股票市场风云迭起，股票价格起伏跌宕，投资者渴望能够准确分析和预测股票价格，以便获取丰厚的收益。于是各种股票价格分析预测和方法应运而生。如何建立一个成功率比较高的预测模型，是多年来许多学者一直研究的内容。 神经网络作为一种重要的人工智能技术，广泛运用于信号处理、模式识别、系统辨认、自适应控制等领域。也应用于经济景气分析、时间序列、证券组合优化等领域，并取得了常规经济学研究方法所不能得到的效果。现在使用得最广泛的神经网络是BP(Back Propagation)网络，主要原因是因为它不需要研究对象的先验知识，其原理和结构都比较简单，且具有学习、记忆、联想、容错、并行处理等能力。在准确地提取了样本的基础上，能够掌握研究系统的特征。然而BP网络算法是建立在梯度下降算法的基础上，从而不可避免地导致以下三个缺点：1、学习过程收敛速度慢，2容易陷入局部极小点，3、鲁棒性不高。这些缺点使BP神经网络在一些复杂的非线性系统的模拟方面存在着致命的弱点。 近年来，一种新的优化搜索算法—遗传算法正在迅速发展。遗传算法以其很强的搜索优化能力和广泛的适应性渗透到各个领域，并取得了良好的效果。 本文提出了股票指数预测的一种方法。该方法结合了BP神经网络和遗传算法的优点。 具体而言，本书共分三章。 第一章是国内外股票市场的主要特征及股票指数预测方法述评。首先讨论了国内外在股票市场特性方面的研究成果，从而为本文的遗传神经网络预测建立理论基础；其次评价了国内外对于股票行情预测所采用的方法。 第二章是股票指数预测模型的构建。通过将人工神经网络和遗传算法的优点结合起来，建立了遗传神经网络的股票指数预测模型。 第三章是预测结果分析和模型改进意见。首先对预测结果进行分析、评价。其次是对遗传神经网络预测模型提出改进意见，再次是结论和本模型的经济意义。 附录讨论了本文的股票预测方法所用到的BP算法和遗传算法，评价了它们各自的数学基础和优、缺点。