Vagtcentralen

Det udløsende: Erria

Projektet startede med en konkret observation i Erria A/S — et lille dansk selskab på Nasdaq First North.

Kursen bevægede sig kraftigt omkring omtale — ikke kun når selskabet selv udsendte en officiel meddelelse, men når en analytiker, en investor eller et medie omtalte aktien. Den slags bevægelser er svære at opdage manuelt: de sker i småselskaber, der ikke dækkes af de store nyhedsstrømme, og de sker hurtigt.

Erria-indsigten blev til et princip: det er ikke nok at kigge på selskabets egne meddelelser — man skal også vide, hvem der driver nyheden. En kursbevægelse drevet af selskabets eget regnskab er noget andet end en bevægelse drevet af en analytiker-anbefaling eller af investor-/medieomtale. Derfor har systemet en kanaltype-dimension (selskabsdrevet / analytikerdrevet / investor-mediedrevet), så vi kan skelne.

Den bredere hypotese (ikke en konklusion): der kunne findes en informationskant i danske small/micro caps, fordi de er underanalyserede og illikvide. Men det er en påstand, der skal testes — ikke noget vi ved. Erria viste et interessant fænomen: kursen syntes at reagere omkring forskellige former for omtale. Projektet tester nu systematisk, om dette fænomen udgør en reel og handlbar informationskant — statistisk signifikant, reproducerbar, overlevende bias-korrektion, og profitabel efter transaktionsomkostninger. Indtil begivenhedsstudiet siger andet, er det en hypotese under test.

cBrain (august 2026) — et levende eksempel, fanget mens systemet blev bygget

Erria er retrospektiv (udfaldet var allerede kendt, da projektet startede). Mens dagsrapport-rangeringen blev bygget i august 2026, dukkede et frisk, ikke-udvalgt eksempel op i selskabets eget univers: cBrain (CBRAIN.CO) steg +49% over 5 handelsdage (ca. 53,20 → 79,30 kr., 19.–24.08.2026) efter to hårde, officielle begivenheder:

• 18.08.2026: "cBrain awarded first contract with the State of California" — en femårig aftale om F2-platformen med den californiske delstatsregering, efter en 12-ugers proof-of-concept.
• 20.08.2026: "cBrain returns to growth and expects more than 15% growth in H2 2026" — vendepunkt i H1 (EBT-margin 26%, opjusteret guidance) efter to halvår med tilbagegang.

Det er præcis den slags fænomen Erria-observationen pegede på: en hård, tidsstemplet begivenhed i et underdækket small/mid cap, efterfulgt af en kraftig, vedvarende kursbevægelse over flere dage — ikke et enkeltdags-spike.

Ærligt fund ved gennemgangen: begge meddelelser blev korrekt fanget af detektionslaget, men ingen af dem fik en genkendt signaltype først — begge stod som "uklassificeret" i arkivet. Endnu et recall-hul i klassifikationsreglerne, samme slags som er blevet fundet og lukket flere gange siden (senest: en svensk ugerapport der fejlagtigt landede som "kapitalstruktur" i stedet for "tilbagekøb-rapport"). Sådanne huller rettes løbende, efterhånden som de findes — det er en åben, aldrig-færdig proces, ikke et engangs-fix.

En anden lærdom fra samme case: "spottet med det samme" ≠ "kunne handles med det samme". Meddelelsen kl. 07:00 CET kom to timer før markedsåbning — "10 minutter efter meddelelsen" er derfor ikke det samme som "10 minutter efter man faktisk kunne handle". Systemets look-ahead-disciplin (kun handle fra den første session hvor markedet reelt var åbent) findes netop for at undgå den slags optimistiske, men urealistiske, afkastberegninger.

Tankegangen bag projektet

Tre principper styrer alt:

Detection før fortolkning

Systemet opdager og registrerer hændelser, før det forsøger at vurdere dem. Først bygges en pålidelig, komplet strøm af "hvad skete der" (meddelelser, signaler, tidsstempler, hvem drev det). Scoring og anbefalinger kommer ovenpå — og først når datagrundlaget er bevist. En smart model på et hullet datagrundlag er værre end ingenting, fordi den giver falsk tryghed.

Likviditet er en førsteklasses begrænsning

I småselskaber kan man ikke handle på et signal, hvis der ikke er omsætning nok. Derfor regnes al likviditet i DKK-omsætning = kurs × volumen (ikke i antal aktier), og et selskab er kun "handlbart" hvis der reelt er nok at handle på. En anbefaling uden likviditetsloft er en fælde.

