پیش بینی سود هر سهم(EPS) با استفاده از شبکه های عصبی پرسپترون چند لایه(MLP) و توابع شعاعی بنیادین(RBF) در شرکت های پذیرفته شده در بورس اوراق بهادار تهران

سود هر سهم یکی از فاکتورهای مالی بسیار مهم است که مورد توجه مدیران، سرمایه گذاران و تحلیل گران  مالی می باشد و اغلب برای تصمیم گیری در خصوص سرمایه گذاری، ارزیابی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده می شود، از این رو پیش بینی آن برای مدیران و ذینفعان حائز اهمیت اساسی است. هدف این تحقیق ارائه­ی مدلی به منظور پیش بینی سود هر سهم  با استفاده از شبکه­ عصبی پرسپترون چند لایه(MLP) و شبکه­ی  عصبی توابع شعاعی بنیادین(RBF) و تعیین مدل برتر با استفاده از معیار های ارزیابی عملکرد است. بدین منظور، شرکت های عضو بورس اوراق بهادار تهران به عنوان جامعه آماری تحقیق در نظر گرفته شدند و 630 سال-شرکت در قالب 24 صنعت فعال بورس در محدوده­ی زمانی 1388-1382 به عنوان نمونه­ی تحقیق انتخاب شدند. نتایج تحقیق نشان می دهد که شبکه­ی MLP خطای پیش بینی کمتری نسبت به شبکه­ی RBF دارد و همبستگی بین داده های واقعی و داده های پیش بینی شده­ توسط این شبکه نیز از RBF بیشتر است؛ در نتیجه دقت پیش بینی شبکه­یMLP بیشتر از شبکه­ی RBF است.