增强现金管理人员的能力，通过提高预测能力实现成本节约

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Empowering cash managers to achieve cost savings by improving predictive
  accuracy》
---
作者：
Francisco Salas-Molina, Francisco J. Martin, Juan A.
  Rodr\\\'iguez-Aguilar, Joan Serr\\`a, Josep Ll. Arcos
---
最新提交年份：
2016
---
英文摘要：
  Cash management is concerned with optimizing the short-term funding requirements of a company. To this end, different optimization strategies have been proposed to minimize costs using daily cash flow forecasts as the main input to the models. However, the effect of the accuracy of such forecasts on cash management policies has not been studied. In this article, using two real data sets from the textile industry, we show that predictive accuracy is highly correlated with cost savings when using daily forecasts in cash management models. A new method is proposed to help cash managers estimate if efforts in improving predictive accuracy are proportionally rewarded by cost savings. Our results imply the need for an analysis of potential cost savings derived from improving predictive accuracy. From that, the search for better forecasting models is in place to improve cash management.
---
中文摘要：
现金管理关注优化公司的短期资金需求。为此，人们提出了不同的优化策略，将每日现金流预测作为模型的主要输入，以最小化成本。然而，尚未研究此类预测的准确性对现金管理政策的影响。在本文中，我们使用来自纺织行业的两个真实数据集，表明在现金管理模型中使用每日预测时，预测精度与成本节约高度相关。提出了一种新的方法，帮助现金管理者估计提高预测准确性的努力是否会相应地得到成本节约的回报。我们的结果意味着需要分析通过提高预测准确性而产生的潜在成本节约。因此，寻找更好的预测模型是为了改善现金管理。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--

---
PDF下载：
--> Empowering_cash_managers_to_achieve_cost_savings_by_improving_predictive_accuracy.pdf (482.45 KB)

2022-5-11 07:33:37 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：管理人员 现金管理 管理人 Quantitative Applications

通过提高预测准确性授权现金经理实现成本节约弗兰基斯科·萨拉斯·莫利纳* 1、Francisco J.Martin、Juan A.Rodriguez Aguilar、Joan Serr\'A和Josep Ll。ArcosHilaturas Ferre，S.A.，Les Molines，203450 Banyers de Mariola，阿利坎特，SpainBigML，Inc，2851西北第九套房，科瓦利斯针叶广场大厦，或97330，USIIA-CSIC，校园UAB，08913 Cerdanyola，加泰罗尼亚，SpainTelefonica Research，Ernest Lluch i Martin，5，08019巴塞罗那，加泰罗尼亚，SpainMay 16，2016年抽象现金管理关注优化公司的短期资金需求。为此，人们提出了不同的优化策略，以使用每日现金流量预测作为模型的主要输入，将成本降至最低。然而，此类预测的准确性对现金管理政策的影响尚未研究。在本文中，我们使用了来自纺织行业的两个真实数据集，表明在现金管理模型中使用每日预测时，预测精度与成本节约高度相关。提出了一种新的方法，帮助现金管理者估计在提高预测准确度方面的努力是否会相应地得到成本节约的回报。我们的结果意味着需要分析从提高预测准确性中获得的潜在成本节约。因此，寻找更好的预测模型是为了改善现金管理。1简介现金流量管理是指将公司现金的有效使用作为营运资金管理的一项关键任务。现金流量管理中的决策重点是保持公司现金持有量与短期投资（如存款账户或国库券）之间的平衡。不同的模型被设计用来回答这些问题，可以在Gregory（1976）中找到评论；斯里尼瓦桑和金（1986）；da Costa Moraes等人（2015年）。

然而，据我们所知，除了Stone（1972）和Gormley and Meade（2007）之外，现金流量预测的效用很少受到关注。这两部著作都展示了预测在现金管理中的效用，但没有一部著作研究了各自领域中预测准确性的重要性*通讯作者。电子邮件地址：francisco。salas@hifesa.com, martin@bigml.com,jar@iiia.csic.es琼。serra@telefonica.com, arcos@iiia.csic.esmodels.因此，目前尚不清楚，即使是预测准确性方面的微小改进，是否也可能带来总计数百万欧元的节约。Baumol（1952）首先从库存控制的角度以确定性的方式解决了企业现金管理问题。Miller Andor（1966）通过考虑对称伯努利过程引入了一种简单的随机方法，其中流入和流出的大小完全相同，概率为1/2。后来，Girgis（1968年）将连续净现金流视为固定和线性交易成本，Eppenand Fama（1969年）则将重点放在仅具有可变交易成本的离散净现金流上。在企业现金管理问题中使用预测是Stone（1972）首次提出的一种平滑现金流的方法。最近，Gormley和Meade（2007）使用Penttinen（1991）提出的模型作为基准，证明现金流量预测在现金管理问题中的效用。他们提出了一个动态的简单策略，以在一般成本结构下最小化交易成本，并开发了一个时间序列模型来提供预测。令人惊讶的是，尽管他们的模型基于潮水预测，但他们忽略了探索其他预测方法的可能性。

