این مطالعه به بررسی آزمون درجة ثبات شاخص ریسک سیستماتیک درطول زمان با توجه به اطلاعات در دسترس در بورس اوراق بهادار تهران می‌پردازد. بر این اساس ضریب بتا باتوجه به مدل بازار که توسط پرفسور شارپ(1963) ارائه شد محاسبه می‌گردد، ضریب بتا شیب خط رگرسیونی است که از طریق برقراری رگرسیون خطی ساده بین بازده شرکت و بازار بدست می‌آید. ما در این مطالعه از آزمون چاو که از روش تغییر ساختاری بهره می‌گیرد به بررسی ثبات ریسک سیستماتیک می‌پردازیم.
هدف اصلی سرمایه‌گذاران از سرمایه‌گذاری در سهام شرکت‌ها "افزایش ثروت" است که این امر از طریق کسب "بازده سهام" محقق می‌گردد. بنابراین ارزیابی "بازده سهام" شرکت‌های مختلف، مهمترین مساله‌ای است که سرمایه‌گذاران در بازار سرمایه با آن مواجهند. این تحقیق با بررسی رابطه بین "وجه نقد حاصل از عملیات" و "سود تعهدی" به‌عنوان دو متغیر مستقل، با "بازده سهام" شرکت‌ها به‌عنوان متغیر وابسته، سعی دارد در صورت احراز وجود روابط فوق و معنی‌دار بودن آن، معیاری برای توضیح بازده سهام در اختیار سرمایه‌گذاران قرار دهد و از این طریق، مقایسه و انتخاب سهام شرکت‌های مختلف را برای آنان تسهیل بخشد. نمونه مورد بررسی شامل 43 شرکت از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در قلمرو زمانی 1378 تا 1380 بوده است. نتایج تحقیق حکایت از این دارد که در سطح اطمینان 95 درصد، رابطه هردو متغیر "وجه نقد حاصل از عملیات" و "سود تعهدی" با "بازده سهام" معنی‌دار است. اما هنوز سود تعهدی در مقایسه با وجه نقد حاصل از عملیات در پیش‌بنی بازده سهام محتوای اطلاعاتی بیشتری دارد. مضافاً اینکه دو متغیر مستقل فوق، تواماً بهتر می‌توانند بازده سهام را توضیح دهند. ضریب تعیین به‌دست آمده برای این روابط نیز نشان می‌دهد که این دو متغیر مستقل، تنها بخشی از بازده سهام را می‌توانند توضیح دهند و سرمایه‌گذاران باید برای ارزیابی بازده سهام، فاکتورهای دیگری را نیز مد نظر قرار دهند.
این مطالعه به بررسی پیش‌بینی‌پذیری رفتاربازده سهام شرکت‌های یذیرفته شده در بورس اوراق بهادار تهران وهمچنین انجام عمل پیش‌بینی بازده با استفاده از شبکه‌های عصبی مصنوعی می‌پردازد. به منظور انجام عمل پیش‌بینی بازده، در مرحله اول روند گذشته سری زمانی مربوط به شرکت‌ها و همچنین سه متغیر از متغیرهای تحلیل تکنیکی (شاخص سهام، حجم سهام مبادله شده و آخرین نرخ سهام در روز) برای مدت 5 سال(تیرماه 1377 لغایت 1382) مورد استفاده قرارگرفت وبا تغییر پارامترهای شبکه عصبی مصنوعی مدل بهینه جهت پیش‌بینی بازده روزانه سهام هر شرکت طراحی گردید. در مرحله دوم، پیش‌بینی بازده روزانه طی همان 5 سال صرفاً براساس اطلاعات گذشته یا روند گذشته سری زمانی انجام شد. در این پژوهش از شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه (MLP) با توابع یادگیری متفاوت استفاده گردید. نتایج حاصل نشان‌دهنده آن است که: - رفتار سری زمانی بازده روزانه سهام شرکت‌ها یک فرآیند تصادفی نیست و دارای حافظه می‌باشد. - شبکه‌های عصبی مصنوعی توانایی پیش‌بینی بازده روزانه را با میزان خطای نسبتاً مناسبی دارند.