BP神经网络模型对公司价值评估中自由现金流量的时序预测，本文主要内容关键词为：神经网络论文,时序论文,现金流量论文,模型论文,价值评估论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F224
文献标识码：A
自由现金流量法对自由现金流量的计算及预测一直是影响价值评估结果客观与否的一个重要因素。对于自由现金流各参数的计算来说，由于涉及企业的经营现金净流量、资本支出及营运资本支出等多个项目，而这些项目多数并不能由财务报表直接得出，即便有的项目似乎可以由财务报表计算出来，而事实上其内涵与自由现金流所要求的内涵并不相符，因而需要针对不同企业的自身特点进行调整分析，才能更好地加以量化。对自由现金流的预测来说，由于其具有时序特点，因此对其预测经常采用的方法是统计学上的时间序列分析。但由于统计时间序列分析固有的—些局限性，如其通常是线性的，而不能获取非线性的属性(nonlinear behavor)(Tim Hill,Marcus O'Connor William Remus 1996)；一些外部因素会导致模型参数的有偏估计(Iman and Conover 1983)。而神经网络模型由于可以克服这些缺陷，至少可以更少地受制于这些限制(Connor 1988)，因而受到青睐。本文就是试图将神经网络时序技术用于自由现金流量的预测中，以便使自由现金流量法在进行价值评估时更具决策能力。
一、自由现金流量的参数计算
附图
其中，OC为经营性现金净流量。
我们在运用上述公式进行计算时，还需注意以下问题：营运资金需求一般表示为流动资产减去流动负债后的净额。但上面公式中的营运资金需求仅表示对营业现金流量的占用，因此这里计算的营运资金需求不同于一般会计意义上的营运资金：①此处列入计算的流动资产不应包括超额现金和短期证券；②这里的流动负债也不包括短期借款和短期债券。
此外，有些企业可能除了进行必要的业务投资以外还会有一些随意的资本支出，那些不是为了企业未来增长而随意花费的资本支出也应纳入自由现金流量，因为这笔现金完全可以分配给股东而对企业的增长没有任何影响。事实上，当初Jensen提出自由现金流量假说时，最主要的目的就是要控制企业随意性投资的，即通过确定自由现金流量，以降低代理成本。估算随意资本支出的一种方法是将销售成本的增长率同资本支出的增长率相比较：假设为了维持某一特定的销售成本增长率，资本支出的增长率应大致相同，那么资本支出增长率超过销售成本增长率的部分，就可以看成是过度投资（即随意资本支出），它就应该被看成是自由现金流量。
上面我们得出的企业自由现金流量的估算方法可称为直接法。此时，企业自由现金流量可在三张财务报表的基础上调整得到：
(1)计算经营现金净流量。通过现金流量表得到经营活动产生的现金净流量。
(2)计算必要资本支出。通过现金流量表得到购建固定资产、无形资产或其他长期资产的数额，其中可以通过与销售成本的增长率相比较而剔除随意性投资；或以折旧额替代。
(3)计算营运资本净增加额。首先，估算出企业的超额现金，再用流动资产减去超额现金与短期证券，便可得到用于计算营运资本的流动资产；其次，用流动负债减去短期借款及短期债券等，得到用于计算营运资本的流动负债；再次，用调整后的流动资产减去调整后的流动负债，就得到了营运资本支出；最后，通过时期比较便可以得到营运资本净增加额。
(4)计算自由现金流量。根据公式(2)在得到上述三个项目后就可以计算得出自由现金流量。
另外，我们还可用间接法来估算企业自由现金流量。间接法的理论依据是：资本来源等于资本运用。从而倒推出自由现金流量等于现金变动数加上发放的股利及再加上发行股票收到的净现金。由于间接法同样得对现金变动数加以分析，也就是要得到超额现金数额，同时在进行公式变换时，也需要区别必要投资与随意投资，因此，其计算难度并不优于直接法，这里不再赘述。
二、BP神经网络时序技术在自由现金流量预测中的应用
采用BP算法的多层前馈神经网络对企业自由现金流量进行预测可以克服用统计时间序列分析进行预测的一些限制，因此本文拟用BP神经网络模型来预测自由现金流量。BP神经网络一般包括输入层、隐层(hidden layer)和输出层。如图1（图略）。
附图
附图
由上述公式可知，输出层
，即自由现金流量的预测值的取值范围(0,1)，因此需对样本的期望输出的自由现金流量
作归一化处理，在进行网络训练时，其自由现金流量的期望值就是自由现金流量时间序列的实际值。通过一定数量样本的网络训练过程，确定各层的权值及阈值，使其对全部L个样本的输入，按上述公式的运算得到的自由现金流量的预测值与期望输出（即各期自由现金流量的实际值）的总误差E达到：
附图
其中，p为样本数，k为迭代次数。
选择合理的权值v和w的最优化过程由BP算法完成，并且在
时，网络学习终止。
其中，δ为要达到的指定精度。
三、案例应用
