收益法中企業凈現金流量值的組合預測研究論文-資料下載頁

　　

【正文】 論上來講，前者預測的結果比后者更加準確。設原始數列,其1AGO序列和1IAGO序列分別為其中的緊鄰均值生成序列為則稱 ()為GM(2,1) 灰色微分方程。稱 ()為GM(2,1)灰色微分方程的白化方程。設的定義如前所述，且則GM(2,1)待估參數向量的最小二乘估計為GM(2,1)白化方程解的情況如下：（1）若是的特解，是對應齊次方程的通解，則是GM(2,1)白化方程的通解。（2）齊次方程的通解有以下三類情況：當特征方程有兩個不相等的實根、時，當特征方程有重根時，當特征方程有一對共軛復根時，（3）白化方程的特解有以下三類情況：當0不是特征方程的根時，其中C為常數；當0是特征方程的單根時，其中C為常數；當0是特征方程的重根時，其中C為常數。 灰色預測模型的檢驗在利用所建立的模型進行預測之前，要先對模型進行評估，當誤差保持在一定范圍內時，證明該模型是能夠被用來進行預測的，如果誤差距離標準相差甚遠的話，那么需要對其加以更正后才可將其運用到操作中去，以下以下的方法在解算的過程中經常用到：（1）殘差檢驗在對殘差進行檢查的時候，要對模型的數值和現實的數值仔細的檢查，最先的步驟是先計算，然后計算與原始序列的絕對殘差序列：進而計算相對殘差序列：最后計算平均相對殘差：給定，當，且成立時，稱模型為殘差合格模型。（2）關聯度檢驗它主要是在借助于模型值曲線和建模序列曲線兩個指標。按照關聯度的計算方法，求得和之間的關聯度，若對于給定,有,則稱模型為關聯度合格模型。一般情況下。（3）后驗差檢驗設為原始序列，為相應模擬序列，為殘差序列，則分別為的均值和方差。分別為殘差的均值和方差。第一，計算均方差比值,對于給定的，當時，稱模型為均方差比合格模型。第二，計算小殘差概率，如對給定的,當時，稱模型為小殘差概率合格模型。上述三種檢驗當中，平均相對殘差的值越高越不好，相反的是關聯度越大越好，均方差比值越小越好，小殘差概率越大越好。由于上述模型的建立以及求解過程比較復雜，人力計算費事費力，因此可以借助DPS軟件進行分析。將原始數據輸入DPS軟件進行求解，軟件的輸出結果中包含預測方程、預測值以及三種檢驗的結果。 灰色預測模型的可行性分析在北荷蘭出版公司發表的文章上，鄧聚龍教授（我國控制理論專家）提出了灰色理論。文章講述了灰色理論發展的整體脈絡，從控制理論到模糊控制論，再從模糊的控制論到灰色系統理論。鄧聚龍教授所提出的灰色系統理論的現實基礎是對比了社會、政治、經濟以及生態等各種環境下聚集起來的樣本數據和微積分方程理論，以此為契機把在部分條件范圍之內根據其自身不定時的變化作為灰色理論的過程。同時根據搜集的樣本初始數據，進行歸納和總結，然后得出了各個變量之間不同的聯系和分布規律。在鄧教授提出的灰色理論之中，灰色模型是灰色建模系統的前提條件，利用部分具有離散性質的樣本數據組建的微分方程，從而得出了大量的函數，這些函數具有預測的性質，最終的目的是得到灰色模型的核心體系，在最后的部分還需要殘差檢驗、精度解析和關聯度的解析。以上敘述的就是灰色理論系統中最主要的部分。三十年的發展，使得灰色系統理論有著強大的生命力，目前的灰色系統理論已經成為新時代科學中嶄新的一枚旗幟，組建了一門新時代的學科框架。此理論把灰色朦朧集看作敲門磚，把灰色關聯空間當作輔助，用灰色序列為前提的理論，加上灰色核心模型，步步緊扣，條理清晰的展示了一套以先分析，再評估，建模，最后預測、優化的理論。將灰色模型細化來說，可以分為五個步驟來進行組建，利用灰色成生和序列算子的辦法削減隨機出現的方式，發現其中的要點，通過灰色差分方程和微分方程兩者的微妙變化。下一步將具有離散性質的樣本序列組建成為動態微分方程。同時灰色預測是一種定量的預測方法，它的特點是解算預測樣本少的數據，而且這種預測只是需要4個初始的數據就可以做灰色預測，應用起來極為簡便。在日常的生產和生活當中，很多情況應用這種預測方法。在國家的很多領域內，專業人士都認可了此種預測方法的精確度。比如，張維宏學者在《基于灰色預測模型的廣東生豬養殖分析》中，提出了用灰色預測的方法預測了廣東生豬的出欄數量，為政府對養殖業的發展創造條件。樊敏和顧兆林學者在《灰色理論模型在大氣環境質量預測中的應用研究》中寫到，應用了灰色殘差修正模型，預測了浙江廈門的大氣環境的質量，通過了此種辦法再與當地的環保部門對照發現，預測的結果與實際數據不差。周媛在《水下機器人傳感器故障診斷的灰色預測模型》中寫到，利用鄧教授提出的灰色預測模型解決了水下機器人傳感器出現的問題。