پیشبینی سود هر سهم و تغییرات آن، یک رویداد اقتصادی است که از دیرباز مورد علاقۀ سرمایهگذاران، مدیران، تحلیلگران مالی و اعتباردهندگان بوده است. در این پژوهش از شبکۀ عصبی GMDH که ابزاری با قابلیت بالا در مسیریابی و تشخیص روندهای غیرخطی پیچیده با تعداد مشاهدات محدود است، برای الگوسازی و پیشبینی سود هر سهم از شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران استفاده شده است. ابتدا الگویی شامل هشت نسبت مالی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع هشت مدل اجرا شد. نتایج نشان داد، الگوهای حاصل از کنار گذاشتن بازده داراییها، نسبت جاری و بازده سرمایه از الگوی بنیادی، بهترتیب بیشترین تأثیر را در کاهش خطای پیشبینی سود هر سهم دارند. همچنین گردش موجودی کالا و دوره وصول مطالبات، دارای اثر مضاعف در کاهش خطا هستند. درنهایت برتری شبکۀ عصبی GMDH در دقت پیشبینی سود هر سهم نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تأیید قرار گرفت.