我们声称这是一个强制性的步骤，特别是当预测准确性的提高可能与成本节约相关时。这一假设是作者提出的，但未在《现金流预测》中得到验证，Stone（1976）；斯通和米勒（1981、1987）、斯通和伍德（1977）、米勒和斯通（1985）以及梅尔等人（1981）提出了不同的有用线性模型。任何预测技术的质量衡量标准都是其预测准确性。然而，从经济角度来看，预测的准确性必须与估计的成本节约相匹配。通过这种分析，我们可以知道公司可以通过改进预测模型节省多少钱，从而知道不进行预测的成本，即错过的节约减去实施模型的成本。例如，如果预测误差减少32%，就会产生e320。可以说，平均而言，预测准确度的每个百分点都是e10。价值1000英镑。总的来说，我们可以得出结论，当在现金管理模型中使用预测时，这些预测的准确性几乎没有引起研究界的关注，忽略了其重要性和影响。因此，我们的讨论导致评估替代预测方法的质量。在本文中，我们提出并比较了不同的预测方法，包括线性和非线性模型。从这个意义上说，我们期望非线性模型（如径向基函数和随机森林）能够以节省成本的方式处理现金流时间序列。本文使用西班牙纺织行业公司的两个真实数据集：o我们从经验上证明，预测准确性与现金管理中的储蓄高度相关。因此，在不同预测模型之间进行了精度和节约方面的比较我们认为，预测准确性对现金管理的影响可以提前估计。

因此，提出了一种新的评估这种影响的方法。本文的其余部分组织如下。我们在第2节中首先描述了我们的真实现金流量数据集。我们随后列举了不同的预测模型：线性模型，如自回归和回归模型；以及非线性模型，如第3节中的径向基函数模型和随机森林。这些预测模型将根据其预测精度在评估第4节中进行排名。在第5节中，我们实证验证了更好的预测会产生更好的政策。此外，我们还估计了由于预测准确性的提高而产生的现金政策可以节省多少钱（如果有的话）。最后，第6节得出结论。2描述和数据预处理在本节中，我们描述了本文中使用的两个真实现金流数据集。数据集1和2收集纺织行业两个不同公司工作日的净日流量。这两组观测值都在实数域中，它们的值分布呈钟形，但峰度过大。我们的实际每日净现金流样本如图1所示。出于一致性的原因，图表显示了被贬低的数据除以标准差。此外，还执行了一个额外的转换来处理异常。

更具体地说，根据Gormley and Meade（2007）的建议，任何大于标准偏差五倍的观测值都会被正好等于标准偏差五倍的量值所取代。0 50 100 150 200 250-2 4每日现金流量数据集1频率-6.-4.-2 0 2 4 60 200 400 600 800 1000图1：数据集1的标准化每日净现金流量样本图和直方图（A维度）。为了涵盖更广泛的实际工业公司案例，从以下两个真实数据集衍生出大量现金流数据集：o真实现金流：数据集1和2。o稳定现金流：数据集3源自数据集1，适用于更稳定环境中的公司，其每日现金流的特点是低方差。在这种情况下，大于标准偏差三倍的观测值被正好三倍于标准偏差的值所取代现金流不稳定：数据集4也源于数据集1，适用于因不同原因（如小公司的客户或供应商数量减少）导致每日现金流差异较大的公司。在这种情况下，大于标准偏差三倍的观测值将替换为正好是原始观测值两倍的值随机冲击现金流：数据集5和6分别来自数据集1和2，旨在涵盖工业市场中可能发生的意外变化。在这种情况下，5%的观测值是随机的，并被从原始时间序列的最小值和最大值之间的均匀分布中提取的值代替。每个数据集的特征总结见表1。表1：数据集摘要。数据集长度案例Std.Dev。

峰度2717真实现金流95745 4.822 1218真实现金流44733 5.193 2717稳定现金流89467 2.514 2717不稳定现金流132170 20.665 2717随机冲击现金流113208 4.586 1218随机冲击现金流54270 4.85为了与Gormley和Meade（2007）进行比较，这里我们假设，除了日常现金流数据，公司没有提供其他额外功能。然而，可以提出一组可用的解释变量。根据Miller and Stone（1985）和Stone and Wood（1977），我们可以在每日现金流数据中找到季节性模式。因此，我们通过使用分类变量或虚拟变量来考虑基本日历效应，例如星期几效应和月日效应。在后一种情况下，如果时间t发生在周/月的相应日期，则每个虚拟变量取一，否则取零。月和周虚拟变量也被添加到解释变量集中。通过考虑时间序列的过去值，探索了探索解释力的进一步步骤。从这一点出发，下面列出了一组解释变量：o月日：月日分类变量或虚拟变量（dt1，…，dt31）。o工作日：工作日的工作日分类变量或虚拟变量（st1，…，st5）。o月份：月份虚拟变量（mt1，…，mt12）。o周：周虚拟变量（wt1，…，wt53）。o过去值：之前对每日现金流时间序列（yt）的观察-1.yt-p） 其中p是所考虑的观察总数。通过这些解释变量的组合，可以建立不同的预测模型，并在预测精度方面进行比较。3建立预测模型任何预测模型的准确性都取决于其捕获所用数据特定特征的能力。

