مدل‌سازي پيش‌بيني EPS با استفاده از شبكه‌هاي عصبي - فازي

Earnings Per-Share Forecast Modeling by Using Neural Networks - Fuzzy

پيش‌بيني سود هر سهم و تغييرات آن به‌عنوان يك رويداد اقتصادي از ديرباز موردعلاقه سرمايه‌گذاران، مديران، تحليل گران مالي و اعتباردهندگان بوده است. اين توجه ناشي از استفاده سود در مدل‌هاي ارزيابي سهام، كمك به كاركرد كاراي بازار سرمايه، ارزيابي توان پرداخت و ارزيابي عملكرد واحد اقتصادي مي‌باشد. هدف اين تحقيق پيش‌بيني سود هر سهم با استفاده از شبكه عصبي – فازي و شبكه عصبي درك چندلايه(MLP) و GMDH و تعيين مدل برتر با استفاده از چهار معيار مربع ميانگين خطاي استاندارد(MSE) ، ميانگين قدر مطلق خطا (MAE)، مربع مجذور ميانگين خطا (RMSE) و (R2) ضريب تعيين مي‌باشد. بدين منظور، شركت‌هاي پذيرفته‌شده در بورس و اوراق بهادار تهران به‌عنوان جامعه آماري و نمونه انتخابي شامل،500 سال/شركت در قالب 24 صنعت فعال بورس در دوره زماني 1390- 1386 مي‌باشد كه به‌صورت تصادفي و روش نمونه‌گيري خوشه‌اي انتخاب‌شده‌اند. نتايج تحقيق بيانگر برتري شبكه عصبي – فازي در تمامي چهار معيار ارزيابي نسبت به شبكه عصبي MLP و GMDH مي‌باشد كه نشان از توانايي بالاي اين شبكه در شناخت الگوهاي حاكم برداده‌ها و وجود رابطه غيرخطي برخي متغيرهاي حسابداري با سود هر سهم دارد. درنتيجه دقت پيش‌بيني شبكه عصبي – فازي بيشتر از شبكه ي MLP و GMDH است و براي پيش‌بيني سود هر سهم مناسب مي‌باشد.

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.