概述
DFA模型企業戰略決策必須面對不確定的未來環境(由未來利率水平、股票市場走勢、GDP的增長率等構成)。對環境我們可以做出許多組假定，在動態財務分析方法中，每一組假定生成一個情景。動態財務分析的核心是對未來可能的情景進行界定，而情景是對一組外生變數(比如利率、通脹率等)未來狀態的具體描述，它構成了公司具體的生存環境。同一情景，在不同戰略下，營運結果不同；同一戰略，在不同情景下，營運結果也不同。需要注意的是，動態財務分析方法不僅僅是一種戰略決策模型，它更是一種把公司整體經營狀況整合在一起的思考方式。在一種整體性、全方位的框架中對公司的戰略決策進行評估。動態財務分析方法作為全方位的思考方式，允許公司在單一框架中同時處理許多種戰略決策，這與傳統把不同的戰略決策分散在不同的框架中處理的方法形成了鮮明對比。
對企業財務長(CFO)而言，預測未來是其重要職責，而最近在美國、加拿大等國家的理論和實務界熱烈討論的“動態財務分析”方法，無疑為他們提供了更新更全面的預測方法和模型工具。如果僅從詞義上來看“動態財務分析”，它所體現的“隨機性和變化性”思想，是和“靜態或固化的”方法相對應的，即在不確定的環境下預測未來的經營成果，而這正是它和傳統的規劃或預測上最大的區別所在。從企業資金經營管理的角度來說，“動態財務分析”方法則絕非只是靜態地考察資產負債表的某部分(如負債中的準備金)，而是在較廣泛的區間內監控企業整體財務狀況，並在不確定和變化的市場環境下考察企業的財富變化。
產生和發展
DFA模型那么，究竟是何種因素促使“動態財務分析”方法引起企業財務分析師們如此關注，從而得以在美國、加拿大等地的風險管理技術中迅速發展呢?答案是上世紀70年代北美金融市場的利率劇烈波動，引發了公司對自身資產負債管理上高度重視，而之後的養老金資產負債管理技術的迅速發展和更新，其內容已經突破監管所要求的“利率風險管理”，因此“動態財務分析”方法應運而生，在當前的養老金風險管理技術中得到了廣泛的認可和套用。
以美國的長期政府債券為例(北美地區典型的投資工具)，其利率變化在1977年以前很少超過1％，而且很快能在第二年度抵消，因此即便是忽視利率風險，養老金行業在評估其債券法定價值時，資產負債表所受衝擊很微弱，企業的經營成果也不會受太大影響。但是，1977—1981年連續的利率大幅攀升，以及之後年度的利率持續震盪，徹底改變了過去的狀況。尤其是一些壽險公司，由於承擔著長期負債責任，因而持有長期資產，因此最易受利率波動的影響和衝擊。比如 “脫媒風險”，即在利率波動的市場環境下，保單持有者以退保或貸款方式從壽險公司提取現金而給保險企業帶來的損失。而過去，壽險公司在進行產品設計、企業財務規劃和預測時，是以“利率平穩”以及“消費者行為不變”等靜態假定為基礎的。因此，整個20世紀70年代末和80年代初，北美地區財務狀況惡化的壽險公司數量激增，給整個壽險業經營帶來巨大的負擔和風險。
DFA模型而當前不斷更新的計算技術，更是促進了資產負債管理及其模型技術的革新和複雜化。當前的資產負債管理技術已經不僅僅局限於監管要求的“利率風險管理”，而是將許多非利率風險包括其中。如今的資產負債管理技術，既管理特定產品風險，也可分析公司整體風險，既用來考察投資策略，也可用來做公司其他戰略性分析。養老金動態財務分析及其模型技術正是將養老金計畫視為整體，從而在整個企業內進行模擬分析的有效的預測工具和方法。從20世紀90年代初開始，它已經在美國公司的經營和風險管理中廣泛地使用。目前，北美以及歐洲等地的公司以及著名的研究機構都非常熱衷於此項研究。例如，瑞士再保險公司即將“動態財務分析”及其模型技術套用到保險公司戰略規劃，如收購訐估中，從而體現動態財務分析是如何在一個整體的框架內，協調“資產分配以及資本充足性測試”的。因此，“動態財務分析”方法可以認為是企業資產負債管理技術未來的發展趨向。
