Mô Hình Machine Learning Dự Đo Lợi Nhuận Cổ Đông Trong Ngành Hàng Không

Khám phá các mô hình học máy dự đoán lợi nhuận cổ đông trong ngành hàng không, giúp tối ưu hóa quyết định đầu tư và chiến lược kinh doanh.

• Tác giả: Vũ Ngô Bảo Châu
• Người hướng dẫn: Dr. Lê Đức Thịnh
• Trường học: Vietnam National University, Hanoi International School
• Chuyên ngành: Business Data Analytics
• Đề tài: Mô Hình Machine Learning Dự Đo Lợi Nhuận Cổ Đông Trong Ngành Hàng Không
• Loại tài liệu: graduation project
• Năm xuất bản: 2024
• Địa điểm: Hanoi

Mục lục chi tiết

• ACKNOWLEDGEMENT
• LETTER OF DECLARATION
• ABSTRACT
• LIST OF ABBREVIATION
• LIST OF FIGURE AND TABLE
• TABLE OF CONTENTS
• 1. CHAPTER 2: LITERATURE REVIEW AND RESEARCH METHODOLOGY
• 2.1. Theoretical background
• 2.2. Total Shareholder Return (TSR)
• 2.3. Featured metrics
• 2.4. Common metrics
• 2.5. Research problem, methodology and scope
• 3. CHAPTER 3: MAIN RESULTS
• 3.1. Performance Evaluation Metrics
• 3.2. Machine Learning for Prediction Models
• 4. CHAPTER 4: CONCLUSION, IMPLICATION AND RECOMMENDATION
• 4.1. Recommendations for investors
• 4.2. Limitation of study & recommendations for further research
• 4.3. Recommendations for future research

Tóm tắt

I. Tổng Quan Mô Hình Machine Learning Dự Đoán Lợi Nhuận

Ngành hàng không đóng vai trò then chốt trong kết nối toàn cầu, thúc đẩy tăng trưởng kinh tế. Tuy nhiên, việc duy trì lợi nhuận cổ đông ngành hàng không ổn định vẫn là thách thức. Báo cáo của Tony Tyler (IATA) nhấn mạnh sự tương phản giữa tăng trưởng nhanh chóng của vận tải hàng không và lợi nhuận khiêm tốn của các hãng (Tony Tyler, 2013). Trong bối cảnh dữ liệu lớn, machine learning trong tài chính hàng không mở ra cơ hội cải thiện ra quyết định và dự báo tài chính. Các mô hình tiên tiến có thể giúp các hãng hàng không đối phó với sự phức tạp và rủi ro đặc thù. Nghiên cứu của SBA (2013) chỉ ra tầm quan trọng của việc liên kết hiệu suất với giá trị cổ đông. Mặc dù ứng dụng machine learning trong dự báo tài chính cho giá vé và hoãn chuyến đã được nghiên cứu, việc dự đoán lợi nhuận cổ đông vẫn còn bỏ ngỏ. Đây là cơ hội để phát triển các ứng dụng machine learning tập trung và chuyên biệt.

1.1. Tầm quan trọng của dự báo lợi nhuận cổ đông hàng không

Dự báo lợi nhuận cổ đông ngành hàng không rất quan trọng vì nó cung cấp thông tin giá trị cho các nhà đầu tư, giúp họ đưa ra quyết định sáng suốt. Ngành hàng không biến động và chịu tác động mạnh bởi các yếu tố bên ngoài như giá nhiên liệu và điều kiện kinh tế. Mô hình dự đoán tài chính hàng không chính xác có thể giảm thiểu rủi ro và tối ưu hóa lợi nhuận. Việc hiểu rõ các yếu tố ảnh hưởng đến giá trị cổ phiếu hàng không cũng giúp các công ty cải thiện chiến lược tài chính của mình. Việc dự báo tăng trưởng ngành hàng không một cách chính xác là điều quan trọng để thu hút đầu tư.

1.2. Những thách thức hiện tại trong việc dự đoán lợi nhuận

Việc dự đoán lợi nhuận cổ đông hàng không gặp nhiều khó khăn do tính phức tạp và biến động của ngành. Các mô hình truyền thống thường không thể nắm bắt được các mối quan hệ phi tuyến tính giữa các yếu tố tài chính và hiệu suất thị trường. Hơn nữa, việc thiếu dữ liệu lịch sử chất lượng cao và đầy đủ cũng là một trở ngại lớn. Do đó, cần có các phương pháp tiếp cận mới và tiên tiến hơn để cải thiện độ chính xác của các dự báo.

II. TSR Là Gì Tại Sao Quan Trọng Cho Dự Đoán Machine Learning

Total Shareholder Return (TSR) là thước đo quan trọng đánh giá hiệu suất đầu tư vào ngành hàng không. Nó bao gồm tăng vốn (thay đổi giá cổ phiếu) và cổ tức. Công thức tính TSR: (Giá cuối - Giá đầu) + Cổ tức / Giá đầu. TSR đặc biệt quan trọng trong ngành hàng không do tính biến động và tác động của các yếu tố bên ngoài. Nghiên cứu này sử dụng dữ liệu TSR từ Yahoo Finance (Yahoo Finance, 2024) để đánh giá khả năng dự đoán của các mô hình machine learning. TSR là chỉ số quan trọng cho nhà đầu tư, cho thấy hiệu quả đầu tư cả ngắn hạn và dài hạn.

2.1. Công thức tính TSR và nguồn dữ liệu tin cậy

Công thức tính Total Shareholder Return (TSR) là một yếu tố then chốt trong phân tích tài chính. Việc sử dụng dữ liệu từ các nguồn uy tín như Yahoo Finance (Yahoo Finance, 2024) đảm bảo tính chính xác của phân tích. Yahoo Finance cung cấp dữ liệu lịch sử phong phú, bao gồm giá cổ phiếu đã điều chỉnh, giúp tính toán TSR một cách chính xác và khách quan. Việc sử dụng dữ liệu đáng tin cậy là nền tảng cho việc xây dựng các mô hình machine learning dự đoán hiệu quả.

2.2. Ý nghĩa của TSR dương và âm trong ngành hàng không

TSR dương cho thấy giá trị cổ đông tăng, báo hiệu tăng trưởng và hiệu quả trong ngành. Ngược lại, TSR âm cảnh báo về sự sụt giảm giá trị cổ đông, có thể do các vấn đề nội tại hoặc các yếu tố bên ngoài tiêu cực. Việc phân tích TSR giúp các nhà đầu tư đánh giá được hiệu quả hoạt động của ngành hàng không.

