Judul & Pembahasan Artikel Grup 1
1. Estimating Stock Market Betas via Machine Learning
a) Latar Belakang: Beta tradisional yang dihitung menggunakan OLS atau rolling window sering
tidak akurat dan kurang stabil padahal beta sangat penting dalam menentukan biaya ekuitas &
WACC
b) Tujuan & Kontribusi: Menggunakan metode machine learning (Random Forest) untuk
memperbaiki estimasi beta
c) Metode & Data: Data harga saham digunakan lalu dibandingkan hasil estimasi beta dengan
metode klasik dan machine learning
d) Hasil: Beta berbasis machine learning lebih stabil, lebih prediktif dan menghasilkan estimasi
risiko yang lebih akurat
e) Implikasi: CAPM tetap relevan tetapi metode estimasi beta perlu dimodernisasi dengan teknologi
baru
f) Keterbatasan & Arah Lanjut: Butuh pengujian pada konteks pasar berkembang dan integrasi
dengan model multi-faktor
2. A Conditional Higher-Moment CAPM
a) Latar Belakang: CAPM klasik hanya mempertimbangkan rata-rata dan varians padahal investor
juga peduli pada skewness dan kurtosis
b) Tujuan & Kontribusi: Mengembangkan CAPM dengan memasukkan higher moments (momen
ke-3 dan ke-4)
c) Metode & Data: Menggunakan data return saham untuk menguji tambahan faktor skewness dan
kurtosis
d) Hasil: Model lebih baik menjelaskan return saham, khususnya dalam pasar dengan volatilitas
tinggi
e) Implikasi: Investor memperhatikan downside risk lebih besar daripada upside potential. Valuasi
ekuitas perlu mempertimbangkan risiko asimetris
f) Keterbatasan & Arah Lanjut: Perlu diuji di pasar berkembang dan pada aset non-tradisional
3. Conditional CAPM with Standard and Non-Standard Measures
a) Latar Belakang: Beta tradisional sering tidak signifikan dalam menjelaskan return
b) Tujuan & Kontribusi: Menggunakan ukuran risiko non-standar seperti downside risk premium
dan beta akuntansi
c) Metode & Data: Menggunakan data pasar dan laporan keuangan untuk membangun ukuran beta
alternatif
d) Hasil: Downside risk premium signifikan, beta akuntansi berhubungan positif dengan return
e) Implikasi: CAPM lebih kuat jika menggunakan ukuran risiko non-standar, relevan di pasar
berkembang
f) Keterbatasan & Arah Lanjut: Keterbatasan dalam ketersediaan data akuntansi dan kebutuhan
untuk adaptasi lokal
4. Market Beta is Not Dead
a) Latar Belakang: Banyak literatur menyebut CAPM tidak relevan tetapi faktor pasar mungkin tetap
dominan
b) Tujuan & Kontribusi: Menggunakan Random Matrix Theory untuk menguji kembali relevansi
beta pasar
c) Metode & Data: Menggunakan data saham lintas negara dan kondisi pasar yang berbeda
d) Hasil: Faktor pasar tetap dominan kecuali saat krisis ekstrem
e) Implikasi: CAPM masih penting sebagai model dasar meski banyak model multi-faktor muncul
f) Keterbatasan & Arah Lanjut: Keterbatasan pada kondisi pasar krisis dan volatilitas ekstrem
sehingga perlu integrasi hybrid model
5. Cryptocurrency Returns under Empirical Asset Pricing
a) Latar Belakang: CAPM dikritik sulit menjelaskan return aset digital seperti kripto yang sangat
volatil
b) Tujuan & Kontribusi: Menguji apakah CAPM relevan untuk cryptocurrency
c) Metode & Data: Menggunakan data return cryptocurrency dan model CAPM klasik
d) Hasil: CAPM hanya sebagian mampu menjelaskan return kripto; banyak alpha yang tetap
signifikan
e) Implikasi: Diversifikasi kripto sulit dijelaskan hanya dengan CAPM. Perlu model multifaktor baru
f) Keterbatasan & Arah Lanjut: CAPM tidak cukup untuk aset digital; perlu pengembangan model
khusus
6. Kesimpulan Umum
CAPM masih menjadi model dasar yang penting dalam keuangan. Model ini berusaha
menjelaskan hubungan antara risiko dan imbal hasil (return) saham dengan menggunakan satu
angka utama yaitu beta. Beta menunjukkan seberapa sensitif harga saham terhadap pergerakan
pasar.
