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

因此，我们通过将上限设置为现金余额下限的1.5倍来限制高余额水平。根据Gormley和Meade（2007）的建议，较低再平衡水平（D）的余额下限（D）的正位移与较高（V）和较低余额（D）之间的差异成正比。最后，从更高的平衡极限（V）到更高的再平衡水平的负偏移与更高的平衡极限（V）和更低的再平衡水平（d）之间的差异成正比。在这里，我们选择了比例常数α=0.5和α=0.5，以在策略参数之间产生一个均匀的距离。改变此设置时，整个分析将保持不变。一般来说，参数选择是根据：oD=| oth |其中，oth是向量otof ascendingordered Value of cash Flow的N·MaxP ct th元素，N是观测总数V=1.5D，然后V- D=DoD=D+α（V）- D） α=0.5ov=v- α（V）- d） α=0.5。使用不同预测者预测的现金流用于比较从1天到100天不等的不同预测期（h）内总成本的影响。我们将g设置为估计模型所需的最小观测数，相当于数据集的65%。我们按照算法2的详细说明进行。算法2：比较算法1输入：T观测值、g、h、MaxP ct和AFOECASTER的现金流量数据集；2产出：预测者与预测平均值之间的平均成本差异；3表示i=1，2，T- G- h+1 do4通过在时间1,2，g+i- 1.5使用预报器预测g+i到g+h+i的时间；6使用平均预报器预测g+i到g+h+i的时间；7表示j=1，2。

，使用第j个结构时，成本结构的数量do8计算第i个预测的成本；9计算第i个平均预测和第j个结构的成本；10 end11 end12使用预测器计算每个成本结构的平均成本；13.使用平均预测器计算每个成本结构的平均成本；14计算平均成本和预测者之间的差异；5.2预测准确性对成本节约的影响成本节约计算为每个数据集的所有预测与同类最佳预测之间的每日平均成本差异（表6）。回想一下，与均值的比较相当于与自回归模型的比较。从这些结果中，我们可以说，总体而言，预测准确性的提高可以通过使用简单的策略显著节约成本。更好的预测模型可以为保守或风险更高的政策带来更高的储蓄（表6）。当政策参数因风险更高的政策而降低时，预测每日成本的准确性会显著提高。在这些情况下，由于透支的风险，预测准确性在降低日常成本方面更为重要。正如预期的那样，数据集2的成本降低幅度较小，但由于预测准确性较低，因此仍然显著。对不同情景的深入了解表明，成本参数的变化对成本节约的影响降低。此外，本文通过引入较少（数据集3）或较多方差（数据集4）来研究现金流量数据的可变性变化，但没有产生重大变化。

然而，由于现金流量数据的不确定性较高，现金流量数据（数据集5和6）中随机冲击的影响降低了成本节约。5.3如果我们提高预测准确度呢？分析潜在成本节约一流的预测模型，即径向基函数和随机森林，旨在减少预测每日现金流的不确定性。他们提出了两种特殊情况，在这种情况下，提高预测准确度可以比单纯的预测节省更多成本。然而，现金经理可能有兴趣确定任何额外的福利可以节省多少钱。表6：不同风险水平和最可能发生的情况下的平均每日储蓄。RF=随机森林；径向基函数；u=短缺成本，γ=可变交易成本。数据集最佳分类情景低风险中风险高风险1 RF最有可能182（64%）1398（72%）2034（54%）1 RF变化u 141（54%）1088（71%）1583（54%）1 RF引入γ183（61%）1399（72%）2035（54%）2 RBF最有可能135（51%）479（52%）686（44%）2 RBF变化u 105（47%）372（51%）534（44%）2 RBF引入γ135（49%）479（51%）687（44%）3 RF最有可能180（64%）1386（72%）2017（54%）4 RF最有可能182（63%）1412（73%）2083（52%）5 RF最有可能58（8%）1219（45%）1798（38%）6 RBF最有可能71（15%）355（30%）545（28%）提高预测准确性。由于增强任何预测模型都需要时间和金钱两方面的成本，因此了解这一成本是否由使用更好的预测所获得的节约所决定是很重要的。我们可以通过获得大量综合预测并评估相应的政策成本，来估算与预测准确性相关的节约。Daellenbach（1974年）和da Costa Moraes及长野（2014年）从正态分布合成了用于模拟的灰流数据。