2.3. TSR và phân tích các yếu tố ảnh hưởng đến lợi nhuận cổ đông

Bằng cách khai thác dữ liệu TSR, các nhà nghiên cứu có thể hiểu sâu hơn về các biến số quan trọng tác động đến lợi nhuận cổ đông. Việc tích hợp machine learning như hồi quy, cây quyết định và mạng nơ-ron, cho phép đánh giá toàn diện các yếu tố thúc đẩy TSR, nâng cao độ chính xác và hữu ích của dự báo tài chính trong ngành hàng không.

III. Phương Pháp Machine Learning Dự Đoán Tài Chính Hàng Không

Các mô hình machine learning như Mạng Nơ-ron (ANN), Random Forest và Hồi quy Vector Hỗ trợ (SVR) có lợi thế lớn trong việc phân tích dữ liệu tài chính phức tạp. Chúng có khả năng phát hiện các mối quan hệ phi tuyến tính và tinh tế mà các mô hình kinh tế truyền thống thường bỏ qua. Các công cụ này xử lý được lượng lớn dữ liệu tài chính ngành hàng không, tìm ra các khuôn mẫu có thể giúp dự đoán cổ phiếu hàng không bằng machine learning chính xác hơn. Việc tích hợp các mô hình này dựa trên các lý thuyết kinh tế cốt lõi như Giả thuyết Thị trường Hiệu quả (EMH) và Lý thuyết Định giá Trọng tài (APT). EMH cho rằng giá cổ phiếu phản ánh tất cả thông tin có sẵn, và APT cung cấp khuôn khổ đa yếu tố để phân tích.

3.1. Các thuật toán Machine Learning nào phù hợp nhất

Có nhiều thuật toán machine learning phù hợp để dự báo tài chính, bao gồm hồi quy (Linear Regression, Logistic Regression), cây quyết định (Decision Tree), Random Forest, mạng nơ-ron (Neural Networks) và Support Vector Machines (SVM). Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của dự đoán. Các mô hình ensemble (Random Forest, XGBoost) thường cho kết quả tốt hơn do khả năng giảm thiểu overfitting và cải thiện độ chính xác.

3.2. Ưu điểm của việc sử dụng Mạng Nơ ron Random Forest SVR

Mạng Nơ-ron có khả năng học các mối quan hệ phi tuyến tính phức tạp trong dữ liệu. Random Forest cung cấp độ chính xác cao và khả năng xử lý dữ liệu nhiễu. SVR hiệu quả trong việc giải quyết các bài toán hồi quy và có khả năng tổng quát hóa tốt. Tất cả các thuật toán này được sử dụng rộng rãi để dự báo tài chính.

3.3. Kết hợp lý thuyết kinh tế với Machine Learning EMH và APT

Việc kết hợp lý thuyết kinh tế với machine learning giúp tăng cường tính thuyết phục và hiệu quả của các mô hình dự đoán. EMH (Giả thuyết Thị trường Hiệu quả) và APT (Lý thuyết Định giá Trọng tài) cung cấp nền tảng lý thuyết vững chắc cho việc lựa chọn các biến đầu vào và đánh giá kết quả dự đoán. Sự kết hợp này giúp các nhà đầu tư đưa ra quyết định sáng suốt hơn và giảm thiểu rủi ro.

IV. Phân tích Rủi Ro Khi Dùng Machine Learning Dự Đoán Cổ Phiếu

Mặc dù machine learning mang lại tiềm năng lớn, việc sử dụng nó để dự đoán cổ phiếu hàng không cũng đi kèm với rủi ro. Dữ liệu không đầy đủ hoặc sai lệch có thể dẫn đến các dự đoán không chính xác. Quá khớp (overfitting) là một vấn đề khác, khi mô hình học quá sát dữ liệu huấn luyện và không thể tổng quát hóa cho dữ liệu mới. Sự thay đổi bất ngờ trong các điều kiện kinh tế vĩ mô hoặc ngành hàng không cũng có thể làm giảm độ chính xác của mô hình. Cần có sự đánh giá và điều chỉnh liên tục để đảm bảo hiệu quả của machine learning trong dự báo tài chính.

4.1. Những hạn chế của dữ liệu lịch sử và overfitting mô hình

Dữ liệu lịch sử có thể không phản ánh đầy đủ các điều kiện thị trường hiện tại, đặc biệt trong bối cảnh ngành hàng không luôn thay đổi. Overfitting xảy ra khi mô hình học quá sát dữ liệu huấn luyện, dẫn đến kết quả kém khi áp dụng vào dữ liệu mới. Cần sử dụng các kỹ thuật như cross-validation và regularization để giảm thiểu overfitting.

4.2. Tác động của biến động kinh tế vĩ mô và ngành hàng không

Các yếu tố kinh tế vĩ mô như lạm phát, lãi suất và tăng trưởng GDP có thể ảnh hưởng đáng kể đến lợi nhuận cổ đông hàng không. Sự kiện bất ngờ như khủng hoảng kinh tế hoặc đại dịch có thể làm thay đổi hoàn toàn bức tranh thị trường. Các mô hình cần được thiết kế để có thể thích ứng với những biến động này.

4.3. Đánh giá và điều chỉnh mô hình để đảm bảo hiệu quả dự báo

Việc đánh giá và điều chỉnh mô hình là cần thiết để đảm bảo độ chính xác và hiệu quả của machine learning trong dự báo tài chính. Sử dụng các chỉ số đánh giá phù hợp như MAE, MSE, RMSE và R-squared để đo lường hiệu suất của mô hình. Thực hiện điều chỉnh định kỳ để mô hình có thể thích ứng với những thay đổi của thị trường.

V. Ứng Dụng Machine Learning vào Đầu Tư Cổ Phiếu Hàng Không

Nghiên cứu cho thấy, machine learning có thể cung cấp thông tin có giá trị cho các quyết định đầu tư trong ngành hàng không. Các mô hình có thể xác định các cổ phiếu có tiềm năng tăng trưởng cao hoặc cảnh báo về các cổ phiếu có rủi ro cao. Việc phân tích các yếu tố ảnh hưởng đến lợi nhuận cổ đông hàng không giúp nhà đầu tư đưa ra lựa chọn sáng suốt hơn. Tuy nhiên, cần nhớ rằng machine learning chỉ là một công cụ hỗ trợ và không nên là yếu tố duy nhất để ra quyết định.

