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

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.

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.