日现金流量时间序列的实证分析及其启示

相似文件 换一批

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：
《Empirical analysis of daily cash flow time series and its implications
  for forecasting》
---
作者：
Francisco Salas-Molina, Juan A. Rodr\\\'iguez-Aguilar, Joan Serr\\`a,
  Montserrat Guillen, Francisco J. Martin
---
最新提交年份：
2017
---
英文摘要：
  Cash managers make daily decisions based on predicted monetary inflows from debtors and outflows to creditors. Usual assumptions on the statistical properties of daily net cash flow include normality, absence of correlation and stationarity. We provide a comprehensive study based on a real-world cash flow data set from small and medium companies, which is the most common type of companies in Europe. We also propose a new cross-validated test for time-series non-linearity showing that: (i) the usual assumption of normality, absence of correlation and stationarity hardly appear; (ii) non-linearity is often relevant for forecasting; and (iii) typical data transformations have little impact on linearity and normality. Our results provide a forecasting strategy for cash flow management which performs better than classical methods. This evidence may lead to consider a more data-driven approach such as time-series forecasting in an attempt to provide cash managers with expert systems in cash management.
---
中文摘要：
现金管理人根据预测的债务人资金流入和债权人资金流出做出日常决策。日常净现金流量统计特性的通常假设包括正态性、无相关性和平稳性。我们基于中小型公司（欧洲最常见的公司类型）的真实现金流数据集进行了全面研究。我们还提出了一种新的时间序列非线性交叉验证检验，表明：（i）通常的正态性、相关性和平稳性假设几乎不存在；（ii）非线性通常与预测相关；（iii）典型的数据转换对线性和正态性的影响很小。我们的结果为现金流管理提供了一种预测策略，其性能优于经典方法。这一证据可能导致考虑一种更为数据驱动的方法，如时间序列预测，试图为现金经理提供现金管理方面的专家系统。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Empirical_analysis_of_daily_cash_flow_time_series_and_its_implications_for_forecasting.pdf (477.32 KB)

2022-6-23 15:27:20 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：时间序列 现金流量 实证分析 现金流 stationarity

每日现金流时间序列的实证分析及其对预测Francisco Salas Molina的影响* 1、Juan A.Rodr'iguez Aguilar、JoanSerr'A、Montserrat Guillen和Francisco J.MartinHilaturas Ferre，S.A.，Les Molines，2、03450 Banyeres de Mariola，Alicante，Spainiia CSIC，校园UAB，08913 Cerdanyola，Catalonia，SpainTelefonica Research，Pl.Ernest Lluch，5、08019 Barcelona，Catalonia，SpainUniversitat de Barcelona，Diagonal，690、08034 Barcelona，Spainbigl，Inc，2851 NW 9th Suite，Corvallis Corifer Plaza Building，或97330，US2017年6月30日AbstractCash Manager根据预测的债务人资金流入和债权人资金流出做出日常决策。日常净现金流的统计特性的通常假设包括正态性、无相关性和平稳性。我们基于中小企业的真实现金流数据集进行了全面的研究，中小企业是欧洲最常见的公司类型。我们还提出了一种新的时间序列非线性交叉验证检验，表明：（i）通常的正态性、无相关性和平稳性假设已经出现；（ii）非线性通常与预测相关；（iii）典型的数据转换对线性和正态性的影响很小。我们的结果为现金流管理提供了一种预测策略，其性能优于经典方法。这一证据可能会导致考虑一种更为数据驱动的方法，如时间序列预测，试图为现金经理提供现金管理方面的专家系统。1简介现金管理涉及公司现金和有价证券等短期投资的有效使用。重点是在保持公司高效运营的同时，尽可能降低可用现金量。

此外，公司可能会将idlecash用于短期投资（Ross等人，2002年）。然后，现金管理问题可以被视为持有成本和交易成本之间的权衡。Ifa公司试图将余额保持在较低水平，持有成本将降低，但短缺的不良情况将迫使出售可用的有价证券，*通讯作者。电子邮件地址：francisco。salas@hifesa.com, jar@iiia.csic.es，琼。serra@telefonica.com, mguillen@ub.edu, martin@bigml.com，从而增加了交易成本。相反，如果余额太高，由于意外的现金流，交易成本会很低，但该公司将承担较高的持有成本，因为现金不会产生利息。因此，每个公司都必须根据其现金流的特定特征优化目标现金余额。图1显示了现金流量时间序列的示例。时间（天）现金流（千欧元）0 200 400 600 800 1000-6.-4.-图1：现金流时间序列示例。自Baumol（1952年）以来，人们提出了许多现金管理模型来控制现金余额。这些模型基于现金余额的具体统计特性或现金流量预测。Gregory（1976）提供了从第一个提案到最新贡献的模型综合视图；Srinivasan和Kim（1986），以及da Costa Moraeset al.（2015）。其中大多数是基于假设现金流的给定概率分布，例如：（i）米勒和奥尔（1966）所述的独立贝努利试验形式的随机游走；（ii）康斯坦丁尼德斯和理查德（1978）的维纳过程；Premachandra（2004）和Baccarin（2009）；（iii）Penttinen（1991）中的双指数分布。