5.1. Xác định cổ phiếu tiềm năng và cảnh báo rủi ro

Machine learning có thể giúp xác định các cổ phiếu có tiềm năng tăng trưởng dựa trên các chỉ số tài chính và xu hướng thị trường. Ngoài ra, nó có thể cảnh báo về các cổ phiếu có rủi ro cao, giúp nhà đầu tư tránh được những khoản lỗ lớn. Các mô hình dự đoán có thể giúp nhà đầu tư tối ưu hóa danh mục đầu tư của mình.

5.2. Phân tích các yếu tố ảnh hưởng đến lợi nhuận cổ đông

Việc phân tích các yếu tố ảnh hưởng đến lợi nhuận cổ đông hàng không là rất quan trọng để đưa ra quyết định đầu tư sáng suốt. Các yếu tố này bao gồm doanh thu, chi phí, lợi nhuận, nợ và các chỉ số hoạt động khác. Machine learning có thể giúp xác định các yếu tố quan trọng nhất và mối quan hệ giữa chúng.

5.3. Machine Learning là công cụ hỗ trợ không phải quyết định duy nhất

Cần nhớ rằng machine learning chỉ là một công cụ hỗ trợ và không nên là yếu tố duy nhất để ra quyết định. Nhà đầu tư cần kết hợp thông tin từ machine learning với kiến thức và kinh nghiệm của mình để đưa ra quyết định sáng suốt nhất. Việc sử dụng machine learning một cách khôn ngoan có thể giúp tăng cường hiệu quả đầu tư.

VI. Tương Lai Mô Hình Machine Learning Cho Ngành Hàng Không

Nghiên cứu này đã chứng minh tiềm năng của machine learning trong việc dự đoán lợi nhuận cổ đông ngành hàng không. Tuy nhiên, vẫn còn nhiều hướng để phát triển hơn nữa. Việc sử dụng các nguồn dữ liệu mới, như dữ liệu mạng xã hội hoặc dữ liệu thời gian thực, có thể cải thiện độ chính xác của mô hình. Phát triển các thuật toán mới và tiên tiến hơn cũng là một hướng đi đầy hứa hẹn. Trong tương lai, machine learning sẽ đóng vai trò ngày càng quan trọng trong việc giúp các nhà đầu tư và các công ty hàng không đưa ra quyết định thông minh hơn.

6.1. Khai thác dữ liệu mới mạng xã hội dữ liệu thời gian thực

Việc khai thác các nguồn dữ liệu mới như dữ liệu mạng xã hội (sentiment analysis) và dữ liệu thời gian thực (giá vé, tình hình chuyến bay) có thể cung cấp thông tin giá trị giúp cải thiện độ chính xác của mô hình. Dữ liệu này có thể phản ánh nhanh chóng các thay đổi trong tâm lý thị trường và điều kiện hoạt động.

6.2. Phát triển thuật toán Machine Learning tiên tiến hơn

Việc phát triển các thuật toán Machine Learning tiên tiến hơn, như deep learning, transfer learning và reinforcement learning, có thể giúp giải quyết các bài toán phức tạp hơn và cải thiện độ chính xác của dự báo. Các thuật toán này có khả năng học các mối quan hệ phi tuyến tính và phức tạp trong dữ liệu.

6.3. Machine Learning định hình tương lai ngành hàng không

Trong tương lai, machine learning sẽ đóng vai trò ngày càng quan trọng trong việc giúp các nhà đầu tư và các công ty hàng không đưa ra quyết định thông minh hơn. Nó sẽ giúp tối ưu hóa hoạt động, giảm thiểu rủi ro và tăng cường lợi nhuận. Machine learning có thể trở thành một công cụ không thể thiếu trong ngành hàng không.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ngành hàng không đóng vai trò quan trọng đối với mạng lưới kết nối toàn cầu, thúc đẩy tăng trưởng kinh tế và nâng cao khả năng dịch chuyển xã hội. Tuy nhiên, bất chấp sự tăng trưởng liên tục về lưu lượng hành khách và hàng hóa, các hãng hàng không thường xuyên gặp khó khăn trong việc duy trì mức sinh lời ổn định và mang lại giá trị bền vững cho cổ đông. Báo cáo "Profitability and the Air Transport Value Chain" của Tony Tyler thuộc Hiệp hội Vận tải Hàng không Quốc tế (IATA, 2013) đã chỉ ra sự tương phản rõ rệt giữa quy mô mở rộng nhanh chóng của vận tải hàng không và tỷ suất lợi nhuận tương đối khiêm tốn của các doanh nghiệp trong ngành.

Trong bối cảnh dữ liệu tài chính ngày càng phong phú, việc ứng dụng học máy (Machine Learning) mở ra cơ hội cải thiện khả năng dự báo và hỗ trợ ra quyết định tài chính chiến lược. Mặc dù các kỹ thuật học máy đã được ứng dụng trong nhiều tác vụ vận hành như định giá vé máy bay (ticket pricing) hoặc dự báo trễ chuyến bay (flight delay prediction), các nghiên cứu học thuật tập trung vào việc dự báo lợi nhuận cổ đông (Shareholder Returns) trong ngành hàng không vẫn còn hạn chế.

Đề tài khóa luận tốt nghiệp "Machine Learning Models to Predict Shareholder Returns in the Airline Industry" của sinh viên Vũ Ngô Bảo Châu (chuyên ngành Business Data Analytics, Trường Quốc tế – Đại học Quốc gia Hà Nội, năm 2024, do TS. Lê Đức Thịnh hướng dẫn) được triển khai nhằm giải quyết khoảng trống nghiên cứu trên.

Nhiệm vụ và mục tiêu nghiên cứu của đề tài bao gồm hai nội dung chính:

1. Xác định và đánh giá các chỉ số tài chính, vận hành thiết yếu trong báo cáo tài chính của ngành hàng không ảnh hưởng đến Tổng lợi nhuận cổ đông (Total Shareholder Return - TSR).
2. Thử nghiệm, so sánh các thuật toán học máy khác nhau nhằm xây dựng mô hình dự báo định lượng đáng tin cậy cho giá trị TSR của các hãng hàng không, đồng thời chỉ ra các chỉ số có tác động mạnh mẽ nhất đến giá trị cổ đông.

