CN107766977A - 一种基于arima的现金流量预测方法 - Google Patents
一种基于arima的现金流量预测方法 Download PDFInfo
- Publication number
- CN107766977A CN107766977A CN201710981037.0A CN201710981037A CN107766977A CN 107766977 A CN107766977 A CN 107766977A CN 201710981037 A CN201710981037 A CN 201710981037A CN 107766977 A CN107766977 A CN 107766977A
- Authority
- CN
- China
- Prior art keywords
- mrow
- model
- cash flow
- sequence
- carried out
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于ARIMA的现金流量预测方法:获取现金流量时间序列数据,建立散点图,自相关函数,偏自相关函数,利用游程检验法检验序列平稳性;对时间序列数据进行平稳化处理,根据识别规则,建立相应ARIMA模型;进行参数估计,检验是否具有统计意义;进行假设检验,诊断残差序列是否为白噪声;利用已通过检验的模型进行预测分析。该方法基于差分自回归移动平均算法求解现金流量预测问题,完成现金流入、现金流出预测。
Description
技术领域
本发明涉及一种基于时间序列预测方法,尤其涉及一种应用差分自回归移动平均模型解决现金流入预测问题的基于ARIMA的现金流量预测方法。
背景技术
现金流量是企业理财活动的一项重要职能。是企业在一定会计期间按照现金收付实现制,通过一定经济活动而产生的现金流入、现金流出及其总量情况的总称,即企业一定时期的现金和现金等价物的流入和流出的数量。衡量企业经营状况是否良好,是否有足够的现金偿还债务,资产的变现能力等,现金流量是非常重要的指标。
现金流量预测是对未来一定期间内企业资金的流出与流入进行预测。其目的是合理规划企业现金收支,协调现金收支与经营、投资、融资活动的关系,保持现金收支平衡和偿债能力,同时也为现金控制提供依据。
发明内容
本发明的目的是提供一种基于ARIMA的现金流量预测方法,该方法基于差分自回归移动平均算法求解现金流量预测问题,完成现金流入、现金流出预测。
本发明的目的通过以下技术方案实现:
一种基于ARIMA的现金流量预测方法,其特征在于该方法包含以下内容:
1)获取现金流量(流入或流出)时间序列数据,建立散点图,自相关函数,偏自相关函数,利用游程检验法检验序列平稳性。
2)对时间序列数据进行平稳化处理,根据识别规则,建立相应ARIMA模型(AR、MA、ARMA)。
3)进行参数估计,检验是否具有统计意义。
4)进行假设检验,诊断残差序列是否为白噪声。
5)利用已通过检验的模型进行预测分析。
基于以上五个内容,形成一套完整的现金流量(流入或流出)预测算法。
时间序列:在生产和科学研究中,对某一个或者一组变量x(t)进行观察测量,将在一系列时刻t1,t2,…,tn所得到的离散数字组成的序列集合,称之为时间序列。
通过本发明能合理规划企业现金收支,协调现金收支与经营、投资、融资活动的关系,保持现金收支平衡和偿债能力,同时也为现金控制提供依据。
附图说明
图1是现金流量预测分析流程图。
具体实施方式
一种基于ARIMA的现金流量预测方法,包含以下内容:
1)获取现金流量(流入或流出)时间序列数据,建立散点图,自相关函数,偏自相关函数,利用游程检验法检验序列平稳性。
2)对时间序列数据进行平稳化处理,根据识别规则,建立相应ARIMA模型(AR、MA、ARMA)。
3)进行参数估计,检验是否具有统计意义。
4)进行假设检验,诊断残差序列是否为白噪声。
5)利用已通过检验的模型进行预测分析。
算法基本原理
ARIMA(p,d,q)模型全称为自回归滑动平均模型,是一种时间序列预测方法。其中ARIMA(p,d,q)称为差分自回归滑动平均模型,AR是自回归,MA为滑动平均,p为自回归项,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。
现金流量预测ARIMA(p,d,q)模型实质是先对非平稳的现金流量历史数据Yt进行d=0,1,…,n次差分处理得到新的平稳的现金流量数据序列Xt,将Xt拟合ARIMA(p,q)模型,然后再将原d次差分还原,便可以得到Yt的现金流量预测数据。
其中,ARIMA(p,q)的一般表达式为:
式中,前半部分为自回归部分,非负整数p为自回归阶数,为自回归系数,后半部分为滑动平均部分,非负整数q为滑动平均阶数,θ1,…,θq为滑动平均系数;Xt为现金流量数据相关序列,∈t为WN(0,σ2)。
当q=0时,该模型成为AR(p)模型:
当p=0时,该模型成为MA(q)模型:
Xt=∈t-θ1∈t-1-…-θq∈t-q,t∈Z
具体方法如下:
1)获取现金流量(流入或流出)历史数据的时间序列样本数据并进行预处理。
2)观测时间序列数据是否为平稳时间序列,利用游程检验法检验序列平稳性;对于非平稳时间序列,用差分的方法,即:Yt′-i=Yt-Yt-1,对序列进行平稳化预处理,每次差分后数据进行游程检验,直到差分所得数据可以通过平稳性检验,记为d次差分,得到新的平稳序列X1,X2,…,Xt-d。
差分:又名差分函数或差分运算,差分的结果反映了离散量之间的一种变化,是研究离散数学的一种工具。它将原函数f(x)映射到
f(x+a)-f(x+b)。
游程检验:亦称“连贯检验”,是根据样本标志表现排列所形成的游程的多少进行判断的检验方法。分析目的是用于判断观察值的顺序是否随机。
3)取前N组(或全部)数据作为观测数据,进行零均值化处理,即:得到一组预处理后的新序列Xt′。零均值:对一组数据中每一个都减去这组的平均值,得到一组新的数据。
