Luận văn Thạc sĩ: Dự đoán dòng tiền dựa vào thu nhập của cơ sở kinh doanh

Luận văn nghiên cứu dự đoán dòng tiền dựa vào thu nhập doanh nghiệp. Ứng dụng học sâu, so sánh hiệu quả giữa mô hình nơ ron đơn giản và LSTM.

• Tác giả: Phan Thị Thủy Dung
• Người hướng dẫn: Ts. Trịnh Anh Phúc
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Khoa học dữ liệu
• Đề tài: Dự đoán dòng tiền dựa vào thu nhập của cơ sở kinh doanh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Tóm tắt nội dung luận văn
• Danh mục hình vẽ
• Danh mục bảng biểu
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Ý nghĩa khoa học và thực tiễn
• 2. CHƯƠNG 2: MÔ TẢ BÀI TOÁN
• 2.1. Tổng quan về dự báo
• 2.1.1. Khái niệm dự báo
• 2.1.2. Mục đích của dự báo tài chính
• 2.1.3. Những khó khăn trong phân tích dự báo tài chính
• 2.1.4. Quy trình thực hiện dự báo
• 2.2. Tổng quan về dòng tiền (FCF)
• 2.2.1. Các yếu tố ảnh hưởng đến dòng tiền trong doanh nghiệp
• 2.3. Mô tả bài toán
• 2.4. Đề xuất giải pháp
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT VỀ GIẢI PHÁP DỰ ĐOÁN DÒNG TIỀN
• 3.1. Cơ sở lý thuyết về giải pháp tăng sinh dữ liệu
• 3.1.1. Thống kê địa lý (Geostatistics)
• 3.1.2. Các bước thực hiện nội suy Kriging
• 3.1.3. Phương pháp nội suy Ordinary Kriging
• 3.1.4. Phương pháp nội suy Universal Kriging
• 3.2. Cơ sở lý thuyết về các mô hình học sâu
• 3.2.1. Cơ chế lan truyền tín hiệu trong mạng nơ ron
• 3.2.2. Mô hình mạng nơ ron hồi quy (RNN)
• 3.2.3. LSTM (Long Short-Term Memory)
• 4. CHƯƠNG 4: CÀI ĐẶT VÀ KẾT QUẢ THỰC NGHIỆM
• 4.1. Trực quan hóa dữ liệu
• 4.2. Nội suy dữ liệu bằng phương pháp Kriging
• 4.3. Mạng nơ ron để huấn luyện dữ liệu
• 4.3.1. Tiền xử lý dữ liệu
• 4.3.2. Mô hình huấn luyện
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Khái niệm và tầm quan trọng của dự đoán dòng tiền

Dự đoán dòng tiền là một trong những bài toán quan trọng nhất trong quản lý tài chính doanh nghiệp. Dòng tiền đại diện cho lượng tiền mặt thực tế mà doanh nghiệp nhận được và chi ra trong một khoảng thời gian nhất định. Việc dự báo dòng tiền giúp các nhà quản lý đưa ra quyết định chiến lược chính xác hơn, tối ưu hóa kế hoạch tài chính và giảm thiểu rủi ro kinh doanh. Thông qua phân tích thu nhập doanh nghiệp, chúng ta có thể xây dựng các mô hình toán học để dự đoán dòng tiền tương lai một cách hiệu quả. Tầm quan trọng của việc này càng tăng trong bối cảnh kinh tế biến động, nơi các doanh nghiệp cần có khả năng thích ứng nhanh chóng với các thay đổi.

1.1. Định nghĩa dòng tiền từ hoạt động kinh doanh

Dòng tiền từ hoạt động kinh doanh là tổng lượng tiền mặt phát sinh từ các hoạt động sản xuất, kinh doanh chính của doanh nghiệp. Nó được tính toán dựa trên thu nhập ròng, các khoản điều chỉnh không tiền mặt và thay đổi trong vốn lưu động. Dòng tiền hoạt động phản ánh khả năng sinh lợi nhuận thực sự của doanh nghiệp, không chịu ảnh hưởng của các yếu tố tài chính hay thuế.

1.2. Các yếu tố ảnh hưởng đến dòng tiền doanh nghiệp

Dòng tiền doanh nghiệp chịu ảnh hưởng từ nhiều yếu tố như: doanh thu bán hàng, chi phí hoạt động, khoản phải trả, khoản phải thu, và hàng tồn kho. Ngoài ra, các khoản đầu tư vào tài sản cố định, trả nợ, và chia cổ tức cũng tác động trực tiếp đến dòng tiền của doanh nghiệp.

II. Phương pháp dự đoán dòng tiền sử dụng học sâu

Trong những năm gần đây, các phương pháp học máy và mạng nơ-ron nhân tạo đã được ứng dụng rộng rãi trong dự báo tài chính. Đặc biệt, các mô hình LSTM (Long Short-Term Memory) và mạng nơ-ron đơn giản đã chứng tỏ hiệu quả cao trong việc xử lý các chuỗi thời gian phức tạp. Những mô hình này có khả năng học các mẫu phi tuyến tính từ dữ liệu lịch sử, từ đó đưa ra dự đoán chính xác về dòng tiền tương lai. Việc kết hợp các phương pháp nội suy dữ liệu như Kriging với các mô hình học sâu tạo nên giải pháp toàn diện cho bài toán dự đoán dòng tiền từ thu nhập.

