توسعه مدل رگرسيوني پويا براي پيش بيني وجه نقد عملياتي آتي

Developing a Dynamic Regression Model for Predicting Future Operating Cash Flow

هدف اين پژوهش توسعه يك مدل رگرسيوني پويا جهت پيش بيني وجه نقد عملياتي آتي شركتهاي پذيرفته شده در بورس اوراق بهادار تهران، مي­باشد. بدين منظور اطلاعات 250 شركت در دوره زماني سالهاي 1383 الي 1396 در نظر گرفته شدند. در اين پژوهش متغيرهاي عملياتي و اقتصادي به مدل بنيادي بارت، كرام و نلسون (BCN) اضافه شدند. با توجه به تاثير همزمان متغير عملياتي نرخ رشد فروش بر اقلام تعهدي سرمايه در گردش موجود در مدل (متغيرهاي مستقل) و نيز متغير وجه نقد عملياتي آتي (متغير وابسته)، براي برازش مدل از روش جعبه خاكستري با بكارگيري تابع پاده استفاده شد. به منظور تخمين مدل حاصل از جعبه خاكستري، سه الگوريتم فراابتكاري گرگ خاكستري، پرواز پرندگان و الهام گرفته از نور بكار گرفته شدند. نتايج نشان داد، تخمين مدل با استفاده از الگوريتم گرگ خاكستري، كمترين خطاي پيش بيني وجه نقد را در بين همه الگوريتم ها دارد. علاوه بر آن، به منظور بررسي برتري الگوريتم گرگ خاكستري نسبت به دو الگوريتم ديگر از آزمون‌ فريدمن استفاده شد. نتايج اين آزمون نيز برتري الگوريتم گرگ خاكستري را در پيش بيني دقيق تر وجه نقد آتي تاييد كرد.

The purpose of this research is to develop a dynamic regression model for prediction of future operating cash flows of firms accepted in Tehran Stock Exchange. So, the information of 250 companies were considered during 2004 to 2017. In this study, operational and economic variables were added to the fundamental model of Bart, Cram and Nelson (BCN). Due to the simultaneous effect of sales growth rate on working capital accruals (independent variables) and future operating cash flows (dependent variable) to fit the model, the gray box method was used with the help of the Pade approximant. To estimate the model were used three meta heuristics algorithm, grey wolf optimization, particle swarm optimization and inspired optic optimization. The results showed that the model which estimated by gray wolff algorithm has the least cash flows prediction error among all algorithms. In order to investigate the superiority of the gray wolf algorithm, the Friedman test was used. The results of this test also confirmed the superiority of the gray wolf algorithm in predicting future cash flows.