我国是一个农业大国,农业是我国国民经济的基础。涉农上市公司作为农业先进生产力的代表,它们的稳定和发展是促进农业发展的一个重要因素。而涉农上市公司的发展离不开证券市场的支持,因此,如何准确评估涉农上市公司的价值,并对其股票价格进行预测对经营者和投资者来说具有理论意义和应用价值。股票价格的影响因素众多,波动规律难寻,要做到精确预测难度较大。为了提高涉农上市公司股票价格的预测精度,本文主要从以下几个方面进行了研究：(1)农业政策对涉农上市公司股票价格的影响研究。首先,从宏观上分析了国家政策对股票价格的影响和农业政策对涉农上市公司股票价格的影响；接着,选取了近两年我国出台重大农业政策事件的发生时间为研究时段,并以金健米业、隆平高科等7支涉农企业为例,对比分析了农业政策出台时与出台前后这些企业股票价格涨幅情况的变化。结果显示,涉农上市公司股票价格对国家惠农政策存在显著反应。(2)基于ARIMA的涉农上市公司股票价格的一维时间序列预测研究。一维时间序列预测是通过历史观测值分析出各个时期观测值之间的规律从而对未来趋势进行预测。论文选用融合了时间序列和回归分析的ARIMA模型对大湖股份、金健米业、华升股份和新五丰4支涉农上市公司股票收盘价一维时间序列数据进行预测。结果显示,ARIMA对4支股票价格的预测平均相对误差均小于3%,其预测结果对股票走势的判断具有一定的指导意义。(3)基于SFS-BPNN的涉农上市公司股票价格的多维时间序列预测研究。在实际研究中,对股票价格的预测不仅要考虑其自身对未来趋势的影响,还应考虑周围其他外部因素的影响。论文通过实证研究与分析,选取了股票的今曰开盘价,今日最高价,今日最低价,今日收盘价,今日成交量,今日成交额,今日内地农业指数收盘价和今日农林指数收盘价等8个因子作为明日收盘价y的影响因子。考虑到8个因子之间存在信息冗余,论文提出基于SFS-BPNN新模型对股票价格进行预测。其具体步骤如下：先利用8个因子与y的相关系数值得到因子的重要性排序;再以顺序前向搜索策略(Sequential Forward Search, SFS)引入排序因子,并根据训练集后5个样本的BPNN预测精度去除冗余因子得保留因子；最后,基于BPNN和保留因子对测试集实施独立预测。对4支农企股票价格预测的结果表明,SFS-BPNN的预测精度优于BPNN和ARIMA模型的预测精度,该方法在涉农上市公司股票价格预测上有效合理,并对其他经济领域的价格预测研究提供有效的借鉴。