Dự đoán dòng tiền dựa vào thu nhập của cơ sở kinh doanh

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Dự đốn dịng tiền dựa vào thu nhập sở kinh doanh Phan Thị Thùy Dung Dung.PTTCB190200@sis.hust.edu.vn Ngành Khoa học máy tính Giảng viên hướng dẫn: TS Trịnh Anh Phúc Viện: Viện Công nghệ Thông tin – Truyền thơng HÀ NỘI, 12/2021 Chữ ký GVHD CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Phan Thị Thùy Dung Đề tài luận văn: Dự đốn dịng tiền dựa vào thu nhập sở kinh doanh Chuyên ngành: Khoa học liệu Mã số SV: CB190200 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 24/12/2021 với nội dung sau: - Chỉnh sửa, bổ sung sở lý thuyết giải pháp dự đốn dịng tiền Chỉnh sửa lỗi tả luận văn Bổ sung thêm liệu vào mơ hình huấn luyện để cải thiện tính xác mơ hình dự đốn Ngày 18 tháng 01 năm 2022 Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG Mẫu 1c ĐỀ TÀI LUẬN VĂN Thông tin học viên Họ tên học viên: Phan Thị Thùy Dung Mã học viên: CB190200 Lớp: Khoa học liệu (KH) Khóa: CH2019B Điện thoại liên lạc: 0942971095 Email: Dung.PTTCB190200@sis.hust.edu.vn Luận văn tốt nghiệp thực tại: Trường Đại học Bách khoa Hà Nội Thời gian làm Luận văn tốt nghiệp: Từ ngày 01/02/2020 đến 08/12/2021 Mục đích nội dung Luận văn tốt nghiệp Tìm hiểu thuật tốn nội sinh liệu đảm bảo giữ nét đặc trưng liệu, kết hợp với lý thuyết học sâu nhằm giải tốn dự đốn dịng tiền cho doanh nghiệp So sánh, đánh giá khả dự đoán mơ hình mạng nơ ron đơn giản với mơ hình LSTM vấn đề dự đốn dịng tiền Các nhiệm vụ cụ thể Luận văn tốt nghiệp - Tìm hiểu sở lý thuyết phương pháp nội suy Kriging học sâu - Tìm hiểu phương pháp nội suy liệu nghiên cứu - Nghiên cứu giải pháp áp dụng nội suy Kriging vào liệu kinh tế - Tìm hiểu ứng dụng, kết mơ hình LSTM vấn đề kinh tế nghiên cứu - Thu thập, xử lí, chuẩn hóa liệu - Thử nghiệm đánh giá kết phương pháp nội suy liệu Kriging lĩnh vực kinh tế - Thử nghiệm, so sánh, đánh giá khả dự đốn mơ hình mạng nơ ron đơn giản mạng LSTM tốn dự đốn dịng tiền - Rút kết luận hướng phát triển Lời cam đoan học viên Tôi - Phan Thị Thùy Dung - cam kết Luận văn tốt nghiệp cơng trình nghiên cứu thân hướng dẫn TS Trịnh Anh Phúc Các kết nêu Luận văn tốt nghiệp trung thực, chép tồn văn cơng trình khác Hà Nội, ngày 18 tháng 01 năm 2022 Tác giả Luận văn tốt nghiệp Xác nhận giáo viên hướng dẫn mức độ hoàn thành Luận văn tốt nghiệp cho phép bảo vệ: ………………………………………………………………………………… ………………………………………………………………………………… Hà Nội, ngày 18 tháng 01 năm 2022 Giáo viên hướng dẫn Lời cảm ơn Để hồn thành luận văn này, tơi xin chân thành cảm ơn thầy hướng dẫn, Tiến sĩ Trịnh Anh Phúc – Người đồng hành suốt thời gian nghiên cứu đề tài làm luận văn thạc sĩ Thầy tận tình dẫn dắt, định hướng cho lời khuyên giá trị mặt kiến thức cách hoàn thành tốt luận văn Một lần nữa, xin gửi đến thầy lời cám ơn chân thành lịng biết ơn Tóm tắt nội dung