“動態財務分析” 的方法作為未來企業資產負債管理技術發展的趨向，不僅能夠靈活地運用“久期模型”，“資產負債缺口分析模型”，以及近期發展起來的“風險價值模型 (Value-at-Risk，簡稱VaR)”等各種度量方法來測算利率變動對企業資產負債的影響，還可通過恰當的“情景條件生成器”，在當前市場條件 (包括通貨膨脹率、國民生產總值增長率等)和未來市場環境之間建立關聯，並就此預測企業資產和負債的變化。企業動態財務分析的模型研究方法主要包括“情景分析”和“隨機模擬”兩方面。這兩種模型方法能有效地度量利率、通脹及負債風險變化對公司市場價值或資產淨值的影響。
兩種方法
DFA模型使用傳統的趨勢外推、增長曲線等定量定時的預測方法，來在不確定性條件下進行經濟預測，存在一定的局限性，不能適應處於當今瞬息萬變世界中的人們預測未來之需要。這主要表現在：
第一，如果原始數據可信度不高，那么，由這些傳統預測模型得出的預測結果便不可靠；
第二，這些傳統預測方法無法綜合歸納和反饋人們對未來發展的群體意圖和願望，不能體現人們駕馭未來的能動作用；
第三，這些傳統方法是在系統環境不變的前提下，根據過去和現在推斷未來，所以，一旦系統環境發生變化，這些方法就失去了套用前提，在這種條件下得到的預測結果便宣告失效；
第四，這些傳統的預測技術無法解釋處於不確定環境中的企業長期發展的多種可能性。
以特爾菲法為代表的機率預測技術，儘管克服了傳統的定量預測和定時預測方法的一些缺點，但是，它作為一種獲取專家知識的有效手段，側重於獲取專家較為一致的經驗判斷，對技術發展前景的複雜性、多樣性、不確定性、突變性和跳躍性等特徵體現得不夠充分。那么，在不確定條件下，面對公司未來經營和財務規劃發展的多種可能，如何避免用傳統預測技術盲目地推斷一個單一的“最可能”未來，而去設計一個體現未來發展多樣化的符合邏輯的多變數系統，並由此導出一系列多維的預測結果呢?情景分析法就是可以滿足這些要求的重要的經濟預測方法之一。
1.情景分析法
在長期的發展過程中，產生了一些具體的便於操作的情景分析法，例如：目標展開法、空隙填補法、未來分析法等等，儘管這些方法各有特色，但它們的主要操作過程大致相同，可以歸納為以下四個步驟：第一，明確預測問題，作好必要準備。根據現實需要和項目要求進行信息調研，調研範圍不僅包括公司自身經營和財務因素，還應包括社會、政治、經濟、生態等相關因素。第二，確定影響水平和變數。在系統分析基礎上，依靠專家智慧，將影響公司未來經營發展的主要因素劃分為幾大類影響水平。然後在各水平下，確定影響較大的子因素或者說變數。在水平及變數的確定過程中，要在水平間、變數間進行互動影響分析，消除重疊因素和次要因素。除了定性分析，目前已有很多定量分析方法可以用來選擇關鍵因素。例如：間接影響分析法、模糊集合法、結構解釋模型法、結盟與衝突分析法等。第三，情景構造。情景構造是情景分析的中心內容。構造情景時，應充分發揮專家的邏輯思維能力和形象思維能力，從當前時刻出發，根據各水平下變數的可能變化情況，沿其路徑向未來延伸。在延伸過程中，要保證各因素的影響作用有理有據，一個因素或事件為什麼比另一個的影響大，影響作用是什麼?必須能夠說得明白，而且最好能用量化指標說明，為了避免情景系統過於龐大、複雜，小機率事件一般不考慮。第四，編寫預測報告。這一階段主要是對前面工作進行系統整理和總結，以及對以前工作存在的個別紕漏進行補救。
