大型城市電網企業最佳現金持有量預測研究

（國網天津市電力公司天津300010）

一、最佳現金持有量的研究背景

（一）最佳現金持有量

企業的生產經營及財務管理活動起始于現金，經過資產各種形態的轉化最終又回到現金狀態，周而復始，循環運動，以實現企業生存、發展、盈利等目的。在保障生產經營及建設資金的情況下，充分利用閑置資金實現效益最大化，以達到提升資金管理效率和效益的目的，同時提高對資金短缺等高風險情況的整體調控力。

最佳現金持有量（或安全備付金額）是指在滿足基本建設和正常生產經營活動需要的基礎上，使現金使用效率和效益達到最高水平時的最為合理的資金存量。即能夠使現金管理的機會成本與轉換成本之和保持最低的現金持有量。最佳現金持有量預測過低時，將造成資金短缺，無法償還到期債務，乃至生產經營中斷等風險；而預測過高時，會使資金得不到合理利用，產生較高的機會成本，難以達到提升現金使用效率和效益的目標。因此，對現金持有量的科學性估測不可或缺。

（二）研究目的和工作內容

某大型城市電網企業多年來持續提升預算及存量資金管理水平，但在制定最佳現金持有量方面仍缺乏科學的預測模型等數據支撐工具。目前，該公司采取的最佳現金持有量的測算方式為日常凈支付額度和日均不可動用資金兩部分的疊加。

本文研究希望通過對最佳現金持有量在科學性預測方面的不斷完善，最大限度減少資金閑置，提高資金的使用效率。因此，本文研究主要通過對現金科目日記賬以及憑證信息等數據進行關聯及清洗，從而獲取每一日該公司的凈現金流，以預測2017年的長中短期的最佳現金持有量。具體工作主要從三個方面進行：（1）對研究時間范圍內的日現金數據進行處理與分析觀測；（2）對傳統現金持有量預測模型進行評估；（3）利用先進的統計模型對最佳現金持有量建模并進行預測。

二、現金流數據處理與分析

（一）數據獲取與處理

本文研究的時間范圍為2014年1月至2017年5月，數據內容主要包括現金日記賬、憑證信息等。獲取研究數據后，首先需剔除與現金流無關的憑證，如沖銷、轉賬、調整現金流量等憑證會在預測時影響實際發生的現金流金額，只保留有效的現金收入及現金支出以獲取真實發生的凈現金流。其次，根據借貸方向及記賬日期，將篩選后的憑證分為現金收入憑證及現金支出憑證，并按日期匯總，獲取數據范圍期間的每日支出金額及每日收入金額。最后，將每日收入減去支出，獲取每日凈現金流金額，用以輸入分析模型進行觀測，并在未來用于預測模型建模。

（二）凈現金流數據觀測

在每日現金流數據觀測分析時，選擇利用新興的Tableau軟件對篩選后的憑證信息進行可視化分析，能夠更為直觀地挖掘凈現金流的特點，根據不同特點選取最為合適的科學性預測模型。

1.研究對象的收支構成特點。根據現金收入及現金支出憑證信息，發現研究對象的收入來源較單一，而支出方式較為多樣化。現金收入主要來源于售電流入，已占據總收入的四分之三。而在支出方面，購電支出、工程支出、政府部門附加費及稅費四類支出的總和占總支出的四分之三，購電一項約占總支出的一半。

2.現金收入與支出的時間性規律。根據日期將每日的收入和支出匯總，發現收入和支出都存在較強的周期性，一般在月末容易發生較大金額的收支。

3.購售電業務的時間特性。根據日期將研究期間每日售電收入及購電支出的金額匯總，發現售電日期主要集中在月底，而購電日期分布未呈現一定規律性。

三、傳統現金持有量預測模型評估

傳統的現金持有量預測方法有成本分析模型、存貨模型和隨機模型，上述模型在不同行業的企業得到一定程度的應用。對于研究對象而言，需要結合其行業特點、在現金流數據分析中發現的規律等，確定傳統預測模型的適用性。

（一）成本分析模型

成本分析模型指通過分析持有現金的成本，尋找持有成本最低點對應的現金持有量。其中將企業持有現金造成的成本分為機會成本、管理成本和短缺成本。

1.機會成本?，F金作為企業的一項資源占用，是有代價的，這種代價就是它的機會成本?，F金資產的流動性極佳，但盈利性極差。持有現金則不能將其投入生產經營活動，失去本可以獲得的收益。而企業為維持經營，有必要持有一定的現金，以應對意外的現金需求。但現金擁有量過多，機會成本代價也會大幅上升。

2.管理成本。企業擁有現金時，便會產生現金管理費用，如管理人員的工資、安全措施費等。管理成本是一種固定成本，與現金持有量之間無明顯的比例關系。

3.短缺成本?，F金的短缺成本，是因缺乏必要的現金，不能應付業務開支所需，從而使企業蒙受損失或為此付出的代價?，F金的短缺成本隨現金持有量的增加而下降，隨現金持有量的減少而上升。

