از حسابداری به اقتصاد: نگرشی نوین در تأیید اهمیت اطلاعات حسابداری مالی

امیری، مقصود؛ حدادیان، حمیدرضا؛ زندیه، مصطفی و رئیس‌زاده، علی (1395). ارائة مدل معاملة هوشمند در بازارهای مالی مبتنی بر الگوریتم ژنتیک، منطق فازی و شبکة عصبی. مجلة مهندسی مالی و مدیریت اوراق بهادار،7(27)، 33-52.

باغومیان، رافیک؛ محمدی، حجت؛ نقدی، سجاد (1395). نوسان متغیرهای کلان اقتصادی و پیش‌بینی سود توسط مدیران. مطالعات تجربی حسابداری مالی، 13، 57-79

سربیژن، مرتضی (1395). مدل‌سازی و پیش‌بینی رشد اقتصادی ایران با استفاده از مدل‌های ARIMA، مارکف سوئیچینگ و  ANFIS. فصل‌نامه پژوهش‌های رشد توسعة اقتصادی، 6 (24)،51-64.

کردستانی، غلامرضا؛ معصومی، جواد و بقائی، وحید (1392). پیش‌بینی سطح مدیریت سود با استفاده از شبکه‌های عصبی مصنوعی. مجلة پیشرفت‌های حسابداری، 5 (1)، 169-190.

کریمی، فرزاد؛ فروغی، داریوش؛ نوروزی، محمد و مدینه، محسن (1393). بررسی تأثیر متغیرهای اقتصادی و حسابداری بر ساختار سرمایة شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. دانش حسابداری، 5 (17)، 141 تا 162.

گوارا، مریم؛ معین‌الدین، محمود و عبقری، رامین (1395). تأثیر کاهش داده‌ها با استفاده از تحلیل عاملی بر دقت مدل‌های پیش‌بینی ورشکستگی. مجلة پیشرفت‌های حسابداری، 8 (2)، 151-189.

مرادی، مهدی؛ صدوقی یزدی، هادی و عبداللهیان، جواد (1394). رویکرد مهندسی جدید برای پیش‌بینی نوسان شاخص‌های بورس اوراق بهادار تهران. مجلة پیشرفت‌های حسابداری، 7 (2)، 117-148.

نقدی، سجاد (1393). پیش‌بینی سود هر سهم شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران: مقایسة مدل‌های سری زمانی، شبکة عصبی و الگوریتم ژنتیک. پایان‌نامة کارشناسی ارشد حسابداری، دانشگاه شهید بهشتی، دانشکدة مدیریت و حسابداری.

 Abarbanell, J. S., & Bushee, B. J. (1997). Fundamental analysis, future EPS, and stock prices. Journal of Accounting Research, 35(1), 1–24.

Abdalla, A. M., & Carabias, J. M. (2016). From Accounting to Economics: The Role of Aggregate Special Items in Gauging the State of the Economy. London School of Economics. Master thesis.

Amiri, M., Haddadian, H., Zandieh, M., & Raiszadeh, A. (2016). A Novel intelligent trading system using Meta-heuristic Algorithms and Fuzzy logic. Journal of Financial Engineering and Securities Management, 7(27), 33-52. (In Persian)

Baghoomian, R., Mohammadi, H., & Naghdi, S. (2016). Macroeconomic variables fluctuations and management earnings forecast. Empirical Studies in Financial Accounting, 13(50), 65-88. (In Persian)

Gaertner, F. B., Kausar, A., & Steele, L. B. (2016). The usefulness of negative aggregate earnings changes in predicting future gross domestic product growth, FARS mid-year meeting, and workshop participants at Nanyang Technological University.

Gallo, L., Hann, R., & Li, C. (2016). Aggregate earnings surprises, monetary policy, and stock returns. Journal of Accounting and Economics, 62(1), 103-120.

Gavara, M., Moeinadin, M., & Abghar, R. (2017). Data reduction influence on the accuracy of prediction failure company models. Journal of Accounting Advances, 8(2), 151-189. (In Persian)

Hann, R., Lee, H., & Li, C. (2015). Do large firms tell us more about the macro economy? Evidence from managers financing decisions, American Accounting Association Annual Meeting. Conference on Teaching and Learning in Accounting. New York, 6244-6255.

Karimi, F., Foroughi, D., Noroozi, M., & Madine, S. (2014). Effects of economic and accounting variables on capital structure of firms in Tehran Stock Exchange.Journal of Accounting Knowledge, 5(17), 141-162. (In Persian)

Kennedy, J., & Eberhart, R. C. (1995). A new optimizer-using particle swarm theory. Proceedings of the 6^th International Symposium on micro machine and human science. Nagoya, Japan, 2-7.

Kerstein, J., & Kim, S. (1995). The incremental information content of capital expenditures. The Accounting Review, 70(3), 513-526.

Konchitchki, Y., & Patatoukas, P. N. (2014b). Taking the pulse of the real economy using financial statement analysis: Implications for macro forecasting and stock valuation. The Accounting Review, 89(2), 669-694.

Konchitchki, Y., & Patatoukas, P. N. (2016). From forecasting to nowcasting the macroeconomy: A granular-origins approach using accounting earnings data. Review of Accounting Studies Conference.

Konchitchki, Y., & Patatoukas, P. N. )2014a .(Accounting earnings and gross domestic product. Journal of Accounting and Economics, 57(1), 76-88.

Kordestani, G., Masomi, J., & Baghaee, V. (2013). Predicting earnings management level by using artificial neural networks. Journal of Accounting Advances, 5(1), 169-190. (In Persian)

Moradi, M., Sadughi, H., & Abdollahian, J. (2016). A new engineering approach to forecast Tehran securities exchange indices volatility. Journal of Accounting Advances, 7(2), 117-148. (In Persian)

Nallareddy, S., & Ogneva, M. (2017). Predicting restatements in macroeconomic indicators using accounting information. The Accounting Review, 92 (2), 151-182.

Naqdi, S. (2014). Predicting earnings per share of companies listed on the Tehran Stock Exchange: Comparison of time series models, neural network and genetic algorithm. Master Thesis in Accounting, Shahid Beheshti University, School of Management and Accounting. (In Persian)

Salehi Sarbijan, M. (2016). Modeling and predicting of Iran’s economic growth using anfis, markov switching and ARIMA models. Quarterly Journal of Economic Growth and Development Research, 6(24), 55-68. (In Persian)

Shevlin, T., Shivakumr, L., & Oktay, O. (2016). Macroeconomic effects of aggregate corporate tax avoidance: A cross-country analysis. Working paper, University of California-Irvine.

Shivakumar, L., & Oktay, O. (2014). Why do aggregate earnings shocks predict future infation shocks? 11th London Business School Accounting Symposium, London.125-163.

Trasvirta, T. (2005). Forecasting economic variables with nonlinear models. In Elliott, G., Granger, C., & Timmermann, A. (eds.) Handbook of Economic Forecasting, pp. 413–457.

Xu, L., & Mao, J. (2016). Short-term wind power forecasting based on Elman neural network with particle swarm optimization. Control and Decision Conference (CCDC), Yinchuan, 2678-2681.