پیش بینی نرخ های ارز یکی از مسایل مهم مالی است که به خاطر مشکلات ذاتی و کاربردهای عملی آن توجه زیادی را به خود جلب کرده است. روش های تجزیه و تحلیل سری های زمانی به طور سنتی بر دو مفهوم مانایی و خطی بودن بنیان نهاده شده اند. اما در مواردی که پویایی سیستم ویژگی غیر خطی بالایی را نشان می دهد، عملکرد این مدل های سنتی عمدتا ضعیف می باشد. از طرف دیگر شبکه های عصبی مصنوعی و تبدیل موجک توانایی بالقوه خوبی برای پیش بینی سری های زمانی از خود نشان داده اند. از این رو در این مقاله روش پیش بینی ارایه می شود تا قدرت شبکه های عصبی و تبدیل موجک را با هم ترکیب می کند. در این روش نرخ های ارز اصلی که باید پیش بینی شوند، در ابتدا با استفاده از تکنیک موجک به مولفه های مقیاسی متفاوتی تجزیه می شوند. در مرحله بعد تکنیک شبکه های عصبی برای مدل بندی هر کدام از مولفه های سری های زمانی بکار گرفته می شود و پیش بینی نهایی سری های زمانی اصلی با ترکیب پیش بینی این مولفه ها بدست می آید. این روش برای پیش بینی یک و ده گام به جلوی نرخ های ارز روزانه بکار گرفته می شود. نتایج نشان می دهد که عملکرد این روش پیشنهادی در مقایسه با مدل شبکه عصبی و مدل ARIMA در پیش بینی ها از یک گام تا 5 گام به جلو بهتر است.
