پیش‌بینی ریسک درماندگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از مدل‌های تحلیل عاملی، درخت تصمیم و رگرسیون لجستیک

*       آهنگری، م. (1390). به کارگیری درخت تصمیم جهت پیش بینی شرکت های ورشکسته و غیر ورشکست شده پذیرفته شده در بورس اوراق بهادار.

*       انواری رستمی، ع. عموقین، ر.،(1396). تصمیم‌گیری در مسائل مالی. تهران: انتشارات ترمه

*       اسماعیل زاده مقری، ع.، شاکری، ه. (1394). پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه بیزی ساده و مقایسه آن با تحلیل پوششی داده ها. مهندسی مالی و مدیریت پرتفوی، 6(22)، 1-28.

*       انواری رستمی، ع.، عموقین، ر.(1396). تصمیم‌گیری در مسائل مالی. تهران:انتشارات ترمه

*       حسینی، م.، رشیدی، ر . (1392). پیش بینی احتمال ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل رگرسیون لجستیک. مجله پژوهش های حسابداری مالی، 5(17)، 105-130.

*       شباهنگ، ر. (1379). مدیریت مالی جلد 1. انتشارات سازمان حسابرسی، 92(4).

*       فدایی نژاد، م.، اسکندری، ر. (1390). طراحی و تبیین مدل پیش‌بینی ورشکستگی شرکت‌ها در بورس اوراق بهادار تهران، تحقیقات حسابداری، 1(9).

*       منصورفر، غ.، غیور، ف. (1394). توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی. پژوهش های تجربی حسابداری مقاله 10، 5(1).

*       منصورفر، غ.، غیور، ف. (1395). اثر تعدیل گر کیفیت سود در پی بینی درماندگی مالی شرکت های پذیرفته شده بورس اوراق بهادار تهران مقاله 2، 4(4).

*    موسوی شیری، م.، طبرستانی، م. (1388). پیش بینی درماندگی مالی با استفاده از تحلیل پوششی داده ها. تحقیقات حسابداری و حسابرسی، 1(2) . 2-8.

*       مهرانی، س.، کرمی، ک. (1383). استفاده از اطلاعات تاریخی مالی و غیرمالی جهت تفکیک شرکت های موفق و ناموفق. بررسی های حسابداری و حسابرسی، 11(1).

*       Alfaro, E & Garcia, N. (2008). Bankruptcy forecasting: An empirical comparison of Adaboost and neural networks. Decision Support Systems, 45. 110-122.

*       Altman, E.I. (2000), Predicting financial distress of companies: Revisiting the A-score and Zeta Models, Stern School of Business, New York University.

*       Barak. A.Z. (2010). Cash flow ration vs. accruals ratios: Empirical research on incremental information content. The Business Review, 15, 206-213.

*       Beaver, W.H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71-111.

*       Cantoni, Emiliano and Silvi, Riccardo, Financial Distress and Ratios Informative Capability: Empirical Evidence from the Italian Food & Beverage Industry (October 8, 2010). Available at: http://dx.doi.org/10.2139/ssrn.1012651

*       Kouki, M. & Elkhaldi, A. (2011). Toward a predicting model of firm bankruptcy: Evidence from the Tunisian context. Middle Eastern Finance and Economics, 14. 26-43.

*       Murtaza, M., & Shah, J. (2000). A neural network based clustering procedure for bankruptcy prediction. American Business Review, 18 (2), 80-86.

*       Ohlson, J.A. (1980). Financial Ratios and the probabilistic prediction of Bankruptcy. Journal of Accounting Research, 18: 109-131.

*       Qunfeng Liao, Seyed Mehdian. (2016). Measuring financial distress and predicting corporate bankruptcy: An index approach. 9(1).

*      Sun, L & Shenoy, P. (2007). Using Bayesian networks for bankruptcy prediction. European Journal of Operational Research, 180(2): 738-753.