Resumen: Este documento proporciona nueva evidencia sobre la interacción de los efectos del tipo de interés a cinco años, el nivel de apalancamiento (la relación del pasivo y activo), las pérdidas históricas, el crecimiento del PIB, la intensidad del gasto en I+D y los ingresos con el rendimiento de la acción en el corto plazo. El modelo no lineal utilizado (combinación de modelos mediante redes neuronales artificiales) explica 31.59% de la varianza del rendimiento de las acciones en los primeros 5 meses del año, entre 2000-2006, en los mercados AMEX, NASDAQ y NYSE. Existe evidencia en la literatura que el 32% de explicación es alto, en comparación al estudio de la literatura realizado por Coad (2009) donde se utilizan modelos lineales que buscan explicar el crecimiento de la empresa. Se observa que los modelos lineales explican entre el 17% al 32% de la variabilidad de los datos. Al igual que en los trabajos de Bode (1998), Tsai (2005), Wang y Chien (2006) y Chien et al. (2010) se utilizan las redes neuronales artificiales para el estudio de la interacción entre la I+D y la empresa. Abstract: This paper provides new evidence concerning the interactions between the effects of five year interest rates, leverage levels (the relationship between assets and liabilities), historical losses, Gross National Product (GNP) growth, levels of investment in Research and Development (R&D), income and short-term share returns. The research was carried out using a non-linear model in which neural networks were used to combine different models. The model predicted 31.59% of variation in the returns on shares traded in the AMEX, NASDAQ and NYSE markets during the first five months of all years between 2000 and 2006. The literature suggests that a 32% level of explanation is at the high end, Coad's (2009) literature review of models used to explain company growth finding that linear models explained between 17 and 32% of variability. Like Bode (1998), Tsai (2005), Wang & Chien (2006) and Chien, Wang & Lin (2010) this paper uses artificial neural networks to examine the interaction between R&D and company performance. Résumé: Ce document fournit une nouvelle évidence sur l'interaction des effets du type d'intérêts à cinq ans, le niveau de levier financier (la relation entre passif et actif), les pertes historiques, la croissance du Produit Intérieur Brut (PIB), l'importance de la dépense en Investigation et Développement (I + D) et les rentrées avec le rendement de l'action à court terme. Pour cette investigation, un modèle non linéaire a été utilisé (combinaison de modèles par des réseaux de neurones artificiels) qui explique 31,59 % de la variance du rendement des actions dans les cinq premiers mois de l'année, entre 2000 et 2006, sur les marchés AMRX, NASDAQ et NYSE. Il se dégage des publications sur le sujet que 32 % des explications est un bon niveau comparativement à l'étude des publications faite par Coad (2009) utilisant des modèles linéaires qui cherchent à expliquer la croissance de l'entreprise. On constate que les modèles linéaires expliquent entre 17 % et 32 % de la variabilité des données. De même que dans les travaux de Bode (1998), Tsai (2005), Wang & Chien (2006) et Chien, Wang & Lin (2010), on utilise des réseaux de neurones artificiels pour l'étude de l'interaction entre I + D et l'entreprise. Resumo: Este documento proporciona nova evidência sobre a interação dos efeitos do tipo de juros a cinco anos, o nível de alavancagem (a relação do passivo e ativo), as perdas históricas, o crescimento do Produto Interno Bruto (PIB), a intensidade do gasto em Pesquisa e Desenvolvimento (P+D) e os ingressos com o rendimento da ação no curto prazo. Para esta pesquisa, fez-se uso de um modelo não linear (combinação de modelos mediante redes neurais artificiais) que explica 31,59% da variação do rendimento das ações nos primeiros cinco meses do ano, entre 2000-2006, nos mercados AMEX, NASDAQ e NYSE. Existe evidência na literatura de que 32% de explicação é alto, em comparação com o estudo da literatura realizado por Coad (2009), no qual se utilizam modelos lineares que buscam explicar o crescimento da empresa. Observa-se que os modelos lineares explicam entre 17 e 32% da variabilidade dos dados. Assim como nos trabalhos de Bode (1998), Tsai (2005), Wang & Chien (2006) e Chien, Wang & Lin (2010), utilizam-se as redes neurais artificiais para o estudo da interação entre a P+D e a empresa.