上述三項成本之和最小的現金持有量，便為最佳現金持有量。

圖1 成本分析模型示意圖

結合實際情況來看，該公司的資金機會成本較小，且短缺成本難以估計，故總成本的估計難以確定。因此，用成本分析模型來確定最佳持有量并不可取。

（二）存貨模型

存貨模型指若企業平時只持有少量現金，在有現金需求時，通過出售有價證券換回現金，便能滿足現金的需求，避免短缺成本，又能減少機會成本。因此，適當的現金與有價證券之間的轉換，是企業提高資金使用效率的有效途徑。在這一模型中，將企業擁有現金造成的成本分為機會成本及交易成本，其中交易成本主要指將有價證券轉換為現金的成本。

使用該模型時，需要假設現金總量穩定并可預測，整個期間內現金收支均勻分布，波動少；并不適用于現實情況中預算復雜的情況。實際上，該大型城市電網企業所面臨的機會成本較少，當前模式并不支持現金與有價證券之間的轉換。因此，存貨模型并不適用于電網企業的最佳現金持有量預測。

（三）隨機模型

隨機模型是在現金需求量難以預知的情況下進行現金持有量控制的方法。對企業來講，現金需求量往往波動大且難以預知，但企業可以根據歷史經驗和現實需求，測算出現金持有量的控制范圍，即制定出現金持有量的上限和下限，將現金量控制在上下限之間。當現金量達到控制上限時，用現金購入有價證券，使現金持有量下降；當現金量降到控制下限時，則拋售有價證券的轉換，保持它們各自的現有存量。

由于電網公司無法靈活地將現金與有價證券進行轉換，且現金余額變化的標準差相對固定，導致該模型計算出的持有量相對保守，無法很好地預測最佳現金持有量。

（四）評估結論

綜上分析，上述三種常見的現金持有量預測模型在應對復雜的現實情況下差強人意。因此，需要結合研究對象的業務特點、現金收入和支出特性選擇更加實用的預測工具建立最佳資金持有量預測模型。

四、最優現金持有量模型建模及應用

（一）中長期最佳現金持有量預測

在中長期預測模型建模及應用方面，參考金融領域中運用廣泛的風險價值測量方法，利用蒙特卡洛模擬計算在一定風險下，全年及每月的最佳現金持有額度。

1.蒙特卡洛模擬法簡述。蒙特卡洛模擬法（Monte Carlo Simulation，簡稱MC）是一種隨機模擬方法?？珊w非線性資產的價格風險以及波動性風險，在處理時間變異的變量、厚尾分布、不對稱分布等非正態分布和極端狀況等特殊情景上更為適用。

此方法主要根據市場數據估計歷史波動參數，模擬出市場因子未來波動的大量可能路徑。在建立模型的過程中，使用的歷史數據較少，且能保證一定的精度和可靠性。蒙特卡洛模擬法屬于一種全值估計方法，無須假定市場因子服從正態分布，有效地解決了分析方法在處理非線性、非正態問題中遇到的困難。

近年來，蒙特卡洛模擬法在國外研究中被廣泛使用。其不足為計算復雜，因在應用中多次重復模擬，以提高衡量值的準確性，故而使計算量增大多倍。目前，主要依靠計算機的高效計算能力來解決計算量增大的問題。

2.風險價值模型簡述。風險價值模型（Value at Risk）指給定置信區間的一個持有期內的最壞預期損失。例如，在給定持有期為一個星期，給定置信水平為99%的條件下，某資產組合的VaR為1 000萬元人民幣。則在下一個星期內99%的概率下，該資產組合的最大損失不會超過1 000萬元人民幣，即有1%的概率在下一星期內損失超過1 000萬元人民幣。VaR的計算公式如下：

其中：E（W）為資產組合的預期價值，W為持有期末資產組合的價值，W*為一定置信區間c下最低的資產組合價值，P為期貨在持有期t內的損失。

蒙特卡洛模擬法計算風險價值假設期貨的價格變動服從某種隨機過程的形態，可用計算機來仿真，產生若干次可能價格的路徑，并以此構建期貨的報酬分配，進而估計其風險值。選擇價格隨機過程，最常用的模型是幾何布朗運動，即隨機行走模型，其離散形式可表示為：

3.中長期預測模型建模研究。

（1）現金流與已知分布的擬合。通過對現金流數據進行的初步可視化探索，能夠發現2014年至2017年的凈現金流量服從某種統計分布。由于最佳現金持有量的確定只與負現金流量具有強相關，因此將負現金流量單獨提出進行統計分布的擬合。通過Python軟件將負現金流與79個已知分布進行擬合，發現負現金流量服從（alpha=3.06，beta=0.49）的Beta分布，且擬合程度較高。

