توجه بیش از حد به رقم سود خالص، باعث شده است که استفاده‌ کنندگان گاهی کمتر ‌به این نکته توجه کنند که رقم نهایی سود حاصل یک فرایند طولانی حسابداری است که در هر مرحله از آن امکان اعمال نظر توسط مدیران وجود دارد. در این میان، برخی تلاش‌ها برای گریز از توجه صرف به رقم سود خالص، نظر استفاده کنندگان را به اقلام تشکیل دهنده سود معطوف ‌کرده‌است. نتایج تحقیقات جگ و مکنومی^[۹۷](۲۰۰۳) نشان داده است که سرمایه‌گذاران به اطلاعاتی نظیر پیش‌بینی سود هر سهم اتکا کرده و در قیمت‌گذاری سهام از آن استفاده می‌کنند. این پیش‌بینی، بیان کننده انتظارات مدیریت ‌در مورد رویدادهای آتی است که ممکن است به وقوع بپیوندد لذا خطای این پیش‌بینی برای سرمایه‌گذاران حائز اهمیت است زیرا تصمیم‌گیری سرمایه‌گذاران ‌در مورد خرید، فروش و یا نگهداری سهام بر مبنای این اطلاعات است. تصمیم‌گیری سرمایه‌گذاران برای خرید، فروش و یا نگهداری سهام بر مبنای سودهای پیش‌بینی شده بر اهمیت خطای پیش‌بینی سود می‌افزاید. ‌بنابرین‏ خطای پیش‌بینی سود نقش مهمی در عملکرد بازار ثانویه دارد. (مرادزاده، علیپور و نظری، ۱۳۹۲)

۲-۵-۱ تکنیک­های پیش‌بینی

در طبقه‌بندی انواع روش‌های پیش‌بینی، به طور کلی این روش‌ها به دو دسته مدل‌های کیفی و مدل‌های کمی تقسیم می‌شوند. روش‌های کیفی شامل دلفی^[۹۸]، مقایسات تکنولوژی مستقل زمانی^[۹۹]، روش برآورد ذهنی^[۱۰۰]، درخت مناسب^[۱۰۱]، تحقیق مرفولوژیکی^[۱۰۲] و… می‌باشد. روش‌های کمی، مدل‌های کلی تک متغیره و یا چند متغیره را شامل می‌گردند. در مدل‌های تک متغیره، مواردی از قبیل روش‌های هموارسازی نمایی، باکس_جنکینز و تحلیل روند و در مدل‌های چند متغیره، روش‌هایی از قبیل رگرسیون چندگانه و تحلیل‌های اقتصادسنجی مورد توجه می‌باشند، ولی در روش‌های نوین، شبکه های عصبی مورد توجه قرار گرفته‌اند. (آذر و رجب زاده، ۱۳۸۲)

در تحقیقات اقتصادی، بیشترین مدل‌های پیش‌بینی مورد استفاده، روش­های اقتصادسنجی، تحلیل‌های واریانس_ اتو کوواریانس و همبستگی و به طور کلی تحلیل‌های علّی بوده‌اند. درموضوعات مالی، روش‌های باکس_جنکینز و هموارسازی یا رگرسیون چند متغیره برای تحلیل‌های علّی در مسائلی مانند پیش‌بینی سود شرکت‌ها، قیمت سهام شرکت‌ها، پیش‌بینی اقلام ترازنامه و صورت جریان نقد و در موضوعات و مسائل بازرگانی، روش‌های کیفی (بیشتر روش دلفی) بیشترین استفاده را ‌داشته‌اند. شاید مهم‌ترین دلیل این نحوه کاربرد، مسبوق به سابقه بودن استفاده از این روش‌ها در این علوم مختلف است

رویکردهای نوین مانند روش شبکه عصبی، در انواع مختلف مسائل پیش‌بینی و در علوم مختلف مالی، اقتصادی و بازرگانی مورد استفاده قرار گرفته‌اند و در تحقیقات مختلف به آن استناد شده است. تحقیقات متعددی در مقایسه بین روش‌های پیش‌بینی مطرح ‌شده‌اند. خصوصاًً در دهه اخیر، این مقایسات بین روش‌های شبکه عصبی و روش‌های اقتصادسنجی و یا باکس_جنکینز مطرح ‌شده و انجام گرفته است. در نتایج بعضی از این تحقیقات، شبکه های عصبی خطاهای کمتری را نشان داده و در بعضی نتایج دیگر، روش‌های کلاسیک عنوان‌ شده از جمله روش‌های باکس_جنکینز یا اقتصادسنجی جواب‌های بهتری داده‌اند. معمولاً شبکه های عصبی در تحلیل سریهای زمانی غیرخطی نتایج بهتری نسبت به سایر روش‌ها نشان می‌دهند.

