@article { author = {Pakdel, Abdollah and Daryaie, Abbasali and Amini, Hossein and Moshashaie, Seyed Mohammad}, title = {Earnings per Share forecasting models using MLP and RBF Neural Networks on the listed firms in Tehran Stock Exchange (TSE)}, journal = {Accounting and Auditing Research}, volume = {6}, number = {21}, pages = {100-115}, year = {2014}, publisher = {Licence Holder Iranian Accounting Association Director & Editor-in-chief Ali Saghafi(PhD) Director & General Secretary Naser Partovi Editorial Assistant Maryam Asgharzadeh Badr}, issn = {2251-8428}, eissn = {}, doi = {10.22034/iaar.2014.104401}, abstract = {Earnings per share (EPS) are one of the important financial ratios that is considered by manager, investors and financial analysts. It is usually used in investment decisions, profitability evaluation, profit risk, and stock price estimation. Therefore, EPS forecasting is an important and an attractive task for manager and investors. This research proposes a model for forecasting earnings per share using a multi-layered perceptron(MLP) neural network and radial basic functions(RBF) neural network and compares estimation accuracy of 2 models using performance criteria.For this purpose, we used 630 listed firms in Tehran Stock Exchange (TSE) in the period of 2003-2009. The results show that the MLP model is significantly more accurate than the RBF model.}, keywords = {earnings per share,multi-layer perceptron neural network,radial basic functions,Tehran Stock Exchange (TSE)}, title_fa = {پیش بینی سود هر سهم(EPS) با استفاده از شبکه های عصبی پرسپترون چند لایه(MLP) و توابع شعاعی بنیادین(RBF) در شرکت های پذیرفته شده در بورس اوراق بهادار تهران}, abstract_fa = {سود هر سهم یکی از فاکتورهای مالی بسیار مهم است که مورد توجه مدیران، سرمایه گذاران و تحلیل گران  مالی می باشد و اغلب برای تصمیم گیری در خصوص سرمایه گذاری، ارزیابی سودآوری و ریسک مرتبط با سود و نیز قضاوت در خصوص قیمت سهام استفاده می شود، از این رو پیش بینی آن برای مدیران و ذینفعان حائز اهمیت اساسی است. هدف این تحقیق ارائه­ی مدلی به منظور پیش بینی سود هر سهم  با استفاده از شبکه­ عصبی پرسپترون چند لایه(MLP) و شبکه­ی  عصبی توابع شعاعی بنیادین(RBF) و تعیین مدل برتر با استفاده از معیار های ارزیابی عملکرد است. بدین منظور، شرکت های عضو بورس اوراق بهادار تهران به عنوان جامعه آماری تحقیق در نظر گرفته شدند و 630 سال-شرکت در قالب 24 صنعت فعال بورس در محدوده­ی زمانی 1388-1382 به عنوان نمونه­ی تحقیق انتخاب شدند. نتایج تحقیق نشان می دهد که شبکه­ی MLP خطای پیش بینی کمتری نسبت به شبکه­ی RBF دارد و همبستگی بین داده های واقعی و داده های پیش بینی شده­ توسط این شبکه نیز از RBF بیشتر است؛ در نتیجه دقت پیش بینی شبکه­یMLP بیشتر از شبکه­ی RBF است.}, keywords_fa = {سود هر سهم,شبکه‌ی عصبی پرسپترون چندلایه,شبکه‌ی عصبی توابع شعاعی بنیادین,بورس و اوراق بهادار تهران}, url = {https://www.iaaaar.com/article_104401.html}, eprint = {https://www.iaaaar.com/article_104401_e265238768c55c3fec473a47bbf95078.pdf} }