پیش بینی شاخص قیمت بازار سهام به علت تاثیرپذیری آن از بسیاری عوامل اقتصادی و غیراقتصادی همواره امری مهم و چالش برانگیز بوده، به طوری که انتخاب بهترین و کارآمدترین مدل به منظور پیش بینی آن امری دشوار می باشد. از طرفی سری های زمانی دنیای واقعی، برای مثال سری زمانی شاخص قیمت سهام، به ندرت دارای ساختاری کاملاً خطی و یا غیرخطی است. مدل های هموارسازی نمایی، میانگین متحرک خودرگرسیون انباشته (آریما) و شبکه عصبی خودرگرسیون غیرخطی می تواند برای پیش بینی بر اساس سری های زمانی استفاده گردد. در این پژوهش به منظور استفاده از مزیت های هریک از این مدل ها و کاهش خطای پیش بینی، روشی هیبریدی با استفاده از ترکیب خطی نتایج پیش بینی این مدل ها آزمون شده است. وزن های بکاررفته به منظور ترکیب نتایج با استفاده از الگوریتم ژنتیک و همچنین بکارگیری وزن های مساوی تعیین گردیده است. پس از مشخص شدن قابلیت پیش بینی پذیری سری زمانی مورد مطالعه (با استفاده از آزمون نسبت واریانس)، روش ترکیبی مذکور بر روی مقادیر ماهیانه شاخص قیمت بورس اوراق بهادار تهران بکارگرفته شد. نتایج بدست آمده نشان دهنده کاهش خطای پیش بینی های صورت گرفته توسط مدل هیبریدی (در حالت استفاده از وزن های مساوی) نسبت به مد ل های تشکیل دهنده آن است.