由此得知，灰色系統理論對于生產和生活中出現的問題能給予很好的解決，同時也對傳統的預測辦法給予了補充。它的優點在于應用方便和靈活，不用拘泥于樣本量的大小和是否有規律性，灰色模型也是同樣應用較為方便，不會出現預測結果相差較大的情況，根據以上的例子，很多專家和學者也都認可灰色系統理論能挺高將預測的精度。 支持向量機模型 支持向量機模型的基本原理支持向量機理論最初來自于對數據分類問題的處理。對于線性可分數據的二值分類，如若以神經網絡完成，那么，它的機理便可作如下描述:系統會隨機生成一個超平面，同時還會對其進行移動，訓練集合不同類別的點處于該超平面的不同側面之時，就是表明已完成了對網絡的整體設計要求。支持向量機屬于一種全新的且高效的機器學習法，它是在統計學理論的基礎上得以發展的。支持向量機主要主要把包括支持向量機分類和支持向量機回歸兩種模型，分類理論的發展已經相當成熟，而支持向量機回歸方面的研究還有一些欠缺，需要更多的學者去進一步深入研究。隨著預測模型的逐步發展，運用支持向量機回歸模型進行預測方面的研究也成為當前學者新的研究熱點，甚至有一些學者創新性的將支持向量機回歸與傳統的回歸預測模型相結合，但將支持向量機回歸與灰色預測模型相結合還是一個比較新的思想，目前的研究尚處于萌芽階段，因此，本文需要通過實證分析和相關的理論研究驗證這兩種預測方法的結合在企業凈現金流量預測中的可行性。 支持向量機模型的基本程序支持向量機模型屬于一種能夠在小樣本的條件下學習的機器，可以實現結構風險的最小化，在對給定數據逼近的精度與逼近函數的復雜性之間汛期折中，希望能夠擁有非常強的推廣效能。它最終解決的是一個凸二次規劃的問題，在理論上得到的將是全局的最佳解決方案，非常高效的將一直難以解決的局部極值問題徹底解決了。支持向量回歸依據非線性將實際問題轉移到了高維空間中，為了能夠實現原空間內的非線性決策函數，在徹底解決維數問題的同時獲得有高效的推廣效能，所以在高維空間中創建了線性決策函數，其中的復雜度、樣本維數與算法均沒有關聯。最初，支持向量機回歸是為解決分類問題而特別設計的，并且將其運用在回歸分析中也能收到非常良好的效果。其具有非線性與線性回歸，線性回歸可運用線性回歸函數來說明:擬合數據時，為確保公式中的平坦，必須要用較小的w，鑒于此，可運用最小歐幾思德空間中的泛數去表示。此中，w和b分別所代表的是線性回歸函數的法向量與偏移量，同時假設所有的訓練數據需要在精度ε下不會出現任何誤差的情況下運用線性回歸函數進行擬合，由此，下面的優化問題便能夠得到有效解決，即滿足約束條件：在不能完全滿足上述條件時，可以引入松弛變量和，優化問題可以轉化為下面的問題，即滿足約束條件：，優化函數為二次型，約束條件為線性，所以，這是一個非常典型的二次規劃問題，求解的過程中可運用拉格朗日乘子法。支持向量回歸分析過程中參數ε和C一個能夠對逼近函數VC維進行控制的自由參數。ε和C需要由用戶自行選擇，只是，關于二者的方法與原則一直未得到解決。 支持向量機模型的可行性分析支持向量機預測是一種創新型的小樣本的預測方法，在解決非線性回歸方面具有獨特的優勢，適用于樣本信息欠缺條件下的預測問題，能夠在多量信息中對關鍵信息自動識別。 組合預測定量與定性預測模式方法都有著其獨有的優缺點，它們之間有著相互補充與聯系的關系。因為每一種的預測方法所運用的數據都是不相一致的，而不同的數據也會由不同的角度去提供信息。所以，預測的整個過程中，不能只是以單一想法認為預測方法的誤差的大小，必須要情況下，為免遭信息丟失，可以直接不用這種方法。需要注意的是，在預測過程中需要對單項預測方法的一些特征進行綜合考慮，然后依據實際情況對其方法進行組合。 組合預測基本概念組合預測方法指的是對不同的預測模型進行組合，然后根據實際情況對預測方法提供的信息進行有效組合，最后以加權平均法得出組合預測模型。怎樣求得加權平均系數一直是組合預測所關心的問題，因為組合預測模型只在精確的加權平均系數下才能得出高預測精度。預測值與實際值之間的差距成為預測誤差，通常可將其作為預測精度的一種指標，誤差越小精度越高。 組合預測的權系數的確定方法怎樣求得加權平均系數一直是組合預測的核心問題，因為組合預測模型只在精確的加權平均系數下才能得出高預測精度。如果將預測絕對誤差作為預測精度的衡量指標時會發現，以下所提到的幾種常規方法并不是最優正權組合預測模型系數的確定方法。二項式系數方法二項式系數方法和簡單加權平均法是有相似之處的，其也是對各個單項預測模型的預測誤差平方和Eii，i=1,2,…,m進行排序。