پیش بینی و آگاهی از آینده به منظور برنامه ریزی و تدوین استراتژی های اقتصادی بر کسی پوشیده نیست. دقت پیش بینی ها یکی از مهم ترین فاکتورهای موثر در انتخاب نوع روش پیش بینی است.روش های کمی،ازجمله مهم ترین روش های پیش بینی موجود می باشد که بر اساس تجزیه وتحلیل های مربوط به مقادیر گذشته خود متغیر وابسته و یا متغیرهای مستقل موثر بر متغیر وابسته عمل می کنند. شاخص های قیمت سهام هم یکی از متغیرهای موثر در سیستم های اقتصادی بوده که این سری های زمانی بسیار پیچیده، معمولاً تصادفی و درنتیجه تغییرات آن ها غیرقابل پیش بینی فرض می شود. زیرا از آزمون هایی بهره گرفته شده است که در مواجهه با داده های آشوبی به اشتباه افتاده و آن ها را داده های تصادفی تشخیص داده اند، درحالی که این داده ها درواقع از سیستم هایی معین به وجود می آیند که با اختلالاتی جزئی همراه می باشند. عدم کارایی مدل های خطی ( که بر اساس تئوری های اقتصادسنجی استوار است)در ارائه پیش بینی های مناسب در کوتاه مدت (به ویژه در بازارهای بورس)، توجه اقتصاددانان را به رویکردهای جدیدی معطوف کرد که علاوه بر تشخیص ساختار سری های زمانی، بتواند پیش بینی های دقیق تری را بر اساس مدل های غیرخطی دینامیکی در سیستم های آشوبناک معین ارائه نمایند. به همین جهت آزمون های پیش بینی پذیری و غیرخطی جهت بررسی وجود روند آشوبی معین و فرآیندهای غیرخطی در سری زمانی شاخص روزانه سهام بازار اوراق بهادار تهران در بازه زمانی 8/4/1387 تا 10/7/1392 مورداستفاده قرارگرفته اند که ازجمله می توان به آزمون هایhurst،bds، تسلسل و ...اشاره نمود. نتایج آزمون ها حاکی از آن بود که آزمون تسلسل غیر تصادفی بودن شاخص قیمت سهام را تأیید کرد.آزمون هارست نیز دلالت بر یک سری زمانی دوام دار با حافظه بسیار طولانی را داشت.نتایج حاصل از آزمون های bds ، تسای و اندرسون-دارلینگ بیان کننده این بود که شاخص قیمت سهام از فرآیند غیرخطی تبعیت می کند.آزمون های مستقل بودن کوکران و استقلال chowdenning هم، همبستگی بین مشاهدات را مورد آزمون قراردادند که نتایج حاصل دال بر وجود همبستگی بین متغیرها بود و در ادامه آزمون های دوره ای تجمعی و آزمون تعدیل شده west cho مبنی بر آزمودن فرآیند آشوبی متغیر شاخص قیمت سهام صورت گرفت که نتایج هر دو آزمون، آشوبی بودن فرآیند را مورد تأیید قراردادند. به منظور پیش بینی شاخص قیمت سهام در دوره های آتی، مدل های arfima ،figarch ،lstar و estar تخمین زده شد. در بین مدل هایی که به بررسی وجود حافظه بلندمدت در متغیر شاخص قیمت سهام پرداخته اند مدل figarch که هم حافظه بلندمدت متغیر و هم واریانس و تغییرات متغیر را مدل سازی کرده است دارای قدرت بیشتری در پیش بینی بود و در میان مدل های غیرخطی مدل estar دارای قدرت پیش بینی بالاتری بود.