Subject Areas :

مهدی غضنفری ¹ (استاد دانشکده مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران)
اقبال رحیمی کیا ² (کارشناس ارشد مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران)
علی عسکری ³ (استادیار گروه اقتصاد ،دانشکده اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران)

Received: 2018-01-09 Accepted : 2018-03-12 Published : 2018-04-21

Keywords:

References:

فهرست منابع

1)    اقدامی، اسماعیل، سهراب کرد رستمی، مجتبی ملکی و حبیبه آزماینده، (1394)، "ارزیابی ورشکستگی در بورس اوراق بهادارتهران با بکارگیری مدل پویایی شبکه: روشی بر پایه تحلیل پوششی داده‌ها"، مجله مهندسی مالی و مدیریت اوراق بهادار، 6(22)، صص 165-180.

2)    اکرمی، غلامرضا و سید مصطفی سید حسینی، (1391)، "سودمندی اطلاعات حسابداری نسبت به اطلاعات بازار در پیش‌بینی ورشکستگی"، مجله دانش حسابداری، 3(10)، صص 93-116.

3)    راعی، رضا و سعید فلاح‌پور، (1383)، "پیش‌بینی درماندگیشرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی"، تحقیقات مالی،6(1)، صص 33-46.

4)    صالحی، نازنین و مجید عظیمی یانچشمه، (1395)، "بررسی تطبیقی مدل خطر و مدل‌های سنتی برای پیش‌بینی ورشکستگی"، حسابداری مالی، 8(30)، صص 94-121.

5)    قدرتی، حسن و امیرهادی معنوی مقدم، (1389)، "بررسی دقت مدل‌های پیش‌بینی ورشکستگی (مدل‌های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج‌زاده و ژنتیک مک‌کی) در بورس اوراق بهادار تهران"، تحقیقات حسابداری و حسابرسی، 2(7).

6)    قدیریمقدم، ابوالفضل، محمد مسعود غلامپور فرد و فرزانه نصیرزاده، (1388)، "بررسی تواناییمدل‌های پیش بینی ورشکستگی آلتمن و اهلسون در

7)    پیش‌بینی ورشکستگیشرکت‌های پذیرفته شده در بورس اوراق بهادار"، مجله دانش و توسعه، شماره 25، صص 193-220.

8)    مشایخی، بیتا و حمیدرضاگنجی، (1393)، "تأثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی"، پژوهش‌های حسابداری مالی و حسابرسی (پژوهشنامه حسابداری مالی و حسابرسی)، 6(22)، صص 147-173.

9)    مکیان، سیدنظام الدین و سلیم کریمی تکلو، (1388)، "پیش‌بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی: شرکت‌های تولیدی استان کرمان)"، فصلنامه اقتصاد مقداری (فصلنامه بررسی‌های اقتصادی)، 6(1)، صص 129-144.

10) مکیان، سید نظام الدین، سید محمد تقی المدرسی و سلیم کریمی تکلو، (1389)، "مقایسه مدل شبکه‌های عصبی مصنوعی با روش‌های رگرسیون لجستیک و تحلیل ممیزی در پیش بینی ورشکستگی شرکت‌ها"، پژوهش‌های اقتصادی، 10(2)، صص 141-161.

11) مهرآذین، علیرضا، احمد زنده دل، محمد تقی‌پور و امید فروتن، (1392)، "شبکه‌های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آن‌ها در پیش بینی ورشکستگی"، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 2(7)، صص 149-166.

12) ناصرزاده، هوشنگ، (1374)، "قانون تجارت"، تهران، نشر دیدار.

13) وکیلی‌فرد، حمیدرضا، نازنین پیله وری و سیده سمانه زیدی، (1393)، "ارائه مدلی جهت پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سیستم استنتاج فازی عصبی انطباق‌پذیر"، مجله مهندسی مالی و مدیریت اوراق بهادار، 5(18)، صص 17-30.

14)  Aghaie, A., & Saeedi, A, (2009),“Using Bayesian Networks for Bankruptcy Prediction: Empirical Evidence from Iranian Companies”,Information Management and Engineering, IEEE, PP. 450-455.

15)  Andries, E. P, (2007),“Computational Intelligence: An Introduction”,Wiley, Second ed.

16)  Ashoori, S., & Mohammadi, S, (2011),“Compare Failure Prediction Models based on Feature Selection Technique: Empirical Case from Iran. Rocedia Computer Science, No.3, PP.568-573.

17)  Atashpaz gargari, E., & Lucas, C, (2007),“Imperialist Competitive Algorithm: An Algorithm for Optimization Inspired by Imperialistic Competition”, Evolutionary Computation,Singapore, IEEE Congress on, PP. 4661-4667.

18)  Barboza, F., Kimura, H., & Altman, E. (2017), “Machine learning models and bankruptcy prediction”, Expert Systems with Applications, No. 83, PP. 405-417.

19)  Etemadi, H., Anvary Rostamy, A., & Farajzadeh Dehkordi, H, (2009),“A Genetic Programming Model for Bankruptcy Prediction: Empirical Evidence from Iran”,Expert Systems with Applications, 36(2), PP.3199-3207.

20)  Fisher, R. A, (1922),“On the Interpretation of χ2 from Contingency Tables, and the Calculation of P”,Journal of the Royal Statistical Society”, PP.87-94.

21)  Geem, Z., Kim, J.-H., & Loganathan, G, (2001),“A New Heuristic Optimization Algorithm: Harmony Search. SIMULATION: Transactions of The Society for Modeling and Simulation International”, PP.60-68. doi:10.1177/003754970107600201

22)  Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K, (2004),“Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks”, Neural Networks,Proceedings, IEEE International Joint Conference No.2, PP. 985-990.

23)  Jain, A. K., Mao, J., & Mohiuddin, K. M, (1996),“Artificial Neural Networks: A Tutorial”,Computer - Special issue: Neural Computing, 29(3), PP.31-44.

24)  Liang, D., Tsai, C.-F., & Wu, H.-T, (2015),“The Effect of Feature Selection on Financial Distress Prediction”, Knowledge-Based Systems, No.73, PP.289–297.

25)  McNemar, Q, (1947),“Note on the Sampling Error of the Difference between Correlated Proportions or Percentages”,Psychometrika, 12(2), PP.153-157.

26)  Min, S.-H., Lee, J., & Han, I, (2006),“Hybrid Genetic Algorithms and Support Vector Machines for Bankruptcy Prediction”,Expert Systems with Applications, 31(3), PP.652-660.

27)  Mokhatab Rafei, F., Montazeri, S., & Boostanian, S, (2011),“Financial Health Prediction Models Using Artificial Neural Networks, Genetic Algorithm and Multivariate Discriminant Analysis: Iranian Evidence”,Expert Systems with Applications, 38(8), PP.10210-10217.

28)  Moradi, M., Shafiee Sardasht, M., & Ebrahimpour, M, (2012),“An Application of Support Vector Machines in Bankruptcy Prediction; Evidence from Iran”,World Applied Sciences Journal, PP.710-717.

29)  Reynolds, R. G, (1994),“An Introduction to Cultural Algorithms”,Proceedings of the Third Annual Conference on Evolutionary Programming”, Singapore, PP.131–139.

30)  Shetty, U., Pakkala, T. P. M., & Mallikarjunappa, T, (2012),“A Modified Directional Distance Formulation of DEA to Assess Bankruptcy: An Application to IT/ITES Companies in India”, Expert Systems with Applications,39(2), PP.1988-1997.

31)  Tsai, C.-F, (2009),“Feature Selection in Bankruptcy Prediction”,Knowledge-Based Systems, 22(2), PP.120–127.

32)  Tsai, C.-F., & Cheng, K.-C, (2012),“Simple Instance Selection for Bankruptcy Prediction”,Knowledge-Based Systems, No.27, PP.333–342.

33)  Vapnik, V, (1995),“Support-Vector Networks”,Machine learning, 20(3), PP.273-297.

34)  Wang, G., Ma, J., & Yang, S, (2014),“An Improved Boosting Based on Feature Selection for Corporate Bankruptcy Prediction”,Expert Systems with Applications, 41(5), PP.2353–2361.

35)  Yates, F, (1934), “Contingency Tables Involving Small Numbers and the χ2 Test”, Supplement to the Journal of the Royal Statistical Society, 1(2), PP.217-235.

 

 

یادداشت‌ها