در بازار کارای سرمایه، اعتقاد بر این است که قیمت سهام انعکاسی از اطلاعات جاری مربوط به آن سهم است و تغییرات قیمت سهام دارای الگوی خاص پیش‌بینی نیست. نظریات مطرح‌شده تا دهۀ ۱۹۸۰ میلادی به‌خوبی تعیین‌کنندۀ رفتار قیمت سهام در بازار بودند تا اینکه تحولات بازار سهام نیویورک در سال ۱۹۸۷، اعتبار فرضیات بازار کارای سرمایه را به‌شدت زیر سؤال برد. در دهۀ ۱۹۹۰ میلادی و بعدازآن، بیشتر توجه متخصصان به یک رفتار آشوب‌گرایانه همراه بانظم معطوف شد و تلاش در جهت طراحی مدل‌های غیرخطی به‌منظور پیش‌بینی قیمت سهام اهمیت روزافزونی یافت. (منجمی و همکاران، ۱۳۸۸)
با این نظریات، ازجمله تکنیک‌هایی که اهمیت بالایی یافتند، سیستم‌های هوشمند بودند؛ زیرا با فرض خطی بودن ساختار بازار، به‌آسانی می‌توان بسیاری از مدل‌ها را طراحی نمود. درحالی‌که بازار سهام، در حقیقت یک سیستم غیرخطی و آشوبناک است که به عوامل سیاسی، اقتصادی و روانی وابسته است.( آذر، همکاران، ۱۳۸۵). برای غلبه بر محدودیت تکنیک‌های تحلیل سنتی در پیش‌بینی الگوهای غیرخطی، متخصصان طی دو دهه اخیر تکنیک‌های هوشمند و بخصوص شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک را برای بهبود پیش‌بینی قیمت سهام به‌کاربرده‌اند (باوا، لیدرنبگ^[۲۴]،۱۹۷۷: وانگ ژایو، جی. ژانگ^[۲۵]، ۲۰۱۱). مهم­ترین مزیت این مدل­ها نسبت به سایر مدل­های ساختاری و سری زمانی آن است که در طراحی این مدل­ها، نیازی به اعمال فرض­های آماری خاص در مورد رفتار متغیرها مانند فرض­های مربوط به نحوه ارتباط بین متغیرها نیست.

۲-۱۷٫ هوش مصنوعی
دانشمـندان و محقـقان در دهه آخر قرن بیـست عمدتاً به این اصـل معتقد شدند که فرض منطقـی بودن سرمایه‌گذاری که اصـل غیرقابل‌اغماض در سرمایه‌گذاری مدرن مالی است و یکی از مفروضات اصلی در بازار کارا و یا مدل بازار است با تـوجه به عوامل پیچیده‌ای که در بازارهای سهام دخیل هستند، واقعی نیست. آن‌ ها به این نتیجه رسیده‌اند که بازار سرمایه‌داری نظم مشخـصی نیست و استـفاده از ریاضیات پیچیده در سیستم‌های غیرخطی و پویا می‌تواند مدل‌هایی را ایجاد کند که نظریه‌های گذشته را باطل کند. در سال‌های اخیر در پی پیشرفت‌هایی که درزمینهٔ رایانه و هوش مصنوعی و هم‌چنین کشف روابط آشوبی در سری‌های زمانی غیرخطی پدید آمد، فعالیت‌هایی در جهت پیش‌بینی قیمت در بورس اوراق بهادار در کشورهای مختلف انجام شد. تکنیک‌های هوش مصنوعی که شامل شبکه‌های عصبی، الگوریتم ژنتیک و منـطق فازی است نتایج موفقیت‌آمیزی درزمینهٔ حل مسائل پیچیده به دست آورده‌اند.