根据斯通（1972）的说法，现实世界中的现金流既不是完全预先知道的，也不是完全不可预测的。然而，有一系列工具和技术可用于提高预测精度。我们声称，探索替代模型以提高预测能力是强制性的，特别是如果提高预测精度可以节省成本的话。在本节中，我们将介绍一些需要评估的预测模型，以便我们确定最佳的预测者，这些预测者最终将被用作现金管理模型的主要输入。在预测研究文献中提出的所有方法中，我们不打算确定最佳现金流预测者。相反，我们的最终目标是验证一个更好的预测者，在预测准确性方面，是否能够在节省成本方面产生更好的现金政策。从这个意义上说，我们预计非线性模型在现金流量预测方面优于两种最常见的线性模型，从而使现金管理者能够制定更好的现金政策。然后，我们考虑四种不同的预测模型：自回归、回归、径向基函数和随机森林。首先，我们按照Gormleyand Meade（2007）的思路，采用自回归方法进行每日现金流量预测。与这种方法相反，我们希望使用前面提到的一组解释变量，而不是仅仅使用时间序列的一些先前值，可以帮助获得更准确的预测。然后，我们再考虑一个带有一组解释变量的线性回归模型。虽然线性模型因其简单性而常被用于金融，但许多非线性模型被提出来解释金融现象。也许金融领域最广为人知的非线性模型之一是Blackand Scholes（1973）期权定价模型。

此外，对于Weigend（1994）所述的时间序列预测和财务中非线性模型的使用，有理由持乐观态度；坎茨和施赖伯（2004）；Small（2005年）。首先，Miller和Stone（1985）指出了线性模型在日常现金流预测中的一些局限性，如互动和假日效应。此外，线性模型需要统计假设，如正态性和平稳性，才能产生可靠的结果。另一方面，也可以采用其他方法来发现时间序列观测之间的关系。从这个意义上说，非线性模型允许通过更广泛的函数类，超越线性模型施加的约束。尽管非线性时间序列分析不如线性时间序列分析（De Gooijer and Hyndman，2006），但Ter–asvirta（2006）的著作；布拉德利和詹森（2004）；克莱门茨等人（2004年）；Sarantis（2001）；Conejo等人（2005年）是将其应用于金融和经济学的好例子。在本文中，我们考虑了两种非线性模型，如径向基函数和随机森林模型，这是由于研究界缺乏关注。接下来，我们简要描述我们对预测者的选择，并提供非线性模型实施的细节。3.1自回归模型时间序列数据中广泛使用的线性模型是自回归（AR）过程，其中预测基于先前观测的线性组合（Box和Jenkins，1976）。现金流量预测的AR模型可以在Ormley和Meade（2007）中找到；劳凯蒂斯（2008）。

另一方面，如第2节所述，我们的现金流数据呈钟形，但峰度过大。因此，我们遵循Gormley和Meade（2007）中的建议，并使用Box和Cox（1964）中描述的Box-Cox变换的扩展，通过调整参数λ将我们的数据近似为高斯分布。使用以下等式评估预测：y（λ）t=β+pXi=1βiy（λ）t-i+ （1） 其中y（λ）是时间t时的现金流预测，[y（λ）t-1，y（λ）t-2··，y（λ）t-p] 转换时间序列的前几次观测值是否为第i次估计系数，以及 代表预测误差。预报和先前观测中的上标（λ）表示数据转换。这种转换是可逆的，因此可以从y（λ）t中导出。在训练模型时，通过使用R（R Core Team，2014）中的ar函数最小化Akaike信息标准（AIC），自动选择先前观测值的数量p，用于自回归模型。AIC是时间序列模型质量的一种度量，通常被视为选择标准Akaike（1974）。3.2回归模型自回归模型仅基于之前对时间序列的观察，忽略了数据中隐藏的可能模式（如果有）。在处理每日数据时，这些模式指的是日历的变化，例如假日、月日或星期日。为了识别这些模式，我们考虑了一个基于不同解释变量的通用回归模型。回归模型在Stone and Wood（1977）中用于现金流预测；斯通和米勒（1987）；米勒和斯通（1985）。在这种情况下，很重要的一点是，建模者在搜索最佳解释变量方面的能力起着关键作用。一般回归模型由以下等式表示：yt=nXi=0βixti+.