پیش بینی سود هر سهم و تغییرات آن، یک رویداد اقتصادی است که از دیرباز مورد علاقه سرمایه گذاران، مدیران، تحلیل گران مالی و اعتباردهندگان بوده است. در این پژوهش از شبکه عصبی GMDH که ابزاری با قابلیت بالا در مسیریابی و تشخیص روندهای غیرخطی پیچیده با تعداد مشاهدات محدود است، برای الگوسازی و پیش بینی سود هر سهم از شرکت های پذیرفته شده 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 دارایی ها، نسبت جاری و بازده سرمایه از الگوی بنیادی، به ترتیب بیشترین تأثیر را در کاهش خطای پیش بینی سود هر سهم دارند. همچنین گردش موجودی کالا و دوره وصول مطالبات، دارای اثر مضاعف در کاهش خطا هستند. درنهایت برتری شبکه عصبی GMDH در دقت پیش بینی سود هر سهم نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تأیید قرار گرفت.