۲-۱۸٫ شبکه عصبی مصنوعی
شبکه‌های عصبی یکی از پویاترین حوزه‌های تحقیق در دوران معاصر است که افراد متعددی از رشته‌های گونـاگون علمی را به خود جلب کرده است. به‌هرحال عملکرد مغز و اعصـاب انسان با توجه به میلیون‌ها سال تکامل می‌تواند به‌عنوان کامل‌ترین و کارآمـدترین الـگو برای تشخیص وقایع پیرامون خود باشد. طی سال‌ها عصب‌شناسان و روانشناسان تلاش کردند که بفهمند مغز بشر چگونه کار می‌کند. این تلاش منجر به ایجاد هوش مصنوعی شد (منهاج، ۱۳۷۹).
زیست شناسان، شبکه‌های عصبی بیولوژیکی^[۲۶] را طی سالیان متمادی مطالعه کرده‌اند که مغز انسان، نمونه‌ای از این شبکه‌هاست. دستیابی به روش کار مغز، تلاش بی‌وقفه‌ای بوده است که بیش از ۲۰۰۰ سال پیش، توسط ارسطو^[۲۷] و هرکلیتوس^[۲۸] آغاز شد و با تحقیقات دانشمندان دیگری چون رامنی کاجال^[۲۹]، کلکلی^[۳۰] و هب^[۳۱] ادامه داشته است. با درک هر چه‌بهتر مغز قادر خواهیم بود آن را شبیه‌سازی نموده و یک «ماشین متفکر» بسازیم. مغز قادر است برای شناسایی الگوها و تفکیک الگوهای ناقص آموزش ببیند. بعلاوه مغز با از دست دادن برخی از نر ون‌های^[۳۲] خود عملکردش را از دست نخواهد داد. با جمع‌ آوری اطلاعات مربوط به مغز، فناوری جدیدی پدیدار گشت و تحقیقات درزمینهٔ شبکه‌های عصبی مصنوعی^[۳۳] آغاز شد.( استماتیوس، جورابیان، ۱۳۸۴)
در حقیقت، شبکه‌ عصبی مصنوعی یک مدل محاسباتی انتزاعی از مغز انسان است. مغز انسان واحد اندازه‌گیری کوچک دارد که درون نامیده می‌شود. این نر ون‌ها به‌طور تخمینی با ارتباط، به یکدیگر مرتبط می‌شوند. همانند مغز، یک شبکه‌ عصبی مصنوعی مشتمل بر نر ون‌های مصنوعی (واحدهای پردازش) و رابط‌ها یا اتصالات است. یک شبکه عصبی، همان‌طور که از نام آن بر‌می‌آید، یک ساختار شبکه‌ای شامل یک تعداد گره مرتبط با رابط‌های مستقیم است. هر گره یک واحد پردازش را نمایش می‌دهد و رابط‌ بین گره‌ها ارتباطی منطقی رابین گره‌های مرتبط تعین می‌کند. باوجود تعاریف مختلفی که برای مفهوم شبکه‌ عصبی مصنوعی وجود دارد، در ادامه به یک تعریفی می‌پردازیم که در آن شبکه‌ عصبی مصنوعی به‌عنوان یک ماشین مشخص‌شده در نظر گرفته می‌شود:
یک شبکه عصبی مصنوعی یک پردازشگر توزیعی موازی و حجیم است که از واحدهای ساده پردازش تشکیل‌شده است. این شبکه قابلیت یادگیری از دانش تجربی ارائه‌شده درون واحدی را دارد و می‌تواند چنین دانش موجودی برای استفاده را ایجاد کند.
واضح است که یک شبکه عصبی مصنوعی، قدرت محاسباتی‌اش را در ابتدا از ساختار توزیعی موازی حجیم و در مرحله دوم، از توانایی‌ آن برای یادگیری و درنتیجه برای تعمیم اخذ می‌کند. تعمیم سازی به خروجی‌های معقول تولیدی شبکه‌ عصبی مصنوعی برای ورودی‌های جدید که در طی یک فرایند یادگیری حاصل نمی‌شوند، اشاره دارد. از مزایا و ویژگی‌های شبکه‌های عصبی می‌توان موارد زیر را نام برد: (استماتیوس، جورابیان، ۱۳۸۴)
یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده‌شده به آن و یا تجارب اولیه انجام دهد؛ درواقع اصلاح شبکه را گویند.