在这里，从给定的现金流时间序列（yt+h）中，通过使用以下等式添加平均值为零的随机正态项和可变标准偏差（σ），合成一个新的时间序列（^yt+h）：^yt+h=yt+h+N（0，σ）。（6） 增加σ值，可以得到一组与原始时间序列相似程度降低的时间序列。这相当于生成一组具有受控预测精度的合成预测，可以使用方程（5）根据不同预测范围的均方误差比ε（h）进行评估。为了便于说明，我们在这里得到综合预测，涵盖从ε=0到大于1的arange。这里ε表示由数据集1和2的最后35%观测值组成的测试集上长达100天的预测期ε（h）的平均值。之后，这些综合预测中的每一项都可以通过算法2获得节省，但使用之前生成的综合预测，而不是估计和预测。图4和图5显示了数据集1和2以及三种不同风险水平的模拟结果。作为参考，垂直线定位了一流预报员在每一个检查的风险水平上实现的节约。例如，对数据集1使用随机森林，得到ε=0.68的值（来自表2），在考虑的三个风险水平下，分别节省了54%、72%和64%（来自表6）。正如预期的那样，提高预测精度，即降低ε，会导致●●●●●●●●●●●●●●0.0 0.5 1.0 1.5-50 0 100平均误差ε节省（%）●●●s-高点-媒介-低射频-高射频-中等射频-下图4：在最可能的情况下，数据集1的不同预测错误和风险水平的节省。

S=综合预测，RF=随机森林。●●●●●●●●●●0.0 0.2 0.4 0.6 0.8 1.0 1.2-50 0 100平均误差ε节省（%）●●●s-高点-媒介-低径向基函数-高RBF-中间基函数-低图5：在最可能的情况下，数据集2的不同预测错误和风险水平的节省。S=综合预测，RBF=径向基函数。重要的是，在完美预测的情况下，成本节约可高达100%。提高预测准确度的努力得到了显著的回报。然而，根据公司选择的风险水平，这些行为是不同的。1.低风险：提高预测准确性的效果趋于稳定，任何进一步的效果都不会产生额外的节约。尽管节省了相当大的百分比，但在风险较低的情况下，提高预测准确性的潜力似乎是有限的。2.中等风险：在提高预测准确性时，也存在成本节约有限的影响，但程度较低。3.高风险：在考虑的ε区间内，行为几乎是线性的。有趣的是，在三个风险水平的平均误差ε的大部分范围内，这种关系几乎是线性的。这一事实应该鼓励从业者努力工作，以获得更好的预测，因为他们可以期望在节约成本方面获得相应的回报。然而，在使用随机森林和数据集1的同类最佳预测模型的情况下，误差ε为0.68（来自表2），将节省值置于低风险水平下可能获得的最高值。任何提高预测准确性的努力都是徒劳的。

perfectprediction无法实现100%的成本节约差异，这一事实证实了这种行为。综上所述，我们为现金管理者提出了一种新的、更全面的方法，如图6所示，基于预测准确性对现金管理成本的影响，使用每日现金流量预测和简单的政策。为了让不同的模型能够捕捉模式，现金经理应该考虑功能工程的另一个步骤，以获得一系列额外的功能。他们还可以采用更广泛的建模方法，以便在预测精度方面比较一组预测者。在这一点上，现金管理者可以通过调整一个参数，轻松生成大量综合预测，以涵盖不同预测精度的广泛范围。这些综合预测，以及使用表4中的同类最佳预测者获得的预测，通过使用简单的策略来测试其降低策略成本的能力。这一步的结果是，通过提高所选预测者的预测准确度，可以对成本节约量进行图形估计。如果估计节省的成本大于提高预测模型精度的成本，则值得进行新的建模过程。6结论和未来工作根据上述结果，我们得出两个主要结论。首先，在企业现金管理的背景下，评估预测准确性是必须的，特别是在将每日预测作为现金流量管理模型的输入时。事实上，我们在经验上发现，当使用简单的政策时，成本节约对预测准确性的提高非常敏感，hencemajor的节约可能来自准确的预测。其次，从成本敏感的角度来看，现金经理可能会考虑我们的方法，以决定提高手头的预测准确性是否具有财务价值。

下面我们将进一步分析这两个发现，旨在为现金管理者带来好处。预测准确性对成本节约的影响。Gormley and Meade（2007）假设，现金流预测越准确，预期的成本节约就越大。在这里，我们首次从经验上证实了这种假设。此外，我们还分析了在考虑各种成本结构（真实世界银行财务状况）和现金流量政策参数时，预测准确性对平均每日成本节约的影响。从我们的分析中，我们了解到：o在现金管理模型中使用每日预测时，预测准确性与成本节约密切相关。因此，当使用simplepolicy和两个真实的现金流数据集时，成本节约对预测准确性的提高高度敏感。现金流数据集建模（第3节）多精度分析（第4节）简单策略预测模型比较（第5节）功能工程额外功能精确分析（第5节）综合预测节省>提高PA成本？（结束）一组预测者预测成本集合模拟成本图6：潜在成本节约分析方法（PA=预测准确性）o现金管理政策的风险越大，平均每日现金成本降低越高。o在最可能的情况下考虑的实际成本结构对预测模型获得的成本节约几乎没有影响。如果预测准确率提高了怎么办？分析潜在的节约。现金管理者可能想知道，在提高预测准确性方面的努力是否会得到成本节约的相应回报。沿着这一方向，我们提出了一种通过提高预测准确性来估算潜在成本节约的方法。