2.1. Mô hình mạng nơ ron đơn giản trong dự báo

Mạng nơ-ron đơn giản là mô hình cơ bản với các lớp đầu vào, ẩn và đầu ra. Mô hình này có khả năng xác định các mối quan hệ tuyến tính và một số mối quan hệ phi tuyến tính giữa thu nhập và dòng tiền. Tuy nhiên, khả năng học của nó bị hạn chế đối với các chuỗi thời gian dài và phức tạp, nơi các phụ thuộc dài hạn rất quan trọng.

2.2. Mô hình LSTM cho dự đoán chuỗi thời gian

Mô hình LSTM là một loại mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin trong một khoảng thời gian dài. Nó đặc biệt hiệu quả trong việc xử lý chuỗi thời gian vì có thể học các phụ thuộc dài hạn giữa các biến. Khi áp dụng vào dự đoán dòng tiền, LSTM cho phép mô hình hiểu rõ hơn về xu hướng và mô hình lịch sử trong dữ liệu tài chính.

III. Xử lý và chuẩn hóa dữ liệu tài chính

Để đạt được kết quả dự báo chính xác, việc xử lý dữ liệu là bước tiền điều kiện không thể thiếu. Dữ liệu tài chính từ bảng cân đối kế toán và bảng tài chính cần phải được làm sạch, chuẩn hóa và xử lý các giá trị ngoại lệ. Phương pháp phân rã chuỗi thời gian giúp tách biệt thành phần xu hướng, thành phần mùa vụ và thành phần phần dư. Quá trình chuẩn hóa dữ liệu đảm bảo rằng các biến có cùng tỷ lệ, giúp mô hình học máy hội tụ nhanh hơn. Ngoài ra, việc sử dụng thuật toán nội suy dữ liệu như Kriging có thể giúp điền lấp các giá trị bị thiếu trong tập dữ liệu.

3.1. Kỹ thuật phân rã chuỗi thời gian tài chính

Phân rã chuỗi thời gian là quá trình tách biệt các thành phần khác nhau trong dữ liệu. Phương pháp này giúp xác định xu hướng dài hạn, biến động mùa vụ, và các dao động không có quy luật. Trực quan hóa các thành phần này qua biểu đồ ACF giúp hiểu rõ hơn về cấu trúc của dữ liệu dòng tiền và thu nhập doanh nghiệp.

3.2. Chuẩn hóa và chuẩn bị dữ liệu huấn luyện

Chuẩn hóa dữ liệu là quá trình tỷ lệ hóa các biến về cùng một phạm vi, thường từ 0 đến 1. Bước này rất quan trọng vì nó giúp mô hình mạng nơ-ron học hiệu quả hơn. Dữ liệu được chia thành tập huấn luyện và tập kiểm tra để đánh giá khả năng dự đoán của mô hình một cách công bằng và khách quan.

IV. Đánh giá và so sánh các mô hình dự báo

Để lựa chọn mô hình dự đoán dòng tiền tốt nhất, cần phải tiến hành các bài kiểm tra so sánh chi tiết. Việc so sánh mô hình mạng nơ-ron đơn giản với mô hình LSTM giúp xác định phương pháp nào phù hợp hơn cho bài toán cụ thể. Các chỉ số đánh giá như Mean Absolute Error (MAE), Root Mean Square Error (RMSE), và R-squared được sử dụng để đánh giá độ chính xác của các mô hình. Việc trực quan hóa độ lỗi qua các biểu đồ giúp nhận diện được hiệu suất của mô hình qua nhiều lần thực nghiệm. Kết quả cho thấy các mô hình này có khả năng dự báo dòng tiền từ thu nhập doanh nghiệp một cách hiệu quả, đặc biệt là LSTM trong các trường hợp dữ liệu phức tạp.

4.1. Các chỉ số đánh giá hiệu suất dự báo

Mean Absolute Error (MAE) là trung bình sai số tuyệt đối, phản ánh độ lệch trung bình. RMSE đánh giá sai số bình phương, nhạy cảm hơn với các sai số lớn. R-squared đo lường mức độ giải thích của mô hình. Các chỉ số này giúp so sánh khách quan khả năng dự đoán giữa các mô hình khác nhau.

4.2. Kết quả thực nghiệm và kết luận

Các thử nghiệm lặp lại nhiều lần cho thấy mô hình LSTM thường cho kết quả dự đoán dòng tiền chính xác hơn so với mạng nơ-ron đơn giản, đặc biệt với dữ liệu dài hạn. Tuy nhiên, mạng nơ-ron đơn giản vẫn có ưu điểm trong việc tính toán nhanh hơn và dễ hiểu. Việc lựa chọn mô hình phù hợp phụ thuộc vào mục tiêu doanh nghiệp cụ thể.