从这些和其他工作中，我们观察到关于现金流时间序列统计特性的常见假设包括：o正态性：现金流遵循高斯分布，观测值以平均值为对称中心，方差为有限缺乏相关性：过去现金流的发生不会影响下一次现金流发生的可能性平稳性：现金流的概率分布不会随时间变化，因此，其统计特性（如均值和方差）保持稳定线性：现金流与另一（外部）解释变量或（外部）解释变量的组合成比例。令人惊讶的是，随着时间的推移，除了个别案例外，关于这些假设的经验证据很少和/或相互矛盾。早期，Homono FF和Mullins（1975）报告了一家制造公司时间序列样本的负正态性检验。相比之下，后来，Emery（1981）报告称，在数据转换后，三家公司中有两家公司的现金流呈正态分布，并且所有公司都存在少量的序列依赖性。Pindado和Vico（1996）提供了36家公司的负正态性和独立性结果，但仅考虑了一个月的每日现金流。之前的作品也报道了周日和月日对现金流的影响，与《石头和木头的作品》（1977）一致；米勒和斯通（1985），斯通和米勒（1987）。最近，Gormley和Meade（2007）描述了一家跨国公司的时间序列具有非正态分布和序列依赖性。我们认为，从这些作品中获得的证据是不确定的，因为：（i）一些作品的结论之间存在分歧；（ii）分析的有限公司数量；（iii）观测的短时间范围。

此外，以前的工作都没有考虑到非线性模式的存在，以进行预测。在这项工作中，我们分析了西班牙中小企业54个真实现金流数据集的统计特性，作为欧洲最常见类型公司的代表性样本。事实上，在欧盟28国，中小企业贡献了99.8%的企业、57.4%的增值和66.8%的就业（Muller等人，2015）。据我们所知，这是迄今为止对每日现金流进行的最全面的实证研究。我们根据数据集的长度和数量得出该声明，总计58005个观测值，最小、平均和最大时间范围分别为170、737、1508个工作日。此外，我们考虑了广泛的统计特性。目前工作的另一个贡献是使上述所有数据在网上公开。最后，从预测角度来看，我们还旨在确定最适合现金流时间序列数据集的预测者家族。为此，我们提出了一种新的简单的交叉验证非线性测试，为现金管理者寻求更好的预测模型提供了进一步的知识。我们的结果表明，在所研究的数据集中，不太可能出现正态性、相关性和平稳性。这些结果与仅基于一个时间序列的Homono ff和Mullins（1975）以及Pindado和Vico（1996）的引用报告一致，这两个报告基于很短的时间范围，对独立性的主张提出了质疑。我们还报告说，与Emery（1981）报告的仅基于三个时间序列的情况相反，正态性无法通过去除异常值来实现。我们的分析还证实了Miller and Stone（1985）和Stone and Miller（1987）中所建议的季节性影响。

因此，我们认为我们的结果比以前的工作提供了更有力的证据来反对正态性、不相关性和平稳性。请注意，我们并不声称这些结果可以外推到所有类型的公司。相反，我们提供了进一步的证据，反对现金管理中的标准假设。这一证据可能会导致考虑一种更为数据驱动的方法，如时间序列预测，以便为现金经理提供现金管理方面的专家系统（Nedovi\'c和Deved71zi\'c，2002）。http://www.iiia.csic.es/~jar/54datasets3。csvIn为了实现高斯和平稳时间序列，实践者通常使用Box-Cox变换（Box和Cox，1964）和时间序列差异（Makridakis等人，2008）。此外，某种异常值处理也是一种推荐做法。然后，我们还研究了用两个连续观测值之间的线性插值代替离群值处理的影响。然而，在我们的研究中，当这些方法应用于我们的数据集时，我们发现几乎没有什么益处。因此，我们指出了与时间序列属性相关的数据转换的潜在问题。是否总是可以通过数据转换实现高斯和线性时间序列？在这里，我们依靠常见的统计检验和我们新颖的非线性检验来回答这个问题，我们发现：（i）离群值处理和Box-Cox变换并不总是足以实现正态性；（ii）异常值处理在降噪和信息丢失方面产生了混合结果；（iii）异常值处理和Box-Cox变换不会产生线性。这些结果表明，非线性模型符合现金流时间序列预测的合理替代方案，超出了现有文献的猜测。论文的其余部分组织如下。

在第2节中，我们提供了54个实际现金流量数据集的统计摘要，包括正态性、独立性和平稳性。在第3节中，我们在比较线性模型和非线性模型的基础上，提出了一种新的非线性交叉验证测试。稍后，我们将在第4节中详细介绍数据转换对线性的影响。最后，我们在第5.2节“数据汇总”中给出了一些结论。该数据集包含西班牙制造业和服务业54家不同公司的每日现金流，每家公司的年收入高达1000万欧元。样本中不包括来自初级部门的公司。我们只选择中小型公司，因为这是西班牙和欧洲最常见的公司规模（Muller等人，2015）。该数据集涵盖约8年的数据范围，可在线获取。数据集中的一个实例包含以下字段或列：o日期：标准化的YYYY-MM-DD日期，从2009年1月1日到2016年28月8日公司：公司识别号从1到54。o净现金流量：每日净现金流量（单位：千欧元）oDayMonth：分类变量，从1日到31日。oDayWeek：一周中的某一天从1（周一）到7（周日）的分类变量。表1显示了按公司分组的非节假日每日净现金流量的统计汇总。中小型公司可能会尝试每日零现金流，这意味着即使在正常活动的情况下，在特定工作日也不会观察到货币流动。因此，由于公司的规模，零现金流的发生是中小型公司的一个重要特征。

事实上，即使在工作日，我们数据集中近30%的公司也提供了超过25%的零现金流观察结果。这一事实表明，对于这组数据集，零现金流预测至少有25%的时间是正确的。因此，出于比较目的，两个良好的基线预测模型将是一个总是预测为空的预测模型或一个总是预测平均值预测模型（Makridakis et al.，2008）。此外，平均净现金流表明，除5和28家公司外，大部分公司呈现正或负漂移。与峭度为零的正态分布相比，高正峭度表示峰值数据分布。偏度是数据分布对称性的度量。负偏态表示左尾较长，正偏态表示右尾较长。表1：数据集统计摘要。