股票市场作为经济的“晴雨表”在我国经济中起着非常重要的作用,有效的股票预测在金融投资领域占有重要地位。但是股市受政策、经济、以及投资者心理等诸多复杂因素的影响,是一个高度复杂的非线性动态系统,具有典型的复杂不确定性的特点。神经网络具有很强的非线性逼近能力和自学习、自适应等特性,能自动从历史数据中提取有关经济活动的知识,因而非常适合用来解决股票预测领域中的一些问题,实验证明,利用神经网络对股市建模可以取得比较不错的短期预测效果。但是传统的神经网络存在学习速度慢、易陷入局部极小值,预测结果精度不高的缺点,针对这些缺点,本文将PSO(Particle Swarm Optimization)算法应用到BP(Back Propagation)神经网络的优化上,并对PSO算法进行优化,基于大量的实验,选择合适的BP神经网络优化算法。本文的工作包括:首先,分析了股票的可预测性,股票市场的影响,并对国内外相关技术的研究进展进行了综述。其次,建立了基于BP神经网络的股价预测模型,通过实验确定预测模型结构;结合股票市场规律,选择输入输出变量,通过历史数据挖掘股票市场潜在规律,,用以预测未来的走势。最后,针对BP算法的缺点,采用PSO算法优化BP神经网络,用PSO训练BP神经网络权值,加快BP网络的收敛速度;对比各种PSO优化算法,基于大量实验,选择合适的粒子群算法,建立基于PSO优化的BP神经网络预测模型。实验证明,带控制因子的非线性递减策略的粒子群算法在BP神经网络的优化方面取得了较好的效果。