股票市场具有高收益和高风险并存的特性,关于股市分析和预测的研究一直被人们所重视。但股市受到政治、经济等多方面因素的影响,其内部规律非常复杂,导致众多传统预测方法并不理想。近年来,人工神经网络的迅速发展为股票市场的建模和预测提供了新的技术和方法。人工神经网络是一门非线性科学,它具有很强的容错性、自适应性和非线性的映射能力,克服了传统人工智能方法在信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到了成功的应用。本文旨在分析股市的特征,把握其变化规律,做出较好的预测,为股票市场管理者调控股市、投资者制定投资策略和政府部门规范股市的发展提供可靠依据。BP网络是一种多层前馈神经网络,能够完成复杂的非线性映射。但它的弱点是收敛速度较慢,网络极易陷入局部极值点,并且初始权值、阈值以及网络结构的选择缺乏依据,具有很大的随机性,这些都影响了BP神经网络的泛化能力。论文详细介绍了动量法与学习率自适应调整法,探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定等问题。为了避免网络陷入局部最小点和提高网络的收敛速度,本文提出由遗传算法优化神经网络的GA-BP算法。优化BP神经网络的初始权值、阈值,确定一个较好的搜索空间,代替随机选取的初始权值、阈值,然后在这个解空间里对网络进行训练、学习至收敛,搜索出最优解。RBF神经网络是一种新颖有效的前馈式神经网络,它具有最佳逼近的性能和全局最优的特性,并且结构简单,训练速度快。因此,其在股票预测中有其独特的优势。在RBF神经网络中,隐层中心的数量和位置的选择是整个网络性能的关键,直接影晌网络的逼近能力。GRNN是RBF神经网络的一个分支,网络输入层节点只传递输入信号到隐层,隐层节点由像高斯函数那样的辐射状作用函数构成,输出层节点通常是简单的线性函数。其获取数据之间关系的方法,不同于插值和拟和,能在同一结构下直接以采样或计算得来的数据对网络进行修改,不需要重新计算参数。所以,GRNN具有计算速度快,结果稳定,人为选定的参数少等特点。这也决定了GRNN以最大限度地避免人为主观假定对预测结果的影响。本文介绍了现有的各种股市预测方法以及神经网络的结构和算法,选取最具代表性的上证指数和个股啤酒花,分别用BP网络、GA-BP网络、RBF网络和GRNN四种模型进行了滚动预测。数值试验结果表明,预测值与实际值基本吻合,神经网络用于股票市场的预测是可行和有效的,有着良好的前景。