独立于现金经理可以使用的预测准确性，我们的结果帮助她估计她可能预期的成本节约。此外，即使现金经理不指望任何预测者，她也可以估计她目前错过的成本节约。总的来说，我们了解到，不同的风险水平会产生不同的估计结果，因此：o当假设风险较低时，成本节约是有限的，当达到预测准确性的特定点时，进一步提高预测准确性在时间和金钱上都是无用的；而且o现金经理承担的风险越高，在提高预测准确性时预期的回报就越高。当预测被用作现金管理模型的主要输入时，对预测准确性和成本节约之间关系的分析有助于确认更好的预测模型的重要性。从某种意义上说，这种行为可能是由多种原因造成的，由此可以得出一些额外的直觉：（i）只要有可能减少对未来的不确定性，就可以做出更好的决定；（ii）提高预测准确度与发现模式密切相关，对这些模式的适当反应必然有用；（iii）使用预测作为主要输入的现金管理模型很可能无法很好地处理低质量的预测。所有这些都再次突显了预测在现金管理中的效用。最后，除了从现金管理者的角度来看上述好处外，建立预测模型的任务还帮助我们了解到，日常季节性影响预测。

然而，未来的工作是在企业现金管理问题中寻找一组信息更丰富的功能。从这个意义上说，特征工程旨在发挥关键作用，帮助提高预测准确性，并最终在现金管理中节约成本。参考萨卡克，H.（1974）。统计模型识别的新视角。自动控制，IEEE交易，第19（6）：716–723页。鲍莫尔·W·J.（1952年）。交易对现金的需求：库存理论方法。《经济学季刊》，第545-556页。布莱克，F.和斯科尔斯，M.（1973）。期权和公司负债的定价。《政治经济学杂志》，第637-654页。博克斯，G.E.和考克斯，D.R.（1964年）。对变换的分析。皇家统计学会杂志。B系列（方法学），第211-252页。博克斯，G.E.和詹金斯，G.M.（1976）。时间序列分析：预测与控制，修订版ed.Holden Day。医学博士布拉德利和博士詹森（2004）。用股票收益和工业生产的非线性动态模型进行预测。《国际预测杂志》，20（2）：321-342。布莱曼，L.（2001）。随机森林。机器学习，45（1）：5-32。布鲁姆黑德博士和洛伊博士（1988年）。多变量函数插值和自适应网络。复杂系统，2:321-355。Chelouah，R.和Siarry，P.（2000年）。设计了一种用于多峰函数全局优化的连续遗传算法。启发学杂志，6（2）：191-213。克莱门茨，M.P.，弗朗西斯，P.H.，和斯旺森，N.R.（2004）。用非线性模型预测经济和金融时间序列。《国际预测杂志》，20（2）：169-183。Conejo，A.J.，Contreras，J.，Espinola，R.，和Plazas，M.A.（2005）。预测基于日前池的电力市场的电价。《国际预测杂志》，21（3）：435-462。克里米尼西，A.和肖顿，J.（2013）。

计算机视觉和医学图像分析的决策森林。斯普林格。da Costa Moraes，M.B.和长野，M.S.（2014）。多资产现金管理策略中的进化模型。经济建模，39:1-7。da Costa Moraes，M.B.，长野，M.S.，和Sobreiro，V.A.（2015）。随机现金流管理模型：20世纪80年代以来的文献综述。《工程与管理决策模型》，第11-28页。戴伦巴赫，H.G.（1974）。现金管理优化模型值得吗？《金融与定量分析杂志》，9（04）：607-626。De Gooijer，J.G.和Hyndman，R.J.（2006）。25年的时间序列预测。《国际预测杂志》，22（3）：443-473。Dieterich，T.G.（2000）。机器学习中的集成方法。在多分类系统中，第1-15页。斯普林格。Eppen，G.D.和Fama，E.F.（1969年）。现金平衡和简单的动态组合问题，成本成比例。《国际经济评论》，第10（2）：119-133页。新墨西哥州吉尔吉斯（1968）。最佳现金余额水平。管理科学，15（3）：130-140。戈姆利，F.M.和米德，N.（2007）。现金流量预测在公司现金余额管理中的效用。欧洲运筹学杂志，182（2）：923-935。格雷戈里·G.（1976）。现金流模型：综述。欧米茄，4（6）：643-656。何铁光（1995）。随机决策森林。在1995年的《文件分析与识别》中。，《第三届国际会议记录》，第一卷，第278-282页。IEEE。Ho，T.K.（1998）。构造决策林的随机子空间方法。模式分析和机器智能，IEEE学报，20（8）：832–844。Hyndman，R.和Athanasopoulos，G.（2013）。预测：原则与实践。http://otexts.org/fpp/.最后访问日期：2015-05-01。凯恩，M.J.，普莱斯，N.，斯科奇，M.，和拉比诺维茨，P.（2014）。