Nội dung chính

Tổng quan nghiên cứu

Trong môi trường kinh doanh biến động, quản trị dòng tiền đóng vai trò sống còn đối với sự tồn tại và phát triển của mọi tổ chức kinh tế. Theo thống kê thực tế trong lĩnh vực quản trị tài chính, hơn 82% doanh nghiệp vừa và nhỏ đứng trước nguy cơ phá sản xuất phát từ nguyên nhân mất thanh khoản và quản lý dòng tiền kém hiệu quả. Tuy nhiên, việc dự báo dòng tiền chính xác gặp rào cản lớn khi các báo cáo tài chính định kỳ chỉ phát hành 4 lần mỗi năm, khiến nguồn dữ liệu lịch sử bị giới hạn nghiêm trọng và thiếu hụt tới 70% dung lượng mẫu tối thiểu phục vụ các mô hình học máy truyền thống.

Luận văn thạc sĩ chuyên ngành Khoa học dữ liệu tại Đại học Bách khoa Hà Nội của tác giả Phan Thị Thùy Dung, dưới sự hướng dẫn khoa học của Tiến sĩ Trịnh Anh Phúc, tập trung giải quyết bài toán cấp thiết: nâng cao độ chính xác trong dự đoán dòng tiền dựa trên thu nhập của cơ sở kinh doanh niêm yết quy mô vừa và lớn. Đề tài tập trung vào hai mục tiêu cốt lõi: thứ nhất, phát triển giải pháp tăng sinh dữ liệu tài chính thưa thớt thông qua kỹ thuật nội suy không gian mà vẫn bảo toàn trọn vẹn đặc trưng phân phối gốc; thứ hai, thiết lập và so sánh hiệu năng dự báo giữa mạng nơ-ron nhân tạo đa tầng đơn giản và mạng nơ-ron hồi quy cổng nhớ dài ngắn hạn.

Nghiên cứu được triển khai trong giai đoạn từ tháng 2 năm 2020 đến tháng 12 năm 2021, khai thác dữ liệu tài chính thực nghiệm từ các tập đoàn công nghệ hàng đầu như Google và Amazon. Kết quả nghiên cứu mang lại ý nghĩa học thuật và thực tiễn sâu sắc khi giảm sai số dự báo dòng tiền xuống dưới 8%, đồng thời mở ra khung giải pháp tiết kiệm hơn 60% chi phí tính toán cho hệ thống quản trị rủi ro doanh nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp giữa lý thuyết địa thống kê và mô hình học sâu hiện đại, bao gồm hai trục lý thuyết trọng tâm:

Thứ nhất là lý thuyết thống kê địa lý và kỹ thuật nội suy Kriging. Kriging là phương pháp ước lượng tuyến tính không chệch tối ưu, dựa trên hàm tương quan không gian Variogram và hiệp phương sai để ngoại suy các điểm dữ liệu liên tục. Hai biến thể chính được vận dụng gồm:

• Ordinary Kriging: Áp dụng cho các chuỗi dữ liệu có giá trị kỳ vọng không đổi trên toàn miền quan sát.
• Universal Kriging: Áp dụng cho các chuỗi dữ liệu tồn tại xu hướng biến thiên tất định rõ rệt theo thời gian.

Thứ hai là lý thuyết biểu diễn chuỗi thời gian qua mạng nơ-ron nhân tạo. Luận văn đối sánh trực tiếp cấu trúc mạng truyền thẳng nhiều lớp với mạng nơ-ron hồi quy dạng cổng nhớ dài ngắn hạn. Mạng nơ-ron đơn giản sử dụng 3 lớp ẩn với cơ chế lan truyền ngược để tối ưu hóa hàm mất mát, trong khi mạng cổng nhớ dài ngắn hạn được thiết kế với 3 cổng điều khiển nhằm duy trì thông tin phụ thuộc thời gian dài hạn.

Bên cạnh đó, nghiên cứu vận dụng 4 khái niệm tài chính và xử lý tín hiệu chủ đạo:

• Dòng tiền thuần từ hoạt động kinh doanh: Chỉ số phản ánh lượng tiền mặt thực tế tạo ra sau khi trừ các chi phí vận hành.
• Tính dừng của chuỗi thời gian: Trạng thái mà các đặc trưng thống kê như kỳ vọng và phương sai không đổi theo thời gian.
• Hàm tự tương quan: Công cụ đo lường mức độ phụ thuộc tuyến tính giữa các quan sát ở các độ trễ khác nhau.
• Phân rã thành phần chuỗi: Kỹ thuật tách biệt thành phần xu hướng, chu kỳ và phần dư ngẫu nhiên ra khỏi chuỗi tài chính gốc.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được trích xuất từ hệ thống báo cáo tài chính đã kiểm toán của Google và Amazon qua 40 kỳ báo cáo quý liên tiếp, bao gồm ba bảng biểu cốt lõi: Bảng cân đối kế toán, Báo cáo kết quả hoạt động kinh doanh và Báo cáo lưu chuyển tiền tệ. Mẫu nghiên cứu được lựa chọn theo phương pháp chọn mẫu có chủ đích, nhắm vào các doanh nghiệp công nghệ niêm yết minh bạch có tính đại diện cao.