2.隨機模擬法
所謂模擬是指用電子計算機對真實經濟系統在一定環境下各要素的相互作用，進行有條件的模仿試驗，並求得數值解的一種數量分析方法。正如前面所說，在現實經濟生活中直接進行實驗，或者是不可能的，或者是得不償失的，而根據實際問題建立模型，並利用模型進行試驗，比較不同後果，選擇可行方案，不失為有效的代用方法。同時，由於經濟數學模型日益增大和複雜化，並且要更多地考慮非經濟的影響，已不能用數學運算達到準確的分析解，而需要通過電子計算機模擬，用數值運算達到數字解。綜合這兩方面可以看出，模擬已使間接實驗成為可能，也為模型求解提供了新的方法。隨機模擬不同於求解確定性的、靜態的線性問題的數學解析法，能比較真實地描述和近似地求解複雜系統的問題。隨機模擬又不同於專門研究系統運行狀況的，常用的有很大局限性的真實的實驗法，它能在真實系統建立前進行可能辦到的、經濟方便的有限實驗。進行隨機模擬的基本步驟包括確定問題、收集資料、制定模型、建立模型的計算程式、鑑定和證實模型，設計模型試驗、進行模擬操作和分析模擬結果。這裡說的模型必須是“模擬模型”，一般來說，“隨機模型”比確定性模型、“動態模型”比靜態模型、“非線性模型”比線性模型更多地使用模擬方法來分析和求解，而成為模擬模型。隨機模擬模型比較靈活，它通常並不用來求最優解，但卻可以回答“如果在某個時期採取某種行動，對後續時期將會產生什麼後果”等一類的問題。
國內著名信息經濟學者烏家培教授認為，隨機模擬的作用表現在：能對高度複雜的內部互動作用的系統進行研究和實驗能構想各種不同方案，觀察這些方案對系統的結構和行為的影響；能反映變數間的相互關係，說明哪些變數更重要，如何影響其他變數和整個系統能研究不同時期相互間的動態聯繫，反映系統行為隨時間變化而變化的情況；能檢驗模型的假設，改進模型的結構。他同時也認為，隨機模擬的局限性表現在：隨機模擬運用範圍只限於能考察的情況，一旦出現不能模擬的特殊情況時，就會發生困難；它的規模很大時，較難取得資料相模擬細節成本高、費時間、工作複雜。北美地區的精算師對前面所說的“情景分析”方法應當是十分熟悉的，即便在70年代金融市場利率震盪以前，他們就已經開始使用此種模型方法了。例如，在美國社會保險體系中，情景分析的方法就已經被用來預測三種情景下社會體系的財務狀況。對精算師而言，“情景分析”方法的優勢之一是，只要實際結果落於預測區間內，精算師便迴避了因為不準確的點估計而要受到的批評。但是，對政策制定者而言，這樣的情景測試方法的幫助是有限的，因為它無法提供各種結果出現的可能性。儘管未來的不確定性也得到了某種程度的反映，但預測結果的區間是如此廣泛，使得基於此數據的決策意義不大。而隨機模擬提供的信息，理論上要優於情景分析。比如，在使用情景分析方法來評估保險公司償付能力水平時，測試結果僅體現在某特定或某系列事件發生的情形下，保險企業是否生存。而隨機模擬方法卻能就事件後果的整個區間內提供有用的信息，所以，目前在北美地區流行的動態財務分析模型，通常是以隨機模擬模型為基礎的。
構成要素
DFA模型此外，構建動態財務分析模型還應當要明確該模型的使用目的，因為動態財務分析模型可以適用許多領域(如財務預測、戰略決策，資產負債管理，資本充足性測試等)，所以必須在構建之初即明確其目的。例如，如果動態財務分析模型僅是設計用來進行償付能力水平測試，那么就應當回答公司陷入財務困境的頻率究竟如何。如果模型設計妥當，就應當可以提供這樣的信息，比如是何種因素導致企業的財務困境，以及關鍵性財務變數的分布等等。假如一次期末盈餘分布狀態源自10000次隨機模擬的結果，如果其中有10次結果是不能接受的，那么就應當確定導致此結果的特定原因，也許導致這10次結果的主要原因是利率水平的升高，那么公司管理層就應當明確，對公司所面臨的利率風險進行套期保值，也許就是減少自身財務危機的最佳途徑。
