股票市场是一个复杂的非线性动态系统,利用传统的时间序列预测技术很难反映市场变化的多因素,非线性、时变性等特点。在分析考察传统预测分析方法的基础上,本文提出了一个由灰色理论和神经网络理论组合的预测系统,并针对系统性能的改善和提高进行了深入的研究。绪论简述了课题研究的内容和意义及其股票指数的研究现状,接着介绍了证券预测分析理论,总结回顾了股票指数常用的预测方法和研究现状及存在的问题。接下来介绍了灰色关联分析和灰色模型的基本知识,并分析比较灰色GM(1,1)模型、灰色新陈代谢模型,灰色马尔可夫模型在股票指数预测中应用。本文选取的是上证综合指数,因为该指数以最大程度地反映市场整体价格水平,产生的信号对投资者的影响最为强烈,能够比较准备的反映国内股市行情动态,具有较高的预测价值和较好的可预测性。实例表明灰色马尔可夫模型不仅可以弥补马尔可夫模型的局限,又可以弥补灰色模型的不足,表明该模型对具有短期波动性的股票价格有较高的精度和应用价值。这是本文的重点创新之一。最后介绍了神经网络理论知识和BP网络学习算法和预测步骤,提出了基于灰色关联分析的神经网络预测系统,该系统为进一步明确描述动态的股市行情开辟了新的思路。将灰色关联思想用于网络训练过程中调节隐含节点的个数来实现网络的泛化能力的最优,用灰色关联分析选取最能反映股票价格走势的技术指标,以此作为BP神经网络的输入参数,并用BP神经网络预测股票价格指数的短期走势。实证表明该系统用于股票建模预测时比传统的预测系统取得更好的效果,可以提高预测的精度且计算复杂度较低,同时也为广大投资者建立了更有效的预测分析系统。这是本文的重点创新点。文章最后总结了全文的工作成果和对未来工作的展望。