股票作为证券市场的重要组成部分,其价格的变动牵动着众多股市参与者的心。如果能够成功预测股价的走向对众多股市参与者来说意义重大,对于投机者来说可以通过预测股价的涨跌方向并在多次买卖中获取短期利润,对于投资者来说预测股价的涨跌方向可以更好的判断市场的情况并制定相应的投资策略,对于风险管理来说预测股价的走向更有利于及时从不合理的股价运动中发现市场风险并提前做出相应的管控和调整。因此寻找有效方法预测股票的价格或涨跌成为金融界的重点关注的问题。虽然股票价格的预测问题意义重大,但其在金融领域中却是一个异常复杂的问题,这是因为股票价格的运动是很复杂的,并且被诸如政治事件、公司政策、一般经济环境、投资期望、机构投资者的选择以及投资心理学等等多种因素影响。这些原因造成了股票价格的运动走向是一个非线性的、复杂的并且混乱的系统。在这样的情况下就意味着简单的模型是不能解决股价预测问题的,而是需要寻找更为复杂的模型或方法来解决这个问题。虽然股价预测的难度非常大,但到目前为止股价预测已经发展出了多种解决方法,其中所使用的方法大体上分为证券业所使用的基本方法、传统统计方法、机器学习方法和其他方法。本文将从BP神经网络在沪深300指数价格预测中的应用出发,并讨论不同机器学习模型、数据量的提高和Relief特征选择算法是否有利于提高模型预测准确率。为了实现上述目的,本文的主要工作分为三个部分,第一部分将BP、RBF神经网络和SVM(支持向量机)应用于沪深300指数日频数据的涨跌预测以对比不同模型的预测能力;第二部分将BP神经网络分别应用于沪深300指数的日频数据和分钟频数据的涨跌预测验证增大数据量是否会提高模型预测能力;第三部分将Relief算法应用于BP、RBF神经网络和SVM的沪深300指数日频数据的涨跌预测验证Relief特征选择是否会提高模型的预测能力。实证各部分结果如下:第一部分显示SVM的预测能力高于RBF神经网络,RBF高于BP神经网络;第二部分显示数据量的增大会提高BP神经网络的预测能力;第三部分显示Relief算法在SVM(多项式核函数)上会一定程度上提高预测能力。