مقایسه‌ی دقت مدل‌های آماری و یادگیری ماشین برای پیش‌بینی نگهداشت وجه نقد و ارائه مدل بهینه

Abstract

پژوهش حاضر، مقایسه دقت مدل‌های یادگیری ماشین و آماری در پیش‌بینی نگهداشت وجه نقد را با استفاده از مجموعه متغیر‌های مالی و اقتصادی مورد بررسی قرار داده است. روش‌شناسی پژوهش را می‌توان به سه مرحله گزینش مجموعه داده و متغیرها، مدل‌سازی و قیاس تقسیم‌بندی کرد. نمونه‌آماری پژوهش حاضر بورس اوراق بهادار تهران است که داده‌های 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 مدل‌های تقویت گرادیان درختی، رگرسیون مارس، شبکه عصبی و تقویت گرادیان فوق‌العاده به‌عنوان دقیق‌ترین مدل‌ها جهت پیش‌بینی ارزیابی شدند. درنهایت مدل K نزدیک‌ترین همسایه ضعیف‌ترین دقت پیش‌بینی را از خود نشان داد. همچنین اگرچه مدل‌های آماری دقت پیش‌بینی پایینی را نشان دادند اما بااین‌حال از برخی مدل‌های یادگیری ماشین ضریب دقت بالاتری را کسب کردند. همچنین نتایج نشان داد استفاده از رگرسیون لاسو موجب بهبود دقت مدل‌های آماری و برخی از مدل‌های یادگیری ماشین می‌گردد. این پژوهش می‌تواند زوایای جدیدی از تکنیک‌های پیش‌بینی نگهداشت وجه نقد را در مطالعات مالی بیفزاید؛که تاکنون در ادبیات مالی مورد بررسی قرار نگرفته است.

Keywords

• رگرسیون لاسو
• پیش‌بینی نگهداشت وجه نقد
• یادگیری ماشین