股票市场是一个极其复杂的非线性动力学系统,而神经网络具有很强的非线性逼近能力和自学习、自适应等特性,实验证明,利用神经网络对股市建模可以取得比较不错的短期预测成果。本文分析了基于BP网络进行股市预测的原理,利用三层前馈神经网络对股市建立预测模型,详细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,算法采用改进后的Levenberg-Marquardt法BP算法。本文以最具代表性的上证指数为例对所建的预测模型进行训练,并用训练好的网络预测未来1周的股票数据,取得了很好的效果。根据股票市场高度非线性特点及基本BP算法在权值调整过程中存在的收敛速度慢、易陷入局部极小点的缺点,本文用遗传BP算法,研究了股市预测的问题。遗传BP算法利用遗传算法进行全局搜索,注重搜索未知区域,处理速度快而对精度要求不高,不易陷入局部极小点,而利用BP算法搜索有最优点的区域,提高搜索速度和精度。理论分析和实验结果表明,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。本文也表明了遗传神经网络算法对提高网络收敛速度和可靠性没有显著的作用,虽然其对于BP网络权值、阀值的优化可以提高训练精度,但无助于预测效果。通过大量的股市预测实验,本文研究了各种参数对于预测结果的影响,并提出了改进的方向。