4)通过计算预处理后的序列Xt′的自相关函数(ACF)ρk和偏自相关函数(PACF)来进行模型识别。
ACF函数:
PACF函数:
根据上述计算结果,并依据下表的模型识别原则,可以确定Xt′符合的模型。
ARMA模型识别规则:
5)参数估计和模型定阶。在上述模型识别的基础上,利用样本矩估计法、最小二乘估计法或极大似然估计法等对ARMA(p,q)的未知参数,即自回归系数、滑动平均系数以及白噪声方差进行估计,得出WN(0,σ2)。利用AIC,BIC准则进行模型定阶。矩估计:就是利用样本矩来估计总体中相应的参数。参数估计:根据从总体中抽取的样本估计总体分布中包含的未知参数的方法
6)模型检验:
I)检查模型是否能满足平稳性和可逆性。
检查公式:
检查要求:上面公式的根在单位圆外。
II)检查模型的残差序列是否为白噪声。如果不是,则需要重新进行模型识别,如果是,则通过检验,得出软件可靠性预测模型:
残差:残差在数理统计中是指实际观察值与估计值(拟合值)之间的差。
7)根据上述预测模型,依据一步预测的方法对Xt′进行预测,并考虑前面所进行的d次差分,还原为现金流量数据Yt的预测结果。
Claims (2)
1.一种基于ARIMA的现金流量预测方法,其特征在于该方法包含以下内容:
1)获取现金流量时间序列数据,建立散点图,自相关函数,偏自相关函数,利用游程检验法检验序列平稳性;
2)对时间序列数据进行平稳化处理,根据识别规则,建立相应ARIMA模型;
3)进行参数估计,检验是否具有统计意义;
4)进行假设检验,诊断残差序列是否为白噪声;
5)利用已通过检验的模型进行预测分析,完成现金流量预测。
2.根据权利要求1所述的基于ARIMA的现金流量预测方法,其特征在于具体方法如下:
1)获取现金流量历史数据的时间序列样本数据并进行预处理;
2)观测时间序列数据是否为平稳时间序列,利用游程检验法检验序列平稳性;对于非平稳时间序列,用差分的方法,即:Y′t-i=Yt-Yt-1,对序列进行平稳化预处理,每次差分后数据进行游程检验,直到差分所得数据通过平稳性检验,记为d次差分,得到新的平稳序列X1,X2,…,Xt-d;
3)取前N组数据作为观测数据,进行零均值化处理,即:得到一组预处理后的新序列X′t;
4)通过计算预处理后的序列X′t的自相关函数(ACF)ρk和偏自相关函数进行模型识别;
ACF函数:
<mrow>
<msub>
<mi>&rho;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>k</mi>
</mrow>
</msubsup>
<msup>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
<msup>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
PACF函数:
根据上述计算结果,并依据模型识别规则,确定Xt′符合的模型;
ARMA模型识别规则如下:
5)参数估计和模型定阶;在上述模型识别的基础上,利用样本矩估计法、最小二乘估计法或极大似然估计法对ARMA(p,q)的未知参数,即自回归系数、滑动平均系数以及白噪声方差进行估计,得出WN(0,σ2);利用AIC,BIC准则进行模型定阶;
6)模型检验:
I)检查模型是否能满足平稳性和可逆性;
检查公式:
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<msup>
<mi>B</mi>
<mi>j</mi>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
检查要求:上面公式的根在单位圆外;
II)检查模型的残差序列是否为白噪声;如果不是,则需要重新进行模型识别,如果是,则通过检验,得出软件可靠性预测模型:
7)根据上述预测模型,依据一步预测的方法对Xt′进行预测,并考虑前面所进行的d次差分,还原为现金流量数据Yt的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710981037.0A CN107766977A (zh) | 2017-10-20 | 2017-10-20 | 一种基于arima的现金流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710981037.0A CN107766977A (zh) | 2017-10-20 | 2017-10-20 | 一种基于arima的现金流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766977A true CN107766977A (zh) | 2018-03-06 |
Family
ID=61269108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710981037.0A Pending CN107766977A (zh) | 2017-10-20 | 2017-10-20 | 一种基于arima的现金流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766977A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959715A (zh) * | 2018-06-07 | 2018-12-07 | 中国人民解放军63789部队 | 在轨卫星管理关键空间环境参数短期预测方法 |
CN109032117A (zh) * | 2018-09-06 | 2018-12-18 | 华北电力大学(保定) | 基于arma模型的单回路控制系统性能评价方法 |
CN109993370A (zh) * | 2019-04-10 | 2019-07-09 | 国网浙江省电力有限公司 | 一种基于非平稳时间序列的电力销售日现金流预测方法 |