luận văn Luận văn trình bày vấn đề dự đốn dịng tiền dựa vào thu nhập sở kinh doanh phương pháp thực để giải vấn đề Cơ sở kinh doanh đề cập luận văn sở kinh doanh thuộc dạng vừa lớn, đăng kí lên sàn chứng khốn có báo cáo tài thường niên Cụ thể, sở kinh doanh nói đến Google Đề tài gồm hai vấn đề lớn cần giải Một vấn đề tăng sinh liệu giữ tính đắn liệu liệu thu thập từ bảng báo cáo tài Hai tìm giải pháp dự đốn dịng tiền với độ xác cao Phương pháp tăng sinh liệu sử dụng nội suy liệu theo phương pháp kriging Hai phương pháp kriging sử dụng Ordinary Kriging Univershal Kriging tùy thuộc vào đặc điểm chuỗi liệu Việc dự báo dòng tiền nghiên cứu dựa hai mơ hình học sâu mạng nơ ron đơn giản mạng LSTM Tôi sử dụng framework Tensorflow cho việc thiết lập đánh giá tiêu chí mạng nơ ron sử dụng Việc so sánh kết hai mạng nơ ron nhằm giải câu hỏi “Liệu mạng nơ ron đơn giản có khả giải tốt vấn đề thực tế ?” “Việc sử dụng mạng nơ ron phức tạp có cần thiết cho vấn đề thực tế ?” Nghiên cứu mang lại kết khả quan Việc sử dụng phương pháp nội suy làm tăng liệu giữ nét đặc trưng liệu Quá trình thực nghiệm rằng, trường hợp mạng nơ ron đơn giản cho kết tốt nhiều so với mạng nơ ron phức tạp, bao gồm lợi ích mặt thời gian huấn luyện HỌC VIÊN Phan Thị Thùy Dung MỤC LỤC GIỚI THIỆU 1.1 Lý chọn đề tài 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu đề tài 1.4 Đối tượng phạm vi nghiên cứu 1.5 Ý nghĩa khoa học thực tiễn MƠ TẢ BÀI TỐN 2.1 Tổng quan dự báo 2.1.1 Khái niệm dự báo 2.1.2 Mục đích dự báo tài 2.1.3 Những khó khăn phân tích dự báo tài 2.1.4 Quy trình thực dự báo 2.2 Tổng quan dòng tiền (FCF) 2.2.1 Khái niệm 2.2.2 Các yếu tố ảnh hưởng đến dòng tiền doanh nghiệp 2.3 Mơ tả tốn 10 2.4 Đề xuất giải pháp 11 CƠ SỞ LÝ THUYẾT VỀ GIẢI PHÁP DỰ ĐỐN DỊNG TIỀN13 3.1 Cơ sở lý thuyết giải pháp tăng sinh liệu 13 3.1.1 Thống kê địa lý (Geostatistics) 13 3.1.2 Variogram 16 3.1.3 Các bước thực nội suy Kriging 29 3.1.4 Phương pháp nội suy Ordinary Kriging 30 3.1.5 Phương pháp nội suy Univershal Kriging 33 3.2 Cơ sở lý thuyết mơ hình học sâu 36 3.2.1 Học máy 36 i 3.2.2 Perceptron 37 3.2.3 Cơ chế lan truyền tín hiệu mạng nơ ron 38 3.2.4 Mơ hình mạng nơ ron hồi quy (RNN) 42 3.2.5 Mơ hình LSTM (Long Short – Term Memory) 44 CÀI ĐẶT VÀ KẾT QUẢ THỰC NGHIỆM 46 4.1 Trực quan hóa liệu 46 4.2 Nội suy liệu phương pháp Krigging 54 4.3 Mạng nơ ron để huấn luyện liệu 66 4.3.1 Tiền xử lí liệu 66 4.3.2 Mơ hình huấn luyện 66 4.4 Kết luận 69 TÀI LIỆU THAM KHẢO 70 PHỤ LỤC 88 ii DANH MỤC HÌNH VẼ Hình 2.1 Mối liên quan liệu đầu vào – sau chuẩn hóa liệu áp dụng mơ hình học sâu 12 Hình 3.1 Mối liên quan hiệp phương sai C(h) variogram 𝛾(ℎ) 17 Hình 3.2 Minh họa variogram dạng điểm khơng gian hai chiều [m2]18 Hình 3.3 Ví dụ trường hợp điểm liệu không đầy đủ 19 Hình 3.4 Pure nugget effect variogram 20 Hình 3.5 Spherical variogram 21 Hình 3.6 Exponential