چکیده:
سود هر سهم یکی از فاکتورهای مالی بسیار مهم است که مورد توجه مدیران، سرمایه گذاران و تحلیل گران مالی میباشد و اغلب برای تصمیمگیری در خصوص سرمایه گذاری، ارزیابی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده میشود، از این رو پیش بینی آن برای مدیران و ذینفعان حائز اهمیت اساسی است. هدف این تحقیق ارائهی مدلی به منظور پیش بینی سود هر سهم با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) و شبکهی عصبی توابع شعاعی بنیادین (RBF) و تعیین مدل برتر با استفاده از معیارهای ارزیابی عملکرد است. بدین منظور، شرکتهای عضو بورس اوراق بهادار تهران به عنوان جامعه آماری تحقیق در نظر گرفته شدند و 630 سال-شرکت در قالب 24 صنعت فعال بورس در محدودهی زمانی 1388-1382 به عنوان نمونهی تحقیق انتخاب شدند. نتایج تحقیق نشان میدهد که شبکهی MLP خطای پیش بینی کمتری نسبت به شبکهی RBF دارد و همبستگی بین دادههای واقعی و دادههای پیش بینی شده توسط این شبکه نیز از RBF بیشتر است؛ در نتیجه دقت پیش بینی شبکهیMLP بیشتر از شبکهی RBF است.
Earnings per share (EPS) are one of the important financial ratios that is considered by manager, investors and financial analysts. It is usually used in investment decisions, profitability evaluation, profit risk, and stock price estimation. Therefore, EPS forecasting is an important and an attractive task for manager and investors. This research proposes a model for forecasting earnings per share using a multi-layered perceptron(MLP) neural network and radial basic functions(RBF) neural network and compares estimation accuracy of 2 models using performance criteria.For this purpose, we used 630 listed firms in Tehran Stock Exchange (TSE) in the period of 2003-2009. The results show that the MLP model is significantly more accurate than the RBF model.