تامین انتظار سهام داران و مشتریان و همچنین موفقیت در بازار کسب و کار نیازمند پیش بینی دقیق شاخص های اقتصادی می باشد. با این وجود، پیش بینی شاخص های اقتصادی به دلیل رفتار غیرخطی و ناایستایی این نوع شاخص ها، همواره به عنوان یکی از چالش برانگیزترین مسائل در سری های زمانی مطرح بوده است. در این تحقیق مدل هایی مبتنی بر ماشین بردار پشتیبان، نگاشت آشوبی و الگوریتم های بهینه سازی ژنتیک (ga)، گروه های ذرات (pso) و حشرات شب تاب (fa) ارائه شده است. مدل های ارائه شده دارای سه مرحله می باشد. در مرحله اول با استفاده از روش بازسازی فضای حالت، رفتار و دینامیک پنهان در ساختار شاخص استخراج می شود؛ در مرحله دوم، ماشین بردار پشتیبان بر اساس فضای بازسازی شده، آموزش دیده و بر روی داده های آزمایشی اعمال می گردد و در مرحله سوم بر اساس دو معیار خطای پیش بینی شامل میانگین مربعات خطا (mse) و میانگین درصد خطای مطلق (mape) ، پارامترهای مربوط به ساختار ماشین بردار پشتیبان با استفاده از الگوریتم های ژنتیک، ژنتیک آشوبی، گروه های ذرات، گروه های ذرات آشوبی، حشرات شب تاب و حشرات شب تاب آشوبی بهینه می گردد تا بهترین ساختار ممکن ماشین بردار پشتیبان، برای پیش بینی شاخص های اقتصادی آموزش ببیند. جهت نمایش توانایی این مدل ها، داده های مربوط به ارزش نهایی روزانه سهام سه شرکت اینتل، نشنال بنکشیرز و مایکروسافت از بازار بورس نسداک گردآوری شده و مدل های فوق به آن برازش داده شده است. همچنین برای مقایسه عملکرد مدل ها، پنج ساختار مختلف شبکه های عصبی نیز برای پیش بینی داده های فوق بکار گرفته شده است. نتایج نشان دهنده برتری این مدل ها نسبت به مدل های مبتنی بر شبکه های عصبی می باشد. در بین مدل های ارائه شده نیز مدل مبتنی بر ماشین بردار پشتیبان، نگاشت آشوبی و الگوریتم حشرات شب تاب بهترین عملکرد را دارد.