الگوسازي و پيش‎بيني EPS شركت‎هاي پذيرفته‎شده در بورس اوراق بهادار تهران با رويكرد شبكه عصبي GMDH

EPS Modeling and Prediction of Listed Companies in Tehran Stock Exchange with GMDH Neural Network Approach

پيش‎بيني سود هر سهم و تغييرات آن، يك رويداد اقتصادي است كه از ديرباز مورد علاقه سرمايه‎گذاران، مديران، تحليل گران مالي و اعتباردهندگان بوده است. در اين پژوهش از شبكه عصبي GMDH كه ابزاري با قابليت بالا در مسيريابي و تشخيص روندهاي غيرخطي پيچيده با تعداد مشاهدات محدود است، براي الگوسازي و پيش‎بيني سود هر سهم از شركت‎هاي پذيرفته‎شده در بورس اوراق بهادار تهران استفاده شده است. ابتدا الگويي شامل هشت نسبت مالي طراحي و سپس با استفاده از فرآيند قياسي و نيز كنارگذاشتن هر متغير از الگوي بنيادي، در مجموع هشت مدل اجرا شد. نتايج نشان داد، الگوهاي حاصل از كنار گذاشتن بازده دارايي‎ها، نسبت جاري و بازده سرمايه از الگوي بنيادي، به‎ترتيب بيشترين تاثير را در كاهش خطاي پيش‎بيني سود هر سهم دارند. همچنين گردش موجودي كالا و دوره وصول مطالبات، داراي اثر مضاعف در كاهش خطا هستند. درنهايت برتري شبكه عصبي GMDH در دقت پيش‎بيني سود هر سهم نسبت به روش ARIMA، بر اساس معيارهاي خطا نيز مورد تاييد قرار گرفت.

Predicting profits of per share and economic changes as long have been a favorite event for investors, managers, financial analysts and creditors. In this paper GMDH neural network approach is used as a tool with top capability in navigation and detection of complex nonlinear process with limited number of observations for modeling and prediction of profit of per share of listed companies in Tehran Stock Exchange. First a model was developed then by using deductive process and the exclusion of each variable from basic pattern a total of eight models were run. The results showed patterns of exclusion return on assets, current ratio and efficiency of basic pattern of investment have the most effect in reducing prediction error respectively. Inventory turnover and collection period has also double effect in reducing errors. Finally the excellence accuracy of GMDH neural network in prediction of profit of per share compared to ARIMA method based on error criterion was approved.