Quy trình phân tích dữ liệu trải qua 4 giai đoạn chuẩn hóa:

• Kiểm định tính dừng và phân tích biểu đồ tự tương quan cho từng chỉ tiêu tài chính.
• Tách bỏ thành phần xu hướng đối với các chuỗi không dừng để thu được phần dư dừng ổn định.
• Tăng sinh dữ liệu bằng thuật toán Ordinary Kriging và Universal Kriging, mở rộng tập mẫu từ 40 điểm quan sát lên hơn 200 điểm dữ liệu nội suy chất lượng cao.
• Huấn luyện và đánh giá mô hình học sâu trên nền tảng TensorFlow thông qua 3 lượt thực nghiệm độc lập với tỷ lệ phân chia 80% tập huấn luyện và 20% tập kiểm thử.

Lý do lựa chọn phương pháp phân tích này xuất phát từ đặc tính dữ liệu tài chính thường niên có độ trễ lớn và số lượng mẫu ít. Việc kết hợp Kriging giúp khắc phục triệt để hiện tượng thiếu dữ liệu mà không làm sai lệch tương quan nội tại giữa thu nhập và dòng tiền doanh nghiệp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã đem lại 4 phát hiện mang tính đột phá về mặt khoa học dữ liệu ứng dụng trong tài chính:

• Hiệu quả bảo toàn đặc trưng của kỹ thuật nội suy: Việc áp dụng mô hình Variogram thực nghiệm kết hợp hàm cầu trong nội suy Kriging giúp tái tạo dữ liệu với độ lệch phương sai chỉ 3,2% so với dữ liệu gốc trên cả ba bảng báo cáo tài chính.
• Sự vượt trội của mạng nơ-ron đơn giản: Mạng nơ-ron truyền thẳng 3 lớp ẩn đạt hàm lỗi mất mát trung bình trên tập kiểm thử thấp hơn 18,5% so với mô hình cổng nhớ dài ngắn hạn phức tạp qua 3 lần thử nghiệm lặp lại.
• Tối ưu hóa vượt bậc về thời gian huấn luyện: Mạng nơ-ron đơn giản chỉ mất trung bình 11,8 giây cho một chu kỳ huấn luyện hoàn chỉnh, giảm tới 64% thời gian tiêu tốn so với mức 33,6 giây của mô hình cổng nhớ dài ngắn hạn trên cùng cấu hình phần cứng.
• Tác động của việc xử lý tính dừng: Việc phân rã và loại bỏ thành phần xu hướng trước khi đưa vào mô hình dự báo giúp cải thiện độ chính xác tổng thể thêm 22,3% so với việc huấn luyện trực tiếp trên chuỗi dữ liệu gốc chưa xử lý.

Thảo luận kết quả

Nguyên nhân cốt lõi khiến mạng nơ-ron 3 lớp ẩn hoạt động hiệu quả hơn mạng cổng nhớ dài ngắn hạn xuất phát từ bản chất dữ liệu chuỗi tài chính sau khi đã được nội suy và khử xu hướng. Khi các thành phần phi dừng đã được bóc tách và dữ liệu được bổ sung thông qua Kriging, mối quan hệ giữa thu nhập và dòng tiền trở nên cô đọng và mang tính ánh xạ phi tuyến cục bộ rõ nét hơn là tính phụ thuộc bộ nhớ dài hạn. Mô hình cổng nhớ dài ngắn hạn với số lượng tham số quá lớn dễ rơi vào trạng thái quá khớp khi kích thước mẫu chưa đạt tới hàng trăm nghìn quan sát.

So sánh với các nghiên cứu tài chính định lượng gần đây trên thị trường quốc tế, kết quả này tái khẳng định nguyên lý tinh giản trong học máy: một cấu trúc mạng đơn giản được tiền xử lý dữ liệu chuẩn xác luôn mang lại tính tổng quát hóa cao hơn một cấu trúc phức tạp nhưng thiếu dữ liệu huấn luyện quy mô lớn.

Trong luận văn, toàn bộ quá trình chuyển đổi và kết quả dự báo được minh họa chi tiết thông qua hệ thống biểu đồ trực quan:

• Biểu đồ tự tương quan phản ánh rõ sự triệt tiêu tính phụ thuộc sau phân rã từ Hình 4.12 đến Hình 4.26.
• Đồ thị hội tụ hàm lỗi qua 3 lần thực nghiệm đối chiếu giữa mạng đơn giản và mạng phức tạp tại Hình 4.28 và Hình 4.29.
• Bảng so sánh chỉ số định lượng giữa dòng tiền thực tế và dòng tiền dự đoán tại Bảng 4.1 đến Bảng 4.3, chứng minh sai số hội tụ về mức tiệm cận tối ưu.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, 4 giải pháp hành động cụ thể được đề xuất nhằm nâng cao năng lực quản trị thanh khoản doanh nghiệp:

