چکیده: امروزه استفاده از شبکه‌های عصبی در راستای پیش‌بینی‌هایی که قابلیت اتکای بالاتری داشته باشند، بسیار مورد توجه است. شبکه‌های عصبی بخشی از سیستم‌های هوشمند به شمار می‌روند که با پردازش داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل می‌کنند به همین دلیل به این سیستمها هوشمند گفته می‌شود. پیش‌بینی قیمت بورس نیز از زمینه‌های داغ در تحقیق و کاربرد شبکه‌های عصبی است. یک گام مهم در کاربرد شبکه عصبی، طراحی آن است. عموماً داده‌های موجود در پایگاه داده‌های پایه یا مخزن داده‌های شرکت‌ها انتخاب و تصحیح می‌شوند تا مجموعه داده‌های مناسب برای طراحی را ایجاد کنند. سپس انتخاب معماری شبکه‌های عصبی و طراحی داده‌های ورودی موضوعات مهم شبکه‌های عصبی مبتنی بر پیش‌بینی به حساب می‌آیند. در این مطالعه، یک روش غیرمتعارف برای پیش بینی سهام ارائه شده است که از یک شبکه عصبی بازگشتی برای تعیین سناریوهای "خرید" ، "فروش" و "نگهداری" از طریق تصاویر ساخته شده از نمودار سهام استفاده می‌کند. در این مدل، داده‌های سری زمانی به مجموعه‌ای از تصاویر تبدیل می‌شوند که از نمودارهای میله‌ای قیمت سهام تشکیل شده اند. هر تصویر تبدیل شده شامل قیمت سهام و زمان است. همچنین، هر تصویر حاوی اطلاعاتی به نمایندگی از 30 روز قیمت سهام است. هدف ما در این پژوهش برآورد و ارائه مدلی مناسب جهت پیش‌بینی قیمت بورس خام می‌باشد. در این راستا ابتدا به مدل‌سازی ساختار سری قیمت بورس بر اساس مدل غیرخطی مبتنی بر شبکه عصبی پرداختیم و سپس با تطبیق این روش با الگوریتم‌های درخت تصمیم و جنگل تصادفی بررسی مقایسه گونه‌ای برای آن‌ها انجام دادیم. نتایج حاکی از آن است که مدل پیاده‌سازی شده در طرح با توجه به ماهیت گزینه مورد بررسی (بورس) عملکرد قابل توجهی در صحت نسبت به مدل‌های دیگر و مدل پایه دارد. نهایتاً روش پیشنهادی، صحت طبقه‌بندی 4/90% را برای تشخیص وضعیت سهام، ارائه داده است.