Stock Return Prediction on the LQ45 Market Index in the Indonesia Stock Exchange Using a Machine Learning Algorithm Based on Technical Indicators
Notice bibliographique
Résumé
Stock return prediction in emerging markets remains difficult due to the gap between theoretical efficiency and empirical irregularities. This study assesses the statistical and economic performance of Linear Regression, Ridge Regression, Random Forest, and XGBoost in forecasting 5-day and 21-day returns for six LQ45 stocks (2016–2025). Momentum, volatility, trend, and volume indicators are used as predictors, while model performance is evaluated using MAE, RMSE, R2, and backtested trading metrics that include transaction costs. All models yield near-zero or negative R2, directional accuracy of 49–54%, and AUC around 0.50–0.53, indicating weak signals overshadowed by noise. XGBoost offers the lowest statistical errors, but Ridge Regression achieves slightly better risk-adjusted outcomes (Sharpe 0.1232), although every strategy underperforms Buy & Hold. SHAP results show volatility and volume features as most influential, but with minimal absolute impact. Overall, the LQ45 market exhibits semi-efficiency: patterns exist but fail to translate into profitable trading once real-world frictions are considered, underscoring the gap between statistical predictability and economic viability in algorithmic trading. This research was conducted in order to support the achievement of various goals through SDG 8 (Decent Work and Economic Growth).
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 | 0,019 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».