چکیده:
یش بینی سود هر سهم و تغییرات آن به عنوان یک رویداد اقتصادی از دیرباز موردعلاقه سرمایه گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. این توجه ناشی از استفاده سود در مدل های ارزیابی سهام، کمک به کارکرد کارای بازار سرمایه، ارزیابی توان پرداخت و ارزیابی عملکرد واحد اقتصادی می باشد. هدف این تحقیق پیش بینی سود هر سهم با استفاده از شبکه عصبی – فازی و شبکه عصبی درک چندلایه(MLP) و GMDH و تعیین مدل برتر با استفاده از چهار معیار مربع میانگین خطای استاندارد(MSE) ، میانگین قدر مطلق خطا (MAE)، مربع مجذور میانگین خطا (RMSE) و (R2) ضریب تعیین می باشد. بدین منظور، شرکت های پذیرفته شده در بورس و اوراق بهادار تهران به عنوان جامعه آماری و نمونه انتخابی شامل،500 سال/شرکت در قالب 24 صنعت فعال بورس در دوره زمانی 1390- 1386 می باشد که به صورت تصادفی و روش نمونه گیری خوشه ای انتخاب شده اند. نتایج تحقیق بیانگر برتری شبکه عصبی – فازی در تمامی چهار معیار ارزیابی نسبت به شبکه عصبی MLP و GMDH می باشد که نشان از توانایی بالای این شبکه در شناخت الگوهای حاکم برداده ها و وجود رابطه غیرخطی برخی متغیرهای حسابداری با سود هر سهم دارد. درنتیجه دقت پیش بینی شبکه عصبی – فازی بیشتر از شبکه ی MLP و GMDH است و برای پیش بینی سود هر سهم مناسب می باشد.
Earnings per share prediction and its changes as an economic events, from past, were interested for investors, managers, financial analysts and creditors. This interest is because of the use of earnings in share valuation models, improving efficient performing of capital markets, and evaluating solvency and evaluating of firm performance. The purpose of this paper is to earnings per share prediction using neural-fuzzy networks, MLP, GMDH, and determine most preferable model using four measures of evaluating performance. So, companies listed in TSE was chosen as statistical population and statistical sample is consisted of 500 firm-year from 24 active industry from 1386 to 1390 were chosen randomly using clustering sampling. The results show that neural-fuzzy networks is the most preferable comparing with neural networks, MLP, and GDMH, in all of four measures of evaluating performance, that it is showing of high power of this kind of networks in identifying dominant patterns of data and existence of non-liner relations of some accounting variables with EPS. So, the accuracy of neural-fuzzy networks predictions is more than MLP and GDMH, and is more suitable for EPS prediction