基于神经网络的企业集团内部现金流预测研究

【摘要】企业集团内部现金流往来通过其内部银行运作时，有效预测其往来现金流量，从而保障集团公司各单位的资金使用需求并降低现金持有成本，是一个较为有意义的课题。本文使用了企业内部每日资金往来流量的时间序列数据，采用了神经网络方法对数据进行建模，并对预测效果进行了分析。实证结果表明神经网络方法能较好的预测企业集团内部每日资金需求量，从而为企业集团进行资金运作规划提供了有价值的参考。

【关键词】企业集团 资金管理 神经网络

一、引言

现金流攸关企业的生存及发展，合理预测企业日常现金流量，从而维持一个既能满足企业资金流动所需又不影响企业发展速度的现金持有量，是企业财务决策的重要问题。在实行资金集中管控的大型企业集团，集团内各单位的资金集中到了集团总部承担着资金管理职能的资金管理中心。作为发挥着集团公司内部银行功能的机构，充分盘活集团公司体内现金资源，降低现金持有成本，同时满足集团公司各单位的资金使用需求，是资金管理中心日常工作的基本任务。

从工作内容上看，资金管理中心每日要将集团内各成员单位银行账户中的闲置资金上划至其自身的银行账户；同时根据用款申请，将资金从自身银行账户下拨至集团内成员单位的银行账户。在这一过程中，资金管理中心需要以银行活期存款的形式持有一定量的资金，如果资金管理中心的现金持有不足，会导致企业生产经营中断、无法偿还到期债务等风险；现金持有过多，则造成企业资金闲置、财务费用上升的问题。因此，维持合理的现金持有量，是资金管理中心的首要目标之一，而实现这一目标的重要任务就是有效预测资金管理中心面临的现金需求量。

企业现金管理研究是财务管理领域的热点问题之一。现金管理最优化的成败与否，取决于能否对现金流量做出精准的预测。在准确预测现金流量的基础上，企业确定最佳现金持有量、有效降低现金持有成本等财务管理需求才有可能实现。关于企业最优现金持有量的确定方法，国内外学者研究时常用的模型包括成本分析模型及存货模型，从考察持有现金的成本出发来确定现金的最优持有量。然而，实践中由于信息不对称的存在，现金持有的各类相关成本难以准确核算，影响了现金最优持有量计算工作的效率及精度。日常工作中，企业可直接观测到的信息就是现金每日流入、流出量及余额等数据。因此，通过这些可观测量的历史数据及现实需求，测算出一个现金持有量的合理控制区间，成为确定现金最优持有量的一个可行方法。在此方面，Simutis（2008）使用支持向量回归等预测方法分析现金需求量，并对各个模型的预测效果进行了对比。Castro（2009）在假设现金需求量不确定的前提下，使用随机规划和混合整数线性规划方法考察了相关问题。张颖等（2014）采用指数平滑法对某银行业务库现金流收付进行预测，收集了银行业务库支出数据，然后根据部分已知财务数据通过指数平滑法预测未来数据，发现预测效果较好。张宇驰等（2014）则使用反映公司治理水平的指标体系，采用回归分析法研究了公司治理水平对上市公司现金持有量的影响。

考虑到可获得的数据类型，本文通过对时间序列数据分析来预测资金管理中心面临的日现金需求量，使用了神经网络方法对数据进行建模，并对预测效果进行了分析。

二、实证分析

（一）模型构建

企业集团资金管理中心处理日常现金管理业务时需要考虑三个因素：资金需求量，可通过短期信贷获得的资金数量，管理制度规定或因业务惯例设定的计划最大现金持有量。

当资金下拨数大于资金上划数时，可以设定资金管理中心面临的资金需求量为负值，此时其现金持有量下降；反之，当资金下拨数小于资金上划数时，则设定资金需求量为正值，此时实际现金持有量将超过计划最大现金持有量。当因现金持有量较小而使用信贷资金时，企业的财务成本上升，现金持有量较大时，机会成本较大，因此应通过预测资金需求量而持有合理的现金量以最小化现金持有成本。本文使用神经网络方法对数据进行学习分析，以预测资金管理中心的日资金需求量。

