پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی

- آذر، عادل و مومنی، منصور. (1377). آمار و کاربرد آن در مدیریت. تهران: انتشارات سمت، ج دوم، ص. 365-322.

- افسر، امیر. (1384). الگو‌سازی پیش‌بینی شاخص قیمت سهام با استفاده از شبکه‌های عصبی فازی و روش ترکیبی. تهران:. پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس.

- بت‌شکن،محمود. (1380). یش‌بینی قیمت سهام با استفاده از شبکه عصبی - فازی و مقایسه آن با الگوهای خطی پیش‌بینی، تهران: پایان نامه کارشناسی ارشد، دانشگاه تهران.

- طلوعی، عباس و حق‌دوست، شادی. (1386). الگو‌سازی پیش‌بینی قیمت سهام بااستفاده از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی، پژوهشنامه اقتصادی، ص. 252-237.

- گجراتی، دامودار. (1385). مبانی اقتصاد سنجی، ترجمه:ابریشمی، تهران. انتشارات دانشگاه تهران، چ چهارم، ص. 963-907.

- مشیری، سعید و مروت، حبیب. (1384). پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از الگو‌های خطی و غیرخطی.

- وطن‌خواه، رامین. (1388). کنترل و بهینه‌سازی حرکت دسته‌ای یک توده ربایندهکی به وسیله روش‌های الهام گرفته از طبیعت، تهران: پایان نامه کارشناسی ارشد، دانشگاه صنعتی شریف.

- Armano, G., marchesi, A., and Murru, A. (2005). A hybrid genetic-neural architecture for stock indexes forecasting. Information sciences, pp. 3-33.

- Chang, T., Meade, N., Beasley, J., and Sharaiha, Y. (2000). Huristics For Cardinality Constrained Portfolio Optimisation. Comput Operation Research, pp. 1271-1302.

- Chiam, S., Tan, K., and Mamun, A. (2009). A memetic model of evolutionary PSO for computational finance applications. Expert Systems with Applications, Vol. 36, pp. 3695–3711.

- Dallagnol, V., Vandenberg, F., and Mous, L. (2009). Portfolio Management Using Value at Risk:A comparsion between Genetic Algorithm and Particle Swarm Optimization. International ofIntelligent System , Vol. 24, pp. 729-766.

- Egeli, B., Ozturan, M., and Badur, B. (2003). Stock Market Prediction Using Artificial Neural Networks. Bogazici University.

- Fourie, P. C., & Groenwold, A. A. (2002). The particle swarm optimization algorithm in size and shape optimization. Struct. Multidisc.OPT , Vol. 23, pp. 259-267.

- Haupt, R., & Haupt, S. E. (1998). Practical Genetic Algorithm. John Wiley & Sons

- Hernández, A., Muñoz, A., Villa, E., & Botello, S. (2007). COPSO: Constrained Optimization via PSO Algorithm. Centro de Investigación en Matemáticas, Guanajuato, Technical Report of the Computer Sciences Department, México.

- Hirotugu, A. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Contro, Vol. 19, pp. 716–723.

- Kennedy, J. (1999). Small Worlds and Mega-Minds: Effects of Neighborhood Topology on. Proceedings of the 1999 Congress on EvolutionaryComputation, pp. 1931–1938.

- Kennedy, j., and Eberhart, R. (1995). Particle Swarm Optimization. IEEE: International Conference on Neural Network , pp. 1942-1948.

- Kennedy, J., and Mendes, R. (2002). Population Structure and Particle Swarm Performance. Proceedings of the 2002 Congress on Evolutionary Computation, CEC02, pp. 1671-1676.

- Kiink, T., Vesterstroem, J. S., and Riget, J. (2002). Particle Swam Optimization with Spatial Particle Extension. Proceedings of the lEEE Congress on Evolutionary Computation, pp. 1474-1479.

- Koshino, M., Murata, H., and Kimura, H. (2007). Improved Particle Swarm Optimization and Application To Portfolio Selection. Electronics and Communications in Japan , Vol. 90.

- L., B. (1992). The little bootstrap and other methods for dimensionality selection in regression: X-fixed prediction error. Journal of the American Statistical Association , Vol. 87, pp 738-754.

- Leung, M. T., Chen, A. S., and Daouk, H. (2001). application of neural networks to an emerging financial market:forecasting and trading the taiwan stock index. www.ssrn.com.

- Martinez, S., Cortes, j., and Bullo, F. (2007). Motion coordination with distributed information. IEEE Control Systems Magazine, Vol. 27, pp. 75–88.

- Pankratz, A. ( 1983). Forecasting with univariate Box–Jenkins models: concepts and cases. John Wiley & Sons .

- White, h. (1988). Economic prediction using neural network:The case of IBM daily stock returns. IEEE International conference on Neural Networks, San Deigo, Vol. 2, pp. 451-458.