الگوسازی و پیش‎بینی EPS شرکت‎های پذیرفته‎شده در بورس اوراق بهادار تهران با رویکرد شبکۀ عصبی GMDH

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 استاد و مدیر گروه حسابداری دانشگاه تربیت مدرس، تهران، ایران

2 استاد و مدیر گروه مدیریت صنعتی دانشگاه تربیت مدرس، تهران، ایران

3 کارشناس ارشد مدیریت بازرگانی (مالی)، دانشگاه تربیت مدرس، تهران، ایران

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

EPS Modeling and Prediction of Listed Companies in Tehran Stock Exchange with GMDH Neural Network Approach

نویسندگان [English]

  • Anvary Rostamy Anvary Rostamy 1
  • Azar Azar 2
  • Norozi Norozi 3
چکیده [English]

Predicting profits of per share and economic changes as long have been a favorite event for investors, managers, financial analysts and creditors. In this paper GMDH neural network approach is used as a tool with top capability in navigation and detection of complex nonlinear process with limited number of observations for modeling and prediction of profit of per share of listed companies in Tehran Stock Exchange. First a model was developed then by using deductive process and the exclusion of each variable from basic patterna total of eight models were run. The results showed patterns of exclusion return on assets, current ratio and efficiency of basic pattern of investment have the most effect in reducing prediction error respectively. Inventory turnover and collection period has also double effect in reducing errors. Finally the excellence accuracy of GMDH neural network in prediction of profit of per share compared to ARIMA method based on error criterion was approved.
 

کلیدواژه‌ها [English]

  • Financial ratios
  • Profits of Per Share
  • GMDH Neural Network
  • ARIMA method
اسماعیلی، م.، و مشایخ، ش. (1385). بررسی رابطه بین کیفیت سود و برخی از جنبه‎های اصول راهبردی در شرکت‎های پذیرفته شده در بورس. بررسیهای حسابداری و حسابرسی، 3 (8): 44- 25.##

انواری رستمی، ع. ا. (1378). مدیریت مالی و سرمایهگذاری، تهران: انتشارات طراحان نشر.##

جنت رستمی، م. ت. (1378). بررسی نقش و قابلیت سود و جریانهای نقدی آتی سرمایهگذاری در سهام شرکتهای پذیرفته شده در بورس تهران. پایان‎نامه کارشناسی ارشد، دانشکده علوم اداری دانشگاه شهید بهشتی.##

حجازی، ر. و همکاران. (1391). پیش‎بینی سود با استفاده از شبکۀ عصبی و درخت تصمیم در شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران. بررسیهای حسابداری و حسابرسی،3 (7): 46-31.##

ملکیان، ا. و همکاران. (1389). عوامل مؤثر بر دقت سود پیش‎بینی شده توسط شرکت‎ها شواهدی از: بازار بورس و اوراق بهادار تهران. بررسیهای حسابداری و حسابرسی، 17 (61): 38- 23.##

مهام، ک. (1379). اثر گزارش اجزای سود حسابداری بر افزایش توان پیشبینی سود. پایان‎نامه دکترای رشته حسابداری، دانشگاه علامه طباطبایی.##

یحیی‎زاده‎فر، م. و همکاران. (1389). رابطه ارزش افزوده اقتصادی و نسبت‎های سودآوری با ارزش افزوده بازار شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران. بررسیهای حسابداری و حسابرسی،17 (61): 128- 113.##

Abarbanell, J. S. & Bushee, B. J. (1997). Fundamental analysis, future earnings, and stock prices. Journal of Accounting Research, 35(1):
1-24. ##

Anastasakis, L. & Mort, N. (2001). The development of self-organization techniques in modelling: a review of the group method of data handling (GMDH). Research Report-University of Sheffield Department of Automatic Control and Systems Engineering. ##

Atashkari, K, Nariman-Zadeh, N, Gölcü, M, Khalkhali, A. & Jamali, A. (2007). Modelling and multi-objective optimization of a variable valve-timing spark-ignition engine using polynomial neural networks and evolutionary algorithms. Energy Conversion and Management, 48(3): 1029-1041. ##

Callen, J. L., Kwan, C.C.Y., Yip, P. C.Y, & Yuan, Y. (1996). Neural network forecasting of quarterly accounting earnings. International Journal of Forecasting, 12(4): 475-482. ##

Cao, Q., & Gan, Q. (2009). Forecasting EPS of Chinese Listed Companies Using Neural Network with Genetic Algorithm. Retrieved from http://works.bepress.com/qiwei_gan/1/.##

Charitou, A. Colin, C. & Andreou, A. (2000). The value relevance of earnings and cash flows: empirical evidence for Japan. Journal of International Financial Management & Accounting, 11(1): 1-22. ##

Chen, F, & Xu, J. (2006). Factor analysis for well-off construction based on GMDH. World Journal of Modeling and Simulation, 2(4): 213-221. ##

Cheng, C.H., Hsu, J.W., & Huang, S.F. (2009). Forecasting electronic industry EPS Using an integrated ANFIS model. Paper presented at the Systems, Man and Cybernetics, 2009. SMC 2009. IEEE International Conference on.##

Fulga, C., & Şerban, F. (2008). Multi-Item Inventory Model With Constant Rate of Deterioration and Assurance Stock. Economic Computation and Economic Cybernetics Studies and Research(3-4). ##

Garrod, Neil, & Rees, William. (1999). Forecasting earnings growth using fundamentals: Department of Accounting and Finance, University of Glasgow.##

Gill, A., Biger, N., & Mathur, N. (2010). The relationship between working capital management and profitability: evidence from The United States. Business and Economics Journal, 10: 1-9. ##

Graham, B., Dodd, D., Le, F., & Cottle, S. (1934). Security analysis: McGraw-Hill New York.##

Hall, M. & Weiss, L. (1967). Firm size and profitability. The Review of Economics and Statistics, 49(3): 319-331. ##

Ivakhnenko, AG, & Ivakhnenko, GA. (1995). The review of problems solvable by algorithms of the group method of data handling (GMDH). Pattern Recognition and Image Analysis C/C of Raspoznavaniye Obrazov I Analiz Izobrazhenii, 5: 527-535. ##

Ivakhnenko, A.G, & Müller, J-A. (1995). Present state and new problems of further GMDH development. Systems Analysis Modelling Simulation, 20 (1-2): 3-16. ##

Khatibi, R., Ghorbani, M.A., , Hasanpour Kashani, M. & Kisi, O. (2011). Comparison of three artificial intelligence techniques for discharge routing. Journal of Hydrology, 403(3): 201-212. ##

Lev, B., & Thiagarajan, S. R. (1993). Fundamental information analysis. Journal of Accounting research, 31(2): 190-215. ##

Noori, R., Hoshyaripour, Gh., Ashrafi, Kh., & Nadjar Araabi B. (2010). Uncertainty analysis of developed ANN and ANFIS models in prediction of carbon monoxide daily concentration. Atmospheric Environment, 44(4): 476-482. ##

Thomas, J. K., & Zhang, H. (2002). Inventory changes and future returns. Review of Accounting Studies, 7(2-3): 163-187. ##

Weiss, D.N., Prasad, A., & Tsai, Ch.L. (2008). Extracting forward-looking information from security prices: A new approach. The Accounting Review, 83(4): 1101-1124. ##

Zhang, G.P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50: 159-175. ##

##