近年来,随着国家经济体制改革和金融体制完善的不断深入,股票投资已然成为了社会生活的重要组成部分。人们热衷于研究股市的价格波动,显然对于股票价格的预测已经成为了投资者们所关注的重点。但是,随着深入了解股市的特性不难发现,股市本身就是一个难以处理的非线性系统,不只其系统内部有大量因素相互影响,而且极易受外界坏境干扰,致使股票的价格波动呈现明显的非线性,难以进行精确预测。因此,怎样构建一个高效且精确的股价预测模型,对于金融投资者具有明显的理论意义和实际应用价值。在此,本文深入研究现有的多种股票预测方案,针对目前存在的问题,通过粗糙集(Rough Set)出色的属性约简能力来消除算法模型输入数据的冗余信息,再利用动态模糊神经网络(Dynamic Fuzzy Neural Network)适用于对非线性系统进行预测分析的特性,将二者有机的结合起来,提出了一种更为适合现状的动态模糊神经网络RS-DFNN股价预测模型,并根据预测结果优化算法模型结构。在实例分析阶段,选择苏宁易购、华夏幸福等多家公司的股市数据构建输入数据集,然后对收集到的信息进行特征提取,再通过粗糙集理论中的基于遗传算法优化的属性约简算法开展约简去除冗余数据,接着用得到的属性作为动态模糊神经网络的输入进行训练预测,并通过多种预测算法结果对比,验证本文构建模型的有效性和精确性。其次,在模型性能指标的设置上本文不只是考虑了股价数值上的误差,还加入了方向命中率与拐点预测的概念来验证模型对股价趋势走向的预测能力。为此,在数据预处理上就以股价升降方向作为决策属性构建决策表,再通过RS筛选与之关联度较高的核心指标来提高后续实验中方向预测的准确性。并且,本文还设置了多种常规算法与优化预测模型对比RS-DFNN模型,更为直观的展示了本文方法的有效性,说明了其在实际操作中能为股票的多重选择进行推荐,以降低投资者所要面临的风险,有着较高的实用性。