حسابداری، امور مالی و هوش محاسباتی 3092-7366 2 پیاپی ۵ 1403 09 30 Earnings per Share Forecasting Using Machine Learning Algorithms in the Capital Markets of Iraq and the United Arab Emirates پیش‌بینی سود هر سهم با استفاده از الگوریتم‌های یادگیری ماشین در بازار سرمایه عراق و امارات متحده عربی 134 155 FA حیدر حذر راضی السرای گروه حسابداری، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران. میثم دعائی گروه مالی، واحد اسفراین، دانشگاه آزاد اسلامی، اسفراین، ایران. ابراهیم عبد موسی السعبرى گروه حسابداری، دانشکده علوم اداری، دانشگاه المستقبل، بابل، حله، عراق. محمد علیمرادی گروه حسابداری، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران. Journal Article 1403/05/02 <p>This study aimed to develop and test a hybrid machine learning framework for forecasting earnings per share (EPS) in the emerging capital markets of Iraq and the UAE. Data from 65 Iraqi and 150 Emirati listed companies between 2019 and 2024 were collected, including traditional financial indicators, macroeconomic variables, and ESG metrics. After preprocessing and normalization, several machine learning models were implemented, including artificial neural networks, support vector machines, random forests, gradient boosting machines (GBM), reinforcement learning, federated learning, and NLP-based models using FinBERT and FastText. Model performance was assessed using MAE, RMSE, R², and the Diebold-Mariano test. The GBM model achieved the best performance, with MAE=0.127 and R²=0.78 in Iraq, and MAE=0.110 and R²=0.83 in the UAE. NLP models also performed strongly in the UAE (R²=0.83). Sensitivity analysis revealed that financial variables such as net profit and operating cash flow were the most influential, while oil prices in Iraq and innovation indices in the UAE had the greatest macroeconomic impact. Out-of-sample tests with 2025 data confirmed the superior generalizability of GBM and NLP. Machine learning algorithms, particularly GBM, significantly enhance EPS forecasting accuracy in emerging markets. Structural and institutional differences between Iraq and the UAE highlight the need for context-specific model selection. The proposed hybrid framework offers a practical reference for other developing capital markets.</p> <p>هدف پژوهش، توسعه و آزمون چارچوبی ترکیبی مبتنی بر الگوریتم‌های یادگیری ماشین برای پیش‌بینی سود هر سهم (EPS) در بازارهای نوظهور عراق و امارات متحده عربی است. این مطالعه داده‌های مالی ۶۵ شرکت از بورس عراق و ۱۵۰ شرکت از بورس امارات را در بازه ۲۰۱۹ تا ۲۰۲۴ گردآوری کرد. داده‌ها شامل شاخص‌های مالی سنتی، متغیرهای کلان اقتصادی، و شاخص‌های ESG بودند. پس از پیش‌پردازش و نرمال‌سازی، الگوریتم‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان، جنگل تصادفی، گرادیان تقویتی، یادگیری تقویتی، یادگیری فدرال و مدل‌های NLP مبتنی بر FinBERT و FastText اجرا شدند. عملکرد مدل‌ها با معیارهای MAE، RMSE و R² و آزمون Diebold-Mariano ارزیابی شد. نتایج نشان داد الگوریتم گرادیان تقویتی (GBM) بهترین عملکرد را داشت و در بازار عراق به MAE=0.127 و R²=0.78 و در امارات به MAE=0.110 و R²=0.83 دست یافت. مدل‌های NLP نیز در امارات نتایج قابل‌توجهی (R²=0.83) ارائه دادند. در تحلیل حساسیت، متغیرهای مالی مانند سود خالص و جریان نقدی عملیاتی بیشترین اهمیت را داشتند، در حالی که قیمت نفت در عراق و شاخص نوآوری در امارات اثرگذارترین متغیرهای کلان بودند. آزمون داده‌های 2025 نشان داد GBM و NLP توانایی تعمیم‌پذیری بالایی دارند. یافته‌ها نشان می‌دهد که استفاده از الگوریتم‌های یادگیری ماشین به‌ویژه GBM می‌تواند دقت پیش‌بینی EPS را در بازارهای نوظهور به‌طور چشمگیری افزایش دهد. تفاوت‌های ساختاری و نهادی دو بازار نشان می‌دهد که انتخاب مدل باید بافت‌محور باشد. این چارچوب ترکیبی می‌تواند الگویی کاربردی برای سایر بازارهای در حال توسعه ارائه کند.</p> https://jafci.com/index.php/jafci/article/download/180/115