随着中国股票市场的发展,股票市场的投资活动逐渐变得频繁,股票市场逐渐成为证券市场中最活跃的市场,股票成为投资者们最热衷的投资产品。所以股票价格的预测成为了一项热门研究。有效的预测分析方法可以很好的帮助投资者制定投资策略,在增加收益的同时降低风险。股票市场是一个非常复杂的系统,但是它的内在规律具有一定的趋势性,而且受到经济政治等许多因素的影响,但就是如此股票市场这个系统的运动规律仍然是很难掌握的。许多的学者对股票市场进行研究,并且产生了许多的方法模型。传统的研究方法主要是基于数理统计理论的模型,先建立主观的数据序列模型,再对模型进行预测和研究,像时间序列等等模型在这方面有很多的应用,但是其预测精度无法达到人们的要求,事实上人们在研究中逐渐发现股票市场系统是一个复杂的非线性系统,传统的线性模型无法很好的逼近其内在规律,许多的学者开始研究股票的混沌性质,而且随着非线性算法的发展,许多学者开始使用神经网络,遗传算法等非线性算法对股票是场进行预测,各种基于非线性算法的股票预测模型被建立。本文将粒子群优化算法和bp神经网络进行了融合,利用粒子群算法对神经网络的连接权重和阈值的训练进行优化,讨论了各个参数的选取设定优化,建立了粒子群优化bp神经网络模型并将其用于股票预测的实证研究。通过对三种具有市场代表性的指数进行实证分析,以及将粒子群优化神经网络的预测效果与传统的单一bp神经网络预测效果进行对比分析,得到的结果表明粒子群算法能够有效的加强神经网络的预测能力,减小预测误差,提高训练速度；三大市场的预测结果都比较理想,说明了股票市场的可预测性；美国股票市场相对其他两种市场具有更强的预测性,规律性更强。