首先在引言部分阐述了时间序列模型的发展历程及一些相关的研究成果,就经济金融序列预测面临的若干问题进行分析,并对神经网络方法在经济中的应用及优化作了介绍。其次,以时间序列为研究对象,神经网络作为预测工具,遗传算法作为优化手段,介绍了三者的基本理论及相互结合的原理。并利用时间序列建模理论,提出将Box-Jenkins方法论确立的预测时间序列模型的阶数作为神经网络的输入层节点数,大大缩短了学习效率。然后,鉴于非平稳经济金融序列(包括汇率、股票指数等)的信息有诸多的随机性,存在很强的波动性和异方差性,而且不同时期影响因素不同,很难准确把握和反应这类序列的整体特征。尽管传统的Box-Jenkins方法论建立的ARIMA模型由于其简单性、可行性和实用性被广泛用于非平稳序列的预测.然而对于一些经济金融序列,它很难完全反应和解释残差中的自相关性和异方差性,对信息的不完全提取暗示了ARIMA模型的有限性。而人工神经网络对强大的非线性动态系统具有较强的自学习、自组织和自适应能力,可以有效地在数值上逼近时间序列内难以定量描述的相互关系,同时有良好的柔性。本文将二者有机的结合:先用ARIMA模型对经济序列中的线性部分进行预测,提取确定性信息,剩余残差含有的非线性特征信息用ANN模型提取,通过对模型参数选取的反复尝试和检验,建立了ARIMA-ANN混合模型,并对日元兑美元日汇率收盘价进行了预测。同时将适应于具有群聚波动和长记忆的非线性金融序列的GARCH模型用于对汇率的预测。通过实证分析,将单一的ARIMA模型、ANN模型和GARCH模型作为对比模型,依据四个模型的预测结果,分析各模型的预测特点和提取信息的能力,讨论了混合模型的效绩问题。最后考虑到遗传算法与神经网络结合在经济预测中的应用目前报道还比较少,在股票指数预测中的应用在国内几乎没有。同时针对具体的经济金融问题,涉及遗传算法对神经网络的优化方案困难很多。本文在归纳分析BP算法的优势和缺点的基础上,运用Matlab工具箱实现了基于实数编码的遗传算法对于BP神经网络的结构及连接权值的优化方案,建立了GA-BP神经网络对时间序列的预测模型,通过滚动法和递归法对上证A指周K线值进行实证分析,并与ARIMA模型和一般的ANN模型进行比较,通过分析指数序列的特点和各模型的提取信息的能力,验证了遗传算法对网络能力的提高。结论:1.通过建立的混合模型对汇率收盘价的预测结果、拟合图及与其他模型的评价指标进行对比,可以认为ARIMA-ANN模型和GARCH模型的预测汇率与实际汇率是非常接近的,拟合曲线几乎完全跟的上实际汇率走势。检验结果有力的证明了日元/美元的时间序列中存在GARCH效应。2.将ARIMA、GA-BP和BP三种模型用于对股票指数的预测,后两种都得到了很好的预测结果;但是相比较而言, GA -BP神经网络模型预测上证指数比单一神经网络模型预测上证指数更加准确一些。这主要是由于股票数据的产生是随机的,不确定的,并且大多数数据都含有白噪声,而ARIMA模型是一种线性模型,对于股票价格变化这种非线性行为的分析、预测存在着先天的不足和缺陷;神经网络则具有很强的非线性映射能力和较好的鲁棒性,能够识别区分有噪声的样本。实证结果说明了利用BP神经网络预测方法对未来指数的长程预测具有一定的准确性,有了可参考的实用价值。而本文提出的将遗传算法和神经网络BP学习算法相结合的神经网络对股指的预测模型又胜一筹。预测结果与实际指数的相关性比较高,能够更好地体现未来指数变动的趋势。这种模型也适合于各种时间序列数据预测,具有一定的普遍实用性