证券市场是股票、债券和基金等有价证券发行和交易的场所。股票的发行和交易极大地促进了市场经济的发展,企业可以通过发行股票进行融资,从而解决企业发展中资金短缺问题,为企业快速健康地发展起到积极的作用。另一方面,投资者为了资本增值,必须寻找投资对象。在证券市场,他们通过买入股票实现投资,从中获得可观的收益。但是股票市场高收益同时也伴随高风险,股价的高低,不仅取决于股份公司经营状况和盈利情况；同时还受到国内、国际经济、政治和市场人气等多方面因素的影响,其变化趋势呈现不规律性,如何预测股价变动的趋势,从而获得较高的收益,给股市预测提出了新的研究课题。近年来,国内外许多学者建立一些股票预测模型,取得较好的效果。由于股票数据信息量大,目前使用一些算法模型只对小样本数据有效,对于海量数据显得无能为力。本文使用覆盖算法对股票特征样本进行分析和研究,主要研究的工作和成果如下：(1)论述股票预测分析的意义,概括目前股票预测分析中常用的理论方法,然后对股票预测,作者提出一个具体的研究思路。(2)根据时间序列的定义,引入m日交叉时间序列,然后对样本进行预处理,使用BP神经网络对m日交叉时间序列股票样本进行训练与预测,并对实验结果进行分析。(3)详细介绍覆盖算法的原理,对领域覆盖算法存在的不足进行分析,进而作者提出将遗传算法用于样本优化选择上,并把改进后的覆盖算法和覆盖算法用于上证A股时间序列预测中,然后对两种算法预测的结果进行比较和分析。实验结果表明,将改进后的覆盖算法与覆盖算法分别对上证A股皖维高新进行预测,前者预测的正确率明显高于后者。由于样本数据需要投影到单位球面上,而股价是一个动态变化的过程,其最小值和最大值不容易确定,不易进行数据归一化处理,给网络训练带来一些问题,有待进一步的探讨和改进。