År 2007-2008 inträffade finanskrisen vilket skapade oro på den finansiella marknaden. Oron återspeglades i antalet svenska aktieägare som minskade successivt fram till år 2014. Därefter fram till idag visar statistiken att svenska aktieägare blir fler för varje år som går. En förklaring är för att digitaliseringen har skapat enklare lösningar för privatpersoner att börja spara i aktier vilket ökar tillgängligheten och inflödet. Ett ökat intresse och en ökad tillgänglighet behöver dock inte innebära en ökad kunskap hos investerarna, vilket talar för att det är relevant att dels förmedla kunskap kring aktier men framförallt identifiera den bästa investeringsstrategin som kan vägleda investerare. Syftet med uppsatsen är att undersöka om värde- eller tillväxtinvestering ger högst avkastning på Stockholmsbörsen och Micro-cap under 2012-2016. Studien tillämpar en deduktiv ansats tillsammans med en kvantitativ forskningsmetod. För att kunna ta reda på den bästa investeringsstrategin på Stockholmsbörsen och Micro-cap har sekundärdata i form av nyckeltal samt kurshistorik samlats in, bearbetats och analyserats. Med hjälp av nyckeltalen P/E och P/B har aktier kunnat kategoriseras som värde- respektive tillväxtaktier. Vidare kunde portföljer skapas av respektive kategori för att sedan vara jämförbara med varandra. Resultatet visar på att investeringsstrategin värdeinvestering tenderar att prestera bäst. Värdeinvestering presterade bäst oavsett om portföljerna bestod av aktier enbart från Stockholmsbörsen eller både Stockholmsbörsen och Micro-cap. Resultatet som erhölls visade att tillväxtinvestering presterar betydligt högre avkastning än värdeinvestering oavsett börs/handelsplattform dock utsätts en investerares kapital för så pass hög risk med tillväxtinvestering att när studien riskjusterar avkastningen är det värdeinvestering som presterar bäst. / The financial crisis during 2007-2008 concerned investors internationally. The Swedish investors’ concern was reflected in the number of shareholders which decreased until 2014. From 2014 and until today the statistics shows that Swedish shareholders are increasing. One explanation could be the digitization that created solutions for investors to buy stocks more easily. But an increased availability does not necessarily mean that the knowledge also has increased. This is one of the reasons for the importance of spreading knowledge to investors and identify the best investment strategy for guidance. The purpose is to investigate the investment strategies value investing and growth investing. To find out the best investment strategy the thesis has used the two ratios P/E and P/B and historical share prices. The stocks that are included in this thesis is both from Stockholm Stock Exchange but also from Micro-cap. The thesis has used a quantitative research method when gathering all the necessary information and a deductive approach in relation to the theories. By using the presented ratios, the thesis could categories the stocks in the respective strategy. The superior investment strategy is value investing which tends to perform the best risk-adjusted return during the time 2012-2016. Value investing tends to perform the best return regardless if the portfolio contains only stocks from Stockholm Stock Exchange or both Stockholm Stock Exchange and Micro-cap. The result showed that growth investing had the most extreme returns and would have won if the result did not adjust for the risk taken.

Portfolio managers have a great interest in detecting high-performing stocks early on. Detecting outperforming stocks has for long been of interest from a research as well as financial point of view. Quantitative methods to predict stock movements have been widely studied in diverse contexts, where some present promising results. The quantitative algorithms for such prediction models can be, to name a few, support vector machines, tree-based methods, and regression models, where each one can carry different predictive power. Most previous research focuses on indices such as S&P 500 or large-cap stocks, while small- and micro-cap stocks have been examined to a lesser extent. These types of stocks also commonly share the characteristic of high volatility, with prospects that can be difficult to assess. This study examines to which extent widely studied quantitative methods such as random forest, support vector machine, and logistic regression can produce accurate predictions of stock price directions on a quarterly and yearly basis. The problem is modeled as a binary classification task, where the aim is to predict whether a stock achieves a return above or below a benchmark index. The focus lies on Asian small- and micro-cap stocks. The study concludes that the random forest method for a binary yearly prediction produces the highest accuracy of 69.64%, where all three models produced higher accuracy than a binary quarterly prediction. Although the statistical power of the models can be ruled adequate, more extensive studies are desirable to examine whether other models or variables can increase the prediction accuracy for small- and micro-cap stocks. / Portföljförvaltare har ett stort intresse av att upptäcka högpresterande aktier tidigt. Detektering av högavkastande aktier har länge varit av stort intresse dels i forskningssyfte men också ur ett finansiellt perspektiv. Kvantitativa metoder för att förutsäga riktning av aktiepriset har studerats i stor utsträckning där vissa presenterar lovande resultat. De kvantitativa algoritmerna för sådana prediktionsmodeller kan vara, för att nämna ett fåtal, support vector machines, trädbaserade metoder och regressionsmodeller, där var och en kan bära olika prediktiv kraft. Majoriteten av tidigare studier fokuserar på index såsom S&P 500 eller storbolagsaktier, medan små- och mikrobolagsaktier har undersökts i mindre utsträckning. Dessa sistnämnda typer av aktier innehar ofta en hög volatilitet med framtidsutsikter som kan vara svåra att bedöma. Denna studie undersöker i vilken utsträckning väletablerade kvantitativa modeller såsom random forest, support vector machine och logistisk regression, kan ge korrekta förutsägelser av små- och mikrobolags aktiekursriktningar på kvartals- och årsbasis. I avhandlingen modelleras detta som ett binärt klassificeringsproblem, där avkastningen för varje aktie antingen är över eller under jämförelseindex. Fokuset ligger på asiatiska små-och mikrobolag. Studien drar slutsatsen att random forest för en binär årlig prediktion ger den högsta noggrannheten på 69,64 %, där samtliga tre modeller ger högre noggrannhet än en binär kvartalsprediktion. Även om modellerna bedöms vara statistiskt säkerställda, är det önskvärt med fler omfattande studier för att undersöka om andra modeller eller variabler kan öka noggrannheten i prediktionen för små- och mikrobolags aktiekursriktning.