پیش بینی از ابزارها و راهکارهای موثر به منظور برنامه ریزی و تدوین روش های مالی است. دقت پیش بینی از مهم ترین عوامل موثر در انتخاب روش پیش بینی است. امروزه با وجود روش های متعدد پیش بینی، هنوز پیش بینی دقیق نرخ ارز کار چندان ساده ای نیست و اکثر محققان درصدد به کارگیری و ترکیب روش های متفاوت به منظور دستیابی به نتایج دقیق تر هستند. الگوهای خودرگرسیون میانگین متحرک انباشته یکی از مهم ترین و پرکاربردترین الگوهای سری های زمانی هستند. مهم ترین محدودیت آن ها پیش فرض خطی بودن الگو است. شبکه های عصبی مصنوعی از جمله مهم ترین و دقیق ترین روش های حال حاضر جهت الگو سازی غیرخطی داده ها هستند. اما با وجود تمامی مزیت های شبکه های عصبی، این گونه از شبکه ها را نمی توان در تمامی موارد و به عنوان یک الگوی کلی که برای همه موارد مناسب باشند، درنظرگرفت. الگوی رگرسیون فازی یک الگوی مناسب در شرایط پیش بینی با داده های کم است. امّا عملکرد آن ها در حالت کلی چندان رضایت بخش نیست. بنابراین، در پژوهش حاضر از شبکه های عصبی مصنوعی و رگرسیون فازی به ترتیب به منظور حذف محدودیت های خطی و تعداد داده های مورد نیاز در روش خودرگرسیون میانگین متحرک انباشته و بهبود نتایج حاصل، استفاده شده است. اطلاعات استفاده شده در این پژوهش شامل 115 داده ی هفتگی نرخ ارز (دلار ایالات متحده در مقابل ریال ایران) از تاریخ 12/01/1391 تا 21/03/1393 است. در پژوهش حاضر به منظور اندازه گیری عملکرد پیش بینی الگوی ارایه شده از شاخص های مختلفی مانند میانگین مطلق خطا (mae)، میانگین مربع خطا (mse)، مجموع مربع خطا (sse)، ریشه میانگین مربع خطا (rmse)، میانگین درصد مطلق خطا (mape) و میانگین خطا (me) استفاده شده است. نتایج نشان می دهد که الگوی هوش محاسباتی ترکیبی نسبت به سایر الگوها نتایج دقیق تری در پیش بینی نرخ ارز (دلار در مقابل ریال) ارایه می دهد.