سود هر سهم یکی از آماره های مالی بسیار مهم است که مورد توجه سرمایه گذاران و تحلیل گران مالی می باشد. سود هر سهم نشان دهنده سودی است که عاید هر سهم عادی می شود و اغلب برای ارزیابی سود آوری و ریسک مرتبط با سود و نیز قضاوت درخصوص قیمت سهام استفاده می شود. در بسیاری از کشورهای جهان، اهمیت این رقم به حدی است که آن را به عنوان یکی از معیارهای اساسی موثر در تعیین قیمت سهام می دانند و در مدلهای ارزشیابی سهام نیز بصورت گسترده ای از آن استفاده می شود. اهمیت زیاد سود هر سهم و تاثیر سود آتی هر سهم در تصمیمات مالی، باعث شده تحقیقات زیادی در این زمینه انجام گیرد و محققین همواره تلاش کرده اند که راهی برای پیش بینی سود هر سهم حتی اگر برای آینده ای نزدیک باشد، بیابند. اکثریت تحقیقات قبلی که برای پیش بینی سود هر سهم انجام گرفته است از مدل های آماری خطی استفاده کرده اند؛ اما تحقیقاتی نیز به این نتیجه رسیده اند که رابطه بین سود هر سهم و اطلاعات اقلام صورت های مالی به صورت غیر خطی است، لذا استفاده از روشهایی که بتواند روابط غیر خطی را توسط آنها بررسی کرد می تواند برای پیش بینی سود هر سهم مفید باشد. در این تحقیق به مقایسـه دقت رگرسـیون، شبکـه هـای عصبی و برنـامه نویسی ژنتیـک در پیش بینی سود هر سهم پرداخته شد. میانگین مجذور خطا که از مقایسه نتایج پیش بینی شده و سود هر سهم واقعی بدست می آید، به عنوان معیار مشخص کننده میزان دقت هر یک از روشها مورد استفاده قرار گرفت. نتایج نشان داد که هر سه روش استفاده از شبکه عصبی پس انتشار خطا، شبکه عصبی بهینه شده با الگوریتم ژنتیک و برنامه نویسی ژنتیک، که روشهایی توانمند در تبیین روابط غیر خطی هستند، عملکرد بهتری نسبت به رگرسیون خطی در پیش بینی سود هر سهم دارند. تجزیه و تحلیل اضافی انجام شده نیز نشان داد که از میان سه روش شبکه عصبی پس انتشار خطا، شبکه عصبی بهینه شده با الگوریتم ژنتیک و برنامه نویسی ژنتیک نیز، دو روش شبکه عصبی بهینه شده با الگوریتم ژنتیک و برنامه نویسی ژنتیک بصورت معنی داری دقت بالاتری نسبت به شبکه عصبی پس انتشار خطا دارند؛ اما خود این دو روش تفاوت معنی داری نداشتند.