BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  34,332,515
  • Công bố khoa học và công nghệ Việt Nam

06

502 - Kinh tế và kinh doanh

Cao Thi Huyen Trang, Le Quoc Huy, Pham Van Bang, Pham Thi Duyen Hai

Áp dụng mô hình học sâu LSTM trong dự báo cơ cấu vốn của doanh nghiệp: tiếp cận theo hướng dữ liệu

Applying Lstm Deep Learning Model To Predict Corporate Capital Structure: A Data-Driven Approach

Khoa học & Công nghệ - Trường Đại học Công nghiệp Hà Nội

2025

6

201-207

1859-3585x

Cơ cấu vốn, Tài chính doanh nghiệp, Mô hình LSTM, Dữ liệu tài chính

Capital structure, Corporate finance, LSTM models, Financial data, Machine learning

Cơ cấu vốn đóng vai trò quan trọng trong tài chính doanh nghiệp, ảnh hưởng đến các quyết định đầu tư và hiệu quả tài chính. Các mô hình kinh tế lượng truyền thống đã được sử dụng rộng rãi để dự đoán cơ cấu vốn; tuy nhiên, những tiến bộ gần đây trong học sâu mang lại một hướng tiếp cận đầy hứa hẹn. Nghiên cứu này khám phá việc ứng dụng các mô hình LSTM trong dự báo cơ cấu vốn, so sánh hiệu suất của chúng với các phương pháp học máy truyền thống. Sử dụng dữ liệu tài chính từ các tập đoàn lớn, chúng tôi phân tích khả năng dự đoán của các kiến trúc LSTM. Kết quả cho thấy các mô hình LSTM thể hiện độ chính xác vượt trội trong việc nắm bắt các mẫu phức tạp trong các tập dữ liệu tài chính, chứng minh tiềm năng của chúng như những công cụ mạnh mẽ cho dự báo cơ cấu vốn

Capital structure plays a crucial role in corporate finance, influencing investment decisions and financial performance. Traditional econometric models have been widely used to predict capital structure; however, recent advancements in deep learning offer promising al-ternatives. This study explores the application of Long Short-Term Memory (LSTM) models for capital structure prediction, comparing their performance against conventional machine learning approaches. Using financial data f-rom major corporations, we analyze the predictive capabilities of LSTM architectures. Our findings indicate that LSTM models exhibit superior accuracy in capturing complex patterns within financial datasets, demonstrating their potential as powerful tools for capital structure forecasting.

TTKHCNQG, CVt 70

Xem toàn văn