Nakit bütçeleri de nakit yönetiminde kullanılan en önemli araçlardan biridir. Bir planlama aracı olarak nakit bütçeleri oluşturulurken tek bir faaliyet hacmine bağlı kalınması, nakit bütçelerine değişimlerin yansıtılmamasına neden olarak işletmenin gelecekteki nakit akışları hakkında doğru ve güvenilir bilgiler sunmayacaktır. Belirsizlik ve rassallığın ön planda olduğu durumlarda, hazırlanacak olan nakit bütçelerinin mevcut koşulların dışında karşılaşılabilecek tüm değişimleri içerir bir yapıya sahip olması gereklidir. Hazırlanacak nakit bütçeleri yönetime, nakit bütçesi değişkenlerinin aralarındaki ilişki veya değişkenlerin işletmenin nakit dengesi üzerindeki etkisini görebilme diğer bir ifadeyle yönetime farklı senaryolar sunarak bu senaryolara göre gelecekte karşılaşabilecekleri durumu öngörebilme ve bu doğrultuda geleceklerini planlayabilme imkânı vermelidir. Bu amaçla işletmelere önerilecek tekniklerden biri simülasyondur.

Bu doğrultuda çalışmanın amacı, deterministik simülasyon tekniğini kullanarak nakit bütçesi üzerinde senaryo analizi yapmak ve Monte Carlo simülasyonu tekniğini kullanmak suretiyle işletmelerin geleceğe yönelik nakit akışlarının planlanmasına ilişkin bir yapı sunmaktır.

Bu amaçla çalışmada, nakit bütçesi ve simülasyon tekniği anlatılarak, bir üretim işletmesinin verilerinden faydalanmak suretiyle simülasyon tekniği ile nakit bütçeleri oluşturulup işletmelere farklı koşullar altındaki nakit durumlarını görmelerine ve risk değerlendirmesi yapabilmelerine olanak verecek bir yaklaşım ortaya konulmuştur. Sonrasında Monte Carlo simülasyon tekniğinin uygulanması suretiyle nakit bütçesinin temel dinamikliklerindeki değişiklikleri öngörmek suretiyle gelecek faaliyet dönemine ilişkin nakit açık ve fazlasının ne kadar olacağının öngörülmesine ilişkin bir yapı sunulmuştur.

Financial time series including high frequency structures like jumps, spikes and stochastic volatility are usually modeled in an ad-hoc manner by stochastic differential equations together with Levy processes. Estimating the parameters and determining the jump size distributions do not have a precise and universally accepted method. Under these circumstances, complexities and confusions usually arise. This book, approaches to this issue from a very different angle through introducing an autocorrelation one process together with finite number of Fourier series terms. Introduction of Fourier series to estimate the dynamics of the process is not done in an ad-hoc manner or as done before in dealing with seasonality. Here the moving average is transformed to a “moving and fluctuating” average by the help of Fourier series. Instead of adding jump structures to the model which makes the parameter estimation quite cumbersome, our model in discrete time can easily be transformed to a well-known mean reverting continuous time process. Moreover, our alternative model turned out to be a quite powerful and accurate forecasting technique.