随着改革开放不断深化,金融市场建设逐步完善,国家对金融产业关注程度不断升高,股票市场自1990年推行至今,受到市场关注和投资者的追捧。股票证券市场以其高额的回报,较低的准入门槛,一度成为社会关注的焦点。我国股票市场投资者今年热情不断升高,2014年底股票开户人数再创新高。但是高收益同时也伴随着高风险,如何在保证较高收益的同时控制风险,或者是在同等收益的情况下降低风险,一直是投资者思考的问题,准确预测股票价格,根据股票历史记录推测未来股票定价,为投资者提供可靠的定价来源。现在,利用数据挖掘技术和机器学习的方法,通过对股票的历史数据的预测,在给定条件的情况下,通过机器自主学习,给机器一个预测能力,通过算法实现,为投资者预测未来股票价格提供支持。由于股票买卖价格随着需求而变动,而需求也会随着各种主动和被动因素上下浮动,提前预测,为投资者合理布局投资方案提供依据。因此,根据预测数据,提前设计投资布局方案,提升资源利用率,提前做好因股票价格变化的投资预案,有备无患。这一切的基础就是对股票的准确预测。相关文献显示,小波神经网络在时间序列数据预测方面具有一定优势且效果较好。但是小波神经网络预测对训练样本和学习过程时间相对较长。由于在股票市场时间就是金钱,提高计算效率是非常重要的。因此,本文尝试在小波神经网络与BP神经网络比较的基础之上,还尝试了运用SVM回归预测股票数据。最后在BP神经网络机器以及衍生神经网络和SVM回归之间做出比较和权衡。本文主要是通过对上证综合指数预测这一实证分析,对BP神经网络和小波神经网络和SVM回归进行了分析和比较。分别对上证综合指数预测、预测均方误差MSE和运算效率等方面进行了对比。通过对比,可以发现BP神经网络是小波神经网络的基础,小波神经网络是在BP神经网络的基础上衍生而得到的。小波神经网络在计算效率方面比较低,在符合要求的情况下,小波神经网络的准确性优于BP神经网络。而性能最优的方法却是支持向量机,无论是在预测准确程度还是在计算效率方面都领先于神经网络。