پيش بيني سود هر سهم: تركيب شبكه هاي عصبي مصنوعي والگوريتم بهينه سازي حركت تجمعي ذرات

Earnings Per Share Forecast: the Combination of Artificial Neural Networks and Particle Swarm Optimization Algorithm

انتظارات مربوط به سود اثرات قابل ملاحظهاي بر تصميمات مديران و سرمايه گذاران دارد. يكي از معيار‌هايي كه امروزه به عنوانشاخص سود‌آوري شركت ها مورد توجه قرار مي‌گيرد، مفهوم سود هر سهم است. سود هر سهم آثار عمده‌اي بر قيمت سهام شركت ها نيز دارد. از اينرو پيش‌بيني سود هر سهمهم براي سرمايه‌گذاران و هم براي مديران از اهميت بسزايي برخوردار است. هدف از انجام اين پژوهش، مدل بندي پيش بيني سود هر سهم شركت هاي پذيرفته شده در بورس اوراق بهادار تهران،با استفاده از تركيب شبكه-هاي عصبي مصنوعي و الگوريتم بهينه سازي حركت تجمعي ذراتبر مبناي مدل هاي تك متغيره و چند متغيره است. بدين منظور از اطلاعات مربوط به 114 شركت از شركتهاي پذيرفته شده در بورس اوراق بهادار تهران، طي سال هاي 1380 تا 1389 استفاده شده است.نتايج اين پژوهش نشان مي دهدكهمدل تك متغيره بادقت 78.5% ومدل چند متغيره با دقت 91.7% سود هر سهم را پيش بيني مي نمايد.

Expectations about earning have significant effects on managers and investors’ decisions. Today, one of the measures that are takenin to consideration as an indicator ofcompanies’profitability is the concept of earningpershare.Also earningper share has major effectson stock price of companies. Hence, forecastingearning per shareisof great importance forbothinvestorsandmanagers. The aimof thisstudy is to modelearning pershareforecast of listed companies in Tehran Stock Exchange(TSE) by using the combination ofartificial neural networksand particle swarm optimizationalgorithmbased onunivariate andmultivariate models. To do this,the data of114 companies among the existing listed onesinTehran Stock Exchange was usedduring1380-1389(2001-2010).The results showed that univariate model with 78.5% accuracy and multivariate models with 91.7% accuracy, forecast earning per share.