CN111179143A (zh) * | 2020-01-06 | 2020-05-19 | 紫光云技术有限公司 | 基于bim的智慧消防系统 |
CN111190045A (zh) * | 2019-12-27 | 2020-05-22 | 国网北京市电力公司 | 电压异常预测方法及装置、电子设备 |
CN111461872A (zh) * | 2020-04-02 | 2020-07-28 | 杨九妹 | 基于区块链的大数据企业资金管理方法及系统 |
CN111612128A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种sf6高压断路器状态主动预警方法及装置 |
CN113762630A (zh) * | 2021-09-10 | 2021-12-07 | 中国建设银行股份有限公司 | 时间窗口的选择方法及装置、存储介质及电子设备 |
CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
-
2017
- 2017-10-20 CN CN201710981037.0A patent/CN107766977A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959715A (zh) * | 2018-06-07 | 2018-12-07 | 中国人民解放军63789部队 | 在轨卫星管理关键空间环境参数短期预测方法 |
CN109032117A (zh) * | 2018-09-06 | 2018-12-18 | 华北电力大学(保定) | 基于arma模型的单回路控制系统性能评价方法 |
CN109993370A (zh) * | 2019-04-10 | 2019-07-09 | 国网浙江省电力有限公司 | 一种基于非平稳时间序列的电力销售日现金流预测方法 |
CN111190045A (zh) * | 2019-12-27 | 2020-05-22 | 国网北京市电力公司 | 电压异常预测方法及装置、电子设备 |
CN111179143A (zh) * | 2020-01-06 | 2020-05-19 | 紫光云技术有限公司 | 基于bim的智慧消防系统 |
CN111461872A (zh) * | 2020-04-02 | 2020-07-28 | 杨九妹 | 基于区块链的大数据企业资金管理方法及系统 |
CN111612128A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种sf6高压断路器状态主动预警方法及装置 |
CN113762630A (zh) * | 2021-09-10 | 2021-12-07 | 中国建设银行股份有限公司 | 时间窗口的选择方法及装置、存储介质及电子设备 |
CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766977A (zh) | 一种基于arima的现金流量预测方法 | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN106529145A (zh) | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 | |
CN109783843B (zh) | 基于lstm的仿真系统车辆动力学模型速度预测方法 | |
CN107767191A (zh) | 一种基于医药大数据预测药品销售趋势的方法 | |
CN108764375B (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN110097451B (zh) | 一种银行业务的监控方法及装置 | |
CN105571645A (zh) | 一种大坝自动化监测方法 | |
CN110276491A (zh) | 粉丝预测管理方法、装置、计算机设备及存储介质 | |
CN107294795A (zh) | 一种网络安全态势预测方法及设备 | |
CN111626844A (zh) | 基于大数据分析的企业信用评估方法及装置 | |
CN110020939B (zh) | 建立违约损失率预测模型的装置、方法及存储介质 | |
CN114596111A (zh) | 风险识别模型生成方法、装置、设备及存储介质 | |
CN111062602A (zh) | 企业信用风险评估的方法、装置及存储介质 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
CN103530190B (zh) | 一种负载预测方法及装置 | |
CN112581291A (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
CN112597663A (zh) | 一种基于蒙特卡洛仿真和网格搜索法的汽车二维质保策略的优化方法 | |
CN117011013A (zh) | 一种成本数据的处理方法、装置、设备、介质及程序产品 | |
CN112346995B (zh) | 一种基于银行业的测试风险预估模型的构建方法及装置 | |
CN111967774B (zh) | 软件质量风险预测方法及装置 | |
RU61906U1 (ru) | Система учета, контроля и прогноз при совершении действий с ресурсами | |
CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
CN113657656A (zh) | 贷款数据分析预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |