احمدخان بیگی، سهیل، عبدالوند، ندا. (1396). پیش‌بینی قیمت سهام با رویکرد ترکیبی شبکه‌های عصبی مصنوعی و الگوریتم رقابت استعماری مبتنی بر تئوری آشوب. راهبرد مدیریت مالی، 5 (3)، 27-73. Doi: 10. 22051/jfm. 2017. 14635. 1319
امامیان، سید محمد طاهر، محمودی راد، علی، ملاعلیزاده زواردهی، صابر، نیرومند، صادق. (1401). الگوریتم سیستم‌های تحلیل ترکیبی در پیش‌بینی مطلوب‌ترین پرتفوی،
فصلنامه بورس اوراق بهادار، شماره 58، 161-180،
10.22034/JSE.2021.11619.1725
برادران حسن زاده، رسول، محرومی، رامین. (1396). تأثیر افشای ریسک بر پیش‌بینی قیمت سهام به وسیله سود و ارزش شرکت ها. راهبرد مدیریت مالی،5 (4)، 189-209 ،1274 ،
Doi: 10. 22051/jfm. 2018. 13881
بیات، علی، باقری، زینب. (1396). پیش‌بینی قیمت سهام بااستفاده از الگوریتم کرم شب‌تاب (FA). دانش مالی تحلیل اوراق بهادار،10 (35)، 145-135.
حسینی‌نسب، حجت، کریمی تکلو، سلیم، یوسفی‌نژاد، مرضیه. (1392). مقایسه دقت رویکردهای ماشینهای بردار پشتیبان و شبکه‌های عصبی مصنوعی در پیش‌بینی سود هر سهم شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. دوفصلنامه جستارهای اقتصادی، 10 (20)، 134-109.
رجب پور، ابراهیم، تقوا، محمدرضا، حسین زاده یزدی، محمدعلی، بابااحمدی، سارا. (1393). پیش‌بینی قیمت سهام شرکت های بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی. فصلنامه پژوهشهای نوین در حسابداری، 2 (شماره 4 (تابستان 93)) ، 45-57.
زارعی، قاسم، محمدیان، رعنا، حاضری نیری، هاتف، باشکوه اجیرلو، محمد. (1397). مقایسه روشهای شبکه‌های عصبی فازی با شبکه‌های عصبی موجک فازی در پیش‌بینی قیمت سهام بانک‌های پذیرفته‌شده در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 6 (3)، 138-109. Doi: 10. 22051/jfm. 2018. 19214. 1606
سهرابی، مریم، میربرگ کار، سید مظفر، چیرانی، ابراهیم، خردیار، سینا، (1401). مدلسازی پیش‌بینی جهش‌های شاخص بازار سهام بر اساس رویکرد شبکه عصبی بازگشتی یادگیری عمیق.
فصلنامه بورس اوراق بهادار، شماره 59، 245-268،
10.22034/JSE.2021.11655.1762
مکیان، سید نظام الدین، موسوی، فاطمه السادات. (1390). پیش‌بینی قیمت سهام شرکت فرآورده های نفتی پارس با استفاده از شبکه‌های عصبی و روش رگرسیونی مطالعه موردی: قیمت سهام شرکت فرآورده‌های نفتی پارس. فصلنامه علمی - پژوهشی مدلسازی اقتصادی، 6 (18)، 121-105.
Ahmadkhan Beigi, Sohail, Abdulvand, Neda. (2016). Stock price forecasting with a combined approach of artificial neural networks and colonial competition algorithm based on chaos theory. Financial Management Strategy, 5 (3), 27-73. Doi: 10. 22051/jfm. 2017. 14635. 1319. (In Persian).
Baradaran Hassanzadeh, Rasul, Mahroomi, Ramin. (2016). the effect of risk disclosure on the prediction of stock prices by profit and value of companies. Financial Management Strategy, 5 (4), 189-209. Doi: 10. 22051/jfm. 2018. 13881. 1274. (In Persian).
Bayat, Ali, Bagheri, Zainab. (2016). Stock price prediction using firefly algorithm (FA). Financial knowledge of securities analysis, 10 (35), 135-145. (In Persian).
Bird, R., Reddy, K., and Yeung, D. (2011). The relationship between uncertainty and the market reaction to information: How Is It Influenced by Market and Stock-Specific Characteristics? Working paper series: The Paul Woolley Centre for Capital Market Dysfunctionality, UTS, 14.
Emamiyan, S.M.T., Mahmoodirad, A., Mola Alizadeh Zavardehi, S., Niroomand, S., (2022). Algorithm of Hybrid Analysis Systems in Predicting Optimal Portfolio,
Journal of Securities Exchange, 161-180,
10.22034/JSE.2021.11619.1725. (In Persian).
Hosseininasab, Hojjat, Karimi Takallu, Salim, Yousefinejad, Marzieh. (2012). Comparing the accuracy of support vector machines and artificial neural networks approaches in predicting the profit per share of companies listed on the Tehran Stock Exchange. Bi-quarterly journal of economic essays, 10 (20), 109-134. (In Persian).
Huang, C. -J., Yang, D. -X., & Chuang, Y. -T. (2008). Application of wrapper approach and composite classifier to the stock trend prediction. Expert Systems with Applications, 34(4), 2870–2878. http://dx. Doi.org/10. 1016/j. eswa. 2007. 05. 035.
Kumar, M., & Thenmozhi, M. (2006). Forecasting Stock index movement: A comparison of support vector machines and random forest. SSRN Scholarly Paper. Rochester, NY: Social Science Research Network, January 24, 2006. <http://papers. Ssrn. com/abstract=876544>.
Long Wenabc, Song Linqiuabc, Tian Yingjie (2019), a new graphic kernel method of stock price trend prediction based on financial news semantic and structural similarity, Expert Systems with Applications, Volume 118, Pages 411-424.
Makian, Seyyed Nezamuddin, Mousavi, Fatemeh Sadat. (1390). Forecasting the stock price of Pars Oil Products Company using neural networks and regression method. Case study: Pars Oil Products Company stock price. Economic Modeling Scientific-Research Quarterly, 6 (18), 105-121. (In Persian).
Michel B., Dirk V., Nathalie H., Ruben G. (2015). Evaluating multiple classifiers for stock price direction prediction, Expert Systems with Applications, journal homepage: www. Elsevier. com/locate/eswa.
Ming-Chi Lee, (2009). Using support vector machine with a hybrid feature selection method to thestock trend prediction, Department of Computer Science and Information Engineering, National Pingtung Institute of Commerce, No. 51 Minsheng E. Rd., Pingtung 900, Taiwan, ROC
Mouseli, S., Jaafar, A., and Hussainey, K. (2012). Accruals Quality vis-à-vis Disclosure Quality: Substitutes or Complements. The British Accounting Review, 44 (2012), 36–46.
Rajabpour, Ibrahim, Taqwa, Mohammad Reza, Hosseinzadeh Yazdi, Mohammad Ali, Baba Ahmadi, Sara. (2013). Forecasting stock prices of Tehran Stock Exchange companies using artificial neural networks. Quarterly Journal of New Researches in Accounting, 2 (Number 4 (Summer 1993)), 45-57. (In Persian).
Sohrabi, M., Mirbargkar, S.M., Chirani, E., Kheradyar, S., (2022), Modeling the Prediction of Stock Market Jumps Based on the Recurrent Neural Network and Deep Learning,
Journal of Securities Exchange, 245-268,
10.22034/JSE.2021.11655.1762. (In Persian).
Tsang, P. M., Kwok, P., Choy, S. O., Kwan, R., Ng, S. C., Mak, J., Tsang, J., Koong, K., Wong, T, L., 2007. Design and implementation of NN5 for Hong Kong stock price forecasting, Engineering Applications of Artificial Intelligence 20:453–461.
Tsinaslanidis, P. E., & Kugiumtzis, D. (2014). A prediction scheme using perceptually important points and dynamic time warping. Expert Systems with Applications, 41, 6848–6860. http://dx. Doi.org/10. 1016/j. eswa. 2014. 04. 028.
Ubha, M. V., & Nambi, S. T. (2012). Classification of Stock Index movement using K- nearest neighbors (k-NN) algorithm. WSEAS Transactions on Information Science & Applications, 9(9), 261–270. P259.
Wen Long Zhichen Lu Lingxiao Cui (2018-2019), deep learning-based feature engineering for stock price movement prediction,
Knowledge-Based Systems Volume 164, Pages 163-173.
Yao, T., Yu, T., Zhang, T., and Chen, S. (2011). Asset growth and stock returns: Evidence from Asian financial markets. Pacific-Basin Finance Journal–115.
Yakup Kara, Melek Acar Boyacioglu, mer Kaan Baykan. (2011). predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications 38. 5311–5319.
Zarei, Qasim, Mohammadian, Rana, Hazeri Naieri, Hatef, Bashokh Ajirlu, Mohammad. (2017). Comparison of fuzzy neural network methods with fuzzy wavelet neural networks in predicting stock prices of banks admitted to Tehran Stock Exchange. Financial Management Strategy, 6 (3), 109-138. Doi: 10. 22051/jfm. 2018. 19214. 1606. (In Persian).
Zhang, Z. Y., et al. (2005). Stock time series forecasting using support vector machines employeing analyst recommendations, Springer-Verlag Berlin Heidelberg.
