دانلود مقاله پیش‌بینی جریان نقدی با نگرش پویای غیر خطی
ترجمه نشده

دانلود مقاله پیش‌بینی جریان نقدی با نگرش پویای غیر خطی

عنوان فارسی مقاله: یک رویکرد دینامیک غیر خطی برای پیش‌بینی جریان نقدی
عنوان انگلیسی مقاله: A nonlinear dynamic approach to cash flow forecasting
مجله/کنفرانس: بررسی مالی و حسابداری کمی - Review of Quantitative Finance and Accounting
رشته های تحصیلی مرتبط: حسابداری
گرایش های تحصیلی مرتبط: حسابداری مالی
کلمات کلیدی فارسی: رشد جریان نقدی - پیش بینی جریان نقدی - مدل جعبه خاکستری - مدل داده پانل
کلمات کلیدی انگلیسی: Cash flow growth - Cash flow prediction - Grey-box model - Panel data model
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1007/s11156-022-01066-8
نویسندگان: Yang Pang - Shimeng Shi - Yukun Shi - Yang Zhao
دانشگاه: Department of Public Equity, China Investment Corporation, PRC
صفحات مقاله انگلیسی: 33
ناشر: اسپرینگر - Springer
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 2.289 در سال 2020
شاخص H_index: 46 در سال 2022
شاخص SJR: 0.636 در سال 2020
شناسه ISSN: 0924-865X
شاخص Quartile (چارک): Q2 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e16933
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست مطالب (ترجمه)

چکیده

مقدمه

مشخصات مدل

مطالعه تجربی بازار ایالات متحده

نتیجه گیری

منابع

فهرست مطالب (انگلیسی)

Abstract

Introduction

Model specifcation

Empirical study of the U.S. market

Conclusion

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     ما یک مدل جدید جعبه خاکستری را برای دریافت غیرخطی بودن و پویایی پارامترهای مدل جریان نقدی پیشنهاد می‌کنیم. مدل جعبه خاکستری ساختار مدل جعبه سفید ساده را حفظ می کند، در حالی که پارامترهای آنها به عنوان یک جعبه سیاه با یک Padé تقریبی به عنوان یک فرم عملکردی مدل‌سازی می‌شوند. نرخ رشد فروش و سن شرکت به‌عنوان متغیرهای برون‌زا مورد استفاده قرار می‌گیرند، زیرا قدرت توضیحی برای فرآیند پارامتر در نظر گرفته می‌شوند. روش‌های تخمین داده‌های پانل برای بررسی اینکه آیا آنها از رگرسیون تلفیقی بهتر عمل می‌کنند، که به طور گسترده در ادبیات موجود استفاده می‌شود، استفاده می‌شود. ما از مجموعه داده ایالات متحده برای ارزیابی عملکرد مدل‌های مختلف در پیش‌بینی جریان نقدی استفاده می‌کنیم. دو معیار عملکرد برای مقایسه قدرت پیش‌بینی خارج از نمونه مدل‌ها انتخاب شده‌اند. نتایج نشان می‌دهد که مدل جعبه خاکستری پیشنهادی می‌تواند عملکرد برتر، به‌ویژه در پیش‌بینی‌های چند دوره آینده را ارائه دهد.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     We propose a novel grey-box model to capture the nonlinearity and the dynamics of cash flow model parameters. The grey-box model retains a simple white-box model structure, while their parameters are modelled as a black-box with a Padé approximant as a functional form. The growth rate of sales and firm age are used as exogenous variables because they are considered to have explanatory power for the parameter process. Panel data estimation methods are applied to investigate whether they outperform the pooled regression, which is widely used in the extant literature. We use the U.S. dataset to evaluate the performance of various models in predicting cash flow. Two performance measures are selected to compare the out-of-sample predictive power of the models. The results suggest that the proposed grey-box model can offer superior performance, especially in multi-period-ahead predictions.

Introduction

     Future cash flows are critical for the survival of corporations. Reliable and accurate cash flow forecasting is important for academics and practitioners. For example, the value of a firm could be estimated by the sum of discounted future cash flows generated during its lifetime. One of the primary inputs of this valuation method is future cash flows. Also, when firms have larger accruals, more heterogeneous accounting choices than their peers in the same industry, higher earnings volatility, higher capital intensity, or poorer financial health, financial analysts prefer to provide cash flow forecasts to help their clients to make better investment decisions (Defond and Hung, 2003). Compared with accruals, cash flows are more difficult to be manipulated in earnings management; therefore, they could be used to monitor earnings transparency (McInnis and Collins, 2011). However, it is challenging to model the dynamics of future cash flows, which may be partially attributed to limited data and theory.

Conclusion

     This paper proposes a cash flow forecast model which captures the nonlinearity and dynamics of the cash flow process. Our model incorporates heterogeneity across firms in cash flow prediction as we allow for a panel data setting which has both time-series and cross-sectional dimensions. The nonlinearity is captured numerically by a black-box model, and the linear form is captured by a white-box model. Therefore, our model is considered as a grey-box model, and it achieves a good balance between prediction accuracy and model complexity. Moreover, to incorporate the dynamics of cash flows, the parameters of the panel data models are treated as time-varying. No linearity restrictions are imposed on these time-varying parameters.