Laporkan Masalah

Machine Learning Forecasting of Indonesian Stock Return: Firm Characteristics and Macroeconomic Risk

Fauzan Alifian Subekti, Gigih Fitrianto, S.E., M.Sc., Ph.D.

2026 | Skripsi | ILMU EKONOMI

Model asset pricing konvensional sering memiliki keterbatasan dalam menangani variabel berdimensi tinggi (high-dimensional), multikolinearitas, serta perilaku imbal hasil saham yang tidak stabil, terutama pada pasar berkembang seperti Indonesia. Sebagai respons terhadap keterbatasan tersebut, penelitian ini menerapkan kerangka studi regularized machine learning untuk meningkatkan kemampuan prediksi return saham dengan memanfaatkan informasi karakteristik perusahaan dan variabel makroekonomi yang lebih luas, khususnya melalui model Ridge, Lasso, dan Elastic Net. Penelitian ini menganalisis prediksi out-of-sample return saham Indonesia menggunakan data panel karakteristik perusahaan dan variabel makroekonomi selama periode Januari 2006 hingga Desember 2025. Kerangka prediksi membandingkan tiga kelompok prediktor, yaitu kelompok karakteristik perusahaan (firm-level set), kelompok gabungan karakteristik perusahaan dan variabel makroekonomi (firm-level and macroeconomic set), serta kelompok interaksi karakteristik perusahaan–makroekonomi (firm–macro interaction set). Kinerja model dievaluasi menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan out-of-sample R-squared selama periode pengujian 2020–2025, dengan model STL-ARIMA digunakan sebagai pembanding berbasis time-series univariat. Hasil penelitian menunjukkan bahwa model regularized machine learning menghasilkan kinerja out-of-sample yang positif, dengan kelompok karakteristik perusahaan menjadi spesifikasi terbaik, khususnya pada model Lasso dan Ridge dengan pendekatan expanding window. Penambahan variabel makroekonomi memberikan informasi tambahan yang bersifat selektif pada rezim pasar tertentu, terutama selama periode krisis dan ketidakpastian yang tinggi. Perbandingan dengan model STL-ARIMA juga menunjukkan bahwa model machine learning menghasilkan nilai RMSE dan MAE yang lebih rendah, serta out-of-sample R-squared yang lebih tinggi. Hasil tersebut menunjukkan bahwa kemampuan prediksi return saham tidak hanya ditentukan oleh pola historis, tetapi juga oleh bagaimana karakteristik perusahaan dan kondisi makroekonomi mencerminkan ketidakpastian di masa mendatang. Selain itu, hasil analisis variable importance dan variable selection menunjukkan bahwa book-to-market, operating profitability, investment, size, market index return, dan perubahan BI Rate merupakan prediktor yang paling relevan. Terakhir, berbagai pengujian robustness, yaitu bootstrap resampling, simulasi Monte Carlo, 10-fold month-clustered cross-validation, serta target yang disesuaikan terhadap heteroskedastisitas, menunjukkan bahwa temuan utama penelitian ini bersifat stabil. Secara keseluruhan, penelitian ini menunjukkan bahwa penalized machine learning merupakan kerangka peramalan yang robust dan mudah diinterpretasikan untuk memprediksi return saham di Indonesia, dengan karakteristik perusahaan sebagai sumber informasi prediksi yang paling andal, diikuti oleh variabel makroekonomi pada periode tekanan pasar dan ketidakpastian yang tinggi.

Standard asset pricing models often face limitations in handling high-dimensional variables, multicollinearity, and unstable return behaviour, particularly in emerging markets such as Indonesia. In response to these limitations, this study applies a regularized machine learning framework to improve stock return predictability using broader firm-level characteristic and macroeconomic information, specifically the Ridge, Lasso, and Elastic Net models. This study analyzes the out-of-sample prediction of Indonesian stock returns using panel data of firm and macroeconomic variables from January 2006 to December 2025. The forecasting framework compares three variable sets, which are defined as firm-level set, firm-level and macroeconomic set, as well as firm–macro interaction set. The model performance is evaluated using Root-Mean-Squared Error, Mean-Absolute Error, and out-of-sample R-squared over the 2020–2025 testing period, with STL-ARIMA model used as a univariate time-series benchmark. Moreover, the results show that regularized machine learning models generate positive out-of-sample performance with firm-level set as the best performing specification, particularly the expanding-window Lasso and Ridge models. Adding macroeconomic variables provides selective insights during specific market regimes, especially during crisis and uncertainty periods. The benchmark comparison further shows that the machine learning models achieve lower RMSE, lower MAE, and higher out-of-sample R-squared than STL-ARIMA. This outperformance suggests that stock return predictability is not captured solely by past time-series patterns, but also by how firm characteristics and macroeconomic conditions reflect future uncertainty. Furthermore, variable-importance and selection results indicate that book-to-market, operating profitability, investment, size, market index return, and BI rate change are among the most relevant predictors. Lastly, robustness checks using bootstrap resampling, Monte Carlo simulation, 10-fold month-clustered cross-validation, and heteroskedasticity-adjusted targets confirm that the main findings are stable. Overall, this study shows that penalized machine learning provides a robust and interpretable forecasting framework for Indonesian stock returns, with firm-level variables serving as the most reliable source of stock return prediction, followed by macroeconomic variables during market stress and high-uncertainty periods.

Kata Kunci : Asset Pricing, Stock Return Forecasting, Machine Learning, Macroeconomic Factors, Indonesia Stock Exchange.

  1. S1-2026-438329-abstract.pdf  
  2. S1-2026-438329-bibliography.pdf  
  3. S1-2026-438329-tableofcontent.pdf  
  4. S1-2026-438329-title.pdf