股票市场自诞生以来,一直吸引着众多投资者和学者的目光,对股票价格走势的预测也始终是他们探寻的目标。然而影响股票价格的因素非常多,不仅包括公司内部因素,还有诸如政策等外部因素的影响,而且各因素的影响程度、方式等又不尽相同,这样使得股票的预测成为一项异常困难的工作。股票交易数据预测是一种时间序列预测,在股票市场这个极其复杂的系统中,它所具有的动荡性、非线性、高噪声等因素决定了股票预测的过程的复杂与困难,传统预测方法很难胜任,难以建立精确有效的数学模型。神经网络是一种很好的时间序列预测方法。BP网络是目前最常用的神经网络。由于BP网络具有逼近任意复杂连续函数关系的能力,而这些能力正是传统方法所不具有的,因此BP网络非常适用于对时间序列进行预测,在具体使用中,不需要对所分析的时间序列做任何假设,仅用一个BP网络来拟合该时间序列即可。因此,本文在对BP神经网络的结构及其算法的特点进行研究和分析的基础上,提出了一种基于灰色差值改进的BP算法,将其应用到股票预测中,并进行了有效地实证分析。采用基于GM(1,1)模型的BP算法对股票市场预测进行建模,通过样本的训练,寻求最优网络模型。用训练好的模型来进行股票预测,以上证指数数据为例,对其进行预测,用实例证明了改进的BP网络通过学习和训练,能拟合股票数据做出预测,基于GM(1,1)的灰色差值的改进BP神经网络的预测方法能够较为准确的预测出次日的收盘价格,与单纯的BP神经网络和传统的调整算法预测模型相比较,误差更小,变化的趋势基本上可以吻合,拟合的结果比较满意。