構建步驟
DFA模型動態財務分析的第一步是由公司董事會明確公司的目的、經營目標、約束條件和風險容忍程度，從而據此確定評價各種戰略方案優劣的標準。它使管理層集中關注影響公司的重大事項，以及對這些事項進行相互溝通。可以量化的經營目標通常是：期望的股東盈餘(Shareholder’s Surplus)及其標準差；期望的股票持有人盈餘(認可資產與認可負債之差) (policyholder Surplus)及其標準差；公司的期望經濟價值(Economic Value)及其標準差等。
2、收集數據
確定分析目標後，必須對外生變數的歷史經驗數據進行收集，以便對其未來狀況做出預測。DFA需要大量有關公司主要風險的可靠數據，並使這些數據隨時可以被提取，因為DFA分析的質量依賴於所使用數據的質量。僅僅想查找出公司最重要的風險就需要大量的時間與努力，這是因為存在於不同部門的不同風險的數據通常都是不完全的，而且因可能存在的方式不同，可能不易獲得或者不適宜進行分析(例如，一堆凌亂的檔案)。許多公司越來越多地以電子方式獲取和存儲信息，這使得DFA獲取數據變得越來越簡單。
3、模型參數化
模型參數化是對模型中的隨機因素(比如實際GDP增長率、利率水平等)進行假定。用於模擬經濟變數的模型，通常由時間序列的回歸分析得出，或者已經被普遍接受(比如，股指收益率滿足對數常態分配，股價運動表現為伊藤過程等)。模型參數化要求一要確定初始條件，二要確定模型參數。
4、生成模型結果
這一步主要是上機操作。當然，使用者必須理解DFA所使用的模擬技術及其缺陷所在。
5、分析模型結果
DFA可以依據公認會計準則、監理會計準則、稅收基礎和經濟價值基礎，分別生成財務報表。如果預算期為5年，做20種不同的模擬，我們就會有400張報表。因此，DFA分析能否成功取決於能否把如此多的數據加工濃縮成簡潔明快的形式。
6、敏感度測試
敏感度測試是為了驗證模型的結論並非是某一隨意的假設，或隨意取出的某一組情景。敏感度測試的做法是固定其他變數，每次只變動一個變數的數值，測試該變數對目標值的影響程度。經常進行靈敏性測試的變數有利率、股指收益率等。如果已知變數之間的相關關係，那么，以上變數的聯合影響也可以通過敏感度測試進行評估。
7、呈報結論
DFA經常要做上千次模擬，所以DFA的結果必須以簡潔明快、易於理解的方式呈報給公司最高管理層。報告應滿足以下要求：一是明確每一步的重點；二是明確各模型的前後邏輯關係，以便增進管理層對模型的理解；三是結果要簡潔。
利弊分析
DFA模型但值得指出的是，DFA模型不可能完全捕捉現實商業環境中的複雜性。必要時，在建模過程中我們可以集中注意力於模型可以反映的某些特徵。然而，即使是在一個中等規模的DFA模型中，事先估計的參數數量和模型涉及的隨機變數數量無疑是相當多的，對這些參數的處理也要耗費相當多的工作量。而且，從模型得到的結果與模型設定時採取的假設有很大的關係。一個關鍵問題是：DFA模型到底應該有多大多複雜?做任何事情都要付出代價，由於人們都不情願使用不透明的黑箱，所以如果一個簡單的模型可以輸出合理的結果，多數人就會選擇這種模型。另外，越簡單的模型越符合直覺，並且可以容易的評估特定變數的影響，對不確定性和近似性的正確理解與控制是使用DFA模型的關鍵。
