随着世界经济的一体化发展,金融国际化走进人们视野,逐渐成为世界经济一体化的重要运行机制。股票作为资源配置的重要手段,一直备受各界关注。股票价格的有效分析和预测方法成为重要的研究课题,具有重要的研究意义。论文选取贵州茅台股票（股票代码600519）,建立了单特征和多特征的股价预测模型。首先,对于单特征预测方法,论文基于传统的软、硬阈值函数,提出了一种新的小波阈值函数,对历史收盘价数据进行去噪处理,以消除噪声对预测精度的影响,并以信噪比SNR（Signal to Noise Ratio）、均方根误差RMSE（Root Mean Squared Error）作为去噪的评价标准;对于多特征预测方法,论文基于Lasso法对股票收盘价影响因素进行变量选择,根据研究选取的十二个解释变量,用Lasso法进行变量选择得到的变量数为四个,然后采用十折交叉验证法对变量筛选结果进行验证。其次,根据BP神经网络原理,建立BP神经网络模型,确定三层神经网络拓扑结构。将去噪的收盘价历史数据作为输入变量,并以原始数据预测结果作为参照,对比分析去噪处理对单特征模型预测精度的影响。将Lasso法得到的四个变量作为输入变量、收盘价作为输出变量,并以多变量原始数据预测结果作为参照,对比分析Lasso法变量选择对多特征模型预测精度的影响。最后,引入粒子群算法优化神经网络,根据粒子群算法的寻优特点,对比常参数和线性递减参数对粒子群算法的影响,提出非线性动态惯性权重和学习因子,使粒子群算法的寻优性能更强,优化效果更好。将粒子群算法的三种参数设定用于单特征和多特征股价预测模型,对比分析优化算法以及改进的优化算法对模型预测精度的影响。