Bài báo sử dụng các phương pháp học máy và phương pháp thống kê truyền thống để dự báo mức độ căng thẳng tài chính của các doanh nghiệp niêm yết tại Việt Nam. Dữ liệu sử dụng trong bài báo được thu thập từ 646 doanh nghiệp niêm yết trên hai sàn giao dịch HOSE và HNX trong giai đoạn 2012-2022. Nghiên cứu tiến hành thử nghiệm bộ dữ liệu thu thập trên các mô hình học máy: Multiple Regression Model (MRL), LASSO, Generalized Additive Model (GAM), Random Forests (RF), Gradient Boosting Regression Trees (GBRT), và single-layer, feed-forward neural network (NN) và phương pháp thống kê truyền thống. Kết quả của nghiên cứu cho thấy có sự phù hợp giữa kết quả của phương pháp truyền thống và các mô hình học máy hiện đại. Trong đó, mô hình có độ chính xác cao nhất là Random Forest (RF) với tỉ lệ chính xác 98.8%. Các biến có ảnh hưởng nhiều nhất đến tình trạng căng thẳng tài chính của doanh nghiệp là TANG, ROA, LTD, NPM. Dựa trên kết quả này, bài báo đề xuất một số khuyến nghị giúp hỗ trợ ra quyết định tài chính đúng đắn và có hiệu quả cho các bên liên quan (doanh nghiệp, cơ quan quản lý, cổ đông, chủ nợ, nhà đầu tư).