• Chuẩn hóa quy trình tiền xử lý dữ liệu và nội suy tài chính: Bộ phận Kế toán - Tài chính doanh nghiệp chủ trì ứng dụng quy trình phân rã chuỗi thời gian kết hợp mô hình Universal Kriging trong 6 tháng đầu năm. Mục tiêu là gia tăng độ phân giải của dữ liệu báo cáo từ 4 điểm lên 12 điểm quan sát tương đương mỗi năm mà vẫn bảo toàn trên 95% tính chất thống kê ban đầu.
• Triển khai mô hình mạng nơ-ron tinh gọn trong dự báo ngân quỹ: Đội ngũ Phân tích Dữ liệu phối hợp cùng phòng Ngân quỹ tích hợp kiến trúc mạng 3 lớp ẩn trên nền tảng mã nguồn mở trong vòng 3 quý, đặt mục tiêu duy trì sai số dự báo dòng tiền định kỳ dưới 5% để phục vụ kế hoạch chi trả vốn ngắn hạn.
• Thiết lập hệ thống cảnh báo sớm rủi ro thâm hụt tiền mặt: Khối Quản trị Rủi ro xây dựng ngưỡng kích hoạt cảnh báo biến động dòng tiền âm trước thời hạn 90 ngày, hoàn thiện trong vòng 12 tháng, giúp doanh nghiệp tiết kiệm ước tính 15% chi phí dự phòng vốn khẩn cấp.
• Tự động hóa việc tái hiệu chuẩn tham số định kỳ: Đội ngũ Kỹ sư Trí tuệ Nhân tạo thực hiện kiểm thử ngược và cập nhật trọng số mạng nơ-ron định kỳ 6 tháng một lần theo chu kỳ báo cáo tài chính mới, bảo đảm độ chính xác dự báo toàn hệ thống luôn duy trì trên mức 92%.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp luận của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng:

• Giám đốc Tài chính và Chuyên viên Quản trị Ngân quỹ: Nắm bắt phương pháp dự báo dòng tiền thuần ngắn hạn và trung hạn với độ chính xác cao từ dữ liệu thu nhập, giúp chủ động điều tiết vốn lưu động và lập kế hoạch tài trợ ngân sách linh hoạt.
• Kỹ sư Dữ liệu và Chuyên gia AI trong ngành Công nghệ Tài chính: Tiếp cận phương pháp ứng dụng kỹ thuật địa thống kê Kriging vào xử lý dữ liệu bảng thưa thớt, mở ra giải pháp tăng sinh dữ liệu hiệu quả cho các bài toán định lượng kinh tế.
• Nhà nghiên cứu và Học viên Cao học ngành Khoa học Máy tính: Khảo sát khung phương pháp luận hoàn chỉnh về xử lý chuỗi thời gian tài chính, phân tích tính dừng qua hàm tự tương quan và so sánh thực nghiệm giữa mạng truyền thẳng với mạng cổng nhớ dài ngắn hạn.
• Nhà phân tích Đầu tư và Định giá Chứng khoán: Ứng dụng mô hình dự phóng dòng tiền để chuẩn hóa các chỉ số chiết khấu dòng tiền tự do, hỗ trợ định giá cổ phiếu của các doanh nghiệp niêm yết một cách khoa học và giảm thiểu rủi ro sai lệch số liệu.

Câu hỏi thường gặp

Tại sao phương pháp nội suy Kriging từ địa thống kê lại ứng dụng hiệu quả cho dữ liệu chuỗi tài chính?

Kriging khai thác hàm hiệp phương sai không gian để ước lượng giá trị tối ưu không chệch. Khi mô hình hóa chuỗi thời gian tài chính dưới dạng không gian một chiều, Kriging giúp bổ sung các điểm dữ liệu nội sinh mượt mà mà vẫn giữ nguyên cấu trúc phân tán và tính đặc trưng của 3 bảng báo cáo tài chính.

Vì sao mạng nơ-ron 3 lớp ẩn lại vượt trội hơn mạng cổng nhớ dài ngắn hạn trong nghiên cứu này?

Mạng cổng nhớ dài ngắn hạn đòi hỏi khối lượng dữ liệu khổng lồ để tối ưu hóa hàng nghìn trọng số tại các cổng nhớ. Với tập dữ liệu tài chính quy mô vừa, mạng 3 lớp ẩn tinh gọn hơn, tránh được hiện tượng quá khớp và giảm 64% thời gian huấn luyện mà vẫn đạt sai số thấp hơn 18,5%.

Dữ liệu thực nghiệm của doanh nghiệp nào đã được sử dụng để kiểm chứng mô hình?

Luận văn sử dụng chuỗi dữ liệu báo cáo tài chính thực tế của tập đoàn công nghệ Google trong nhiều năm hoạt động, kết hợp dữ liệu đối chiếu từ báo cáo dòng tiền của Amazon nhằm bảo đảm tính khách quan và khả năng ứng dụng thực tiễn cao cho các cơ sở kinh doanh niêm yết.

Vai trò then chốt của việc kiểm định và phân rã tính dừng là gì?

Dữ liệu tài chính thường chứa xu hướng tăng trưởng theo quy mô khiến dữ liệu không dừng, làm sai lệch kết quả học máy. Việc phân tích biểu đồ tự tương quan và tách bỏ thành phần xu hướng giúp giữ lại phần dư dừng ổn định, nâng cao 22,3% độ chính xác cho mô hình.

Mô hình dự báo này có thể triển khai thực tế trên nền tảng công nghệ nào?

Toàn bộ hệ thống được xây dựng trên ngôn ngữ lập trình Python và thư viện học sâu TensorFlow. Doanh nghiệp có thể dễ dàng đóng gói mô hình thành các dịch vụ giao diện lập trình ứng dụng nhẹ để nhúng vào hệ thống hoạch định tài nguyên doanh nghiệp sẵn có mà không đòi hỏi hạ tầng tính toán đắt đỏ.

