پیش‌بینی سود هر سهم: ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار حسابداری، دانشگاه اصفهان

2 دانشجوی دکترای مدیریت مالی ، آموزشکده فنی و حرفه‌ای سما، دانشگاه آزاد اسلامی، واحد اندیشه (مسئول مکاتبات)

3 کارشناسی ارشد حسابداری، دانشگاه اصفهان

چکیده

انتظارات مربوط به سود اثرات قابل ملاحظه‌ای بر تصمیمات مدیران و سرمایه­گذاران دارد. یکی از معیار‌هایی که امروزه به عنوانشاخص سود‌آوری شرکت­ها مورد توجه قرار می‌گیرد، مفهوم سود هر سهم است.­سود هر سهم آثار عمده‌ای بر قیمت سهام شرکت­‌ها نیز دارد. از اینرو پیش‌بینی سود هر سهمهم برای سرمایه‌گذاران و هم برای مدیران از اهمیت بسزایی برخوردار است. هدف از انجام این پژوهش، مدل­بندی پیش­بینی سود هر سهم شرکت­های پذیرفته شده در بورس اوراق بهادار تهران،با استفاده از ترکیب شبکه­های عصبی مصنوعی و الگوریتم بهینه­سازی حرکت تجمعی ذراتبر مبنای مدل­های تک متغیره و چند متغیره است. بدین منظور از اطلاعات مربوط به 114 شرکت از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، طی سال­های 1380 تا 1389 استفاده شده است.نتایج این پژوهش نشان می­دهدکهمدل تک متغیره بادقت 78.5% ومدل چند متغیره با دقت 91.7% سود هر سهم را پیش­بینی می­نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Earnings Per Share Forecast: the Combination of Artificial Neural Networks and Particle Swarm Optimization Algorithm

نویسندگان [English]

  • Dariush Forougi 1
  • Heidar Foroughnejad 2
  • Manochehr Mirzaei 3
1 Associate Professor, University of Isfahan, Isfahan, Iran.
2 Ph.D Student of Financial Management, Sama Technical and Vocational Training College, Islamic Azad University, Andisheh Branch, Andisheh, Iran. (corresponding author)
3 M.A Department of Accounting, University of Isfahan, Isfahan, Iran.
چکیده [English]

Expectations about earning have significant effects on managers and investors’ decisions. Today, one of the measures that are takenin to consideration as an indicator ofcompanies’profitability is the concept of earningpershare.Also earningper share has major effectson stock price of companies. Hence, forecastingearning per shareisof great importance forbothinvestorsandmanagers. The aimof thisstudy is to modelearning pershareforecast of listed companies in Tehran Stock Exchange(TSE) by using the combination ofartificial neural networksand particle swarm optimizationalgorithmbased onunivariate andmultivariate models. To do this,the data of114 companies among the existing listed onesinTehran Stock Exchange was usedduring1380-1389(2001-2010).The results showed that univariate model with 78.5% accuracy and multivariate models with 91.7% accuracy, forecast earning per share.

کلیدواژه‌ها [English]

  • Earning Per Share
  • Particle Swarm Optimization Algorithm
  • Fundamental Accounting Variables
  • Artificial Neural Networks

فایل ها

هم رسانی

ارجاع به این مقاله

آمار