رگرسیون لاسو

بحران های ارزی در اقتصاد ایران همانند بسیاری از اقتصادهای در حال توسعه اگرچه بر حسب شدت اندازه و دوره پایداری متفاوت بوده اما نقش متغیرهای داخلی و بین المللی بر بحران های ارزی از طریق ناپایداری ترازپرداخت ها و اختلالات بازار ارز تقریبا مشابه می باشد. در همین راستا، به منظور پیش بینی بحران ارزی در اقتصاد ایران با استفاده از روش رگرسیون لاسو نقش متغیرهای بخش های حقیقی، پولی و خارجی بر بحران های ارزی به ترتیب دو فصل قبل از شروع بحران، یک فصل و همچنین فصل هم زمان با بروز بحران مورد تخمین قرار گرفته اند. بر اساس نتایج حاصل، مولفه های مشترکی بحران های ارزی را در اقتصاد ایران توضیح می دهند، به طوری که در مرحله نخست دو متغیر کسری پس انداز ناخالص داخلی و کسری جریان نقدی بانک ها زمینه رشد پایه پولی، مازاد تقاضای کل، سطح عمومی قیمت ها، تراز مبادلات مالی-سرمایه ای و کاهش ذخایر قابل تصرف بین المللی اقتصاد را فراهم ساخته است. فرآیند انتقالی مذکور موجب افزایش انحرافات نرخ ارز از مقادیر بنیادی ناشی از برابری قدرت خرید و نرخ بهره پوشش داده نشده نیز شده است. نتایج تخمین الگوی هشدار زود هنگام برای پیش بینی چهار بحران ارزی برای سه فصل مختلف منتهی به بروز بحران های ارزی دلالت بر قابلیت پیش بینی خوب برای چهار تکانه ارزی فصل سوم سال ۱۳۷۲، فصل سوم سال ۱۳۷۷، فصل چهارم سال ۱۳۷۹ (سال اجرای یکسان سازی نرخ ارز) و فصل دوم سال ۱۳۹۰ داشته که متاثر از مولفه های خارجی (تحریم ها و تکانه های قیمت نفت) و عدم تعادل های داخلی اقتصاد بوده که موجب تشدید ناپایداری ادواری ترازپرداخت ها و بازار ارز طی سه دهه گذشته شده است

پژوهش حاضر، مقایسه دقت مدل های یادگیری ماشین و آماری در پیش بینی نگهداشت وجه نقد را با استفاده از مجموعه متغیر های مالی و اقتصادی مورد بررسی قرار داده است. روش شناسی پژوهش را می توان به سه مرحله گزینش مجموعه داده و متغیرها، مدل سازی و قیاس تقسیم بندی کرد. نمونه آماری پژوهش حاضر بورس اوراق بهادار تهران است که داده های 173 شرکت در طی بازه زمانی 1400-1389 مورد بررسی قرارگرفته است. نتایج حاکی از دقت بالای مدل رگرسیون نمادین با استفاده از الگوریتم ژنتیک با ضریب دقت 71 درصد در این زمینه است. بعدازآن به ترتیب مدل های تقویت گرادیان درختی، رگرسیون مارس، شبکه عصبی و تقویت گرادیان فوق العاده به عنوان دقیق ترین مدل ها جهت پیش بینی ارزیابی شدند. درنهایت مدل K نزدیک ترین همسایه ضعیف ترین دقت پیش بینی را از خود نشان داد. همچنین اگرچه مدل های آماری دقت پیش بینی پایینی را نشان دادند اما بااین حال از برخی مدل های یادگیری ماشین ضریب دقت بالاتری را کسب کردند. همچنین نتایج نشان داد استفاده از رگرسیون لاسو موجب بهبود دقت مدل های آماری و برخی از مدل های یادگیری ماشین می گردد. این پژوهش می تواند زوایای جدیدی از تکنیک های پیش بینی نگهداشت وجه نقد را در مطالعات مالی بیفزاید؛که تاکنون در ادبیات مالی مورد بررسی قرار نگرفته است.