در دو دهه گذشته، ارائه و بهبود مدل های پیش بینی با استفاده از سری زمانی مورد توجه بسیاری از محققین قرار گرفته است. در تجزیه و تحلیل سری های زمانی با استفاده از مدل های سنتی مانند armaکه بر دو فرض ایستایی و خطی بودن بنیان نهاده شده است، بعضا تردیدهایی ایجاد شده است. به همین دلیل پژوهشگران با روش های جایگزین مانند شبکه های عصبی مصنوعی سعی در بهبود نتایج پیش بینی ها دارند. پژوهش ضمن بررسی جامع ادبیات موضوع، به مروری بر پژوهش های انجام شده در مورد توانایی پیش بینی مدلهای خود توضیح میانگین متحرک انباشته (arima) و شبکه های عصبی مصنوعی (ann) سه رویکرد را مورد بررسی قرار می دهد: 1) پیش بینی شاخص قیمت سهام با رویکرد روش های کلاسیک 2) رویکرد هوش مصنوعی 3) رویکرد روش های بهبودیافته دو روش قبل. به این منظور ابتدا ارزیابی عملکرد یک روش کلاسیک یعنی arima و یک روش هوش مصنوعی یعنی شبکه عصبی انجام شده است. سپس سناریو سوم، یعنی طراحی مدل ترکیبی از arima و الگوریتم رقابت استعماری (ica-arima) و همچنین مدل ترکیبی از شبکه های عصبی و الگوریتم رقابت استعماری (ica-ann) مورد استفاده قرار گرفته، سپس مدل ها با استفاده از معیارهای ارزیابی عملکرد مورد مقایسه قرار گرفته اند. الگوریتم رقابت استعماری الگوریتم جدیدی در حوزه بهینه سازی هوشمند است که توجه محققین بسیاری را به خود جلب کرده است. این الگوریتم با مدلسازی ریاضی فرایند اجتماعی سیاسی موضوع استعمار، یک الگوریتم قوی و کارا در حوزه بهینه سازی ارائه می کند. در این پژوهش از نرم افزار matlab و eviews استفاده شده است و داده های مورد استفاده داده های روزانه شاخص قیمتی بورس اوراق بهادار تهران (tedpix) از فروردین ماه سال 1380 تا اسفند ماه سال 1391 می باشد. نتایج تحقیق نشان داده است که اولا مدل های شبکه عصبی نسبت به مدل های arima به نتایج بهتری در پیش بینی منجر می شود، ثانیا توانایی مدل های ترکیبی نسبت به مدل های معمول در امر پیش بینی سری زمانی بالاتر است. به عبارت دیگر مدل ica-arima نسبت به مدل arima و مدل ica-ann نسبت به مدل ann نتایج بهتری را به دست می دهد.