Đối tượng nghiên cứu là chỉ số Tổng lợi nhuận cổ đông (TSR) cùng hệ thống các chỉ số tài chính doanh nghiệp và chỉ số vận hành đặc thù của ngành hàng không. Phạm vi nghiên cứu tập trung vào 9 hãng hàng không lớn niêm yết trên thị trường chứng khoán Hoa Kỳ, với dữ liệu hàng năm được thu thập trong giai đoạn 17 năm từ năm 2007 đến năm 2023.

---

Cơ sở lý thuyết và phương pháp

Nghiên cứu được xây dựng trên nền tảng các lý thuyết tài chính và kinh tế vi mô:

• Lý thuyết Thị trường Hiệu quả (Efficient Market Hypothesis - EMH, Fama, 1965): Giả định rằng giá cổ phiếu phản ánh đầy đủ thông tin hiện có, do đó việc tìm kiếm lợi nhuận vượt trội đòi hỏi các kỹ thuật phân tích phi tuyến tính phức tạp như học máy để khai thác các cấu trúc dữ liệu tiềm ẩn.
• Lý thuyết Định giá Chênh lệch (Arbitrage Pricing Theory - APT, Ross, 1976): Cung cấp khung phân tích đa nhân tố đối với lợi nhuận chứng khoán, tương thích với khả năng xử lý đồng thời nhiều biến số giải thích của các thuật toán học máy.
• Cơ chế liên kết hiệu quả quản trị và giá trị cổ đông: Dựa trên các nghiên cứu của State Board of Administration (SBA, 2013) và Farient Advisors LLC (2011), nhấn mạnh vai trò của các chỉ số tăng trưởng doanh thu, biên lợi nhuận và thu nhập trên mỗi cổ phần đối với biến động giá cổ phiếu.

Chỉ số mục tiêu (biến phụ thuộc) là Tổng lợi nhuận cổ đông (Total Shareholder Return - TSR), được tính toán theo công thức:

$$\text{TSR} = \frac{(\text{Giá đóng cửa điều chỉnh cuối kỳ} - \text{Giá đóng cửa điều chỉnh đầu kỳ}) + \text{Cổ tức}}{\text{Giá đóng cửa điều chỉnh đầu kỳ}}$$

Trong nghiên cứu này, dữ liệu giá đóng cửa điều chỉnh (adjusted closing price) thu thập từ Yahoo Finance đã bao gồm điều chỉnh cổ tức, giúp đơn giản hóa công thức tính toán:

$$\text{TSR} = \frac{\text{Giá điều chỉnh cuối kỳ} - \text{Giá điều chỉnh đầu kỳ}}{\text{Giá điều chỉnh đầu kỳ}}$$

Hệ thống các biến độc lập ban đầu gồm hai nhóm chỉ số:

1. Chỉ số đặc thù ngành hàng không:
   • Ghế-dặm khả dụng (Available Seat Miles/Kilometers - ASM/ASK)
   • Khách-dặm luân chuyển (Revenue Passenger Miles/Kilometers - RPM/RPK)
   • Doanh thu trên mỗi ghế-dặm khả dụng (Revenue per ASM - RASM)
   • Doanh thu hành khách trên mỗi ghế-dặm khả dụng (Passenger Revenue per ASM - PRASM)
   • Chi phí trên mỗi ghế-dặm khả dụng (Cost per ASM - CASM)
   • Hệ số sử dụng ghế (Load Factor)
2. Chỉ số tài chính doanh nghiệp phổ quát:
   • Biên lợi nhuận gộp (Gross Profit Margin)
   • Tỷ suất sinh lời trên tổng tài sản (Return on Assets - ROA)
   • Hệ số thanh toán nhanh (Quick Ratio)
   • Hệ số nợ trên vốn chủ sở hữu (Debt-to-Equity - D/E)
   • Thu nhập trên mỗi cổ phần (Earnings Per Share - EPS)

Phương pháp nghiên cứu thực nghiệm được tiến hành thông qua ngôn ngữ lập trình Python và thư viện Pandas. Quy trình xử lý dữ liệu bao gồm:

• Tiền xử lý và xử lý dữ liệu khuyết: Áp dụng phương pháp điền giá trị trung bình (mean), giá trị yếu vị (mode) và điền số 0 (zero-filling) tùy theo đặc tính của từng biến số tài chính.
• Kiểm định đa cộng tuyến (Collinearity Check): Phân tích ma trận tương quan và biểu đồ nhiệt (heatmap). Kết quả cho thấy các biến RASM, CASM và Load Factor có hệ số tương quan rất cao với PRASM do cùng xuất phát từ các đại lượng nền tảng (ASM và doanh thu hành khách). Tác giả đã loại bỏ RASM, CASM và Load Factor để giảm thiểu hiện tượng đa cộng tuyến, rút gọn bộ biến độc lập còn 6 chỉ số: PRASM, Gross Profit Margin, Quick Ratio, D/E, ROA, và EPS.
• Huấn luyện 6 mô hình học máy:
  • Hồi quy Rừng ngẫu nhiên (Random Forest Regression - RF)
  • Thuật toán AdaBoost (ADA)
  • Thuật toán XGBoost Regression (XGB)
  • Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN)
  • Hồi quy Vector hỗ trợ (Support Vector Regression - SVR)
  • Cây quyết định (Decision Tree Regression - DT)
• Tiêu chí đánh giá hiệu năng: Hệ số xác định ($R^2$ - R-squared), Sai số tuyệt đối trung bình (MAE - Mean Absolute Error), và Sai số bình phương trung bình (MSE - Mean Squared Error).

Nguồn dữ liệu nghiên cứu được trích xuất từ báo cáo thường niên (SEC filings) của các hãng hàng không và dữ liệu thị trường tài chính từ Yahoo Finance giai đoạn 2007–2023.

---

Nội dung chính theo từng chương

CHAPTER 1: INTRODUCTION (Tổng quan và sự cần thiết của đề tài)

Chương này thiết lập bối cảnh thực tiễn của ngành hàng không toàn cầu với tính chất rủi ro cao, biến động mạnh do giá nhiên liệu và chu kỳ kinh tế nhưng mức sinh lời cổ đông chưa tương xứng. Tác giả phân tích khái niệm TSR, xác định mục tiêu nghiên cứu và làm rõ tính cần thiết của việc ứng dụng các mô hình học máy thay thế cho các mô hình hồi quy tuyến tính truyền thống. Chương 1 cũng trình bày những đóng góp thực tiễn của đề tài trong việc cung cấp thông tin quản trị và công bố chiến lược tài chính cho các doanh nghiệp hàng không, bao gồm cả bối cảnh thị trường Việt Nam.

