Depuis une dizaine d'année, les réseaux de neurones artificiels habituellement utilisés en physique appliquée font leur entrée dans la finance en tant que méthode quantitative de prévision, à côté des méthodes statistiques classiques.

Pour ce qui est des séries chronologiques conjointes à deux ou plusieurs dimensions, il convient aussi de noter l'extraordinaire difficulté des équations à retard et des questions de non-linéarité ou même des
modèles à cassures. De plus, les modèles statistiques traditionnels incluent le plus souvent des fonctions de type continu, c'est-à-dire sans cassure soudaine dans la série chronologique, tandis que la courbe d'une action comporte bien souvent de nombreuses cassures abruptes tout au long de la période à analyser .
Il existe bien évidemment un certain nombre de méthodes utilisées par les praticiens, les méthodes de chartisme, les méthodes points et croix, etc., dont il est souvent difficile d'appréhender les justifications, en particulier celles probabilistes, nombre d'entre elles étant souvent contestées.

On constate également que la majorité des méthodes de prévision, dans les logiciels actuellement disponibles sur le marché, fournissent des résultats intéressants seulement lorsque la série chronologique à traiter est de type linéaire, c'est-à-dire :
y = a + Si=1..m bi xi , a = vecteur constant.

Nous verrons par la suite les potentiels des réseaux de neurones dans le traitement des caractères non-linéaires intrinsèques aux données à analyser. Les logiciels de prévision des marchés financiers comportent également un grand nombre de modèles non-linéaires avec des formules statistiques élaborées, et ces modèles ont pour objectif de détecter des 'patterns' (ou schémas) et des tendances cachées dans les séries chronologiques à analyser.
Il semble ainsi que certainesde ces méthodes non-linéaires ne parviennent guère qu'à faire se loger les données dans certains modèles statistiques, plutôt qu'à fournir des prévisions suffisamment fiables tenant compte de la nature réelle des données.
En d'autres mots, l'interprétation que l'on pourra faire à partir des données fournies sera souvent restreinte aux formules ou modèles statistiques retenus, ceci malgré le souhait de trouver une formule statistique convenable qui puisse refléter le mieux possible la nature fondamentale du problème
des données . Ce dernier objectif est bien souvent impossible à atteindre, ceci dû au manque de telles
formules statistiques et il faut alors avoir recours aux modèles
habituellement disponibles.