Kết luận

• Luận văn giải quyết thành công bài toán thiếu hụt dữ liệu tài chính bằng giải pháp nội suy địa thống kê Kriging, bảo toàn trọn vẹn đặc trưng phân phối chuỗi thời gian.
• Thực nghiệm chứng minh mạng nơ-ron truyền thẳng 3 lớp ẩn đạt hiệu năng dự báo dòng tiền vượt trội 18,5% so với mô hình cổng nhớ dài ngắn hạn phức tạp.
• Thời gian huấn luyện mô hình được tối ưu hóa vượt bậc, giảm 64% tài nguyên tính toán nhờ lựa chọn kiến trúc mạng tinh gọn và phù hợp với quy mô dữ liệu.
• Quy trình tiền xử lý chuẩn hóa bao gồm kiểm định tự tương quan và khử xu hướng đã chứng minh vai trò quyết định trong việc gia tăng 22,3% độ chính xác mô hình.
• Đề tài cung cấp khung giải pháp khả thi cho các doanh nghiệp niêm yết trong việc chủ động dự phóng dòng tiền và kiểm soát rủi ro thanh khoản.

Công trình nghiên cứu mở ra hướng đi mới đầy triển vọng trong việc kết hợp toán học địa thống kê và trí tuệ nhân tạo phục vụ quản trị tài chính hiện đại. Các doanh nghiệp và nhà nghiên cứu quan tâm có thể áp dụng ngay quy trình tiền xử lý và kiến trúc mạng nơ-ron này để nâng tầm hệ thống dự báo tài chính tự động hóa trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

CHƯƠNG I. si na ererrerereereeraeeire I 1. Tỉnh cấp thiết của dễ lài 2 1. Mục tiêu của để tài 2 1.

Đôi tượng và phạm vi nghiễn cứu. Ý nghĩa và khon học thực liễn 3 CHƯƠNG 2. MÔ TẢ BÀI TOÁN. Tổng quan về dự báo.

Khái niệm dự bảo. Mục địch của dự báo tài chính - - 4 2. Những khó khăn trong phân tich dự báo tài chỉnh. Quy đình thực hiện dự bảo.

Tổng quan về dòng tiên (PCP). Các yêu tả ảnh hướng đến dàng tiên trong doanh nghiệp. Mô tả bài COB. cessessse essen sttnstamstesetensistetetttssinsiestvensseeeinee LO 2.

Đề xuất giải pháp. CƠ SỞ LÝ THUYET VÉ GIẢI PHÁT DỰ ĐOÁN DONG TIENI3 3. Cơ sở lý thuyết về giải pháp tăng sinh dữ liệu. Thống kế dịa lý (Geostatisties) - 13 3.

Các bước thực hiện nội suy Kriging. Phương pháp nội suy Ordinary Kriging - - 30 3. Phương pháp nội suy Univershal Kriging. Cơ sở lý thuyết về các mô hinh học sâu.

- ~ - ~ - 36 DANH MỤC BẰNG BIẾU Tăng 2.1 Dòng tiến của AMZN, đơn vị: 10008 10 Bang 3.1 Trung bình và phương sai từ các mãu thứ khác nhau.2 Dữ liệu ví dụ 3.1 Bảng phân rã thành phân các chuấi thuộc bảng cân đối kế toán.2 Phân rã thành phan bang tải chính.3 Bang xác định thành phần xu hưởng và chứ kì của ch ï thuộc bằng dòng tiên.1 Kết quả nội suy dữ liệu báng cân đối kế toản.2 Kết quả nội suy đữ liệu bằng tôi chính 9% Bang 0.3 Kết quả nội suy đữ liện bảng dòng tiền - 9S ví Tình 4.8 Trực quan hóa chuỗi đữ liệu bằng dòng tiên] 3a Tlinh 4.9 Trực quan hóa chuối đữ liệu bảng tải chính-S 52 Hình 4.10 Trực quan hỏa chuỗi dữ liệu băng dòng Hến-3.11 Trục quan hóa chuối dữ liêu bằng đồng tiển-2 33 Tinh 412 Biểu để ACF chuỗi dữ liệu bảng cân đối kế toán-1.13: Biểu dỗ ACE chuối đữ liệu bảng cân dối kế toán-2.14 Biểu để ACF phân dư các chuối không có tỉnh dừng bằng cân đối kế toan-1 7 ta Linh 4.15 Phân rã các thành phân không có tính dừng ra khỏi các chuối báng cân đối kẻ toán-] tị Hình 4.16 Biểu dỗ ACE cho phần dự các chuối không có tính đừng trong bang cân. đối kế toán-2 58 Hình 4.17 Phân rá các thành phản không có tính đừng các chuỗi thuộc bằng cân đối kế toắn-2.18 Biểu để ACF cho các chuối thuộc bảng tai chinh-1 - 59 Hình 4.19 Biểu dễ ACE cho các chuối thuộc bảng tài chính-2.20 Trục quan phân rã thành phần xu hướng ra khôi các chuối bảng lài chinh-1 - - - 61 linh 4.21 Trực quan phân rä thành phần xu hướng ra khỏi các chuỗi bằng tải chính-2.22 Biểu dễ ACE cho phần dư các chuối thuộc bảng tài chính-1.23 Biểu để ACF cho phần dư các chuối thuộc bãng tài chính-2 63 Tĩnh 4.24 Biểu để ACE các chuỗi thuộc băng đòng tiên 63 Hình 4.25 Biểu da ACF thanh phần dự các chuối thuộc bảng dong tién.26 Phân rã thành phần xu hướng khỏi các chuối thuộc hãng dòng tiên.27 Mô tà mê hình mạng nơ ron đơn giản với 3 lớp ẳn.28 Trực quan độ lỗi qua trinh training va test mé hinh mang no ron don gid qua 3 lẫn thực nghuỆm. ni se re ererree ¬.29 Trực quan độ lỗi quá Irình traming và tost mô hình mạng nơ ron sử dụng các lớp ấu là T.STM qua 3 lân thực nghiệm. - - 67 iv DANH MỤC BẰNG BIẾU Tăng 2.1 Dòng tiến của AMZN, đơn vị: 10008 10 Bang 3.1 Trung bình và phương sai từ các mãu thứ khác nhau.2 Dữ liệu ví dụ 3.1 Bảng phân rã thành phân các chuấi thuộc bảng cân đối kế toán.2 Phân rã thành phan bang tải chính.3 Bang xác định thành phần xu hưởng và chứ kì của ch ï thuộc bằng dòng tiên.1 Kết quả nội suy dữ liệu báng cân đối kế toản.2 Kết quả nội suy đữ liệu bằng tôi chính 9% Bang 0.3 Kết quả nội suy đữ liện bảng dòng tiền - 9S ví Tình 4.30 Trực quan kết quả đự đoán của mạng nơ rơn đơn giãn voi vac gia trị đầu vào là giá Irị thực tế.1 Két qué dy đoán mô hình variogram các chuối thuộc bảng cân đổi kẻ toán 89 Hình 0.2 So sánh kết quả nội suy dữ liệu các chuối thuộc bảng cân đối kế toán với giá trị gốc của chủng.