۲-۵-۲ مدل­های پیش‌بینی

کاربرد اصلی تجزیه و تحلیل سریهای زمانی «پیش‌بینی» است. بدیهی است، چنانچه وابستگی خاصی بین داده ها در طول زمان وجود داشته باشد، فرصت مناسبی پیش می‌آید تا با کمک آن مشاهدات بتوان روند آینده پدیده‌ای را پیش‌بینی کرد. یکی از وظایف اصلی مدیران، تصمیم‌گیری و سیاست‌گذاری برای آینده سازمان خویش است. پس تجزیه و تحلیل سری‌های زمانی و پیش‌بینی پدیده‌ها می‌تواند ابزار مناسبی برای تصمیم‌گیری مدیران باشد.

۲-۵-۳ مدل میانگین متحرک

عناصر تصادفی در برخی از سریهای زمانی ممکن است آن قدر قوی باشد که هر گونه نظمی را در سری زمانی از بین ببرند، ‌بنابرین‏ هر گونه تفسیر و تحلیل ذهنی و بصری در خصوص نمودار سری زمانی با مشکل رو به رو می‌شود. در چنین شرایطی، نمودار واقعی سری زمانی بسیار و ممکن است در عمل مجبور باشیم برای رسیدن به تصویر واضح از سری زمانی آن را «هموار» کنیم.

یکی از روش‌های هموارسازی «میانگین متحرک» است. اساس این روش در این ایده نهفته است که هر تغییر تصادفی بزرگ در هر لحظه از زمان اگر با نقاط هم‌جوارش میانگین گرفته شود، تأثیر ناچیزی از خود به جا خواهد گذاشت.

ساده‌ترین فن از این نوع «میانگین متحرک ساده مرکزی (۱m+2) نقطه» نامیده می‌شود. در این روش، نظر بر این است که هر مشاهده واقعی (X_t) با میانگین خودش و m نقطه هم‌جوارش جایگزین شود.

۲-۵-۴ مدل نمو هموار ساده

در بسیاری از موارد از مدل «نمو هموار ساده» برای پیش‌بینی مقادیر آینده سری زمانی استفاده می‌شود. این روش، یکی از ساده‌ترین روش‌های پیش‌بینی است که مبنایی برای دیگر مدل‌های پیش‌بینی به حساب می‌آید. روش نمو هموار، برای آن دسته از سری­های زمانی مفید است که تغییرات فصلی و دوره‌ای در آن مورد نظر نباشد. در این روش پیش‌بینی داده های دوره بعد عبارت است از:

هر قدر آلفا یا ضریب نمو هموار به صفر نزدیک شود نمایانگر بی‌ارزش بودن داده های اخیر است و هر قدر آلفا یا ضریب نمو هموار به «۱» نزدیک شود، نشان می‌دهد که داده های اخیر باارزش‌تر می‌باشند.

۲-۵-۵ مدل نمو هموار دوبل

این روش متشکل از نمو هموار ساده با شاخص روند تعدیل شده است که نحوه محاسبه آن به شرح زیر است:

۲-۶ پیشینه تحقیق

تحقیقات داخلی :

اسماعیل توکل نیا و مهدی تیرگری (۱۳۹۳) به بررسی اهرم مالی، سطح نگهداشت وجه نقد و ارزش شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران پرداختند. نتایج پژوهش آن ها بیانگر ارتبا ط یو (U) شکل بین اهرم مالی وسطح نگهداشت وجه نقد و سطح نگهداشت وجه نقد وارزش شرکت است.

مهدی بشکوه و علی جهانگیری لیواری (۱۳۹۲) تأثیر مشکل نمایندگی جریان‌های نقد آزاد بر مربوط بودن سودها وارزش‌های دفتری شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را مورد بررسی قرار دادند.آن ها دریافتند که سود هر سهم در شرکت‌های دارای مشکل نمایندگی جریان‌های نقد آزاد و شرکت‌های فاقد این مشکل ارزش مربوط است و مقدار مربوط بودن سود هر سهم در شرکت‌های دارای مشکل نمایندگی جریان‌های نقد آزاد کمتر است. ‌بنابرین‏ مشکل نمایندگی جریان‌های نقد آزاد دارای تأثیر منفی بر مربوط بودن سودها است.