1. بررسی وضعیت داده‏ها از نقطه‏نظر نرمال بودن[۱۲۱] و ایستا بودن[۱۲۲] (نمودارهای SPAS و SAC)، با استفاده از آزمون آماری k-s [۱۲۳] و بررسی شکل داده‏ها؛

1. استفاده از تبدیل Box-Cox برای نرمال نمودن داده‏ها و تفاضل‏گیری برای ایستا نمودن داده‏ها؛

1. در بررسی ضرائب و نمودارهای خودهمبستگی و خودهمبستگی جزئی[۱۲۴] و مدل‏بندی آماری در این مطالعه با انجام مراحل فوق مدل‏بندی آماری ARIMA به دست‏آمده به صورت زیر است:

 
درواقع مدل‏بندی آماری به صورت (۱و۱و۱)ARIMA که پارامترهای ۱=P، ۱=q، ۱=d به دست آمده‏اند.
در برآورد مقدار تقاضای نفت اوپک با سه روش فوق، فقط سری زمانی تک‏متغیره مورد توجه قرار گرفته است ( کراشر، ۲۰۰۲)[۱۲۵].
پیش‏بینی سود سهام با رویکرد شبکه عصبی
در برآورد تقاضای نفت اوپک با رویکرد شبکه عصبی، از روش شبکه عصبی پس انتشار خطای انعطاف‏پذیر[۱۲۶](B.P) استفاده شده و پس از انجام نرمال‏سازی داده‏ها، آموزش داده‏ها صورت گرفته است(فراکلر،۲۰۰۲)[۱۲۷] .با تغییرات مداوم تعداد لایه‏ها و بخصوص با تغییرات تعداد نرون‏های لایه‏ی پنهان توپولوژی شبکه مورد بررسی قرار گرفت و نهایتاً بهترین معماری شبکه عصبی پس انتشار خطای سه‏لایه به صورت (۵*۱۵*۱) به دست آمده که لایه ورودی با ۵ متغیر ورودی، در لایه میانی (پنهان) با ۱۵ نرون و یک خروجی تقاضای نفت به دست آمده است (کلمنت،۲۰۰۲)[۱۲۸] . توابع لایه میانی تابع ریگموئیدی  و تابع فعال‏سازی (جمع‏کننده) تابع خطی[۱۲۹] در نظر گرفته شده است کاربرد آن در مدل‏های استفاده از روش B.P پیش‏بینی شبکه‏ی عصبی رایج است و در تحلیل‏های مالی – اقتصادی، این روش به طور مداوم مورد استفاده قرار گرفته، با توانایی پس‏خور خود بهترین برازش را ارائه می‏دهد (قاسمی، اسدپور و شاصادقی، ۱۳۸۰).
رویکرد ترکیبی در پیش‏بینی
در این سناریو ترکیب روش‏های پیش‏بینی فردی مورد توجه قرار گرفته است. روش‏های فردی تحلیل شده به صورت زیر معرفی می‏شوند:
روش هموارسازی نمایی ساده براون: xi1
هولت: xi2