امروزه یکی از مهمترین موضوعات مورد علاقه اقتصاددانان و تحلیل گران مالی، تبیین چگونگی و روند نوسانات قیمت ها ست که راه های متفاوت و دیدگاه های گوناگونی را در این باره پدید آورده است. در این میان، با توجه به در دسترس نبودن اطلاعات دقیق درباره عوامل موثر بر نوسانات بازار سهام، پیش بینی این تغییرات به سادگی میسر نیست. تغییر درجه تأثیر متغیرها با زمان بر روی شاخص ها و یکدیگر، وجود متغیرهای سیاسی داخلی و جهانی که تأثیر مستقیم بر سیستم های اقتصادی دارد چالش اساسی در مدل سازی بازار بورس است. طراحی ماشین هایی با توانایی فراگیری و تجربه آموزی مدت ها یکی از بحث های مهم علوم تحقیق بود تا سرانجام با ظهور کامپیوتر های قدرتمند در این راه گام های مثبتی برداشته شد. در ادامه اثبات گردید که این ماشین ها توانایی بالایی جهت فراگیری داده ها دارند و می توانند پس از فراگیری داده های آموزشی، نتایج قابل قبولی را ارائه نمایند. ماشین برداری در اوایل دهه 90 معرفی شد و پس از آن به عنوان روشی نیرومند در حل مسائل طبقه بندی غیر خطی و رگرسیون مورد استفاده قرار گرفت. بر طبق نظریه محققین دلیل موفقیت این روش را می توان در قدرت بالای تعمیم دادن مسائل و توانمندی در مقابله با نویز ها و کمبود داده ها دانست. در همین راستا هدف از مبحث حاضر، معرفی روشی جدید و قدرتمند در شناسایی الگو تحت عنوان ماشین های برداری پشتیان است که از ترکیب بهینه سازی، آموزه های آماری و هسته های کرنل بهره می جوید. پس از تحقیق در شاخص های بازار بورس، تغییرات قیمت سهام شرکت سرمایه گذاری البـرز در سـال های 1387 و 1388 به عنوان متغیر وابسته و 14 متغیر اقتصادی و بازار سهام به عنوان متغیرهای مستقل تشخیص داده شدند. پس از نرمال سازی، مدل سازی به کمک ماشین های برداری صورت گرفت. عملکرد کرنل های مختلف و پارامترهای مدل نیز مورد آزمون قرار گرفتند و مدل بهینه استخراج گردید. در انتها شبکه های عصبی رگرسیون مختصر توضیح داده شده و بر روی داده ها مدل شد که نتایج حاصل از ماشین برداری خطای کمتری داشت.