variogram 22 Hình 3.7 Gaussian variogram 22 Hình 3.8 ℎ𝜆variogram 23 Hình 3.9 Ví dụ variogram fitting Chú thích: *: experimental variogram 25 Hình 3.10 Trực quan vị trí điểm 𝑢1, 𝑢2, 𝑢 32 Hình 3.11 Thay đổi vị trí điểm quan sát ví dụ 3.1.4-1 33 Hình 3.12 Perceptron [36, p 70] 37 Hình 3.13 Cập nhật giá trị trọng số y từ [36, p 66] 39 Hình 3.14 Cập nhật giá trị trọng số cho y từ [36, p 67] 40 Hình 3.15 Q trình tối ưu hóa hàm lỗi [36, p 82] 40 Hình 3.16 RNN unit 42 Hình 3.17 Các dạng toán RNN [42] 43 Hình 3.18 LSTM unit [41] 44 Hình 4.1 Trực quan hóa chuỗi thuộc bảng cân đối kế tốn-1 48 Hình 4.2 Trực quan bảng cân đối kế toán-2 49 Hình 4.3 Trực quan bảng cân đối kế toán-3 49 Hình 4.4 Trực quan hóa chuỗi liệu bảng tài chính-2 50 Hình 4.5 Trực quan hóa chuỗi liệu bảng tài chính-1 50 Hình 4.6 Trực quan hóa chuỗi liệu bảng tài chính-4 51 Hình 4.7 Trực quan hóa chuỗi liệu bảng tài chính-3 51 iii Hình 4.8 Trực quan hóa chuỗi liệu bảng dịng tiền-1 52 Hình 4.9 Trực quan hóa chuỗi liệu bảng tài chính-5 52 Hình 4.10 Trực quan hóa chuỗi liệu bảng dòng tiền-3 53 Hình 4.11 Trực quan hóa chuỗi liệu bảng dịng tiền-2 53 Hình 4.12 Biểu đồ ACF chuỗi liệu bảng cân đối kế tốn-1 55 Hình 4.13: Biểu đồ ACF chuỗi liệu bảng cân đối kế toán-2 55 Hình 4.14 Biểu đồ ACF phần dư chuỗi khơng có tính dừng bảng cân đối kế toán-1 57 Hình 4.15 Phân rã thành phần khơng có tính dừng khỏi chuỗi bảng cân đối kế toán-1 57 Hình 4.16 Biểu đồ ACF cho phần dư chuỗi khơng có tính dừng bảng cân đối kế toán-2 58 Hình 4.17 Phân rã thành phần khơng có tính dừng chuỗi thuộc bảng cân đối kế toán-2 58 Hình 4.18 Biểu đồ ACF cho chuỗi thuộc bảng tài chính-1 59 Hình 4.19 Biều đổ ACF cho chuỗi thuộc bảng tài chính-2 60 Hình 4.20 Trực quan phân rã thành phần xu hướng khỏi chuỗi bảng tài chính-1 61 Hình 4.21 Trực quan phân rã thành phần xu hướng khỏi chuỗi bảng tài chính-2 62 Hình 4.22 Biểu đồ ACF cho phần dư chuỗi thuộc bảng tài chính-1 62 Hình 4.23 Biểu đồ ACF cho phần dư chuỗi thuộc bảng tài chính-2 63 Hình 4.24 Biểu đồ ACF chuỗi thuộc bảng dịng tiền 63 Hình 4.25 Biểu đồ ACF thành phần dư chuỗi thuộc bảng dịng tiền 65 Hình 4.26 Phân rã thành phần xu hướng khỏi chuỗi thuộc bảng dòng tiền 65 Hình 4.27 Mơ tả mơ hình mạng nơ ron đơn giản với lớp ẩn 66 Hình 4.28 Trực quan độ lỗi trình training test mơ hình mạng nơ ron đơn giản qua lần thực nghiệm 67 Hình 4.29 Trực quan độ lỗi q trình training test mơ hình mạng nơ ron sử dụng lớp ẩn LSTM qua lần thực nghiệm 67 iv Hình 4.30 Trực quan kết dự đoán mạng nơ ron đơn giản với giá trị đầu vào giá trị thực tế 68 Hình 0.1 Kết dự đốn mơ hình variogram chuỗi thuộc bảng cân đối kế toán 89 Hình 0.2 So sánh kết nội suy liệu chuỗi thuộc bảng cân đối kế toán với giá trị gốc chúng 90 Hình 0.3 Kết dự đốn mơ hình variogram chuỗi thuộc bảng tài 93 Hình 0.4 So sánh kết nội suy liệu chuỗi thuộc bảng tài với giá