در این پژوهش، با ترکیب روش های تحلیل مولفه های اصلی و مجموعه های راف، مدلی به منظور پیش بینی قیمت سهام ارایه شده است. به این منظور، با استفاده از داده های قیمتی شرکت ایران خودرو، ابتدا تعدادی از شاخص های تکنیکال محاسبه شدند. به منظور کاهش بعد ماتریس تصمیم، به روش تحلیل مولفه های اصلی، متغیرهایی جدید به گونه ای انتخاب شدند که حداکثر ویژگی های داده های اولیه حفظ شود. از این متغیرها در ماتریس تصمیم، به عنوان مولفه های شرطی استفاده می شود و متغیر تصمیم، نوسان قیمت سهم در روز بعد می باشد. داده ها به روش های مختلف گسسته سازی و به دو دسته یادگیری و کنترل تقسیم شدند. سپس با استفاده از تیوری مجموعه های راف بر روی داده های یادگیری، قواعد تصمیم استخراج و اعتبار آنها بر روی داده های کنترل، ارزیابی شد. نتایج به دست آمده از مدل ترکیبی با نتایج حاصل از مدل مجموعه های راف مقایسه شد. با بررسی ضرایب متغیرهای اولیه در عامل های جدید این موضوع مهم قابل نتیجه گیری است که با حفظ بخش عمده خواص داده های اولیه، پنج متغیر اولیه قابل کاهش به دو عامل جدید بوده و قابلیت نام گذاری دارند که این موضوع نقش مهمی در کاهش تعداد قواعد تصمیم و ملموس بودن استفاده از آنها دارد. درصد پیش بینی های صحیح قواعد استخراج شده از مدل ترکیبی نسبت به مدل رقیب یعنی مدل مجموعه های راف، بیشتر و تعداد قواعد کمتر می باشد. به منظور بررسی استحکام مدل، داده های بازه سال های 1398-1383 شرکت ایران خودرو و همچنین داده های سالیانه بانک صادرات ایران مورد بررسی قرار گرفتند که نتایج با یافته های قبلی مطابقت داشتند.