CHAPTER 2: LITERATURE REVIEW AND RESEARCH METHODOLOGY (Tổng quan tài liệu và Phương pháp nghiên cứu)

Chương 2 tổng hợp cơ sở lý luận từ các lý thuyết kinh tế (EMH, APT) và các nghiên cứu về mối quan hệ giữa chỉ số vận hành và giá trị vốn hóa thị trường. Tác giả định nghĩa chi tiết công thức tính toán của từng chỉ số tài chính và chỉ số đặc thù ngành hàng không (ASM, RPM, PRASM, RASM, CASM, ROA, Quick Ratio, D/E, EPS). Đồng thời, chương này phân tích phương pháp luận nghiên cứu định tính và định lượng, xác định quy mô mẫu nghiên cứu, quy trình chuyển đổi tiền tệ sang đồng USD theo tỷ giá cuối năm tài chính để đảm bảo tính nhất quán, cũng như nêu rõ các thách thức về tính toàn vẹn của dữ liệu trong chuỗi 17 năm.

CHAPTER 3: MAIN RESULTS (Kết quả nghiên cứu chính)

Chương 3 trình bày toàn bộ quy trình thực nghiệm từ thu thập dữ liệu, làm sạch, phân tích thống kê mô tả, kiểm tra đa cộng tuyến đến huấn luyện và đánh giá 6 mô hình học máy.

• Thu thập và tinh lọc dữ liệu: Tập dữ liệu ban đầu gồm 12 hãng hàng không niêm yết tại Mỹ. Sau quá trình rà soát tính đầy đủ của báo cáo nộp SEC giai đoạn 2007–2023, tác giả loại bỏ 3 hãng: US_SkyWest (thiếu các chỉ số PRASM, RASM, CASM), US_Sun Country (báo cáo SEC chỉ bắt đầu từ năm 2018), và US_Frontier Airlines (thiếu số liệu PRASM, RASM, CASM từ năm 2017). Bộ dữ liệu hoàn chỉnh cuối cùng gồm 9 hãng: American Airlines, Delta Air Lines, United Airlines, Southwest Airlines, JetBlue Airways, Alaska Air Group, Allegiant Travel Company, Hawaiian Holdings, và Spirit Airlines, với tổng cộng 149 quan sát.
• Thống kê mô tả (Descriptive Statistics): Bộ dữ liệu 149 dòng và 12 cột cho thấy TSR trung bình đạt xấp xỉ 8,2%; PRASM trung bình là 11,xx cent; Biên lợi nhuận gộp trung bình là 9,9%; Hệ số thanh toán nhanh trung bình ở mức âm -0,36 (cho thấy sự biến động lớn và một số giá trị ngoại lai); Hệ số D/E trung bình là -0,44; ROA trung bình đạt 3,3%; và EPS trung bình đạt 1,04 USD. Cột CASM ban đầu bị định danh dạng kiểu dữ liệu object cần được kiểm tra xử lý.
• Phân tích tương quan và giảm chiều dữ liệu: TSR có mức tương quan tuyến tính đơn lẻ rất yếu với các chỉ số tài chính, khẳng định tính chất phi tuyến của bài toán. Các chỉ số PRASM, RASM, CASM và Load Factor có mức độ tương quan lẫn nhau rất cao, dẫn tới quyết định loại bỏ 3 biến dư thừa.
• Hiệu năng các mô hình học máy: Tác giả tiến hành huấn luyện và so sánh chi tiết các chỉ số $R^2$, MAE, MSE giữa Random Forest, AdaBoost, XGBoost, ANN, SVR và Decision Tree, kèm biểu đồ so sánh giá trị thực tế (Actual) và giá trị dự báo (Predicted).

CHAPTER 4: CONCLUSION, IMPLICATION AND RECOMMENDATION (Kết luận, hàm ý và khuyến nghị)

Chương cuối cùng tổng kết các phát hiện thực nghiệm, khẳng định sự vượt trội của các mô hình học máy dạng ensemble (kết hợp) và mạng nơ-ron trong việc dự báo lợi nhuận cổ đông ngành hàng không. Tác giả đưa ra các khuyến nghị đầu tư cho các bên liên quan, nêu rõ các hạn chế nghiên cứu về mặt dữ liệu và đề xuất các định hướng mở rộng trong tương lai.

---

Kết quả và đóng góp

Kết quả định lượng từ các mô hình Machine Learning

Kết quả thực nghiệm trên bộ dữ liệu 149 quan sát từ 9 hãng hàng không lớn của Mỹ giai đoạn 2007–2023 cho thấy sự phân hóa rõ rệt về khả năng dự báo giữa các thuật toán:

STT	Mô hình học máy	Hệ số xác định ($R^2$)	Sai số tuyệt đối trung bình (MAE)	Sai số bình phương trung bình (MSE)
1	Artificial Neural Network (ANN)	0,9974	0,0121	0,00057
2	XGBoost Regression (XGB)	0,9940	Thấp	Thấp
3	AdaBoost Regression (ADA)	0,9901	0,0187	0,001007
4	Random Forest Regression (RF)	0,9880	0,01938	0,00115
5	Decision Tree Regression (DT)	0,9316	0,0660	Thấp
6	Support Vector Regression (SVR)	0,2990	0,2156	0,071488 (0,0715)

• Mạng nơ-ron nhân tạo (ANN): Đạt hiệu năng cao nhất với $R^2 = 0,9974$, giải thích được 99,74% phương sai của biến TSR, với sai số cực thấp (MAE = 0,0121; MSE = 0,00057), phản ánh khả năng xấp xỉ các mối quan hệ phi tuyến phức tạp trong dữ liệu chuỗi thời gian/bảng.
• Các thuật toán Ensemble (XGBoost, AdaBoost, Random Forest): Thể hiện sự ổn định và chính xác cao với $R^2$ lần lượt đạt 0,9940; 0,9901 và 0,9880; MAE duy trì dưới mức 0,02.
• Cây quyết định (Decision Tree): Đạt $R^2 = 0,9316$ và MAE = 0,066, cho kết quả tốt nhưng có độ lệch lớn hơn so với các phương pháp kết hợp do tính nhạy cảm với biến động dữ liệu.
• Hồi quy Vector hỗ trợ (SVR): Đạt hiệu quả thấp nhất trong nghiên cứu với $R^2 = 0,2990$, MAE = 0,2156 và MSE = 0,0715, cho thấy mô hình SVR với cấu hình thử nghiệm chưa tối ưu hóa để nắm bắt các biến động trong tập dữ liệu này.

