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 در خصوص قیمت سهام استفاده می شود.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 روش هایی که بتواند روابط غیر خطی را توسط آنها بررسی کرد می تواند برای پیش بینی سود هر سهم مفید باشد. در این تحقیق به مقایسه دقت شبکه عصبی پس انتشار خطا(bp) و شبکه عصبی بهینه شده با الگوریتم ژنتیک 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 روش ها مورد استفاده قرار گرفت. نتایج نشان می دهد که روش شبکه عصبی بهینه شده با الگوریتم ژنتیک عملکرد بهتری نسبت به شبکه عصبی پس انتشار خطا(bp) در پیش بینی سود هر سهم دارد.