神经网络方法是仿照脑神经系统工作原理开发出的一种算法，近年来发展十分迅速，在人工智能、自动控制、计算机科学、心理学、生物电子学等众多研究领域有着广泛的应用。神经网络是由大量简单处理单元组成，通过可变权值连接而成的并行分布式系统。神经元是人工神经网络的基本处理单元，它是一个多输入-单输出的非线性器件。令xi为输入信号，wij表示从第i个神经元到第j个神经元的连接权值，θj为第j个神经元的阈值，sj为外部输入信号，yj为输出信号，则神经网络模型中第j个神经元的变换可描述为

（1）

其中非线性函数f（x）可以是阶跃函数、分段函数及Sigmoid型函数。

人工神经网络的处理单元间相互连接成网络，每一连接对应于一个实数，称为连接权值。权值的集合可以用权矩阵W来表示网络中的连接模式，W中的元素是wij。连接权值的类型一般分为激发和抑制形式，正的权值表示激发连接，相反，负的权值表示抑制连接。连接权值的连接方式是人工神经网络的特征描述。除单元特性外，网络的拓扑结构也是神经网络的一个重要特性。按网络的拓扑结构分类，人工神经网络可分成3类，其中分层前馈网络的神经元分层排列，并分为输入层、隐含层和输出层。各神经元接受前一层的输入，并输出给下一层，没有反馈，最常用的前馈神经网络就是BP神经网络。

BP神经网络的数学表达如下，设含有共L层和n个节点的一个任意网络，每层单元只接受前一层的输出信息并输出给下一层各单元，各节点的特性为Sigmoid型。为简单起见，认为网络只有一个输出y。设给定N个样本（xk，yk）（k=1，2，...，N），任一节点i的输出为oi，对某一个输入为xk，网络的输出为yk，节点i的输出为 oik，现在研究第l层的第j个单元，当输入第k 个样本时，节点j的输入为

（2）

其中l-1层输入第k个样本时，第j个单元节点的输出为

（3）

采用的误差函数为

（3・3）

其中 为单元j的实际输出。

（二）样本数据及训练结果

资金管理信息系统中的资金上划及下拨数据信息保存的是资金管理中心与多个单位的资金往来数据，将这些数据按日周期进行了汇总处理。对于年度内个别发生的大额对外收付款业务，由于事先均能知晓此类业务的发生时间及金额，可以将其资金往来数据进行了剔除处理。本文使用了SPG集团资金管理中心2014年内249个工作日的资金上划及下拨量数据，处理得到日资金需求量的时间序列数据，并将数据分为训练样本与检验样本。

使用BP算法，对样本数据进行了学习分析，神经网络的层数为3层，输入层节点数分别设为15、10、5，隐含层节点数设为30，输出层节点数为1，预测方法采用滚动预测方式，数据训练结果如表1所示。

表1 样本数据的训练分析结果

样本数据的训练结果表明，BP神经网络采取不同的输入层节点数，均能对企业日现金需求数量有较好的预测效果，可以发现当输入节点为10时，网络对样本的预测性能最佳，这可能意味着过去10日的企业历史现金流数据对当前状态的影响较大。

三、结论

通过研究神经网络方法在预测企业集团内部现金流量方面的应用表明，由于企业的日常现金流量受多个因素影响，且各个因素之间有着比较复杂的相关关系，从而传统建模方法受到诸多限制，而神经网络算法能较好的克服这些问题，可较为精确的预测现金流变化，使得资金管理中心更好的确定其现金持有量，同时也便于安排融资规划业务，及时提取或偿还银行贷款，保障企业营运资金的正常周期，节约大量财务费用。对现金流的数量化模型预测技术能够通过信息化手段自动实现，从而可以替代管理人员基于自身经验的主观判断。

此项工作未来可以进行更为深入的研究，从预测企业集团内部资金管理中心的现金流量，推广到对企业集团各个成员公司其各自的现金流波动性及相关性进行分析预测，这一问题更为复杂，但是解决之后可以进一步提升整个企业集团的现金管理和使用效率。同时，可以考虑将影响现金流的其他变量引入预测模型，比如企业集团各个成员公司的生产、销售模式等，分析这些因素能够了解企业现金需求行为的更多信息。

参考文献：

[1]张颖，孙秋柏，陈雪波，吴春澍.指数平滑法在现金流预测中的应用[J].测试技术学报，2014（2）.

[2]张宇驰，郝洪.财务灵活性视角下公司治理与现金持有量关系[J].会计之友，2014（5）.

[3]Castro J （2009） A stochastic programming approach to cash management in banking. Eur J Oper Res 192.