Đóng góp của nghiên cứu

• Đóng góp học thuật: Khỏa lấp khoảng trống nghiên cứu về việc ứng dụng học máy trong dự báo chỉ số tài chính tổng hợp (TSR) của ngành hàng không, thay vì chỉ tập trung vào các bài toán vận hành vi mô (giá vé, chậm chuyến). Chứng minh thực nghiệm rằng mối quan hệ giữa các chỉ số tài chính/vận hành và TSR mang tính phi tuyến tính cao.
• Đóng góp thực tiễn: Cung cấp cơ sở định lượng giúp các nhà đầu tư xây dựng chiến lược phân bổ vốn chính xác hơn dựa trên các mô hình ensemble; đồng thời hỗ trợ các nhà quản trị doanh nghiệp hàng không nhận diện các chỉ số trọng yếu cần tối ưu hóa và minh bạch hóa thông tin nhằm nâng cao giá trị vốn hóa thị trường.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Thiếu hụt dữ liệu và thu hẹp quy mô mẫu: Một số hãng hàng không không công bố đầy đủ báo cáo theo chuẩn SEC trong toàn bộ chuỗi 17 năm hoặc thiếu các chỉ số vận hành cốt lõi, buộc tác giả phải loại bỏ 3 doanh nghiệp (SkyWest, Sun Country, Frontier Airlines), làm giảm tính đại diện tổng thể.
• Phạm vi địa lý: Mẫu nghiên cứu giới hạn ở 9 hãng hàng không niêm yết tại thị trường chứng khoán Hoa Kỳ, chưa bao quát các khu vực địa lý khác có cơ chế quản lý và cấu trúc thị trường khác biệt.
• Vấn đề cấu trúc dữ liệu: Cột dữ liệu CASM ban đầu bị định dạng object; các chỉ số tài chính có sự biến động lớn ở một số năm dẫn tới giá trị trung bình âm (Quick Ratio, D/E).
• Nguy cơ quá khớp (Overfitting): Các mô hình dạng cây (Decision Tree, XGBoost) và ANN đạt hệ số $R^2$ rất cao trên tập dữ liệu nhỏ (149 quan sát), đòi hỏi quy trình kiểm thử chéo và kiểm định ngoại mẫu chặt chẽ hơn.
• Hiệu năng của mô hình SVR: Mô hình SVR cho kết quả tương đối hạn chế ($R^2 \approx 29,9%$), cho thấy cần thử nghiệm thêm các dạng hàm kernel khác nhau và tinh chỉnh siêu tham số chuyên sâu hơn.

Hướng nghiên cứu tiếp

• Mở rộng tập dữ liệu sang các hãng hàng không quốc tế tại châu Âu, châu Á - Thái Bình Dương (bao gồm Việt Nam) để kiểm tra tính tổng quát hóa của mô hình.
• Tích hợp thêm các biến kinh tế vĩ mô (giá dầu thô thế giới, lãi suất, lạm phát, tăng trưởng GDP) và dữ liệu phi cấu trúc (phân tích cảm xúc mạng xã hội, tin tức truyền thông).
• Nghiên cứu sâu hơn về kiến trúc mạng nơ-ron phức tạp và cơ chế giải thích mô hình (Explainable AI / SHAP values) để làm rõ mức độ đóng góp chi tiết của từng biến độc lập.

---

Giá trị tham khảo

Khóa luận có giá trị tham khảo thiết thực đối với các đối tượng:

• Sinh viên và nhà nghiên cứu chuyên ngành Phân tích Dữ liệu Kinh doanh (Business Data Analytics), Tài chính Doanh nghiệp, Khoa học Dữ liệu: Tham khảo quy trình hoàn chỉnh từ thu thập dữ liệu bảng, xử lý dữ liệu khuyết, kiểm định đa cộng tuyến đến thiết lập và so sánh hiệu năng 6 thuật toán hồi quy học máy trên Python.
• Các nhà phân tích đầu tư và quản lý quỹ: Tham khảo khung mô hình dự báo TSR dựa trên các chỉ số vận hành và tài chính đặc thù để tối ưu hóa danh mục đầu tư ngành vận tải hàng không.
• Nhà quản trị doanh nghiệp hàng không: Tham khảo cơ chế tác động của các chỉ số hiệu quả vận hành (như PRASM, biên lợi nhuận gộp, cấu trúc nợ) lên mức sinh lời của cổ đông để xây dựng chính sách công bố thông tin và chiến lược kinh doanh phù hợp.

---

Câu hỏi thường gặp

1. Chỉ số Total Shareholder Return (TSR) trong nghiên cứu được định nghĩa và tính toán như thế nào?
TSR là thước đo tổng lợi nhuận mà cổ phiếu mang lại cho nhà đầu tư, bao gồm chênh lệch giá vốn và cổ tức. Trong nghiên cứu này, tác giả sử dụng giá đóng cửa điều chỉnh (adjusted closing price) từ Yahoo Finance (vốn đã bao gồm điều chỉnh cổ tức), tính bằng tỷ lệ phần trăm thay đổi giữa giá đóng cửa điều chỉnh cuối kỳ so với đầu kỳ.

2. Tại sao nghiên cứu phải loại bỏ 3 hãng hàng không SkyWest, Sun Country và Frontier Airlines?
Các hãng này bị loại do không đáp ứng tiêu chí về tính đầy đủ và liên tục của dữ liệu trong giai đoạn 2007–2023: SkyWest thiếu các chỉ số vận hành PRASM, RASM, CASM trong báo cáo SEC; Sun Country chỉ bắt đầu nộp báo cáo SEC từ năm 2018; Frontier Airlines thiếu dữ liệu PRASM, RASM, CASM từ năm 2017.

3. Tại sao các biến RASM, CASM và Load Factor bị loại khỏi mô hình trước khi huấn luyện?
Kết quả phân tích tương quan và biểu đồ nhiệt cho thấy RASM, CASM và Load Factor có mức độ tương quan rất cao với PRASM do cùng được suy ra từ các thành phần chung như ghế-dặm khả dụng (ASM) và doanh thu hành khách. Việc loại bỏ 3 biến này nhằm xử lý hiện tượng đa cộng tuyến và tránh trùng lặp thông tin.