Paper først — ingen rigtige penge før tillid

Alle anbefalinger kører i paper-tilstand med et tydeligt ukalibreret-banner, indtil tallene er kalibreret mod faktiske kursreaktioner. Målet i denne fase er at få en fornemmelse for at maskinen virker — ikke at handle på den. Kalibrering sker løbende, ikke som et stort "big bang".

Bias er en aktiv fjende, ikke en fodnote

Historiske data lyver, hvis man ikke passer på: overlevende selskaber (dem der gik konkurs er "forsvundet"), fremadskuende viden, udvælgelses-bias osv. Derfor har projektet et eksplicit bias-framework, der skal "godkende" et mønster, før det får lov at tælle som en kant.

Det er en forskningsmaskine — alarmen er kun outputtet

Det vigtigste skift i forståelsen: dette er ikke primært en "aktiealarm". Det er en event-drevet forskningsmaskine for danske og nordiske small/micro caps:

Univers → komplet event-capture → klassifikation → kursreaktion → bias-kontrol → statistisk evidens → handelsrelevans

Alarmen er bare det synlige output. Den egentlige værdi er at kunne gå fra "jeg synes der er noget her" til "her er N observerede events, her er effekten, konfidensspændet, effekten efter market-adjustment, efter survivorship-/look-ahead-korrektion, likviditeten — og resultatet out-of-sample."

Det betyder også, at projektet lykkes uanset udfaldet: hvis konklusionen om et halvt år bliver "analytikeromtale giver ingen persistent edge", så har maskinen bevist, at hypotesen ikke holder — og det er et ægte resultat.

Hvordan det løses (i lægmandssprog)

Systemet er en kæde. Hvert led gør én ting og giver videre til det næste:

Univers → Nyheds-feeds → Begivenheder → Signaler → Begivenhedsstudie → Rating + likviditet → Paper-alarm

Universet er det danske First North-marked + den mindste halvdel af Nasdaq Copenhagens hovedmarked, siden udvidet med Sverige og Norge. C25 (og de tilsvarende store nordiske selskaber) er bevidst ekskluderet — de store, veldækkede selskaber er ikke jagtområdet.

Nyheds-feeds: officielle selskabsmeddelelser hentes løbende. Den vigtige løsning her: i stedet for at stole på én stor, skæv nyhedsstrøm, har hvert First North-selskab sit eget officielle feed. Det gør dækningen robust og — afgørende — udstederen kendes på forhånd, så en meddelelse aldrig fejlagtigt tilskrives et andet selskab.

Begivenheder & signaler: hver meddelelse ryddes op, dubletter fjernes, og den mærkes med signaltyper (regnskab, guidance, tilbagekøb, flagning, analytiker-omtale osv.) + kanaltype (hvem drev nyheden — Erria-indsigten).

Begivenhedsstudie: for hver hændelse ses på, hvordan kursen faktisk reagerede (markedsjusteret, over flere tidsvinduer). Det er her "kanten" enten viser sig eller ej — altid regnet fra rådata, aldrig fra et gæt.

Scoring → rating → paper-alarm: når (og kun når) der er nok data, oversættes en hændelse til en overbevisnings-score, en tog-rating (1–7) og et likviditets-realistisk positionsloft — og sendes som en paper-notifikation med ukalibreret-banner.

Tre niveauer, der ikke må forveksles

At maskinen virker er ikke det samme som at der findes en edge:

• System-korrekthed (pipeline, dedupe, replay, tests) — dette niveau kan bevises, og er bevist løbende gennem offline-testsuiten.
• Datadækning/-kvalitet (feeds, event-definitioner) — under løbende validering, se Datakvalitet-fanen for aktuel status.
• Investerings-edge (reproducerbar, handelbar netto efter omkostninger) — fortsat ubevist. Det er hele pointen med projektet at finde ud af det, ikke at antage det.

Kort sagt: Erria viste et interessant fænomen — kursen syntes at reagere omkring forskellige former for omtale. Projektet bygger en ærlig forskningsmaskine til at teste, om det udgør en reel og handlbar kant i danske og nordiske small caps — detection før fortolkning, likviditetsbevidst, paper først. Det, der afgør om det lykkes, er ikke flere features, men at lade maskinen arbejde og finde de resultater, der overlever forsøg på at slå dem ihjel.