本文以中国某大型轿车厂为例，说明其自由现金流量的参数计算及其预测。由于此轿车厂是1997年12月份上市的，故本文选取了从1997年到2003年期间的年报资料（这样得到的数据具有一定的可比性）以及一些实际调研的资料。本文根据实际调查结果将超过当年销售收入1%的现金作为超额现金。其自由现金流量各参数的计算如表1～5。
通过以上步骤，就完成了对自由现金流的短期预测。事实上，由于中国企业的存续期普遍比较短，而要求季报的时间只是近5年的事情，因此数据量比较小；同时中国财务报表的编制方法在近10年中发生了较大的变化，依据不同年度财务报表数据进行的预测也存在一定的不可比性。这些都将一定程度上影响预测的准确性。
表1 调整后流动负债计算表
（单位：千元）
年度
流动负债短期借款
一年内到期长期负债
调后的流动负债
1997
1535901.66
1051000.00
4428.65
480473.01
1998
1139109.49
300000.00
4428.65
834680.84
1999
879484.84
41000.00
4428.65
834056.19
2000
898495.80
10000.00
4428.65
884067.16
2001
1535089.28
402000.00
2428.65
1130660.64
2002
2117836.67
223482.48
70.001894284.19
2003
4122728.70
780356.29
70.003342302.42
表2 超额现金计算表
（单位：千元）
年度
货币资金销售收入的1%
超额现金
1997
1649692.65
51861.661597830.98
1998
1734529.66
39922.151694607.51
1999
22635.50 41062.22 0
2000
2225748.70
31144.982194603.72
2001
2258257.92
34452.692223805.23
2002
2634405.63
47555.812586849.82
2003
4592385.54
95519.304496866.23
表3 调整后流动资产计算表
（单位：千元）
年度
流动资产超额现金短期证券
调后的流动资产
1997
3485176.57
1597830.98
0 1887345.59
1998
3888507.64
1694607.51
200000.00
1993900.14
1999
3855117.46
0
0 3855117.46
2000
4064038.26
2194603.72 0 1869434.53
2001
4320433.15
2223805.23 0 2096627.92
2002
4667592.70
2586849.82
3000.00
2077742.89
2003
7010236.93
4496866.23 0 2513370.70
表4 自由现金流量计算表
（单位：千元）
附图
表5 神经网络输出预测结果
学习方法：自适应学习速率；网络层数：3；
网络描述 输入端节点：2；隐含层节点：30；输出端节点：1
输入1 输入2 目标输出T
预测值y
样本1
431440749.6
-1228629525
2229722488
2.23E+09
样本2
-1228629525
2229722488
245078235
2.45E+08
样本3
2229722488
245078235
1433706291
1.43E+09
样本4
245078235
1433706291
2891441711
2.89E+09
1433706291
2891441711
2.79E+10
标准误差
0.0000001
训练误差
9.30E-08
标准步数35000训练步数
468
四、结 论
本文是在企业自由现金流计算的原始模型的基础上，采用了BP神经网络时序分析技术，完成了对自由现金流量的预测，使之更具客观性。
当然，本文也存在诸多局限性。例如对某轿车厂的案例研究中，在计算自由现金流量的参数时，对于资本支出的计算，由于资料所限及分析上存在的难度，只是粗略地根据该公司的现金流量表中各年度的相关项目填列，而没有对其进行随意性支出与合理性支出的分析。而对超额现金的计算，也只是根据调研结果，采用1998～2003年度销售收入的平均比率计算，并没有逐年进行分析，这势必影响自由现金流参数计算的准确性。鉴于此，笔者认为，欲得到更为准确的自由现金流及其预测值，必须根据企业的具体情况，详细分析自由现金流的每一参数，对其进行调整；然后，再辅之以神经网络技术对其预测，方可得到良好的效果。
标签：资本支出论文; 自由现金流论文; 神经网络模型论文; 现金流量分析论文; 预测模型论文; 现金流量预测论文; 营业现金流量论文; bp神经网络论文; 流动资产论文;