受国际商学院邀请，Steven Lehrer 教授于2022年6月28日为我院师生进行讲座报告，来自国际商学院和金融学院的近20名师生在线上参与此次讲座。报告的主要内容为Steven Lehrer 教授介绍他的工作论文，Algorithms for predictive Analysis：Communication Privacy and Weights。首先Lehrer教授简单介绍了机器学习在生活中的重要用途，进而延伸到经济学研究领域。然后，他提出machine learning不仅能够帮助我们做预测，还能通过某些途径将对结果变量的点预测做出一些解释。Lehrer教授的而研究就是基于一个权重的思想，从最简单的多元线性回归出发，对不同的机器学习模型算出他们基于结果变量的权重，进而能够解释在某种机器学习的预测下，哪些观测值起到了重要的作用。报告在轻松的氛围中进行，期间老师和同学们对Lehrer教授的报告提出了一些问题，并进行了愉快的交流。最后，Lehrer教授还讲到，运用权重的分析方法，还能帮助到其他与机器学习结合的研究因果关系的计量模型中去解释不同结果变量观测值对于估计的影响。最后，讲

讲座回顾：本次报告题目为“公司现金持有与债务结构”。主讲人林英东首先介绍了本篇文章中债务结构的定义，本篇文章中债务结构指公司使用银行贷款和公开债券的相对比例，并简述了公司金融文献中对于公司现金持有以及公司债务结构的主要发现和理论解释。然后，林老师讨论了目前文献尚未能完全回答的问题，即公司现金持有与公司债务结构的交互作用与互相影响，以及这些公司金融政策是如何由公司特征所共同决定。紧接着，他介绍了本篇文章中主要使用的数据来源、实证计量模型以及理论模型。在说明研究背景与研究模型后，林老师介绍了研究的主要实证结果以及文章中的理论模型如何支持并解释实证结果。研究主要发现美国上市公司在发行1美元的公开债券后会增加现金持有0.2美元，然而公司如果从银行借款则不会增加现金持有，银行借款主要被用于非现金的流动资产投资、固定资产投资、以及其他资产投资。随后林老师介绍了理论模型，并且讨论了公司现金持有和公司债务来源如何被公司基本面特征共同决定。该研究有三点主要的贡献：第一，本文细致的探讨了公司现金持有和公司债务来源的交互关系，深化了对这两项主要公司金融政策的理解。第二，研究表明现金并不相当于公司的“负”债务