大型城市电网企业最佳现金持有量预测研究

2017-09-17国网天津市电力公司天津300010

商业会计 2017年24期

（国网天津市电力公司天津300010）

一、最佳现金持有量的研究背景

（一）最佳现金持有量

企业的生产经营及财务管理活动起始于现金，经过资产各种形态的转化最终又回到现金状态，周而复始，循环运动，以实现企业生存、发展、盈利等目的。在保障生产经营及建设资金的情况下，充分利用闲置资金实现效益最大化，以达到提升资金管理效率和效益的目的，同时提高对资金短缺等高风险情况的整体调控力。

最佳现金持有量（或安全备付金额）是指在满足基本建设和正常生产经营活动需要的基础上，使现金使用效率和效益达到最高水平时的最为合理的资金存量。即能够使现金管理的机会成本与转换成本之和保持最低的现金持有量。最佳现金持有量预测过低时，将造成资金短缺，无法偿还到期债务，乃至生产经营中断等风险；而预测过高时，会使资金得不到合理利用，产生较高的机会成本，难以达到提升现金使用效率和效益的目标。因此，对现金持有量的科学性估测不可或缺。

（二）研究目的和工作内容

某大型城市电网企业多年来持续提升预算及存量资金管理水平，但在制定最佳现金持有量方面仍缺乏科学的预测模型等数据支撑工具。目前，该公司采取的最佳现金持有量的测算方式为日常净支付额度和日均不可动用资金两部分的叠加。

本文研究希望通过对最佳现金持有量在科学性预测方面的不断完善，最大限度减少资金闲置，提高资金的使用效率。因此，本文研究主要通过对现金科目日记账以及凭证信息等数据进行关联及清洗，从而获取每一日该公司的净现金流，以预测2017年的长中短期的最佳现金持有量。具体工作主要从三个方面进行：（1）对研究时间范围内的日现金数据进行处理与分析观测；（2）对传统现金持有量预测模型进行评估；（3）利用先进的统计模型对最佳现金持有量建模并进行预测。

二、现金流数据处理与分析

（一）数据获取与处理

本文研究的时间范围为2014年1月至2017年5月，数据内容主要包括现金日记账、凭证信息等。获取研究数据后，首先需剔除与现金流无关的凭证，如冲销、转账、调整现金流量等凭证会在预测时影响实际发生的现金流金额，只保留有效的现金收入及现金支出以获取真实发生的净现金流。其次，根据借贷方向及记账日期，将筛选后的凭证分为现金收入凭证及现金支出凭证，并按日期汇总，获取数据范围期间的每日支出金额及每日收入金额。最后，将每日收入减去支出，获取每日净现金流金额，用以输入分析模型进行观测，并在未来用于预测模型建模。

（二）净现金流数据观测

在每日现金流数据观测分析时，选择利用新兴的Tableau软件对筛选后的凭证信息进行可视化分析，能够更为直观地挖掘净现金流的特点，根据不同特点选取最为合适的科学性预测模型。

1.研究对象的收支构成特点。根据现金收入及现金支出凭证信息，发现研究对象的收入来源较单一，而支出方式较为多样化。现金收入主要来源于售电流入，已占据总收入的四分之三。而在支出方面，购电支出、工程支出、政府部门附加费及税费四类支出的总和占总支出的四分之三，购电一项约占总支出的一半。

2.现金收入与支出的时间性规律。根据日期将每日的收入和支出汇总，发现收入和支出都存在较强的周期性，一般在月末容易发生较大金额的收支。

3.购售电业务的时间特性。根据日期将研究期间每日售电收入及购电支出的金额汇总，发现售电日期主要集中在月底，而购电日期分布未呈现一定规律性。

三、传统现金持有量预测模型评估

传统的现金持有量预测方法有成本分析模型、存货模型和随机模型，上述模型在不同行业的企业得到一定程度的应用。对于研究对象而言，需要结合其行业特点、在现金流数据分析中发现的规律等，确定传统预测模型的适用性。

（一）成本分析模型

成本分析模型指通过分析持有现金的成本，寻找持有成本最低点对应的现金持有量。其中将企业持有现金造成的成本分为机会成本、管理成本和短缺成本。

1.机会成本。现金作为企业的一项资源占用，是有代价的，这种代价就是它的机会成本。现金资产的流动性极佳，但盈利性极差。持有现金则不能将其投入生产经营活动，失去本可以获得的收益。而企业为维持经营，有必要持有一定的现金，以应对意外的现金需求。但现金拥有量过多，机会成本代价也会大幅上升。