trị gốc chúng 94 Hình 0.5 Kết dự đốn mơ hình variogram chuỗi thuộc bảng dịng tiền 96 Hình 0.6 So sánh kết nội suy liệu chuỗi thuộc bảng dòng tiền với giá trị gốc chúng 97 v DANH MỤC BẢNG BIỂU Bảng 2.1 Dòng tiền AMZN, đơn vị: 1000$ 10 Bảng 3.1 Trung bình phương sai từ mẫu thử khác 14 Bảng 3.2 Dữ liệu ví dụ 3.1.2-1 18 Bảng 4.1 Bảng phân rã thành phần chuỗi thuộc bảng cân đối kế toán 56 Bảng 4.2 Phân rã thành phần bảng tài 60 Bảng 4.3 Bảng xác định thành phần xu hướng chu kì chuỗi thuộc bảng dòng tiền 64 Bảng 0.1 Kết nội suy liệu bảng cân đối kế toán 88 Bảng 0.2 Kết nội suy liệu bảng tài 91 Bảng 0.3 Kết nội suy liệu bảng dòng tiền 95 vi 4.4 Kết luận a Quá trình nội suy liệu - Việc lựa chọn phương pháp nội suy dựa vào tính dừng chuỗi liệu cần sử dụng cách mềm dẻo Đối với trường hợp chuỗi liệu có tính xu hướng yếu, tức độ tăng khơng cao, tính xu hướng khơng qn, mà tăng giai đoạn ngắn, ta xem chuỗi có tính dừng yếu, sử dụng phương pháp Ordinary Kriging để b - nội suy cho kết tốt phương pháp Univershal Kriging Phương pháp Univershal Kriging cho kết tốt với mơ hình - liệu có tính xu hướng đơn giản mơ hình liệu có tính xu hướng phức tạp Đối với việc ước lượng hàm variogram, việc lựa chọn hàm cho độ lỗi ưu tiên Tuy nhiên, không nên chọn hàm fit với liệu Đôi việc lựa chọn mơ hình variogram cho sai số nhiều lại cho kết nội suy tốt Quá trình huấn luyện mạng nơ ron - Trong thực tế, việc sử dụng mơ hình nơ ron phức tạp không cần thiết không mang lại kết tốt - Việc xử lý tốt liệu ban đầu gồm chuẩn hóa liệu, sàng lọc liệu kết hợp phương pháp cross validation cho kết tốt trình huấn luyện 69 TÀI LIỆU THAM KHẢO [1] B V Vần B V Ninh, “Chương 17: Quản trị dịng tiền doanh nghiệp,” Giáo trình tài doanh nghiệp, Hà Nội, Nhà xuất Kinh tế, 2015 [2] S S Namini and A S Namin, "FORECASTING ECONOMIC AND FINANCIAL TIME SERIES: ARIMA VS LSTM," Texas Tech University, Lubbock, TX, USA, 2018 [3] T Fischer and C Krauss, "Deep learning with long short-term memory networks for financial market predictions," European Journal of Operational Research, vol 270, no 2, pp 654-669, 2018 [4] Investopedia, “Forecasting,” 2021 [Trực tuyến] Available: https://www.investopedia.com/terms/f/forecasting.asp [Đã truy cập 31 2021] [5] Đ h C Thơ, “slideshare,” 2017 [Trực tuyến] Available: https://www.slideshare.net/lntgiang16/chng-2-quy-trnh-d-bo-phntch-d-liu-v-la-chn-phng-php-d-bo [Đã truy cập 31 2021] [6] H Akima, "A New Method of Interpolation and Smooth Curve Fitting Based on Local Procedures," Journal of Association for Computing Machinery , vol 17, pp 590-602, October 1970 [7] T N E Greville, "Spline functions, interpolation, and numerical quadrature," Mathmatical Methods for Digital Computer, vol 54, pp 156-168, 1967 [8] T G Ackland, "On osculatory interpolation, where the given values of the function are at unequal intervals," J