تركيب شبكه عصبي، الگوريتم ژنتيك و الگوريتم تجمّع ذرّات در پيش‌بيني سود هر سهم

Forecasting Earnings per Share with Hybrid Genetic Algorithm, Particle Swarm Optimization and Neural Networks

پيش‌بيني سود هر سهم از اهميت فراواني براي سرمايه‌گذاران و مديران داخلي شركت‌ها برخوردار است. بررسي پژوهش‌هاي قبلي حاكي از آن است كه در اكثر آنها، به فرضيه وجود رابطه غيرخطي ميان سود و عوامل تعيين‌كننده آن توجه نشده است. اين در حالي است كه برخي از پژوهشگران نشان داده‌اند، رابطه ميان سود و عوامل تعيين‌كننده آن خطي نيست. به همين دليل و همچنين نقش محوري سود هر سهم در تصميمات سرمايه‌گذاران، با استفاده از الگو‌هاي مختلف شبكه عصبي مصنوعي و الگو‌هاي سري زماني، سود هر سهم ميان‌دوره‌اي 126 شركت پذيرفته شده در بورس اوراق بهادار تهران طي سال‌هاي 1389 تا 1395 بررسي و پيش‌بيني شده است. در ادامه و در گام بعدي براي تعيين متغيرهاي ورودي موثر بر سود هر سهم از الگوريتم بهينه‌سازي ژنتيك و تجمّع ذرّات استفاده شده است. به‌كارگيري روش تركيبي شبكه عصبي مصنوعي، الگوريتم ژنتيك و الگوريتم تجمّع ذرّات مي‌تواند علاوه بر استفاده از روش‌هاي نوين براي پيش‌بيني سود هر سهم، سرمايه‌گذاران را نيز در تصميم‌گيري‌هاي آتي ياري رساند. نتايج نشان مي‌دهد روش پيشنهادي قادر است تا متغيرهاي ورودي موثر بر سود هر سهم را از ميان تمام متغيرهاي ورودي استخراج و توانايي و قدرت تعميم شبكه عصبي مصنوعي را افزايش دهد.

Forecasting earnings per share (EPS) is amongst the most important and crucial tasks for outside investors and internal managers. Reviewing the earlier studies implies that in the most of them, a hypothesis on non-linear relationship between earnings and their determinants has been ignored. Some researchers have showed that there exists non-linear relationship between EPS and its determinants. Regarding the importance of EPS in investors’ decisions, this study is proposed, based on a non-linear relationship between EPS and their determinants, to take a model of Artificial Neural Network (ANN) in predicting EPS, using data from a sample of 131 companies listed in the Tehran Stock Exchange in the years 2010-2012.Then, the ANN model was optimized by Genetic Algorithm and particle swarm optimization to select the most relevant input variables in determining the EPS. Use of the ANN model with Genetic Algorithm and particle swarm optimization could be considered key stage in building a predictive model as well as in helping investors for future decisions. The results showed that the proposed method, using genetic algorithm and swarm optimization, creates the ability to extract the effective variables in the EPS model, regarding the possibility of the effects of all variables on EPS, and to increase the power of use of neural network structure.