یکی از موضوعات مهم از دیدگاه اقتصاددانان و محققان بازارهای مالی ارزیابی حافظه ی بلند مدت است. در بررسی حافظه ی بلند مدت، توجه به شکست های ساختاری (تغییرات ساختاری) دارای اهمیت است. تغییرات ساختاری، تغییراتی می باشند که بر اثر عوامل مختلفی همچون شوک ها به ساختار سری وارد شده و آن را تا حدودی دستخوش تغییراتی می کنند. با نادیده گرفتن تغییرات ساختاری یک سری ممکن است نتایج غیر واقعی در زمینه ی وجود حافظه ی بلند مدت استخراج شود. در این رساله، به بررسی و مدل بندی حافظه ی بلند مدت در داده های سری زمانی تعدادی از نرخ های ارز در بازار ایران پراختیم. به طور خاص در صورت وجود حافظه ی بلند مدت، از مدل خودبازگشتی میانگین متحرک انباشته ی کسری و مدل خودبازگشتی واریانس ناهمگن شرطی تعمیم یافته ی انباشته ی کسری برای مدل بندی آن استفاده کردیم. با توجه به اینکه در داده ها پدیده ی بیش کشیدگی نیز وجود داشت، مدل خودبازگشتی واریانس ناهمگن شرطی تعمیم یافته ی انباشته ی کسری با توزیع خطای نرمال مناسب نمی باشد. به طور خاص از مدل خودبازگشتی واریانس ناهمگن شرطی تعمیم یافته ی انباشته ی کسری با توزیع خطای تی– استیودنت و توزیع خطای نرمال معکوس گوسین استفاده و نتایج حاصل از هر مدل مورد بررسی قرار دادیم. نتایج نشان می دهد که مدل خودبازگشتی واریانس ناهمگن شرطی تعمیم یافته ی انباشته ی کسری با توزیع خطای نرمال معکوس گوسین در کنترل و شناسایی بیش کشیدگی داده ها بهتر عمل کرده است. علاوه بر این امکان وجود تغییرات ساختاری در واریانس غیر شرطی داده ها را با استفاده از الگوریتم icss در نظر گرفته و مجددا به بررسی ویژگی حافظه ی بلند مدت در داده ها و صحت نتایج بدست آمده ی قبلی پرداختیم.