人工神经网络(Artificial Neural Networks)是一门新兴的交叉学科，是模拟人脑智能结构和功能而开发出来的非线性信息处理系统，具有学习能力、并行性、容错性及易于硬件实现等基本特征，主要用于解决模式分类、函数逼近和数据压缩三大问题。近二十年来，神经网络得到了迅猛的发展，在金融预测等众多领域得到了广泛的应用。 股票市场是一个高度复杂的非线性动态系统，其变化规律即有一定的自身的趋势性，又受政治的、经济的、心理的诸多因素的影响。建立在数理统计基础上的传统定量预测方法在对股市的研究中面临着许多困难，而神经网络具有自组织、自适应等特点，能自动从历史数据中提取有关经济活动中的知识，因而非常适用于解决股票预测领域中的一些问题。迄今为止，针对不同的股市，国外许多学者都建立了相应的预测模型，给出了很好的预测方法，也取得了良好的预测效果。但由于中国证券市场仅有十年多的发展历史，还很不完善，在国外成熟市场上流行和行之有效的经验和方法未必适合目前中国的“股”情。因此，对于国外成功的经验，我们还只是借鉴，而不是“拿来”。 本文的工作主要有以下几个方面： 1．概括总结了神经网络在股市预测模型中的应用。 2．将广泛使用的一些股市技术分析指标引入了股票的神经网络预测模型之中，从而使对沪市综合指数预测的正确率有所提高。 3．我们对使用BP神经网络方法和模糊神经网络方法的股价预测模型进行了分析和比较，结果证明使用模糊神经网络方法的股价预测模型具有更好的性能。 4．在综合考虑沪市综合指数和个股股价的涨跌基础上，对一类简单的黑马模式进行了识别，并给出了相应的识别结果。 本文侧重于用数值实验的方法对基于BP神经网络和模糊神经网络的股市预测模型进行研究。结果表明，神经网络用于国内股市的预测是有效的、可行的。同时，在研究中，由于样本本身容量小且我们对证券市场价格波动有重要影响的基本面诸因素没有予以考虑，所以本文的工作离实际应用还有不小的距离，有待于进一步的改进完善。要达到实用化这一目标，尚需做艰苦的努力。