بهره گیری از هوش مصنوعی و روشهای هوشمند در انجام انواع تحلیل و تصمیم گیری روز به روز فراگیرتر می شود با افزایش قدرت پردازش کامپیوترهای مدرن شناسایی سیستمها از طریق روشهای یادگیری ماشین و تحلیل خروجیهای سیستم برای یادگیری مفاهیم حاکم بر آن نیز در همین راستا از به روز ترین دامنه های تحقیقاتی نوین است. تصمیم گیری از مهمترین و پرکاربردترین مسائل در تصمیم گیری صحیح پیش بینی رفتار آتی سیستم است. برای انجام یک پیش بینی درست ابتدا باید از پیش بینی پذیری سیستم اطمینان حاصل کرد. در این پایان نامه پس از اینکه پیش بینی پذیری خروجی های سیستم را از طریق آزمونهای هوشمند تضمین شد امکان بروز رفتارهای کاملا تصادفی منفی می گردد. از جمله مواردی که در تست های آماری سنجیده شده است تست استقلال، احتمال بازگشت به صفر، اولین بازگشت به صفر و آزمون bds است. به این معنی که احتمال بازگشت به صفر را در طول بازه ای بلند مدت بدست می آوریم و آنرا با نتایجی که در صورتی که سری قدم زدن تصادفی باشد مقایسه می کنیم. لذا به تحلیل قراریت از سویی و امکان آشوبناک بودن سیستم از سوی دیگر می پردازیم تا پاسخی برای علت پیش بینی پذیری بیابیم. سپس با بهره جستن از تحلیل مولفه های اصلی به جداسازی مولفه های ذخیل پرداخته با ساتفاده از شبکه های عصبی پیش بینی را انجام می دهیم. بهترنی نتیجه را شبکه های فازی عصبی محلی به دست می دهند. برای انجام یک یپیش بینی بهتر بازگشتی باید از میان رفتارهای گذشته سیستم موثرترین آنها را به عنوان ورودی های جدی برگزینیم. بدین منظور روشهایی مانند نزدیکترین همسایه نادرست و کاردینالیتی همسایگی مورد استفاده قرار گرفته است. چند نرخ برابری ارز رایج جهانی به عنوان شاخص های مهمی از اقتصاد کلان به عنوان بستر آزمایش الگوریتمها مورد استفاده قرار گرفته اند. نتایج حاصل غیر تصادفی و بالتبع تا حدودی معین بودن این سریهای زمانی را نشان می دهد و از سوی دیگر آزمونهای آشوب از حساسیت کم این سریها به شرایط اولیه خبر می دهند.