2.管理成本。企业拥有现金时，便会产生现金管理费用，如管理人员的工资、安全措施费等。管理成本是一种固定成本，与现金持有量之间无明显的比例关系。

3.短缺成本。现金的短缺成本，是因缺乏必要的现金，不能应付业务开支所需，从而使企业蒙受损失或为此付出的代价。现金的短缺成本随现金持有量的增加而下降，随现金持有量的减少而上升。

上述三项成本之和最小的现金持有量，便为最佳现金持有量。

图1 成本分析模型示意图

结合实际情况来看，该公司的资金机会成本较小，且短缺成本难以估计，故总成本的估计难以确定。因此，用成本分析模型来确定最佳持有量并不可取。

（二）存货模型

存货模型指若企业平时只持有少量现金，在有现金需求时，通过出售有价证券换回现金，便能满足现金的需求，避免短缺成本，又能减少机会成本。因此，适当的现金与有价证券之间的转换，是企业提高资金使用效率的有效途径。在这一模型中，将企业拥有现金造成的成本分为机会成本及交易成本，其中交易成本主要指将有价证券转换为现金的成本。

使用该模型时，需要假设现金总量稳定并可预测，整个期间内现金收支均匀分布，波动少；并不适用于现实情况中预算复杂的情况。实际上，该大型城市电网企业所面临的机会成本较少，当前模式并不支持现金与有价证券之间的转换。因此，存货模型并不适用于电网企业的最佳现金持有量预测。

（三）随机模型

随机模型是在现金需求量难以预知的情况下进行现金持有量控制的方法。对企业来讲，现金需求量往往波动大且难以预知，但企业可以根据历史经验和现实需求，测算出现金持有量的控制范围，即制定出现金持有量的上限和下限，将现金量控制在上下限之间。当现金量达到控制上限时，用现金购入有价证券，使现金持有量下降；当现金量降到控制下限时，则抛售有价证券的转换，保持它们各自的现有存量。

由于电网公司无法灵活地将现金与有价证券进行转换，且现金余额变化的标准差相对固定，导致该模型计算出的持有量相对保守，无法很好地预测最佳现金持有量。

（四）评估结论

综上分析，上述三种常见的现金持有量预测模型在应对复杂的现实情况下差强人意。因此，需要结合研究对象的业务特点、现金收入和支出特性选择更加实用的预测工具建立最佳资金持有量预测模型。

四、最优现金持有量模型建模及应用

（一）中长期最佳现金持有量预测

在中长期预测模型建模及应用方面，参考金融领域中运用广泛的风险价值测量方法，利用蒙特卡洛模拟计算在一定风险下，全年及每月的最佳现金持有额度。

1.蒙特卡洛模拟法简述。蒙特卡洛模拟法（Monte Carlo Simulation，简称MC）是一种随机模拟方法。可涵盖非线性资产的价格风险以及波动性风险，在处理时间变异的变量、厚尾分布、不对称分布等非正态分布和极端状况等特殊情景上更为适用。

此方法主要根据市场数据估计历史波动参数，模拟出市场因子未来波动的大量可能路径。在建立模型的过程中，使用的历史数据较少，且能保证一定的精度和可靠性。蒙特卡洛模拟法属于一种全值估计方法，无须假定市场因子服从正态分布，有效地解决了分析方法在处理非线性、非正态问题中遇到的困难。

近年来，蒙特卡洛模拟法在国外研究中被广泛使用。其不足为计算复杂，因在应用中多次重复模拟，以提高衡量值的准确性，故而使计算量增大多倍。目前，主要依靠计算机的高效计算能力来解决计算量增大的问题。

2.风险价值模型简述。风险价值模型（Value at Risk）指给定置信区间的一个持有期内的最坏预期损失。例如，在给定持有期为一个星期，给定置信水平为99%的条件下，某资产组合的VaR为1 000万元人民币。则在下一个星期内99%的概率下，该资产组合的最大损失不会超过1 000万元人民币，即有1%的概率在下一星期内损失超过1 000万元人民币。VaR的计算公式如下：

其中：E（W）为资产组合的预期价值，W为持有期末资产组合的价值，W*为一定置信区间c下最低的资产组合价值，P为期货在持有期t内的损失。

蒙特卡洛模拟法计算风险价值假设期货的价格变动服从某种随机过程的形态，可用计算机来仿真，产生若干次可能价格的路径，并以此构建期货的报酬分配，进而估计其风险值。选择价格随机过程，最常用的模型是几何布朗运动，即随机行走模型，其离散形式可表示为：