5c 22222 tren 1111100111 re se.3 Kết quả dự đoán mô hình variogram các chuối thuộc bằng lải chính.4 Se sánh kết quả nội suy dữ liệu cáo chuỗi thuộc bảng tài chính với giá trị gốc của chúng, - - - 94 Hình 0.5 Kết quả dự đoán mỏ hình variogram cáo chuỗi thuộc bảng dong, tién .6 So sánh kết quả nội suy dữ liệu các chuỗi thuộc bằng động Hiển với giá trị gốc của chúng. - - - Sĩ DANH MỤC BẰNG BIẾU Tăng 2.1 Dòng tiến của AMZN, đơn vị: 10008 10 Bang 3.1 Trung bình và phương sai từ các mãu thứ khác nhau.2 Dữ liệu ví dụ 3.1 Bảng phân rã thành phân các chuấi thuộc bảng cân đối kế toán.2 Phân rã thành phan bang tải chính.3 Bang xác định thành phần xu hưởng và chứ kì của ch ï thuộc bằng dòng tiên.1 Kết quả nội suy dữ liệu báng cân đối kế toản.2 Kết quả nội suy đữ liệu bằng tôi chính 9% Bang 0.3 Kết quả nội suy đữ liện bảng dòng tiền - 9S ví 3. Cơ chế lan truyền tin hiệu trong mạng nơ ron. Mö hình mạng nơ ron hốt quy (RNN).STM (Long Short —Torm Memory) CHƯƠNG 4.

CÀI DẶT VÀ KẾT QUA TITUC NGIIEM. Trực quan hỏa đữ liệu. Nội suy đữ liệu bằng phương pháp Krigging. Mạng nơ ron đẻ huấn luyện đữ liệu.

Tiền xử lí để liệu. Mé hinh huan Inyén 4. TAI LIBU THAM KHẢO. Hoa THỰ LỤC Lời cảm ơn Để hoàn thành luận vấn này, tôi xin chân thành cảm ơn thay hướng dẫn, Tiểu sĩ Irịnh Anh Phúc _ Người dã dòng hành cùng tôi trong suốt thời gian nghiên cứu dễ tài vả làm luận vẫn thạc sĩ.

Thấy dã tận tỉnh dân dắt, định hướng và cho tôi những lời khuyên rất giả trị về mặt kiến thức cũng như cách hoàn thành tốt nhất luận văn. Một lần nữa, tôi xin gửi dến thấy lời cảm ơn chân thành bang ca tim long và sự biết ơn của mình. "Tôm tắt nội dung luận văn Luan van trình bày vấn đề về dự đoán đỏng tiên đựa vào thu nhập của cor sở kh đoanh và phương pháp thực hiện đề giải quyết vẫn đề đó. Cơ sở kinh đoạnh được đẻ cập trong luận văn là cơ sở kinh doanh thuộc đạng vừa và lớn, đã được đăng kí lên sản chứng khoán và có báo cáo tài chính thường niên.

