Bokslut 2025
Räkenskapsperiod 1 januari 2025 → 31 december 2025
Finansiell hälsa
Snabb översikt - betalningsförmåga, lönsamhet och kapitalstyrka jämfört mot branschnormer.
Resultaträkning
Vad bolaget tjänade och spenderade under året - slutar i årets resultat. Alla belopp i SEK.
| Nettoomsättning | 1 386 750 |
|---|---|
| Övrig omsättning | - |
| Omsättning | 1 386 750 |
| Lagerförändring | - |
| Rörelsekostnader | -1 647 457 |
| Rörelseresultat | -260 707 |
| Finansiella intäkter | 229 |
| Finansiella kostnader | - |
| Resultat efter finansnetto | -260 478 |
| Resultat före skatt | -260 478 |
| Skatt | 0 |
| Årets resultat | -260 478 |
Balansräkning 2025
Tillgångarna (vänster) och hur de finansierats (höger) - de två sidorna balanserar alltid till samma summa. Alla belopp i SEK.
| Anläggningstillgångar | |
|---|---|
| Immateriella anl.tillg. | - |
| Materiella anl.tillg. | - |
| Finansiella anl.tillg. | - |
| Summa anläggningstillgångar | - |
| Omsättningstillgångar | |
| Varulager | - |
| Kundfordringar | - |
| Övriga kortfristiga fordringar | - |
| Förutbetalda kostnader / upplupna intäkter | - |
| Kassa och bank | 382 531 |
| Summa omsättningstillgångar | 382 531 |
| SUMMA TILLGÅNGAR | 382 531 |
| Eget kapital | |
|---|---|
| Aktiekapital | 50 000 |
| Reservfond | - |
| Överkursfond | - |
| Bundet eget kapital | 50 000 |
| Balanserat resultat | 67 708 |
| Fritt eget kapital | -102 865 |
| Summa eget kapital | -52 865 |
| Obeskattade reserver | |
| Periodiseringsfonder | - |
| Ackumulerade överavskrivningar | - |
| Summa obeskattade reserver | - |
| Avsättningar | |
| Summa avsättningar | - |
| Långfristiga skulder | |
| Skulder till kreditinstitut | - |
| Övriga långfristiga skulder | - |
| Summa långfristiga skulder | - |
| Kortfristiga skulder | |
| Leverantörsskulder | - |
| Skatteskulder | 0 |
| Skulder till koncernföretag | - |
| Övriga kortfristiga skulder | 0 |
| Upplupna kostnader / förutbetalda intäkter | - |
| Summa kortfristiga skulder | 0 |
| SUMMA EGET KAPITAL & SKULDER | -52 865 |
Nyckeltal
Beräknade mått som visar lönsamhet, betalningsförmåga och risknivå.
Vinstdisposition & utdelning
Vad styrelsen föreslår ska göras med årets vinst - utdelas till ägarna eller balanseras i bolaget.
| Föreslås balanseras i ny räkning | -363 343 |
|---|
Förändringar i eget kapital
Hur varje del av eget kapital förändrats under räkenskapsåret. Belopp i SEK.
| Förändring | Balanserat resultat | Årets resultat | Totalt |
|---|---|---|---|
| Årets resultat | - | -260 478 | -260 478 |
| Balanseras i ny räkning | -170 573 | 170 573 | 0 |
Övriga upplysningar
Berättande texter från årsredovisningen som styrelsen särskilt vill lyfta fram.
Under räkenskapsåret har bolaget fortsatt sin satsning på egenutvecklade AI-baserade investeringsmodeller. Bolaget har haft fortsatt tillgång till den europeiska superdatorn VEGA, vars betydande beräkningskapacitet, bestående av 2 040 AMD EPYC-processorer och 240 NVIDIA A100-grafikprocessorer, har möjliggjort omfattande träning, simulering och vidareutveckling av bolagets modeller.Bolaget har gjort betydande framsteg i utvecklingen av DiversiGuard, en proprietär algoritm baserad på Reinforcement Learning. DiversiGuard har vidareutvecklats för dynamisk och taktisk allokering mellan flera kvantitativa faktormodeller. Tekniken är utformad för att anpassa portföljens exponering efter rådande marknadsförhållanden samt förbättra hanteringen av volatilitet och extremrisk, så kallad tail-risk. Modellen har under året tränats för att identifiera och allokera kapital mellan flera kompletterande faktormodeller och har uppvisat lovande resultat i bolagets interna simuleringar och utvärderingar.Bolaget har även fortsatt utvecklingen av PrismAlpha, vilket är samlingsnamnet för bolagets djupa faktormodeller (Deep Factor models). Modellerna använder avancerad mönsterigenkänning för att identifiera investeringssignaler baserade på historiska prisrörelser, fundamental bolagsdata och alternativ data. PrismAlpha-modellerna är utformade för att kombinera flera signalkomponenter och generera prognoser för bolags och tillgångars framtida utveckling. Prognoserna används tillsammans med Deep Learning och Reinforcement Learning för portföljkonstruktion och portföljoptimering.Sammantaget har årets utvecklingsarbete stärkt bolagets proprietära tekniska plattform och förbättrat möjligheterna att kombinera prognosmodeller, faktormodeller och dynamisk riskallokering inom ett gemensamt investeringsramverk.