خودسازمان‌دهی: یک شبکه عصبی مصنوعی به‌صورت خودکار سازمان‌دهی و ارائه داده‌هایی که در طول آموزش دریافت کرده را انجام می‌دهد. نر ون‌ها باقاعدۀ یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.
عملگرهای بی‌درنگ: محاسبات در شبکه عصبی مصنوعی می‌تواند به‌صورت موازی و به‌وسیله سخت‌افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است، انجام شود.
تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن باوجود مشکلات بزرگ همچنان حفظ می‌شود.
دسته‌بندی: شبکه‌های عصبی قادر به دسته‌بندی ورودی‌ها بر ای دریافت خروجی مناسب می‌باشند.
تعمیم دهی: این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته‌ها را به موارد مشاهده‌شده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی‌نهایت واقعیت‌ها و روابط را به خاطر بسپارد.
پایداری- انعطاف‌پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد. (استماتیوس، جورابیان، ۱۳۸۴)
۲-۱۸-۱٫ مدل نرون مصنوعی
نرون مصنوعی یک واحد پردازش اطلاعات است که شالوده عمل یک شبکه عصبی مصنوعی می­باشد. شکل ۲-۱ نشان می‌دهد که یک نرون مصنوعی شامل سه عنصر اساسی است:
شکل ۲-۱ مدل نرون مصنوعی
مجموعه‌ای از رابط‌ها و اتصالات وابسته به ورودی‌های مختلف x_i­ ­(یا سیناپس) هر یک نیرو یا قدرت w_ki­ مشخص می‌شوند. اندیس اول به نرون موردنظر برمی‌گردد و اندیس دوم به ورودی سیناپسی که به نیرو برمی‌گردد، مربوط می­ شود. به‌طورکلی، نیروی یک نرون مصنوعی ممکن است در دامنه‌ای که شامل مقادیر منفی علاوه بر مثبت است، باشد.
یک جمع کننده برای جمع سیگنال‌های ورودی x_i­ که توسط نیروهای w_ki­ سیناپسی وزن‌دار می‌شود، مورداستفاده قرار می‌گیرد. عمل توصیف‌شده در اینجا متشکل از یک ترکیب‌کننده خطی است.
تابع فعال‌سازی f برای محدود کردن دامنه خروجی y_k از یک نرون.
مدل ارائه‌شده در شکل ۲-۱ همچنین شامل انحراف از معیار اعمال‌شده خارجی، یعنی b_k است. اینکه انحراف از معیار، مثبت یا منفی باشد اثر افزایش یا کاهشی ورودی شبکه تابع فعال‌سازی را دارد. در اصطلاحات ریاضیاتی، یک درون مصنوعی، یک مدل انتزاعی از یک نرون طبیعی است و قابلیت‌های پردازشی آن با بهره گرفتن از نشانه زیر تعمیم می‌گردد. اولاً چندین ورودی x_i وجود دارد به‌نحوی‌که i=1,…,m است. هر ورودی x_i با وزن متناظر w_ki ضرب می‌شود که k اندیس یک نورون معین در یک شبکه عصبی است. وزن‌ها، مشابه نیروهای سیناپسی زیستی در یک نورون طبیعی می‌باشند. مجموع حاصل‌ضرب‌های وزنی x_iw_ki به ازای i=1,…,m معمولاً به‌عنوان شبکه در واژگان شبکه عصبی مصنوعی معرفی می‌شود.

با بهره گرفتن از نشانه‌گذاری انتخاب‌شده برای w_k0 = b_k و ورودی­های پیش‌فرض x₀=1 یک نسخه جدید یکنواخت از مجموعه شبکه به‌صورت زیر خواهد بود:

حاصل جمع مشابه می‌تواند با علامت برداری به‌عنوان تولید عددی از دو بردار m بُعدی بیان شود: