Financial Performance Forecasting Models for Listed Companies in the Food and Beverage Industry in the Stock Exchange of Thailand
Article Sidebar
Main Article Content
Abstract
This article aimed to: 1) study the relationship between financial ratios, internal firm factors, and macroeconomic factors and the net profit margin of companies in the food and beverage industry listed on the Stock Exchange of Thailand; 2) compare the performance of Multiple Linear Regression and Random Forest models in forecasting net profit margin; and 3) analyze the variables that are important for forecasting firm performance. This study employed a quantitative research design using secondary data from the financial statements of 40 listed companies in the food and beverage industry, covering the period from 2019 to 2024. The sample was selected using purposive sampling. Data were analyzed using descriptive statistics, Spearman’s rank correlation coefficient, Multiple Linear Regression, and Random Forest models. Model performance was evaluated using MAE, MSE, RMSE, and R². The findings revealed that 41 independent variables out of a total of 86 variables were significantly associated with net profit margin. The variable with the strongest relationship was the operating expense ratio in 2023. The model comparison results showed that Random Forest outperformed Multiple Linear Regression in forecasting performance, with an R² of 0.776, MAE of 4.082, and RMSE of 9.569, whereas the Multiple Linear Regression model yielded a negative R². The most important variables for prediction were the operating expense ratio, operating profit margin, and net profit margin in 2023. The knowledge gained from this study indicates that integrating financial information with machine learning models can serve as an approach for forecasting firm performance and effectively supporting the decision-making of executives, investors, and financial analysts.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
ธนวัฒน์ ศรีสมบูรณ์ และ วรรณา จันทร์เพ็ง. (2566). การเปรียบเทียบประสิทธิภาพแบบจำลอง Machine Learning แบบ Tree-based Ensemble ในการพยากรณ์ผลการดำเนินงานของบริษัทจดทะเบียนในตลาดหลักทรัพย์. วารสารเศรษฐศาสตร์และบริหารธุรกิจ, 15(2), 45–63.
นริศรา ประไพ, ธนกฤต วงศ์ศิริภากร และ พิมพ์ชนก เนตรศิริ. (2565). การเปรียบเทียบประสิทธิภาพของแบบจำลอง Random Forest และ Multiple Linear Regression ในการพยากรณ์กำไรสุทธิของบริษัทในตลาดหลักทรัพย์แห่งประเทศไทย. วารสารการเงิน การบัญชี และการจัดการ, 13(2), 78–95.
วิชัย อนันต์โกศล. (2567). การเปรียบเทียบประสิทธิภาพแบบจำลองทางสถิติและ Machine Learning ในการพยากรณ์กำไรสุทธิของบริษัทในกลุ่มอุตสาหกรรมเกษตรและอาหาร ตลาดหลักทรัพย์แห่งประเทศไทย. วารสารบริหารธุรกิจและสังคมศาสตร์ มหาวิทยาลัยรามคำแหง, 7(1), 85–102.
วิศรุต แก้วมหา และวริศ ปัญญาฉัตรพร. (2564). การคาดการณ์ผลตอบแทนในอนาคตของตราสารทุนหุ้นสามัญโดยการใช้ระบบคอมพิวเตอร์เรียนรู้ได้ด้วยตนเอง. วารสารนวัตกรรมธุรกิจ การจัดการ และสังคมศาสตร์, 2(3), 108–123.
Biau, G., & Scornet, E. (2016). A random forest guided tour. TEST, 25(2), 197–227.
Cao, J., Chen, X., & Wang, Y. (2020). Cross-validated machine learning models for earnings forecasting in emerging markets. Journal of Emerging Market Finance, 19(3), 301–325.
Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253–263.
Fernandez-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15(1), 3133–3181.
Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273.
Hezam, Y., Luong, H., & Anthonysamy, L. (2025). Machine learning in predicting firm performance: A systematic review. China accounting and finance review, 27(3), 309-339.
Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67.
Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques: A review. European Journal of Operational Research, 180(1), 1–28.
Lakonishok, J., Shleifer, A., & Vishny, R. W. (1994). Contrarian investment, extrapolation, and risk. The Journal of Finance, 49(5), 1541–1578.
Nissim, D., & Penman, S. H. (2001). Ratio analysis and equity valuation: From research to practice. Review of Accounting Studies, 6(1), 109–154.
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259–268.
Porter, M. E. (1985). Competitive advantage: Creating and sustaining superior performance. New York: Free Press.
Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, 71(3), 289–315.
Soliman, M. T. (2008). The use of DuPont analysis by market participants. The Accounting Review, 83(3), 823–853.
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
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. Applied Sciences, 14(17), 7459.
Wasserbacher, H., & Spindler, M. (2022). Machine learning for financial forecasting, planning and analysis: Recent developments and pitfalls. Digital Finance, 4(1), 63–88.