Inst Actuar, vol 49, pp 369-375, 1915 [9] J Karup, "On a new mechanical method of graduation," in Transactions of the Second International Actuarial Congress, London, C and E Layton, 1899, pp 78-109 [10] W E Milne, Numerical Calculus, Princeton, N J., Ch III: Princeton U Press, 1949 70 [11] F B Hildebrand, in Introduction to Numerical Analysis, New York, McGraw-Hill, 1956, pp Ch 2, 3, and [12] K Chellapilla, S Puri and P Simard, "High Performance Convolutional Neural Networks for Document Processing," in Tenth International Workshop on Frontiers in Handwriting Recognition 1, Oct 2006, La Baule (France), 2006 [13] D C CireSan and e al, "Deep, Big, Simple Neural Nets for Handwritten Digit Recognition," Neural Computation, vol 22, no 12, 2010 [14] M Abadi and e al, "TensorFlow: A System for Large-Scale," in 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16), Savannah, GA, USA, 2016 [15] J Dean, G Corrado, R Monga, K Chen, M Devin, M Mao, M Ranzato, A Senior, P Tucker, K Yang, Q Le and A Ng, "Large scale distributed deep networks," in NIPS, Lake Tahoe, Nevada, 2012 [16] A Bardossy, Introduction of Geostatistics, Germany: Institute of Hydraulic Engineering University of Stuttgart [17] R Webster and M A Oliver, Geostatistics for Environmental Scientists, John Wiley & Sons, Ltd, 2007 [18] G Matheron, "Principles of Geostatistics," Economic Geology, vol 58, pp 1246-1266, 1963 [19] G Matheron, Les variables re´gionalise´es et leur estimation, Paris: Masson, 1965 [20] Q Ltd, "Serial Correlation in Time Series Analysis," QuarkGluon Ltd, 2021 [Online] Available: https://www.quantstart.com/articles/Serial-Correlation-in-TimeSeries-Analysis/ [Accessed 31 2021] [21] T P S University, “Lessons 10.2: Autocorrelation and Time Series Methods,” The Pennsylvania State University, [Trực tuyến] Available: https://online.stat.psu.edu/stat462/node/188/ [Đã truy cập 14 2021] 71 Wikipedia, “Least squares,” 2021 [Trực tuyến] Available: [22] https://en.wikipedia.org/wiki/Least_squares [Đã truy cập 31 2021] [23] F V Berghen, "Levenberg-Marquardt algorithms vs Trust Region algorithms," 2004 [24] H P Gavin, "The Lavenberg-Marquardt algorithm for nonlinear least squares curve-fitting problems," 2020 [25] T F C & Y Li, "An interior, trust region approach for nonlinear minimization subject to bounds," SIAM J Optimization, 1993 [26] T F Coleman and Y Li, "A reflective Newton method for minimizing a quadratic function subject to bounds on some of the variables," SIAM Journal on Optimization, vol 6, no 4, pp 10401058, 1993 [27] M A Branch, T F Coleman and Y Li, "A Subspace, Interior, and Conjugate Gradient Method for Large-Scale Bound-Constrained Minimization Problems," SIAM Journal on Scientific Computing, vol 21, pp 1-23, 1999 [28] Wikipedia, “Lagrange multiplier,” 2021 [Trực tuyến] Available: