بررسي عوامل مؤثر بر نرخ ارز و پيش‌بيني آن با تركيب روش‌هاي اقتصادسنجي و يادگيري ماشين

Investigating The Determinants of Exchange Rate and Forecasting the Future Trend Using Econometrics and Machine Learning

هدف اصلي پژوهش حاضر بررسي عوامل مؤثر بر نرخ ارز و ارائه پيش‌بيني از روند آتي آن با استفاده از روش‌هاي اقتصادسنجي و يادگيري ماشين است. ميانگين متحرك فصلي نرخ ريال به دلار آمريكا از بهار 1392 تا بهار 1401 به‌عنوان متغير وابسته نرخ ارز و تراز تجاري، بدهي به توليد ناخالص داخلي، توليد ناخالص داخلي، نرخ تورم، حجم نقدينگي، قيمت نفت اوپك و نرخ بيكاري به‌عنوان متغيرهاي مستقل در نظر گرفته‌شده‌اند. براي تعيين عوامل مؤثر بر نرخ ارز از الگوريتم تحليل حساسيت سوبل كه يكي از روش‌هاي يادگيري ماشين به شمار مي‌رود استفاده شده است و پس از تعيين عوامل مؤثر، از مدل اقتصادسنجي VECM براي تحليل رگرسيوني و پيش‌بيني بهره‌گيري شده است. تشخيص اينكه واريانس خطاي پيش‌بيني نرخ ارز توسط كدام‌يك از متغيرهاي مستقل توضيح داده مي‌شود و چه مدت طول مي‌كشد تا تأثير يك واحد شوك در هركدام از متغيرهاي مستقل بر نرخ ارز خنثي شود، توسط ابزارهاي تجزيه واريانس خطا و توابع واكنش ضربه‌اي در مدل VAR انجام پذيرفته است. نتايج حاصل از پژوهش نشان مي‌دهد كه به ترتيب، حجم نقدينگي، قيمت نفت، نرخ بيكاري و نرخ تورم، تأثيرگذارترين عوامل نرخ ارز در ايران هستند و طولاني‌ترين مدت تأثير بر نرخ ارز را به ترتيب، حجم نقدينگي، نرخ تورم، قيمت نفت و نرخ بيكاري دارند كه از اين حيث، نتايج حاصل از روش‌هاي اقتصادسنجي و يادگيري ماشين مشابهت داشته‌اند. ارقام پيش‌بيني‌شده براي نرخ ارز تا زمستان 1402 نيز مشخص گرديده است.

The main purpose of this paper is to investigate the factors affecting exchange rate and to forecast the future trend using econometrics and machine learning methods. The seasonal moving average of IR Rial to US Dollar rate from spring 1392 to spring 1401 is the proxy of exchange rate as the dependent variable and balance of trade, debt to GDP, GDP, inflation rate, liquidity volume, OPEC oil price and unemployment rate are considered as the independent variables. For determining the factors influencing the exchange rate, Sobol' Sensitivity Analysis, a machine learning method, is used and VECM is harnessed for regressing and forecasting. Variance decomposition and impulse response function are also utilized as instruments of VAR for measuring the future shocks effects of independent variables on exchange rate and the periods in which these shocks will be neutralized. The results show that liquidity volume, oil price, unemployment rate and inflation rate are the most significant determinants, respectively and the future shocks of liquidity volume, inflation rate, oil price and unemployment rate have the longest period of impacts on the exchange rates, respectively. The study outcomes also show an affinity between econometric and machine learning results in this case. The predicted amounts of exchange rate until winter 1402 are also included in the results.