پيش بيني سود هر سهم(EPS) با استفاده از شبكه هاي عصبي پرسپترون چند لايه(MLP) و توابع شعاعي بنيادين(RBF) در شركت هاي پذيرفته شده در بورس اوراق بهادار تهران

Earnings per Share forecasting models using MLP and RBF Neural Networks on the listed firms in Tehran Stock Exchange (TSE)

سود هر سهم يكي از فاكتورهاي مالي بسيار مهم است كه مورد توجه مديران، سرمايه گذاران و تحليل گران مالي مي باشد و اغلب براي تصميم گيري در خصوص سرمايه گذاري، ارزيابي سودآوري و ريسك مرتبط با سود و نيز قضاوت در خصوص قيمت سهام استفاده مي شود، از اين رو پيش بيني آن براي مديران و ذينفعان حايز اهميت اساسي است. هدف اين تحقيق ارايه ي مدلي به منظور پيش بيني سود هر سهم با استفاده از شبكه عصبي پرسپترون چند لايه(MLP) و شبكه-ي عصبي توابع شعاعي بنيادين(RBF) و تعيين مدل برتر با استفاده از معيار هاي ارزيابي عملكرد است. بدين منظور، شركت هاي عضو بورس اوراق بهادار تهران به عنوان جامعه آماري تحقيق در نظر گرفته شدند و 630 سال-شركت در قالب 24 صنعت فعال بورس در محدوده ي زماني 1388-1382 به عنوان نمونه ي تحقيق انتخاب شدند. نتايج تحقيق نشان مي دهد كه شبكه ي MLP خطاي پيش بيني كمتري نسبت به شبكه ي RBF دارد و همبستگي بين داده هاي واقعي و داده هاي پيش بيني شده توسط اين شبكه نيز از RBF بيشتر است؛ در نتيجه دقت پيش بيني شبكه-يMLP بيشتر از شبكه ي 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.