Comparative Forecasting of Indonesian Stock Prices Using ARIMA and Support Vector Regression: A Statistical Learning Approach
Notice bibliographique
Résumé
This study aims to compare the forecasting performance of Autoregressive Integrated Moving Average (ARIMA) and Support Vector Regression (SVR) models in predicting the monthly stock prices of PT.Telkom Indonesia (TLKM), one of Indonesia's leading state-owned enterprises.Utilizing historical data from January 2018 to December 2022, the models are evaluated based on their forecasting precision using Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) as investor-grade performance metrics.The ARIMA (2,1,2) model was selected through Box-Jenkins methodology, while the SVR was optimized using a linear kernel and tuned hyperparameters.The results demonstrate that ARIMA outperforms SVR in both MAPE (2.01%) and RMSE (64.38), indicating better adaptability to the structured linear patterns found in the stock price series.Assumption-based forecasting simulations, extended to the year 2026, further suggest ARIMA's relative stability, although future projections remain subject to structural and market uncertainties.The findings emphasize the continued relevance of classical statistical models in investment-grade forecasting, where investor-grade is defined as forecasting precision achieving MAPE values below 5%, supporting decision-support applications in emerging markets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».