https://en.wikipedia.org/wiki/Lagrange_multiplier [Đã truy cập 27 2021] [29] D A Harville, "Bayesian inference for variance components using only error contrasts," Biometrika, vol 61, no 2, pp 383-385, 1974 [30] D A Harville, "Maximum Likelihood Approaches to Variance Component Estimation and to Related Problems," vol 72, no 358, pp 320-338, 1977 [31] X Zhang, "A Tutorial on Restricted Maximum Likelihood Estimation in Linear Regression and Linear Mixed-Effects Models," A*STAR-NUS Clinical Imaging Research Center, 2015 [32] Wikipedia, “Curve fitting,” 2021 [Trực tuyến] Available: https://en.wikipedia.org/wiki/Curve_fitting [Đã truy cập 15 2021] 72 [33] Wikipedia, “Polynomial interpolation,” 2021 [Trực tuyến] Available: https://en.wikipedia.org/wiki/Polynomial_interpolation [Đã truy cập 15 2021] [34] Wikipedia, “Machine learning,” 2021 [Trực tuyến] Available: https://en.wikipedia.org/wiki/Machine_learning [Đã truy cập 29 2021] [35] F Rosenblatt, "Principles of neurodynamics," Cornell Aeronautical laboratory, Inc, New York, 1961 [36] K Gurney, An Introduction to neural networks, Taylor & Francis e-Library, 2004 [37] K G Palepu and P M Healy, Business Analysis & Valuation Using Financial Statements, Cengage Learning, Cengage Learning, 2012 [38] Ross, Westerfiled and Jaffe, "Chapter 2: Financial statements and Cash flow," in Corporate finance, Chicago, Irwin, 2010, pp 7598 [39] J M Wahlen and e al, Financial Reporting, Financial Statement Analysis, and Valuation, Cengage Learning, 2015 [40] P T T Thủy N T L Anh, Báo cáo tài chính, Phân tích Dự báo định giá, Hà Nội: Đại học Kinh Tế Quốc Dân, 2018 [41] Nttuan8, “Long short term memory (LSTM),” 2019 [Trực tuyến] Available: https://nttuan8.com/bai-14-long-short-termmemory-lstm/ [Đã truy cập 30 2021] [42] Nttuan8, “Recurrent neural network,” 25 2019 [Trực tuyến] Available: https://nttuan8.com/bai-13-recurrent-neural-network/ [Đã truy cập 30 2021] 73 PHỤ LỤC A1 Chi tiết số liệu thí nghiệm Bảng 0.1 Kết nội suy liệu bảng cân đối kế toán Chuỗi Variogram model Range Sill Nugget Rmse Kriging variance Variogram StockholdersEquity exponential 1067.88 4.60e+18 0.00 1.46e+18 3.96e+17 TotalCapitalization exponential 1354.06 5.94e+18 0.00 1.77e+18 4.04e+17 CommonStockEquity exponential 1072.96 4.61e+18 0.00 1.46e+18 3.95e+17 spherical 5980 3.67e+19 0.00 1.47e+19 2.82e+17 NetTangibleAssets exponential 1247.82 9.90e+18 0.00 3.93e+18 7.27e+17 WorkingCapital exponential 692.21 1.02e+19 0.00 2.80e+18 1.35e+18 InvestedCapital exponential 1327.20 6.20e+18 0.00 2.06e+18 4.31e+17 TotalDebt exponential 2037.21 8.64e+18 0.00 3.25e+18 3.92e+17 ShareIssued exponential 2024.37 1.07e+14 0.00 4.61e+13 4.83e+12 OrdinarySharesNumber exponential 2024.37 1.07e+14 0.00 4.61e+13 4.83e+12 CapitalLeaseObligations 88 Hình 0.1 Kết dự đốn mơ hình variogram chuỗi thuộc bảng cân đối kế tốn 89 Hình 