ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỰ BÁO ROA VÀ ROE CỦA DOANH NGHIỆP BÁN LẺ TẠI VIỆT NAM
DOI:
https://doi.org/10.59775/1859-3968.268Từ khóa:
Trí tuệ nhân tạo, học máy, ROA, ROE, doanh nghiệp bán lẻ.Tóm tắt
Nghiên cứu này nhằm xây dựng mô hình dự báo hiệu suất tài chính của các doanh nghiệp bán lẻ tại Việt Nam thông qua hai chỉ số quan trọng là ROA và ROE, bằng cách ứng dụng các mô hình trí tuệ nhân tạo (AI) gồm Random Forest, XGBoost và MLP. Dữ liệu sử dụng bao gồm báo cáo tài chính của 12 doanh nghiệp bán lẻ giai đoạn 2010–2024 kết hợp với các biến kinh tế vĩ mô như CPI, tỷ giá, giá vàng và giá dầu. Kết quả thực nghiệm cho thấy mô hình Random Forest đạt độ chính xác cao nhất, phản ánh hiệu quả vượt trội trong việc dự báo các chỉ số tài chính. Nghiên cứu này khẳng định tiềm năng ứng dụng AI trong quản trị tài chính doanh nghiệp, đồng thời cung cấp bằng chứng thực nghiệm quan trọng cho các doanh nghiệp, nhà đầu tư và nhà hoạch định chính sách trong việc nâng cao năng lực dự báo và ra quyết định.
Tài liệu tham khảo
Kayakus M., Tutcu B., Terzioglu M., Talaş H. & Ünal Uyar G. F (2023). ROA and ROE forecasting in iron and steel industry using machine learning techniques for sustainable profitability. Sustainability, 15(9), 1-14.
Tutcu B., Kayakuş M., Terzioğlu M., Ünal Uyar G. F., Talaş H. & Yetiz F. (2024). Predicting financial performance in the IT industry with machine learning: ROA and ROE analysis. Appl Sciences., 14(17), 1-16.
Son P. V. H. & Duong L. T. (2024). Research on applying machine learning models to predict and assess return on assets (ROA). Asian Journal of Civil Engineering, 25(5), 4269-4279.
Das A., De S., Mukherjee T., Dey M. & Das Ghosh K. (2024). Forecasting bank ROE with gradient boosting: a machine learning approach. Proceedings of the 5th International Conference on Data Intelligence and Cognitive Informatics (ICDICI), 448-452.
Balci T. & Ogul H. (2021) Predicting bank return on equity (ROE) using neural networks. Proceedings of the IEEE 19th World Symposium on Applied Machine Intelligence and Informatics (SAMI) , 279-286.
He K., Yang Q., Ji L., Pan J. & Zou Y. (2023). Financial time series forecasting with the deep learning ensemble model. Mathematics, 11(4), 1054.
Nguyễn Phát Đạt, Hồ Mai Minh Nhật, Trương Công Vinh, Lê Quang Chấn Phong & Lê Hoành Sử (2025). Ứng dụng học máy và học sâu trong nghiên cứu tài chính: Một nghiên cứu về dự báo khả năng hoàn trả khoản vay của khách hàng. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh - Kinh tế và Quản trị kinh doanh, 20(1), 35-53.
Nguyễn Minh Nhật & Ngô Hoàng Khánh Duy (2024). Dự báo khả năng vỡ nợ của doanh nghiệp nhỏ và vừa tại Việt Nam: Nghiên cứu trên các mô hình học máy. Tạp chí Kinh tế - Luật & Ngân hàng, 266, 51-64.
Iranzad R. & Liu X. (2024). A review of random forest-based feature selection methods for data science education and applications. International Journal of Data Science and Analytics. 2024, 1-15.
Liu X, Hu Y, Li X, Du R, Xiang Y, Zhang F. (2024). An interpretable model for salinity inversion assessment of the South Bank of the Yellow River based on Optuna hyperparameter optimization and XGBoost. Agronomy, 15(18), 1-19.
Almahadeen L., ALMahadin G., Santosh K., Aarif M., Deb P., Syamala M. & Bala B. K. (2024). Enhancing threat detection in financial cyber security through auto encoder-MLP hybrid models. International Journal of Advancedss Computer Science and Applications, 15(4), 924-933.
Tải xuống
Đã Xuất bản
Cách trích dẫn
Số
Chuyên mục
Giấy phép
Bản quyền (c) 2025 Tạp chí Khoa học và Công nghệ Trường Đại học Hùng Vương
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial-NoDeri Phái sinh 4.0 .
