现金流是公司的生存血脉,如果能对其进行定量分析和预测,则可以提高公司的管理效率和资金盈利能力。现金流的统计分析预测问题已得到一些专家的高度重视,其应用前景被看好。本文研究现金流的统计分析预测问题。研究发现,现金流具有周期性波动的特点,因此考虑采用较成熟的潜周期模型方法来分析预测,并针对潜周期模型的不足之处进行改进。经过大量探索研究,如对模型的参数估计方法进行改进等,预测效果都难以令人满意。于是突破潜周期模型方法的框架,提出了把潜周期模型和机器学习相结合的新方法:先用潜周期模型方法作预处理,有效挖掘现金流的多频特征,再将潜周期模型结果作为后续输入特征值,用随机森林或支持向量机方法进行预测。多组数据实证分析结果显示,本文新方法相比于传统潜周期模型方法,预测效果有显著提高。本文的研究成果:提出把潜周期模型和机器学习相结合的新方法,为周期性时间序列的预测提供了新技术,具有重要应用价值。