3.中长期预测模型建模研究。

（1）现金流与已知分布的拟合。通过对现金流数据进行的初步可视化探索，能够发现2014年至2017年的净现金流量服从某种统计分布。由于最佳现金持有量的确定只与负现金流量具有强相关，因此将负现金流量单独提出进行统计分布的拟合。通过Python软件将负现金流与79个已知分布进行拟合，发现负现金流量服从（alpha=3.06，beta=0.49）的Beta分布，且拟合程度较高。

在统计学判定样本是否服从已知分布时，先假定样本服从已知分布，并计算此时的检测值，并将检测值与查询到的统计值相比对，判定是否拒绝原假设。更为直观的做法是，计算统计检测结果的P-value，当P-value小于0.05时（此时设定的置信水平为95%），拒绝原假设，即样本不服从已知分布。换言之，当P-value大于0.05时，无法拒绝原假设，则判定样本服从已知分布。最终，筛选出与负现金流量拟合最好的前十个已知分布的测试结果。

（2）通过已有分布进行蒙特卡洛模拟。通过上一步的分析，得知负现金流量服从（alpha=3.06，beta=0.49）的 Beta分布。本部分通过对该分布进行100万次的蒙特卡洛模拟，获取模拟金额的分布，求取风险价值，这样可以增加样本点数，提高模拟稳定性。

图2 蒙特卡洛模拟100万次结果

（3）根据蒙特卡洛模拟，提取分位点，得出最佳现金持有量。通过上一步得到的蒙特卡洛模拟的净流出的金额分布，设定风险水平为0.1%，获取最佳现金持有量的预测值，即未来在99.9%的概率下，单日的净流出不会超过该预测值，全年维持这一水平即可。在此基础上，利用相同的方法，将2014—2016年的现金流以月份为依据分为12份，对每一份进行蒙特卡洛模拟及风险价值测算，获取未来每月（中期）最佳现金持有量预测值。

由于中长期预测模型基于统计学规律，因此对数据量的要求较高。当数据条较少时，会影响统计分布规律拟合，进而影响模型预测准确率。根据目前测试结果，当有效条目少于60条时，会影响预测精度。同时当条目较少，如在100条左右，其中某一条或几条具有很大支出时，也会影响分布拟合。在该情况下，可以分析数额较大条目原因，结合业务分析，判断是否需要将该条目移除，进而提高中长期预测模型准确率。

（二）短期最佳现金持有量预测

短期预测模型运用最前沿的循环神经网络模型，预测短期内（每周）现金流的变动情况，可在未来短期内实时监控现金流走势，以精细化管理预算水平。

1.循环神经网络法简述。循环神经网络是一种计算机制，即由简单函数串联起来的复杂函数，可以学习长期依赖信息。举例来说，这种计算机制能在预测未来某一日的现金流量时，充分考虑过去一年里现金流量的变化情况。相比于其他神经网络，循环神经网络很适合进行时间序列预测，并且能够结合长期的时序变化预测未来现金流量。循环神经网络结构示意图如图3所示。不同于普通神经网络，循环神经网络引入了定向循环，能够处理那些输入之间前后关联的问题。

图3 循环神经网络结构示意图

2.短期预测模型建模研究。

（1）数据筛选和预处理。首先，在凭证信息中筛选出有效的现金流数据，将其根据日期合并成以日期及净现金流为字段的输入数据。其次，因输入循环神经网络的数据要求必须大于0，因此要将支出数据正值化。最后，对正值化处理后的数据进行分组，按经验最小取7天一组，每组内含有的天数为可调参数，将会在模型训练时通过误差大小进行选择。分组后的数据将进行窗口平滑处理，具体过程为每组数值都除以每组第一个数据，并将结果减去一。

（2）模型训练与调参。在循环神经网络的训练中，只有两个参数需要不断调整：组长及训练次数，每调整一次模型（修改组长或训练次数）就需重新计算一次误差。

（3）误差获取。误差计算采用均方误差，是衡量“平均误差”的一种较方便的方法，可以评价数据的变化程度。计算方式为预测的现金流量与真实现金流量差值平方的平均值。例如：用某一模型分别预测1/8/2014、1/9/2014、1/10/2014三日的现金流，得到金额全部为0，而真实值分别为0.05、-0.05、-0.03，则每日的误差分别为0.05^2、0.05^2、0.03^2，平均误差为（0.05^2+0.05^2+0.03^2 ）/3=0.002。通过不断调整组长及训练次数，并计算每一模型的误差，获取最优模型。对于该公司来说，2017年1月至4月训练的最优模型为取8天为一组。

（4）最优模型选择和预测。在本步骤中获得的模型中选取误差值最低的一个模型。之后，利用训练好的最优模型，预测日现金流。该大型城市电网企业日现金流预测结果如图4所示。