只是，其于加權系數的思想與加權平均法均有所不同，其排序方法是依據統計學中的中位數概念進行的。如果單項預測模型的預測誤差平方和過大或過小，與其相對的權系數均不會大，但與位于各單項預測模型的預測誤差平方和的中位數相對應的權系數是最大的。即令顯然。（1）簡單加權平均方法簡單加權平均方法也可以說是一種非等權平均方法。它是先對各個單項預測模型的預測誤差平方和Eii，i=1,2,…,m進行排序的，依據各個單項預測模型的預測誤差的預測誤差平方和與其權系數成反比的基本原理可明確看出，排序中越靠前的單項預測模型，其在組合預測中的的加權系數就會越小。即令顯然。其中Eii的含義同上。（2）均方誤差倒數方法均方誤差倒數方法的含義與預測誤差平方和倒數方法較為相似，某單項預測模型的誤差平方和的越大，其在組合預測中的加權系數就會越小。均方誤差倒數方法的加權系數的計算公式是很明顯。該種方法的Eii的含義同上。（3）預測誤差平方和倒數預測誤差平方和方法也有方差倒數方法之稱，這是對等權平均方法的一種改良。通常而言，如果項預測模型的預測精度不高，那么預測誤差平方和就會隨之增大，只是其在組合預測中的重要性也會逐漸被降低，其表現是在組合預測方法中的加權系數變小。反之，對預測誤差平方和較小的單項預測模型，通常在組合預測中的加權系數都是比較大的。令很明顯。此中的Eii是第i種單項預測模型的預測誤差平方和。xit為第i種單預測方法在t時刻的預測值，xt為同一預測對象的某個指標序列{xt，t=1,2,…,N}第t時刻的觀測值，N則代表的是時間長度，eit=(xtxit)為第i種單項預測方法在t時刻的預測誤差。（5）算術平均方法算術平均方法也有等權平均方法之稱，m種單項預測方法的加權系數完全相等是其特征，簡言之就是同等對待各個單項預測模型。通常情況下，該方法常運用在對各單項預測模型的預測精度了解不多的情況下。因為算術平均法的計算不具復雜性，同時，加權系數也能夠滿足非負性要求，故而，非常廣泛的運用在了預測領域內。在對各單項預測模型的預測精度了解透徹時，則需要對預測精度較高的單項預測模型賦予和精度相反的加權系數。權重確定公式為:顯然 組合預測的合理性分析不管是哪一種單項預測方法，其中都有或多或少的誤差，不同的預測方法在結構特征、建模方式和學習方法等方面都存在一定的差異，這種差異可能導致不同的預測模型帶來不同的系統誤差。灰色預測模型對貧乏數據信息下的線性數據具有較好的預測結果，而支持向量機回歸模型對數據缺失條件下的非線性數據具有較好的預測能力，雖然它們在數據貧乏條件下各自的優勢，但也都會存在一定的局限性，例如，灰色系統缺乏自學習、自組織和自適應能力，對非線性的數據的預測結果的處理能力比較弱，模型的預測精度會比較低。從提高模型預測精度的角度考慮，應當充分將各種預測模型的優勢盡然發揮出來，可以對各種預測方法綜合考量，運用綜合預測法對兩種或多種預測模型進行組合，以此將單項預測模型中的預測誤差將至最低，盡量減少每個單項模型的缺陷。本文也將對企業數據貧乏條件下的自由現金流量組合預測的合理性進行實證分析。第4章實證分析本章主要是以東風汽車為例，采用計量經濟學中的多元回歸方法與灰色預測模型中的GM（2,1）方法和支持向量機模型組合預測的方法來對它的凈現金流量進行預測，比較預測值與實際值之間的誤差，得到運用兩種方法進行預測結果的差異性，并分析得到這種結果的原因。進一步提出在今后的評估過程中，在貧數據信息“灰化”的情況下，可以將GM（2,1）模型支持向量機模型和引入到評估的過程之中，并將兩種模型進行組合預測，可以得到更加準確的預測值。 案例介紹東風汽車始建于1969年，是中國特大型國有骨干企業，其主營業務主要涵蓋以下五類:（1）乘用車（2）汽車裝備（3）汽車（4）商用車（5）零部件。東風汽車是上海證券交易所上市的公司，2007年。2008年，%，位居中國企業500強第30位，中國制造業500強第6位，%。2010年，%，位居中國企業500強13位，中國制造業500強第2位，世界500強第182位。本文以東風汽車2005年至2014年的年度數據為基礎，采用多元線性回歸模型和組合預測方法分別對其自由現金流量進行預測，對兩種方法下的預測結果進行分析，進而對數據信息貧乏環境下的現金流的預測方法進行改進。 多元回歸對企業凈現金流量的預測企業的自由現金流量由企業的營業收入、營業成本、一般管理費用、應收賬款、應付賬款、存貨、固定資產凈值、折舊等財務變量構成，本節研究主要依據的是自由現金的構成與樣本所運用的各季