تبیین حسابداری کلان با تأکید بر اهمیت داده‌های حسابداری در الگو‌سازی تورم

احتشام‌راثی، رضا؛ طلوعی، عباس؛ ناظمی، جمشید؛ البرزی، محمود.(1392). طراحی الگو ریاضی برای بهینه‌سازی فرآیند شبکه توزیع در زنجیره تأمین معکوس در چارچوب رویکرد مدیریت هزینه، دانش حسابداری و حسابرسی مدیریت، 2(8)، 110-93.

احمدی لویه، افشین. (1395). هزینه‌یابی بر مبنای فعالیت و تورم (دیدگاه فرا مدرن در تخصیص هزینه‌های سربار)، دانش حسابداری و حسابرسی مدیریت، 5(8)، 46-37.

اسدی، غلامحسین؛ نقدی، سجاد. (1397). طراحی و تبیین الگوی پیش‌بینی رشد اقتصادی با رویکرد حسابداری. دانش حسابداری. 9(3)، 63-39.

پورحیدری، امید؛ اعظمی، زینب. (1389). شناسایی نوع اظهارنظر حسابرسان با استفاده از شبکه‌های عصبی. دانش حسابداری. 1(3)، 97-77.

دموری، داریوش؛ فرید، داریوش؛ اشهر، مرتضی. (1390). پیش‌بینی شاخص کل بورس اوراق بهادار تهران با استفاده از الگوریتم پرواز پرندگان و مقایسه آن با الگوهای سنتی. دانش حسابداری، 2(5)، 30-7.

زارء نژاد، منصور؛ شهرام، حمید. (1388). پیش‌بینی نرخ تورم در اقتصاد ایران با استفاده از شبکه‌های عصبی مصنوعی پویا (دیدگاه سری زمانی). فصلنامه اقتصاد مقداری. 1(6)، 167-145.

شهیکی تاش، محمد نبی؛ مولایی، صابر؛ حلاج‌زاده، زینب. (1392). پیش‌بینی سطح عمومی قیمت‌ها و تورم در ایران با استفاده از شبکه عصبی. فصلنامه سیاست‌های راهبردی و کلان. 4(1)، 67-51.

صالحی، مهدی؛ موسوی شیری، محمود؛ نکوئی، صادق؛ کمال احمدی، شریفه. (1394). پیش‌بینی انتخاب حسابرس مستقل در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از روش‌های داده‌کاوی الگوریتم‌های هیوریستیک، دانش حسابداری و حسابرسی مدیریت، 4(14)، 74-63.

نقدی، سجاد. (1393). پیش‌بینی سود هر سهم شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران: مقایسه الگو‌های سری زمانی، شبکه عصبی و الگوریتم ژنتیک. پایان‌نامه کارشناسی ارشد حسابداری، دانشگاه شهید بهشتی، دانشکده مدیریت و حسابداری.

References

Ahmadi Loyeh, A. (2016). Activity-based costing and inflation (forward-thinking viewpoint on overhead costs allocation). Management Accounting and Audit Knowledge, 5 (8), 37-46 [In Persian].

Angeline, P.J. )1998(. Evolutionary Optimization Versus Particle Swarm Optimization: Philosophy and Performance Differences. Evolutionary Programming VII, Lecture Notes in Computer Science, 1447, 601-611

Arabmazar Yazdi, M., Naghdi, S. (2013). Debt policy prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization. International journal of Management Perspective. 2(5), 43-55.

Assadi, G., Naghdi, S. (2018). Designing and formulating the forecasting model of economic growth by accounting approach. Journal of Accounting Knowledge, 9(3), 39-63 [In Persian].

Demori, D., Darioush, F., Ashar, M. (2011). Predicting Tehran stock market aggregate index with particle swarm optimization and comparison with traditional models, Journal of Accounting Knowledge. 2(5), 7-30 [In Persian].

Ehtesham Rasi, R., Toloei, A., Nazemi, J., and Alborzi, M. (2013). Designing a mathematical model for optimizing the distribution network in the reverse supply chain in the framework of cost management approach, Accounting and Audit Management Knowledge, 2(8), 93-110 [In Persian].

Gallo, L., Hann, R., Li, C. (2013). Aggregate earnings surprises, monetary policy, and stock returns. The 2013 JCAE Symposium, University of Maryland.

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.

Haung, M. (2015). Predictive power of aggregate accounting earnings growth for growth of future GDP. Master Thesis. Eastern Illinois University.

Kennedy, J., Eberhart, R.C. (1995). A new optimizer using particle swarm theory. The 6^th International Symposium on Micro Machine and Human Science. Nagoya, Japan, 39–43.

Konchitchki, Y. Patatoukas, P.N. (2016). From forecasting to now casting the macro economy: A granular-origins approach using accounting earnings data. Review of Accounting Studies Conference,(10) ,21-39.

Kothari, S.P., Shivacumar, L. Urcan, O. (2013). Aggregate earnings surprises and inflation forecasts. Working Paper, MIT.

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

Pourheidari, O., Azami, Z. (2010). Identifying auditors’ opinions with neural networks. Journal of Accounting Knowledge. 1(3), 77-97 [In Persian].

Salehi, M., Mousavi Shiri, M., Nekoei, S., Kamal Ahmadi, S. (2015). The prediction of independent auditor selection in companies accepted in Tehran Stock Exchange using the methods of data mining of heuristic algorithms. Knowledge of Accounting and Audit Management, 4(14), 63-74 [In Persian].

Shahiki Tash, M., Mola'i, S., Hallajzadeh, Z. (2013). Estimation of the general level of prices and inflation in Iran using the neural network. Journal of Strategic and Huge Strategies. 4(1), 51-67 [In Persian].

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

Trasvirta, T. (2005). Forecasting economic variables with nonlinear models", SSE/EFI. Working Paper Series in Economics and Finance, (598), 1-55.

Zarnejad, M., Shahram, H. (2009). Prediction of inflation rate in the Iranian economy using dynamic artificial neural networks (timeline view). Quarterly Journal of Economics. 1(6), 145-167 [In Persian].