4. Mô hình học máy nào cho kết quả dự báo chính xác nhất và mô hình nào kém nhất?
Mạng nơ-ron nhân tạo (ANN) đạt độ chính xác cao nhất với hệ số $R^2 = 0,9974$, MAE = 0,0121 và MSE = 0,00057. Ngược lại, mô hình Hồi quy Vector hỗ trợ (SVR) có hiệu năng thấp nhất với $R^2 = 0,2990$, MAE = 0,2156 và MSE = 0,0715.

5. Thống kê mô tả bộ dữ liệu 149 quan sát giai đoạn 2007–2023 chỉ ra các giá trị trung bình nào?
Bộ dữ liệu cho thấy TSR trung bình đạt 8,2%; PRASM trung bình là 11,xx cent; Biên lợi nhuận gộp trung bình là 9,9%; Hệ số thanh toán nhanh (Quick Ratio) trung bình là -0,36; Hệ số Nợ/Vốn chủ sở hữu (D/E) trung bình là -0,44; ROA trung bình là 3,3%; và EPS trung bình là 1,04 USD.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Vũ Ngô Bảo Châu đã ứng dụng thành công các thuật toán Machine Learning vào bài toán dự báo Tổng lợi nhuận cổ đông (TSR) cho 9 hãng hàng không hàng đầu niêm yết tại Hoa Kỳ giai đoạn 2007–2023. Kết quả thực nghiệm chứng minh các mô hình mạng nơ-ron (ANN) và mô hình học kết hợp (XGBoost, AdaBoost, Random Forest) có khả năng giải thích trên 98% biến động của TSR dựa trên hệ thống chỉ số tài chính và vận hành rút gọn. Công trình cung cấp tài liệu tham khảo có giá trị về phương pháp luận phân tích định lượng dữ liệu tài chính ngành hàng không và mở ra hướng tiếp cận dữ liệu hiệu quả cho các quyết định đầu tư.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT MACHINE LEARNING MODELS TO PREDICT SHAREHOLDER RETURNS IN THE AIRLINE INDUSTRY Vũ Ngô Bảo Châu Hanoi – Year 2024 VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT MACHINE LEARNING MODELS TO PREDICT SHAREHOLDER RETURNS IN THE AIRLINE INDUSTRY SUPERVISOR: DR. LÊ ĐỨC THỊNH STUDENT: VŨ NGÔ BẢO CHÂU CODE: 20070904 COHORT: BDA2020B MAJOR: BUSINESS DATA ANALYTICS Hanoi – Year 2024 ACKNOWLEDGEMENT I extend my heartfelt thanks to my thesis advisor, Dr. Le Duc Thinh from the International School at Vietnam National University, whose steadfast support and expert guidance have been instrumental throughout my academic endeavors. His patience, encouragement, and profound knowledge have significantly enriched my research experience and thesis development.

I am immensely grateful for having such an exceptional mentor during my academic tenure at the university. Furthermore, I would like to express my genuine appreciation to my friends for their invaluable support throughout my studies at VNU-IS and the thesis writing period. Their unwavering support has not only contributed to my academic achievements but has also played a crucial role in my personal development. I am deeply thankful for their presence and encouragement.

1 LETTER OF DECLARATION I hereby declare that the Graduation Project titled "Machine Learning Models to Predict Shareholder Returns in the Airline Industry" is the product of my independent research and has not been published in other works. During this project, I have rigorously adhered to research ethics. All findings presented are the result of my research and surveys. Furthermore, all references used in this project have been properly cited by academic standards.

I take full responsibility for the accuracy of the data, numbers, and all other content included in my graduation project. Hanoi, June 16th 2024 Vũ Ngô Bảo Châu 2 ABSTRACT The research aims to understand how the use of different machine learning approaches in predicting shareholder returns to identify the efficiency of airline companies as this sector plays a critical role in connecting countries and generating positive effects on their economies. However, the industry has significant heft, and airlines often fail to consistently provide shareholder value, making it crucial to improve the current predictive modeling. This paper employs Random Forest, AdaBoost, XGBoost,… as analytical models to study the financial data of nine leading U.

airlines over the period 2007 to 2023. Based on this metric fixation on Total Shareholder Return (TSR), this paper examines which machine learning models are capable of the best financial prediction. Conclusions suggest that compared with each predictor, ensemble methods perform better and provide deep and valuable information regarding investment decisions. This paper proves that the data reveal that improvements in predictive accuracy and Shareholder value in a volatile airline industry can be achieved through machine learning hence this supports the stakeholders to adopt strategic financial planning.

3 LIST OF ABBREVIATION ANA All Nippon Airways ASK Available seat kilometers ASM Available seat miles BMA Bayesian Model Average COGS Cost of goods sold CASM Cost per available seat miles D/E Debt to Equity EPS Earning per share IAG International Consolidated Airlines Group PRASM Passenger revenue per available seat miles RASM Revenue per available seat miles ROA Return on Assets RPK Revenue passenger kilometers RPM Revenue passenger miles TSR Total stock return 4 LIST OF FIGURE AND TABLE Figure 3. A part of the final dataset used for building prediction models. Correlation analysis table. The summary value of all data.

The descriptive analysis table. Result summary for Random Forest Regression model. Actual versus Predicted Result for Random Forrest model. Adaboost implementation method.

Summary result for AdaBoost model. Actual versus Predicted Result for AdaBoost model. Summary result for XGBoost model. Actual versus Predicted Result for XGBoost model.

Artifical Neuron Networks Layer. Summary result for ANN model. Actual versus Predicted Result for ANN model. Model fitted using Linear kernel.

Summary result for SVR model. Actual versus predicted result SVR model. Decision Tree Model. Summary result for Decision Tree model.

Actual versus Predicted Result for Decision Tree model. Results from machine learning models for TSR. 28 5 TABLE OF CONTENTS ACKNOWLEDGEMENT. 1 LETTER OF DECLARATION.

3 LIST OF ABBREVIATION. 4 LIST OF FIGURE AND TABLE. 5 TABLE OF CONTENTS. The necessity of topic.

Total Shareholder Return (TSR). The objective of topic. 10 CHAPTER 2: LITERATURE REVIEW AND RESEARCH METHODOLOGY. Research problem, methodology and scope.

Scope of research. Research Challenges and Resources. 18 6 CHAPTER 3: MAIN RESULTS. Performance Evaluation Metrics.

Machine Learning for Prediction Models. 28 CHAPTER 4: CONCLUSION, IMPLICATION AND RECOMMENDATION. Recommendations for investors. Limitation of study & recommendations for further research.