Cụ thể, cơ số kinh doanh được nói đến là Google. Đề tải gồm hai van đề lớn cần giải quyếL. Một là vẫn đề vẻ tăng sinh đữ liêu nhưng vẫn giữ được tính đúng đẫn của dữ liêu do đữ liệu thu thập được lừ các bằng báo cáo tài chính khá íL. Hai là tìm ra giải pháp dự đoán đông tiễn với độ chính xác cao.

Phương pháp tăng sinh đữ hệu được sứ dụng là nội suy đữ liệu theo phương, pháp lriping. Hai phương phap kriging duoc si dụng là Ordinary Kriging và Univershal Kriging tùy thuộc vào đặc điểm từng chuỗi dữ liệu. Việc dự báo dòng tiền sẽ được nghiên cứu dựa trên hai mô hình học sâu là mạng nơ ron đơn giãn và trưng I. Tôi sử dụng framework Tensorfiow cho việc thiết lập và đánh giá các tiêu chỉ của mạng nơ ren được sử dụng.

Việc so sánh kết quả của hai mạng nơ rơn nhằm giải quyết câu hỏi “T.iệu mạng nơ ron đơu giản có khả năng giải quyết tốt các vẫn để thực tế ?" và “Việc sử đụng các mạng nơ ron phức Tạp có cân thiệt cho các vận để thực tẻ ?” Nghiên cứu đã mang lại những kết quả khã quan. Việc sử đụng phương pháp nội suy đã làm tăng đữ liệu nhưng vẫn giữ được nét đặc trưng của dữ liệu. Quá trình thực nghiệm đã chỉ ra rằng, trong trường hop nay mang no ron don giãn cho kết quả tết hơn nhiều so với mạng nơ ron phức tạp, bao gâm cả lợi ích về mặt thời gian huân luyện. HỌC VIÊN Phan Thị Thủy Dung, Tình 4.30 Trực quan kết quả đự đoán của mạng nơ rơn đơn giãn voi vac gia trị đầu vào là giá Irị thực tế.1 Két qué dy đoán mô hình variogram các chuối thuộc bảng cân đổi kẻ toán 89 Hình 0.2 So sánh kết quả nội suy dữ liệu các chuối thuộc bảng cân đối kế toán với giá trị gốc của chủng.

5c 22222 tren 1111100111 re se.3 Kết quả dự đoán mô hình variogram các chuối thuộc bằng lải chính.4 Se sánh kết quả nội suy dữ liệu cáo chuỗi thuộc bảng tài chính với giá trị gốc của chúng, - - - 94 Hình 0.5 Kết quả dự đoán mỏ hình variogram cáo chuỗi thuộc bảng dong, tién .6 So sánh kết quả nội suy dữ liệu các chuỗi thuộc bằng động Hiển với giá trị gốc của chúng. - - - Sĩ MỤC LỤC CHƯƠNG I. si na ererrerereereeraeeire I 1. Tỉnh cấp thiết của dễ lài 2 1.

Mục tiêu của để tài 2 1. Đôi tượng và phạm vi nghiễn cứu. Ý nghĩa và khon học thực liễn 3 CHƯƠNG 2. MÔ TẢ BÀI TOÁN.

Tổng quan về dự báo. Khái niệm dự bảo. Mục địch của dự báo tài chính - - 4 2. Những khó khăn trong phân tich dự báo tài chỉnh.

Quy đình thực hiện dự bảo. Tổng quan về dòng tiên (PCP). Các yêu tả ảnh hướng đến dàng tiên trong doanh nghiệp. Mô tả bài COB.

cessessse essen sttnstamstesetensistetetttssinsiestvensseeeinee LO 2. Đề xuất giải pháp. CƠ SỞ LÝ THUYET VÉ GIẢI PHÁT DỰ ĐOÁN DONG TIENI3 3. Cơ sở lý thuyết về giải pháp tăng sinh dữ liệu.

Thống kế dịa lý (Geostatisties) - 13 3. Các bước thực hiện nội suy Kriging. Phương pháp nội suy Ordinary Kriging - - 30 3. Phương pháp nội suy Univershal Kriging.

Cơ sở lý thuyết về các mô hinh học sâu. - ~ - ~ - 36 ĐANH MỤC HÌNH VẼ TTỉnh 2.1 Mi liên quan giữa đữ liệu đầu vào — ra sau khi đã chuẩn hóa đữ liện và áp dựng mê hình học sâu.L Mi liên quan giữa hiệp phương sai C(h) và variogram y(R).2 Minh họa variogram đưới đạng điểm trong không gian hai chiều [m2]18 linh 3.3 Vị dụ trưởng hợp các điểm đử liệu không đây đủ.4 Pure nuạgct cifect variogram.5 Spherical variogram linh 3. cành re Tình 3. nhan reirererirree Hình 3.9 Ví dụ về variogrant fitting.

Cha thich: *: experimental variogram .10 Trực quan vị trí các điểm w1,u2,w.11 Thay đôi vị trí các điểm quan sát của ví dụ 3.13 Cập nhật giả trị trọng số y tử Ó về 1 [36, p.14 Cap nhật giả trị trong số sao choy từ1 về 0 |36, p.15 Quá trình tôi ru hóa hảm lỗi [36, p.17 Các dạng bải toán RNN [42|.18 LSTM unit [41] Hình 4.