通过对股票价格可预测性的分析,本文提出利用BP神经网络方法预测中信证券和中国人寿两只股票在一段时间内的股价走势。在分析股市价格波动方面,传统的BP神经网络存在收敛速度慢,训练结果容易陷入局部极小值,从而导致训练不成功,预测精度低等问题,本文在经典算法的基础上加入动量项并结合变步长的优化算法进行了改进,并与传统算法在相同样本以及参数下,进行实验对比,验证本文所提优化的自适应算法训练效果更好。传统的单隐层BP神经网络理论上可以逼近任何函数,然而实际并非如此,因为如果在具体预测问题中没有使用恰当参数,极有可能导致预测误差巨大,甚至预测失败等问题。所以本文对隐层节点数,激励函数类型都做了大量的对比实验,从而确定选择隐层节点个数和激励函数类型。价值指标体现了上市公司的经营状况,技术指标总结了股市涨跌情况,通过价值指标能够预测企业未来发展趋势,而分析技术指标能够预测股价未来走势。考虑到这两种指标均能直接或者间接反映股市信息,因此本文决定结合两种指标作为模型的输入变量,并在第四章中对各类指标作了详细介绍与分析。综合所有指标反映的股市信息,最终选择3个价值指标和7个技术指标作为输入变量进行建模预测,同时与只选用7个技术指标作为模型输入变量的预测结果进行对比。结果显示结合式指标作为输入变量预测效果更佳。本文通过对比实验确定了15天的指标值作为模型输入变量,预测两只股票后1天以及30天的收盘价格,并对预测结果进行了分析。