Namun, beberapa penelitian terbaru menunjukkan bahwa cara lama menghitung beta sering
kurang akurat. Oleh karena itu, disinilah dibutuhkan bantuan dari metode modern, misalnya
dengan bantuan teknologi machine learning atau pembelajaran mesin. Ini adalah salah satu isu
terkini: bagaimana teknologi bisa membantu kita membuat perhitungan risiko lebih tepat. Selain
itu, kita juga tahu bahwa risiko tidak hanya soal naik-turunnya harga (volatilitas). Investor
biasanya lebih khawatir kalau harga turun (downside risk) daripada kalau harga naik. Karena hal
itulah beberapa penelitian menambahkan ukuran lain seperti skewness (kemencengan distribusi)
dan kurtosis (keruncingan distribusi). Penelitan lain juga menunjukkan bahwa faktor pasar tetap
dominan yang artinya meskipun ada banyak model baru, pasar secara keseluruhan masih menjadi
faktor paling kuat yang mempengaruhi pergerakan saham. Intinya, CAPM perlu diperkaya agar
bisa menangkap bentuk risiko yang lebih kompleks.
Ketika bicara tentang aset baru seperti cryptocurrency, CAPM mulai tampak kewalahan.
Volatilitas kripto yang sangat tinggi membuat model sederhana seperti CAPM tidak cukup
menjelaskan perilakunya. Dari sini muncul isu baru: apakah kita perlu mengembangkan model
khusus untuk aset digital?
Dengan demikian, dapat disimpulkan bahwa CAPM tetap memiliki peran fundamental
dalam teori dan praktik keuangan, namun relevansinya tidak lagi bisa dipahami secara statis.
Dinamika pasar modern, perkembangan teknologi analisis data serta munculnya instrumen
keuangan baru menuntut adaptasi dan perluasan model ini. Bagi peneliti dan praktisi keuangan,
tantangannya adalah bagaimana mengintegrasikan CAPM dengan pendekatan kontemporer
seperti machine learning, higher-moment models, serta kerangka multifaktor agar mampu
menangkap kompleksitas risiko yang sesungguhnya. Oleh karena itu, kajian lebih lanjut
diharapkan tidak hanya memperkuat landasan teoretis CAPM tetapi juga memberikan kontribusi
praktis bagi pengambilan keputusan investasi dan manajemen risiko di era keuangan global yang
semakin kompleks dan digital.
Daftar Pustaka
1. Wolfgang Drobetz, Hollstein, F., Otto, T., & Prokopczuk, M. (2024). Estimating Stock Market
Betas via Machine Learning. Journal of Financial and Quantitative Analysis, 1–56.
https://doi.org/10.1017/s0022109024000036
2. Vendrame, V., Guermat, C., & Tucker, J. (2023). A conditional higher-moment CAPM.
International Review of Financial Analysis, 86, 102524. https://doi.org/10.1016/j.irfa.2023.102524
3. Maiti, M. (2021). Capital asset pricing model, higher co-moments and value at risk. Borsa Istanbul
Review, 21(1), 43–54. https://doi.org/10.1016/j.bir.2020.06.004
4. Chen, L., Roll, R., & Ross, S. A. (1986). Economic forces and the stock market. The Journal of
Business, 59(3), 383–403. https://doi.org/10.1086/296344
5. Jagannathan, R., & Wang, Z. (1996). The conditional CAPM and the cross‐section of expected
returns. The Journal of Finance, 51(1), 3–53. https://doi.org/10.1111/j.1540-6261.1996.tb05201.x