitet. Dokumentation, experiment och arkitekturval spelar stor roll för att hitta den optimala balansen.
Kommentarer från vinnarna
Berätta om bakgrunden till er studie, hur kom ni fram till ämnet?
Vi ville skriva ett arbete i skärningspunkten mellan ekonomi och teknik, två områden som både
intresserade oss och kompletterade våra utbildningar. Precis innan projektet hade vi läst en kurs i
maskininlärning, vilket väckte tanken att undersöka hur dessa metoder kan användas inom finans.
När vi började se över möjliga fallstudier upptäckte vi Kreditz, ett fintech-bolag som arbetar med kategorisering av banktransaktioner och som dessutom sitter på en omfattande mängd transaktionsdata.
Även om deras befintliga motor byggde på traditionell maskininlärning såg vi stor potential i att utvärdera modernare djupinlärningsmetoder - särskilt eftersom banktransaktioner är ett datarikt område där sådana modeller ofta lyckas väldigt bra.
Kombinationen av ett tydligt praktiskt problem och möjligheten att bidra med spetskompetens gjorde ämnet både relevant och inspirerande.
Hur uppstod samarbetet med Kreditz och hur påverkade det studiens riktning?
Samarbetet uppstod egentligen spontant - vi kontaktade flera potentiella företag inom ekonomi och
fintech, och Kreditz visade snabbt både intresse och en konkret utmaning att arbeta med.
Eftersom de hade lång erfarenhet av transaktionsanalys kunde de formulera ett verkligt problem i stor skala, vilket gav vår studie en tydlig riktning.
I stället för att skapa ett artificiellt akademiskt experiment fick vi möjlighet att arbeta med äkta data, realistiska krav och en faktisk affärsnytta. Det gjorde att studien blev mer praktiskt relevant och gav oss helt andra insikter än vad ett simulerat projekt hade kunnat erbjuda.
Hur såg datamängden ut, var kom den ifrån?
Datamängden bestod av 200 000 svenska banktransaktioner som innehöll följande attribut:
transaktions-ID, datum, belopp, beskrivning samt den klass som Kreditz nuvarande motor hade tilldelat
transaktionen.
Datan kom från Kreditz kundbanker men var strikt anonymiserat i enlighet med GDPR. Det innebar att inga personuppgifter eller kopplingar till individer fanns kvar, vilket gjorde att vi endast arbetade med generell text och numeriska mönster.
Hur ser ni att resultaten kan användas i praktiken inom fintech?
Automatisk kategorisering av transaktioner är ett fundament i fintech - allt från budgetappar till kreditbedömning och AML-analys bygger på att förstå användares ekonomiska beteenden. Våra resultat visar att man kan få både hög precision och extremt snabb inference, vilket öppnar dörren till:
- Nära realtidsanalys av transaktioner
- Förbättrade kreditbedömningar
- Tidigare upptäckt av riskmönster, inklusive spelberoende
- Effektivare rapportering och compliance
- Smidig expansion till nya marknader utan att bygga omfattande regelbaserade motorer
Kort sagt: bättre insikter, lägre kostnader och snabbare system.
Hur resonerade ni kring GDPR och individers integritet när det kommer till användning av
trasaktionsdata?
All data vi använde var anonymiserad av Kreditz innan den nådde oss. Det fanns inga personliga identiteter, och ingen information som kunde användas för att spåra individer.
Ur ett forskningsperspektiv innebar det att modellerna endast tränades på textfragment och generella numeriska mönster - något som även kan förbättra generaliserbarheten eftersom modellen inte fastnar vid individunika detaljer. Integritet var därför helt integrerat i både databehandlingen och metodvalen.
Om Finansvalp-stipendiet
Vi vill stödja framstående ekonomistudenter i deras akademiska strävan. Om uppsatsen bidrar till förståelsen av ekonomiska utmaningar har du möjlighet att få ekonomiskt stöd. Vinnaren/vinnarna får ekonomiskt stöd på 7 500 kr för arbetet med en C- eller D-uppsats.
Läs mer om Finansvalp-stipendiet här.