本文针对股票市场这一复杂的非线性动力学系统，着重分析了一种基于遗传算法和递归神经网络(GA-Elman)的股价预测模型，将历史数据作为网络的学习样本，找出股价趋势发展的内在规律，并通过仿真实验验证了GA-Elman 神经网络模型对股市预测效果。 论文主要工作包括：首先，对GA-Elman模型的输入因子进行选择，综合考虑影响股票价格的各个因素，进行分析从而选择了几组有效的数据（开盘价、成交量、成交金额、涨跌幅、最高价、最低价）作为输入数据；其次，采用实数编码的遗传算法，选择过程通过最佳保留方法，通过相邻染色体算术交叉算子和非均匀变异方法，利用精英保留策略，确定GA-Elman 神经网络的网络结构和权值；再次，利用GA-Elman 递归神经网络结构和权值建立预测模型；最后，本文主要选取了几十只股票的350个交易日的数据，每只股票选取其中70％的数据作为训练数据，30％的数据作为测试数据，进行仿真实验，并将其和GA-BP模型预测结果进行比较，在迭代次数为2500 次时，西飞国际、四川金顶和中国铝业股票的最大绝对误差预测精度分别提高了50.59％、59.86％和25.65％；最小绝对误差预测精度分别提高了85.76％、70、56％和88.45％；平均绝对误差预测精度分别提高了31.61％、72.05％和62.3％。因此，GA-Elman 神经网络预测模型对于短期的股票价格预测效果较为明显。