在統計學判定樣本是否服從已知分布時，先假定樣本服從已知分布，并計算此時的檢測值，并將檢測值與查詢到的統計值相比對，判定是否拒絕原假設。更為直觀的做法是，計算統計檢測結果的P-value，當P-value小于0.05時（此時設定的置信水平為95%），拒絕原假設，即樣本不服從已知分布。換言之，當P-value大于0.05時，無法拒絕原假設，則判定樣本服從已知分布。最終，篩選出與負現金流量擬合最好的前十個已知分布的測試結果。

（2）通過已有分布進行蒙特卡洛模擬。通過上一步的分析，得知負現金流量服從（alpha=3.06，beta=0.49）的 Beta分布。本部分通過對該分布進行100萬次的蒙特卡洛模擬，獲取模擬金額的分布，求取風險價值，這樣可以增加樣本點數，提高模擬穩定性。

圖2 蒙特卡洛模擬100萬次結果

（3）根據蒙特卡洛模擬，提取分位點，得出最佳現金持有量。通過上一步得到的蒙特卡洛模擬的凈流出的金額分布，設定風險水平為0.1%，獲取最佳現金持有量的預測值，即未來在99.9%的概率下，單日的凈流出不會超過該預測值，全年維持這一水平即可。在此基礎上，利用相同的方法，將2014—2016年的現金流以月份為依據分為12份，對每一份進行蒙特卡洛模擬及風險價值測算，獲取未來每月（中期）最佳現金持有量預測值。

由于中長期預測模型基于統計學規律，因此對數據量的要求較高。當數據條較少時，會影響統計分布規律擬合，進而影響模型預測準確率。根據目前測試結果，當有效條目少于60條時，會影響預測精度。同時當條目較少，如在100條左右，其中某一條或幾條具有很大支出時，也會影響分布擬合。在該情況下，可以分析數額較大條目原因，結合業務分析，判斷是否需要將該條目移除，進而提高中長期預測模型準確率。

（二）短期最佳現金持有量預測

短期預測模型運用最前沿的循環神經網絡模型，預測短期內（每周）現金流的變動情況，可在未來短期內實時監控現金流走勢，以精細化管理預算水平。

1.循環神經網絡法簡述。循環神經網絡是一種計算機制，即由簡單函數串聯起來的復雜函數，可以學習長期依賴信息。舉例來說，這種計算機制能在預測未來某一日的現金流量時，充分考慮過去一年里現金流量的變化情況。相比于其他神經網絡，循環神經網絡很適合進行時間序列預測，并且能夠結合長期的時序變化預測未來現金流量。循環神經網絡結構示意圖如圖3所示。不同于普通神經網絡，循環神經網絡引入了定向循環，能夠處理那些輸入之間前后關聯的問題。

圖3 循環神經網絡結構示意圖

2.短期預測模型建模研究。

（1）數據篩選和預處理。首先，在憑證信息中篩選出有效的現金流數據，將其根據日期合并成以日期及凈現金流為字段的輸入數據。其次，因輸入循環神經網絡的數據要求必須大于0，因此要將支出數據正值化。最后，對正值化處理后的數據進行分組，按經驗最小取7天一組，每組內含有的天數為可調參數，將會在模型訓練時通過誤差大小進行選擇。分組后的數據將進行窗口平滑處理，具體過程為每組數值都除以每組第一個數據，并將結果減去一。

（2）模型訓練與調參。在循環神經網絡的訓練中，只有兩個參數需要不斷調整：組長及訓練次數，每調整一次模型（修改組長或訓練次數）就需重新計算一次誤差。

（3）誤差獲取。誤差計算采用均方誤差，是衡量“平均誤差”的一種較方便的方法，可以評價數據的變化程度。計算方式為預測的現金流量與真實現金流量差值平方的平均值。例如：用某一模型分別預測1/8/2014、1/9/2014、1/10/2014三日的現金流，得到金額全部為0，而真實值分別為0.05、-0.05、-0.03，則每日的誤差分別為0.05^2、0.05^2、0.03^2，平均誤差為（0.05^2+0.05^2+0.03^2 ）/3=0.002。通過不斷調整組長及訓練次數，并計算每一模型的誤差，獲取最優模型。對于該公司來說，2017年1月至4月訓練的最優模型為取8天為一組。

（4）最優模型選擇和預測。在本步驟中獲得的模型中選取誤差值最低的一個模型。之后，利用訓練好的最優模型，預測日現金流。該大型城市電網企業日現金流預測結果如圖4所示。

圖4 日預測結果

淺顏色線代表神經網絡從2017年3月開始的預測金額，深顏色線代表真實現金流金額，可以發現預測結果能夠較好地體現真實變動情況，且這一結果還能通過更多的訓練使之更加精準。目前選取8天預測第9天，平均預測誤差率在15%左右。

最終，通過建立適應于大型城市電網的最佳現金持有量預測模型，顯著提升了企業財務管理的精益化水平，為企業面向新時期、新常態經濟下的發展奠定了良好的管理基礎。