پیش بینی نرخ ارز، همواره به عنوان یکی از موضوعات مورد علاقه فعالان اقتصادی و دانشگاهی بوده است. توان پیش بینی دقیق نرخ ارز، می تواند سود قابل توجهی را نصیب شرکت ها و معامله گران کند. اما نوسان زیاد نرخ ها به دلایلی چون تعدد پارامترهای دخیل در بازار، این کار را بسیار پیچیده و پرخطر کرده است. تاکنون روش های متنوعی از جمله تکنیک ها و فاکتورهای اقتصادی و روش های الگویابی در نرخ های گذشته برای این منظور مورد استفاده قرار گرفته اند. یکی از روش ها که در دو دهه اخیر به دلیل کسب موفقیت های بسیار در این زمینه مورد توجه قرار گرفته است، استفاده از محاسبات نرم می باشد. در این تحقیق، یک سیستم فازی- عصبی ترکیبی بر مبنای خوشه بندی c-means فازی نوع دوم بازه ای، شبکه های عصبی پرسپترون چند لایه و مدل فازی نوع دوم بازه ای برای پیش بینی بازار پر نوسان نرخ ارز forex پیشنهاد شده است. توان بالای شبکه های عصبی در یادگیری و تطابق با محیط و همین طور قابلیت سیستم های فازی در تشخیص عدم قطعیت موجود، این ترکیب را به ترکیبی مناسب برای چنین محیط پیچیده و پر نوسانی تبدیل کرده است. جهت کسب همگرایی سریعتر در فرآیند یادگیری، از ترکیب bp و rprop جهت بهینه سازی پارامترها استفاده شده است. دو نرخ ارز eurusd و usdchf از بازار forex جهت آزمایشات مورد استفاده قرار گرفته اند. سرعت همگرایی و دقت پیش بینی در مورد مدل بررسی شده است. همچنین این مدل با معادل فازی نوع اول خود به همراه خوشه بندی c-means فازی نوع اول و همچنین سیستم فازی- عصبی مبتنی بر flann مورد مقایسه قرار گرفته است. کارایی مدل پیشنهادی در هر دو زمینه سرعت همگرایی و دقت پیش بینی به وضوح قابل مشاهده است.