در پژوهش حاضر چارچوبی متشکل از سه مدل ناهمسانی واریانس شرطی گارچ(garch)،شبکه عصبی مصنوعی-گارچ (nn-garch) و شبکه عصبی مصنوعی موجکی-گارچ (wnn-garch) به منظور پیش بینی نوسانات بازدهی شاخص کل بورس اوراق بهادار ارائه شده است.نتایج نشان می دهد که استفاده از شبکه عصبی مصنوعی پیشخور با الگوریتم پس انتشار برای تخمین مدل ناهمسانی واریانس شرطی گارچ به دلیل عدم نیاز این مدل به مفروضاتی همچون نوع تابع توزیع داده ها درکنار انعطاف پذیری بالای این شبکه ها در پردازش داده ها و انتخاب بهترین مدل باتوجه به میزان خطا،تا حد بسیار زیادی نتایج پیش بینی حاصل از مدل گارچ را بهبود می بخشد و همچنین انجام آنالیز موجک بر روی سری زمانی ورودی های شبکه عصبی مصنوعی به دلیل منعکس نمودن ویژگی نوسانات خوشه ای در داده های مالی می تواند تا حد قابل قبولی نتایج پیش بینی شبکه را ارتقا دهد.