本文采用样本内预测准则(In-sample forecasting criterion)，应用人工神经网络技术（artificial neural networks，ANN）追踪标准500ETF-SPDR(SPY)历史数据，即标准普尔500指数（S&P500）。实验发现，与传统的统计模型相比，无论是在短期间隔(6个月)或长期间隔(5年)上，使用人工神经网络技术预测的结果更加准确。比起早期的预测方法如使用Box-Jenkins方法（ARIMA模型）而言，如果增加更多的预测指标(例如股票的开盘价、盘中交易高价、低价和收盘价)，神经网络技术能够更加准确地预测未来的收盘价！这是一个重大改进。然而，用于时间序列预测的整合移动平均自回归模型（Autoregressive Integrated Moving Average model，ARIMA）似乎比简单的机器学习(Machine Learning,ML)线性回归算法(一种没有考虑时间因素的线性方法)表现得更好。本文还证明了人工神经网络，由于没有假设约束，在一般情况下更有效率。但是，研究人员在使用这种技术时必须小心。如果使用不当，这种技术会产生过度拟合（overfitting）,这是深度机器学习技术的更大缺点之一。本文研究发现人工神经网络技术不需要使用的复杂指标，否则会产生令费解的结果。这项研究的主要目的不是为了证明统计模型在股票市场上已经过时，而是为了展示新技术对传统的预测股票市场的观点所带来的典型变化。本文分析了传统方法(arima模型)和新技术方法(机器线性建模和人工神经网络)对股票市场数据进行样本内预测的不同之处。不同方法的性能测试都是使用相同的数据进行的，但本文发现机器学习方法的性能主要取决于两个重要变量:基于计量经济学预测准则选择的算法和可用数据量。最后，为了检验计量经济学模型和人工神经网络之间的真正差异，本研究将尝试在没有任何复杂技术指标的情况下描述它们的差异，而复杂的指标往往会产生令人不解的结果。