Recommendations for future research. The necessity of topic 1. Context The aviation industry serves as a pivotal element in global connectivity, driving economic expansion and enhancing societal mobility. However, despite its significant role, airlines have often faced difficulties in consistently delivering strong shareholder returns.

Tony Tyler's report "Profitability and the Air Transport Value Chain" from IATA emphasizes the stark contrast between the rapid expansion of air travel and cargo and the relatively modest profitability of airlines (Tony Tyler, 2013). This highlights the ongoing challenges in managing shareholder returns effectively within the aviation sector. In today’s data-rich environment, where data-driven strategies are crucial, machine learning offers valuable opportunities for improving decision-making and enhancing predictive analytics. The aviation industry, characterized by its intricate operations and significant risks, is particularly well-positioned to benefit from the deployment of these advanced models.

Research such as the 2013 executive compensation study by the State Board of Administration (SBA) illuminates the importance of aligning performance metrics with shareholder value (State Board of Administration, 2013). Yet, the selection of these metrics often requires customization to fit the unique demands of different industries, including aviation. Despite extensive research on the application of machine learning in areas like ticket pricing and flight delay prediction, there is a noticeable research gap regarding the use of these technologies to predict shareholder returns in the aviation sector. This area presents a significant opportunity for developing more focused and industry-specific machine-learning applications.

Total Shareholder Return (TSR) Total Shareholder Return (TSR) is an essential metric used to evaluate the performance of investments in the airline industry over a given period. It includes capital appreciation, reflected by changes in stock prices, and dividends paid to shareholders, offering a comprehensive view of the returns generated from owning a company's stock (Brigham & Ehrhardt, 2013). TSR is particularly critical in the airline industry due to the sector's volatility and the significant impact of external factors such as fuel prices and economic conditions on stock performance. In this study, TSR is a critical measure for assessing the effectiveness of machine learning models in forecasting shareholder returns in the airline sector.

This research leverages TSR data from trusted financial sources like Yahoo Finance (Yahoo Finance, 2024) to explore the predictive strength of these models and their potential impact on investment strategies. The use of reliable financial data ensures that the analysis is grounded in accurate and up-to-date information, which is essential for developing robust predictive models. TSR is a vital indicator for investors as it encapsulates the combined effects of stock price movements and dividend yields. A positive TSR denotes value creation, indicating a favorable increase in investment returns.

Conversely, a negative TSR points to a reduction in shareholder value, which may signal underlying issues or inefficiencies within the airline industry. By examining TSR, investors can gain insights into both the short-term and long-term performance of their investments, helping them to make more informed decisions. By utilizing TSR data from platforms such as Yahoo Finance, researchers can tap into a rich repository of financial information crucial for a thorough analysis (Yahoo Finance, 2024). This study aims to deepen the understanding of the variables that influence shareholder returns, shedding light on the complex dynamics of the airline industry through the lens of advanced predictive modeling.

The integration of machine learning techniques such as regression analysis, decision trees, and neural networks will enable a comprehensive evaluation of the factors 9 driving TSR, ultimately enhancing the predictive accuracy and utility of financial forecasts in the airline sector. The objective of topic This thesis aims to rigorously investigate how specific financial ratios and other pertinent metrics influence Total Shareholder Return (TSR) in the airline industry. The study collects yearly financial data from the world's top airlines to calculate these metrics and analyze their correlation with TSR. This data serves as the foundation for developing a comprehensive multiple regression model that assesses the impact of each metric on TSR.

Research outcomes The study meticulously analyzes data from nine prominent U. airlines, focusing on Total Shareholder Returns (TSR) and a combination of specific airline industry metrics alongside conventional corporate finance metrics. By calculating correlations and employing a multiple linear regression model, this research aims to uncover potential linear relationships positive and negative between these metrics and TSR, providing insights into how these relationships influence stock returns. Practical contributions This research delineates its practical contributions by offering actionable insights that can assist airline companies, especially within the Vietnamese context, in refining their financial and operational strategy disclosure.

These insights are aimed at enhancing investment attraction by showcasing how critical metrics influence TSR, thereby helping airlines to strategically manage and report their financial performance to maximize shareholder value. 10 CHAPTER 2: LITERATURE REVIEW AND RESEARCH METHODOLOGY 2. Theoretical background The airline industry's performance is deeply influenced by a variety of financial and operational metrics, as highlighted in the diverse sources referenced. For instance, the study sponsored by the State Board of Administration (SBA) and conducted by Farient Advisors LLC illustrates how executive compensation is aligned with shareholder value, emphasizing metrics like earnings growth, returns, and revenue growth, which are found to have significant impacts on stock prices (Farient Advisors LLC, 2011).

This aligns with economic theories that suggest well-aligned performance metrics contribute to enhanced shareholder returns. Further, discussions by industry experts such as Gary Leff and Ted Reed highlight the market's deep focus on unit revenue metrics like PRASM and RASM, despite the apparent disconnect between these metrics and the actual stock performance as noted by industry executives (Leff, 2016; Reed, 2016). This suggests a complex interaction between reported financial metrics and market perceptions that influence stock prices. To navigate the complexities of financial data, the adoption of machine learning models presents significant advantages.

By employing Artificial Neural Networks (ANNs), Random Forest, and Support Vector Regression (SVR), these models excel at uncovering the nonlinear relationships and subtle intricacies in data that traditional economic models often overlook. These sophisticated tools are adept at processing large datasets, enabling the identification of patterns that might elude human analysts, thus enhancing the accuracy of forecasts for shareholder returns. Additionally, the integration of these models is underpinned by core economic theories such as the Efficient Market Hypothesis (EMH) and the Arbitrage Pricing Theory (APT). EMH posits that stock prices incorporate all available information, implying that achieving returns above the market average is difficult without the 11 deeper insights provided by machine learning models (Fama, 1965).

Conversely, APT provides a multifactorial framework for analyzing stock returns, aligning well with the comprehensive capabilities of machine learning technologies to assess numerous variables simultaneously (Ross, 1976). These theoretical models not only support but also enhance the utility of machine learning in financial analysis. In conclusion, the theoretical background for using machine learning to predict shareholder returns in the airline industry combines these economic theories with practical insights from industry studies and expert commentary. By leveraging advanced analytics and comprehensive data analysis, stakeholders can gain a deeper understanding of the factors driving stock performance in the airline sector, aiding in more informed decision-making for long-term investment strategies.

Total Shareholders Return (TSR) TSR is defined as the total return a stock provides to an investor, encompassing both capital gains and dividends received.