0.2 So sánh kết nội suy liệu chuỗi thuộc bảng cân đối kế toán với giá trị gốc chúng 90 Bảng 0.2 Kết nội suy liệu bảng tài Chuỗi Variogram model Range Sill Nugget RMSE Variogram Kriging variance spherical 6072 4.03e+18 0.00 1.32e+18 3.3e+16 exponential 740.23 7.18e+17 0.00 1.53e+17 9.08e+16 GrossProfit spherical 6072 1.41e+18 0.00 6.23e+17 1.32e+16 OperatingIncome spherical 6072 7.76e+17 0.00 4.12e+17 8.36e+15 PretaxIncome spherical 6072 1.96e+18 0.00 4.40e+17 1.74e+16 BasicEPS spherical 6072 53.64 3.14e16 14 0.41 DilutedEPS spherical 6072 52.87 7.38e16 13.96 0.40 BasicAverageShares exponential 6072 7.45e+16 0.00 1.15e+16 1.13e+15 DilutedAverageShares exponential 2756.91 5.31e+16 0.00 1.32e+16 1.77e+15 NetIncomeFromContinuingAndDiscontinuedOperation exponential 3534.56 2.81e+18 0.00 1.02e+18 7.57e+16 NormalizedIncome exponential 3831.69 2.05e+18 0.00 7.51e+17 5.17e+16 TotalRevenue CostOfRevenue 91 InterestIncome exponential 6072 5.05e+15 0.00 2.0e+15 1.70e+15 InterestExpense spherical 6072 4.27e+14 0.00 4.42e+13 3.24e+12 exponential 6072 5.38e+15 0.00 2.21e+15 1.73e+15 EBIT spherical 6072 1.98e+18 0.00 4.63e+17 1.75e+16 NormalizedEBITDA spherical 6072 9.06e+17 0.00 4.67e+17 9.35e+15 NetInterestIncome 92 Hình 0.3 Kết dự đốn mơ hình variogram chuỗi thuộc bảng tài 93 Hình 0.4 So sánh kết nội suy liệu chuỗi thuộc bảng tài với giá trị gốc chúng 94 Bảng 0.3 Kết nội suy liệu bảng dòng tiền Chuỗi Variogram model Range Sill Nugget Rmse Variogram Kriging variance OperatingCashFlow spherical 5888 1.05e+18 0.00 2.72e+17 1.04e+16 InvestingCashFlow spherical 5888 3.20e+19 0.00 6.01e+18 2.50e+17 FinancingCashFlow spherical 5888 4.29e+18 0.00 2.02e+18 3.57e+16 EndCashPosition spherical 418.88 6.11e+18 0.00 2.24e+18 6.76e+17 IssuanceOfCapitalStock spherical 5888 8.10e+17 0.00 2.97e+17 6.32e+15 IssuanceOfDebt spherical 5888 7.45e+18 0.00 2.90e+18 5.82e+16 RepaymentOfDebt spherical 391.82 1.02e+18 0.00 3.07e+17 1.23e+17 RepurchaseOfCapitalStock exponential 1610.94 4.95e+17 0.00 1.54e+17 3.04e+16 FreeCashFlow exponential 5888 1.33e+18 0.00 3.36e+17 2.30e+16 95 Hình 0.5 Kết dự đốn mơ hình variogram chuỗi thuộc bảng dịng tiền 96 Hình 0.6 So sánh kết nội suy liệu chuỗi thuộc bảng dòng tiền với giá trị gốc chúng 97 ... luận văn Luận văn trình bày vấn đề dự đốn dịng tiền dựa vào thu nhập sở kinh doanh phương pháp thực để giải vấn đề Cơ sở kinh doanh đề cập luận văn sở kinh doanh thu? ??c dạng vừa lớn, đăng kí lên... Dịng tiền (FCF) = Dịng tiền vào – Dòng tiền Phương pháp gián tiếp tính dựa vào cơng thức: Dịng tiền (FCF) = Dịng tiền kinh doanh – Chi phí vốn Lấy ví dụ đơn giản, giả sử doanh nghiệp thu vào 10$,... đánh giá khả tạo tiền doanh nghiệp Một doanh nghiệp đánh giá có khả tăng trưởng tốt dòng tiền cân đối dòng tiền vào ra, dòng tiền doanh nghiệp tuyệt đối khơng thể để bị âm Có nhiều doanh nghiệp có