PyCaMa：用于现金管理的Python

虽然预测在现金管理中的效用最初由Gormley和Meade（2007）证明，并由Salas Molina等人（2017）证实，但这两种方法都局限于单一银行账户。PyCaMa允许将此分析扩展到具有多个银行账户的现金管理系统。因此，PyCaMa代表了一种工具，可以找到最佳的预测模型及其从提高预测准确性中获得的潜在益处不同风险措施的效用。Salas Molina等人（2016）最近提出了一种现金管理问题的多目标方法，其中替代政策的风险通过每日成本的标准偏差来衡量。通过轻松扩展PyCaMa以考虑不同的风险度量，可以评估替代风险度量的效用稳健优化。Soyster（1973）和Ben Tal和Nemirovski（2002）提出了两种稳健的优化方法来处理不确定性。PyCaMa可以帮助研究人员从成本和风险两方面比较现有和新的稳健现金管理方法。此外，在时变环境的现实假设下，允许现金经理和研究人员修改成本结构，以分析成本结构任何参数的变化在多大程度上导致不同的最优政策，并最终导致现金管理成本（和风险）的变化。同样重要的是要强调，自Miller和Orr（1966）提出基于一组边界的不同优化模型以来。由于对现金流的概率分布作出了强有力的假设，因此在实践中确定此类界限可能会有问题。

PyCaMa不假设任何特定形式的现金流生成过程，允许无约束的优化过程，即对政策形式和现金流分配都没有限制。因此，我们预计PyCaMa将逐渐被现金管理者和研究人员采用，成为现金管理中自动化决策的更有效工具。6结论在本文中，我们介绍了PyCaMa，这是一个Python模块，用于在具有多个银行账户的现金管理系统中进行成本和风险多目标优化。PyCaMa解决了现金管理问题，它是一个线性规划，旨在将现金政策的成本或风险降到最低。PyCaMa是通过Gurobi Python建模环境实现的，它是一种强大而灵活的方式，可以在更一般的应用程序中轻松集成其功能。通过一个示例，我们展示了PyCaMa的关键功能，并演示了PyCaMa如何使用户能够以直观的方式对复杂的现金管理系统进行建模，将图形表示转换为优化模型，以便找到解决方案并进行进一步实验。我们坚信，PyCaMa可以成为短期财务规划领域学术研究和财务决策支持软件开发的有用工具。PyCaMa的自然扩展包括实施不同的预测技术和将添加到当前功能中的额外风险度量。参考Saouni，B.、Colapinto，C.和La Torre，D.（2014）。通过目标规划模型进行财务投资组合管理：当前最先进的。《欧洲运筹学杂志》，234（2）：536–545。Artzner，P.、Delbaen，F.、Eber，J.-M.和Heath，D.（1999年）。一致的风险度量。

数学金融，9（3）：203–228。Baccarin，S.（2009）。具有广义成本函数的多维现金管理系统的最优脉冲控制。《欧洲运筹学杂志》，196（1）：198–206。Ben Tal，A.和Nemirovski，A.（2002年）。稳健优化–方法和应用。数学规划，92（3）：453–480。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。工程与管理中的犹豫不决模型，第11-28页。斯普林格国际出版公司。Gormley，F.M.和Meade，N.（2007年）。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。古洛比优化公司（2016年）。Gurobi optimizer参考手册。Miller，M.H.和Orr，D.（1966年）。企业资金需求模型。《经济学季刊》，第413-435页。Rockafellar，R.T.和Uryasev，S.（2002年）。一般分布的条件风险值。《银行与金融杂志》，26（7）：1443–1471。Salas Molina，F.、Martin，F.J.、Rodriguez Aguilar，J.A.、Serr\'A，J.和Arcos，J.L.（2017）。通过提高预测准确性，授权现金经理实现成本节约。《国际预测杂志》，33（2）：403–415。Salas Molina，F.、Pla Santamaria，D.和Rodriguez Aguilar，J.A.（2016）。现金管理问题的多目标方法。运筹学年鉴，第1-15页。Soyster，A.L.（1973年）。技术说明集包含约束的凸规划及其在不精确线性规划中的应用。运筹学，21（5）：1154–1157。Stone，B.K.（1972）。在现金管理的控制限额模型中使用预测和平滑。财务管理，1（1）：72。