این مطالعه برای پیش‌بینی بازدهی شاخص قیمت و بازده نقدی بورس اوراق بهادار تهران، آشوب را تحلیل و پیش‌بینی‌پذیری را بررسی کرده و نیز عملکرد انواع مدل های شبکۀ عصبی را با کمک داده‌های تجزیه‌شده با روش موجک ارزیابی کرده است. به‌همین منظور، از داده های سری‌زمانی روزانه و سری بازدهی شاخص قیمت و بازده نقدی بورس طی دورۀ زمانی ۵ فروردین ۱۳۸۸ تا ۱۸ اردیبهشت ۱۳۹۱ استفاده شده است. براساس نتایج این مطالعه، سری بازدهی بورس در دورۀ بررسی‌شده، پیش‌بینی‌پذیر بوده و آثار غیرخطی معیّن و آشوبی داشته است. همچنین برطبق معکوس آمارۀ حداکثر نمای لیاپانوف، تعداد روز‌های پیش‌بینی‌پذیر در این مطالعه، ۳۱ روز به‌دست آمد. یافتۀ دیگر این پژوهش نیز به برتری عملکرد مدل های شبکۀ عصبی چندلایۀ پیش‌خور ( MFNN ) و شبکۀ عصبی فازی ( ANFIS ) مبتنی‌بر داده های تجزیه‌شده به کمک تجزیۀ موجک در مقابل به‌کارگیری سطح داده‌ها دلالت دارد. دراین‌بین نیز برتری با مدل شبکۀ عصبی چندلایۀ پیش‌خور بوده است.
Naderi E, Abbasi-Nejad H. Chaos Analysis, Wavelet Decomposition and the Performance of Neural Network Models in Forecasting Tehran Stock Exchange Index. Journal title 2012; 2 (8) :119-140 URL: http://jfm.khu.ac.ir/article-1-508-fa.html
نادری اسماعیل، عباسی نژاد حسین. تحلیل آشوب، تجزیۀ موجک و شبکۀ عصبی در پیش‌بینی شاخص بورس تهران. عنوان نشریه. 1391; 2 (8) :119-140
