* امیری، بیگلری کامی، مقصود، مهدی (1393)، پیش‌بینی رفتار سهام با استفاده از مدل زنجیر مارکوف، مجله مهندسی مالی و مدیریت اوراق بهادار،شماره 20،پاییز 1393
* بهنام پور،ناصر،حاجی زاده،ابراهیم.سمنانی،شهریار،زایری، (1392).معرفی الگوریتم های مدل رده‌بندی درختی و کاربرد آن در تعیین عوامل موثر بر ابتلاء به سرطان مری در استان گلستان.جورجانی،2-46-55.
* تهرانی،رضا،مرادپورسعید (1391).پیش‌بینی بازده شاخص بورس اوراق بهادار با استفاده از مدلهای شبکه‌های عصبی مصنوعی شعاع پایه.مجله مهندسی مالی و مدیریت اوراق بهادار،شماره دهم،بهار 1391
* راعی رضا (1380)،شبکه‌های عصبی،رویکردی نوین در تصمیم‌گیری‌های مدیریت،مدرس،دوره پنجم،ص 133-154،1380
* سبزی پور،علی اکبر،بیات ورکشی،مریم (1389).ارزیابی دقت روش های شبکه عصبی مصنوعی و عصبی فازی در شبیه‌سازی تابش کل خورشیدی،مجله پژوهش فیزیک ایران،زمستان،دوره 10،شماره 4،ص 347-357
* عباسی ابراهیم، (1394) تنظیمپارامتر اندیکاتورهای تحلیل تکنیکال با استفاده از بهینه‌سازی چند هدفه گروه ذرات و سیستم استنتاج فازی-عصبی،فصلنامه علمی پژوهشی دانش سرمایه‌گذاری سال چهارم،شماره پانزدهم،پاییز 1394
* عباسی،ابوئی مهریزی،ابراهیم،امیر (1390)،کاربرد شبکه عصبی -فازی انطباقی در پیش‌بینی قیمت سهام شرکت ایران خودرو،مجله مهندسی مالی و مدیریت اوراق بهادار شماره هفتم،تابستان 1390
* فلاح پور و همکاران، (1392)،پیش‌بینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان بر پایه الگوریتم ژنتیک در بورس اوراق بهادار تهران،مجله علمی پژوهشی تحقیقات مالی،دوره 15،شماره 2،پاییز و زمستان 1392،ص 288-269
* منجمی سید امیرحسین و همکاران (1388)،پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه‌های عصبی فازی و الگوریتم ژنتیک و مقایسه آن با شبکه عصبی مصنوعی،فصلنامه اقتصاد مقداری،دوره 6،شماره 3،پاییز 1388،ص 1-26.
* مهدوی غلامحسین و محمدرضا بهمنش، (1384)،طراحی مدل پیش‌بینی قیمت سهام شرکت های سرمایه‌گذاری با استفاده از شبکه عصبی مصنوعی،فصلنامهپژوهشنامه اقتصادی،شماره 19،ص 211-233.
* نصیر زاده،نیکروش،فرزانه،زهرا،ارزیابی توانایی مدل های داده‌کاوی در پیش‌بینی قیمت سهام،پایان نامه کارشناسی ارشد
* نیکو اقبال و همکاران (1393)،ارزیابی مدل های شبکه عصبی مصنوعی ایستا و پویا در پیش‌بینی قیمت سهام،فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، سال هفتم،شماره بیست و دوم تابستان 1393،ص 21-29.
* عرب مازار یزدی،محمد و مهسا قاسمی(1388)،قیمت گذاری عرضه های اولیه:ترکیب شبکه های عصبی مصنوعی و الگوریتم ژنتیک ،بررسی های حسابداری و حسابرسی،دوره 16،ص87-102.
* نیکو اقبال،علی اکبر نادیا گندلی علیخانی اسماعیل نادری (1393)،ارزیابی مدل های شبکه عصبی مصنوعی ایستا و پویا در پیش‌بینی قیمت سهام،فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار سال هفتم،شماره بیستم و دوم تابستان1393
* Tsang,P.M.,Kwok,P.,Choy,S.O.,Kwan,R.,Ng,S.C.,Mak,j.,Koong,K.,Wong,TL.(2007)Design and implementation of NN5 for Hong Kong stock price foreecasting,Engineering Application of Artificial Intelligence 20:453-461
* Al-Hmouz, R., Pedrycz, W., & Balamash, A. (2015). Description and prediction of time series: a general framework of granular computing. Expert Systems with Applications, 42(10), 4830-4839.
* Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction.Expert Systems with Applications, 42(20), 7046-7056.
* Brochet, F., Nam, S., & Ronen, J. (2007).Accruals and the prediction of future cash flows.International Business & Economics Research Journal, 2(3), 55-82.
* Brody, S., Navigli, R., &Lapata, M. (2006, July).Ensemble methods for unsupervised WSD.In Proceedings of the 21st International Conference on Computational Linguistics and the 44th annual meeting of the Association for Computational Linguistics (pp. 97-104).Association for Computational Linguistics.
* Browne,C.H(2007).The little book of value investing (vol.5).john wiley&sons
* Cheung, Y. W., Chinn, M. D., &Pascual, A. G. (2005). Empirical exchange rate models of the nineties: Are any fit to survive?.Journal of international money and finance, 24(7), 1150-1175.
* Choudry,R&Grag K.(2008).A Hybrid Machin Learning System for Stock Market Forecasting.Word Academy of Science,Engineering and Technology,39.
* De Bock, K. W., & Van den Poel, D. (2012). Reconciling performance and interpretability in customer churn prediction using ensemble learning based on generalized additive models. Expert Systems with Applications, 39(8), 6816-6826.
* Granger, C. W. J. (1991).Forecasting Stock market prices, Lessons for casters (pp. 178-179). Working paper، university of California, San Diego, Department of Economics
* Hamel, L. H. (2011). Knowledge discovery with support vector machines (Vol. 3). John Wiley & Sons
* Hsu, C. M. (2011).A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming.Expert Systems with Applications, 38(11), 14026-14036.
* 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.
* Huang, W., Nakamori, Y., & Wang, S. Y. (2005).Forecasting stock market movement direction with support vector machine.Computers & Operations Research, 32(10), 2513-2522.
* Jog, V., & McConomy, B. J. (2003). Voluntary disclosure of management earnings forecasts in IPO prospectuses. Journal of Business Finance & Accounting, 30(1‐2), 125-168.
* Kara, Y., Boyacioglu, M. A., &Baykan, Ö. K. (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(5), 5311-5319.
* Kumar, M., &Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest.
* Kumar, M., &Thenmozhi, M. (2006). Forecasting stock index movement: A comparison of support vector machines and random forest.
* Kuo, R. J., Chen, C. H., & Hwang, Y. C. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy sets and systems, 118(1), 21-45.
* Lin, L., Cao, L., Wang, J., & Zhang, C. (2004). The applications of genetic algorithms in stock market data mining optimisation. In Conference on Data Mining, Text Mining and Their Business Application. Wessex Institute of Technology Press.
* Malkiel, B. G. (2003). The efficient market hypothesis and its critics.The Journal of Economic Perspectives, 17(1), 59-82.
* Nassim, N. T. (2007). The black swan: the impact of the highly improbable. NY: Random House.
* Skabar, A., & Cloete, I. (2002).Neural networks, financial trading and the efficient markets hypothesis.Australian Computer Science Communications, 24(1), 241-249
* Souto-Maior, C. D., Murcia, F. D., Borba, J. A., & da Costa, N. C. (2006).Forecasting IBOVESPA Index with Fuzzy Logic.
* Tang, C. F., & Lean, H. H. (2007). Is the Phillips curve stable for Malaysia? New empirical evidence.Malaysian Journal of Economic Studies, 44(2), 95
* Timmermann, A., & Granger, C. W. (2004).Efficient market hypothesis and forecasting.International Journal of forecasting, 20(1), 15-27.
* Wallace Wanda, A. (2004). Risk assessment by internal auditors using past research on bankruptcy applying bankruptcy models.The IIA Research Foundation, Florida
* Zhang, Z. Y., Shi, C., Zhang, S. L., & Shi, Z. Z. (2006). Stock time series forecasting using support vector machines employing analyst recommendations. Advances in Neural Networks-ISNN 2006, 452-457
)