Los precios futuros de los índices se consideran un tema crítico para cualquier trader e inversor. En la literatura, se han desarrollado varios modelos para pronosticar los precios de los índices. Por ejemplo, el modelo de movimiento browniano geométrico (GBM) es una de las herramientas más populares. Este trabajo examinó cuatro tipos de modelos GBM en términos de la presencia de memoria y el tipo de estimaciones de volatilidad. Estos modelos incluyen el modelo GBM clásico con suposiciones de volatilidad constante y sin memoria, el modelo SVGBM con suposiciones de volatilidad estocástica y sin memoria, el modelo GFBM con memoria y suposiciones de volatilidad constante, y el modelo SVGFBM con memoria y suposiciones de volatilidad estocástica. En este estudio, se utilizaron estos modelos en un estudio empírico para pronosticar el precio futuro del índice del sector energético en el Mercado de Valores de Arabia Saudita. La evaluación se llevó a cabo utilizando dos estándares de error, el error cuadrático medio (MSE) y el error porcentual absoluto medio (MAPE). Los resultados muestran que el modelo SVGFBM demuestra la mayor precisión, resultando en el menor MSE y MAPE, mientras que el modelo GBM fue el menos preciso de todos los modelos estudiados. Estos resultados afirman los beneficios de combinar suposiciones de memoria y volatilidad estocástica en el modelo GBM, lo cual también es respaldado por los hallazgos de numerosos estudios anteriores. Además, los hallazgos de este estudio muestran que los modelos GFBM son más precisos que los modelos GBM, independientemente del tipo de volatilidad. Además, bajo el mismo tipo de memoria, los modelos con una suposición de volatilidad estocástica son más precisos que los modelos correspondientes con una suposición de volatilidad constante. En general, todos los modelos considerados en este trabajo mostraron una alta precisión, con MAPE.