如何对股指进行预测,以及怎样才能使预测更为准确,已成为金融领域理论界长期以来的研究焦点。但是,由于股指的波动受到诸多因素的影响,尤其是受到一些不可量化的因素影响,因此,对股指的预测存在较大的难度。本文针对这个问题,主要做了如下的工作：首先,采用神经网络方法,将收盘指数这个单一指标分别代入BP神经网络和RBF神经网络,通过对比两者的预测精度,发现RBF神经网络的优化效果要略好于BP神经网络,但是两者的预测精度都不高,并发现神经网络具有计算速度慢、局部最优等缺陷,需要对其进行优化；其次,运用GA, PSO, AFSA三种智能算法对神经网络进行优化,然后用优化后的神经网络对上证综指进行预测,发现经过AFSA算法优化后的预测精度最高；第三,除了收盘指数,还有其他很多影响股指的因素,这些因素有可以量化的数量因素和不可量化的文本因素。运用数据挖掘技术,将影响股指波动的9大数量性技术指标一一带入预测模型,将表现不好的淘汰,表现较好的再进一步进行优化组合,直到寻找到一个预测精度最好的最优组合为止；最后,运用知识挖掘技术,将影响股指的非量化文本因素,包括政策性因素和心理因素,进行分级、归类处理,然后代入weka软件,利用REPTree分类器得到决策树IF-Then规则,根据IF-Then规则中得到的预测调整率对预测结果进行进一步优化,以使预测结果能够更为接近真实值。