توسعه مدل رگرسیونی پویا برای پیش بینی وجه نقد عملیاتی آتی

هدف این پژوهش توسعه یک مدل رگرسیونی پویا جهت پیش بینی وجه نقد عملیاتی آتی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، می باشد. بدین منظور اطلاعات 250 شرکت در دوره زمانی سالهای 1383 الی 1396 در نظر گرفته شدند. در این پژوهش متغیرهای عملیاتی و اقتصادی به مدل بنیادی بارت، کرام و نلسون (bcn) اضافه شدند. با توجه به تاثیر همزمان متغیر عملیاتی نرخ رشد فروش بر اقلام تعهدی سرمایه در گردش موجود در مدل (متغیرهای مستقل) و نیز متغیر وجه نقد عملیاتی آتی (متغیر وابسته)، برای برازش مدل از روش جعبه خاکستری با بکارگیری تابع پاده استفاده شد. به منظور تخمین مدل حاصل از جعبه خاکستری، سه الگوریتم فراابتکاری گرگ خاکستری، پرواز پرندگان و الهام گرفته از نور بکار گرفته شدند. نتایج نشان داد، تخمین مدل با استفاده از الگوریتم گرگ خاکستری، کمترین خطای پیش بینی وجه نقد را در بین همه الگوریتم ها دارد. علاوه بر آن، به منظور بررسی برتری الگوریتم گرگ خاکستری نسبت به دو الگوریتم دیگر از آزمون‌ فریدمن استفاده شد. نتایج این آزمون نیز برتری الگوریتم گرگ خاکستری را در پیش بینی دقیق تر وجه نقد آتی تایید کرد.

Developing a Dynamic Regression Model for Predicting Future Operating Cash Flow

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.